深度学习椭圆偏振技术：超快速高精度测定光学常数、薄膜结构与带隙的AI新方法

本研究针对传统椭圆偏振(SE)分析耗时且需专家经验的难题，开发了基于深度学习的椭圆偏振技术(DLE)，通过超大规模数据集训练(108组)、噪声鲁棒性策略和混合建模方法，实现了2秒内完成光学常数(n,k)、膜厚(db,ds)和带隙(Eg)的精准测定，误差低至k=0.032/db=8.6%，为高通量材料表征提供了革命性工具。

　　

在材料科学和半导体工业中，精确测定光学常数和薄膜结构参数是优化器件性能的关键。传统光谱椭偏仪(SE)分析需要复杂的建模和专家经验，单次分析耗时约5分钟，成为制约高通量材料研发的瓶颈。尽管人工神经网络已尝试用于SE数据分析，但现有方法存在三大局限：对复杂光学跃迁的解析能力不足、依赖耗时的透射/反射(T/R)光谱测量、抗噪声性能差。这些缺陷使得现有技术难以满足自动化材料合成系统对快速、精准光学表征的需求。

日本岐阜大学电气电子与计算机工程系的研究团队突破性开发了深度学习椭圆偏振技术(DLE)，其创新性体现在四个维度：首先构建了包含1亿组训练数据的超大规模数据集，较前人研究提升4个数量级；其次首创线性k与对数α的混合建模策略，首次实现0.75-6.0 eV宽能域内对数吸收系数的精准测定；第三采用迁移学习策略消除实验噪声干扰；最后优化深度卷积神经网络(CNN)架构，通过零填充技术保持复杂数据的解析精度。该成果发表于《Materials Today Communications》。

关键技术包括：(1)基于Tauc-Lorentz模型生成包含1-10个跃迁峰的假设介电函数；(2)构建双通道CNN架构(nkd模型和logα模型)处理五角度入射的(ψ,Δ)光谱图；(3)采用含高斯噪声(σ=0.2)的模拟数据进行迁移学习；(4)开发Kramers-Kronig一致的B样条后分析方法优化初始结果。

【研究结果】

2.1 预训练模型验证

通过10⁸组理想数据训练后，DLE对CdTe等晶体材料的k谱分析准确度(KSA)达98%，较早期算法提升显著。深度CNN结构(6层3×3滤波器)配合零填充技术，有效解决了网络收缩导致的特征丢失问题。

3.2 噪声鲁棒性验证

对CuIn_0.8Ga_0.2Se₂等32种实验薄膜的分析表明，未经噪声训练的模型在E_g附近产生明显伪峰，而经迁移学习优化的Method B使k误差降至0.032，膜厚d_b误差仅8.6%。

3.3 带隙测定突破

首次仅凭(ψ,Δ)光谱实现带隙测定，与B样条法相比平均绝对误差仅31 meV(R²=0.997)。对a-Si:H等非晶材料采用Cody gap分析，验证了方法的普适性。

4.1 误差边界分析

映射分析显示当d_b<70 nm时KSA降至90%，这是由薄膜干涉效应减弱导致的固有局限。对ITO等含自由载流子材料会出现1 eV处的"幻觉峰"，揭示当前模型对Drude响应的解析局限。

【结论与展望】

该研究确立了DLE作为通用光学计量方法的三大优势：速度(2秒vs 5分钟)、精度(k误差0.032/E_g误差31 meV)和自动化程度。通过α=10⁴ cm^-1边界连接线性k与对数α谱的创新策略，解决了弱吸收区分析难题。尽管在超薄膜(d_b<50 nm)和导电氧化物分析上存在局限，但结合B样条后处理可进一步提升精度。这项工作为材料基因组计划提供了关键表征工具，特别适合与机器人合成系统联用，推动材料研发进入"AI+自动化"的新范式。未来通过纳入Drude模型训练，有望将应用扩展至透明导电氧化物等更广阔材料体系。