多模式机器学习分析GaSe分子束Epitaxy生长条件的分析
Mingyu Yu1, Isaiah A Moses2, Wesley F Reinhart3,4
1Department of Materials Science and Engineering, University of Delaware, Newark, Delaware 19716, United States.
ACS applied materials & interfaces
|May 28, 2025
概括
机器学习增强分子束表 (MBE) 对化 (GaSe) 薄膜生长的作用. 将反射高能电子衍射 (RHEED) 与人工智能集成,优化电影质量并加速合成.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 人工智能的人工智能
背景情况:
- 自主合成平台为薄膜生长提供实时优化.
- 自主合成的分子束表 (MBE) 应用尚未得到充分发展.
- 机器学习 (ML) 和现场诊断可以彻底改变薄膜制造.
研究的目的:
- 开发一个ML指导的框架,用于MBE增长化 (GaSe) 薄膜.
- 使用反射高能电子衍射 (RHEED) 作为现场诊断.
- 将RHEED模式与电影质量指标相关联.
主要方法:
- 应用无监督学习到质量分类的RHEED模式.
- 进行了相互信息分析,将RHEED特征与薄膜特性 (fwhm,RMS粗度) 联系起来.
- 开发监督的ML模型来预测片质量,并使用异常检测.
主要成果:
- 在RHEED的无监督学习中,确定了不同的高质量和低质量样本边界.
- 雷德嵌入力与半最大 (fwhm) 的摇摆曲线全宽度有很强的相关性.
- 结合RHEED嵌入式的ML模型显著提高了fwhm和RMS粗度的预测准确性.
结论:
- 为ML辅助的MBE建立了一个数据驱动的框架.
- 展示了基于RHEED的ML在实时过程控制方面的潜力.
- 在薄膜合成中为加速优化铺平了道路.


