Kredit:CC0 Public Domain
För att göra datorchips förlitar sig teknologer runt om i världen på atomlagerdeposition (ALD), som kan skapa filmer så fina som en atomtjock. Företag använder vanligtvis ALD för att tillverka halvledarenheter, men det har också tillämpningar inom solceller, litiumbatterier och andra energirelaterade områden.
Idag förlitar tillverkare sig allt mer på ALD för att göra nya typer av filmer, men att ta reda på hur man kan justera processen för varje nytt material tar tid.
En del av problemet är att forskare i första hand använder trial and error för att identifiera optimala tillväxtförhållanden. Men en nyligen publicerad studie – en av de första inom detta vetenskapliga område – tyder på att användning av artificiell intelligens (AI) kan vara effektivare.
I ACS Applied Materials &Interfaces Forskare vid U.S. Department of Energys (DOE) Argonne National Laboratory beskriver flera AI-baserade tillvägagångssätt för att optimera ALD-processerna autonomt. Deras arbete beskriver de relativa styrkorna och svagheterna i varje tillvägagångssätt, såväl som insikter som kan användas för att utveckla nya processer mer effektivt och ekonomiskt.
"Alla dessa algoritmer ger ett mycket snabbare sätt att konvergera till optimala kombinationer eftersom du inte spenderar tid på att sätta ett prov i reaktorn, ta ut det, göra mätningar etc. som du vanligtvis skulle göra idag. Istället har du en realtid slinga som ansluter till reaktorn", säger Argonnes huvudmaterialforskare Angel Yanguas-Gil, medförfattare till studien.
Spets, men med utmaningar
I ALD fäster två olika kemiska ångor, kända som prekursorer, på en yta och lägger till ett tunt lager av film i processen. Allt detta sker inuti en kemisk reaktor och är sekventiellt:en prekursor tillsätts och interagerar med ytan, sedan avlägsnas eventuellt överskott av den. Efteråt introduceras den andra prekursorn och avlägsnas sedan och processen upprepas. Inom mikroelektronik kan den tunna ALD-filmen användas för att elektriskt isolera närliggande komponenter i transistorer i nanoskala.
ALD utmärker sig på att odla precisa filmer i nanoskala på komplexa 3D-ytor som de djupa och smala dikena mönstrade i kiselskivor för att tillverka dagens datorchips. Detta har motiverat forskare över hela världen att utveckla nya tunnfilms-ALD-material för framtida generationer av halvledarenheter.
Att utveckla och optimera dessa nya ALD-processer är dock utmanande och arbetskrävande. Forskare måste överväga många olika faktorer som kan förändra processen, inklusive:
I ett försök att hitta sätt att övervinna dessa utmaningar, utvärderade Argonne-forskare tre optimeringsstrategier – slumpmässigt, expertsystem och Bayesiansk optimering – de två sistnämnda med olika AI-metoder.
Ställ in det och glöm det
Forskare utvärderade sina tre strategier genom att jämföra hur de optimerade doseringen och reningstiderna för de två prekursorerna som används i ALD. Doseringstid avser tidsperioden när en prekursor tillsätts till reaktorn, medan reningstiden avser den tid som behövs för att avlägsna överskott av prekursor och gasformiga kemiska produkter.
Målet:Hitta de förutsättningar som skulle uppnå hög och stabil filmtillväxt på kortast tid. Forskare bedömde också strategierna på hur snabbt de konvergerade till den ideala uppsättningen av timings med hjälp av simuleringar som representerade ALD-processen inuti en reaktor.
Genom att länka deras optimeringsmetoder till deras simulerade system kan de mäta filmtillväxt i realtid efter varje cykel, baserat på bearbetningsförhållandena som deras optimeringsalgoritmer genererade.
"Alla dessa algoritmer ger ett mycket snabbare sätt att konvergera till optimala kombinationer eftersom du inte spenderar tid på att sätta ett prov i reaktorn, ta ut det, göra mätningar etc., som du vanligtvis skulle göra. Istället har du en riktig -tidsslinga som ansluter till reaktorn, säger Argonnes huvudmaterialforskare Angel Yanguas-Gil, medförfattare till studien.
Denna uppsättning gjorde också processen automatisk för de två AI-metoderna genom att bilda ett slutet system.
"I ett slutet system utför simuleringen ett experiment, hämtar resultaten och matar det till AI-verktyget. AI-verktyget lär sig sedan av det eller tolkar det på något sätt och föreslår sedan nästa experiment. Och allt detta händer utan mänsklig input", säger Noah Paulson, en beräkningsforskare vid Argonne och huvudförfattaren.
Trots vissa svagheter bestämde AI-metoderna effektivt den optimala dosen och reningstiden för olika simulerade ALD-processer. Detta gör studien till en av de första som visar att tunnfilmsoptimering i realtid är möjlig med AI.
"Det här är spännande eftersom det öppnar upp möjligheten att använda dessa typer av tillvägagångssätt för att snabbt optimera verkliga ALD-processer, ett steg som potentiellt kan spara tillverkare dyrbar tid och pengar när de utvecklar nya applikationer i framtiden", avslutade Jeff Elam, en senior kemist på Argonne och medförfattare.
