2024-09-16 16:49:31 英文原文
本文已根据 Science X 的编辑流程和政策进行审阅。编辑在确保内容可信度的同时强调了以下属性：
事实核查
同行评审的出版物
可信来源
校对
在《npj 计算材料》杂志上发表的一篇文章中，橡树岭国家实验室的科学家们开发了一种深度学习模型——一种模仿人脑功能的人工智能，可以分析高- 在脉冲激光沉积 (PLD) 过程中拍摄等离子体羽流的速度视频。
PLD 技术使用强大的激光脉冲来蒸发目标材料，产生云状的原子和粒子流（等离子体羽流），然后沉积在目标表面上形成超薄膜。这种方法对于创造电子和能源技术中使用的先进材料至关重要。
“我们教人工智能做专家科学家一直做的事情，直观地评估等离子体羽流，以检查颜色、形状、大小和该研究的主要作者、橡树岭国家实验室的萨姆纳·哈里斯 (Sumner Harris) 表示：“亮度看起来与上次制作良好样本时的亮度相同。”“这不仅实现了质量控制的自动化，而且还揭示了对这些微观粒子在成膜过程中如何表现的意想不到的见解。”
这项创新建立在 ORNL 之前开发的自主 PLD 系统的基础上，该系统将材料的发现速度加快了十倍，有望转变材料合成监控并进一步简化下一代材料的创建。
更多信息：Sumner B. Harris 等人，利用等离子体羽流图像序列进行深度学习，用于脉冲激光期间的异常检测和生长动力学预测沉积，npj 计算材料（2024）。DOI：10.1038/s41524-024-01275-w
期刊信息：npj Computational Materials
由橡树岭国家实验室提供