AI 中文总结
研究利用有限训练数据，通过神经视觉辅助方法在碲化镉MBE生长中自动晶体校准。基于二维和三维ResNet配置设计网络架构并比较，提供了可用于闭环部署的训练好的神经系统及新材料的可推广管道，朝着AI驱动的MBE生长迈进。
AI 中文摘要
我们引入了一种数据高效的神经视觉辅助方法，以在分子束外延（MBE）生长过程中自动进行晶体校准。仅在15个碲化镉结构的反射高能电子衍射（RHEED）图案上训练，通过物理感知后处理，我们的模型可靠地推断晶体学方向，取代手动逐帧检查。为此，我们设计、测试并严格比较基于二维和三维ResNet配置的神经网络架构，有无利用RHEED图像采集物理约束的后处理。我们的工作提供了一个完全训练好的神经系统，可用于未来碲化镉生长实验的闭环部署，以及为获取不同RHEED数据集受限的新材料提供了可推广的管道。更广泛地说，这项研究朝着人工智能驱动的MBE生长迈出了一步，并展示了机器学习辅助自动化在薄膜合成中的潜力。
英文摘要
We introduce a data-efficient neural-vision assisted method to automate crystallographic alignment during molecular beam epitaxy (MBE) growth. Trained on reflection high-energy electron diffraction (RHEED) patterns from only 15 CdTe structures, our model - enabled by physics-aware postprocessing - reliably infers crystallographic directions, replacing manual frame-by-frame inspection. To this end, we design, test, and critically compare neural-network architectures based on 2D and 3D ResNet configurations, both with and without postprocessing that leverages the physical constraints of RHEED image acquisition. Our work delivers (i) a fully trained neural system ready for closed-loop deployment in future CdTe growth experiments and (ii) a generalizable pipeline for new materials where access to diverse RHEED datasets is limited. More broadly, this study represents a step toward AI-driven MBE growth and demonstrates the potential of machine-learning-assisted automation in thin-film synthesis.
