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膜的结构分析。反射高能电子衍射(RHEED)是一种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获结构变化!

不幸的是，尽管有这么多好处，但RHEED有时会因为其输出模式复杂且难以解释而受到阻碍。在几乎所有的情况下，都需要一个高技能的实验人员来理解RHEED以衍射图样的形式产生的大量数据。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Naoka Nagamura博士领导的研究小组一直在研究这一问题。他们的最新研究于2022年6月9日在线发表在《国际期刊》上先进材料科学与技术:方法，该团队探索了使用机器学习自动分析RHEED数据的可能性。这项工作由美国科学院和日本科学院联合研究，得到了JST-PRESTO和JST-CREST的支持。该报告由Yoshinari Asako女士、同样来自美国的Masato Kotsugi教授和niims的Yuma Iwasaki博士共同撰写。

研究人员专注于在干净的单晶硅(最通用的半导体材料之一)的第一原子层上形成的表面超结构。根据所吸附的铟原子的数量和温度的细微差别。表面超结构是晶体表面特有的原子排列，根据周围环境的差异，原子稳定在不同的周期模式下，而不是晶体内部的原子。由于表面上层结构经常表现出独特的物理性质，因此它们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分层聚类方法，旨在根据不同的相似性度量将样本分为不同的聚类。这种方法用于检测存在多少不同的表面上层结构。在尝试了不同的技术之后，研究人员发现Ward的方法可以最好地跟踪表面上层结构的实际相变。

然后，科学家们试图确定合成每种已确定的表面上层结构的最佳工艺条件。他们关注的是每个上层建筑最广泛形成的铟沉积时间。主成分分析等典型降维方法的降维效果不佳。幸运的是，非负矩阵分解是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，他说:“我们的努力将有助于自动化通常需要耗时的专家手动分析的工作。我们相信我们的研究有可能改变材料研究的方式，让科学家们把更多的时间花在创造性的追求上。”

总的来说，本研究中报告的发现有望导致将机器学习技术用于材料科学的新的有效方法-材料信息学领域的中心主题。反过来，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。“我们的方法不仅可以用于分析生长在薄膜硅单晶表面上的超结构，还可以用于分析金属晶体表面、蓝宝石、碳化硅、氮化镓和其他各种重要衬底上的超结构。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究和开发，”Nagamura博士总结道。