論文の概要: Machine learning for in-situ composition mapping in a self-driving magnetron sputtering system

• arxiv url: http://arxiv.org/abs/2506.05999v1
• Date: Fri, 06 Jun 2025 11:38:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.450604
• Title: Machine learning for in-situ composition mapping in a self-driving magnetron sputtering system
• Title（参考訳）: 自走マグネトロンスパッタシステムにおけるその場合成マッピングのための機械学習
• Authors: Sanna Jarl, Jens Sjölund, Robert J. W. Frost, Anders Holst, Jonathan J. S. Scragg,
• Abstract要約: 本研究はマグネトロン共スパッタリングに基づくSDLを提案する。 フレームワークを用いて,多素子, 組成グレード薄膜の正確な合成マップを得る。 スパッタ室に設置した水晶結晶マイクロバランスセンサを用いて,多素子薄膜の組成分布を予測する手法を開発した。
• 参考スコア（独自算出の注目度）: 1.6306913973914294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-driving labs (SDLs), employing automation and machine learning (ML) to accelerate experimental procedures, have enormous potential in the discovery of new materials. However, in thin film science, SDLs are mainly restricted to solution-based synthetic methods which are easier to automate but cannot access the broad chemical space of inorganic materials. This work presents an SDL based on magnetron co-sputtering. We are using combinatorial frameworks, obtaining accurate composition maps on multi-element, compositionally graded thin films. This normally requires time-consuming ex-situ analysis prone to systematic errors. We present a rapid and calibration-free in-situ, ML driven approach to produce composition maps for arbitrary source combinations and sputtering conditions. We develop a method to predict the composition distribution in a multi-element combinatorial thin film, using in-situ measurements from quartz-crystal microbalance sensors placed in a sputter chamber. For a given source, the sensor readings are learned as a function of the sputtering pressure and magnetron power, through active learning using Gaussian processes (GPs). The final GPs are combined with a geometric model of the deposition flux distribution in the chamber, which allows interpolation of the deposition rates from each source, at any position across the sample. We investigate several acquisition functions for the ML procedure. A fully Bayesian GP - BALM (Bayesian active learning MacKay) - achieved the best performance, learning the deposition rates for a single source in 10 experiments. Prediction accuracy for co-sputtering composition distributions was verified experimentally. Our framework dramatically increases throughput by avoiding the need for extensive characterisation or calibration, thus demonstrating the potential of ML-guided SDLs to accelerate materials exploration.
• Abstract（参考訳）: 自動運転ラボ(SDL)は、実験手順を加速するために自動化と機械学習(ML)を使用しているが、新しい素材の発見には大きな可能性を秘めている。 しかし、薄膜科学においては、SDLは主に、自動化が容易だが無機材料の広い化学空間にアクセスできない溶液ベースの合成方法に限られる。 本研究はマグネトロン共スパッタリングに基づくSDLを提案する。 合成フレームワークを用いて,多素子, 組成グレード薄膜の正確な合成マップを得る。 これは通常、系統的なエラーを起こすのに時間を要する。 任意のソースの組み合わせとスパッタリング条件の合成マップを作成するために,高速かつ校正不要なML駆動方式を提案する。 スパッタチャンバーに設置した水晶結晶マイクロバランスセンサを用いて,多素子複合薄膜の組成分布を予測する手法を開発した。 センサ読み取りは、ガウス過程(GP)を用いた能動的学習を通じて、スパッタリング圧力とマグネトロンパワーの関数として学習される。 最終GPは、チャンバー内の沈着フラックス分布の幾何学モデルと組み合わせられ、各ソースからの沈着速度をサンプルの任意の位置に補間することができる。 ML手順のいくつかの取得機能について検討する。 完全なベイズGP - BALM (Bayesian Active Learning MacKay) - は、単一ソースの堆積速度を10の実験で学習し、最高のパフォーマンスを達成した。 共分散組成分布の予測精度を実験的に検証した。 我々のフレームワークは,広範囲なキャラクタリゼーションやキャリブレーションの必要を回避してスループットを劇的に向上させ,材料探索を加速するML誘導型SDLの可能性を示す。

関連論文リスト

• Automated Materials Discovery Platform Realized: Scanning Probe Microscopy of Combinatorial Libraries [14.028387934700222]
  組合せライブラリは、二分節と三分節をまたいだ物理的性質の進化を探求するための強力なアプローチである。 SPM(Scanning Probe Microscopies)は、定量的、機能的に関連する複合ライブラリーの読み出しに重要な可能性を秘めている。
  論文  参考訳（メタデータ） (2024-12-24T00:39:51Z)
• Particle identification with machine learning from incomplete data in the ALICE experiment [3.046689922445082]
  ALICEは、約100MeV/cから20GeV/cまでの運動量を持つ粒子の複数の検出器を介してPID情報を提供する。 機械学習(ML)メソッドで、はるかに優れたパフォーマンスを実現することができる。 本稿では,MLプロジェクトとALICE分析ソフトウェアの統合について紹介し,ドメイン適応について論じる。
  論文  参考訳（メタデータ） (2024-03-26T07:05:06Z)
• Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
  本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。 提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
  論文  参考訳（メタデータ） (2023-11-30T13:50:21Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• High pressure hydrogen by machine learning and quantum Monte Carlo [0.0]
  我々は、量子モンテカルロの精度を機械学習ポテンシャル(MLP)の効率と電子相関を記述する手法を開発した。 私たちは、非常に効率的な方法で実装されたSOAP(Smooth Overlap Atomic Position)アプローチと組み合わせて、カーネル線形回帰を使用します。
  論文  参考訳（メタデータ） (2021-12-21T11:00:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。