开发新的薄半导体材料需要对大量反射高能电子衍射(RHEED)数据进行定量分析，这既耗时又需要专业知识。为了解决这个问题，东京理科大学的科学家们已经确定了可以帮助自动化RHEED数据分析的机器学习技术。他们的发现可以极大地加速半导体研究，并为更快、更节能的电子设备铺平道路。

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!

不幸的是，尽管RHEED有很多好处，但有时会受到阻碍，因为它的输出模式复杂且难以解释。几乎在所有情况下，都需要高技能的实验者来理解RHEED可以在衍射图案中产生的大量数据。但是，如果我们可以让机器学习在处理RHEED数据时完成大部分工作呢?

由东京科学大学(TUS)客座副教授、日本国立材料科学研究所(NIMS)高级研究员NaokaNagamura博士领导的一组研究人员一直在致力于此。在他们的最新研究中，该研究在线发表在国际期刊《先进材料科学与技术：方法》上，该团队探索了使用机器学习自动分析RHEED数据的可能性。JST-PRESTO和JST-CREST支持的这项工作是TUS和日本NIMS联合研究的结果。它由AsakoYoshinari女士、同样来自TUS的MasatoKotsugi教授和来自NIMS的YumaIwasaki博士共同撰写。

研究人员专注于在干净的单晶硅(用途最广泛的半导体材料之一)的第一个原子层上形成的表面超结构。取决于吸附的铟原子的数量和轻微的温度差异。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。他们专注于最广泛形成的每个上层建筑的铟沉积时间。主成分分析和其他典型的降维方法表现不佳。幸运的是，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。Nagamura博士对这些结果感到兴奋，“我们的努力将有助于自动化需要专家进行耗时的手动分析的工作。我们相信我们的研究有可能改变材料研究的方式，让科学家们有更多的时间在创造性的追求上。”

总体而言，本研究报告的研究结果有望带来新的有效方法，将机器学习技术用于材料科学——材料信息学的中心话题。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。“我们的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。因此，我们希望我们的工作能够加速下一代半导体和高速通信设备的研发，”Nagamura博士总结道。