Kann Deep Learning die Entdeckung neuer zweidimensionaler Materialien beschleunigen? Dieser Übersichtsartikel umreißt umfassend die Fortschritte des Deep Learning im Bereich der 2D-Materialien, einem Feld, das durch die Isolierung von Graphen angestoßen wurde und anhaltende Herausforderungen bei deren Entwicklung angeht. Der Artikel diskutiert Deep-Learning-Methoden wie Convolutional Neural Networks, Generative Adversarial Networks und U-Net-Modelle unter Verwendung der einzigartigen Eigenschaften von 2D-Materialien. Durch die effektive Identifizierung verschiedener 2D-Materialien werden die Bereiche der großtechnischen und hochpräzisen Charakterisierung sowie der intelligenten Funktionsvorhersage und des Designs angesprochen. Darüber hinaus wird die Charakterisierung von 2D-Materialien durch Deep-Learning-Methoden erörtert, einschließlich Defekten und Materialidentifizierung sowie automatischer Dickencharakterisierung. Fortschritte bei der Vorhersage einzigartiger Eigenschaften, einschließlich elektronischer, mechanischer und thermodynamischer Merkmale, sowie das inverse Design funktionaler 2D-Materialien werden prägnant bewertet. Dieser Übersichtsartikel kann Anleitungen geben, um das Verständnis und die Verwendung neuer 2D-Materialien zu fördern.
Diese in Frontiers of Physics veröffentlichte Übersichtsarbeit passt perfekt zum thematischen Bereich der Zeitschrift und konzentriert sich auf die Schnittstelle von Physik und Materialwissenschaften. Die Diskussion von Deep-Learning-Anwendungen in 2D-Materialien ist für das Publikum der Zeitschrift, das an neuen und aufstrebenden Bereichen der Physik interessiert ist, von großer Bedeutung.