为了制造计算机芯片,全世界的技术专家都依赖原子层沉积(ALD)法,它可以创造出细到一个原子厚的薄膜。企业通常使用ALD制造半导体设备,但它也应用于太阳能电池、锂电池和其他能源相关领域。
今天,制造商越来越多地依靠ALD来制造新型薄膜,但弄清楚如何为每种新材料调整工艺需要时间。
部分问题是,研究人员主要使用试验和错误来确定最佳的生长条件。但是最近发表的一项研究表明使用人工智能(AI)可以更有效率。
在ACS应用材料与界面研究中,美国能源部(DOE)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工艺。他们的工作详细介绍了每种方法的相对优势和劣势,以及可用于更有效和更经济地开发新工艺的见解。
"所有这些算法提供了一种更快的收敛到最佳组合的方法,因为你不像今天那样花时间把样品放入反应器,取出来,进行测量等等。相反,你有一个与反应器相连的实时循环。"阿贡首席材料科学家Angel Yanguas-Gil说,他是该研究的共同作者。
尖端的,但也有挑战
在ALD中,两种不同的化学蒸汽,被称为前体,附着在一个表面上,在这个过程中增加一层薄薄的薄膜。这一切都发生在一个化学反应器内,并且是有顺序的: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去除。此后,第二种前体被引入,然后被移除,这个过程不断重复。在微电子领域,ALD薄膜可能被用来对纳米级晶体管中的附近元件进行电绝缘。
ALD擅长在复杂的三维表面上生长精确的纳米级薄膜,如在硅片上开出的深而窄的沟槽,以制造今天的计算机芯片。这促使全世界的科学家为未来一代的半导体设备开发新的薄膜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。研究人员必须考虑许多可以改变工艺的不同因素,包括:
分子前体之间复杂的化学关系
反应器的设计、温度和压力
每一剂量的前体的时间
为了找到克服这些挑战的方法,阿贡的科学家们评估了三种优化策略:随机、专家系统和贝叶斯优化,后两者使用了不同的人工智能方法。
设置并忘记它
研究人员通过比较他们如何优化ALD中使用的两种前体的剂量和清洗时间来评估他们的三种策略。剂量时间指的是前体被添加到反应器中的时间段,而清洗时间指的是去除多余的前体和气态化学产品所需的时间。
研究的目标是找到能在最短的时间内实现薄膜高度和稳定生长的条件。科学家们还利用代表反应器内ALD过程的模拟,根据他们收敛到理想时间集的速度来判断这些策略。
将他们的优化方法与模拟系统联系起来,让他们在每个周期后根据他们的优化算法产生的处理条件实时测量薄膜生长。
这种设置还通过形成一个闭环系统使两种人工智能方法的过程自动化。
在一个闭环系统中,模拟执行一个实验,得到结果,并将其反馈给人工智能工具。然后人工智能工具从中学习或以某种方式解释它,然后建议进行下一个实验。而这一切都在没有人类输入的情况下发生。
尽管存在一些弱点,人工智能方法有效地确定了不同模拟ALD过程的最佳剂量和清洗时间。这使得这项研究成为首批表明使用人工智能可以实时优化薄膜的研究之一。
阿贡的高级化学家和共同作者Jeff Elam总结说:"这令人振奋,因为它开启了使用这些类型的方法快速优化真实ALD过程的可能性,这一步有可能在未来开发新应用时为制造商节省宝贵的时间和金钱。"