基于贝叶斯优化的MNVPE方法，利用机器学习辅助生长高质量AlN单晶薄膜

《Journal of Crystal Growth》：Machine-learning-assisted growth of high-quality AlN single-crystal thin films via MNVPE based on Bayesian optimization

　　

摘要

制备高质量的氮化铝（AlN）单晶薄膜对于深紫外光电器件而言至关重要；然而，传统的试错优化方法效率较低。在本研究中，我们提出了一种基于机器学习的金属-氮气气相外延（MNVPE）策略，运用贝叶斯优化（BO）算法来系统地优化生长参数。通过高斯过程回归（GPR）构建替代模型，以协同优化喷嘴与衬底之间的距离（D_ns）以及生长温度（T_g）。实验结果表明，仅需16次迭代即可找到最佳条件（D_ns = 13.54毫米，T_g = 1550摄氏度）。经过优化的AlN薄膜在结构和光学性能上表现优异，其X射线摇摆曲线（002）的半高宽为350.3角秒，表面粗糙度（RMS）为0.7纳米，峰值光学透射率高达85.32%。此外，拉曼光谱和Tauc图分析显示，这些薄膜的残余压应力极低，仅为138.6兆帕，光学带隙则达到5.79电子伏特。这些数值代表了通过MNVPE方法制备的AlN薄膜的当前最佳水平，充分体现了机器学习在处理复杂参数空间、实现高性能半导体合成方面的巨大潜力。

引言

氮化铝（AlN）作为第三代半导体材料的典型代表，其在室温下的带隙为6.2电子伏特[1]。基于该材料的发光器件能够发出200纳米波长的光，可覆盖深紫外波段[2]。虽然硅和砷化镓已经推动了现代电子技术的发展，但它们在高性能和高频率应用方面存在局限性。像碳化硅这样的第三代材料虽有所改进[3]、[4]，但对更高热稳定性的需求依然存在。AlN因其出色的晶格结构以及与AlN/AlGaN外延层良好的热膨胀匹配性而成为最佳候选材料，这有助于解决使用GaN衬底时出现的应力问题和深紫外光不透明问题。尽管物理气相传输技术已取得一定进展[5]、[6]、[7]，但由于成本高昂以及衬底直径和生长速率方面的限制，AlN的应用仍然受到制约。虽然氢化物气相外延技术具有更高的可扩展性，但在p型掺杂、欧姆接触以及载流子迁移率等方面仍存在技术难题。因此，推进高质量、大直径AlN衬底的制备对于未来基于AlN的光电器件发展而言至关重要。

金属-氮气气相外延（MNVPE）技术已在AlN薄膜生长领域得到了广泛应用[8]。与传统使用有毒有机金属前驱体的化学气相沉积法不同，MNVPE采用金属铝以及N₂/NH₃作为原料，从而有效减少了碳杂质的存在。虽然化学气相沉积法和氢化物气相外延法已是成熟的工业标准，但MNVPE作为一种新兴技术，兼具较高的生长速率，能够在研究级质量与经济高效的产量之间实现平衡。通过高分辨率X射线衍射技术对AlN薄膜的结构完整性进行了系统分析，因为半高宽值是判断单晶半导体中位错密度的有效指标[9]。

为优化生长条件，人们通常采用传统的试错方法。这类方法不仅耗时且成本高昂，还严重依赖研究人员的个人经验。相比之下，材料信息学借助机器学习领域的最新进展，如贝叶斯优化和人工神经网络，为参数优化提供了一种高效的高通量解决方案[10]。虽然材料信息学主要侧重于通过数据库和理论计算来快速预测新型功能材料[11]、[12]、[13]，但目前也有越来越多的研究致力于利用机器学习模型，并结合实验数据不断对其进行优化。由于贝叶斯优化是一种高效的全局优化策略[14]，将其应用于自适应采样过程中，能够显著简化薄膜生长参数的优化流程。

在本研究中，我们展示了基于机器学习的MNVPE技术在AlN薄膜生长中的应用。仅经过16次实验迭代，我们就获得了高性能的AlN单晶。晶体学分析表明，这些经过优化的薄膜具有迄今为止通过MNVPE方法获得的最低的（002）半高宽以及最小的表面粗糙度。这种方法大大提高了样品利用效率，使参数空间的探索更加系统化，相比传统试错方法大大降低了实验成本。所提出的算法为实验设计提供了有效的工具，相比传统方法，它更具效率且成本更低。

近年来，人们越来越重视利用材料信息学和机器学习技术来加速半导体材料的发现与优化过程。尤其是贝叶斯优化，作为一种高效的全局优化策略，能够在复杂的非线性参数空间中找到最优解，已在加快晶体生长实验流程方面展现出巨大优势。尽管此前已有研究将贝叶斯优化成功应用于各种晶体生长系统中的参数优化，比如块体生长和化学气相沉积，但将其应用于MNVPE技术的研究却相对较少。这主要是因为前驱体传输动力学与表面生长动力学之间存在复杂的相互作用，给优化工作带来了很大挑战。正是基于此，我们在本研究中展示了基于机器学习的MNVPE技术在AlN薄膜生长中的应用。

章节节选

实验部分

我们使用自行设计的MNVPE系统，在（0001）蓝宝石衬底上实现了AlN单晶薄膜的外延生长（见图1）。为确保有足够的铝蒸气供应，反应源区域的温度被维持在1450摄氏度。在初始阶段，生长区域从室温逐渐升高到1200摄氏度，同时反应器内的压力被抽至10千帕。在此阶段，载气流量保持不变，氮气和氩气的流量分别维持在3 SLM和45 sccm。

贝叶斯优化算法的应用

首先，在保持生长温度为1510摄氏度的条件下，对D_ns进行了优化。虽然初始温度的选择可能会影响优化的收敛效率，但贝叶斯优化框架在各种起始条件下都能保持良好的稳定性。图4展示了贝叶斯优化算法预测的XRC半高宽值的变化情况以及相应的采样策略。

优化过程始于通过随机抽样选取的五个初始D_ns数据点。如图4所示

结论

总之，本研究展示了一种高效且可靠的实验与计算相结合的方法，可通过MNVPE技术制备高质量的AlN单晶薄膜。通过运用贝叶斯优化算法，我们仅在16次迭代内就成功分析了T_g和D_ns之间的复杂关系，这一效率远远超过了传统试错方法的水平。经过优化的AlN薄膜在结构、机械性能以及光学性能方面都表现出色

作者贡献说明

张腾宇：论文撰写——审阅与编辑，论文撰写——初稿，软件应用，方法设计，实验研究，正式分析，数据整理，概念构思。张辉：资源提供，概念构思。李一凡：论文撰写——审阅与编辑，实验研究。任佳轩：软件应用，实验研究。徐哲凯：结果验证，实验研究。高楠：结果验证，概念构思。谢新健：研究指导，方法设计。边立峰：结果验证，方法设计。方玉龙：结果验证，资源提供。陈桂丰：

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成果的已知利益冲突或个人关系。

致谢

本研究得到了河北省自然科学基金的重点项目支持（项目编号：F2025202069），以及石家庄市科技合作专项的支持（项目编号：SJZZXA25005）。

Tengyu Zhang|Hui Zhang|Yifan Li|Jiaxuan Ren|Zhekai Xu|Nan Gao|Xinjian Xie|Lifeng Bian|Yulong Fang|Guifeng Chen

中国天津市河北工业大学智能配电设备与系统国家重点实验室，邮编300130