NIMSと東京大学の研究グループは、材料開発に欠かせない薄膜作製プロセスに機械学習を応用することで、高品位な試料を作製する最適条件の探索を高速化する技術を開発しました。試料作製の回数を数分の1から10分の1程度と大幅に低減でき、様々な材料の開発コストを削減できる汎用技術としての活用が期待されます。

厚さがナノメートルスケールの薄膜試料の作製は、目的や用途、材料の種類を問わず、基礎から産業応用まで幅広い研究開発の現場で利用されています。その作製には、高品位な試料の高い再現性が求められる一方、薄膜作製には温度や原料の供給速度など多数のパラメーターが影響するため、再現性の高い最適な組み合わせを見出すには、時に数百回という試行が必要となります。そこで、少ない試行回数で最適な条件を見出す手法が求められていました。

本研究グループは、機械学習を組み合わせることで、少ない作製回数で薄膜作製パラメーターを最適化する技術を開発しました。異なるパラメーターで作製した数回分の薄膜試料の評価結果を初期の学習データとして用い、次回以降の薄膜作製パラメーターを機械学習で推定します。この条件で作製した薄膜試料の結果を、機械学習の推定のためのデータに加えることを繰り返すことで、条件の最適化が少ない試行回数で可能になります。実際に、結晶性によって超伝導転移温度などの性質が変化する窒化チタン薄膜の作製にこの手法を用いた結果、6回の初期実験を含む、11回の薄膜作製実験で、最高レベルの超伝導転移温度を実現する最適な薄膜作製パラメーターの組み合わせの決定に成功しました。

今回開発した技術は、外部データベースが必要ないため導入コストも抑えることが可能です。今後、基礎研究から生産工程まで様々な場面で、労力と時間を低減する汎用的な技術としての活用が期待されます。

本研究は、国立研究開発法人 物質・材料研究機構 国際ナノアーキテクトニクス研究拠点の大久保 勇男 主任研究員、相澤 俊 主席研究員、森 孝雄 グループリーダー、同 情報統合型物質・材料研究拠点の侯 柱锋 博士 (現 中国科学院) 、知京 豊裕 特命研究員、 東京大学 大学院 新領域創成科学研究科の津田 宏治 教授 (NIMS 情報統合型物質・材料研究拠点兼任) 、同 物性研究所 Mikk Lippmaa 教授、Jiyeon N. Lee博士らの研究グループによって行われました。また本研究は、科学技術振興機構(JST) 戦略的創造研究推進事業 さきがけ 研究領域「理論・実験・計算科学とデータ科学が連携・融合した先進的マテリアルズインフォマティクスのための基盤技術の構築」 (研究総括 : 常行 真司) 研究課題「第一原理計算・インフォマティクス主導型新物質開拓 (研究者 : 大久保 勇男) 」 (No. JPMJPR15N1) 、科学技術振興機構 イノベーションハブ構築支援事業「情報統合型物質・材料開発イニシアティブ」、JST未来社会創造事業 探索加速型「共通基盤」領域研究開発課題「Materials Foundryのための材料開発システム構築とデータライブラリ作成 (研究開発代表者 : 知京 豊裕) 」(No. JPMJMI18G5)、JST未来社会創造事業 研究課題「磁性を活用した革新的熱電材料・デバイスの開発 (研究開発代表者 : 森 孝雄) 」(No. JPMJMI19A1)等の一環として行われました。

本研究成果は、Materials Today Physics誌にて2020年9月28日にオンラインで先行掲載され、2021年1月に正式掲載される予定です。