Credito:CC0 di pubblico dominio
Per realizzare chip per computer, i tecnologi di tutto il mondo si affidano alla deposizione di strati atomici (ALD), che può creare pellicole sottili quanto un atomo di spessore. Le aziende usano comunemente ALD per realizzare dispositivi a semiconduttore, ma ha anche applicazioni in celle solari, batterie al litio e altri campi legati all'energia.
Oggi i produttori si affidano sempre più ad ALD per realizzare nuovi tipi di film, ma capire come modificare il processo per ogni nuovo materiale richiede tempo.
Parte del problema è che i ricercatori utilizzano principalmente tentativi ed errori per identificare le condizioni di crescita ottimali. Ma uno studio pubblicato di recente, uno dei primi in questo campo scientifico, suggerisce che l'uso dell'intelligenza artificiale (AI) può essere più efficiente.
In Materiali applicati e interfacce ACS studio, i ricercatori dell'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE) descrivono molteplici approcci basati sull'intelligenza artificiale per ottimizzare autonomamente i processi ALD. Il loro lavoro descrive in dettaglio i punti di forza e di debolezza relativi di ciascun approccio, nonché le informazioni che possono essere utilizzate per sviluppare nuovi processi in modo più efficiente ed economico.
"Tutti questi algoritmi forniscono un modo molto più veloce per convergere verso combinazioni ottimali perché non stai perdendo tempo a inserire un campione nel reattore, estrarlo, eseguire misurazioni ecc. come faresti normalmente oggi. Invece hai un tempo reale circuito che si collega al reattore", ha affermato il principale scienziato dei materiali di Argonne Angel Yanguas-Gil, coautore dello studio.
All'avanguardia, ma con sfide
Nell'ALD, due diversi vapori chimici, noti come precursori, aderiscono a una superficie, aggiungendo nel processo un sottile strato di pellicola. Il tutto avviene all'interno di un reattore chimico ed è sequenziale:viene aggiunto un precursore che interagisce con la superficie, quindi ne viene rimosso l'eventuale eccesso. Successivamente viene introdotto il secondo precursore, quindi rimosso e il processo si ripete. Nella microelettronica, il film sottile ALD potrebbe essere utilizzato per isolare elettricamente i componenti vicini nei transistor su scala nanometrica.
ALD eccelle nella produzione di pellicole precise e su scala nanometrica su superfici 3D complesse come le trincee profonde e strette modellate in wafer di silicio per produrre i chip dei computer odierni. Ciò ha motivato gli scienziati di tutto il mondo a sviluppare nuovi materiali ALD a film sottile per le future generazioni di dispositivi a semiconduttore.
Tuttavia, lo sviluppo e l'ottimizzazione di questi nuovi processi ALD è impegnativo e laborioso. I ricercatori devono considerare molti diversi fattori che possono alterare il processo, tra cui:
Nel tentativo di trovare modi per superare queste sfide, gli scienziati di Argonne hanno valutato tre strategie di ottimizzazione:casuale, sistema esperto e ottimizzazione bayesiana, le ultime due utilizzando diversi approcci di intelligenza artificiale.
Impostalo e dimenticalo
I ricercatori hanno valutato le loro tre strategie confrontando il modo in cui hanno ottimizzato il dosaggio e i tempi di spurgo dei due precursori utilizzati nell'ALD. Il tempo di dosaggio si riferisce al periodo di tempo in cui un precursore viene aggiunto al reattore, mentre il tempo di spurgo si riferisce al tempo necessario per rimuovere il precursore in eccesso e i prodotti chimici gassosi.
L'obiettivo:trovare le condizioni che consentano di ottenere una crescita della pellicola elevata e stabile nel più breve tempo possibile. Gli scienziati hanno anche valutato le strategie in base alla rapidità con cui convergevano sull'insieme ideale di tempi utilizzando simulazioni che rappresentavano il processo ALD all'interno di un reattore.
Collegando i loro approcci di ottimizzazione al loro sistema simulato, è possibile misurare la crescita del film in tempo reale dopo ogni ciclo, in base alle condizioni di elaborazione generate dai loro algoritmi di ottimizzazione.
"Tutti questi algoritmi forniscono un modo molto più veloce per convergere verso combinazioni ottimali perché non stai sprecando tempo a inserire un campione nel reattore, estrarlo, eseguire misurazioni, ecc., come faresti, in genere. Invece hai un vero -ciclo temporale che si collega al reattore", ha affermato Angel Yanguas-Gil, principale scienziato dei materiali di Argonne, coautore dello studio.
Questa configurazione ha anche reso il processo automatico per i due approcci AI formando un sistema a circuito chiuso.
"In un sistema a circuito chiuso, la simulazione esegue un esperimento, ottiene i risultati e li invia allo strumento di intelligenza artificiale. Lo strumento di intelligenza artificiale quindi impara da esso o lo interpreta in qualche modo, quindi suggerisce l'esperimento successivo. E tutto questo avviene senza l'input umano", ha affermato Noah Paulson, scienziato computazionale presso Argonne e autore principale.
Nonostante alcuni punti deboli, gli approcci dell'IA hanno determinato in modo efficace la dose ottimale e i tempi di spurgo per diversi processi ALD simulati. Ciò rende lo studio tra i primi a dimostrare che l'ottimizzazione del film sottile in tempo reale è possibile utilizzando l'IA.
"Questo è entusiasmante perché apre la possibilità di utilizzare questi tipi di approcci per ottimizzare rapidamente i processi ALD reali, un passaggio che potrebbe potenzialmente far risparmiare ai produttori tempo e denaro preziosi nello sviluppo di nuove applicazioni in futuro", ha concluso Jeff Elam, un chimico senior ad Argonne e co-autore.
