实时自优化量子点激光辐射在机器学习辅助的Epitaxy过程中
Chao Shen1,2, Wenkang Zhan1,2, Shujie Pan1,3
1Laboratory of Solid State Optoelectronics Information Technology, Institute of Semiconductors, Chinese Academy of Sciences, Beijing, 100083, China.
概括
这项研究将现场反射高能电子衍射 (RHEED) 与机器学习 (ML) 集成,以优化量子点 (QD) 激光器. 这种新的方法显著增强光发光,并使自动化,高性能激光生产成为可能.
科学领域:
- 材料科学 材料科学 材料科学
- 光电学是指光电子产品.
- 人工智能的人工智能
背景情况:
- 优化光源排放的传统方法耗时且依赖于试错.
- 在生长过程中光源增益介质的现场优化非常理想,但尚未实现.
研究的目的:
- 为激光应用开发一种自动化的现场方法,以优化InAs/GaAs量子点 (QD) 的生长.
- 为了将表面重建动态与光发光 (PL) 特性相关联,以便实时反控制.
主要方法:
- 在现场反射高能电子衍射 (RHEED) 与轻量级ResNet-GLAM机器学习模型的集成.
- 实时处理RHEED数据以识别光学性能并指导动态增长参数的调整.
主要成果:
- 实现了PL强度的3.2倍增加,并将FWHM从GaAs上的InAs QD从36.69降低到28.17meV.
- 展示了自动化,现场自我优化的5层InAs QD激光器,在1240nm处连续波运行.
- 在室温下获得了150 A cm-2的低值电流,与传统优化激光器相比.
结论:
- 这种人工智能驱动的RHEED方法可以实现智能,低成本和可重复的高性能光发射器生产.
- 开发的方法代表了自动化光电子设备制造的重大进步.
