材料开发新方法，使用机器学习让开发过程全自动化

　　半导体行业自 20 世纪中叶迈出第一步以来一直在稳步增长，并且由于其支持的高速信息和通信技术，它已经让位于社会的快速数字化。随着全球能源需求的紧张，对更快、更集成和更节能的半导体设备的需求不断增长。

　　然而，现代半导体工艺已经达到纳米尺度，新型高性能材料的设计现在涉及到半导体纳米薄膜的结构分析。反射高能电子衍射 (RHEED) 是为此目的广泛使用的分析方法。RHEED 可用于在原子水平上确定薄膜表面形成的结构，甚至可以在合成薄膜时实时捕捉结构变化!

　　由东京理科大学 (TUS) 客座副教授、日本国立材料科学研究所 (NIMS) 高级研究员 Naoka Nagamura 博士领导的一组研究人员一直致力于此。在他们于 2022 年 6 月 9 日在线发表在国际期刊《先进材料科学与技术：方法》上的最新研究中，探索了使用机器学习自动分析 RHEED 数据的可能性。这项工作得到了 JST-PRESTO 和 JST-CREST 的支持，是 TUS 和日本 NIMS 联合研究的结果。

　　研究人员专注于在干净的单晶硅的第一个原子层上形成的表面超结构，这取决于吸附的铟原子的数量和温度的微小差异。表面超结构是晶体表面独有的原子排列，其中原子以不同于晶体内部的周期性模式稳定，这取决于周围环境的差异。因为它们经常表现出独特的物理特性，所以表面上层结构是材料科学中非常感兴趣的焦点。

　　首先，该团队使用了不同的层次聚类方法，旨在根据各种相似性度量将样本划分为不同的聚类。这种方法用于检测存在多少不同的表面超结构。在尝试了不同的技术后，研究人员发现沃德的方法可以最好地跟踪表面超结构中的实际相变。

　　然后，科学家们试图确定合成每个已识别的表面超结构的最佳工艺条件。他们专注于最广泛地形成每个上层结构的铟沉积时间。非负矩阵分解，一种不同的聚类和降维技术，可以准确自动地获得每个上层结构的最佳沉积时间。

　　总体而言，本研究报告的研究结果有望带来将机器学习技术，的新的有效方法，材料信息学领域的一个中心话题。

　　反过来，随着现有设备和技术使用更好的材料进行升级，这将对我们的日常生活产生影响。

　　该方法不仅可用于分析在薄膜硅单晶表面、金属晶体表面、蓝宝石、碳化硅、氮化镓和各种其他重要衬底上生长的超结构。