Nanostrukturerade skikt har otaliga potentiella egenskaper - men hur kan den mest lämpliga identifieras utan några långvariga experiment? Ett team från Material Discovery Department vid Ruhr-Universität Bochum (RUB) har vågat sig på en genväg:genom att använda en maskininlärningsalgoritm, forskarna kunde på ett tillförlitligt sätt förutsäga egenskaperna hos ett sådant lager. Deras rapport publicerades i den nya tidskriften Kommunikationsmaterial från 26 mars 2020.

Porös eller tät, kolonner eller fibrer

Under tillverkningen av tunna filmer, många kontrollvariabler bestämmer ytans tillstånd och, följaktligen, dess egenskaper. Relevanta faktorer inkluderar skiktets sammansättning samt processförhållanden under dess bildande, såsom temperatur. Alla dessa element tillsammans resulterar i skapandet av antingen ett poröst eller ett tätt lager under beläggningsprocessen, med atomer som kombineras för att bilda kolonner eller fibrer. "För att hitta de optimala parametrarna för en applikation, förr var det nödvändigt att utföra otaliga experiment under olika förhållanden och med olika sammansättning; detta är en otroligt komplex process, " förklarar professor Alfred Ludwig, Chef för Material Discovery and Interfaces Team.

Fynden från sådana experiment är så kallade strukturzondiagram, från vilken ytan av en viss komposition som är ett resultat av vissa processparametrar kan avläsas. "Erfarna forskare kan sedan använda ett sådant diagram för att identifiera den mest lämpliga platsen för en applikation och härleda de parametrar som krävs för att producera det lämpliga lagret, " påpekar Ludwig. "Hela processen kräver en enorm ansträngning och är mycket tidskrävande."

Algoritmen förutsäger ytan

Strävar efter att hitta en genväg mot det optimala materialet, laget utnyttjade artificiell intelligens, mer exakt maskininlärning. För detta ändamål, Ph.D. forskare Lars Banko, tillsammans med kollegor från Interdisciplinary Center for Advanced Materials Simulation vid RUB, Icams för kort, modifierade en så kallad generativ modell. Han tränade sedan denna algoritm för att generera bilder av ytan av ett grundligt undersökt modelllager av aluminium, krom och kväve med användning av specifika processparametrar, för att förutsäga hur lagret skulle se ut under respektive förhållanden.

"Vi matade algoritmen med en tillräcklig mängd experimentell data för att träna den, men inte med alla kända data, " betonar Lars Banko. Alltså, forskarna kunde jämföra resultaten av beräkningarna med experimentens och analysera hur tillförlitlig dess förutsägelse var. Resultaten var avgörande:"Vi kombinerade fem parametrar och kunde titta i fem riktningar samtidigt med hjälp av algoritmen - utan att behöva utföra några experiment alls, ", beskriver Alfred Ludwig. "Vi har alltså visat att maskininlärningsmetoder kan överföras till materialforskning och kan hjälpa till att utveckla nytt material för specifika ändamål."