近日我院孙强教授课题组在机器视觉分析表面超分子结构方面取得进展，研究成果发表于Angew. Chem. Int. Ed.（最新影响因子: 16.8），论文题目为“A Deep-Learning Framework for the Automated Recognition of Molecules in Scanning-Probe-Microscopy Images”。
计算机视觉作为深度学习的重要分支，被广泛运用在各类图像数据处理领域。得益于扫描探针显微镜（SPM）技术的发展，研究人员能够直观地在单分子、甚至是单原子尺度上观察和分析物质。然而，一直以来在SPM图像中提取信息主要依赖于实验人员的主观分析。
图1 深度学习框架工作流程概述。此工作流程从标准SPM图像采集开始，然后通过t-SNE算法进行图像评估，该算法用于确认高分辨率SPM图像中分子的可分性。随后，在原始SPM图像中选择一个小区域的分子进行标记和数据增强，并作为实例分割深度学习模型（Mask R-CNN）的数据集。最后，机器视觉模型在训练后将自动批量评估SPM图像并输出预测结果。
在本工作中，作者开发了一个深度学习框架，运用Mask R-CNN目标检测算法来实现SPM二元或多元纳米结构中单分子的识别、分类和实例分割。为了展现该框架对分子的敏感度，作者使用了在SPM图像中极为相似的两种三角形分子作为案例。试验结果表明，该框架可以高效准确辨识出两种分子在SPM图像上的细微差别并勾勒出分子轮廓。
另外，课题组与南开大学王小野教授合作的“Heteroatom-Edged [4]Triangulene: Facile Synthesis and Two-Dimensional On-Surface Self-Assemblies”论文也于近日发表于Angew. Chem. Int. Ed.。该论文阐述了一种新型的具有氧–硼–氧（OBO）掺杂边缘的杂[4]三角烯，并实现了在金属表面的二维有序组装（图2）。实验和理论计算表明硼氧杂[4]三角烯能在金属表面通过分子间C–H···O氢键作用，在不同基底的调控作用下实现多孔组装与致密堆积组装两种长程有序的结构，显著区别于无序或孤立存在的全碳[4]三角烯。该工作展示了一类新型硼氧杂[4]三角烯分子，拓展了杂三角烯的材料体系，并进一步证明了其形成二维表面自组装中的潜力，为纳米石墨烯分子阵列化及其在未来纳电子器件等领域的应用提供了新的思路。
图2 A.已有的[4]三角烯和本文报道的硼氧杂[4]三角烯及其在不同基底上的组装形貌示意图； B.（a–h）OBO三角烯在不同基底上组装体的STM图像；（i）基于不同组装结构的二聚体模型。
两篇论文工作主要由上海大学MGI孙强教授课题组与南开大学王小野教授课题组合作完成。论文一中孙强教授为唯一通讯作者，第一作者为MGI硕士生朱志文。论文二中孙强教授为共同通讯作者，MGI博士生陆佳宜为共同第一作者。MGI表面科学课题组（www.qiangsungroup.cn）近年来利用数据挖掘、机器学习和人工智能方法，结合高通量实验手段研究人工智能在表面科学中的应用，包括机器视觉、自动目标识别和性能预测。
论文一链接：https://doi.org/10.1002/anie.202213503
论文二链接：https://doi.org/10.1002/anie.202212594