Hvordan AI kan transformere lagdelingsteknik for halvledere

For at lave computerchips er teknologer over hele verden afhængige af atomic layer deposition (ALD), som kan skabe film så fine som et atom tykt. Virksomheder bruger almindeligvis ALD til at lave halvlederenheder, men det har også applikationer i solceller, lithiumbatterier og andre energirelaterede områder.

I dag er producenter i stigende grad afhængige af ALD til at lave nye typer film, men det tager tid at finde ud af, hvordan man tilpasser processen for hvert nyt materiale.

En del af problemet er, at forskere primært bruger trial and error til at identificere optimale vækstbetingelser. Men en nylig offentliggjort undersøgelse – en af ​​de første inden for dette videnskabelige område – tyder på, at brug af kunstig intelligens (AI) kan være mere effektiv.

I ACS Applied Materials &Interfaces undersøgelse beskriver forskere ved U.S. Department of Energy's (DOE) Argonne National Laboratory flere AI-baserede tilgange til autonom optimering af ALD-processerne. Deres arbejde beskriver de relative styrker og svagheder ved hver tilgang, såvel som indsigt, der kan bruges til at udvikle nye processer mere effektivt og økonomisk.

"Alle disse algoritmer giver en meget hurtigere måde at konvergere til optimale kombinationer, fordi du ikke bruger tid på at sætte en prøve i reaktoren, tage den ud, lave målinger osv., som du typisk ville gøre i dag. I stedet har du en real-time sløjfe, der forbinder med reaktoren," sagde Argonnes hovedmaterialeforsker Angel Yanguas-Gil, en medforfatter af undersøgelsen.

Forkant, men med udfordringer

I ALD klæber to forskellige kemiske dampe, kendt som prækursorer, til en overflade og tilføjer et tyndt lag film i processen. Alt dette sker inde i en kemisk reaktor og er sekventielt:en forløber tilføjes og interagerer med overfladen, hvorefter alt overskydende af det fjernes. Bagefter indføres den anden precursor og fjernes senere, og processen gentager sig selv. I mikroelektronik kan den tynde ALD-film muligvis bruges til elektrisk isolering af nærliggende komponenter i transistorer i nanoskala.

ALD udmærker sig ved at dyrke præcise film i nanoskala på komplekse 3D-overflader, såsom de dybe og smalle skyttegrave, der er mønstret i siliciumwafers til fremstilling af nutidens computerchips. Dette har motiveret forskere verden over til at udvikle nye tyndfilm ALD-materialer til fremtidige generationer af halvlederenheder.

Udvikling og optimering af disse nye ALD-processer er imidlertid udfordrende og arbejdskrævende. Forskere skal overveje mange forskellige faktorer, der kan ændre processen, herunder:

• Den komplekse kemi mellem de molekylære prækursorer
• Reaktordesign, temperatur og tryk
• Timingen for hver dosis af deres prækursorer

I et forsøg på at finde måder at overvinde disse udfordringer på, evaluerede Argonne-forskere tre optimeringsstrategier – tilfældige, ekspertsystem og Bayesiansk optimering – de to sidstnævnte ved at bruge forskellige AI-tilgange.

Indstil det og glem det

Forskere evaluerede deres tre strategier ved at sammenligne, hvordan de optimerede doserings- og udrensningstiderne for de to prækursorer, der blev brugt i ALD. Doseringstid refererer til det tidsrum, hvor en precursor tilføjes til reaktoren, mens rensetid refererer til den tid, der er nødvendig for at fjerne overskydende precursor og gasformige kemiske produkter.

Målet:Find de forhold, der ville opnå høj og stabil filmvækst på kortest tid. Forskere vurderede også strategierne for, hvor hurtigt de konvergerede til det ideelle sæt af timings ved hjælp af simuleringer, der repræsenterede ALD-processen inde i en reaktor.

Ved at forbinde deres optimeringstilgange til deres simulerede system kan de måle filmvækst i realtid efter hver cyklus baseret på de behandlingsbetingelser, som deres optimeringsalgoritmer genererede.

"Alle disse algoritmer giver en meget hurtigere måde at konvergere til optimale kombinationer, fordi du ikke bruger tid på at sætte en prøve i reaktoren, tage den ud, lave målinger osv., som du typisk ville. I stedet har du en rigtig -tidsløkke, der forbinder med reaktoren," sagde Argonne Principal Materials Scientist Angel Yanguas-Gil, en medforfatter af undersøgelsen.

Denne opsætning gjorde også processen automatisk for de to AI-tilgange ved at danne et lukket sløjfesystem.

"I et lukket sløjfesystem udfører simuleringen et eksperiment, henter resultaterne og leverer det til AI-værktøjet. AI-værktøjet lærer derefter af det eller fortolker det på en eller anden måde og foreslår derefter det næste eksperiment. Og alt dette sker uden menneskelig input," sagde Noah Paulson, en beregningsforsker ved Argonne og hovedforfatteren.

På trods af nogle svagheder bestemte AI-tilgangene effektivt den optimale dosis og udrensningstidspunkter for forskellige simulerede ALD-processer. Dette gør undersøgelsen til blandt de første, der viser, at tyndfilmsoptimering i realtid er mulig ved brug af kunstig intelligens.

"Dette er spændende, fordi det åbner muligheden for at bruge disse typer af tilgange til hurtigt at optimere reelle ALD-processer, et skridt, der potentielt kan spare producenterne kostbar tid og penge, når de udvikler nye applikationer i fremtiden," konkluderede Jeff Elam, en senior kemiker hos Argonne og medforfatter.