相关实验视频
Updated: Jun 29, 2025
15:47
Nanofabrication of Gate-defined GaAs/AlGaAs Lateral Quantum Dots
Published on: November 1, 2013
16.2K
机器学习辅助和实时反控制的InAs/GaAs量子点的增长
Chao Shen1,2,3, Wenkang Zhan1,2, Kaiyao Xin2,4
1Laboratory of Solid State Optoelectronics Information Technology, Institute of Semiconductors, Chinese Academy of Sciences, Beijing, 100083, China.
Nature communications
|March 30, 2024
概括
本研究引入了一种自动机器学习方法,用于精确控制分子束表 (MBE) 增长过程中化/化量子点 (QD) 的密度. 这种智能方法显著加快了优化,并提高了光电子设备的可复制性.
科学领域:
- 半导体物理 半导体物理
- 材料科学 材料科学 材料科学
- 纳米技术纳米技术
背景情况:
- 自组装的化/化量子点 (QD) 对激光器和单光子源至关重要.
- 通过分子束表达 (MBE) 实现所需的QD密度和质量是复杂的,通常涉及广泛的试错.
研究的目的:
- 开发一种自动化,智能化,实时反控制方法,用于任意的QD密度增长.
- 为了加快优化过程,并提高MBE增长的可复制性.
主要方法:
- 实现一个机器学习 (ML) 模型,3D ResNet 50,训练反射高能电子衍射 (RHEED) 视频.
- 利用实时RHEED视频反来分析MBE生长过程中的表面形态和过程控制.
主要成果:
- ML模型成功地预测了生长后的QD密度,从而实现了精确的调整.
- 证明了对QD密度的控制,实现范围从3.8 × 10^8 cm^-2到1.4 × 10^11 cm^-2.
- 显著减少了MBE流程优化所需的时间和精力.
结论:
- 开发的基于ML的实时反系统为半导体材料增长提供了一种革命性的方法.
- 这种方法有望广泛应用于各种材料生长过程,转变光电子和微电子制造.
