A modular active learning framework for autonomous atomic layer deposition
本文介绍了一个集成了自动化 PE-ALD 工具、原位表征以及基于高斯过程的主动学习框架的闭环自主平台，该平台能够高效地映射 TiO2 沉积过程中高维的合成-性质关系，其在预测准确性方面显著优于随机采样，并能以极少的实验次数实现针对性的工艺优化。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
制造世界上最小的电子元件需要构建厚度以原子计的材料层。实现这一目标最精确的方法之一是被称为原子层沉积的技术，即通过将化学物质逐一引入真空室，使其与表面发生反应，从而创造出完美均匀的薄膜。这一过程对于制造从更快的计算机芯片到更高效的电池等各种产品都至关重要。然而，寻找制造这些薄膜的正确设置极其困难。该过程取决于数十个变量，例如气体压力、温度和化学脉冲的时机。这些变量以复杂且不可预测的方式相互作用，这意味着改变一个设置可能会意外地破坏结果。传统上，科学家们通过一次改变一个变量的方法来寻找最佳组合，这是一种缓慢且费力的手段，因为这种方法无法观察变量如何协同工作，因此往往会错过最佳设置。
为了解决这个问题，劳伦斯伯克利国家实验室的研究人员构建了一个能够独立思考的系统。他们创建了一台全自动化的机器，并将其命名为 ALDBot，该机器能够在没有人类帮助的情况下运行实验。这台机器连接着一个智能计算机程序，该程序使用一种称为“主动学习”的策略。主动学习不再是猜测或随机测试设置，而是构建一个关于该过程如何运作的“心理地图”。在每次实验之后，程序会分析结果，并决定下一步尝试哪种设置，以获取最多的新信息。其目标不仅是找到单一的“最佳”设置，而是理解整个可能性图谱，识别出薄膜生长完美的“安全区”以及生长失败的“危险区”。
研究人员通过尝试沉积一层二氧化钛薄膜（一种常用于电子设备和涂层的常见材料）来测试该系统。他们首先从一个较小的、四维版本的问题开始，这意味着他们每次只改变四个设置，同时保持其他设置固定。他们将这种智能系统与一种完全随机选择设置的标准方法进行了对比。结果显而易见：主动学习系统学习得更快。与随机方法相比，它仅用极少的实验次数就达到了预测薄膜生长速率的高准确度。当随机方法仍在重复测试那些无意义的设置时，智能系统已经有系统地针对其知识空白进行测试，迅速绘制出了工艺运行完美的“窗口”。
在取得这一成功后，团队将挑战扩展到了整台机器的完整复杂度，这涉及十二个不同的变量。这是一个难度巨大的飞跃；从数学角度来看，探索十二个变量的所有组合将需要进行数万亿次实验，这在人类的一生中是不可能实现的。即便是在只有两百次实验的预算下，该系统也成功构建了一个关于整个空间的有用模型。虽然它无法以完美的精度描绘每一个细节，但该模型已足够准确，可以做出可靠的预测。更重要的是，该系统能够解释它为何做出这些预测。通过分析数据，它按重要性对这十二个变量进行了排名，告诉研究人员哪些设置最为关键，而哪些设置几乎没有影响。这种洞察力使他们能够简化问题，将注意力集中在真正控制结果的关键“旋钮”上。
为了证明该系统的有效性，研究人员利用该模型选择了一组位于安全操作区边缘的特定设置。他们使用这些设置运行机器并生产了一层二氧化钛薄膜。化学分析证实，该薄膜纯度极高，且完全符合模型的预测。这证明了该系统不仅能够驾驭复杂的、高维度的空间，还能在数据稀缺的情况下，引导人类获得高置信度的成功结果。这项研究表明，通过将机器人实验室与学习算法相结合，科学家可以比以往任何时候都更快、更高效地探索复杂的化学过程。这种方法不仅能找到一个好的答案，还能建立对过程的深度理解，为未来的材料设计提供了一种强大的新途径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。