美国太平洋西北国家实验室(PNNL)的研究团队在材料科学自动化领域取得重要进展。该团队成功开发出一套基于机器学习的智能监测系统，能够实时优化薄膜生长工艺，这项突破性技术有望显著提升半导体、光伏电池和量子计算等领域的材料制备效率。

薄膜材料作为现代科技的基础组件，其制备过程需要精确控制原子级沉积。传统工艺依赖研究人员人工监测数据变化，不仅耗时耗力，且难以及时发现问题。PNNL团队研发的RHAAPsody系统采用先进的机器学习算法，通过每秒分析一次电子束衍射图像，能够比人工监测提前约60秒发现工艺异常。

研究团队选择二氧化钛作为模型材料进行验证实验。项目首席科学家Tiffany Kaspar博士解释道："二氧化钛兼具简单性和复杂性，是验证我们系统的理想材料。在薄膜生长过程中，每一秒都至关重要。传统方法发现问题时往往为时已晚，而我们的系统能实现更及时的干预。"

该系统的工作原理是将复杂的仪器测量数据转化为机器学习算法可处理的格式，通过持续比对数据流，准确识别工艺参数的变化点。机器学习开发负责人Sarah Akers表示："处理薄膜生长数据极具挑战性。我们惊讶地发现相关领域可供训练的数据集十分有限，因此决定公开我们的研究数据，以促进更多创新。"

这项发表在《真空科学与技术A期刊》上的研究成果，是开发全自主薄膜生长系统的重要里程碑。研究团队已着手开发下一阶段技术，计划整合预测控制算法，实现生长条件的自动调节。Kaspar博士展望道："将自动化仪器与AI预测相结合，我们可能开发出目前尚无法制备的新型功能材料。"

该技术的应用前景广阔。在半导体行业，更精确的薄膜控制可以提升芯片性能;在新能源领域，能优化太阳能电池的光电转换效率;在量子计算方面，有助于制备更稳定的超导薄膜。PNNL材料科学部主任表示，这项突破将加速材料研发从实验室到产业化的转化进程。

更多信息： Tiffany C. Kaspar 等人，基于机器学习的分子束外延薄膜沉积过程中 RHEED 图案的动态分析，《真空科学与技术杂志 A》(2025 年)。