Puolijohde ja mikroelektroniikka

1

 

Kuvaus

Ennusta puolijohdemateriaalien dielektriset, lämpö- ja elektroniset ominaisuudet ennen kuin kasvatat kiekon. MatterSeek yhdistää HNN-moottorin autonomiseen laboratorioon.

 

productcate-1600-900

Puolijohde ja mikroelektroniikka -Materiaalijärjestelmä / ennustettava suorituskyky / validointipolku

 

 

 

 

 

Tekoäly puolijohdemateriaaleille — Näytön eristeet, laajakaistaiset ja ohutkalvokandidaatit ennen kiekon kasvattamista

 

 

1. MatterSeek on tekoälymateriaalien T&K-alusta, joka ennustaa puolijohdemateriaalien ominaisuudet suoraan kemiallisesta koostumuksesta.

Eristeet, laajakaistaiset yhdisteet, ohutkalvopinot ja pakkausmateriaalit voidaan kaikki seuloa ohjelmistossa ennen yhden pinnoitus- tai sähkötestisyklin aikatauluttamista – sitten validoidaan itsenäisessä laboratoriossa.

2. Puolijohdemateriaalien kehitys on hidasta rakenteellisesta syystä: ominaisuuksien löytäminen on aidattu kalliilla, alhaisen suorituskyvyn fyysisellä iteraatiolla.

Uusi matala-k-dielektrinen aine, korkea-k-hitaoksidi tai laajakaistainen yhdiste kulkee tyypillisesti synteesin, kerrostuksen, kuvioinnin, hehkutuksen ja sähköisen karakterisoinnin läpi ennen kuin kukaan tietää, onko formulaatio käyttökelpoinen. Tämä silmukka maksaa viikkoja ehdokasta kohden ja tuottaa tietoja, jotka harvoin yleistyvät seuraavaan koostumukseen.

3. Kuinka työnkulku toimii. Kuvaat kohdetta selkeällä kielellä – esimerkiksi peruskoostumusalue sekä vaadittu ominaisuusikkuna, kuten dielektrisyysvakio välillä 20–60 tai sulamispiste yli 1 000 K.

MatterSeek jäsentää kuvauksen, rakentaa kokoonpanotilan ja palauttaa paremmuusjärjestykseen sijoitetut ehdokkaat ennustetuilla ominaisuuksilla ja epävarmuudella. Koostumuksen käsittely tukee yhdestä neljään peruselementtiä dopingtason säädöllä 0,02 tarkkuudella, mikä vastaa sitä, miten puolijohdedopingtutkimukset todellisuudessa on määritelty. Ennustus suoritetaan noin minuutissa kahdelle peruselementille, kahdessa minuutissa kolmelle ja seitsemässä minuutissa neljälle.

4. Ominaisuudet laajuudessa.

Moottori kattaa perheet, mukaan lukien sähkökemialliset, dielektriset, termiset, termodynaamiset, magneettiset, optiset ja mekaaniset käyttäytymiset – muun muassa dielektrisyysvakio, sulamispiste, suprajohtavuuden kriittinen lämpötila, Seebeck-kerroin, tehokerroin ja lämpösähköinen ansioluku. Tulokset palautetaan tutkakaavioina useiden kiinteistöjen vertailua varten, 2D- ja 3D-lämpökartat koostumuksen ja kiinteistöjen maisemille sekä vietäviä tietotaulukoita.

5. Missä autonominen laboratorio sulkee silmukan.

Ennustetut ehdokkaat voidaan työntää MatterSeekin 1 200 m²:n autonomiseen laboratorioon, joka on järjestetty kuuteen prosessiklusteriin, jotka sisältävät puhtaan ohutkalvopinnoituksen ja jälkikäsittelyn. Karakterisointi – XRD, XRF, Raman ja samanaikainen lämpöanalyysi – on automatisoitu, ja tavoite on 300–500 näytettä päivässä synteesireitistä riippuen. Mallin tarkkuus on 95,7 % fyysiseen mittaukseen verrattuna, ja mitatut tulokset saavat palautetta seuraavan ennustekierroksen tarkentamiseksi.

6. Materiaalijärjestelmät jo käsitelty

Sisältää dielektriset ja eristävät kerrokset, laajakaistaiset yhdisteet teholaitteille, ohutkalvo- ja liitäntämateriaalit sekä pakkausmateriaalit.

 

FAQ

 

 

K: Voiko tekoäly ennustaa dielektrisyysvakion ennen kuin materiaali syntetisoidaan?

V: Kyllä. MatterSeek ennustaa dielektrisyysvakion ja muita ominaisuuksia pelkän koostumuksen perusteella ja palauttaa arvon epävarmuusalueella, jotta voit luokitella ehdokkaat ennen pinnoitus- ja testauskapasiteetin määrittämistä.

K: Kuinka monta elementtiä voidaan seuloa kerralla?

V: Yhdestä neljään peruselementtiä, dopingtason tarkkuus 0,02.

K: Korvaako alusta sähköisen karakterisoinnin?

V: Ei. Ennustus kaventaa hakuavaruutta; fyysinen mittaus pysyy lopullisena tuomarina. Arvo on siinä, kuinka harvat ehdokkaat tarvitsevat nyt mittauksia.

Yuyao (Beijing) Technology Co., Ltd. on ammattimainen yritys, joka on erikoistunut tekoälyn ja puolijohde- ja mikroelektroniikan edistyneiden materiaalien risteykseen. Yritys on itsenäisesti kehittänyt MatterSeekin – perustavanlaatuisen materiaalisektorille räätälöidyn suuren mallin – ja uranuurtanut HNN-algoritmin (Hierarchical Neural Network) ja rakentanut samalla omaa, hallittavaa materiaalikokeilutietokantaa.