Crédit :domaine public CC0
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 comptent de plus en plus sur ALD pour fabriquer de nouveaux types de films, mais trouver comment ajuster 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 les Matériaux appliqués et interfaces de l'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 pouvant 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 passez pas de temps à mettre un échantillon dans le réacteur, à le sortir, à faire des mesures, etc. comme vous le feriez habituellement aujourd'hui. Au lieu de cela, vous avez un temps réel boucle qui se connecte au réacteur », a déclaré Angel Yanguas-Gil, scientifique principal des matériaux à Argonne, co-auteur de l'étude.
A 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 les composants proches dans les transistors à l'échelle nanométrique.
ALD excelle dans la production de films précis à l'échelle nanométrique sur des surfaces 3D complexes telles que les tranchées profondes et étroites modelées sur des tranches 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 couches minces 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 main-d'œuvre. Les chercheurs doivent tenir compte de nombreux facteurs différents qui peuvent modifier le processus, notamment :
Dans un effort pour trouver des moyens de surmonter ces défis, les scientifiques d'Argonne ont évalué trois stratégies d'optimisation - aléatoire, système expert et optimisation bayésienne - les deux dernières utilisant différentes approches d'IA.
Configurez-le et oubliez-le
Les chercheurs ont évalué leurs trois stratégies en comparant la manière dont ils optimisaient le dosage et les temps de purge des deux précurseurs utilisés dans l'ALD. Le temps de dosage fait référence à la période 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 de film élevée et stable dans les plus brefs délais. Les scientifiques ont également évalué les stratégies en fonction de la rapidité avec laquelle elles ont convergé vers l'ensemble idéal de délais à l'aide de simulations représentant le processus ALD à l'intérieur d'un réacteur.
Lier leurs approches d'optimisation à leur système simulé leur permet 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 passez pas de temps à mettre un échantillon dans le réacteur, à le sortir, à faire des mesures, etc., comme vous le feriez généralement. Au lieu de cela, vous avez un véritable -boucle temporelle qui se connecte au réacteur », a déclaré Angel Yanguas-Gil, scientifique principal des matériaux à 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 alors des leçons ou les interprète d'une manière ou d'une autre, puis suggère la prochaine expérience. Et tout cela se produit sans intervention humaine », a déclaré Noah Paulson, informaticien à Argonne et auteur principal.
Malgré certaines faiblesses, les approches d'IA ont déterminé efficacement 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.
