机器能做这项工作吗？

科学家转向机器学习来定量分析薄半导体表面的表面超结构信息

 

开发新的薄半导体材料需要对大量反射高能电子衍射（RHEED）数据进行定量分析，这既耗时又需要专业知识。为了解决这个问题，东京理工大学的科学家已经确定了可以帮助RHEED数据分析自动化的机器学习技术。他们认为，他们的发现可以大大加速半导体研究，并为更快、节能的电子器件铺平道路。

 

由于现代半导体工艺已达到纳米级，新型高性能材料的设计已涉及到半导体纳米薄膜的结构分析。RHEED可用于在原子级确定薄膜表面形成的结构，甚至可以在合成薄膜时实时捕获结构变化。

 

不幸的是，尽管RHEED有很多优点，但其复杂输出模式有时会阻碍它的发展，这些模式很难解释。在几乎所有情况下，都需要一位技术娴熟的实验者来理解RHEED可以以衍射图案的形式产生的大量数据。但是，如果我们可以让机器学习在处理RHEED数据时完成大部分工作，那会怎么样？

 

由东京理工大学（TUS）客座副教授、日本国家材料科学研究所（NIMS）高级研究员Naoka Nagamura领导的研究团队正致力于此。在2022年6月9日在线发表在国际期刊《先进材料科学与技术：方法》上的最新研究中，该团队探索了使用机器学习自动分析RHEED数据的可能性。

 

这项工作得到了JST-PRESTO和JST-CREST的支持，是TUS和日本NIMS联合研究的结果。合著者是TUS的Asako Yoshinari和Masato Kotsugi，以及来自NIMS的Yuma Iwasaki。

 

研究人员重点研究了干净的单晶硅第一个原子层上形成的表面超结构，它取决于吸附的铟原子数量和温度的微小差异。

 

首先，该团队使用了不同的层次聚类方法，旨在根据不同的相似性度量将样本划分为不同的聚类。此方法用于检测存在多少不同的曲面上部结构。在尝试了不同的技术之后，研究人员发现，Ward的方法可以最好地跟踪表面超结构中的实际相变。

 

然后，科学家们试图确定合成每一种已识别表面上部结构的最佳工艺条件。他们关注的是每个上部结构最广泛形成的铟沉积时间。主成分分析和其他典型的降维方法表现不佳。

 

幸运的是，一种不同的聚类和降维技术——非负矩阵分解可以准确地自动获得每个上部结构的最佳沉积时间。

 

Nagamura对这些结果感到兴奋，他说：“我们的努力将有助于通常需要专家进行耗时的手动分析的自动化工作。我们相信，我们的研究有可能改变材料研究的方式，并让科学家将更多的时间花在创造性研究上。”

 

总的来说，本研究报告的结果有望为材料科学——材料信息学领域的一个中心主题——使用机器学习技术找到新的有效方法。反过来，随着现有设备和技术用更好的材料进行升级，这将对我们的日常生活产生影响。

 

“我们的方法不仅可以用于分析薄膜硅单晶表面上生长的超结构，还可以分析金属晶体表面、蓝宝石、SiC、GaN和其他各种重要衬底上生长的超结构。因此，我们希望我们的工作能够加速下一代半导体和高速通信设备的研发，”Nagamura总结道。

 

参考文献

'Skill-agnostic analysis of reflection high-energy electron diffraction patterns for Si(111) surface superstructures using machine learning' Journal: Science and Technology of Advanced Materials: Methods (2022)

 

声明：本篇文章属于原创，拒绝转载，如果需要转载，请联系我们，联系电话：0755-25988571。