机器学习引导的电流体动力学喷印用于光电传感器制备

《Materials Science in Semiconductor Processing》：Machine learning-guided electrohydrodynamic jet printing for photoelectric sensor fabrication

　　

摘要
微/纳米尺度传感结构在确定光电传感器的性能和集成能力方面起着重要作用。然而，由于多个工艺参数之间的非线性耦合，快速识别高分辨率电液射流（E-Jet）打印的稳定工艺窗口仍然具有挑战性。本研究开发了一种机器学习指导的工艺优化框架，该框架整合了喷墨模式分类、针对性实验数据采集、多输出回归和多目标工艺优化。首先，进行了 845 次 E-Jet 打印实验，涵盖了六种喷墨模式，包括滴落、脉冲、锥射流、倾斜射流、双射流和多射流模式。随后建立了一个随机森林分类器来识别稳定的锥射流条件，并实现了 98.9% 的分类准确率。基于分类结果和梯度实验，收集了 332 个锥射流样本，建立了一个结合自注意力机制与多层感知机的多输出预测模型。随后建立了五个工艺参数与两个打印响应（即射流直径和打印线宽）之间的非线性关系。优化后的模型在验证数据集上实现了 8.14% 的平均绝对相对误差。此外，将训练好的代理模型与非支配排序遗传算法 II 相结合，以识别满足射流直径和打印线宽预定义目标的工艺参数组合。独立的 ZnO 打印实验结果显示，线宽和射流直径的平均相对误差分别约为 4.8% 和 5.2%。使用模型推荐的工艺参数制造的光电传感器表现出与手动优化参考器件一致的时间 - 电流响应，平均决定系数高于 0.985。这些结果证明了所提出框架在 E-Jet 打印中快速工艺窗口识别和目标导向参数优化方面的潜力。

引言
光电传感器通过光致载流子生成、分离和传输，将入射光转换为可测量的电信号。由于其非接触检测、高灵敏度、快速信号采集以及与集成电子系统兼容性等优势，光电传感器已被广泛应用于工业自动化、生物医学监测、环境检测、光通信和智能传感系统 [[1], [2], [3]]。在工业自动化中，光电传感系统可与机器视觉平台集成，以实现目标识别、位置检测和实时运动监测 [4]。在生物医学应用中，结合近红外光谱的光电传感器为监测血氧饱和度等生理参数提供了一种非侵入性方法 [5]。在环境监测中，波长选择性光电探测器可用于大气污染物的识别和定量检测 [6]。随着微型化和集成电子系统的不断发展，制造高分辨率且结构可控的光电传感单元变得越来越重要。

制造微纳米尺度光电传感结构的传统方法主要包括光刻、化学气相沉积（CVD）和溶液加工 [[7], [8], [9], [10]]。光刻通过顺序曝光、显影和蚀刻工艺实现高分辨率和高度可重复的图形化 [11,12]。然而，它通常需要昂贵的设备、多个处理步骤、洁净室设施和预制掩模，这增加了制造成本并限制了结构的快速定制。CVD 可以通过基板表面的气相反应产生具有高结晶度和可控组成的半导体薄膜 [13,14]。尽管如此，对真空或受控气氛、较高处理温度以及额外图形化步骤的要求增加了工艺复杂性。传统的溶液加工方法，包括旋涂和滴铸，因其低成本和操作简单而具有吸引力 [15]。然而，旋涂的直接图形化能力有限，而基于液滴的沉积可能由于不可控的铺展、溶剂蒸发和咖啡环效应而产生不均匀的材料分布。因此，能够产生高分辨率功能性半导体结构的直接且无掩模制造技术非常令人向往。

增材制造为直接制造功能性传感结构提供了一条有希望的路径。各种打印技术，包括熔融沉积建模（FDM）[[16], [17], [18]]、微立体光刻（MSL）[19,20]、气溶胶射流打印（AJP）[[21], [22], [23], [24]] 和电液射流（E-Jet）打印 [[25], [26], [27], [28]]，已被研究用于制造电子和传感器件。FDM 能够实现快速的逐层制造，但通常受限于相对较低的空间分辨率和有限的热塑性材料兼容性。MSL 通过局部光聚合提供高结构精度，但主要依赖于光固化材料。AJP 能够实现微尺度分辨率的功能性油墨非接触沉积；然而，载气和鞘气的使用增加了设备复杂性，并可能导致过喷或沉积展宽。相比之下，E-Jet 打印利用静电应力克服油墨的表面张力，并从喷嘴产生细射流。由于射流直径可以远小于喷嘴直径，E-Jet 打印提供了高分辨率、直接图形化、低材料消耗以及与各种功能性油墨兼容性等优势。这些特性使得 E-Jet 打印在制造微尺度半导体传感结构方面特别具有吸引力。

尽管具有这些优势，E-Jet 打印的稳定可控操作仍然具有挑战性。喷墨行为和打印结构特性同时受到墨水性质（包括粘度、电导率、表面张力和溶剂蒸发）以及工艺参数（如施加电压、墨水流量、喷嘴到基底的距离、喷嘴移动速度和基底温度）的影响。喷嘴几何形状和环境条件可能会进一步影响电场分布和射流稳定性。这些参数通过耦合的电、流体、热和质量传递过程相互作用，导致打印条件、射流形态和沉积结构之间存在高度非线性的关系。传统的试错优化需要大量实验，并且在多个参数同时变化时效率低下。数值模拟可以提供电液行为的物理见解，但通常需要准确的材料属性、复杂的边界条件和大量的计算资源。因此，需要一种高效的数据驱动策略来识别稳定的工艺区域并建立非线性的工艺 - 结构关系。

近年来，机器学习已成为从多维实验数据中提取非线性关系的有效途径，并越来越多地应用于材料加工和多物理系统 [[29], [30], [31]]。人工神经网络已被用于优化 E-Jet 打印参数并建立打印条件与结构响应之间的相关性 [32]。卷积神经网络，包括具有超过 1.3 亿个可训练参数的基于 VGG-16 的架构，也被用于利用多源工艺数据预测液滴体积 [33]。此外，混合机器学习和回归方法已显示出预测 E-Jet 打印行为的潜力 [34]。然而，大多数以前的研究主要集中在单一的预测任务或单一工艺响应上。多个打印响应之间的相关性受到的关注有限。此外，喷墨模式识别、高效的实验数据采集、多响应工艺建模、逆参数优化和器件级验证通常是独立研究的。连接这些程序的综合框架仍然缺乏。

在本研究中，开发了一种机器学习指导的 E-Jet 打印框架，以实现高效的工艺窗口识别和目标导向的工艺优化。所提出的框架由两个主要阶段组成。在第一阶段，进行了 845 次 E-Jet 打印实验，涵盖了六种代表性的喷墨模式，包括滴落、脉冲、锥射流、倾斜射流、双射流和多射流模式。建立了一个随机森林分类模型来识别喷墨模式并协助定位稳定的锥射流工艺区域。结合梯度实验，这种策略实现了 332 个锥射流样本的针对性采集，用于后续工艺建模。在第二阶段，开发了一种自注意力辅助的多层感知机，以建立五个打印参数与两个打印响应（即打印线宽和射流直径）之间的非线性关系。训练好的代理模型进一步与非支配排序遗传算法 II 相结合，以识别满足预定义结构目标的工艺参数组合。随机森林分类器实现了 98.9% 的整体分类准确率，而优化后的多输出回归模型在验证数据集上实现了 8.14% 的平均绝对相对误差。随后进行了独立的 E-Jet 打印实验以评估该框架的预测能力。此外，使用模型推荐的工艺参数制造的 ZnO 光电传感器表现出与使用手动优化参数获得的结果一致的电流 - 时间响应，决定系数超过 0.985。本研究建立了一条从喷墨模式识别和针对性数据采集到多响应预测、逆工艺优化和器件级实验验证的集成数据驱动路线，为智能 E-Jet 制造提供了一种有前途的方法。

章节片段
E-jet 打印系统
本研究使用的实验数据是通过定制的 E-Jet 打印系统获得的。该系统由高压电源模块、墨水供给模块、XYZ 运动平台、基底温控模块、光学监测模块和基于计算机的控制单元组成。高压电源模块提供 0 至 1300 V 的正电压，电压调节分辨率为 1 V。不锈钢喷嘴的内径约为 100 μm。

整体机器学习指导优化框架
E-Jet 打印工艺由实验墨水性质、工艺参数、结构参数和其他因素组成。这些多源参数相互耦合，传统的求解方法很难找到非线性关系。由于深度架构，机器学习已成为寻找多维参数之间非线性和复杂关系的最佳工具。在本文中，如图 1 所示，利用机器学习来解码非线性关系。

喷墨模式分布和分类性能
在调查的参数范围内，总共进行了 845 次 E-Jet 打印实验。数据集包含 23 个滴落样本、102 个脉冲样本、332 个锥射流样本、98 个倾斜射流样本、134 个双射流样本和 156 个多射流样本。锥射流样本占完整数据集的 38.29%。提取的稳定锥射流窗口确认了稳定打印不是由单一参数控制的。相反，它是由电场之间耦合平衡形成的。

结论
在本研究中，通过整合基于随机森林的喷墨模式分类、梯度引导的数据采集、自注意力辅助的多输出回归以及基于 NSGA-II 的工艺优化，开发了一种用于 E-Jet 打印的机器学习指导优化框架。建立了一个包含 845 次实验和六种代表性喷墨模式的数据集。数据集被划分为 591 个训练样本、127 个验证样本和 127 个独立测试样本。随机森林

CRediT 作者贡献声明
杨旭辰 (Xuchen Yang): 撰写 – 原稿，可视化，数据整理。李凯 (Kai Li): 撰写 – 审阅与编辑，可视化，方法论，资金获取，概念化，监督。吴忠贤 (Zhongxian Wu): 撰写 – 原稿，可视化。乔志军 (Zhijun Qiao): 撰写 – 审阅与编辑，可视化，验证。阮殿波 (Dianbo Ruan): 撰写 – 审阅与编辑，可视化，验证。王大志 (Dazhi Wang): 验证，资金获取，撰写 – 审阅与编辑。

利益冲突声明
作者声明他们没有任何已知的竞争经济利益或个人关系，这些利益或关系可能会被认为影响了本论文中报告的工作。

致谢
本研究得到国家自然科学基金（52575403, U24A20137）、浙江省自然科学基金（LQ22E050001）、中国博士后科学基金（2024M753510）、宁波市自然科学基金（2024J427, 2023J376, 2022J008）和宁波甬江人才工程（2021A-137-G）的支持。

杨旭辰 | 李凯 | 吴忠贤 | 乔志军 | 阮殿波 | 王大志
宁波大学 机械工程与力学学院，中国 宁波 315211