Anomaliedetektion
In PLD können mehrere normalerweise nicht überwachte Faktoren die Reproduzierbarkeit zwischen den Abscheidungen beeinflussen. Ein weit verbreitetes Problem in PLD ist, dass sich im Laufe der Zeit Material auf dem Laserfenster der Kammer ablagert, was die Laserenergie abschwächt und die Plume-Dynamik verändert. Ein weiterer häufiger unbekannter Faktor ist der aktuelle Zustand des PLD-Ziels, bei dem Änderungen während der Ablation oder zwischen ähnlichen Zielen eine Variation in der Plume-Dynamik und Filmstöchiometrie verursachen können. Da all diese Effekte Änderungen in der Plume-Dynamik verursachen, können Deep Learning-Verfahren verwendet werden, um die wesentlichen Merkmale der Plume-Dynamik unter verschiedenen P- und E-Bedingungen für eine einzelne experimentelle Kampagne zu kodieren und für Feedback in zukünftigen Experimenten zu verwenden.
Zur Anomaliedetektion verwenden wir nur die ICCD-Bildsequenz und trainieren das Modell darauf, P, E1 und E2 vorherzusagen. Die Plume-Dynamik innerhalb der 2-150 μs Verzögerungszeit zeigte keine Korrelation mit der Substrattemperatur T. Das Modell wurde für 2000 Epochen trainiert und ein Checkpoint wurde bei der Epochen mit dem höchsten mittleren r2 genommen. Die Druckvorhersage hat die höchste Leistung mit r2=0,963 auf dem Validierungsset, während E1 und E2 r2-Werte von 0,904 bzw. 0,895 haben. Diese Ergebnisse zeigen, dass Deep Learning mit ICCD-Bildsequenzen effektiv zur Vorhersage von PLD-Verarbeitungsparametern für die Anomaliedetektion verwendet werden kann und dass die Einbeziehung sowohl der räumlichen als auch zeitlichen Komponenten der Plume-Dynamik in Deep Learning die Genauigkeit des Modells erheblich erhöht.
Wachstumskinetikvorhersage
Die Vorhersage von Film-Eigenschaften oder Wachstumskinetik aus Plume-Diagnostik ist attraktiv, da sie eine teilweise Exploration des PLD-Parameterraums mit geringeren Zeit- und Materialkosten ermöglicht und die Entdeckungs- oder Optimierungsrate von Materialien beschleunigt. Die verschiedenen Spezies innerhalb einer mehrfachelementigen PLD-Plume (z.B. WSe2) nehmen unterschiedliche Winkelverteilungen an, die die Filmstöchiometrie und somit die Filmeigenschaften beeinflussen können. Die Plume besteht je nach Lasereinstellungen und Druckbedingungen aus einer Mischung von atomaren und molekularen Spezies, Nanopartikeln und großen Partikeln. Diese “Komponenten” beeinflussen die Plume-Ausdehnungsdynamik und die optische Emission, die von ICCD-Bildgebung erfasst werden können. Im Kontext der autonomen Synthese mit PLD könnten ICCD-Bildsequenzen zusätzliche Informationen für die ML-Modelle liefern, die die Sequenz von Experimenten bestimmen.