Гибридная нейросеть PCINN ускоряет моделирование SALD в 50 000 раз и оценивает кинетику
Исследователи представили гибридную нейросеть PCINN для моделирования пространственного атомно-слоевого осаждения (SALD). Метод сочетает машинное обучение с известными уравнениями поверхностной кинетики и позволяет получать прогноз покрытия за миллисекунды.
SALD — один из перспективных промышленных методов нанесения тонких пленок при атмосферном давлении. Однако проектирование и контроль процесса упираются в сложность моделирования: высокоточные CFD-расчеты занимают слишком много времени, а аналитические модели не учитывают влияние газовой завесы и других транспортных эффектов.
PCINN решает эту проблему, используя гибридный подход. Малая нейросеть обучается только на связи рабочих параметров с концентрацией у стенки, тогда как сама поверхностная кинетика встроена в виде отдельного обучаемого химического слоя. Это делает модель не "черным ящиком", а интерпретируемой системой.
По данным статьи, на запрос уходит около 7 миллисекунд — примерно в 50 тысяч раз быстрее, чем CFD-решение. Тестовый R?log составил 0,998, а при проверке с исключением одного образца R?raw — 0,974. При этом модель обучалась всего на 30 примерах, охватывающих четыре порядка величины покрытия.
Авторы также провели анализ идентифицируемости параметров с использованием информации Фишера и профильного правдоподобия. Энергия адсорбции E_ads и скорость десорбции k_des надежно определяются, а k_ads по отдельности не идентифицируется при одной температуре — доступно только произведение k_ads и концентрации у стенки.
Дополнительно исследователи описали вырожденную долину для предэкспоненты ? и E_ads при четырех температурах с наклоном 0,065 эВ/декаду. Это значение совпадает с аналитической оценкой k_B T_eff ln(10) и может служить диагностикой надежности: отклонение наклона указывает на неучтенную гетерогенность поверхности.
Данные для проверки получены моделированием с известной истиной, восстановленной той же кинетической формой. Поэтому работа подтверждает самосогласованность конвейера и границы идентифицируемости, а не реальные параметры конкретного процесса.
