Npj Comput. Mater. : 样品“因材施长”的物理气相沉积自驱实验室

主要观点总结

文章介绍了海归学者搭建的公益学术平台，该平台为薄膜材料生长领域提供了一种自驱物理气相沉积（PVD）系统。该系统结合了超高真空生长腔体、自动装载系统、原位多波长光谱表征和基于高斯过程回归的机器学习模型，实现了薄膜生长过程的自动化。核心难点在于处理基片隐含变量对薄膜性质的影响，通过引入校准层和主动学习设计解决了预测精度问题。系统能够在实验过程中自适应决策，实现了‘自驱’能力。未来，此思路可拓展至其他材料体系并与其他原位探测手段结合，使‘自驱薄膜生长’成为通用平台。

关键观点总结

关键观点1: 自驱物理气相沉积（PVD）系统的搭建和应用

海归学者郑元隆等人搭建了一套完整的自驱PVD平台，结合了硬件自动化、原位光谱表征和贝叶斯机器学习，实现了薄膜生长过程的自动化决策。

关键观点2: 处理基片隐含变量对薄膜性质的影响

通过引入校准层和主动学习设计，解决了基片隐含变量导致的薄膜性质漂移问题，提高了机器学习模型的预测精度。

关键观点3: 系统的自适应决策能力

系统能够在实验过程中根据目标光学指标自动搜索最佳生长参数，实现了‘自驱’能力。

关键观点4: 未来展望

将类似思路拓展到其他金属、氧化物及多层结构，结合多种原位探测手段，有望使‘自驱薄膜生长’成为通用平台。