智能化缺陷检测：新型AI工具助力薄膜制造

来自 实验室仪器网

研究人员开发了一种机器学习 (ML) 系统，可以实时检测薄膜生长数据的细微变化（比人类专家更快），标志着朝着完全自主的材料研究迈出了关键一步。

薄膜对于从手机、太阳能电池板到量子计算机等各种技术都至关重要。但生产高质量的薄膜需要精确的控制。这些材料需要数小时的时间，逐个原子缓慢地形成。传感器读数的细微变化可能预示着缺陷——而这些信息对于人类观察者来说可能难以快速捕捉。及早发现这些问题可以让研究人员在过程中进行干预，从而有可能提高效率并减少浪费。

科研团队开发了一种新的机器学习工具，该工具的详细介绍刊登在《真空科学与技术A期刊》上。该工具可以分析薄膜生长数据，并在变化出现时进行标记。其速度比训练有素的研究人员更快，为未来能够自动调整生长条件而无需人工输入的系统奠定了基础。

我们正在做的是找到一种让机器学习为我们服务的方法。为了做出真正影响胶片生长的改变，每一秒都至关重要。通常，当我们注意到问题时，已经来不及修复了。随着我们用更多数据训练机器学习程序，它应该能够更好地发现变化。研究首席研究员兼材料科学家说道。

该项目是通过边缘自主学习实现合成与控制的自适应可调性 (AT SCALE) 计划的一部分，该计划支持跨学科努力整合硬件、软件和领域专业知识，以进行自主材料研究。

为了测试该系统，该团队使用二氧化钛作为模型材料——选择二氧化钛是因为其兼具简单性和结构多变性。薄膜以原子为单位逐个沉积，并使用电子束衍射成像进行监测，每秒捕获一次。这些图像包含条纹、斑点和其他反映薄膜晶体结构和表面形貌的图案。

传统上，研究人员会手动监测这些图像，寻找可能表明表面粗糙度或非预期结构的偏差。名为 RHAAPsody 的新机器学习工具可以自动执行此任务。它将实时仪器数据转换为适合快速分析的格式，逐秒比较数据点，并标记称为“变化点”的关键变化。

为了验证该系统，研究人员将RHAAPsody的性能与审查相同二氧化钛生长数据的人类专家进行了比较。机器学习工具识别出了相同的变化点，但速度提高了大约一分钟，在需要实时反馈时，这是一个重要的改进。检测时间的提升对于我们系统中实时反馈的开发具有重大意义。

最终目标是打造一个完全自主的薄膜生长系统。团队正在努力使该仪器不仅能够检测结构变化，还能对其做出响应，自动调整生长参数，使薄膜恢复到所需的性能。这将依赖于生长仪器、计算机系统和新型预测控制算法之间的紧密集成。

该团队正在进行下一步工作，将利用数据和机器学习来改变生长条件。团队目前专注于下一阶段：利用机器学习输出来指导薄膜生长过程的主动控制。

» 仪器设备 购买 咨询