NTT开发可解释自主成膜技术 溅射法首次制成β-Ga2O3单晶薄膜

NTT于8月25日宣布，其研究团队利用人工智能（AI）与机器人技术，开发并验证了“可解释的自主成膜”（Interpretable Autonomous Deposition）方法。该方法不仅能自主优化薄膜生长条件，还能从实验数据中提炼出研究人员可以理解、并迁移到其他材料和设备上的成膜规则。团队将这一方法应用于β型氧化镓（β-Ga2O3）的薄膜制备，实现了溅射法（Sputtering）世界首次单晶薄膜的成功制作。相关论文已于2026年8月13日发表在学术期刊《自然·通讯》（Nature Communications）上。

主要成果速览

• NTT验证“可解释的自主成膜”技术
• 成膜与评估周期缩短至约1/3（提速约3倍），成功制备β-Ga2O3单晶薄膜
• 从AI优化数据中提取出研究人员可理解、可迁移的成膜规则

从成膜到条件决策的全流程自动化

半导体薄膜质量受基板温度、输入功率、气体流量等多种参数影响，且参数之间相互耦合，依靠人工反复实验寻找最优条件耗时费力。为此，NTT团队将自动溅射成膜、自动光学评估与贝叶斯优化（Bayesian Optimization）相结合，建立起一套自主成膜平台。在溅射设备内，晶圆被自动传送，AI依次设定温度、溅射功率、氩气（Ar）流量和氧气（O2）流量并完成成膜；随后系统根据光学测量数据自动评估薄膜质量，并将结果反馈给预测模型，从而决定下一步成膜条件。这一“成膜—评估—决策”闭环使成膜与评估周期较传统人工实验提速约3倍（即缩短至约1/3）。

为何选择β-Ga2O3

β-Ga2O3是一种带隙约5eV的超宽禁带半导体，在高耐压、低损耗功率器件领域具有广阔应用前景。然而，适合大面积、低成本制造的溅射法此前难以在其上生长出高质量单晶薄膜。在本次实验中，研究团队先在蓝宝石（Sapphire）晶圆上，对温度、溅射功率、Ar流量、O2流量这四个条件进行自主搜索，并以Urbach能量（Urbach energy）作为薄膜质量指标——该参数与薄膜中的缺陷及原子排列无序程度相关，目标是将它降至最低。

56次自主搜索的结果

通过56次自主搜索，团队找到了Urbach能量为182meV的成膜条件，并确认薄膜中不含异相结晶，仅由目标β-Ga2O3晶体构成，实现了异质外延生长（Heteroepitaxial Growth）。随后，他们将蓝宝石晶圆上获得的条件迁移到β-Ga2O3基板上进行成膜，最终获得了高质量的β-Ga2O3单晶薄膜。这是溅射法首次实现该材料的单晶薄膜制备。

从黑箱优化到可解释的规则

传统自主实验中，AI即使能发现最优条件，也常常因“黑箱”特性使研究人员无法理解其生效机理，难以将结果迁移到其他材料或设备。NTT团队在此次实验中使用随机森林（Random Forest）机器学习方法，对自主搜索得到的成膜条件和对应薄膜质量数据进行分析，考察各参数的贡献及参数间交互作用。结果显示，薄膜质量的变化大部分可由温度、溅射功率、Ar流量、O2流量各自独立影响的线性叠加来解释，但温度与O2流量的组合存在显著交互作用，需要重点调节。据此，团队提炼出“依次调节各参数，最后重点调节温度和O2流量”的成膜规则。研究人员依据这条规则对条件进行重新优化，成功将Urbach能量从182meV降至163meV。这表明所提取的规则不仅能解释AI的决策，还能实际提升薄膜质量。

展望：从条件探索走向科学知识生成

NTT表示，这一成果的意义在于将自主实验从单纯的最优条件搜索，拓展为可生成科学知识的工具。通过结合机器人高通量实验与机器学习的条件提议、数据分析能力，研究团队不仅能够高效探索复杂的成膜条件，还能将过程中获得的经验整理成研究人员可复用的成膜规则。下一步，NTT计划推进多评估指标并行优化，并开发融合材料物性和成膜过程知识的AI模型，将应用范围从半导体材料扩展至氧化物材料、量子材料等领域，以加速材料与器件研究的自动化和高效化。