为了制造计算机芯片，世界各地的技术人员都依赖原子层沉积 (ALD)，它可以制造出只有一个原子厚的薄膜。企业通常使用 ALD 来制造半导体器件，但它也应用于太阳能电池、锂电池和其他能源相关领域。

如今，制造商越来越依赖 ALD 来制造新型薄膜，但要弄清楚如何为每种新材料调整工艺需要时间。

部分问题在于研究人员主要使用反复试验来确定最佳生长条件。但最近发表的一项研究——该科学领域的首批研究之一——表明使用人工智能 (AI) 可以更有效。

在ACS Applied Materials & Interfaces研究中，美国能源部 (DOE) 阿贡国家实验室的研究人员描述了多种基于 AI 的方法来自主优化 ALD 工艺。他们的工作详细介绍了每种方法的相对优势和劣势，以及可用于更有效、更经济地开发新流程的见解。

“所有这些算法都提供了一种更快地收敛到最佳组合的方法，因为您不必像今天通常那样花时间将样品放入反应器中，取出样品，进行测量等。相反，您有一个实时与反应堆连接的回路，”该研究的合著者、Argonne 首席材料科学家 Angel Yanguas-Gil 说。

前沿，但也面临挑战

在 ALD 中，两种不同的化学蒸气(称为前体)粘附在表面上，在此过程中添加了一层薄膜。这一切都发生在化学反应器内，并且是连续的：添加一种前体并与表面相互作用，然后去除多余的前体。然后引入第二个前体，然后取出，重复该过程。在微电子领域，ALD 薄膜可用于电绝缘纳米级晶体管中的附近组件。

ALD 擅长在复杂的 3D 表面上生长精确的纳米级薄膜，例如在硅晶片上形成图案的深而窄的沟槽，以制造当今的计算机芯片。这促使全世界的科学家为下一代半导体器件开发新的薄膜 ALD 材料。

然而，开发和优化这些新的 ALD 工艺是具有挑战性和劳动密集型的。研究人员必须考虑许多可以改变这一过程的不同因素，包括：

分子前体之间的复杂化学反应

反应器设计、温度和压力

其前体的每剂给药时间

为了找到克服这些挑战的方法，阿贡科学家评估了三种优化策略——随机、专家系统和贝叶斯优化——后两种使用不同的 AI 方法。

设置并忘记它

研究人员通过比较他们如何优化 ALD 中使用的两种前体的剂量和清洗时间来评估他们的三种策略。加药时间是指前体加入反应器的时间，而吹扫时间是指去除多余的前体和气态化学产品所需的时间。

目标：找到可以在最短的时间内实现高且稳定的薄膜生长的条件。科学家们还使用代表反应堆内 ALD 过程的模拟来判断他们收敛到理想时间集的速度有多快。

将他们的优化方法与模拟系统联系起来，让他们能够根据优化算法生成的处理条件，在每个循环后实时测量薄膜的生长情况。

“所有这些算法都提供了一种更快地收敛到最佳组合的方法，因为您不必像通常那样花时间将样品放入反应器、取出样品、进行测量等。相反，您有一个真实的- 与反应堆连接的时间回路，”该研究的合著者、阿贡首席材料科学家安吉·扬瓜斯-吉尔说。

这种设置还通过形成一个闭环系统使两种 AI 方法的过程自动化。

“在一个闭环系统中，模拟执行一个实验，得到结果，并将其提供给 AI 工具。然后 AI 工具从中学习或以某种方式解释它，然后建议下一个实验。这一切在没有人工输入的情况下发生，”阿贡的计算科学家和主要作者诺亚保尔森说。

尽管存在一些弱点，但人工智能方法有效地确定了不同模拟 ALD 工艺的最佳剂量和清洗时间。这使得这项研究成为第一批表明使用 AI 可以实时优化薄膜的研究。

“这是令人兴奋的，因为它开辟了使用这些类型的方法来快速优化实际 ALD 工艺的可能性，这一步骤可能会在未来开发新应用时为制造商节省宝贵的时间和金钱，”高级化学家 Jeff Elam 总结道。在阿贡和合著者。