AI 引导的特征分割技术以建模单晶金刚石生长特征

改进工艺以在生长晶体的大面积上持续生产高质量材料，从而实现从光学晶体到量子探测器的各种应用，长期以来一直是金刚石生长的目标。机器学习为实现这一目标提供了一条有希望的途径，但面临着数据集内特征复杂性、时间依赖性以及每次生长运行产生的数据量等挑战。由于数据集的低样本量和高特征复杂性，在图像之间进行准确的空间特征提取以实时监测金刚石生长至关重要但也十分复杂。本文比较了金刚石生长领域中用于特征提取的各种传统和机器学习驱动的方法，提出了一种新颖的深度学习驱动的语义分割方法，以分离和分类几何特征（如金刚石、基底托架和背景）及其基于形状和大小的衍生特征的准确像素掩码。我们使用以标注为核心的人在环软件架构来处理训练数据集，该架构包含用于选择性数据标注的主动学习、数据增强和模型辅助标注模块，我们的方法实现了有效的标注准确性，并大幅减少了标注时间和成本。深度学习算法在从具有许多特征的数据集中准确学习复杂表示方面表现出极高的效率。我们表现最佳的模型基于 DeeplabV3plus 架构，在对感兴趣特征进行分类方面取得了出色的准确率，其中基底托架的准确率为 96.31%，金刚石顶面为 98.60%，金刚石侧面为 91.64%。