通过深度学习实现脉冲激光沉积等离子体羽流图像的异常检测和预测

逍遥设计自动化

引言
脉冲激光沉积(PLD)是一种强大的薄膜和纳米材料合成技术。然而，实现可重复的结果和优化生长条件具有挑战性。机器学习的最新进展为从PLD过程中收集的原位诊断数据中提取有价值信息提供了新的机会。本文探讨了如何将深度学习模型应用于等离子体羽流的强化CCD(ICCD)图像，以实现PLD中的异常检测和生长动力学预测[1]。

1 u& T/ }. }9 v: R4 F

wn1gpa3ov2364068663206.png

4 k  r+ B) C/ B" _6 g+ _
7 N5 B( k, t+ w* i- t; v' d
PLD过程和羽流成像
2 }  x! y" L& B& s在PLD中，高功率激光脉冲将材料从靶上烧蚀，产生能量很高的等离子体羽流，该羽流膨胀并沉积到基底上。这个羽流的特性，包括形状、膨胀动力学和光学发射，包含了有关沉积过程的丰富信息。

ICCD相机可以捕捉等离子体羽流演化的时间分辨图像，时间分辨率达到纳秒级。这些图像序列提供了大量关于羽流动力学的数据，可以与沉积条件和薄膜性质相关联。

n1td2alecao64068663306.png

图1：用于ICCD图像序列和生长参数多输出回归的神经网络架构示意图。
1 L: ~- W( R3 X- M% z, Z
( ^+ U$ {- }, k深度学习模型架构
$ D! d- d+ P' F! N2 U% M为了从ICCD羽流图像序列中提取有意义的特征，采用了(2+1)D卷积神经网络(CNN)架构。这种方法将3D卷积分割为单独的2D空间和1D时间卷积，减少了参数数量，同时保持了捕捉时空动态的能力。
8 j+ D7 f& v3 l6 y* f0 k4 M
模型由三个(2+1)D卷积层组成，然后是平均池化。输出随后被展平并通过全连接层。对于结合图像数据和生长参数的多模态输入，单独的分支处理每种输入类型，然后进行拼接。

异常检测
- L: S' C# S9 h4 F; D% x/ B深度学习与羽流图像的一个关键应用是实时检测异常沉积条件。通过训练模型仅从ICCD序列预测腔室压力和激光能量，可以识别与预期值的偏差。
# _+ {- k# U5 q9 t: P8 c
% X9 c, ]. q2 O. X

xoaqlx4jaoz64068663406.png

2 ]( ^( T. Z. s图2：用于从ICCD图像序列预测腔室压力P和激光能量E1和E2的异常检测模型的训练结果。
7 {. ^# Z- |, H! M% e
: A2 b: c: z+ p6 R7 z) q该模型在预测这些参数方面达到了高精度，压力、E1和E2的R2值分别为0.963、0.904和0.895。这表明ICCD图像中编码的羽流动力学与关键沉积条件强相关。
6 K" W2 F( t8 p, Y7 b3 X! Q$ X: ]
" n6 B/ f# B+ O值得注意的是，使用完整的图像序列优于仅在单个图像上训练的模型。这突出了捕捉时间演化和空间信息的价值。

) T+ t/ I9 m! Z3 c* y  h预测生长动力学
除了监测沉积条件外，深度学习模型还可以直接从羽流动力学预测薄膜生长的各个方面。在这项研究中，模型被训练来估计从原位激光反射率测量得出的自催化生长模型的参数(s0、s1和J)。
; q3 L( Q9 ?. y6 h, B/ i

2wskryv1okg64068663507.png

图3：使用不同输入组合的WSe2生长动力学模型的训练结果：(a-d)仅ICCD图像，(e-h)仅生长参数，(i-l)组合输入。
3 y" [$ o3 p4 I, ]9 Q, c( r/ R
6 W0 l9 N8 j1 s7 X; t8 H' z# z比较了三种模型变体：

仅ICCD图像(平均R2 = 0.815)

仅生长参数(P、T、E1、E2)(平均R2 = 0.835)

组合ICCD + 生长参数(平均R2 = 0.847)
[/ol]
令人惊讶的是，仅使用ICCD图像的模型表现几乎与生长参数模型一样好，尽管缺乏基底温度的明确信息。这表明羽流动力学包含与生长动力学相关的重要信息。利用两种输入类型的组合模型实现了最佳性能，展示了整合多个数据源的价值。
9 q7 }; Q+ y6 D5 Y* f9 s2 e1 k
- S5 H6 C0 p8 g6 x; a0 l6 K解释模型特征
/ Y; w7 G3 {9 `可视化学习到的特征图提供了深度学习模型如何从羽流图像中提取相关信息的洞察。

ag0cs3n1fo464068663607.png

) s, w) o7 F1 Q4 g) ]# K图4：(2+1)D CNN模型卷积层的选定特征图激活，突出显示从PLD羽流中学习到的深层特征。

0 @! ~! m, f0 S/ K3 U早期层倾向于学习简单特征，如区分羽流与背景或检测边缘。更深层捕捉更复杂的时空动态，如羽流区域的加速和减速。
' e6 K8 R" _5 D1 z; @$ H) K
# K3 W& @$ c7 I% |这种分析有助于建立信心，模型正在学习物理上有意义的特征，而不是虚假的相关性。
" p% P: P' \( t: ]/ C
应用和未来方向
仅从羽流成像预测生长动力学的能力为加速PLD优化带来了令人兴奋的可能性：

快速预筛选：仅ICCD实验可以在进行完整沉积之前快速探索合成参数空间。

多保真度优化：羽流成像预测可以作为低成本替代，指导更昂贵的生长实验。

实时反馈：将预测集成到闭环控制系统中可以实现生长过程中的自适应优化。

异常检测：监测与预期羽流行为的偏差可以在长时间沉积运行中及早发现问题。
4 i4 j) a6 X+ M5 J[/ol]
虽然这项研究集中在WSe2生长上，但这种方法应该广泛适用于其他材料系统。重新训练不同目标或几何形状的模型相对较快，使其可以作为标准PLD设置程序的一部分。

* K4 ?0 g) i9 z3 N, D1 g5 i未来工作的关键领域包括：

探索低成本CMOS成像作为ICCD的替代方案

将预测整合到贝叶斯优化框架中

扩展到其他原位诊断技术，如RHEED或椭偏仪

研究材料系统之间的迁移学习
. J* f: L/ T; s4 G[/ol]

7 @# N" M- d' J8 O7 r: _& X结论
; i3 V" D1 A/ d, ^- M* K羽流成像的深度学习为PLD从业者提供了强大的新工具。通过从羽流动力学中提取丰富的信息，这些模型实现了异常检测、生长预测和加速优化。随着自主合成平台变得越来越普遍，这种人工智能辅助方法将在推进材料发现和开发方面发挥越来越重要的作用。

参考文献
[1] S. B. Harris, C. M. Rouleau, K. Xiao, and R. K. Vasudevan, "Deep learning with plasma plume image sequences for anomaly detection and prediction of growth kinetics during pulsed laser deposition," npj Computational Materials, vol. 10, no. 1, p. 105, 2024.
. U* n+ |5 \( w- p' m+ b& ~
. v4 Z- [" f: o2 {0 H0 O; x- V8 i- END -
7 C4 ~, j4 b3 x; u9 v: P
软件申请我们欢迎化合物/硅基光电子芯片的研究人员和工程师申请体验免费版PIC Studio软件。无论是研究还是商业应用，PIC Studio都可提升您的工作效能。
点击左下角"阅读原文"马上申请

欢迎转载
9 ^' [+ s8 C( {
' c2 L, c, I& O0 ?$ ~" r# b" N转载请注明出处，请勿修改内容和删除作者信息！
! o1 D- a( g) K1 d

* d' e7 D" @- B6 H7 L
$ v- X: k, {2 t, w- A8 j+ E

hphgxzam5dg64068663707.gif

( O. t) T/ e( `7 b1 A+ @
- t4 ]) }' Z3 z关注我们

' `3 p7 k/ a( d

6 i  M2 P1 M" s lgvjkq5gb3464068663807.png " m6 K, l$ t! G4 C$ V' W

luh2cdgioug64068663907.png 6 U! P" U% `" f- s

% p6 ?0 F& r" _, \$ t uu5ogjye4ki64068664007.png

                     
, X. g3 |; S1 G, k% j5 g
4 l* t/ G0 T; c, }  D3 r

关于我们：
0 _/ T. j( `  Q, |# a深圳逍遥科技有限公司（Latitude Design Automation Inc.）是一家专注于半导体芯片设计自动化（EDA）的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件，提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio，分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务，广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作，推动特色工艺半导体产业链发展，致力于为客户提供前沿技术与服务。
& K% M) b2 F8 x5 X- i
; B/ Y3 ?7 T! k+ x/ z. S" uhttp://www.latitudeda.com/
（点击上方名片关注我们，发现更多精彩内容）