关闭循环:基于机器学习的在线数据分析在同步子光束线环境中实现的自主实验
Linus Pithan1, Vladimir Starostin1, David Mareček2
1Institut für Angewandte Physik, Universität Tübingen, Auf der Morgenstelle 10, 72076 Tübingen, Germany.
Journal of synchrotron radiation
|October 18, 2023
概括
机器学习 (ML) 自动化了X射线散射数据分析,以获得更快的见解. 这项研究将ML与X射线反射计集成在一起,用于实时薄膜表征和自主实验控制.
科学领域:
- 材料科学 材料科学 材料科学
- 数据科学数据科学数据科学
- 物理 物理学 物理
背景情况:
- 越来越多的X射线散射数据需要先进的分析技术.
- 机器学习 (ML) 为自动化,实时数据解释提供了潜力.
- 闭环反系统可以提高实验效率和控制.
研究的目的:
- 将基于ML的在线数据分析集成到X射线反射计 (XRR) 的闭环工作流中.
- 用XRR数据的ML分析来证明真空沉积装置的自主控制.
- 使用ML提取薄膜的物理参数 (厚度,密度,粗度).
主要方法:
- 开发一个结合的单维卷积神经网络 (CNN) 和多层感知子模型.
- 训练ML模型从XRR数据中提取薄膜参数,并结合先前的知识.
- 将基于ML的在线分析集成到光线线中,用于真空沉积系统的实时反控制.
主要成果:
- 使用ML方法对X射线反射计曲线和布拉格反射进行准确和可靠的分析.
- 基于ML分析,成功展示了对真空沉积装置的自主控制.
- 验证ML的实时监控和决策在薄膜生长.
结论:
- 机器学习技术,特别是CNN和MLP,对于自动化XRR数据分析是有效的.
- ML的光束线集成可实现闭环反,用于实时实验控制.
- 这种方法加快了薄膜表征和沉积过程.
