Crédito:CC0 Dominio público
Para fabricar chips de computadora, los tecnólogos de todo el mundo confían en la deposición de capas atómicas (ALD), que puede crear películas tan finas como un átomo de espesor. Las empresas suelen utilizar ALD para fabricar dispositivos semiconductores, pero también tiene aplicaciones en células solares, baterías de litio y otros campos relacionados con la energía.
Hoy en día, los fabricantes confían cada vez más en ALD para fabricar nuevos tipos de películas, pero descubrir cómo ajustar el proceso para cada nuevo material lleva tiempo.
Parte del problema es que los investigadores utilizan principalmente prueba y error para identificar las condiciones óptimas de crecimiento. Pero un estudio publicado recientemente, uno de los primeros en este campo científico, sugiere que el uso de inteligencia artificial (IA) puede ser más eficiente.
En Interfaces y materiales aplicados de ACS En el estudio, los investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) describen múltiples enfoques basados en IA para optimizar los procesos ALD de forma autónoma. Su trabajo detalla las fortalezas y debilidades relativas de cada enfoque, así como los conocimientos que se pueden usar para desarrollar nuevos procesos de manera más eficiente y económica.
"Todos estos algoritmos brindan una forma mucho más rápida de converger a combinaciones óptimas porque no pierde tiempo poniendo una muestra en el reactor, sacándola, haciendo mediciones, etc. como lo haría normalmente hoy en día. En su lugar, tiene una muestra en tiempo real bucle que se conecta con el reactor", dijo el científico principal de materiales de Argonne, Ángel Yanguas-Gil, coautor del estudio.
Ventaja, pero con desafíos
En ALD, dos vapores químicos diferentes, conocidos como precursores, se adhieren a una superficie y agregan una capa delgada de película en el proceso. Todo esto sucede dentro de un reactor químico y es secuencial:se agrega un precursor e interactúa con la superficie, luego se elimina cualquier exceso. Posteriormente, se introduce el segundo precursor y luego se retira, y el proceso se repite. En microelectrónica, la película delgada ALD podría usarse para aislar eléctricamente componentes cercanos en transistores a nanoescala.
ALD se destaca en el cultivo de películas precisas a nanoescala en superficies 3D complejas, como las profundas y estrechas trincheras modeladas en obleas de silicio para fabricar los chips de computadora de hoy. Esto ha motivado a científicos de todo el mundo a desarrollar nuevos materiales ALD de película delgada para futuras generaciones de dispositivos semiconductores.
Sin embargo, desarrollar y optimizar estos nuevos procesos ALD es desafiante y laborioso. Los investigadores deben considerar muchos factores diferentes que pueden alterar el proceso, incluidos:
En un esfuerzo por encontrar formas de superar estos desafíos, los científicos de Argonne evaluaron tres estrategias de optimización:aleatoria, sistema experto y optimización bayesiana, las dos últimas utilizando diferentes enfoques de IA.
Configúralo y olvídalo
Los investigadores evaluaron sus tres estrategias comparando cómo optimizaron la dosis y los tiempos de purga de los dos precursores utilizados en ALD. El tiempo de dosificación se refiere al período de tiempo en el que se agrega un precursor al reactor, mientras que el tiempo de purga se refiere al tiempo necesario para eliminar el exceso de precursor y los productos químicos gaseosos.
El objetivo:encontrar las condiciones que lograrían un crecimiento de la película alto y estable en el menor tiempo posible. Los científicos también evaluaron las estrategias sobre la rapidez con que convergieron en el conjunto ideal de tiempos utilizando simulaciones que representaban el proceso ALD dentro de un reactor.
Vincular sus enfoques de optimización a su sistema simulado les permitió medir el crecimiento de la película en tiempo real después de cada ciclo, en función de las condiciones de procesamiento que generaron sus algoritmos de optimización.
"Todos estos algoritmos brindan una forma mucho más rápida de converger a combinaciones óptimas porque no pierde tiempo poniendo una muestra en el reactor, sacándola, haciendo mediciones, etc., como lo haría normalmente. En su lugar, tiene una muestra real -bucle de tiempo que se conecta con el reactor", dijo Angel Yanguas-Gil, científico principal de materiales de Argonne, coautor del estudio.
Esta configuración también hizo que el proceso fuera automático para los dos enfoques de IA al formar un sistema de ciclo cerrado.
"En un sistema de circuito cerrado, la simulación realiza un experimento, obtiene los resultados y los envía a la herramienta de IA. Luego, la herramienta de IA aprende de él o lo interpreta de alguna manera, y luego sugiere el siguiente experimento. Y todo esto sucede sin intervención humana", dijo Noah Paulson, científico computacional de Argonne y autor principal.
A pesar de algunas debilidades, los enfoques de IA determinaron efectivamente la dosis óptima y los tiempos de purga para diferentes procesos ALD simulados. Esto hace que el estudio sea uno de los primeros en mostrar que la optimización de película delgada en tiempo real es posible utilizando IA.
"Esto es emocionante porque abre la posibilidad de utilizar este tipo de enfoques para optimizar rápidamente los procesos ALD reales, un paso que podría ahorrarles a los fabricantes un tiempo y dinero valiosos al desarrollar nuevas aplicaciones en el futuro", concluyó Jeff Elam, químico senior. en Argonne y coautor.
