基于机器学习的探索分子设计描述器的区域选择性原子层沉积 (AS-ALD) 前体
Tran Thi Ngoc Van1, Changsu Kim2, Hojae Lee1
1Chemical Engineering, Hongik University, Seoul, 04066, South Korea.
Journal of molecular modeling
|December 13, 2023
概括
开发区域选择性原子层沉积 (AS-ALD) 前体的分子设计原理对于高效的氧化膜生长至关重要. 机器学习模型可以预测前体反应性,有助于选择有效的AS-ALD材料.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 表面科学是一门学科.
背景情况:
- 区域选择性原子层沉积 (AS-ALD) 通过利用基质表面化学,使精确的薄膜生长成为可能.
- 选择有效的前体对于在AS-ALD中实现高沉积选择性至关重要.
- 目前的研究缺乏AS-ALD前体开发的理论设计规则,阻碍了进展.
研究的目的:
- 为AS-ALD前体提出一个分子设计原则.
- 使用量身定制的前体,在各种基板上实现高氧化物沉积选择性.
- 建立对AS-ALD金属氧化物前体反应性的基本理解.
主要方法:
- 利用密度函数理论 (DFT) 的计算来分析前体结构-反应性关系.
- 采用机器学习 (ML),特别是人工神经网络 (ANN),以确定关键的AS-ALD过程描述符.
- 开发了一种ANN模型,根据表面终结预测前体反应性.
主要成果:
- 初步结果表明,基于ML的预测模型可以在分子层面上提供对金属氧化物前体活性的洞察.
- 该研究旨在为AS-ALD的前体的合理设计和选择提供基础.
- 确定了影响选择性沉积前体反应性的关键描述因素.
结论:
- 提出的分子设计原理和ML方法可以加速发现高效的AS-ALD前体.
- 这项工作有助于推进AS-ALD技术,用于制造先进的薄膜.
- 预测模型增强了对先驱物质的理解和选择,以实现有针对性的沉积.
