研究人员开发了一种新颖的方法来对扫描隧道显微镜（STM）图像中的缺陷进行分类，解决了标记数据稀缺的问题。该方法采用少样本学习和无监督学习的组合，无需广泛的手动标注。该技术已显示出强大的泛化能力，只需少量额外的标记数据即可成功识别各种表面上的原子特征，为更高效、与材料无关的STM图像分割铺平了道路。 AI
影响 通过自动化图像分析，有潜力加速材料科学研究。
排序理由 详细介绍图像分析新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2506.01678v2 Announce Type: replace-cross Abstract: Scanning tunnelling microscopy (STM) is a powerful technique for imaging surfaces with atomic resolution, providing insight into physical and chemical processes at the level of single atoms and molecules. A regular task of…