基于反射高能电子衍射图像的深度学习用于预测 Sr$_{2x}$Ti$_{2(1-x)}$O$_{3}$ 薄膜的阳离子比
材料科学
2025-04-09 v2
摘要
机器学习 (ML) 与原位诊断相结合提供了一种变革性的ethods，以加速、理解和控制薄膜合成，通过揭示合成条件与材料属性之间的关系。在本研究中，我们展示了如何应用深度学习来预测 SrTiO 薄膜的化学计量学，其中使用了在脉冲激光沉积期间获取的反射高能电子衍射图像。一个用于回归 Sr 原子分数的门控卷积神经网络，在仅有 31 个样本的小数据集上实现了准确的预测。可解释人工智能技术揭示了 SrTiO 薄膜中衍射条纹特征与阳离子化学计量学之间以前未知的相关性。我们的结果表明，机器学习如何将一种通常仅用于定性评估的普遍原位诊断工具，转化为连续值薄膜属性的定量替代测量。此类方法对于实现实时控制、自主工作流程和加速传统合成方法至关重要。
引用
@article{arxiv.2501.18523,
title = {Deep learning with reflection high-energy electron diffraction images to predict cation ratio in Sr$_{2x}$Ti$_{2(1-x)}$O$_{3}$ thin films},
author = {Sumner B. Harris and Patrick T. Gemperline and Christopher M. Rouleau and Rama K. Vasudevan and Ryan B. Comes},
journal= {arXiv preprint arXiv:2501.18523},
year = {2025}
}