Comment l’IA peut transformer la technique de stratification des semi-conducteurs

semi-conducteur

Crédit : CC0 Domaine public

Pour fabriquer des puces informatiques, les technologues du monde entier s’appuient sur le dépôt de couche atomique (ALD), qui peut créer des films aussi fins qu’un atome d’épaisseur. Les entreprises utilisent couramment l’ALD pour fabriquer des dispositifs à semi-conducteurs, mais il a également des applications dans les cellules solaires, les batteries au lithium et d’autres domaines liés à l’énergie.

Aujourd’hui, les fabricants s’appuient de plus en plus sur ALD pour fabriquer de nouveaux types de films, mais trouver comment peaufiner le processus pour chaque nouveau matériau prend du temps.

Une partie du problème est que les chercheurs utilisent principalement des essais et des erreurs pour identifier les conditions de croissance optimales. Mais une étude récemment publiée, l’une des premières dans ce domaine scientifique, suggère que l’utilisation de l’intelligence artificielle (IA) peut être plus efficace.

Dans le Matériaux et interfaces appliqués ACS étude, des chercheurs du laboratoire national d’Argonne du département américain de l’Énergie (DOE) décrivent plusieurs approches basées sur l’IA pour optimiser les processus ALD de manière autonome. Leur travail détaille les forces et les faiblesses relatives de chaque approche, ainsi que des informations qui peuvent être utilisées pour développer de nouveaux processus de manière plus efficace et économique.

« Tous ces algorithmes offrent un moyen beaucoup plus rapide de converger vers des combinaisons optimales, car vous ne perdez pas de temps à mettre un échantillon dans le réacteur, à le retirer, à effectuer des mesures, etc. comme vous le feriez généralement aujourd’hui. boucle qui se connecte au réacteur », a déclaré Angel Yanguas-Gil, scientifique principal des matériaux d’Argonne, co-auteur de l’étude.

À la pointe de la technologie, mais avec des défis

Dans l’ALD, deux vapeurs chimiques différentes, appelées précurseurs, adhèrent à une surface, ajoutant une fine couche de film dans le processus. Tout cela se passe à l’intérieur d’un réacteur chimique et est séquentiel : un précurseur est ajouté et interagit avec la surface, puis tout excès est éliminé. Ensuite, le deuxième précurseur est introduit puis retiré plus tard, et le processus se répète. En microélectronique, le film mince ALD pourrait être utilisé pour isoler électriquement des composants voisins dans des transistors à l’échelle nanométrique.

ALD excelle dans la croissance de films nanométriques précis sur des surfaces 3D complexes telles que les tranchées profondes et étroites modelées dans des plaquettes de silicium pour fabriquer les puces informatiques d’aujourd’hui. Cela a motivé les scientifiques du monde entier à développer de nouveaux matériaux ALD à couche mince pour les futures générations de dispositifs à semi-conducteurs.

Cependant, le développement et l’optimisation de ces nouveaux processus ALD sont difficiles et demandent beaucoup de travail. Les chercheurs doivent tenir compte de nombreux facteurs différents qui peuvent modifier le processus, notamment :

  • Les chimies complexes entre les précurseurs moléculaires
  • Conception, température et pression du réacteur
  • Le timing pour chaque dose de leurs précurseurs

Dans un effort pour trouver des moyens de surmonter ces défis, les scientifiques d’Argonne ont évalué trois stratégies d’optimisation : optimisation aléatoire, système expert et optimisation bayésienne, les deux dernières utilisant différentes approches d’IA.

Réglez-le et oubliez-le

Les chercheurs ont évalué leurs trois stratégies en comparant comment ils ont optimisé le dosage et les temps de purge des deux précurseurs utilisés dans l’ALD. Le temps de dosage fait référence à la période de temps pendant laquelle un précurseur est ajouté au réacteur, tandis que le temps de purge fait référence au temps nécessaire pour éliminer l’excès de précurseur et de produits chimiques gazeux.

L’objectif : trouver les conditions permettant d’obtenir une croissance élevée et stable du film dans les plus brefs délais. Les scientifiques ont également jugé les stratégies sur la rapidité avec laquelle elles ont convergé vers l’ensemble de temps idéal à l’aide de simulations qui représentaient le processus ALD à l’intérieur d’un réacteur.

Lier leurs approches d’optimisation à leur système simulé leur a permis de mesurer la croissance du film en temps réel après chaque cycle, en fonction des conditions de traitement générées par leurs algorithmes d’optimisation.

« Tous ces algorithmes offrent un moyen beaucoup plus rapide de converger vers des combinaisons optimales, car vous ne perdez pas de temps à mettre un échantillon dans le réacteur, à le retirer, à effectuer des mesures, etc., comme vous le feriez généralement. – boucle temporelle qui se connecte au réacteur », a déclaré Angel Yanguas-Gil, scientifique principal en matériaux d’Argonne, co-auteur de l’étude.

Cette configuration a également rendu le processus automatique pour les deux approches d’IA en formant un système en boucle fermée.

« Dans un système en boucle fermée, la simulation effectue une expérience, obtient les résultats et les transmet à l’outil d’IA. L’outil d’IA en tire ensuite des leçons ou l’interprète d’une manière ou d’une autre, puis suggère l’expérience suivante. Et tout cela se passe sans intervention humaine », a déclaré Noah Paulson, informaticien à Argonne et auteur principal.

Malgré certaines faiblesses, les approches d’IA ont efficacement déterminé les moments optimaux de dose et de purge pour différents processus ALD simulés. Cela fait de l’étude l’une des premières à montrer que l’optimisation des couches minces en temps réel est possible à l’aide de l’IA.

« C’est passionnant car cela ouvre la possibilité d’utiliser ces types d’approches pour optimiser rapidement les processus ALD réels, une étape qui pourrait potentiellement faire gagner du temps et de l’argent aux fabricants lors du développement de nouvelles applications à l’avenir », a conclu Jeff Elam, chimiste senior. à Argonne et co-auteur.


Une nouvelle technique de gravure pourrait faire progresser la façon dont les dispositifs à semi-conducteurs sont fabriqués


Plus d’information:
Noah H. Paulson et al, Agents intelligents pour l’optimisation du dépôt de couche atomique, Matériaux et interfaces appliqués ACS (2021). DOI : 10.1021 / acsami.1c00649

Fourni par le Laboratoire National d’Argonne

Citation: Comment l’IA peut transformer la technique de stratification des semi-conducteurs (2021, 25 juin) récupéré le 25 juin 2021 sur https://techxplore.com/news/2021-06-ai-layering-technique-semiconductors.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable 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.