深度学习势辅助的HfO2/SiO2界面表面工程及其激光损伤阈值提升研究

本研究针对光学薄膜界面缺陷制约激光损伤阈值（LIDT）的关键问题，通过开发HfO2-分子/SiO2-表面系统的深度机器学习势（DeepMD），结合等离子体改性技术调控界面结构，实现了HfO2密度提升与碳/氟污染物去除，最终使LIDT显著提高。该研究为高功率激光器与空间光学器件的表面工程提供了原子尺度解决方案。

　　

在追求更高功率激光器的时代，光学薄膜的耐久性成为制约发展的瓶颈。HfO₂/SiO₂薄膜虽具有优异的光电特性，但其界面缺陷在强激光作用下极易引发灾难性失效。传统方法难以精确调控非晶表面的复杂反应动力学，而密度泛函理论（DFT）计算又面临巨大的计算成本。这一矛盾促使研究人员寻求新的解决方案。

中国的研究团队在《Applied Surface Science》发表的研究中，创新性地将深度机器学习势（DeepMD）引入表面工程领域。他们构建了HfO₂-分子/SiO₂-表面系统的专用势函数，通过等离子体辅助电子束蒸发和反应离子刻蚀（RIE）技术制备薄膜，结合X射线光电子能谱（XPS）和掠入射X射线衍射（GIXRD）进行表征。

样品制备与测量
采用CF₄/Ar混合气体RIE处理石英基底，表面粗糙度控制在1 nm以下。通过光学轮廓仪和光谱仪分别评估形貌与透射率，光致发光谱（PL）检测缺陷状态。

吸收能验证
DeepMD势成功预测HfO₂分子在SiO₂表面的吸附构型与能量，其计算结果与DFT高度吻合。公式E_HfO2^Act=E_HfO2^relaxed-(E_HfO2^SiO₂+E_Hf)量化了吸附过程中的能量变化。

结论
研究揭示了等离子体处理通过调控温度可精确控制改性深度，有效去除碳/氟污染物。改性后的薄膜界面HfO₂密度提升，LIDT显著提高。该工作不仅建立了非晶表面结构-性能的定量关系，更为高功率激光系统的可靠性设计提供了新范式。

这项研究的突破性在于将人工智能与实验手段深度融合，首次实现了对非晶表面反应动力学的精准预测与调控。其方法论可推广至其他氧化物界面体系，对惯性约束聚变、粒子加速器等国家重大工程具有重要应用价值。