Позвольте машинам делать всю работу: автоматизация исследований полупроводников с помощью машинного обучения

Прочитано: 192 раз(а)
1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (Оценок пока нет)
Loading ... Loading ...


Полупроводниковая промышленность неуклонно росла с момента ее первых шагов в середине двадцатого века, и благодаря высокоскоростным информационным и коммуникационным технологиям она уступила место быстрой цифровизации общества. Сегодня, в соответствии с жестким глобальным спросом на энергию, растет потребность в более быстрых, более интегрированных и более энергоэффективных полупроводниковых устройствах.

Однако современные полупроводниковые процессы уже достигли нанометрового масштаба, и разработка новых высокоэффективных материалов теперь включает структурный анализ полупроводниковых нанопленок. Дифракция быстрых электронов на отражение (ДБЭО) является широко используемым аналитическим методом для этой цели. ДБЭО можно использовать для определения структур, формирующихся на поверхности тонких пленок на атомарном уровне , и даже фиксировать структурные изменения в реальном времени по мере синтеза тонкой пленки!

К сожалению, при всех своих преимуществах RHEED иногда мешает тот факт, что его выходные шаблоны сложны и трудны для интерпретации. Практически во всех случаях требуется высококвалифицированный экспериментатор, чтобы разобраться в огромном количестве данных, которые ДБЭ может предоставить в виде дифракционных картин. Но что, если бы мы могли заставить машинное обучение выполнять большую часть работы при обработке данных ДБЭО?

Именно над этим работает группа исследователей во главе с доктором Наока Нагамура, приглашенным доцентом Токийского научного университета (TUS) и старшим научным сотрудником Национального института материаловедения (NIMS) в Японии. В своем последнем исследовании, опубликованном 9 июня 2022 года в международном журнале Science and Technology of Advanced Materials: Methods , команда исследовала возможность использования машинного обучения для автоматического анализа данных RHEED. Эта работа, поддержанная JST-PRESTO и JST-CREST, стала результатом совместных исследований TUS и NIMS, Япония. В соавторстве с г-жой Асако Йошинари, профессором Масато Коцуги также из TUS и доктором Юмой Ивасаки из NIMS.

Исследователи сосредоточились на поверхностных сверхструктурах, которые формируются на первых атомных слоях чистого монокристаллического кремния (один из самых универсальных полупроводниковых материалов) в зависимости от количества адсорбированных атомов индия и незначительных перепадов температур. Поверхностные сверхструктуры — это расположение атомов, уникальное для поверхности кристалла, где атомы стабилизируются по иным периодическим схемам, чем те, что находятся внутри объема кристалла, в зависимости от различий в окружающей среде. Поскольку они часто обладают уникальными физическими свойствами, поверхностные суперструктуры вызывают большой интерес в материаловедении.

Во-первых, команда использовала различные методы иерархической кластеризации, направленные на разделение выборок на разные кластеры на основе различных показателей сходства. Этот подход служит для определения того, сколько различных поверхностных надстроек присутствует. Попробовав различные методы, исследователи обнаружили, что метод Уорда может лучше всего отслеживать фактические фазовые переходы в поверхностных сверхструктурах.

Затем ученые попытались определить оптимальные условия процесса для синтеза каждой из идентифицированных поверхностных сверхструктур. Они сосредоточились на времени осаждения индия, в течение которого каждая сверхструктура формировалась наиболее активно. Анализ главных компонент и другие типичные методы уменьшения размерности не показали хороших результатов. К счастью, неотрицательная матричная факторизация, другой метод кластеризации и уменьшения размерности, может точно и автоматически получить оптимальное время осаждения для каждой суперструктуры. В восторге от этих результатов, д-р Нагамура отмечает, что их «усилия помогут автоматизировать работу, которая обычно требует трудоемкого ручного анализа специалистами.

В целом, мы надеемся, что результаты, представленные в этом исследовании, приведут к новым и эффективным способам использования техники машинного обучения в материаловедении .— центральная тема в области информатики материалов. В свою очередь, это повлияет на нашу повседневную жизнь, поскольку существующие устройства и технологии модернизируются с использованием более качественных материалов. «Наш подход может быть использован для анализа сверхструктур, выращенных не только на тонкопленочных поверхностях монокристаллов кремния, но и на поверхностях металлических кристаллов, сапфира, карбида кремния, нитрида галлия и различных других важных подложках. Таким образом, мы ожидаем, что наша работа будет ускорить исследования и разработку полупроводников нового поколения и устройств высокоскоростной связи», — заключает доктор Нагамура.

Позвольте машинам делать всю работу: автоматизация исследований полупроводников с помощью машинного обучения



Новости партнеров