Neural RHEED alignment with limited training data during CdTe MBE growth

Technische Samenvatting: Neurale RHEED-uitlijning met beperkte trainingsdata tijdens CdTe MBE-groei

Probleemstelling
Moleculaire Bundel Epitaxie (MBE) is een cruciale techniek voor de productie van hoogwaardige halfgeleider dunne films, zoals Cadmiumtelluride (CdTe). Een fundamentele vereiste voor het optimaliseren van de groei en het waarborgen van de reproduceerbaarheid is de precieze uitlijning van het substraat naar specifieke kristallografische richtingen. Deze uitlijning wordt doorgaans in-situ gemonitord met behulp van Reflection High-Energy Electron Diffraction (RHEED). Hoewel ervaren operators handmatig RHEED-patronen inspecteren om symmetrische diffractiepatronen die overeenkomen met belangrijke kristallografische assen te identificeren, is dit proces tijdrovend, foutgevoelig voor menselijke fouten en moeilijk te automatiseren vanwege mechanische driften die de bundel-monsteroriëntatie in de loop van de tijd verschuiven.

Bestaande machine learning (ML)-benaderingen voor RHEED-analyse vallen over het algemeen uiteen in twee categorieën: het classificeren van statische afbeeldingen van bekende richtingen of het analyseren van video's met een vaste oriëntatie om overgangen in de groeimodus te detecteren. Echter, weinig methoden adresseren de automatische identificatie van kristallografische richtingen direct vanuit roterende-substraat RHEED-video's. Bovendien vormt de beschikbaarheid van diverse, gecureerde RHEED-datasets een significante flessenhals; typische MBE-laboratoria beschikken vaak over data van slechts een beperkt aantal structuren (vaak <20), waardoor standaard deep learning-benaderingen die grote datasets vereisen onpraktisch zijn.

Methodologie
De auteurs stellen een data-efficiënte neurale visie-pipeline voor die ontworpen is om kristallografische richtingen af te leiden uit RHEED-beelden van roterende CdTe-substraten, waarbij specifiek rekening wordt gehouden met de beperking van beperkte trainingsdata. De studie vergelijkt twee architecturale benaderingen:

1. 2D ResNet met Physics-Aware Postprocessing:

   • Architectuur: Een 2D ResNet-50 backbone (voorgetraind op ImageNet) wordt gebruikt om de hoekafwijking van een enkele RHEED-frame te regresseren ten opzichte van een doel kristallografische richting.
   • Datastrategie: Het model wordt getraind op een dataset afgeleid van slechts 15 CdTe-structuren (151 enkelvoudige rotatievideo's). De data ondergaat strikte preprocessing, inclusief RGB-naar-grijswaarden conversie, ROI-cropping (region-of-interest), resizing naar 96×56 pixels, en z-score standaardisatie. On-the-fly augmentatie (affine transformaties, variatie in helderheid/contrast, en ruis) wordt toegepast om operatorvariabiliteit te simuleren zonder de omvang van de dataset te vergroten.
   • Postprocessing: Een cruciaal onderdeel van deze aanpak is een physics-aware postprocessing stap die wordt toegepast na de neurale inferentie. Omdat het monster roteert met een constante hoeksnelheid, moet de opeenvolging van voorspelde hoeken een lineaire trend volgen ($NN(P_k) = k\Delta\alpha + \alpha_0$). De postprocessing-module:
     • Bepaalt het correcte teken van de rotatiehelling (rotatierichting).
     • Schat de intercept ($\alpha_0$) met behulp van robuuste statistische methoden (circulaire gemiddelde en kernel density estimation) op modulaire residuen om de $0^\circ/180^\circ$ boundary wrap-around te verwerken.
     • Filtert uitschieters om de uiteindelijke kristallografische richting-schatting te verfijnen.

2. 3D ResNet (Benchmark):

   • Architectuur: Een 3D ResNet verwerkt sequenties van vier opeenvolgende RHEED-frames gestapeld als een tensor om de richting direct uit de temporele structuur af te leiden.
   • Datastrategie: Getraind op een grotere subset van de beschikbare data (19 structuren) om de hogere complexiteit en de data-honger van 3D-architecturen te compenseren.
   • Beperkingen: Deze aanpak vereist aanzienlijk meer trainingstijd en data, maar maakt geen gebruik van de specifieke fysieke beperkingen van de rotatie in een post-processing stap (tenzij vergelijkbaar geaugmenteerd).

Kernbijdragen

• Data-efficiëntie: De studie toont aan dat een 2D ResNet, wanneer gecombineerd met een physics-aware postprocessing pipeline, een hoge nauwkeurigheid in kristallografische uitlijning kan bereiken met trainingsdata van slechts 15 structuren.
• Architecturale Vergelijking: De auteurs vergelijken kritisch 2D en 3D ResNet configuraties, waarbij zij aantonen dat de eenvoudigere 2D-aanpak met postprocessing de complexe 3D-aanpak verslaat in termen van trainingsefficiëntie (ongeveer 20x sneller) en aanzienlijk minder trainingsdata vereist, terwijl een vergelijkbare of superieure inferentie-nauwkeurigheid wordt behaald.
• Real-Time Haalbaarheid: De voorgestelde pipeline is gevalideerd voor real-time implementatie en is in staat om met 10 frames per seconde (FPS) te draaien op een standaard CPU, wat voldoende is voor het controleren van de substraatrotatie tijdens MBE-groei.

Resultaten

• 2D ResNet Prestaties: Wanneer getraind op 15 structuren (15/5 split), bereikte de postgeprocesste 2D ResNet een mean absolute error (MAE) van ongeveer $0,217^\circ$ (gemeten als de intercept-fout) op de holdout-set. Dit plaatst de voorspelling binnen het "target error level" ($\pm 0,5^\circ$) voor 96% van de gevallen en binnen het "error tolerance level" ($\pm 1,0^\circ$) voor vrijwel alle gevallen. Deze nauwkeurigheid benadert de experimentele resolutie van de frameverzameling ($0,33^\circ$).
• 3D ResNet Prestaties: De kale 3D ResNet (zonder postprocessing) behaalde een ruwe MAE van $0,771^\circ$ op de holdout-set. Hoewel het de uitschieters elimineerde die in de ruwe 2D-voorspellingen werden gezien, slaagde het er niet in het target error level te bereiken zonder het voordeel van de postprocessing-pipeline.
• Efficiëntiewinst: Het 2D-model vereiste ongeveer 34 minuten trainingstijd op een enkele GPU, terwijl het 3D-model meer dan 11 uur duurde. De 2D-aanpak maakte ook gebruik van 15 trainingsstructuren vergeleken met de 19 voor de 3D-benchmark.
• Latency Trade-off: De auteurs merken een onderscheid op in latency: het 3D-model levert voorspellingen vanaf de eerste paar frames, terwijl de 2D-postprocessing aanpak vereist om data te accumuleren over een volledige $180^\circ$ hoekvenster (ongeveer 30 seconden bij 1 RPM) om een betrouwbare intercept-schatting te genereren.

Betekenis en Claims
Het artikel claimt dat dit werk een praktische stap is naar AI-gestuurde, autonome MBE-groei. Door gebruik te maken van physics-aware postprocessing, demonstreren de auteurs dat lichtgewicht neurale architecturen de prestaties van complexere modellen kunnen evenaren, ondanks ernstige beperkingen in de hoeveelheid data. De resulterende systemen zijn volledig getraind en klaar voor closed-loop deployment in toekomstige CdTe-groeiexperimenten. De methodologie wordt gepresenteerd als generaliseerbaar naar andere materiaalsystemen waar diverse RHEED-datasets schaars zijn, wat het potentieel benadrukt van machine learning-ondersteunde automatisering in dunne-film synthese zonder de noodzaak voor massale dataverzameling. De studie claimt niet alle aspecten van MBE-automatisering op te lossen, maar richt zich specifiek op de kritieke bottleneck van automatische kristallografische uitlijning onder data-beperkte condities.