利用AI最佳化原子層沉積製程

作者 : Joan Koka, ANL

美國阿貢國家實驗室(ANL)的研究人員介紹基於AI的多種方法能夠自主最佳化原子層沉積(ALD)製程,包括每種方法的相對優缺點,以及如何更有效且經濟地開發新流程...

為了製造電腦晶片,世界各地的技術人員都仰賴原子層沉積(ALD)方法,因為它能夠製造出僅一個原子厚度的薄膜。企業通常使用ALD來製造半導體元件,但ALD也已經應用於太陽能電池、鋰電池和其他能源相關領域。

如今,製造商越來越依賴ALD來製造新型薄膜,但弄清楚如何為每種新材料調整製程還需要花費更多時間。

部份問題在於研究人員主要使用反複試驗法來確定最佳生長條件。但是,最近發表的一項最新研究顯示,使用人工智慧(AI)可能更有效率。

在最新一期的《ACS應用材料與介面》(ACS Applied Materials & Interfaces)期刊中,美國能源部(DOE)阿貢國家實驗室(Argonne National Laboratory;ANL)的研究人員發表相關研究論文,描述基於AI的多種方法能夠自主最佳化ALD製程。該研究詳細介紹了每種方法的相對優缺點,以及能夠更有效且經濟地開發新流程的見解。

為了找到可在最短時間內實現最高且穩定的薄膜生長條件,AGL研究人員使用AI途徑以模擬最佳化的ALD製程。(圖片來源:acs.org)

技術前瞻,但仍面臨挑戰

當採用ALD時,有兩種不同的化學蒸氣(稱為前體)黏附在表面上,從而在製程中添加一層薄膜。這一切都發生在化學反應器內,而且是循序漸進的:添加一種前體並與表面相互作用,然後去除多餘的前體。接著導入第二個前體後再取出,不斷地重複這一過程。在微電子領域,ALD薄膜可用於電氣絕緣奈米級電晶體中的附近元件。

ALD擅長在複雜的3D表面上生長精確的奈米級薄膜,例如在矽晶圓上形成圖案化的深窄溝槽,以製造當今所需要的電腦晶片。這並激勵了全世界的科學家為下一代半導體元件開發新的薄膜ALD材料。

然而,開發和最佳化這些新的ALD製程仍然具有挑戰性,而且是一項勞動密集型任務。研究人員必須考慮可能改變這一製程的多種因素,包括分子前體之間的複雜化學反應;反應器的設計、溫度和壓力,以及其前體的每劑給藥時間等。

為了找到克服這些挑戰的方法,ANL科學家評估了三種最佳化策略——隨機、專家系統和貝葉斯(Bayesian)最佳化——後兩種使用不同的AI方法。

輕鬆設置,無需人為介入

研究人員比較如何最佳化ALD中所使用的兩種前體劑量和清洗時間,以評估上述的三種策略。加藥時間是指前體加入反應器的時間,而吹掃時間則是指去除多餘的前體和氣態化學產品所需的時間。

目標:找到可以在最短的時間內實現最高且穩定的薄膜生長條件。科學家們還使用代表反應堆內ALD製程的模擬方法,以便判斷聚合至理想時間設定的策略。

研究人員們將其最佳化途徑與模擬系統聯繫起來,使其能夠根據最佳化演算法所產生的處理條件,在每個週期後即時測量薄膜的生長情況。這種設置還形成了一個閉路系統,使得兩種AI方法的過程自動化。

ANL首席材料科學家、同時也是本研究的共同作者Angel Yanguas-Gil說:「這些演算法都提供了一種更快地聚合至最佳組合的方法,因為您不必再像目前通常要花時間地將樣品放入反應器、取出樣品並進行測量等等。相反地,你會有一個與反應器連接的即時迴路。」

ANL運算科學家暨本研究的主要作者Noah Paulson說:「在一個閉路系統中,模擬執行一項實驗、得到結果,並將其提供給AI工具。然後AI工具從中學習或以某種方式加以詮釋,從而建議下一項實驗。這一切都可以在無需人為介入的情況下實現。」

儘管存在一些缺點,但AI途徑仍有效地確定了不同ALD模擬製程的最佳劑量和清洗時間。這也使得這項研究成為證實AI得以即時最佳化薄膜的首次研究。

ANL資深化學家兼共同作者Jeff Elam總結道:「這項研究成果令人振奮,因為它為使用這些方法來快速最佳化實際的ALD製程開啟了更多可能性,這一步驟可望在未來開發新應用時為製造商節省寶貴的時間和金錢。」

本文原刊登於EDN China網站,夏菲編譯

加入LINE@,最新消息一手掌握!

發表評論