NTT公開了一套讓AI與機器人自行尋找薄膜製作條件的實驗平台驗證結果。平台以被看好的下世代功率半導體材料β型氧化鎵為對象，把成膜、評估與下一組條件的決定串成一個迴圈，中途不需要人來判斷，實驗週期比過去快了約3倍。更引人注目的是，它沒有停在找出最佳條件，而是進一步萃取出人看得懂、也能挪到別處使用的「成膜規則」。
AI決定條件，設備照著跑
半導體材料的實力，基本上取決於薄膜是怎麼長出來的。溫度、投入功率、氣體流量只要稍有偏差，膜的品質就會改變，而這些條件彼此又糾纏在一起。長久以來，這是靠資深研究人員憑經驗與直覺一步步逼近的領域。
這次的平台把這段收尾工作交給設備。濺鍍裝置內部自動搬送晶圓，依貝氏最佳化提出的條件成膜，再對成膜結果自動進行光學量測並把品質換算成數值。數值回饋給預測模型，由模型挑出下一組條件。整個迴圈不必等待人工解析。這次調整的成膜參數共4個：溫度、濺鍍功率、氬氣流量、氧氣流量。
與研究人員逐次動手操作的時期相比，從成膜到評估的一圈快了約3倍。設備本身並沒有變快，消失的是人類思考條件、準備下一次實驗之間的等待時間。
濺鍍法一直難以應付的β型氧化鎵
作為驗證對象的β型氧化鎵（β-Ga₂O₃），能隙約為5eV。寬能隙讓它耐得住高電壓，也能對應波長更短的紫外光，因此一直被列為下世代功率元件的候選材料。
難處在於製作方法。適合大面積化與降低成本的濺鍍法與量產相性良好，但用這種方法一直難以取得該材料的高品質單晶薄膜。研究團隊因此採取兩段式做法：先在藍寶石晶圓上摸索條件，再把找到的條件挪到β-Ga₂O₃基板上的成膜。
判斷膜好壞的指標採用了反映缺陷與原子排列紊亂程度的厄巴赫能量，探索方向是讓這個數值變小。經過56次自主探索，平台達到182meV，據稱是已發表的濺鍍法β-Ga₂O₃薄膜中的最小值。同時也確認了僅由目標晶相構成的異質磊晶成長，這是濺鍍法首次做出β-Ga₂O₃單晶薄膜。
走出黑盒子的關鍵一步
到這裡為止，AI驅動的條件探索並不稀奇。分水嶺在下一道工序。
研究團隊以隨機森林分析了自主迴圈中累積的條件與品質資料。這是把大量決策樹組合起來的整合式機器學習手法，接著再把它的預測結果拆解成各參數的貢獻與參數之間的交互作用。結果顯示，看似複雜的品質變化，大部分只要把溫度、功率、氬氣流量、氧氣流量各自的效果相加就能說明。唯一無法用單純相加解釋的，是溫度與氧氣流量的組合。
由此導出的指引是：依序調整各個參數，最後重點打磨溫度與氧氣流量。研究人員照這條規則重新最佳化之後，厄巴赫能量進一步降到163meV。這說明萃取出的規則不是事後的說法，而是推進實驗時真正用得上的指引。
如果能把AI給出的答案翻譯成人能接受的形式，就能帶到其他材料與其他設備上。NTT把這項工作定位為跨出條件探索的自動化，走向科學知識的生產。
仍然需要人手的部分，以及接下來的課題
不過這並非完全無人化。在現行配置下，把晶圓放進裝載鎖的作業，以及成膜後樣品移送到光學量測部分的一部分工序，仍需要人參與。設備之間的交接要自動化到什麼程度，是這類自主實驗室共同面對的功課。
NTT表示，接下來將推進能同時處理多個評估指標的最佳化，以及融入材料物性與成膜製程知識的AI模型升級。擴展到更多材料與設備的驗證階段還在後頭，同樣的流程能否在其他研究機構的裝置上成立，仍有待確認。此成果已於2026年8月13日刊登於Nature Communications。
總結
自主實驗的價值，過去一直被放在「更快抵達最佳解」上。NTT這次的驗證在上面又加了一條：為什麼這個條件好，研究人員可以把這份理解帶回去。在β-Ga₂O₃這樣棘手的材料上用濺鍍法做出單晶薄膜，以及用萃取出的規則讓數值進一步改善，這兩項事實構成了支撐。它也讓人重新思考，材料開發真正的瓶頸究竟在哪裡。
