AI -model onthult geheimen van dendritische groei in dunne films

Dunne filmapparaten, samengesteld uit materialenlagen die een paar nanometer dik, spelen een belangrijke rol in verschillende technologieën, van halfgeleiders tot communicatietechnologieën. Graphene en zeshoekig-boron nitride (H-BN) meerlagige dunne films, afgezet op koperen substraten, zijn bijvoorbeeld veelbelovende materialen voor de volgende generatie high-speed communicatiesystemen.

Dunne films worden gekweekt door kleine lagen materialen op een substraat af te zetten. De groeiprocesomstandigheden beïnvloeden de microstructuur van deze films aanzienlijk, die op hun beurt hun functie en prestaties beïnvloeden.

Dendritische structuren, of boomachtige vertakkingspatronen die ontstaan ​​tijdens de groei, vormen een grote uitdaging voor de fabricage van dunne-filmapparaten, een belangrijke stap in de richting van commerciële toepassing. Ze worden vaak waargenomen in materialen zoals koper, grafeen en borofeen, met name in de vroege groeifase en meerlagige films.

Aangezien de microstructuur direct invloed heeft op de prestaties van apparaten, is het verminderen van dendritische vorming daarom kritisch. Methoden voor het bestuderen van dendrieten zijn echter grotendeels gebaseerd op ruwe visuele analyse en subjectieve interpretatie. Inzicht in de omstandigheden die dendritische vertakking aandrijven, is essentieel voor het optimaliseren van het dunne-filmgroeiproces, maar bestaande benaderingen vereisen vaak aanzienlijke vallen en opstaan.

Om deze uitdagingen aan te gaan, ontwikkelde een onderzoeksteam, geleid door professor Masato Kotsugi van het Department of Material Science and Technology aan de Tokyo University of Science (TUS), Japan, een innovatief uitlegbare kunstmatige intelligentie (AI) -model voor het analyseren van dendritische structuren.

Hun studie werd online gepubliceerd in Wetenschap en technologie van geavanceerde materialen: methoden.

Het team omvatte Misato -toon, ook van TUS, en Ippei Obayashi van de Okayama University. Het team ontwikkelde een nieuwe methode die structuur en -proces in dendritische groei overbrugt door persistente homologie en machine learning te integreren met energieanalyse.

“Onze aanpak biedt nieuwe inzichten in groeimechanismen en biedt een krachtige, gegevensgestuurde route voor het optimaliseren van dunne-filmfabricage”, legt prof. Kotsugi uit.

Om de morfologie van dendrietstructuren te analyseren, gebruikte het team een ​​geavanceerde topologiemethode genaamd persistent homology (pH). PH maakt multischaalanalyse van gaten en verbindingen mogelijk in geometrische structuren, waarbij de complexe topologische kenmerken van de boomachtige dendrietmicrostructuren worden vastgelegd die conventionele beeldverwerkingstechnieken vaak over het hoofd zien.

De onderzoekers combineerden pH met Principal Component Analysis (PCA), een techniek voor machine learning. Via PCA werden de essentiële kenmerken van de dendrietmorfologie geëxtraheerd via pH gereduceerd tot een tweedimensionale ruimte. Dit stelde het team in staat om structurele veranderingen in dendrieten te kwantificeren en een relatie tot stand te brengen tussen deze veranderingen en Gibbs -vrije energie, of de energie die beschikbaar is in een materiaal dat beïnvloedt hoe dendrieten zich vormen tijdens kristalgroei.

Door deze relatie te analyseren, hebben ze de specifieke omstandigheden en verborgen groeimechanismen ontdekt die de dendritische vertakking beïnvloeden. Prof. Kotsugi legt uit: “Ons framework brengt kwantitatief dendritische morfologie toe aan Gibbs -vrije energievariaties, waardoor energiegradiënten worden onthuld die vertakkingsgedrag stimuleren.”

Om hun aanpak te valideren, bestudeerden de onderzoekers dendrietgroei in een hexagonaal kopersubstraat en vergeleken hun resultaten met gegevens van faseveldsimulaties.

“Door topologie en vrije energie te integreren, biedt onze methode een veelzijdige benadering van materiaalanalyse. Door deze integratie kunnen we een hiërarchische verbinding tot stand brengen tussen microstructuren op atoomschaal en macroscopische functies in een breed scala aan materialen, die de weg vrijmaken voor toekomstige vooruitgang in materiële wetenschap,” Opmerkingen Prof. Kotsugi.

“Belangrijk is dat onze methode zou kunnen leiden tot de ontwikkeling van hoogwaardige dunne-filmapparaten die leiden tot snelle communicatie na 5G.”

Het raamwerk van deze studie zou de weg kunnen effenen voor doorbraken in sensortechnologie, niet-evenwichtsfysica en krachtige materialen door verborgen structuur-functie-relaties te ontdekken en een complexe systeemanalyse te bevorderen.