近期，厦门大学二维材料物性调控课题组通过机器学习方法结合拉曼光谱表征，实现转角石墨烯全角度快速识别。利用拉曼光谱与深度学习相结合，快速、非破坏性地解码和预测扭曲双层石墨烯（TBG）在整个角度范围内的扭曲角度。通过处理高维拉曼数据，深度学习模型可以提取隐藏信息，从而实现精确的扭转角识别。进一步将这种方法扩展到二维平面，在单个样品中实现精确的方向映射。该工作不仅有助于高效地表征TBG，还为研究其他与角度有关的二维材料引入了一个广泛适用的框架。

TBG由于层间错位和晶格错配而产生的摩尔纹超晶格为电子-电子相互作用提供了新的机会，表现出一些有趣的物理特性，如铁磁性、拓扑谷传输、量子化反常霍尔效应、波美兰丘克效应、范霍夫奇点（vHSs）、莫特绝缘行为等。然而，制作TBG样品和确定扭曲角度都是非常耗时耗力的过程。通常，人们采用透射电子显微镜和低能电子衍射技术来根据原子排列确定扭转角。然而，这些技术具有破坏性、操作难度大且成本极高。相反，拉曼光谱是一种灵敏、非侵入性的光学方法，光与化学键的电子密度相互作用，导致分子振动激发和光的频率偏移。它已被广泛应用于材料科学、生物学、制药和食品科学等领域。但是原始光谱数据通常比较复杂，包含大量随机噪声，需要高度专业化的人工输入进行数据解读。

图1 深度学习判断双层石墨烯转角示意图

这项工作中，在不进行任何初步数据处理的情况下，以全拉曼光谱为输入数据集，训练了7个深度学习模型，并将扭转角作为输出。然后执行k-fold策略交叉验证每个模型的稳定性，直到确定最佳模型VGG-19。然后用完全不同的拉曼图谱数据对训练好的模型进行验证，以保证其有效性和鲁棒性。为了使策略更加适用，在框架中引入了聚类模型，以区分各种类型的样本区域。训练结果表明，无论是单拉曼光谱（0D）还是映射数据（2D），都能准确高效地预测双层石墨烯的扭转角。此外，利用梯度加权类激活映射（Gradient-weighted Class Activation Mapping，Grad-CAM）方法仔细分析了深度学习模型的可解释性。结果与基于密度泛函理论（DFT）的第一原理计算结果一致，证明我们的深度学习策略在通过光谱数据理解扭角二维材料方面具有优势。这项工作证明，无论 CVD 生长条件如何变化，深度学习网络都能通过拉曼光谱预测 TBG 的扭转角。这种预测是连续的、高通量的、无监督的，与传统的拉曼分析有本质区别。这种数据驱动的方法不仅有助于高效地表征TBG，还为研究其他与角度有关的二维材料引入了一个广泛适用的框架，对材料光谱学和分析领域的发展具有一定的参考意义。

图2 VGG-19预测转角石墨烯拉曼mapping示意图

相关研究成果以“Deep-Learning-Enabled Fast Raman Identification of the Twist Angle of Bi-layer Graphene”为题，于2025年1月28日发表在Small上。第一作者为21级博士研究生陈扬波，张学骜教授为本文通讯作者。该研究成果得到国家自然科学基项目资助，同时得到军事科学院和北京分子科学国家研究中心等单位的大力支持。

文章链接：

https://onlinelibrary.wiley.com/doi/10.1002/smll.202411833?af=R