RHEED-AI：深度学习驱动的分子束外延生长模式实时识别系统

在半导体和纳米材料制备领域，分子束外延（MBE）是原子尺度精确控制薄膜生长的关键技术，但实时判断生长模式一直是核心难题。RHEED-AI项目将EfficientNet深度学习架构引入反射高能电子衍射（RHEED）图像分析，实现五种外延生长模式的自动分类与实时监控，为半导体材料生长提供AI驱动的质量保障。

反射高能电子衍射（RHEED）是MBE系统的实时表征工具，衍射图案反映表面原子排列周期性。不同生长模式对应不同衍射特征：

• 层状生长模式（2D）：清晰劳厄条纹（streaky）
• 岛状生长模式（3D）：倒易格点斑点（spotty）
• 层岛混合模式：调制条纹（modulated_streaks）
• 非晶/多晶表面：弥散背景（diffuse）
• 异常斑点：非规则位置斑点（anomalous_spots）

传统依赖经验肉眼识别，耗时费力且易主观误差。

系统架构

采用迁移学习，以EfficientNetB0为骨干网络：

• 输入层：224×224×3 RGB图像（逆归一化适应预训练权重）
• 特征提取器：冻结的EfficientNetB0（约400万参数）
• 全局平均池化+批归一化
• 分类头：2个全连接层（256/128单元，ReLU激活）+Dropout（0.4/0.3），输出5类Softmax分布

两阶段训练

1. 分类头训练（1-20轮）：冻结骨干，仅训练全连接层，学习率1×10⁻⁴+早停
2. 微调优化（21-50轮）：解冻骨干最后30层，学习率1×10⁻⁵+学习率衰减

总参数量约440万，可训练参数36万。

在60张合成验证图像（15%数据集）上的表现：

• 整体准确率：95%
• 宏平均F1分数：0.95
• Top-2准确率：100%

diffuse、modulated_streaks、streaky三类F1=1.00；仅anomalous_spots与spotty存在混淆（物理上差异微妙）。评估基于物理启发的合成数据生成器，下一步将验证真实实验室图像。

实时监测功能

• 提取镜面束强度曲线I(t)，分析振荡频率计算沉积速率
• 提供PyQt GUI，支持训练/实时推理/完整模式，可从视频或摄像头输入

技术实现

• 开发语言：Python 3.10/3.11
• 框架：TensorFlow 2.x（Windows用户建议WSL2或directml插件）
• 数据组织：真实数据按类别存放，无真实数据时自动生成合成样本

引用圣母大学、特拉华大学等开源数据集与研究成果。

应用价值

• 实时监控生长质量，及时发现偏差
• 降低经验依赖，缩短培训周期
• 积累结构化数据支持工艺优化

未来计划

• 真实实验数据验证
• 完善振荡频率分析算法
• 支持ONNX格式导出
• 增强相机几何参数变异的合成数据

RHEED-AI展示了深度学习在精密材料制备领域的潜力，将专家经验转化为可量化、自动化的智能分析流程，为AI for Science跨学科研究提供范例。随着功能完善，有望成为下一代材料实验室标准配置。