[논문 리뷰] Machine-learning-assisted thin-film growth: Bayesian optimization in molecular beam epitaxy of SrRuO3 thin films

Yuki K. Wakabayashi, Takuma Otsuka외 4명|arXiv (Cornell University)|2019. 08. 02.

Advanced Condensed Matter Physics참고 문헌 1인용 수 7

한 줄 요약

이 연구는 분자선 에pitaxial (MBE)을 이용한 스트리아늄루테늄산화물(SrRuO3) 투명막 성장의 가속화를 위한 베이지안 최적화(Bayesian optimization, BO)를 시연한다. Ru 농도, 성장 온도, O3 nozzzle와 기질 사이의 거리 등의 매개변수를 체계적으로 최적화하여, 단 24회의 성장 런으로 고결정성 품질의 막을 확보하였으며 잔류 전기저항비(RRR) >50 및 강한 수직 자기이성도를 확보하였다. 이는 실험에 소요되는 시간과 전문 지식 의존도를 크게 감소시켰다.

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.

연구 동기 및 목표

• 분자선 에pitaxial(MBE)에서 복잡한 투명막 성장 조건을 최적화하는 데 소요되는 시간과 전문 지식을 줄이기 위해.
• 특히 산화물 반도체에서 최적의 성장 매개변수를 탐색하기 위해 기계학습, 특히 베이지안 최적화(BO)를 적용하여 효율화를 도모하기 위해.
• 우수한 전자적 및 자기적 성질을 지닌 고품질의 SrRuO3 투명막을 얻는 데서 BO의 효과성을 입증하기 위해.
• 대부분의 매개변수를 고정하고 한 번에 하나의 매개변수만 최적화하여 MBE 성장의 고차원적이고 상호연결된 매개변수 공간을 단순화하기 위해.

제안 방법

• 이전에 측정된 막 품질을 바탕으로 반복적으로 다음 성장 매개변수 조합을 선택하기 위해 베이지안 최적화(BO)를 활용하였다.
• 차원 수를 줄이고 최적화를 단순화하기 위해, Ru 농도, 성장 온도, 또는 O3 nozzzle와 기질 사이의 거리 이외의 모든 성장 매개변수를 고정하였다.
• BO의 획득 함수를 안내하기 위해 잔류 전기저항비(RRR)와 자기이성도를 핵심 성능 지표로 사용하였다.
• 각 실험 런 이후에 가우시안 프로세스 대체 모델을 업데이트하여 예측 정확도를 향상시키고 다음 매개변수 선택을 안내하였다.
• BO 루프를 통해 각 런이 다음 런에 영향을 주는 24회의 순차적 MBE 성장 런을 수행하였다.
• 다른 매개변수를 고정한 채로 한 번에 하나의 매개변수만 최적화하여 매개변수 공간의 효율적 탐색을 가능하게 하였다.

실험 결과

연구 질문

• RQ1 베이지안 최적화는 산화물 투명막의 복잡하고 상호연결된 MBE 성장 매개변수 공간을 효율적으로 탐색할 수 있는가?
• RQ2 기계학습을 활용할 때, 고품질의 SrRuO3 투명막을 얻기 위해 필요한 최소 실험 런 수는 얼마인가?
• RQ3 시간, 비용, 막 품질 측면에서 전통적인 시행착오 방식에 비해 BO는 어떻게 비교되는가?
• RQ4 많은 전문가의 간섭 없이도 BO는 RRR가 높고 강한 수직 자기이성도를 지닌 막을 생성할 수 있는가?
• RQ5 자동화된 학습을 통해 최적화 과정이 연구자의 경험에 얼마나 의존도를 줄일 수 있는가?

주요 결과

• BO 기반 최적화는 단 24회의 MBE 성장 런으로도 잔류 전기저항비(RRR)가 50를 초과하는 결과를 달성하였다.
• BO 가이드된 방법을 통해 고결정성 품질의 SrRuO3 투명막이 성공적으로 합성되었으며, 강한 수직 자기이성도를 나타내었다.
• 이 방법은 전문가의 직관에 대한 의존도를 크게 감소시켜 효율적이고 재현 가능한 최적화를 가능하게 하였다.
• 일련의 단일 매개변수 조정을 통해 검색 공간을 단순화함으로써 최적화 과정이 가속화되었다.
• 가우시안 프로세스 모델은 성장 매개변수와 막 품질 간의 관계를 효과적으로 포착하여, 적은 데이터로도 정확한 예측이 가능했다.
• 이 연구는 기계학습이 산화물 투명막 개발에서 실험에 소요되는 시간과 비용을 극적으로 줄일 수 있음을 입증하였다.