NTT公开了一套让AI与机器人自行寻找薄膜制备条件的实验平台的验证结果。平台以被视为下一代功率半导体材料的β型氧化镓为对象，把成膜、评价与下一组条件的决定串成闭环，中间不需要人来判断，实验周期比以往快了约3倍。更值得注意的是，它没有止步于找到最优条件，还提取出了人能读懂、并可迁移到别处使用的「成膜规则」。
AI决定条件，设备直接照做
半导体材料的实力，基本上取决于薄膜是怎么长出来的。温度、投入功率、气体流量只要稍有偏差，膜的质量就会改变，而这些条件之间又相互纠缠。长期以来，这是靠资深研究人员凭经验和直觉一点点逼近的领域。
这次的平台把这部分收尾工作交给了设备。溅射装置内部自动传送晶圆，按贝叶斯优化提出的条件成膜，再对成膜结果自动进行光学测量并量化质量。数值回流到预测模型，由模型选出下一组条件。整个循环不必等待人工解析。此次调整的成膜参数共4个：温度、溅射功率、氩气流量、氧气流量。
与研究人员逐次手动操作的时期相比，从成膜到评价的一圈快了约3倍。设备本身并没有变快，消失的是人类思考条件、准备下一次实验之间的等待时间。
溅射法一直难以对付的β型氧化镓
作为验证对象的β型氧化镓（β-Ga₂O₃），带隙约为5eV。宽带隙使它耐高电压，也能对应波长更短的紫外光，因此一直被列为下一代功率器件的候选材料。
难点在制备方法。适合大面积化与低成本化的溅射法与量产契合度高，但用这种方法难以获得该材料的高质量单晶薄膜。研究团队因此采取两段式做法：先在蓝宝石晶圆上探索条件，再把找到的条件迁移到β-Ga₂O₃衬底上的成膜。
判断膜质量的指标采用了反映缺陷与原子排列紊乱程度的乌尔巴赫能量，探索方向是让该数值变小。经过56次自主探索，平台达到182meV，据称是已报告的溅射法β-Ga₂O₃薄膜中的最小值。同时确认了仅由目标晶相构成的异质外延生长，这也是溅射法首次实现β-Ga₂O₃单晶薄膜。
走出黑箱的关键一步
到这里为止，AI驱动的条件探索并不稀奇。分水岭在下一道工序。
研究团队用随机森林分析了自主循环中积累的条件与质量数据。这是一种把大量决策树组合起来的集成学习方法，随后把它的预测结果分解为各参数的贡献与参数之间的相互作用。结果显示，看似复杂的质量变化，大部分只要把温度、功率、氩气流量、氧气流量各自的效果相加就能说明。唯一无法用简单相加解释的，是温度与氧气流量的组合。
由此导出的指引是：依次调整各个参数，最后重点打磨温度与氧气流量。研究人员按照这条规则重新优化后，乌尔巴赫能量进一步降到163meV。这说明提取出的规则不是事后的说辞，而是推进实验时真正可用的指引。
如果能把AI给出的答案翻译成人可以接受的形式，就能带到其他材料和其他设备上去。NTT把这项工作定位为跨出条件探索自动化，迈向科学知识的生产。
仍然需要人手的部分，以及接下来的课题
不过这并非完全无人化。在现有配置下，把晶圆放入装载锁的操作，以及成膜后样品移送到光学测量部分的一部分工序，仍需人参与。设备之间的交接要自动化到什么程度，是这类自主实验室共同面对的课题。
NTT表示，接下来将推进能同时处理多个评价指标的优化，以及融入材料物性与成膜工艺知识的AI模型升级。扩展到更多材料与设备的验证阶段还在后面，同样的流程能否在其他研究机构的装置上成立，仍有待确认。该成果已于2026年8月13日刊登在Nature Communications上。
总结
自主实验的价值，此前一直被放在「更快抵达最优解」上。NTT这次的验证在其上加了一条：为什么这个条件好，研究人员可以带走这份理解。在β-Ga₂O₃这样棘手的材料上用溅射法做出单晶薄膜，以及用提取出的规则让数值进一步改善，这两个事实构成了支撑。它也让人重新思考，材料开发真正的瓶颈究竟在哪里。
