机器学习驱动脉冲激光沉积参数优化实现铌酸锂薄膜外延生长

《Materials Today Communications》：Machine learning-driven optimization of PLD parameters for epitaxial growth of thin films

　　

本研究提出了一种四步机器学习（Machine Learning，ML）框架，结合人工神经网络（Artificial Neural Network，ANN）与随机森林（Random Forest，RF）分类模型，基于原子力显微镜（Atomic Force Microscopy，AFM）和X射线衍射（X-ray Diffraction，XRD）数据，预测用于外延生长光滑、纯相铌酸锂（LiNbO3）薄膜的最佳脉冲激光沉积（Pulsed Laser Deposition，PLD）条件。实验验证表明，所制备的LiNbO3薄膜具有高度有序结构，均方根粗糙度（RMS roughness）低于0.5 nm，并且可通过增加厚度至165 nm而保持表面质量。研究表明，机器学习能够捕捉PLD参数与薄膜性质之间的非线性关系，从而实现薄膜生长的计算优化。

一、研究背景与科学问题

铌酸锂（LiNbO₃）因其优异的电光、压电和非线性光学特性，在光子学与声学器件（如调制器、声表面波器件和倍频器）中具有广泛应用。相较于体块晶体，LiNbO₃薄膜可支持更高频率、更大带宽和更低驱动电压的微型化电光器件。然而，高质量LiNbO₃薄膜的外延生长仍面临挑战，主要原因在于锂离子（Li）的高挥发性以及铌（Nb）与锂（Li）离子之间的质量失配，导致化学计量比难以精确控制。脉冲激光沉积（PLD）是生长复杂氧化物薄膜的通用技术，但其工艺参数（如衬底温度、激光能量密度等）之间存在复杂的相互依赖关系，传统经验或基于物理模型的优化方法难以高效识别最优生长窗口。近年来，机器学习（ML）在材料科学中的应用日益广泛，能够有效捕获非线性、高维度的关联与参数耦合。因此，研究人员将ML引入PLD参数优化，旨在建立一种数据驱动的薄膜生长条件预测方法。

二、研究内容与核心结论

研究人员构建了一个集成的实验与机器学习框架，利用仅包含33个样本的小型数据集，成功预测了生长高质量LiNbO₃薄膜的PLD参数。该框架结合人工神经网络（ANN）和随机森林（RF）模型，捕获了PLD参数与薄膜性质之间的非线性关系。经过训练的ML模型直接预测出的生长条件，其薄膜质量可与实验优化条件相媲美。实验验证表明，ML预测条件下生长的薄膜具有更低的表面粗糙度（最低达0.41 nm RMS）和更高的结构完整性。此外，研究人员还利用ML指导的条件成功生长出厚度达165 nm的较厚薄膜，同时保持了良好的表面质量。尽管受限于数据集规模，模型在鲁棒性和稳定性方面仍需改进，但该研究初步展示了ML与基础薄膜生长有效整合的潜力。

三、关键技术方法

研究人员采用的主要关键技术方法包括：（1）脉冲激光沉积（PLD）系统，配备KrF准分子激光器（波长λ=248 nm，脉冲宽度20 ns），使用化学计量比精确的单晶LiNbO₃靶材，在蓝宝石（Al₂O₃）（0001）衬底上进行薄膜沉积；（2）原子力显微镜（AFM），在峰值力轻敲模式下分析表面形貌，提取均方根粗糙度（RMS roughness）、偏度（skewness）及其乘积，以及孔洞和岛状缺陷的二元指标；（3）高分辨率X射线衍射（HRXRD），用于研究物相形成、垂直晶格参数和薄膜厚度，并评估二次相的出现和振荡条纹数量；（4）机器学习建模，首先由ANN基于AFM和XRD特征预测连续的质量评分（Quality Score，QS），再将QS离散化为质量类别，最后由RF模型从PLD参数预测这些类别，并对2112种虚拟参数组合进行筛选排序。

四、研究结果

4.1 实验观察与ML数据准备

研究人员系统变化了衬底温度（450–700°C）、激光能量密度（50–60 mJ/mm2）、激光频率（5–10 Hz）、氧气压力（0.2–1.4 mbar）、靶-基距离（45–60 mm）和脉冲数（4000–8000）。实验发现：低温下薄膜呈现均匀的岛状形貌；随温度升高，吸附原子迁移率增加，表面变光滑，但在600°C以上出现孔洞且表面显著粗糙化；较高的激光能量密度提高生长速率但导致表面退化；较高氧气压力有利于光滑纯相薄膜，因此固定为1.4 mbar以避免LiNb₃O₈二次相；缩短靶-基距离（低于50 mm）可获得纯相、有序且光滑的薄膜。基于实验观测，最佳条件确定为600°C、55 mJ/mm2、7 Hz、1.4 mbar、45 mm，所得薄膜RMS粗糙度为0.52 nm，厚度21 nm。

4.2 人工神经网络分类性能

ANN模型在AFM和XRD数据集上的表现优异：AFM模型的RMSE为0.153，MAE为0.099，R2为0.860；XRD模型的RMSE为0.119，MAE为0.050，R2为0.940。奇偶图显示，ANN输出的质量评分（QS）紧密围绕专家标签值聚类，表明模型预测可靠。

4.3 随机森林分类性能

RF模型在AFM数据集上达到96.97%的整体准确率，所有类别的精确率、召回率和F1分数均为1.00；在XRD数据集上达到93.94%的整体准确率，5折交叉验证的平均准确率为0.72–0.74，标准差为0.13–0.16，反映了小样本条件下的预期波动。

4.4 最佳沉积参数预测

RF模型对2112种虚拟参数组合进行筛选，AFM模型将18%的组合判定为高质量（Class 3），偏向较低温度和能量密度；XRD模型仅将7%的组合判定为高质量，偏向中等温度和能量密度及较短靶-基距离。两个模型共同识别的两组最佳参数为：T=600°C/625°C、E=55 mJ/mm2、f=10 Hz、p=1.4 mbar、d=45 mm、脉冲数=4000，与实验最优条件高度吻合。值得注意的是，625°C这一中间温度值并未在实验网格中探索过，体现了ML框架超越实验数据集的预测能力。

4.5 ML预测条件的实验验证

在ML预测的600°C和625°C条件下生长的薄膜均表现出纯相的（001）取向LiNbO₃结构和清晰的厚度振荡条纹。600°C条件下薄膜RMS粗糙度为0.41 nm（优于实验优化的0.52 nm），厚度为17 nm；625°C条件下RMS粗糙度为0.48 nm，厚度增至25 nm，显示出更好的表面光滑度与厚度平衡。

4.6 ML指导的生长条件拓展

在625°C条件下将脉冲数增至20000次，成功生长出厚度达165 nm的LiNbO₃薄膜，RMS粗糙度为1.11 nm，仅观察到微弱的LiNb₃O₈（222）二次相峰，表明ML指导的参数选择可在宽厚度范围内保持薄膜的结构完整性。

五、总结与讨论

研究人员提出了一个四步机器学习框架，即使仅基于33个样本的小型数据集，也能成功预测生长高质量LiNbO₃薄膜的PLD参数。模型捕获了沉积参数与薄膜性质之间的非线性关系，预测结果经实验验证，包括在ML推导条件下成功生长出较厚的薄膜。该计算ML框架提供了一种可扩展的晶体生长优化工作流程，可适用于其他材料体系和沉积工具，只需收集系统特定数据并重新训练/校准模型即可。虽然当前数据集支持物理一致的参数推荐和实验验证，但ML模型建立的是预测性关联而非严格的因果关系。未来将通过扩大数据集，并结合直接应用于原始表征数据的深度学习方法，进一步提升预测性能并捕获更复杂的非线性关系。