Atomistic Insights into MOCVD Growth of GaAs using a Closed Loop Autonomous System Combining Directed Reinforcement Learning and Kinetic Monte Carlo Simulations

制造驱动现代电子设备的微小、不可见的材料层是一门精细的艺术。这些层通常只有几个原子厚，是在特殊的腔室中生长出来的，通过加热气体使其发生反应并沉积在表面，从而形成一层固体薄膜。这种被称为化学气相沉积（CVD）的过程，是从我们屏幕上明亮的 LED 灯到计算机中高速芯片等一切事物的基石。科学家和工程师面临的挑战在于，要获得这些完美的薄膜层，需要热量和气体流量之间的完美平衡。如果温度太低，原子就无法粘附；如果温度太高，它们可能会脱落或破碎。传统上，寻找这种完美平衡是一个缓慢且昂贵的试错过程，需要研究人员进行无数次实验、测量结果、调整设置并再次尝试。这是一个资源密集型的过程，优化单一材料可能需要数月时间。

为了加速这一过程，科学家们长期以来一直尝试利用计算机来预测最佳设置。然而，薄膜生长的物理过程发生在极难同时建模的尺度上。原子在几分之一秒内就会振动和移动，而薄膜本身则在数分钟或数小时内生长。标准的计算机模型往往难以弥合这一差距，要么迷失在原子振动的微观细节中，要么忽略了薄膜随时间如何形成的宏观图景。印度理工学院甘地纳格尔分校的研究人员开展的一项新研究提供了一种解决此问题的新方法。该方法不再试图从头开始计算每一种原子之间的作用力，而是构建了一个能够从现实世界实验中学习的系统。通过将追踪单个原子的计算机模拟与智能搜索算法相结合，他们创建了一个能够快速找出薄膜生长隐藏规则的工具，将常规测量转化为对过程的深度理解。

研究人员专注于砷化镓，这是一种广泛用于高性能电子设备和太阳能电池的材料。他们希望了解这种材料在由两种特定气体（一种含镓，另一种含砷）制备时的生长情况。在他们的计算机模型中，他们将生长中的薄膜表面模拟为一个网格，原子可以在其上着陆、粘附、移动或脱落。该模型包含了可能发生在表面的二十种不同类型的事件，例如气体分子分解、原子附着到表面，或者已成键的原子脱离并返回气体状态。问题在于，模型需要特定的数值来描述这些事件发生的速率，而这些数值并不完全已知。通常，科学家会花费数周时间进行昂贵的量子物理计算来推测这些数值，但这个新团队采取了不同的路径。

他们将模拟程序连接到一个基于蒙特卡洛树搜索（Monte Carlo Tree Search）方法的智能搜索引擎，这种技术常用于人工智能玩国际象棋等复杂游戏。在这种情况下，“游戏”是寻找一组正确的模拟数值。系统从一个粗略的猜测开始，然后运行模拟以观察其产生的生长速率。它将结果与从真实实验中收集的数据进行对比，在这些实验中，砷로镓的生长速率在不同温度下都经过了测量。如果模拟速度过快或过慢，搜索引擎就会调整数值并再次尝试。通过多次迭代，系统学会了哪些数值能使模拟结果与现实世界相匹配。它通过运行数千次虚拟实验来实现这一点，不断优化选择，直到找到一套能够解释各种温度下生长行为的统一规则。

结果是一个成功重现了真实材料复杂行为的模型。实验数据展示了三种截然不同的生长阶段：在低温下，由于原子难以粘附，薄膜生长缓慢；在中温下，生长速率稳定进入一个平稳平台期；在高温下，由于原子脱离表面的速度快于粘附的速度，生长速率急剧下降。经过搜索引擎调优后的计算机模型完美捕捉到了所有这三个阶段。更重要的是，该系统揭示了究竟是哪些物理过程在驱动每个阶段。在较低温度下，生长受限于气体分子能否有效地粘附到表面。随着温度升高，粘附变得更容易，但在最高温时，过程主要受控于原子从薄膜中脱离并返回气体的现象。这种从“粘附控制”到“脱落控制”的转变，解释了为什么生长速率会出现峰值并随后骤降。

除了匹配生长速度外，该模型还提供了关于表面本身的详细视图，预测了不同温度下薄膜的粗糙度。模拟显示，在较低温度下表面最光滑，而随着温度升高，表面会变得略显粗糙，并在生长速率开始下降之前达到粗糙度峰值。这种粗糙度是由原子不断附着和脱离所引起的“拉锯战”造成的。模型识别出这种粗糙度在特定温度范围（约 1175 开尔文）达到顶峰，该温度略高于薄膜生长最快的温度。这一见解非常有价值，因为它告诉工程师，生长最快的方式未必是质量最光滑的方式，从而迫使他们在速度与质量之间做出权衡。

这种方法的真正威力在于其能够绕过昂贵且耗时的原子作用力计算。该系统不再试图从基本原理出发去预测规则，而是直接从实验数据中学习规则。这意味着该方法可以应用于任何可以将生长过程分解为一系列事件的材料，只要有实验数据来引导搜索。研究人员强调，虽然所发现的具体数值与他们设置模拟的方式有关，但关于哪些反应控制生长的整体图像是稳健的。该框架本质上是将实验数据的“黑箱”转化为一个清晰的、具有机械论解释的故事。

这项工作为设计和优化先进材料的制造提供了一种新途径。通过使用一个能从真实测量中学习的计算机模型，工程师可以减少完善工艺所需的物理实验次数。该系统充当了一个“数字孪生”——一个可以在任何物理气体开启之前进行测试和调优的反应器虚拟版本。这可以显著缩短开发太阳能电池、激光器和高速电子设备等新材料的时间。该研究表明，通过将原子模拟与智能搜索算法相结合，科学家可以在不被传统方法巨大的计算成本所困扰的情况下，解锁复杂生长过程的奥秘。它为创造下一代技术所需的优质超薄薄膜提供了一条切实可行的路径。