基于LSTM的框架,用于使用模拟的XRD模式预测半导体材料的点缺陷百分比
Mehran Motamedi1, Reza Shidpour2, Mehdi Ezoji3
1Department of Materials Engineering, Babol Noshirvani University of Technology, Babol 47148-71167, Iran.
Scientific reports
|October 17, 2024
概括
本研究介绍了一种使用长短期记忆 (LSTM) 网络的机器学习模型,用于从X射线衍射 (XRD) 数据中预测半导体缺陷百分比. 该方法准确预测各种材料的缺陷,为材料科学研究提供了一种新的方法.
科学领域:
- 材料科学 材料科学 材料科学
- 凝聚物质物理学 凝聚物质物理学
- 计算材料科学科学 计算材料科学
背景情况:
- 准确预测点缺陷百分比对于半导体性能至关重要.
- 传统的缺陷分析方法可能耗时且复杂.
- 模拟的X射线衍射 (XRD) 数据为非破坏性缺陷表征提供了一个潜在的途径.
研究的目的:
- 开发和验证用于预测半导体材料点缺陷百分比的机器学习模型.
- 为了利用长短期内存 (LSTM) 网络和滑动窗技术,从模拟的XRD数据中提取增强的特征.
- 评估模型在不同半导体材料和晶体结构中的通用性.
主要方法:
- 利用长短期内存 (LSTM) 网络对模拟的XRD数据进行时间序列分析.
- 实施了滑动窗技术,以有效地提取特征并捕获时间依赖.
- 使用模拟的XRD数据训练和优化模型,探索各种序列长度和LSTM单元.
主要成果:
- 优化的LSTM模型 (3501个序列长度,4500个单元) 实现了0.021.1.0的低平均绝对误差.
- 该模型成功预测了和其他材料 (如AlAs,CdS,GaAs,Ge和ZnS) 的0-10%的缺陷百分比.
- 观察到XRD模式中缺陷百分比增加和背景强度增加之间的直接相关性.
- 对具有钻石立方体和混合晶体结构的材料确定了一致的预测趋势.
结论:
- 拟议的基于LSTM的方法提供了一个准确和有效的方法,用于从模拟的XRD数据中预测半导体点缺陷百分比.
- 滑动窗技术增强了该模型在各种半导体材料中概括的能力.
- 这种方法为半导体制造中的材料表征和质量控制提供了有前途的工具.
