【Carbon：从高分辨率透射电子显微镜图像确定碳纳米管手性指数的深度学习方法】手性指数决定了碳纳米管（CNT）的重要特性。不幸的是，从高分辨率透射电子显微镜（HRTEM）图像（指定手性的最准确方法）中确定它们是一项冗长的任务。作者开发了一个卷积神经网络，使这一过程自动化。通过原子计算机模拟结合用于图像生成的多切片方法，获得了CNT图像的大量而真实的训练数据集。在大多数情况下，自动分配的结果与手动分类非常一致，并且确定了失败的来源。目前的方法结合了HRTEM成像和深度学习算法，允许分析具有统计意义的碳纳米管HRTEM图像，为实验手性分布的稳健估计铺平了道路。
来源：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#科学##物理##碳纳米管##透射电子显微镜#
