本文研究基于机器学习和反射高能电子衍射技术，建立了一个在原位快速优化气相外延生长量子点的方法，可以显著加快表面形态优化过程并提高 MBE 生长的可再现性。

Jun, 2023

我们引入了一种贝叶斯优化方法来指导钼薄膜的溅射沉积，旨在实现所需的残余应力和片电阻，同时最小化沉积过程中的随机波动的影响。

May, 2024

利用高度自动化的溅射反应器、光电发射光谱和贝叶斯优化算法，模拟薄膜成分并最小化发射信号的测量误差，将多种元素的准确控制引入溅射沉积过程，实现了制备具有特定组成、误差小的薄膜的自主化实验方法。

May, 2023

摘要：本研究使用了 imec N14 BEOL 工艺流程以及 LELE 图案技术，在半导体设备制造中分析和控制叠加误差，研究其对电容的影响，并探索在早期阶段使用机器学习模型预测最终电容测量结果的方法。

Nov, 2023

利用数字孪生框架在实时预测控制激光直接能量熔化 (DED) 过程参数以满足特定设计目标，通过 LSTM 机器学习建立代理模型预测 DED 零件的温度，在此基础上引入贝叶斯优化 (Bayesian Optimization) 进行时间序列过程优化 (Time Series Process Optimization)，确定理想的激光功率轮廓以达到所需的力学性能。

Feb, 2024

通过结合监督式机器学习和基于物理的神经网络，本研究使用先进的方法预测了加性摩擦搅拌沉积（AFSD）过程中的峰值温度分布，为优化材料微结构提供了全面的见解。

Sep, 2023

我们引入了一种机器学习方法来确定在扫描透射电子显微镜（STEM）的电子束刺激下，硅原子在单层碳原子上的过渡动力学。我们的方法是以数据为中心的，利用在 STEM 上收集的数据。处理和过滤数据样本以生成符号表示，然后使用神经网络来预测过渡概率。这些学习到的过渡动力学然后被用来引导单个硅原子在晶格上移动到预先确定的目标位置。我们提供经验证明我们方法的高效性和普适性的经验分析。

Nov, 2023

利用数据驱动方法、推理技术和机器学习增强模型的建模，针对阴极电泳沉积（EPD）进行建模，并通过实验数据的推理和可调整的模型增强方法来改进物理模型的系统性。

Jan, 2024

本研究通过提出一种动力学机器学习辅助流程的数据驱动方法，优化了生产参数的逆向设计，从而实现了可用于能量或功率应用的电极的制造。

Jul, 2023

本研究介绍了一种综合方法，利用数据驱动方法来阐明化学气相沉积（CVD）反应器中的沉积过程机制，并揭示了各个机制之间相互作用。该研究通过实验证明，采用流场分布（CFD）模型衍生的过程结果可以识别出对应于不同过程机制的 “结果” 簇，其中输入变量的相对影响发生显著转变。此外，通过多项式混沌展开（PCE）方法构建了一个高效的代理模型，该模型具有高准确性，方便了计算分析。最后，通过 Sobol' 指数实现了敏感性分析，量化了在已识别过程中的过程输入的影响。这项研究的揭示为后过渡区域发生的现象提供了假设，并强调了温度在扩散受限区域的重要性，即阿伦尼乌斯图表证明了在高温下激发了气相反应。我们提出的方法不仅具有与实验观察和理论原则相一致的洞察力，还有助于决策过程设计和优化。借助避免了昂贵费时的实验，我们的方法为提高过程效率提供了实用途径。此外，这项研究强调了基于数据驱动的计算方法在创新反应器设计范例方面的潜力。

May, 2024