面向自驱动磁溅射系统的机器学习原位成分映射
机器学习
2026-01-12 v2 材料科学
摘要
自驱动实验室（Self-driving Labs, SDLs）通过自动化和机器学习（Machine Learning, ML）加速实验程序，具有在新材料发现中巨大的潜力。然而，在薄膜科学中，SDLs主要受限于较易自动化的溶液基合成方法，无法覆盖无机材料的广阔化学空间。本 work 展示了一种基于磁溅射共沉积的 SDL。我们采用组合框架，获得多元素、组成分级薄膜的准确成分图。这通常需要耗时的外部分析，容易受系统误差影响。我们提出了一种快速且无需校准的原位、基于机器学习的方法，用于生成任意源组合和溅射条件下的成分图。我们发展了一种方法，通过石英晶体微平衡传感器放置在溅射腔体内的原位测量，预测多元素组合薄膜的成分分布。对于给定源，传感器读数根据溅射压力和磁针功率通过高斯过程（Gaussian Processes, GPs）进行学习。最终的 GPs 与腔体中沉积通量分布的几何模型结合，允许在样品上任意位置插值每个源的沉积速率。我们研究了几种用于 ML 流程的获取函数。完全贝叶斯的 GPs——BAML（Bayesian active learning MacKay）——取得了最佳性能，在 10 次实验中学习了单个源的沉积速率。通过实验验证了共溅射成分分布的预测精度。我们的框架通过避免 extensive 表征或校准，显著提高了吞吐量，从而展示了 ML 指导的 SDLs 加速材料探索的潜力。
引用
@article{arxiv.2506.05999,
title = {Machine learning for in-situ composition mapping in a self-driving magnetron sputtering system},
author = {Sanna Jarl and Jens Sjölund and Robert J. W. Frost and Anders Holst and Jonathan J. S. Scragg},
journal= {arXiv preprint arXiv:2506.05999},
year = {2026}
}
备注
24 pages, 10 figures. Submitted to the journal npj computational materials