Mettre à rude épreuve les semi-conducteurs pour les puces de nouvelle génération

Mettre à rude épreuve les semi-conducteurs pour les puces de nouvelle génération

a Représentation différente d’une structure de bande. Dans la vue « aplatie », une structure de bande est représentée sous forme de N tableaux aplatis empilés (vecteurs) et traitée comme des valeurs indépendantes. Chaque rangée a une longueur de m3. Dans l’analogie « image numérique », la structure de bande est envisagée comme N images 3D différentes empilées, dont chacune a une dimension « voxel » de m × m × m. Les valeurs propres sur une bande d’énergie peuvent alors être considérées comme « l’échelle de couleurs » des voxels. b Comparaison des deux approches différentes du BC. Nous prédisons les valeurs propres pour chaque bande d’énergie séparément en utilisant la représentation de la structure de bande « aplatie » pour obtenir la structure de bande entière. Crédit : DOI : 10.1038/s41524-021-00538-0

Les chercheurs de Skoltech et leurs collègues des États-Unis et de Singapour ont créé un réseau neuronal qui peut aider à modifier les cristaux semi-conducteurs de manière contrôlée pour obtenir des propriétés supérieures pour l’électronique. Cela permet une nouvelle direction de développement des puces et des cellules solaires de nouvelle génération en exploitant une déformation contrôlable qui peut modifier les propriétés d’un matériau à la volée. L’article a été publié dans la revue Matériaux de calcul npj.

Les matériaux à l’échelle nanométrique peuvent résister à des déformations importantes. Dans ce qu’on appelle l’état tendu, ils peuvent présenter des propriétés optiques, thermiques, électroniques et autres remarquables en raison d’un changement dans les distances interatomiques. Les propriétés intrinsèques d’un matériau contraint peuvent changer, le silicium semi-conducteur, par exemple, se transformant en un matériau qui conduit librement le courant électrique.

De plus, en faisant varier le niveau de déformation, on peut modifier ces propriétés à la demande. Cette notion a donné lieu à tout un champ d’investigation : l’ingénierie des déformations élastiques, ou ESE. L’approche peut être utilisée, par exemple, pour modifier les performances des semi-conducteurs, fournissant une solution de contournement potentielle pour la limite imminente de la loi de Moore, lorsque nous épuiserons nos autres options pour augmenter les performances des puces. Une autre application possible se situe dans le domaine du développement de cellules solaires. Comme l’explique le co-auteur de l’étude Alexander Shapeev de Skoltech, on peut concevoir une cellule solaire avec des propriétés accordables qui peuvent être modifiées à la demande afin de maximiser les performances et de s’adapter aux circonstances extérieures.

Dans leurs travaux précédents, Skoltech Ph.D. Le diplômé Evgenii Tsymbalov, le professeur agrégé Alexander Shapeev et leurs collègues ont utilisé l’ESE pour transformer des aiguilles en diamant nanométriques d’isolantes en aiguilles hautement conductrices et métalliques, offrant ainsi un aperçu de l’éventail des possibilités de cette technologie. Aujourd’hui, l’équipe a introduit une architecture de réseau neuronal convolutif qui peut guider les efforts ESE pour les semi-conducteurs.

« Le réseau neuronal que nous avons conçu prend le tenseur de contrainte comme entrée et prédit la structure de la bande électronique – un » instantané  » physique qui décrit les propriétés électroniques d’un matériau contraint. Il peut ensuite être utilisé pour calculer toutes les propriétés d’intérêt, y compris le la bande interdite, ses propriétés et le tenseur de masse efficace des électrons », a déclaré Shapeev.

Ce travail poursuit des recherches antérieures et les développe. « Nous allons au-delà des approches précédemment utilisées en concevant et en mettant en œuvre un modèle sur mesure basé sur l’architecture de réseau de neurones convolutifs, pour la tâche ESE », a déclaré Tsymbalov. « Nous prenons également en compte les propriétés physiques et les symétries afin d’améliorer le modèle. »

L’approche combine diverses sources de données, par exemple, les calculs bon marché mais inexacts avec des sources précises mais coûteuses afin d’améliorer la précision et la convergence du modèle. « Une autre caractéristique distincte est l’apprentissage actif : nous permettons au modèle de deviner quelles données peuvent être les plus utiles à obtenir dans la prochaine étape de formation, et de les utiliser pour la formation. Dans la dernière étape, le réseau est formé sur un ensemble de calculs coûteux données des calculs très précis basés sur GW, et cette procédure nous permet de réduire la quantité de calculs nécessaires », a ajouté Tsymbalov.

L’équipe note que son nouveau réseau de neurones est « plus polyvalent, précis et efficace dans sa capacité à faciliter l’apprentissage en profondeur autonome de la structure de bande électronique des solides cristallins » que les solutions de pointe. Cela le rend plus rapide et plus précis lors de la recherche et de l’optimisation dans l’espace de déformation, ce qui conduit aux valeurs de déformation optimales pour des chiffres de mérite donnés.

Dans leurs travaux antérieurs, les chercheurs ont testé une itération précédente du modèle dans le scénario d’une expérience répétée in situ sur le diamant. « Hélas, pour l’instant, il n’existe aucun dispositif capable de déformer le diamant avec un tenseur de déformation 6D arbitraire, mais il existe des équipes et des laboratoires qui poursuivent cette direction du point de vue expérimental », a commenté Tsymbalov.

Cette étude fait partie d’une collaboration de plusieurs années entre Skoltech, le Massachusetts Institute of Technology et l’Université technologique de Nanyang, avec les scientifiques de Skoltech axés sur l’aspect informatique et l’apprentissage automatique et leurs collègues en charge de la composante physique du travail. « Nous travaillons actuellement sur notre prochain article, consacré aux limites des déformations élastiques admissibles. C’est un sujet important car les limites théoriques de la déformation élastique sûre pour l’ESE restent à découvrir », a conclu le chercheur.


Les scientifiques prédisent de nouveaux matériaux extra-durs


Plus d’information:
Evgenii Tsymbalov et al, Apprentissage automatique pour l’ingénierie des déformations élastiques profondes de la structure de bande électronique semi-conductrice et de la masse effective, Matériaux de calcul npj (2021). DOI : 10.1038 / s41524-021-00538-0

Fourni par l’Institut des sciences et de la technologie de Skolkovo

Citation: Mettre une pression sur les semi-conducteurs pour les puces de nouvelle génération (2021, 14 juillet) récupéré le 14 juillet 2021 sur https://techxplore.com/news/2021-07-strain-semiconductors-next-gen-chips.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.