【Carbon：從高分辨率透射電子顯微鏡圖像确定碳納米管手性指數的深度學習方法】手性指數決定了碳納米管（CNT）的重要特性。不幸的是，從高分辨率透射電子顯微鏡（HRTEM）圖像（指定手性的最準确方法）中确定它們是一項冗長的任務。作者開發了一個卷積神經網絡，使這一過程自動化。通過原子計算機模拟結合用于圖像生成的多切片方法，獲得了CNT圖像的大量而真實的訓練資料集。在大多數情況下，自動配置設定的結果與手動分類非常一緻，并且确定了失敗的來源。目前的方法結合了HRTEM成像和深度學習算法，允許分析具有統計意義的碳納米管HRTEM圖像，為實驗手性分布的穩健估計鋪平了道路。
來源：Georg Daniel Förster , Alice Castan , Annick Loiseau , Jaysen Nelayah , Damien Alloyeau , Frédéric Fossard , Christophe Bichara , Hakim Amara，A deep learning approach for determining the chiral indices of carbon nanotubes from high-resolution transmission electron microscopy images，Carbon 169 (2020) 465-474，DOI：10.1016/j.carbon.2020.06.086#科學##實體##碳納米管##透射電子顯微鏡#
