用于实现可操作且可重复的脉冲激光沉积的高效学习方法

《Advanced Functional Materials》：Active Learning For Tractable and Reproducible Pulsed Laser Deposition

　　摘要

本文展示了数据驱动的机器学习方法如何改善脉冲激光沉积（PLD）过程中相关氧化物的生长控制、可重复性和物理本质的理解。尽管生长条件与材料属性之间存在已知的关系，但由于PLD的高度非平衡性质以及生长过程中积累的缺陷和竞争性相，持续生产高质量复杂材料（如LaVO3）仍然具有挑战性。在这里，我们采用了一种基于高斯过程贝叶斯优化的主动学习框架，该框架结合了测量的体相和表面晶格属性以及杂质相信息，有效地映射了LaVO3的多维生长空间。通过调整这些属性的相对权重，模型识别出了一个优化区域，在该区域内，LaVO3薄膜具有二维表面、接近理想的晶格参数和最小的子带隙光吸收。训练有素的模型揭示了不同缺陷形成机制之间的明显竞争，这些机制与超饱和度和表面迁移率等不可见参数有关，从而揭示了PLD生长过程中的高度非平衡特性。这表明，基于属性的机器学习可以加速材料优化，并为理解PLD中的基本生长机制提供了新途径，进而有助于理解和利用复杂氧化物中的量子现象。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可在Constellation Repository [71] 公开获取。