[Vui lòng đăng ký trang Youtube của Pacific Group tại
https://www.youtube.com/channel/UCAxje1GxiUpZD6MEcR0f5Jg/videos
Chúng tôi có các buổi chia sẻ về kinh doanh thực tế hàng tuần]
Để máy móc thực hiện công việc: Tự động hóa nghiên cứu chất bán dẫn với máy học
Nhiễu xạ điện tử năng lượng cao phản xạ (RHEED) là một kỹ thuật hình ảnh được sử dụng rộng rãi để phân tích cấu trúc bề mặt của vật liệu phát triển thông qua lắng đọng hơi vật lý. Tuy nhiên, RHEED tạo ra một lượng lớn dữ liệu và là một công cụ cần nhiều kỹ năng để sử dụng. Để giải quyết vấn đề này, các nhà khoa học của TUS và NIMS sử dụng các kỹ thuật máy học để tự động hóa một số phần khó hơn của phân tích. Nhà cung cấp hình ảnh: Naoka Nagamura từ Viện Khoa học Vật liệu Quốc gia và Đại học Khoa học Tokyo
Ngành công nghiệp bán dẫn đã và đang phát triển ổn định kể từ những bước đầu tiên của nó vào giữa thế kỷ XX và nhờ vào công nghệ thông tin và truyền thông tốc độ cao mà nó cho phép, nó đã nhường chỗ cho quá trình số hóa xã hội nhanh chóng. Ngày nay, phù hợp với nhu cầu năng lượng toàn cầu eo hẹp, ngày càng có nhiều nhu cầu về các thiết bị bán dẫn nhanh hơn, tích hợp hơn và tiết kiệm năng lượng hơn.
Tuy nhiên, các quy trình bán dẫn hiện đại đã đạt đến quy mô nanomet, và việc thiết kế các vật liệu hiệu suất cao mới hiện nay liên quan đến việc phân tích cấu trúc của các màng nano bán dẫn. Nhiễu xạ điện tử năng lượng cao phản xạ (RHEED) là một phương pháp phân tích được sử dụng rộng rãi cho mục đích này. RHEED có thể được sử dụng để xác định cấu trúc hình thành trên bề mặt của màng mỏng ở cấp độ nguyên tử và thậm chí có thể nắm bắt những thay đổi cấu trúc trong thời gian thực khi màng mỏng đang được tổng hợp!
Thật không may, đối với tất cả những lợi ích của nó, RHEED đôi khi bị cản trở bởi thực tế là các mẫu đầu ra của nó rất phức tạp và khó diễn giải. Trong hầu hết mọi trường hợp, cần một người thực nghiệm có tay nghề cao để hiểu được lượng dữ liệu khổng lồ mà RHEED có thể tạo ra dưới dạng các mẫu nhiễu xạ. Nhưng điều gì sẽ xảy ra nếu chúng ta có thể khiến máy học thực hiện hầu hết công việc khi xử lý dữ liệu RHEED?
Một nhóm các nhà nghiên cứu do Tiến sĩ Naoka Nagamura, phó giáo sư thỉnh giảng tại Đại học Khoa học Tokyo (TUS) và là nhà nghiên cứu cấp cao của Viện Khoa học Vật liệu Quốc gia (NIMS), Nhật Bản, dẫn đầu, đang nghiên cứu vấn đề đó. Trong nghiên cứu mới nhất của họ, được công bố trực tuyến vào ngày 09 tháng 6 năm 2022 trên tạp chí quốc tế Science and Technology of Advanced Materials: Method, nhóm đã khám phá khả năng sử dụng máy học để tự động phân tích dữ liệu RHEED. Công trình này được hỗ trợ bởi JST-PRESTO và JST-CREST, là kết quả nghiên cứu chung của TUS và NIMS, Nhật Bản. Nó được đồng tác giả bởi Bà Asako Yoshinari, Giáo sư Masato Kotsugi cũng từ TUS, và Tiến sĩ Yuma Iwasaki từ NIMS.
Các nhà nghiên cứu tập trung vào các siêu cấu trúc bề mặt hình thành trên các lớp nguyên tử đầu tiên của silicon đơn tinh thể sạch (một trong những vật liệu bán dẫn linh hoạt nhất), tùy thuộc vào lượng nguyên tử indium bị hấp phụ và sự khác biệt nhỏ về nhiệt độ. Cấu trúc thượng tầng bề mặt là sự sắp xếp nguyên tử duy nhất đối với bề mặt tinh thể nơi các nguyên tử ổn định theo các kiểu tuần hoàn khác với các cấu trúc bên trong phần lớn của tinh thể, tùy thuộc vào sự khác biệt trong môi trường xung quanh. Bởi vì chúng thường biểu hiện các tính chất vật lý độc đáo, các cấu trúc thượng tầng bề mặt là tâm điểm được quan tâm nhiều trong khoa học vật liệu.
Đầu tiên, nhóm nghiên cứu đã sử dụng các phương pháp phân nhóm phân cấp khác nhau, nhằm mục đích phân chia các mẫu thành các cụm khác nhau dựa trên các thước đo độ tương đồng khác nhau. Cách tiếp cận này phục vụ cho việc phát hiện có bao nhiêu cấu trúc thượng tầng bề mặt khác nhau. Sau khi thử các kỹ thuật khác nhau, các nhà nghiên cứu nhận thấy rằng phương pháp của Ward có thể theo dõi tốt nhất các chuyển pha thực tế trong các cấu trúc thượng tầng bề mặt.
Sau đó, các nhà khoa học đã tìm cách xác định các điều kiện quá trình tối ưu để tổng hợp từng siêu cấu trúc bề mặt đã được xác định. Họ tập trung vào thời gian lắng đọng indium mà mỗi cấu trúc thượng tầng được hình thành rộng rãi nhất. Phân tích thành phần chính và các phương pháp điển hình khác để giảm kích thước không hoạt động tốt. May mắn thay, phân tích nhân tử ma trận không âm, một kỹ thuật phân cụm và giảm thứ nguyên khác, có thể thu được thời gian lắng đọng tối ưu cho mỗi cấu trúc thượng tầng một cách chính xác và tự động. Vui mừng về những kết quả này, Tiến sĩ Nagamura nhận xét rằng "những nỗ lực của họ sẽ giúp tự động hóa công việc thường đòi hỏi các chuyên gia phân tích thủ công tốn nhiều thời gian. Chúng tôi tin rằng nghiên cứu của chúng tôi có khả năng thay đổi cách thức nghiên cứu vật liệu và cho phép các nhà khoa học chi tiêu nhiều hơn thời gian theo đuổi sáng tạo. "
Nhìn chung, những phát hiện được báo cáo trong nghiên cứu này hy vọng sẽ dẫn đến những cách thức mới và hiệu quả trong việc sử dụng kỹ thuật học máy cho khoa học vật liệu — một chủ đề trọng tâm trong lĩnh vực tin học vật liệu. Đổi lại, điều này sẽ có ý nghĩa trong cuộc sống hàng ngày của chúng ta khi các thiết bị và công nghệ hiện có được nâng cấp với vật liệu tốt hơn. "Phương pháp của chúng tôi có thể được sử dụng để phân tích các cấu trúc thượng tầng không chỉ phát triển trên các bề mặt đơn tinh thể silicon màng mỏng, mà còn cả các bề mặt tinh thể kim loại, sapphire, silic cacbua, gali nitride và nhiều chất nền quan trọng khác. Do đó, chúng tôi kỳ vọng công việc của mình sẽ thúc đẩy quá trình nghiên cứu và phát triển các chất bán dẫn thế hệ tiếp theo và các thiết bị truyền thông tốc độ cao, "Tiến sĩ Nagamura kết luận.
