利用机器学习提高助熔剂法生长单晶的成功率

原文已发表在CPL Express Letters栏目

Received 30 April 2019;

online 12 May 2019

Express Letter

文章亮点

利用机器学习分析实验室已有的助熔剂法生长三元单晶的数据，并尝试利用分析结果来预测新单晶的生长成功可能性，找出单晶生长的关键因素。

利用机器学习提高助熔剂法生长单晶的成功率

单晶在凝聚态物理、表面科学、激光和非线性光学等领域中占有举足轻重的地位。量子霍尔效应/分数量子霍尔效应和外尔费米子的发现，都依赖于高质量单晶。此外，扫描隧道显微镜（STM）和角分辨光电子谱（ARPES）等重要实验技术的研究对象只能是单晶。实验室可以利用不同的方法生长单晶，比如助熔剂法、水热法、气相传输法等。其中助熔剂法生长单晶因为适用性强，被广泛使用。只要找到合适的助熔剂，理论上所有存在单晶都可以用这种方法生长。但是因为单晶生长的影响因素较多，而且很可能存在耦合，所以寻找合适的条件难度较大。由于缺少多维相图，多元单晶生长更为困难。因此实验室往往需要耗费大量的时间和材料成本试探单晶材料合适的生长条件。

近年来，机器学习理论发展迅速，被广泛应用于许多领域。机器学习在材料领域的研究中也取得了很好的效果，比如有机材料的合成，材料特性的探究等。机器学习算法通过对历史经验数据的学习，获取数据的特征和联系，得到可以预测新数据的模型。支持向量机（SVM），决策树等传统的机器学习算法在数据规模相对比较小的情形下，也有比较好的效果。

最近，中国科学院物理研究所/北京凝聚态物理国家研究中心极端条件实验室EX07组孙煜杰副研究员指导其学生姚唐适，与合作者中国科学院物理研究所/北京凝聚态物理国家研究中心极端条件实验室EX01组石友国研究员、T03组王磊副研究员以及中国人民大学物理系雷和畅副教授等，利用机器学习分析实验室已有的助熔剂法生长三元单晶数据，并尝试利用分析结果来预测新单晶的生长成功可能性，找出单晶生长的关键因素。

他们仅仅通过分析有限的几百组单晶生长数据，使用支持向量机（SVM）等的模型来训练并判断单晶生长的条件，使得对给定条件的新型单晶生长是否成功的预测准确率达到了81%，与实验室准确率36%相比有了显著地提高（如图1）。利用决策树模型的可视化特性，他们还通过统计决策树在训练过程中学习到的重要特征（如图2），指出了影响单晶生长的一些关键和无关紧要的特征。另外，可视化决策树（如图3）可以帮助指出助溶剂法生长单晶的一些基本原则。结果表明，模型能够相当程度上帮助单晶生长。在拥有更大数据量的情况下，机器学习将发挥更大的潜力。

图1 利用机器学习帮助单晶生长流程图和SVM准确率。

图2 决策树模型的特征重要性。(a) Group-I组的特征重要性，(b) Group-II组的特征重要性。

图3 决策树可视化示意图。

Growing better single crystals

with the help of machine learning

The approach could be an inexpensive and rapid alternative to growing crystals in the laboratory.

研究快讯推荐

点此浏览所有Express Letters

CPL Express Letters栏目简介

为了保证重要研究成果的首发权和显示度，CPL于2012年6月开设了Express Letters栏目。此栏目目前已发表国内外著名物理学家的优秀论文52篇，平均发表周期小于一周。如果将该栏目作为独立出版物，2016年的影响因子为10.57，已经在国内物理学界建立起良好口碑与声望，来稿数量不断增加。

CPL高被引论文数量统计