Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization

要約

材料の合成と加工の複雑な条件を解決するには、複数の特性評価モードから収集した情報を分析する必要があります。
現在、定量的な情報は手動ツールと直感を使用して連続的に抽出されており、プロセス最適化のためのフィードバック サイクルが制約されています。
私たちは機械学習を使用して、その場反射高速電子回折 (RHEED) データの特徴抽出を自動化および一般化して、専門家がラベル付けしたデータの小さなセット ($\sim$10) で定量的な予測関係を確立し、これらを適用して大幅な節約を実現します。
その後のエピタキシャル成長サンプルの時間。
これらの関係の忠実度は、代表的な材料系 (c 面サファイア基板 (0001) 上の $W_{1-x}V_xSe2$ 成長) で、合成の 2 段階で次の 2 つの目的でテストされます。 1) 結晶粒の配列を予測する
成長前の基板表面データから堆積膜を推定すること、および 2) ex-situ 法 (X 線光電子分光法など) の代用として in-situ RHEED を使用してバナジウム (V) ドーパント濃度を推定すること。
どちらのタスクも、マテリアルに依存しないコア機能の同じセットを使用して実行されるため、特定のシステム用に再トレーニングする必要がなくなり、100 個のサンプル合成キャンペーンで 80% の時間を節約できる可能性があります。
これらの予測は、失敗に終わる試験を回避し、後続の特性評価を減らし、材料合成の制御分解能を改善するためのレシピ調整の指針を提供し、最終的には材料の発見と商業スケールアップを加速します。

要約(オリジナル)

Solving for the complex conditions of materials synthesis and processing requires analyzing information gathered from multiple modes of characterization. Currently, quantitative information is extracted serially with manual tools and intuition, constraining the feedback cycle for process optimization. We use machine learning to automate and generalize feature extraction for in-situ reflection high-energy electron diffraction (RHEED) data to establish quantitatively predictive relationships in small sets ($\sim$10) of expert-labeled data, and apply these to save significant time on subsequent epitaxially grown samples. The fidelity of these relationships is tested on a representative material system ($W_{1-x}V_xSe2$ growth on c-plane sapphire substrate (0001)) at two stages of synthesis with two aims: 1) predicting the grain alignment of the deposited film from the pre-growth substrate surface data, and 2) estimating the vanadium (V) dopant concentration using in-situ RHEED as a proxy for ex-situ methods (e.g. x-ray photoelectron spectroscopy). Both tasks are accomplished using the same set of materials agnostic core features, eliminating the need to retrain for specific systems and leading to a potential 80\% time saving over a 100 sample synthesis campaign. These predictions provide guidance for recipe adjustments to avoid doomed trials, reduce follow-on characterization, and improve control resolution for materials synthesis, ultimately accelerating materials discovery and commercial scale-up.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google