Credit:CC0 Public Domain为了制造计算机芯片，全世界的技术人员都依赖于原子层沉积(ALD)，这种技术可以制造出一个原子厚的薄膜。企业通常使用ALD制造半导体器件，但它也在太阳能电池、锂电池和其他能源相关领域有应用。如今，制造商越来越依赖ALD来生产新型薄膜，但想出如何为每种新材料调整工艺需要时间。
部分问题在于，研究人员主要使用反复试验来确定最佳生长条件。但是最近发表的一项研究——这一科学领域的首批研究之一——表明使用人工智能可以更有效。
在ACS应用材料和界面研究中，美国能源部阿贡国家实验室的研究人员描述了多种基于人工智能的方法来自主优化ALD过程。他们的工作详细说明了每种方法的相对优势和劣势，以及可用于更高效、更经济地开发新流程的见解。
“所有这些算法都提供了一种更快地收敛到最佳组合的方法，因为您没有花时间将样本放入反应堆，或者取出样本，进行测量等。就像你今天通常会做的那样。相反，你有一个与反应堆相连的实时回路，”阿尔贡首席材料科学家安吉尔·扬瓜斯-吉尔说，他是这项研究的合著者。
前沿，但有挑战
在ALD，两种不同的化学蒸汽，即前体，附着在一个表面，在这个过程中增加了一层薄膜。这一切都发生在一个化学反应器中，并且是连续的:一种前体被加入并与表面相互作用，然后任何多余的前体被移除。之后，引入第二前体，然后取出，重复该过程。在微电子学中，ALD薄膜可以用来电绝缘纳米级晶体管中的邻近元件。
ALD擅长在复杂的3D表面上生长精确的纳米级薄膜，例如在硅片上形成深而窄的沟槽，以制造今天的计算机芯片。这促使科学家们为下一代半导体器件开发新的薄膜ALD材料。
然而，开发和优化这些新的ALD工艺是具有挑战性和劳动密集型的。研究人员必须考虑可能改变这一过程的许多不同因素，包括:
分子前驱体反应器设计、温度和压力之间的复杂化学反应每剂前驱体的时间在寻找克服这些挑战的方法的努力中，阿贡科学家评估了三种优化策略——随机、专家系统和贝叶斯优化——后两种使用不同的人工智能方法。
设置它，忘记它
研究人员通过比较他们如何优化在ALD使用的两种前体的剂量和清除时间来评估他们的三种策略。剂量时间是指将前体加入反应器的时间，而吹扫时间是指去除过量前体和气态化学产品所需的时间。
目标:找到在最短时间内实现高且稳定的薄膜生长的条件。科学家们还通过模拟反应堆内部的ALD过程，判断这些策略在理想时间集合上收敛的速度。
将他们的优化方法与他们的模拟系统联系起来，让他们在每个循环之后，根据他们的优化算法生成的处理条件，实时测量薄膜生长。
“所有这些算法都提供了一种更快地收敛到最佳组合的方法，因为您没有花时间将样本放入反应堆，或者取出样本，进行测量等。通常情况下。相反，你有一个与反应堆相连的实时回路，”阿尔贡首席材料科学家安吉尔·扬瓜斯-吉尔说，他是这项研究的合著者。
这一设置还通过形成闭环系统使两种人工智能方法的过程自动化。
“在闭环系统中，模拟执行实验，获得结果，并将其反馈给人工智能工具。人工智能工具然后从中学习或以某种方式解释它，然后建议下一个实验。这一切都是在没有人工输入的情况下发生的，”阿尔贡的计算科学家、第一作者诺亚·保尔森说。
尽管有一些缺点，人工智能方法有效地确定了不同模拟ALD过程的最佳剂量和净化时间。这使得这项研究在第一批研究中表明，使用人工智能可以实时优化薄膜。
“这令人兴奋，因为它开辟了使用这些类型的方法来快速优化真正的ALD过程的可能性，这一步可能会为制造商在未来开发新应用时节省宝贵的时间和金钱，”阿尔贡高级化学家杰夫·埃兰总结道，他是合著者之一。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
