使用机器学习自动化半导体研究

 

新型薄半导体材料的开发需要对大量反射高能电子衍射（RHEED）数据进行定量分析，既耗时又需要专业知识。为了解决这个问题，东京理科大学的科学家们确定了可以帮助自动化 RHEED 数据分析的机器学习技术。他们的发现可以极大地加速半导体的研究，并为更快、更节能的电子设备铺平道路。

半导体行业自 20 世纪中叶迈出第一步以来一直在稳步增长，并且由于其支持的高速信息和通信技术，它已经让位于社会的快速数字化。今天，随着全球能源需求的紧张，对更快、更集成和更节能的半导体设备的需求不断增长。

然而，现代半导体工艺已经达到纳米尺度，新型高性能材料的设计现在涉及到半导体纳米薄膜的结构分析。反射高能电子衍射 (RHEED) 是为此目的广泛使用的分析方法。 RHEED 可用于在原子水平上确定薄膜表面形成的结构，甚至可以在合成薄膜时实时捕捉结构变化！

不幸的是，尽管 RHEED 有很多好处，但它有时会因其输出模式复杂且难以解释这一事实而受到阻碍。几乎在所有情况下，都需要高技能的实验者来理解 RHEED 可以以衍射图案的形式产生的大量数据。但是，如果我们可以让机器学习在处理 RHEED 数据时完成大部分工作呢？

由东京科学大学 (TUS) 客座副教授、日本国立材料科学研究所 (NIMS) 高级研究员 Naoka Nagamura 博士领导的一组研究人员一直在致力于此。在他们于 2022 年 6 月 9 日前发表在国际期刊《先进材料科学与技术：方法》上的最新研究中，该团队探索了使用机器学习自动分析 RHEED 数据的可能性。这项工作得到了 JST-PRESTO 和 JST-CREST 的支持，是 TUS 和日本 NIMS 联合研究的结果。它由 Asako Yoshinari 女士、同样来自 TUS 的 Masato Kotsugi 教授和来自 NIMS 的 Yuma Iwasaki 博士共同撰写。

研究人员专注于在干净的单晶硅（用途最广泛的半导体材料之一）的第一个原子层上形成的表面超结构。取决于吸附的铟原子的数量和温度的微小差异。表面超结构是晶体表面独有的原子排列，其中原子以不同于晶体内部的周期性模式稳定，这取决于周围环境的差异。因为它们经常表现出独特的物理特性，所以表面上层结构是材料科学中非常感兴趣的焦点。

首先，该团队使用了不同的层次聚类方法，旨在根据各种相似性度量将样本划分为不同的聚类。这种方法用于检测存在多少不同的表面超结构。在尝试了不同的技术后，研究人员发现沃德的方法可以最好地跟踪表面超结构中的实际相变。

然后，科学家们试图确定合成每个已识别的表面超结构的最佳工艺条件。他们专注于最广泛地形成每个上层结构的铟沉积时间。主成分分析和其他典型的降维方法表现不佳。幸运的是，非负矩阵分解，一种不同的聚类和降维技术，可以准确自动地获得每个上层结构的最佳沉积时间。 Nagamura 博士对这些结果感到兴奋，他说：“我们的努力将有助于自动化通常需要专家进行耗时的手动分析的工作。我们相信我们的研究有可能改变材料研究的方式，让科学家们有更多的时间在创造性的追求上。”

总体而言，本研究报告的发现有望带来新的有效方法，将机器学习技术用于材料科学——材料信息学领域的一个中心话题。反过来，随着现有设备和技术使用更好的材料进行升级，这将对我们的日常生活产生影响。 “我们的方法不仅可用于分析在薄膜硅单晶表面、金属晶体表面、蓝宝石、碳化硅、氮化镓和各种其他重要衬底上生长的超结构。因此，我们希望我们的工作能够加速资源

永霖光电-UVSIS-发布