[论文解读] Machine learning for advancing low-temperature plasma modeling and simulation

Jan Trieschmann, Luca Vialetto+1 more|arXiv (Cornell University)|Jun 30, 2023

Mass Spectrometry Techniques and Applications被引用 7

一句话总结

本综述整合了机器学习（ML）在低温等离子体（LTP）建模与仿真实践中的最新进展，聚焦于等离子体物理、等离子体化学、等离子体-表面相互作用以及工艺控制。研究表明，数据驱动方法——尤其是深度学习与高斯过程回归——可显著加速模拟过程，揭示复杂等离子体数据中的隐藏模式，并实现对以往未知物理行为的发现，为等离子体科学及半导体制造领域带来变革性潜力。

ABSTRACT

Machine learning has had an enormous impact in many scientific disciplines. Also in the field of low-temperature plasma modeling and simulation it has attracted significant interest within the past years. Whereas its application should be carefully assessed in general, many aspects of plasma modeling and simulation have benefited substantially from recent developments within the field of machine learning and data-driven modeling. In this survey, we approach two main objectives: (a) We review the state-of-the-art focusing on approaches to low-temperature plasma modeling and simulation. By dividing our survey into plasma physics, plasma chemistry, plasma-surface interactions, and plasma process control, we aim to extensively discuss relevant examples from literature. (b) We provide a perspective of potential advances to plasma science and technology. We specifically elaborate on advances possibly enabled by adaptation from other scientific disciplines. We argue that not only the known unknowns, but also unknown unknowns may be discovered due to the inherent propensity of data-driven methods to spotlight hidden patterns in data.

研究动机与目标

• 综述当前机器学习在低温等离子体（LTP）建模与仿真中的应用现状，涵盖关键领域：等离子体物理、等离子体化学、等离子体-表面相互作用（PSIs）及工艺控制。
• 识别并分析数据驱动方法——特别是深度学习与高斯过程回归——在LTP研究中增强或替代传统数值模拟的机制。
• 探讨机器学习在检测仿真与实验数据中的隐藏模式方面，揭示‘未知的未知’的潜力，从而实现超越已知物理模型的全新科学洞见。
• 倡导开放科学实践，包括符合FAIR原则的数据与代码共享，以加速等离子体信息学及基于机器学习的等离子体研究在学术界的整体进展。
• 展望未来机器学习在LTP领域的潜在发展方向，强调从流体动力学、聚变科学及计算统计学等学科中汲取的跨学科启发。

提出的方法

• 对LTP建模中机器学习应用的系统性文献综述，按物理化学领域分类：等离子体物理、等离子体化学、等离子体-表面相互作用及工艺控制。
• 应用深度学习（DL）与高斯过程回归（GPR）构建代理模型，以较低计算成本模拟高保真度等离子体仿真。
• 利用无监督与有监督聚类技术（如来自分子动力学模拟的结果）识别等离子体-表面演化过程中的过渡态与系统状态轨迹。
• 开发物理信息驱动的机器学习框架，将已知物理约束整合至神经网络架构中，以提升模型的泛化能力与可解释性。
• 借鉴其他科学领域中的迁移学习与主动学习策略，优化等离子体参数空间探索中的数据效率与探索能力。
• 将基于微观模拟的自下而上ML模型与自上而下的实验数据相融合，构建多尺度、高保真度的等离子体工艺模型。

实验结果

研究问题

• RQ1 相较于传统数值求解器，机器学习方法在提升低温等离子体模拟效率与准确性方面有哪些优势？
• RQ2 数据驱动模型在何种方式下可揭示等离子体行为中不为传统建模所见的隐藏物理模式或‘未知的未知’？
• RQ3 在建模等离子体-表面相互作用及刻蚀/沉积工艺方面，应用深度学习与高斯过程回归面临的关键挑战与机遇是什么？
• RQ4 如何将流体动力学、聚变研究及计算统计学等学科的跨学科方法适配至基于机器学习的等离子体建模中？
• RQ5 开放科学与符合FAIR原则的数据共享在推动机器学习于等离子体科学与技术领域的发展中扮演何种角色？

主要发现

• 机器学习，特别是深度学习与高斯过程回归，通过构建快速、精确的代理模型，显著加速了等离子体模拟，大幅降低计算成本，同时保持了物理保真度。
• 数据驱动方法已成功揭示等离子体数据中的隐藏模式，如表面演化过程中的过渡态、等离子体参数间非直观的相关性，从而获得传统建模无法触及的科学洞见。
• 基于神经网络的代理模型已成功应用于从光学发射光谱数据中预测等离子体特性（如电子能量分布函数），提升了诊断能力与实时控制水平。
• 基于自下而上的ML建模（如表面微区与原子尺度动力学，例如吸附原子扩散与缺陷形成）可构建多尺度模拟框架，实现微观过程与宏观工艺结果之间的桥梁连接。
• 主动学习与迁移学习技术提升了等离子体参数空间探索中的数据效率，减少了所需仿真实验的次数。
• 将物理信息约束整合至机器学习模型中，可提升模型在等离子体科学中常见的低数据量场景下的泛化能力与可靠性。