Verhuizen naar autonome experimenten: het kweken van dunne films met machine learning

Van mobiele telefoons tot zonnepanelen tot kwantumcomputers, dunne films zijn essentieel voor huidige en opkomende technologieën. Maar het maken van functionele dunne films vereist controle. Tijdens urenlange processen vormen dunne films atoom door atoom. Kleine veranderingen in gegevensuitlees kunnen onderzoekers vertellen wanneer er iets misgaat. Het zo snel mogelijk detecteren van defecten kan wetenschappers helpen films te repareren terwijl ze groeien, waardoor tijd en geld besparen.

Onderzoekers van Pacific Northwest National Laboratory (PNNL) gebruiken machine learning (ML) om subtiele veranderingen in groeiende films te identificeren die onmerkbaar zijn voor mensen, gedetailleerd in een paper gepubliceerd in de Journal of Vacuum Science & Technology A. Hun ML-programma kan opkomende verschillen in filmgroeimaten sneller bepalen dan menselijke experts, een belangrijke initiële stap in de richting van het ontwikkelen van autonome experimenten met instrumenten die op gegevens gebaseerde beslissingen kunnen nemen zonder extra menselijke input.

“Wat we doen is een manier vinden om ML voor ons te laten werken”, zegt Tiffany Kaspar, een materiaalwetenschapper bij PNNL en de hoofdonderzoeker van het project. “Om wijzigingen aan te brengen die de filmgroei daadwerkelijk kunnen beïnvloeden, is er elke tweede belangrijk. Vaak, tegen de tijd dat we iets fout merken, is het te laat om de film op te lossen. Terwijl we ons ML -programma met meer gegevens trainen, zou het nog beter moeten worden in het vinden van veranderingen.”

Het werk is een samenwerking tussen materialen en datawetenschappers. Het initiatief brengt wetenschappers uit verschillende gebieden samen om de hardware, software en instrumentele kennis samen te ontwikkelen die nodig zijn om autonome materialenwetenschap te bereiken.

Rhaapsody in films

Het project begon met groeiende films. Het team koos titaniumdioxide als hun modelsysteem omdat het de juiste mix van eenvoud en complexiteit heeft. Het materiaal kan verschillende potentiële structuren vormen, afhankelijk van de groeiomstandigheden.

De groeiende films werden door atoom afgezet en waren veel te dun om met het blote oog te worden gezien. In plaats daarvan verzamelde het team afbeeldingen van elektronenstraaldiffractie, eenmaal elke seconde vastgelegd, om de structuur van de groeiende film te visualiseren. De vastgelegde beelden tonen strepen, vlekken en andere patronen die overeenkomen met kenmerken van de kristallijne structuur van de film en oppervlaktetopografie.

Traditioneel zou een mens deze patronen bekijken om de voortgang van de film te volgen in de richting van een ideaal glad oppervlak, een problematisch ruw oppervlak of een volledig onbedoelde structuur. Nu ML -methoden met behulp van ML -methoden, kan een computer deze taken automatisch uitvoeren.

“Werken met de filmgegevens bleek behoorlijk uitdagend”, zei Sarah Akers, die het ML -ontwikkelingswerk leidde. “We waren verrast om te ontdekken dat er zo weinig gegevens gemakkelijk beschikbaar waren in de community om onze modellen voor machine learning te trainen. We zijn van plan om onze gegevens toegankelijk te maken voor anderen om hopelijk meer innovatie te versnellen.”

Het ML -proces, door de wetenschappers genoemd, begint met het omzetten van de instrumentmetingen in een gegevensformaat dat gemakkelijker is voor het ML -algoritme om te gebruiken voor complexe, maar snelle analyse. Het algoritme zoekt vervolgens naar punten waar dingen beginnen te veranderen, waarbij de gegevens van de ene seconde naar het volgende worden vergeleken. Deze “wijzigingspunten” worden vervolgens gemarkeerd door het programma. Het team werkte intens om te bepalen hoe de gegevens duidelijk kunnen worden weergegeven om de wijzigingen aan te tonen.

Naast het markeren van de veranderingen, kunnen aanvullende op afbeeldingen gebaseerde analyses onderzoekers helpen de filmevolutie te visualiseren, wat leidt tot een dieper inzicht in het filmgroeiproces zelf.

Autonome experimenten in het laboratorium van de toekomst

Om Rhaapsody te testen, liet het team een ​​filmgroeionderzoeker dezelfde titaniumdioxide -depositiegegevens bekijken en identificeren wanneer ze een verschuiving in de afbeeldingen zagen. Rhaapsody vond niet alleen de veranderingspunten net als de experts, maar het markeerde ze alleen ongeveer een minuut sneller.

“Deze verbetering van de detectietijd is enorm voor het ontwikkelen van realtime feedback in ons systeem,” zei Kaspar.

Het einddoel van het project is het creëren van een volledig autonoom filmgroeimogelijk systeem. In de volgende fase zal het instrument proberen te identificeren wanneer de structuur van een film in de verkeerde richting begint te gaan en de groeiomstandigheden aan te passen om het probleem tegen te gaan. Deze constante monitoring- en actieve defectbeperking zal bouwen uit verbindingen tussen de instrumenten, computerhardware en software die door het team is ontwikkeld. Het verbonden systeem zal nieuwe voorspellende besturingsalgoritmen bevatten, een belangrijk onderdeel van uiteindelijke autonome experimenten.

Rhaapsody vertegenwoordigt een belangrijke stap in de richting van dit autonome instrument. “Voordat u beslissingen kunt nemen, moet u weten wanneer de filialen zijn”, zei Akers.

Het team ontwikkelt het volgende deel van het proces – het gebruik van het gegevens- en ML -proces om de groeiomstandigheden te veranderen.

“De mogelijkheden zijn eindeloos”, zei Kaspar. “Stel je voor dat je een autonoom instrument combineert met kunstmatige intelligentie-gedreven materiaalvoorspelling die een soort wild materiaal produceert waarvan we niet weten hoe we nu moeten groeien. Het proces is niet perfect, maar de kansen zijn opwindend.”