使用扫描透射电子显微镜(STEM)研究了电子束照射的Si原子在单层石墨烯的内部和边缘的动态行为。深度学习网络被用来将实验用的STEM影像转换为单个Si和碳原子的坐标。进一步用高斯混合模型建立Si原子的基本原子构型，定义了键合的几何形状和化学种类，并考虑主晶格的离散转动对称性。确定了这些状态之间的频率和马尔可夫转移概率。通过这种分析，可以从原子解析的STEM数据深入了解缺陷群体和化学转化网络。在这里，我们观察到沿着石墨烯边缘之字形方向形成一维硅晶体，以及Si杂质与块体石墨烯中的拓扑缺陷有明显的耦合趋势。 
 
Figure 1 含Si杂质的石墨烯纳米孔的STEM实验数据。a)单个电影帧在单层石墨烯的纳米孔边缘显示出Si杂质(亮点)。b) (a)中数据的深度神经网络输出。
 
 
Figure 2 以Si杂质为中心的提取子图像进行统计分析。a)层次聚类分析结果(沃德方法)。b)主成分分析的Scree图。c)基于高斯混合模型的图像堆栈分解为16个分量的结果。
 
 
Figure 3 Si-C边缘配置组合类别的马尔可夫转移矩阵。
 
 
Figure 4 石墨烯块区域的实验STEM数据。a)单个电影帧显示了嘈杂的石墨烯晶格，单个的Si杂质(亮点)和非晶硅碳区(最亮区)。b) (a)中数据的深度神经网络输出。
 
 
Figure 5分析石墨烯内部的硅杂质构型。a-f)块状石墨烯中Si杂质的一些构型示例。g)特定类型环的出现统计。h)耦合到拓扑缺陷的硅状态和没有这种耦合状态之间的马尔可夫跃迁示意图。
 
         相关研究成果于2019年由美国纳米相材料科学中心Sergei V. Kalinin课题组，发表在Adv. Funct. Mater.(https://doi.org/10.1002/adfm.201904480)上。原文：Atomic Mechanisms for the Si Atom Dynamics in Graphene: Chemical Transformations at the Edge and in the Bulk