机器学习分析结构数据以预测InAs近表面量子阱中的电子性质

薄膜异质结构中的半导体交叉影线图案，是在晶格失配材料生长过程中，由应变弛豫过程和位错堆积形成的。由于与内部失配位错网络的联系，这些交叉影线图案是内部应变弛豫和生长各向异性的复杂指纹。因此，这种介观指纹不仅描述了近表面量子阱的残余应变状态，还可能指示材料中电子输运的质量。在这里，我们提出了一种利用计算机视觉和机器学习分析原子力显微镜（AFM）交叉影线图案的方法，并展示了这种相关性。我们的分析表明，对于定义图案平均波形的交叉影线波长$\lambda$和高度$\epsilon$，存在最优的电子输运，其值分别约为1 $\mu$m和4 nm。我们使用模拟的2D AFM交叉影线图案训练机器学习模型，以将交叉影线图案与位错密度关联起来。此外，该模型被用于评估实验AFM图像，并根据交叉影线波形预测位错密度。预测的位错密度、实验AFM交叉影线数据和实验输运表征被用于训练最终模型，以预测二维电子气平均自由程。该模型表明，在$\lambda_{MFP}$低于200 nm时，电子散射与弹性效应（如位错散射）强相关。