AI优化氧化钒多层膜实现热辐射测量性能20倍以上增强

《Advanced Science》：AI-Optimized Vanadium Oxide Multilayers for More Than 20-fold Enhancement in Bolometric Performance

本文报道了一种基于机器学习优化的钨掺杂氧化钒（WxV1-xOy）多层膜结构，通过遗传算法（GA）逆向设计，成功解决了相变材料在红外微测辐射热计（microbolometer）应用中高温度电阻系数（TCR）与线性响应不可兼得的难题。该研究在CMOS兼容工艺条件下实现了TCR值7% K-1、霍格参数（γ/n）低至6.90×10-32m3的突破性性能，其通用测辐射热仪性能参数（β）达到商用材料的23.6倍，为高性能红外探测技术开辟了新途径。

　　

引言：相变材料的技术挑战与机遇

相变作为多体系统的集体现象，在众多技术中扮演着关键角色。然而，其固有的非线性和滞后特性严重限制了在需要线性响应系统中的应用。以二氧化钒（VO₂）为代表的金属-绝缘体转变（MIT）材料虽具有巨大的电阻温度系数，但其尖锐的相变特性和热滞现象使得其在红外测辐射热计等器件中难以直接应用。目前商用的非化学计量氧化钒（VO_x）材料虽改善了线性度，却以牺牲TCR值为代价（通常低于2% K^-1），成为提升微测辐射热计灵敏度的主要瓶颈。

机器学习优化的多层膜设计策略

研究团队创新性地提出基于遗传算法的机器学习优化方法，设计具有不同钨掺杂比例（x=0, 0.005, 0.02, 0.04）的W_xV_1-xO_y四层膜结构。通过在每个功能层之间插入4纳米二氧化钛（TiO₂）隔离层防止钨扩散，将多层膜系统等效为并联电阻模型进行优化。遗传算法以适应度函数为导向，同步优化三个关键指标：室温附近的高TCR值、宽温区内的恒定/线性TCR响应以及最小化的热滞效应。令人瞩目的是，算法仅探索了总搜索空间的0.28%（74代收敛）便找到了最优厚度配比，展现出极高的优化效率。

实验结果：性能突破与机制验证

实验团队在300°C的CMOS兼容工艺条件下，于商用微测辐射热计晶圆上成功制备了优化后的多层膜结构。X射线反射（XRR）和扫描透射电镜-能谱（STEM-EDS）表征显示，实际制备的薄膜厚度与设计值偏差仅约4.8%。电学测试结果表明，恒定高TCR（CH）构型在12.3K温区内实现了5.4% K^-1的近乎恒定TCR（标准差0.026% K^-1），而线性高TCR（LH）构型则在17.2K温区内呈现出4.7%至7.4% K^-1的线性变化。两种构型的滞后温度分别降至5.3K和3.1K，较纯VO_x薄膜的11.4K显著改善。

突破性性能：协同提升导电性与TCR

研究最具突破性的发现在于多层膜结构成功打破了TCR与电导率之间的传统权衡关系。如图3所示，常规材料中高TCR与高电导率呈反比关系（灰色虚线），而W_xV_1-xO_y多层膜在300K和320K均展现出协同提升的特性。这种独特行为源于多层膜的设计理念：在特定温度下，某一层发生强烈的MIT转变贡献高TCR，而其他层保持金属性确保高电导率。

噪声特性与综合性能评估

噪声测试显示，LH构型的霍格参数（γ/n）达到6.90×10^-32m³，较商用氧化钛材料降低120.3倍。基于TCR和噪声性能定义的通用测辐射热仪参数（β = |TCR|/√(γ/n)）评估表明，LH和CH构型的β值分别达到商用材料的23.6倍和5.5倍。这种噪声抑制主要归因于钨掺杂带来的载流子密度提升，使得多层膜在保持高响应度的同时具备优异的信噪比。

结论与展望

本研究通过机器学习优化的多层膜策略，成功实现了氧化钒基材料在红外探测性能上的重大突破。该方法在CMOS兼容工艺条件下同步获得了高TCR、线性响应、低噪声和弱热滞等优异特性。研究展示的多目标优化框架具有普适性，可扩展至其他存在性能权衡的材料体系，如钙钛矿介电材料（ATiO₃）和热电材料等。该工作为开发新一代高性能微测辐射热计提供了切实可行的技术路线，特别是在军事红外探测等高端应用领域展现出巨大潜力。