Graphene is a two-dimensional material with exceptional mechanical, electrical, and thermal properties, but its performance is highly sensitive to structural defects that arise during production. This thesis investigated whether a machine learning model could determine the type, orientation, and position of structural defects in graphene from a small number of topological probe measurements, without directly observing the defect. Graphene was modelled as a graph, where carbon atoms are represented as nodes and bonds as edges, and four defect types were considered: single vacancy, double vacancy, Stone-Wales, and 555-777. The measurement signal exploited the fact that the perfect graphene lattice contains no odd-length cycles, while defects introduce odd-length cycles locally whose length grows with distance from the defect. A synthetic dataset of 100,000 samples was generated using an adaptive probing strategy that placed six probes per sample, guided by breadth-first search to estimate the defect location. A three-stage cascade of machine learning models was then trained to predict defect type, orientation, and position sequentially. The cascade achieved a defect type accuracy of 96.4%, an average orientation accuracy of 88.2%, and a mean localisation distance of 0.283 lattice nodes, outperforming a flat baseline classifier by a factor of 4.5 in localisation accuracy. The results show that topological measurements alone carry sufficient information for accurate defect classification and localisation in graphene.

Grafén är ett tvådimensionellt material med exceptionella mekaniska, elektriska och termiska egenskaper, men dess prestanda är mycket känslig för strukturella defekter som uppstår under produktion. Denna avhandling undersökte om en maskininlärningsmodell kan bestämma typ, orientering och position för strukturella defekter i grafen utifrån ett litet antal topologiska probmätningar, utan att direkt observera defekten. Grafén modellerades som en graf, där kolatomer representeras som noder och bindningar som kanter, och fyra defekttyper undersöktes: enkelvakans, dubbelvakans, Stone-Wales och 555-777. Mätsignalen utnyttjade det faktum att perfekt grafén inte innehåller några udda cykler, medan defekter introducerar udda cykler lokalt vars längd ökar med avståndet från defekten. Ett syntetiskt dataset med 100 000 prover genererades med hjälp av en adaptiv probstrategi som placerade sex prober per prov, vägledd av Breadth-First Search för att uppskatta defektens position. En trestegskaskad av maskininlärningsmodeller tränades sedan för att sekventiellt förutsäga defekttyp, orientering och position. Kaskaden uppnådde en defekttypsnoggrannhet på 96,4%, en genomsnittlig orienteringsnoggrannhet på 88,2% och ett genomsnittligt lokaliseringsavstånd på 0,283 noder, vilket överträffade en platt bas-klassificerare med en faktor på 4,5 i lokaliseringsnoggrannhet. Resultaten visar att topologiska mätningar ensamma innehåller tillräcklig information för noggrann defektklassificering och lokalisering i grafén.