📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

Пекарь, который никогда не пробует тесто, а только смотрит на цвет корочки, вряд ли испечёт идеальный хлеб. В науке о материалах долго было похоже: автоматизированные установки умели перебирать сотни вариантов, но не понимали, почему один рецепт лучше другого. Теперь инженеры создали систему, которая не просто ищет, а формулирует правила — как опытный технолог, который может объяснить ученику каждый шаг.

Объектом стала плёнка из оксида галлия — материала для силовой электроники, способного работать при высоких напряжениях. Проблема в том, что при напылении в нём возникают дефекты, которые портят свойства. Чтобы оценить чистоту, авторы использовали энергию Урбаха: чем она меньше, тем меньше беспорядка в структуре. Робот-напылитель менял четыре параметра — температуру подложки, мощность плазмы и два потока газа, — а оптический датчик тут же измерял качество. За несколько десятков итераций система нашла режим с энергией Урбаха 182 мэВ — это рекордно низкое значение для таких плёнок.

Но главное не рекорд, а то, что система смогла объяснить свои находки. Специальный алгоритм разобрал, как каждый параметр влияет на результат. Оказалось, что температура подложки — главный рычаг: она сильнее всего меняет качество. Мощность и потоки газов действуют почти независимо, а вот температура и кислород немного «спорят» — их совместное влияние определяет узкое окно, где рождается идеальная плёнка. Эти правила удалось перенести на другой тип подложки без дополнительной настройки, и там тоже вырос монокристалл.

Так лаборатория из чёрного ящика превращается в наставника: она не только выдаёт готовый рецепт, но и учит человека, какие ингредиенты важны и как они взаимодействуют. Пекарь наконец-то пробует тесто.

Оригинальная аннотация

как её написали авторы, на английском arXiv:2602.22531

Self-driving laboratories have emerged as powerful tools for navigating high-dimensional process spaces, yet systems remain black-box optimizers that yield limited transferable process understanding. Here, we demonstrate an interpretable self-driving laboratory framework that transforms autonomous optimization into human-usable growth rules. As a stringent benchmark, we apply this framework to RF magnetron sputtering, addressing a long-standing challenge of achieving high-quality beta-Ga2O3 heteroepitaxy and single-crystalline beta-Ga2O3 homoepitaxy via sputtering. By combining Bayesian optimization with automated optical evaluation of the Urbach energy as a metric of sub-bandgap disorder, the self-driving system efficiently identifies heteroepitaxial growth conditions yielding a minimum Urbach energy of 182 meV, the lowest value for sputtered beta-Ga2O3 films. Importantly, the optimized growth window is transferable, realizing single-crystalline beta-Ga2O3 homoepitaxy without further optimization, corroborated by scanning transmission electron microscopy. To convert the closed-loop dataset into interpretable growth rules, we train a random forest surrogate and distill it into response curves and quantified pairwise interactions across the four-dimensional growth-parameter space. This analysis identifies substrate temperature as the primary control knob, with RF power and gas flows acting largely additively and only a modest temperature-oxygen coupling delineating the narrow window for high-quality growth, establishing a general route from autonomous experimentation to transferable growth rules.