Zespół badawczy przedstawił fizykochemicznie uinformowaną sieć neuronową (PCINN), która przewiduje pokrycie powierzchni w przestrzennym osadzaniu warstw atomowych ponad 50 tysięcy razy szybciej niż tradycyjne symulacje obliczeniowe (CFD), osiągając praktycznie identyczną dokładność. Zamiast czarnej skrzynki, architektura składa się z niewielkiej sieci uczącej się tylko relacji między warunkami operacyjnymi a stężeniem blisko powierzchni, podczas gdy znana kinetyka chemiczna jest wbudowana na sztywno jako trenowalna warstwa, przez którą przepuszcza się trajektorię substratu. Takie rozwiązanie pozwala modelowi działać precyzyjnie nawet z małą liczbą danych treningowych (zaledwie 30 przypadków obejmujących cztery rzędy wielkości pokrycia) i pozostać w pełni interpretowalnym.
Kluczową zaletą tego podejścia jest możliwość wiarygodnego odwracania parametrów kinetycznych, czyli wyznaczania stałych reaktywności z eksperymentalnych obserwacji. Analiza identyfikowalności oparta na informacji Fishera wykazała, że energia adsorbcji (E_ads) i stała szybkości desorpcji (k_des) są solidnie identyfikowalne, podczas gdy stała adsorbcji (k_ads) nie może być określona osobno w pojedynczej temperaturze. Zespół odkrył również słabą degeneresję między prefaktorem a energią aktywacji, która zmienia się mniej niż 0,065 eV na dekadę, co wyjaśnia klasyczne obserwacje eksperymentalne.
To połączenie głębokich sieci neuronowych z fizyczną wiedzą ma praktyczne znaczenie dla przemysłu. SALD to nowoczesny, wysokoproduktywny proces do produkcji cienkich warstw w warunkach atmosferycznych, ale jego projektowanie i kontrola są ograniczone kosztami predykcji pokrycia powierzchni. PCINN umożliwia operatorom szybkie skanowanie okien operacyjnych i lepszy dobór parametrów, a naukowcom dostarcza wiarygodnych szacunków stałych kinetycznych bezpośrednio z danych eksperymentalnych, otwierając drzwi do lepszej kontroli i optymalizacji procesów produkcji.