基于机器学习策略的超硬TiSiN纳米复合膜混合沉积技术

《Surface and Coatings Technology》:Hybrid deposition of superhard TiSiN nanocomposite films using machine learning strategy

【字体: 大 中 小 】 时间:2026年06月30日 来源:Surface and Coatings Technology 5.4

编辑推荐:

  Huibin Yu|En Lin|Zhengtao Wu|Haiqing Li|Qimin Wang|Yisong Lin|Aiqin Zheng|Liangliang Lin|Chao Liu广东工业大学机电工程学院,中国广州,510006摘要通过HiPIMS-Ti/DCMS-

  
Huibin Yu|En Lin|Zhengtao Wu|Haiqing Li|Qimin Wang|Yisong Lin|Aiqin Zheng|Liangliang Lin|Chao Liu
广东工业大学机电工程学院,中国广州,510006

摘要

通过HiPIMS-Ti/DCMS-Si混合溅射技术沉积TiSiN纳米复合薄膜,通过改变钛靶的峰值电流密度Jt来调控薄膜生长过程中的离子通量。研究了Jt对等离子体特性、成分、微观结构以及薄膜力学性能的影响。光学发射光谱分析表明,将Jt从0.2 A/cm2提高到1.0 A/cm2可增强金属相关发射。随着离子轰击强度的增加,最优硅浓度范围从0.2 A/cm2时的2.42 at.%上升至0.8 A/cm2时的4.27 at.%。相应地,薄膜硬度从32.6 ± 1.9 GPa增加到40.1 ± 0.5 GPa,而平均TiN晶粒尺寸则从6.7 nm降至3.7 nm。较高Jt值下硬度提升的原因在于晶粒尺寸缩小、致密度增加以及残余应力增大。由于晶粒尺寸缩小和硬度提高,粘附强度也随Jt的增加而上升,在1.0 A/cm2时可达83 N。通过基于有限初步实验数据训练的线性回归模型,我们找到了最优工艺窗口,随后通过针对性验证实验加以确认,大大减少了试错次数。透射电子显微镜分析表明,这些薄膜由纳米级TiN晶粒和无定形SiNx组织相构成。这项工作展示了一种数据驱动的超硬TiSiN薄膜优化方法,利用机器学习辅助插值减少了试错工作,并揭示了离子轰击与最优硅浓度之间的定量关系。

引言

通过将硅元素引入c-TiN或c-TiAlN中制备纳米复合薄膜,可以形成由无定形SiNx界面相包裹立方相氮化物纳米晶构成的纳米复合结构。这种结构使得薄膜能够同时具备高硬度(有望达到超硬水平,超过40 GPa)、良好的韧性、优异的高温稳定性以及出色的热硬度[1]、[2]。有研究指出,TiSiN和TiAlSiN薄膜中达到最高硬度的硅浓度存在较大差异,具体如表1所示[3]、[4]、[5]、[6]、[7]、[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]。在许多情况下,成分相近的薄膜却具有截然不同的硬度值,要获得稳定的硬度仍相当困难。研究表明,采用高功率脉冲磁控溅射钛靶(HiPIMS-Ti)与直流磁控溅射硅靶(DCMS-Si)相结合的混合方法沉积的三元TiSiN薄膜,即使在硅浓度高达26 at.%时仍能保持超硬特性[16]。然而,TiSiN薄膜的峰值硬度、HiPIMS-Ti操作时的峰值电流以及硅浓度之间的关系尚不明确。相比之下,通过HiPIMS-Si/DCMS-Ti混合溅射沉积的TiSiN薄膜则为固溶体结构,硬度相对较低(低于20 GPa)。这是因为使用HiPIMS溅射硅靶时,沉积等离子体中的Si+/Si通量比增加(即电离率上升),高度电离的硅元素能够充分扩散和溶解,从而形成单相TiSiN固溶体——这是一种结构上较为柔软的相,其最大硅溶解度约为24 at.% [8]、[16]。这些差异表明,最优成分不能脱离沉积条件单独考虑。在纳米复合硬质薄膜中,最终的微观结构与性能不仅取决于硅浓度,还取决于生长过程中的动力学条件,尤其是原子迁移率、离子能量输入以及离子与金属的通量比。这些因素会显著影响相分离、晶粒细化、缺陷产生以及纳米复合结构的形成[16]、[17]、[18]。
超硬纳米复合薄膜结构的形成不仅取决于薄膜本身的成分,还极大程度上依赖于沉积过程中的原子迁移率及能量沉积条件[17]。其中,离子能量(Ei)以及离子与金属的通量比(Ji/JMe)是决定硬质薄膜微观结构与力学性能的关键参数[18]。高功率脉冲磁控溅射技术能够有效电离金属元素,为薄膜生长提供新的动力学路径,同时也有助于更好地控制薄膜的成分与物理性能[19]。不过,峰值电流密度——它与放电强度、电离倾向以及能量通量大小密切相关——对TiSiN薄膜整体性能的系统性影响目前尚不清楚。
近年来,机器学习技术在实际气相沉积薄膜的设计与制造领域取得了突破性进展[20]、[21]、[22]、[23]、[24]。由于薄膜性能往往受工艺参数与成分的共同作用影响,传统的试错优化方法既耗时又效率低下。随着高通量制造技术以及多尺度表征技术的发展,数据驱动的机器学习方法被广泛应用。这类方法能够基于有限的实验数据构建可解释的替代模型,有助于预测薄膜性能趋势、量化工艺参数的敏感性,并找出潜在的最优工艺窗口[20]、[24]。对于当前的TiSiN体系而言,这种方法尤为实用,因为离子通量输入与硅浓度都会共同影响最终硬度。需要指出的是,与TiAlN等成熟体系相比,针对TiSiN薄膜的机器学习研究仍处于初期阶段,且本研究的实验数据量相对较少(n = 40)。为避免因数据有限且分散而导致预测结果不可靠,我们采取了保守的策略:(i) 使用简单的线性回归模型以避免过拟合;(ii) 将模型预测限制在原始参数范围内进行插值;(iii) 通过独立实验进行最终验证。我们的目标并非构建通用的预测模型,而是将机器学习作为一种高效工具,帮助缩小高性能工艺窗口的搜索范围。
在本研究中,TiSiN薄膜是通过HiPIMS-Ti/DCMS-Si混合共溅射技术沉积的。我们将HiPIMS-Ti放电的峰值电流密度作为关键控制参数,用以调节薄膜生长过程中的离子轰击强度。通过结合光学发射光谱分析、成分分析、X射线衍射、电子显微镜观察以及力学测试等方法,系统研究了峰值电流密度对TiSiN薄膜的等离子体特性、成分、相结构、微观结构、硬度以及粘附强度的影响。此外,我们还采用了基于线性回归的数据驱动优化策略,以便在离散的实验条件之外找到高性能工艺窗口。本研究旨在阐明峰值电流密度、硅浓度范围、纳米复合结构与力学性能之间的关联,从而为超硬TiSiN薄膜的制备提供指导。

章节节选

薄膜沉积

这些薄膜是通过HiPIMS-Ti/DCMS-Si配置技术沉积的。实验中使用了纯度为99.99%的高纯度钛靶和硅靶,二者直径均为3英寸(圆形铸制靶材)。钛靶通过高功率脉冲磁控溅射技术进行激发,而硅靶则采用直流磁控溅射模式工作。实验所用的基底为碳化钨基底,其成分含6%的钴,尺寸为12×12×5毫米3,表面粗糙度约为0.05微米

相结构与微观结构

光学发射光谱分析(见补充材料中的图S1)显示,随着峰值电流密度Jt的增加,等离子体逐渐从以气体为主的形态转变为以金属为主的形态,这一变化与薄膜生长过程中离子轰击强度的增加相符。表3列出了在不同钛靶峰值电流密度下沉积的TiSiN薄膜的硅浓度,这些浓度是通过能量色散X射线光谱法测定的。详细的元素组成信息(包括钛、硅以及

结论

在本研究中,TiSiN薄膜是通过HiPIMS-Ti/DCMS-Si混合配置技术沉积的。我们通过改变HiPIMS-Ti的峰值电流密度,研究了薄膜生长过程中的离子轰击条件。电流密度的增加会加剧放电现象,促使等离子体从以气体为主的通量结构逐渐转变为以金属为主的通量结构。在每个电流密度控制组中硬度最高的薄膜对应的硅浓度则从2.42 at.%上升到了4.27 at.%

作者贡献说明

Huibin Yu:撰写原始稿件、验证实验、方法设计、实验研究、正式分析、数据整理。En Lin:实验研究、正式分析、数据整理。Zhengtao Wu:撰写审稿与编辑版本、项目监督、资源协调、概念构思。Haiqing Li:软件应用、资源提供。Qimin Wang:资源协调、正式分析。Yisong Lin:撰写审稿与编辑版本、资金筹集、正式分析。Aiqin Zheng:项目管理工作。Liangliang Lin:正式分析。Chao Liu:项目负责

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

本研究得到了广东省自然科学基金的资助(项目编号:2025A1515012980)。作者们还要感谢施昌旭先进材料创新中心提供的资金支持(编号:SCXKFJJ202211)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号