Autonomous, Self-driving Multi-Step Growth of Semiconductor Heterostructures Guided by Machine Learning

要約

半導体業界は、複雑な複数ステップのプロセスの迅速な最適化を可能にする閉ループの自律実験による反復タスクの自動化を優先してきました。
機械学習 (ML) の出現により、人間の介入を最小限に抑えた自動プロセスが導入されました。
この研究では、マルチステップでの分子線エピタキシー (MBE) 成長、連続的なその場モニタリング、およびオンザフライのフィードバック制御を実行できる自動運転自動化プラットフォームである SemiEpi を開発します。
標準ハードウェア、自家製ソフトウェア、カーブ フィッティング、および複数の ML モデルを統合することにより、SemiEpi は自律的に動作し、最適な結果を達成するために MBE プロセスにおける広範な専門知識を必要としません。
このプラットフォームは、以前の実験結果から積極的に学習し、好ましい条件を特定し、望ましい結果を達成するための新しい実験を提案します。
当社は、InAs/GaAs 量子ドット (QD) ヘテロ構造の成長を標準化および最適化し、ML ガイドによるマルチステップ成長の力を実証します。
初期成長条件を取得するために温度校正が実施され、ML を使用してプロセスの微制御が実行されました。
SemiEpi は、成長中に取得した RHEED ムービーを活用して、多段階のヘテロ構造成長のための新しいルートを特定し、最適化することに成功しました。
この研究は、あらゆるデバイスの多段階の成長における課題に対処する際の、閉ループの ML ガイド型システムの機能を実証します。
私たちの方法は、商業的に拡張可能なツールを使用して再現可能な材料成長を達成するために重要です。
当社の戦略は、成長パラメーターに関する徹底的な知識がなくても、ハードウェアに依存しないプロセスの開発を促進し、プロセスの再現性と安定性を向上させます。

要約(オリジナル)

The semiconductor industry has prioritized automating repetitive tasks by closed-loop, autonomous experimentation which enables accelerated optimization of complex multi-step processes. The emergence of machine learning (ML) has ushered in automated process with minimal human intervention. In this work, we develop SemiEpi, a self-driving automation platform capable of executing molecular beam epitaxy (MBE) growth with multi-steps, continuous in-situ monitoring, and on-the-fly feedback control. By integrating standard hardware, homemade software, curve fitting, and multiple ML models, SemiEpi operates autonomously, eliminating the need for extensive expertise in MBE processes to achieve optimal outcomes. The platform actively learns from previous experimental results, identifying favorable conditions and proposing new experiments to achieve the desired results. We standardize and optimize growth for InAs/GaAs quantum dots (QDs) heterostructures to showcase the power of ML-guided multi-step growth. A temperature calibration was implemented to get the initial growth condition, and fine control of the process was executed using ML. Leveraging RHEED movies acquired during the growth, SemiEpi successfully identified and optimized a novel route for multi-step heterostructure growth. This work demonstrates the capabilities of closed-loop, ML-guided systems in addressing challenges in multi-step growth for any device. Our method is critical to achieve repeatable materials growth using commercially scalable tools. Our strategy facilitates the development of a hardware-independent process and enhancing process repeatability and stability, even without exhaustive knowledge of growth parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google