Machine-Learning-Assisted and Real-Time-Feedback-Controlled Growth of InAs/GaAs Quantum Dots

要約

自己組織化 InAs/GaAs 量子ドット (QD) は、QD レーザーや単一光子源などのさまざまな光電子デバイスの開発にとって非常に価値のある特性を持っています。
アプリケーションはこれらのドットの密度と品質に大きく依存しているため、高品質のエピウェーハとデバイスを実現するための成長プロセス制御の研究が動機付けられています。
特定の量子ドット密度に対する分子線エピタキシー (MBE) のプロセス パラメーターを確立することは、多次元の最適化の課題であり、通常は時間のかかる反復的な試行錯誤を通じて対処されます。
一方、反射型高速電子回折 (RHEED) は、その場での豊富な成長情報を取得するために広く使用されています。
ただし、ノイズが多く重なった画像から情報を抽出するという課題は依然として残っています。
ここでは、3D ResNet に基づいて、静止画像の代わりに RHEED ビデオをトレーニングし、プロセス制御のために表面形態に関するリアルタイムのフィードバックを提供するために特別に設計された機械学習 (ML) モデルを開発しました。
我々は、QD密度を1.5E10cm-2から3.8E8cm-2、または最大1.4E11cm-2までほぼリアルタイムで調整することに成功し、以前の成長からのMLがQDの成長後の密度を予測できることを実証した。
従来の方法と比較して、現場での調整機能と優れた信頼性を備えた当社のアプローチは、材料の最適化プロセスを劇的に迅速化し、MBE成長の再現性を向上させることができ、薄膜成長技術にとって大きな進歩となります。
この研究で実現可能であることが証明された概念と方法論は、さまざまな材料成長プロセスに適用されることが期待されており、マイクロエレクトロニクスおよびオプトエレクトロニクス産業の半導体製造に革命をもたらすでしょう。

要約(オリジナル)

Self-assembled InAs/GaAs quantum dots (QDs) have properties highly valuable for developing various optoelectronic devices such as QD lasers and single photon sources. The applications strongly rely on the density and quality of these dots, which has motivated studies of the growth process control to realize high-quality epi-wafers and devices. Establishing the process parameters in molecular beam epitaxy (MBE) for a specific density of QDs is a multidimensional optimization challenge, usually addressed through time-consuming and iterative trial-and-error. Meanwhile, reflective high-energy electron diffraction (RHEED) has been widely used to capture a wealth of growth information in situ. However, it still faces the challenges of extracting information from noisy and overlapping images. Here, based on 3D ResNet, we developed a machine learning (ML) model specially designed for training RHEED videos instead of static images and providing real-time feedback on surface morphologies for process control. We demonstrated that ML from previous growth could predict the post-growth density of QDs, by successfully tuning the QD densities in near-real time from 1.5E10 cm-2 down to 3.8E8 cm-2 or up to 1.4 E11 cm-2. Compared to traditional methods, our approach, with in-situ tuning capabilities and excellent reliability, can dramatically expedite the material optimization process and improve the reproducibility of MBE growth, constituting significant progress for thin film growth techniques. The concepts and methodologies proved feasible in this work are promising to be applied to a variety of material growth processes, which will revolutionize semiconductor manufacturing for microelectronic and optoelectronic industries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google