Om computerchips te maken, vertrouwen technologen over de hele wereld op atomic layer deposition (ALD), waarmee films zo fijn als één atoom dik kunnen worden gemaakt. Bedrijven gebruiken ALD vaak om halfgeleiderapparaten te maken, maar het heeft ook toepassingen in zonnecellen, lithiumbatterijen en andere energiegerelateerde gebieden.

Tegenwoordig vertrouwen fabrikanten steeds meer op ALD om nieuwe soorten films te maken, maar het kost tijd om uit te zoeken hoe het proces voor elk nieuw materiaal kan worden aangepast.

Een deel van het probleem is dat onderzoekers vooral vallen en opstaan ​​gebruiken om optimale groeiomstandigheden te identificeren. Maar een recent gepubliceerde studie - een van de eerste op dit wetenschappelijke gebied - suggereert dat het gebruik van kunstmatige intelligentie (AI) efficiënter kan zijn.

In de ACS Applied Materials &Interfaces studie beschrijven onderzoekers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) meerdere op AI gebaseerde benaderingen voor het autonoom optimaliseren van de ALD-processen. Hun werk beschrijft de relatieve sterke en zwakke punten van elke benadering, evenals inzichten die kunnen worden gebruikt om nieuwe processen efficiënter en economischer te ontwikkelen.

"Al deze algoritmen bieden een veel snellere manier om te convergeren naar optimale combinaties, omdat je geen tijd besteedt aan het plaatsen van een monster in de reactor, het eruit halen, metingen doen enz. zoals je tegenwoordig normaal zou doen. In plaats daarvan heb je een realtime lus die in verbinding staat met de reactor", zegt Angel Yanguas-Gil, hoofdonderzoeker van Argonne, mede-auteur van het onderzoek.

Geavanceerd, maar met uitdagingen

In ALD hechten twee verschillende chemische dampen, bekend als voorlopers, zich aan een oppervlak en voegen daarbij een dunne filmlaag toe. Dit gebeurt allemaal in een chemische reactor en is sequentieel:één voorloper wordt toegevoegd en interageert met het oppervlak, waarna het overtollige wordt verwijderd. Daarna wordt de tweede voorloper geïntroduceerd en later verwijderd, en het proces herhaalt zich. In de micro-elektronica kan de dunne ALD-film worden gebruikt om nabijgelegen componenten in transistors op nanoschaal elektrisch te isoleren.

ALD blinkt uit in het kweken van nauwkeurige films op nanoschaal op complexe 3D-oppervlakken, zoals de diepe en smalle greppels die in siliciumwafels zijn gevormd om de huidige computerchips te vervaardigen. Dit heeft wetenschappers over de hele wereld gemotiveerd om nieuwe dunne-film ALD-materialen te ontwikkelen voor toekomstige generaties halfgeleiderapparaten.

Het ontwikkelen en optimaliseren van deze nieuwe ALD-processen is echter uitdagend en arbeidsintensief. Onderzoekers moeten rekening houden met veel verschillende factoren die het proces kunnen veranderen, waaronder:

• De complexe chemie tussen de moleculaire voorlopers
• Reactorontwerp, temperatuur en druk
• De timing voor elke dosis van hun voorlopers

In een poging om manieren te vinden om deze uitdagingen het hoofd te bieden, evalueerden wetenschappers van Argonne drie optimalisatiestrategieën - willekeurig, expertsysteem en Bayesiaanse optimalisatie - waarbij de laatste twee verschillende AI-benaderingen gebruikten.

Stel het in en vergeet het

Onderzoekers evalueerden hun drie strategieën door te vergelijken hoe ze de dosering en zuiveringstijden van de twee voorlopers die bij ALD worden gebruikt, hebben geoptimaliseerd. Doseringstijd verwijst naar de tijdsperiode waarin een voorloper aan de reactor wordt toegevoegd, terwijl spoeltijd verwijst naar de tijd die nodig is om overtollige voorloper en gasvormige chemische producten te verwijderen.

Het doel:de omstandigheden vinden die een hoge en stabiele filmgroei in de kortste tijd zouden bereiken. Wetenschappers beoordeelden de strategieën ook op hoe snel ze convergeerden tot de ideale set timings met behulp van simulaties die het ALD-proces in een reactor voorstelden.

Door hun optimalisatiebenaderingen te koppelen aan hun gesimuleerde systeem, kunnen ze de filmgroei in realtime meten na elke cyclus, op basis van de verwerkingsomstandigheden die hun optimalisatie-algoritmen hebben gegenereerd.

"Al deze algoritmen bieden een veel snellere manier om tot optimale combinaties te komen, omdat je geen tijd besteedt aan het in de reactor doen van een monster, het eruit halen, metingen doen, enz., zoals je normaal zou doen. In plaats daarvan heb je een echte -tijdlus die verbinding maakt met de reactor", zegt Argonne Principal Materials Scientist Angel Yanguas-Gil, een co-auteur van de studie.

Deze opzet maakte het proces ook automatisch voor de twee AI-benaderingen door een gesloten systeem te vormen.

"In een gesloten-lussysteem voert de simulatie een experiment uit, krijgt de resultaten en voert deze naar de AI-tool. De AI-tool leert er dan van of interpreteert het op een of andere manier, en stelt dan het volgende experiment voor. En dit alles gebeurt zonder menselijke inbreng", zegt Noah Paulson, een computationele wetenschapper bij Argonne en de hoofdauteur.

Ondanks enkele zwakke punten, bepaalden de AI-benaderingen effectief de optimale dosis- en zuiveringstijden voor verschillende gesimuleerde ALD-processen. Dit maakt het onderzoek een van de eersten die aantoont dat dunnefilmoptimalisatie in realtime mogelijk is met behulp van AI.

"Dit is opwindend omdat het de mogelijkheid opent om dit soort benaderingen te gebruiken om echte ALD-processen snel te optimaliseren, een stap die fabrikanten mogelijk kostbare tijd en geld kan besparen bij het ontwikkelen van nieuwe toepassingen in de toekomst", concludeerde Jeff Elam, een senior chemicus bij Argonne en co-auteur.