Automatiser la recherche sur les semi-conducteurs grâce à l’apprentissage automatique

Laisser les machines faire le travail : automatiser la recherche sur les semi-conducteurs grâce à l'apprentissage automatique

La diffraction d’électrons à haute énergie par réflexion (RHEED) est une technique d’imagerie largement utilisée pour analyser les structures de surface des matériaux développés par dépôt physique en phase vapeur. Cependant, RHEED produit d’énormes quantités de données et est un outil à forte intensité de compétences. Pour résoudre ce problème, les scientifiques du TUS et du NIMS utilisent des techniques d’apprentissage automatique pour automatiser certaines des parties les plus difficiles de l’analyse. Crédit : Naoka Nagamura de l’Institut national des sciences des matériaux et de l’Université des sciences de Tokyo

L’industrie des semi-conducteurs n’a cessé de croître depuis ses premiers pas au milieu du XXe siècle et, grâce aux technologies de l’information et de la communication à haut débit qu’elle a permises, elle a cédé la place à la numérisation rapide de la société. Aujourd’hui, parallèlement à une demande énergétique mondiale serrée, il existe un besoin croissant de dispositifs à semi-conducteurs plus rapides, plus intégrés et plus économes en énergie.

Cependant, les processus modernes de semi-conducteurs ont déjà atteint l’échelle du nanomètre, et la conception de nouveaux matériaux hautes performances implique désormais l’analyse structurelle de nanofilms semi-conducteurs. La diffraction d’électrons à haute énergie par réflexion (RHEED) est une méthode analytique largement utilisée à cette fin. RHEED peut être utilisé pour déterminer les structures qui se forment à la surface des films minces au niveau atomique et peut même capturer les changements structurels en temps réel au fur et à mesure que le film mince est synthétisé !

Malheureusement, malgré tous ses avantages, RHEED est parfois gêné par le fait que ses modèles de sortie sont complexes et difficiles à interpréter. Dans pratiquement tous les cas, un expérimentateur hautement qualifié est nécessaire pour donner un sens aux énormes quantités de données que RHEED peut produire sous la forme de modèles de diffraction. Mais que se passerait-il si nous pouvions faire en sorte que l’apprentissage automatique fasse la majeure partie du travail lors du traitement des données RHEED ?

Une équipe de chercheurs dirigée par le Dr Naoka Nagamura, professeure associée invitée à l’Université des sciences de Tokyo (TUS) et chercheuse principale à l’Institut national des sciences des matériaux (NIMS), au Japon, a travaillé précisément là-dessus. Dans leur dernière étude, publiée en ligne le 09 juin 2022 dans la revue internationale Science et technologie des matériaux avancés : méthodes, l’équipe a exploré la possibilité d’utiliser l’apprentissage automatique pour analyser automatiquement les données RHEED. Ce travail, qui a été soutenu par JST-PRESTO et JST-CREST, était le résultat d’une recherche conjointe par TUS et NIMS, Japon. Il a été co-écrit par Mme Asako Yoshinari, le professeur Masato Kotsugi également du TUS et le Dr Yuma Iwasaki du NIMS.

Les chercheurs se sont concentrés sur les superstructures de surface qui se forment sur les premières couches atomiques de silicium monocristallin propre (l’un des matériaux semi-conducteurs les plus polyvalents), en fonction de la quantité d’atomes d’indium adsorbés et de légères différences de température. Les superstructures de surface sont des arrangements atomiques uniques aux surfaces cristallines où les atomes se stabilisent selon des schémas périodiques différents de ceux à l’intérieur de la masse du cristal, en fonction des différences dans l’environnement environnant. Parce qu’elles présentent souvent des propriétés physiques uniques, les superstructures de surface suscitent beaucoup d’intérêt en science des matériaux.

Premièrement, l’équipe a utilisé différentes méthodes de regroupement hiérarchique, qui visent à diviser les échantillons en différents groupes en fonction de diverses mesures de similarité. Cette approche sert à détecter combien de superstructures de surface différentes sont présentes. Après avoir essayé différentes techniques, les chercheurs ont découvert que la méthode de Ward pouvait mieux suivre les transitions de phase réelles dans les superstructures de surface.

Les scientifiques ont ensuite cherché à déterminer les conditions de procédé optimales pour synthétiser chacune des superstructures de surface identifiées. Ils se sont concentrés sur le temps de dépôt d’indium pendant lequel chaque superstructure a été le plus largement formée. L’analyse en composantes principales et d’autres méthodes typiques de réduction de la dimensionnalité n’ont pas donné de bons résultats. Heureusement, la factorisation matricielle non négative, une technique différente de regroupement et de réduction de la dimensionnalité, pourrait obtenir avec précision et automatiquement les temps de dépôt optimaux pour chaque superstructure. Enthousiasmé par ces résultats, le Dr Nagamura remarque que leurs « efforts aideront à automatiser le travail qui nécessite généralement une analyse manuelle chronophage par des spécialistes. Nous pensons que notre étude a le potentiel de changer la façon dont la recherche sur les matériaux est effectuée et de permettre aux scientifiques de dépenser plus du temps sur des activités créatives.”

Dans l’ensemble, les résultats rapportés dans cette étude mèneront, espérons-le, à de nouvelles façons efficaces d’utiliser la technique d’apprentissage automatique pour la science des matériaux, un sujet central dans le domaine de l’informatique des matériaux. À son tour, cela aurait des implications dans notre vie quotidienne, car les appareils et technologies existants sont mis à niveau avec de meilleurs matériaux. “Notre approche peut être utilisée pour analyser les superstructures développées non seulement sur des surfaces monocristallines de silicium à couches minces, mais également sur des surfaces cristallines métalliques, du saphir, du carbure de silicium, du nitrure de gallium et divers autres substrats importants. Ainsi, nous nous attendons à ce que notre travail accélérer la recherche et le développement de semi-conducteurs de nouvelle génération et d’appareils de communication à haut débit », conclut le Dr Nagamura.


Développement d’une nouvelle technique de croissance de cristaux de nitrure de gallium de haute qualité


Plus d’information:
Asako Yoshinari et al, Analyse par compétence des modèles de diffraction d’électrons à haute énergie par réflexion pour les superstructures de surface Si (111) à l’aide de l’apprentissage automatique, Science et technologie des matériaux avancés : méthodes (2022). DOI : 10.1080/27660400.2022.2079942

Fourni par l’Université des sciences de Tokyo

Citation: Laissez les machines faire le travail : Automatiser la recherche sur les semi-conducteurs avec l’apprentissage automatique (16 juin 2022) récupéré le 16 juin 2022 sur https://techxplore.com/news/2022-06-machines-automating-semiconductor-machine.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.