- 論文全文：Application of Machine Learning on Quantitative XPS Analysis for Heteroatoms (F, La and N) Alloyed HfO2 Thin Film
- 於2025年7月16日發表於《Surfaces and Interfaces》：https://doi.org/10.1016/j.surfin.2025.107072
- 作者名單：Yin-Bo Tseng, Hsiu-Wei Cheng*
當前對尖端材料的迫切需求，推動了材料科學中分析工具的快速進展，而其中最關鍵的工具之一就是 X 光光電子能譜（XPS）。隨著材料技術的進步，我們逐漸發現，XPS 所觀察到的光譜特徵會受到異質元素摻雜所造成的晶格扭曲影響。因此，本研究的目的是釐清 XPS 光譜與晶格結構變化之間的關聯，特別是從異質元素濃度的角度來探討這種關係。在近年來計算能力大幅提升的背景下，我們建構了一套人工神經網路（ANN）機器學習模型，用來預測摻雜在 HfO₂ 薄膜中的氟（F）、鑭（La）與氮（N）等元素的濃度。我們的研究不僅關注預測結果的準確度，也進一步分析模型做出預測的邏輯與運作機制，期望為未來類似應用提供訓練模型的參考依據。
初步結果顯示，只要目標元素曾被納入訓練資料中，模型大多能準確預測未知樣品的濃度變化。此外，我們也透過 SHapley Additive exPlanation（SHAP）方法進一步剖析模型的判斷依據，發現不同元素在模型中對應的預測機制也有所不同。本研究成功地展現了機器學習在複雜材料結構分析上的可行性，提供了一種新的思路與工具，協助未來在材料表面與界面性質上的深入探索與定量分析。
