捕捉隐式参数的机器学习方法：用于自主薄膜沉积
材料科学
2026-02-24 v1 机器人学
摘要
机器学习与机器人集成正在改变材料发现与优化方式。然而，实现完全自主的沉积、表征和决策循环仍面临挑战。此外，薄膜生长对隐藏参数（如基片条件和腔室条件）本构高度敏感，这可能损害机器学习模型的性能。本文演示了一个完全自主的物理蒸发沉积系统，结合原位光谱学、高通量机器人样品搬运系统和高斯过程回归模型。通过采用校准层来消除隐藏参数变化，并利用主动学习算法优化参数空间的探索，该系统在平均2.3次尝试内即可制造出在光学反射功率比例上达到目标值±2.5%的银薄膜。该方法显著减少了薄膜沉积所需的时间和人力，展示了机器学习驱动的自动化在加速材料开发方面的潜力。
引用
@article{arxiv.2411.18721,
title = {A Machine Learning Approach Capturing Hidden Parameters in Autonomous Thin-Film Deposition},
author = {Yuanlong Zheng and Connor Blake and Layla Mravac and Fengxue Zhang and Yuxin Chen and Shuolong Yang},
journal= {arXiv preprint arXiv:2411.18721},
year = {2026}
}