在机器学习和实时反控制的协助下,半导体基板的通用脱氧
Chao Shen1,2, Wenkang Zhan3,2, Jian Tang4
1School of Physics Science and Technology, Xinjiang University, Urumqi, Xinjiang 830046, China.
ACS applied materials & interfaces
|March 30, 2024
概括
本研究介绍了一种使用视觉变压器的AI模型,用于半导体制造中的自动化基板脱氧化. 这种机器学习方法在各种设备和材料中标准化了关键脱氧过程.
科学领域:
- 半导体制造业 半导体制造业
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 半导体制造过程中基质氧化会降低设备的性能.
- 在分子束表 (MBE) 中优化脱氧是具有挑战性和不一致的,因为基质和工艺的变化.
- 当前的脱氧化方法严重依赖专家的经验,导致结果变化.
研究的目的:
- 开发用于半导体制造的自动化,准确和标准化的脱氧化工艺.
- 克服传统的,依赖专业知识的脱氧化方法的局限性.
- 为了实现先进设备的持续高质量制造.
主要方法:
- 使用了一种机器学习模型,整合了插值和视觉转换器 (Interpolation-ViT) 技术.
- 使用反射高能电子衍射 (RHEED) 视频作为模型的输入.
- 在受控架构中开发了一种自动化脱氧系统.
主要成果:
- 插值-ViT模型准确地预测了自动脱氧化的基质状态.
- 证明了在一个MBE系统上训练的模型的成功部署,并以高精度将其部署到其他系统上.
- 在各种设备和基板上标准化脱氧温度,提高工艺的一致性.
结论:
- 开发的AI方法为半导体制造中基板脱氧化提供了标准化和可靠的方法.
- 这项技术有可能彻底改变光电子和微电子制造工艺.
- 这些发现为更一致,更高效的半导体设备生产铺平了道路.
