让机器完成工作：使用机器学习自动化半导体研究
半导体行业自20世纪中叶迈出第一步以来一直在稳步增长，今天，随着全球能源需求的紧张，对更快、更集成和更节能的半导体设备的需求不断增长。
现代半导体工艺已经达到纳米尺度，新型高性能材料的设计现在涉及到半导体纳米薄膜的结构分析。反射高能电子衍射 (RHEED) 是为此目的广泛使用的分析方法。RHEED 可用于在原子水平上确定薄膜表面形成的结构，甚至可以在合成薄膜时实时捕捉结构变化！
不过，尽管 RHEED 有很多好处，但它有时会因其输出模式复杂且难以解释这一事实而受到阻碍。几乎在所有情况下，都需要高技能的实验者来理解 RHEED 可以以衍射图案的形式产生的大量数据。但是，如果我们可以让机器学习在处理 RHEED 数据时完成大部分工作呢？
由东京理科大学 (TUS)和日本国立材料科学研究所 (NIMS)?的一组研究人员一直在致力于此。在他们于 2022 年 6 月 9 日在线发表在国际期刊《先进材料科学与技术：方法》上的最新研究中，该团队探索了使用机器学习自动分析 RHEED 数据的可能性。这项工作得到了 JST-PRESTO 和 JST-CREST 的支持，是 TUS 和日本 NIMS 联合研究的结果。
研究人员专注于在干净的单晶硅（用途最广泛的半导体材料之一）的第一个原子层上形成的表面超结构。取决于吸附的铟原子的数量和温度的微小差异。表面超结构是晶体表面独有的原子排列，其中原子以不同于晶体内部的周期性模式稳定，这取决于周围环境的差异。因为它们经常表现出独特的物理特性，所以表面上层结构是材料科学中非常感兴趣的焦点。
首先，该团队使用了不同的层次聚类方法，旨在根据各种相似性度量将样本划分为不同的聚类。这种方法用于检测存在多少不同的表面超结构。在尝试了不同的技术后，研究人员发现沃德的方法可以最好地跟踪表面超结构中的实际相变。
然后，科学家们试图确定合成每个已识别的表面超结构的最佳工艺条件。他们专注于最广泛地形成每个上层结构的铟沉积时间。主成分分析和其他典型的降维方法表现不佳。幸运的是，非负矩阵分解，一种不同的聚类和降维技术，可以准确自动地获得每个上层结构的最佳沉积时间。
总体而言，本研究报告的发现有望带来新的有效方法，将机器学习技术用于材料科学。该方法不仅可用于分析在薄膜硅单晶表面、金属晶体表面、蓝宝石、碳化硅、氮化镓和各种其他重要衬底上生长的超结构。希望该研究工作能够加速下一代半导体和高速通信设备的研发。获 取 更多前沿科技?研究 进展访问：https://byteclicks.com
反射高能电子衍射 (RHEED) 是一种成像技术，广泛用于分析通过物理气相沉积生长的材料的表面结构。但是，RHEED 会产生大量数据，并且是一种技能密集型工具。为了解决这个问题，TUS 和 NIMS 科学家采用机器学习技术来自动化分析中一些较难的部分。
版权声明：除特殊说明外，本站所有文章均为 字节点击 原创内容，采用 BY-NC-SA 知识共享协议。原文链接：https://byteclicks.com/38742.html 转载时请以链接形式标明本文地址。转载本站内容不得用于任何商业目的。本站转载内容版权归原作者所有，文章内容仅代表作者独立观点，不代表字节点击立场。报道中出现的商标、图像版权及专利和其他版权所有的信息属于其合法持有人，只供传递信息之用，非商务用途。如有侵权，请联系 gavin@byteclicks.com。我们将协调给予处理。
赞
