Создание функциональных тонких пленок, необходимых для современных сотовых телефонов, солнечных панелей и квантовых компьютеров, представляет собой сложный и длительный процесс. Он включает поатомное осаждение материала на протяжении многих часов, требуя высочайшей точности контроля. Малейшие отклонения или дефекты, возникшие в ходе роста, могут сделать пленку непригодной, а их своевременное обнаружение человеком в режиме реального времени крайне затруднительно.
Исследователи из Тихоокеанской северо-западной национальной лаборатории (PNNL) разрабатывают и применяют методы машинного обучения (МО) для мониторинга и, в перспективе, автономного управления ростом тонких пленок. Цель этой работы, результаты которой опубликованы в Journal of Vacuum Science & Technology A, — повысить качество продукции, сэкономить время и ресурсы, а также открыть путь к созданию новых материалов.
Традиционно процесс роста пленки контролируется экспертом, наблюдающим за картинами дифракции электронного пучка. Эти изображения, получаемые каждую секунду, показывают характерные полосы и пятна, соответствующие кристаллической структуре и топографии поверхности пленки. По изменениям этих картин специалист отслеживает, идет ли рост гладко, формируется ли шероховатость или нежелательная структура. Однако запоздалое обнаружение проблем часто означает, что исправить пленку уже невозможно.
Команда PNNL, включающая материаловеда Тиффани Каспар и специалиста по данным Сару Эйкерс, разработала программу машинного обучения под названием RHAAPsody. Эта система анализирует данные дифракции в реальном времени, выявляя тонкие изменения, указывающие на потенциальные проблемы, значительно быстрее, чем это может сделать человек. Это является фундаментальным шагом к созданию полностью автономных экспериментальных систем.
Процесс работы RHAAPsody включает несколько этапов. Сначала измерения прибора (дифракционные изображения) преобразуются в формат данных, понятный для МО. Затем алгоритм анализирует эти данные посекундно, чтобы определить «точки изменения», в которых характеристики роста смещаются. Программа отмечает эти точки и оптимизирует представление данных для наглядности, дополняя его графическим анализом для визуализации эволюции пленки.
В качестве модельной системы для проверки RHAAPsody был выбран диоксид титана (TiO2). Этот материал сочетает относительную простоту с достаточной сложностью и способностью формировать различные структуры в зависимости от условий осаждения. В ходе экспериментов по выращиванию пленок TiO2 методом поатомного осаждения велся мониторинг с помощью дифракции электронов.
Результаты показали, что RHAAPsody успешно идентифицировала точки изменения в данных роста диоксида титана, причем ее выводы совпали с наблюдениями экспертов-людей. Важнейшим достижением стало то, что программа обнаруживала эти критические изменения примерно на одну минуту быстрее, чем специалист.
Тиффани Каспар подчеркивает значимость этого ускорения: «Это более быстрое обнаружение критически важно для внедрения обратной связи и контроля в реальном времени во время роста пленки». Возможность оперативно реагировать на отклонения открывает путь к исправлению дефектов непосредственно в процессе синтеза.
Одной из проблем при разработке стала нехватка данных. Сара Эйкерс отметила «трудность поиска достаточного количества легкодоступных данных в научном сообществе для обучения моделей МО». Чтобы способствовать дальнейшим инновациям в этой области, команда PNNL планирует сделать свои экспериментальные данные общедоступными.
Следующим этапом исследователи видят создание системы, которая сможет не только обнаруживать изменения, но и автоматически адаптировать условия роста в реальном времени для коррекции отклонений и предотвращения дефектов. Конечная цель — полностью автономная система синтеза тонких пленок, интегрирующая приборы, аппаратное и программное обеспечение, а также алгоритмы предиктивного управления.
Более широкое видение, по словам Тиффани Каспар, заключается в объединении автономных приборов с предсказаниями свойств материалов на основе искусственного интеллекта. Это позволит выращивать новые, сложные материалы, синтез которых в настоящее время затруднен или невозможен. Признавая, что процесс еще не идеален, Каспар назвала потенциальные возможности «захватывающими».
RHAAPsody играет ключевую роль в этом будущем. Как пояснила Сара Эйкерс, программа обеспечивает необходимую возможность знать, когда нужны решения или вмешательства, идентифицируя критические «точки ветвления» в процессе роста материала. Это основа для принятия автоматизированных, основанных на данных решений в материаловедении.
Изображение носит иллюстративный характер
Исследователи из Тихоокеанской северо-западной национальной лаборатории (PNNL) разрабатывают и применяют методы машинного обучения (МО) для мониторинга и, в перспективе, автономного управления ростом тонких пленок. Цель этой работы, результаты которой опубликованы в Journal of Vacuum Science & Technology A, — повысить качество продукции, сэкономить время и ресурсы, а также открыть путь к созданию новых материалов.
Традиционно процесс роста пленки контролируется экспертом, наблюдающим за картинами дифракции электронного пучка. Эти изображения, получаемые каждую секунду, показывают характерные полосы и пятна, соответствующие кристаллической структуре и топографии поверхности пленки. По изменениям этих картин специалист отслеживает, идет ли рост гладко, формируется ли шероховатость или нежелательная структура. Однако запоздалое обнаружение проблем часто означает, что исправить пленку уже невозможно.
Команда PNNL, включающая материаловеда Тиффани Каспар и специалиста по данным Сару Эйкерс, разработала программу машинного обучения под названием RHAAPsody. Эта система анализирует данные дифракции в реальном времени, выявляя тонкие изменения, указывающие на потенциальные проблемы, значительно быстрее, чем это может сделать человек. Это является фундаментальным шагом к созданию полностью автономных экспериментальных систем.
Процесс работы RHAAPsody включает несколько этапов. Сначала измерения прибора (дифракционные изображения) преобразуются в формат данных, понятный для МО. Затем алгоритм анализирует эти данные посекундно, чтобы определить «точки изменения», в которых характеристики роста смещаются. Программа отмечает эти точки и оптимизирует представление данных для наглядности, дополняя его графическим анализом для визуализации эволюции пленки.
В качестве модельной системы для проверки RHAAPsody был выбран диоксид титана (TiO2). Этот материал сочетает относительную простоту с достаточной сложностью и способностью формировать различные структуры в зависимости от условий осаждения. В ходе экспериментов по выращиванию пленок TiO2 методом поатомного осаждения велся мониторинг с помощью дифракции электронов.
Результаты показали, что RHAAPsody успешно идентифицировала точки изменения в данных роста диоксида титана, причем ее выводы совпали с наблюдениями экспертов-людей. Важнейшим достижением стало то, что программа обнаруживала эти критические изменения примерно на одну минуту быстрее, чем специалист.
Тиффани Каспар подчеркивает значимость этого ускорения: «Это более быстрое обнаружение критически важно для внедрения обратной связи и контроля в реальном времени во время роста пленки». Возможность оперативно реагировать на отклонения открывает путь к исправлению дефектов непосредственно в процессе синтеза.
Одной из проблем при разработке стала нехватка данных. Сара Эйкерс отметила «трудность поиска достаточного количества легкодоступных данных в научном сообществе для обучения моделей МО». Чтобы способствовать дальнейшим инновациям в этой области, команда PNNL планирует сделать свои экспериментальные данные общедоступными.
Следующим этапом исследователи видят создание системы, которая сможет не только обнаруживать изменения, но и автоматически адаптировать условия роста в реальном времени для коррекции отклонений и предотвращения дефектов. Конечная цель — полностью автономная система синтеза тонких пленок, интегрирующая приборы, аппаратное и программное обеспечение, а также алгоритмы предиктивного управления.
Более широкое видение, по словам Тиффани Каспар, заключается в объединении автономных приборов с предсказаниями свойств материалов на основе искусственного интеллекта. Это позволит выращивать новые, сложные материалы, синтез которых в настоящее время затруднен или невозможен. Признавая, что процесс еще не идеален, Каспар назвала потенциальные возможности «захватывающими».
RHAAPsody играет ключевую роль в этом будущем. Как пояснила Сара Эйкерс, программа обеспечивает необходимую возможность знать, когда нужны решения или вмешательства, идентифицируя критические «точки ветвления» в процессе роста материала. Это основа для принятия автоматизированных, основанных на данных решений в материаловедении.
