| Project/Area Number |
23K04532
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 28030:Nanomaterials-related
|
|---|
| Research Institution | Shinshu University |
|---|
Principal Investigator |
林 卓哉 信州大学, 学術研究院工学系, 教授 (80313831)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
藤澤 一範 信州大学, 先鋭領域融合研究群先鋭材料研究所, 准教授(特定雇用) (00724634)
村松 寛之 信州大学, 学術研究院工学系, 准教授 (70509984)
姜 天水 長野工業高等専門学校, 情報エレクトロニクス系, 助教 (70884443)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,810,000 (Direct Cost: ¥3,700,000、Indirect Cost: ¥1,110,000)
Fiscal Year 2025: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2024: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2023: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
|---|
| Keywords | ナノダイヤモンド / 欠陥 / NVセンター / 機械学習 / 物体検出 |
|---|
| Outline of Research at the Start |
ナノダイヤモンド中のNVセンターなどの欠陥は発光やスピンなどの操作の可能性が見込まれ、バイオセンサー、量子デバイス、磁気センサーなどへの展開が期待されている。
ナノダイヤモンド中の欠陥は生成時と後処理により導入されるものがある。しかし、導入の効率は必ずしも高くなく、欠陥導入効率改善のためにはどのような欠陥がどこに導入されているかをnmスケールで明らかにする手段が求められている。
本申請ではナノダイヤモンド中の欠陥を検出するために機械学習の物体検出技術を活用することで問題解決を図ることとした。教師データにはナノダイヤモンド構造モデルのTEMシミュレーション画像の欠陥部にラベリングしたものを使用する
|
| Outline of Annual Research Achievements |
量子デバイス、高感度磁気センサー、バイオマーカーなどとして広範な展開が期待されるナノダイヤモンド中のNVセンターなどの欠陥であるが、理想的な位置への高効率欠陥導入には障壁がある。この障壁をクリアするにはナノダイヤモンド中の欠陥種の特定と導入位置の情報を得ることが肝要である。
そこで本研究はナノダイヤモンドのどの位置に欠陥が導入されているかをTEM像シミュレーションと機械学習を用いた物体検出を利用して明らかにすることを目的とする。
現段階で粒径3nmと5nmのナノダイヤモンドの構造モデルを作製し、中心部にNV, V, NVN, NVNV, VNV、SiVの欠陥を導入した。これらに関してx軸とy軸で2度、3度ずつ180度まで変化させてTEMシミュレーションを行った。得られたシミュレーション像の欠陥位置のラベリングを行い画像認識フレームワークであるYOLOv8とv9の学習、検証、テストデータとした。バッチサイズとエポック数を変化させて認識精度と過学習とのバランスをとるよう学習を行った。その結果、2度ずつ変化させたデータを用いたYOLOv9においてSiVやNVNの欠陥などでほぼ100％の認識精度が得られた。一方でNVとVの認識では50％を割る精度であった。これは炭素と窒素の原子数が似ておりコントラスト差が非常に小さいためと考えられる。今後はモデルサイズ拡大やデフォーカスの条件等も変化させた学習データを用意して精度が変化するか検証する。
ナノダイヤモンドのTEM観察にしてはRaman分光で発光確認した二次粒子の観察に成功した。3個程度のナノダイヤモンドの凝集体の発光確認とTEM像を得るためのノウハウが蓄積できた。今後はナノダイヤモンドの単粒子化と格子像観察を試みていく。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
3nmと5nmのナノダイヤモンドに欠陥構造としてNV,V,V2,N2V,NVNV,N2,SiVをそれぞれ導入したモデルを作製し、2度刻みで180度まで回転させてTEMシミュレーションを行った。その結果、113400枚のシミュレーション像が得られ、ラベリングを自動化するスクリプトを作成することで高効率にラベリングすることに成功した。機械学習は申請後に発表されたYOLOv8で行っていたが、今年に入りYOLOv9が入手可能になったため、そちらでの学習を行っている。学習の条件としてバッチサイズなどを変化させ、最適な条件を模索している。現状では検証データとテストデータでの確認でN2VとSiVはほぼ100％、NVNV,N2はそれぞれ9割、8割認識可能となっており、計画以上のペースで推移している。Raman分光法で確認したナノダイヤモンドのNV欠陥の発光部をTEMで確認することも試みており、数個のナノダイヤモンドの凝集体などでは対応をとることができている。このことから実験面ではおおむね順調に推移している。計算と実験を合わせて考えると計画以上に進展していると考えられる。
|
| Strategy for Future Research Activity |
機械学習に関しては計画を大幅に上回るペースで進んでいるため、欠陥の種類やナノダイヤモンドのモデルサイズを大きくしたうえで学習データを増やしてさらなる欠陥認識性能向上を目指す。また、デフォーカスを変化させた学習データも追加できるか検討する。
ナノダイヤモンドの観察に関してはナノダイヤモンドの単粒子化と格子像の取得を行っていく。
|
