[論文レビュー] Machine-learning-assisted thin-film growth: Bayesian optimization in molecular beam epitaxy of SrRuO3 thin films

Yuki K. Wakabayashi, Takuma Otsuka+4 more|arXiv (Cornell University)|Aug 2, 2019

Advanced Condensed Matter Physics参考文献 1被引用数 7

ひとこと要約

本研究では、ストリコン酸ルーテニウム酸化物（SrRuO3）薄膜の分子線外延成長（MBE）を高速化するためのベイズ最適化（BO）を示した。Ruのフラックスレート、成長温度、O3ノズルから基板までの距離を体系的に最適化することで、24回の成長実験のうちに、残留抵抗比（RRR）>50で高結晶性の薄膜が得られ、実験に要する時間と専門的経験への依存度が顕著に低下した。

ABSTRACT

Materials informatics exploiting machine learning techniques, e.g., Bayesian optimization (BO), has the potential to offer high-throughput optimization of thin-film growth conditions through incremental updates of machine learning models in accordance with newly measured data. Here, we demonstrated BO-based molecular beam epitaxy (MBE) of SrRuO3, one of the most-intensively studied materials in the research field of oxide electronics, mainly owing to its unique nature as a ferromagnetic metal. To simplify the intricate search space of entangled growth conditions, we ran the BO for a single condition while keeping the other conditions fixed. As a result, high-crystalline-quality SrRuO3 film exhibiting a high residual resistivity ratio (RRR) of over 50 as well as strong perpendicular magnetic anisotropy was developed in only 24 MBE growth runs in which the Ru flux rate, growth temperature, and O3-nozzle-to-substrate distance were optimized. Our BO-based search method provides an efficient experimental design that is not as dependent on the experience and skills of individual researchers, and it reduces experimental time and cost, which will accelerate materials research.

研究の動機と目的

• 分子線外延成長（MBE）における複雑な薄膜成長条件の最適化に要する時間と専門的経験を削減すること。
• 機械学習、特にベイズ最適化（BO）を応用し、酸化物半導体の最適成長パラメータの探索を簡素化すること。
• 優れた電子的および磁気的特性を有する高品質なSrRuO3薄膜を実現するためのBOの有効性を実証すること。
• ほとんどのパラメータを固定し、1つずつ最適化することで、MBE成長の高次元的かつ複雑に絡み合ったパラメータ空間を単純化すること。

提案手法

• 以前に測定された薄膜の品質に基づいて、逐次的に次の成長パラメータの組み合わせを選択するためのベイズ最適化（BO）を採用した。
• 次元を低減し最適化を簡素化するため、Ruフラックスレート、成長温度、またはO3ノズルから基板までの距離のうち、1つを除くすべての成長パラメータを固定した。
• BOの獲得関数をガイドするための主要な性能指標として、残留抵抗比（RRR）と磁気異方性を用いた。
• 各実験走行後にガウス過程の補間モデルを更新し、予測を精緻化し、次のパラメータ選択を支援した。
• BOループにより、各実験が次のものに影響を与える24回の連続したMBE成長実験を実施した。
• 他のパラメータを固定した状態で1つのパラメータを順次最適化することで、パラメータ空間の効率的探索が可能になった。

実験結果

リサーチクエスチョン

• RQ1 ベイズ最適化は、酸化物薄膜のMBE成長における複雑で絡み合ったパラメータ空間を、効率的に探索できるか？
• RQ2 機械学習を用いて、高品質なSrRuO3薄膜を達成するために必要な最小限の実験回数はどの程度か？
• RQ3 時間、コスト、薄膜品質の観点から、BOは従来の試行錯誤的手法と比べてどのように優れているか？
• RQ4 熟練した専門的経験をほとんど必要とせずに、RRRが高く、強い垂直磁気異方性を示す薄膜をBOで得られるか？
• RQ5 自動学習によって、最適化プロセスを研究者の経験からどれほど分離できるか？

主な発見

• BOを用いた最適化により、わずか24回のMBE成長実験で残留抵抗比（RRR）が50を超えた。
• BOによって誘導されたアプローチにより、強い垂直磁気異方性を示す高結晶性のSrRuO3薄膜が成功裏に合成された。
• 専門的直感への依存が顕著に低減され、効率的かつ再現性のある最適化が可能になった。
• パラメータ空間の簡略化を通じて、逐次的な1パラメータのチューニングにより最適化プロセスが加速された。
• ガウス過程モデルは、成長パラメータと薄膜品質の関係を効果的に捉えており、少量のデータで正確な予測が可能であった。
• 本研究では、機械学習が酸化物薄膜開発における実験的時間とコストを顕著に削減できることを示した。