稀土钡铜氧(REBCO)高温超导材料具有高临界转变温度、高临界磁场和高临界电流密度等优异特性,是核聚变装置、高场超导磁体及先进电力装备等领域的关键材料。脉冲激光沉积(PLD)技术是制备高性能REBCO超导薄膜及涂层导体的重要技术路线之一。REBCO薄膜的外延生长过程涉及沉积温度、氧分压、激光能量及靶基距离等多个工艺参数,各参数之间存在复杂的非线性耦合关系,导致超导性能优化高度依赖经验积累和反复实验。传统试错式工艺优化方法面临实验成本高、参数搜索效率低等问题,而现有机器学习方法通常依赖大规模训练数据,且模型可解释性不足,限制了其在小样本、高成本超导材料实验中的应用。
针对上述问题,电工研究所马衍伟研究团队提出了一种面向小样本实验数据的可解释性机器学习方法,开发了融合倾斜分裂与区间分裂策略的新型决策树算法。该方法突破了传统决策树依赖单一特征轴平行分裂和单阈值点分裂的局限,通过引入多维工艺参数的线性组合及区间化决策机制,使模型能够更加有效地识别工艺参数之间的耦合关系和高性能生长窗口。与传统决策树算法相比,优化后的模型在小样本条件下表现出更高的预测精度和更高效的寻优收敛能力,同时保留了决策树模型规则透明、结果可解释的优势,为复杂超导薄膜生长过程的智能优化提供了新的技术路径。
基于训练得到的模型,研究团队进一步开展了高性能超导薄膜生长参数的反向寻优与实验验证,成功预测了有利于提升超导性能的工艺参数组合。实验结果表明,在模型指导下制备超导薄膜的性能,优于未经模型指导制备的样品,验证了该方法在高性能超导材料生长优化中的有效性。这一研究实现了从有限实验数据中提取工艺规律、预测优化参数到指导高性能样品制备的完整流程,推动超导薄膜工艺优化由传统经验驱动向数据驱动与机理认知相结合的模式转变。作为人工智能赋能高温超导材料制备的早期探索性研究之一,该工作不仅为REBCO超导薄膜生长工艺的智能优化提供了可验证的方法框架,也为进一步发展面向高性能超导带材的自主优化、数据驱动工艺设计及智能制造技术奠定了基础。
相关研究成果以“Interpretable decision tree-assisted optimization of PLD growth of EuBa2Cu3O7-δ films”为题,发表于《亚洲材料》(NPG Asia Materials)。该研究工作得到国家自然科学基金、北京市科委项目及中国科学院电工研究所科技创新基金等项目的支持。

新型机器学习算法辅助高性能REBCO高温超导薄膜制备
