[论文解读] 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 7

一句话总结

本研究展示了贝叶斯优化（BO）在分子束外延（MBE）生长SrRuO3薄膜中的应用，通过系统优化Ru通量速率、生长温度以及O3喷嘴与衬底的距离，显著缩短了实验时间和对专家经验的依赖。仅通过24次生长实验，该方法便实现了高质量结晶薄膜，其剩余电阻率比（RRR）>50，且具有强垂直磁各向异性。

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.

研究动机与目标

• 减少在分子束外延（MBE）中优化复杂薄膜生长条件所需的时间和专家经验。
• 应用机器学习，特别是贝叶斯优化（BO），以简化氧化物半导体中最佳生长参数的搜索过程。
• 证明BO在实现具有优异电子和磁学性能的高质量SrRuO3薄膜方面的有效性。
• 通过固定大部分参数并逐个优化，简化MBE生长中高维且相互耦合的参数空间。

提出的方法

• 采用贝叶斯优化（BO）迭代选择下一次生长参数组合，基于先前测量的薄膜质量。
• 固定除一个生长参数（Ru通量速率、生长温度或O3喷嘴与衬底距离）外的所有参数，以降低维度并简化优化过程。
• 使用剩余电阻率比（RRR）和磁各向异性作为关键性能指标，指导BO的获取函数。
• 在每次实验运行后更新高斯过程代理模型，以改进预测并指导后续参数选择。
• 执行了24次连续的MBE生长实验，每次实验通过BO循环为下一次提供信息。
• 逐个参数进行优化，同时保持其他参数恒定，从而实现对参数空间的高效探索。

实验结果

研究问题

• RQ1 贝叶斯优化能否高效地导航氧化物薄膜MBE生长中复杂且相互耦合的参数空间？
• RQ2 使用机器学习实现高质量SrRuO3薄膜所需的最少实验次数是多少？
• RQ3 与传统的试错方法相比，BO在时间、成本和薄膜质量方面表现如何？
• RQ4 BO是否能在无需大量专家干预的情况下，生成具有高RRR和强垂直磁各向异性的薄膜？
• RQ5 通过自动化学习，优化过程在多大程度上可以与研究人员的经验解耦？

主要发现

• 基于BO的优化仅通过24次MBE生长实验便实现了剩余电阻率比（RRR）超过50。
• 通过BO引导的方法，成功合成了高质量结晶的SrRuO3薄膜，具有强垂直磁各向异性。
• 该方法显著降低了对专家直觉的依赖，实现了高效且可重复的优化。
• 通过逐个参数调节简化搜索空间，加速了优化过程。
• 高斯过程模型有效捕捉了生长参数与薄膜质量之间的关系，实现了在极少数据下的准确预测。
• 本研究证明，机器学习可大幅减少氧化物薄膜开发中的实验时间和成本。