利用等离子体羽流图像序列进行深度学习实现脉冲激光沉积中的异常检测和生长动力学预测
材料科学
2024-11-01 v1
摘要
设计用于自主实验的材料合成平台能够收集多模态诊断数据，这些数据可用于反馈以优化材料性能。脉冲激光沉积（PLD）正成为一种可行的自主合成工具，因此需要开发能够从原位诊断中提取信息的机器学习（ML）技术。在此，我们证明了在PLD过程中产生的等离子体羽流的增强CCD图像序列可用于异常检测和薄膜生长动力学的预测。我们开发了一个多输出（2+1）D卷积神经网络回归模型，该模型从羽流动力学中提取深层特征，这些特征不仅与测量的腔室压力和入射激光能量相关，更重要的是，预测了从原位激光反射率实验推导出的自催化薄膜生长模型的参数。我们的结果首次展示了如何利用PLD中原位羽流诊断数据的ML来维持沉积条件在最佳范围内。此外，羽流动力学对薄膜生长动力学或其他薄膜性质在沉积前的预测能力为非专家提供了一种快速预筛选生长条件的方法，有望加速使用PLD的材料优化。
引用
@article{arxiv.2312.09133,
title = {Deep learning with plasma plume image sequences for anomaly detection and prediction of growth kinetics during pulsed laser deposition},
author = {Sumner B. Harris and Christopher M. Rouleau and Kai Xiao and Rama K. Vasudevan},
journal= {arXiv preprint arXiv:2312.09133},
year = {2024}
}