小数据机器学习揭示β-Ga2O3外延中结晶度与表面形貌的解耦控制机制
材料科学
2026-03-24 v1 介观与纳米尺度物理
摘要
超宽禁带半导体β-Ga2O3在下一代电力电子和深紫外光电子学领域展现出非凡前景，但其广泛应用因缺乏低成本、高质量的异质外延薄膜而受阻。在此，我们展示了一个可解释的机器学习框架，该框架能高效地探索脉冲激光沉积（PLD）的复杂多参数工艺空间，以在c面蓝宝石上实现高结晶度β-Ga2O3外延。通过在有限实验数据条件下系统地对九种回归算法进行基准测试，我们确定了二次多项式岭回归为最优替代模型，该模型结合了预测精度（R 0.86）与通过显式解析系数实现的完全物理透明性。将该模型与SHAP（SHapley Additive exPlanations）分析和迭代实验设计相结合，我们构建了一个闭环优化工作流程，仅通过三轮实验就逐步细化了工艺-性能景观。这种数据高效的策略将X射线摇摆曲线（RC）的半高全宽（FWHM）从大于3降低了70至0.92，这是蓝宝石上PLD生长β-Ga2O3报道的最佳值。有趣的是，对表面粗糙度的同步建模揭示，晶体质量和表面形貌由不同的主导因素控制：温度主要控制体结晶度，而氧气压力则决定表面动力学。这一通过特征重要性分析首次定量捕捉到的解耦机制，为结构和形貌特性的独立优化提供了可操作的物理洞察。我们的工作为氧化物外延及其他领域的智能工艺开发建立了一种可推广、资源高效的范式。
引用
@article{arxiv.2603.21814,
title = {Small-Data Machine Learning Uncovers Decoupled Control Mechanisms of Crystallinity and Surface Morphology in $\beta$-Ga2O3 Epitaxy},
author = {Min Peng and Yuanjun Tang and Dianmeng Dong and Yang Zhang and Cheng Wang and Shulin Jiao and Xiaotong Ma and Shichao Zhang and Jingchen Wang and Huiying Wang and Yongxin Zhang and Huiping Zhu and Yue-Wen Fang and Fan Zhang and Zhenping Wu},
journal= {arXiv preprint arXiv:2603.21814},
year = {2026}
}
备注
31 pages, 5 figures