自二十世纪中叶迈出第一步以来,半导体行业一直在稳步增长,由于它所带来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、更节能的半导体器件的需求日益增长。
然而,现代半导体工艺已经达到纳米级,新型高性能材料的设计现在涉及半导体纳米薄膜的结构分析。反射高能电子衍射(RHEED)是一种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获结构变化!
不幸的是,尽管RHEED有很多好处,但它的输出模式复杂且难以解释,这一事实有时会阻碍它的发展。在几乎所有情况下,都需要一位技术娴熟的实验者来理解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,那会怎么样?
由东京理工大学(TUS)客座副教授、日本国家材料科学研究所(NIMS)高级研究员Naoka Nagamura博士领导的一个研究团队正致力于此。在2022年6月9日在线发表在国际期刊《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。这本书的合著者是Asako Yoshinari女士、同样来自TUS的Masato Kotsugi教授和来自NIMS的Yuma Iwasaki博士。
研究人员将重点放在清洁单晶硅(最通用的半导体材料之一)的第一个原子层上形成的表面超结构上,这取决于吸附的铟原子数量和温度的微小差异。表面超结构是晶体表面特有的原子排列,根据周围环境的不同,晶体表面的原子以不同的周期模式稳定,而非晶体内部的原子。由于表面超结构往往表现出独特的物理性质,因此它是材料科学研究的热点。
首先,该团队使用了不同的层次聚类方法,旨在根据不同的相似性度量将样本划分为不同的聚类。此方法用于检测存在多少不同的曲面上部结构。在尝试了不同的技术之后,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表面上部结构的最佳工艺条件。他们关注的是铟沉积时间,每个上部结构的形成最为广泛。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,可以准确地自动获得每个上部结构的最佳沉积时间。Nagamura博士对这些结果感到兴奋,他说:“他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,并允许科学家将更多的时间花在创造性研究上。”
总的来说,本研究报告的结果有望为材料科学中使用机器学习技术提供新的有效方法鈥攁 材料信息学领域的中心主题。反过来,随着现有设备和技术用更好的材料进行升级,这将对我们的日常生活产生影响。“我们的方法不仅可以用于分析薄膜硅单晶表面上生长的超结构,还可以分析金属晶体表面、蓝宝石、碳化硅、氮化镓和其他各种重要基底上生长的超结构。因此,我们希望我们的工作能够加速下一代半导体和高速通信设备的研究和开发,”Nagamura博士总结道。