本研究提出了一种名为ATOMIC的全自主实验框架，旨在解决二维材料表征中对专家知识和大量训练数据的依赖。该框架利用基础模型实现零-shot特性，能够在复杂条件下准确识别材料特征，单层分割准确率达到99.7%，将显著改变纳米材料研究方式。

本研究提出了MaskTerial深度学习模型，能够自动检测和分类光学显微镜图像中的二维材料薄片。该模型通过实例分割网络和合成数据生成器进行预训练，特别在低对比度材料的检测中表现优异，且能快速适应新材料。