日本要利用机器学习实现半导体研究自动化

自20世纪中期以来，半导体产业一直在稳步增长，得益于高速的信息和通信技术，它已经让社会快速数字化。 qTbednc

如今，由于全球能源需求紧张，对更快、更集成和更节能的半导体器件的需求日益增长。 qTbednc

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！qTbednc

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？qTbednc

由东京理科大学 (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致力于此。在他们于 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。qTbednc

qTbednc

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。qTbednc

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。qTbednc

首先，该团队使用了不同的分层聚类方法，旨在根据不同的相似性度量将样本划分为不同的聚类。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，Ward的方法可以最好地跟踪表面上层建筑的实际相变。 qTbednc

qTbednc

反射高能电子衍射 (RHEED) 是一种成像技术，广泛用于分析通过物理气相沉积生长的材料的表面结构。但是，RHEED 会产生大量数据，并且是一种技能密集型工具。为了解决这个问题，TUS 和 NIMS 科学家采用机器学习技术来自动化分析中一些较难的部分。图片来源：国立材料科学研究所和东京理科大学qTbednc

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，“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完成方式，让科学家们将更多时间花在创造性的追求上。”qTbednc

总体而言，本研究报告的研究结果有望带来新的有效方法，将机器学习技术用于材料科学——这是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下一代半导体和高速通信设备的研发，” Nagamura 博士总结道。qTbednc

参考链接：Let Machines Do the Work: Automating Semiconductor Research with Machine Learning;Demi Xia编译qTbednc