在超薄a-IGZO TFT 中同时改善多个电气特性,使用机器学习优化
Hyunkyu Yang1,2, Jiho Lee1, Chaeyoung Park3
1Department of Chemical and Biological Engineering, and Institute of Chemical Processes, College of Engineering, Seoul National University, 1, Gwanak-ro, Gwanak-gu, Seoul 08826, Republic of Korea.
ACS applied materials & interfaces
|February 11, 2025
概括
这项研究使用机器学习来优化3D DRAM的氧化 (IGZO) 薄膜晶体管 (TFT). 该方法在超薄IGZO通道中实现了高流动性和接近零的门电压.
科学领域:
- 材料科学 材料科学 材料科学
- 半导体物理 半导体物理
- 机器学习应用 机器学习应用
背景情况:
- 氧化 (IGZO) 是一个有前途的材料,可以克服基于的动态随机访问存储器 (DRAM) 的缩放限制.
- 实现具有优化电气性能的超薄IGZO结构对于下一代3D DRAM至关重要,但过程优化具有挑战性.
- 移动性降低和在超薄膜中保持恒定的门电压需要先进的优化技术.
研究的目的:
- 为了同时优化超薄IGZO薄膜晶体管 (TFT) 的多个电气目标.
- 在复杂的喷射条件下实现高场效移动性和接近零的门电压.
- 为了利用机器学习和专家知识,有效地优化流程变量.
主要方法:
- 使用机器学习 (ML) 的多目标贝叶斯优化 (MOBO).
- 将经验见解和专家知识集成到MOBO的特征提取中.
- 优化喷条件,包括Ar气流量,喷功率和工作压力.
主要成果:
- 构建了帕雷托最佳前沿,以可视化不同目标之间的权衡.
- 实现了 33.1 cm2/V·s 的高场效移动性.
- 在7.47 nm的通道厚度下,获得了接近零的0.05 V的门电压.
结论:
- 这种MOBO方法有效地优化了对超薄IGZO TFTs的复杂喷过程.
- 这种ML辅助的方法可以同时增强移动性和值电压.
- 这些发现预计将推进下一代半导体技术,以提高效率和性能.
