Para fazer chips de computador, tecnólogos de todo o mundo confiam na deposição de camada atômica (ALD), que pode criar filmes tão finos quanto um átomo de espessura. As empresas geralmente usam o ALD para fabricar dispositivos semicondutores, mas também tem aplicações em células solares, baterias de lítio e outros campos relacionados à energia.
Hoje, os fabricantes confiam cada vez mais no ALD para fazer novos tipos de filmes, mas descobrir como ajustar o processo para cada novo material leva tempo.

Parte do problema é que os pesquisadores usam principalmente tentativa e erro para identificar as condições ideais de crescimento. Mas um estudo publicado recentemente – um dos primeiros neste campo científico – sugere que o uso de inteligência artificial (IA) pode ser mais eficiente.

Nos Materiais Aplicados e Interfaces ACS No estudo, pesquisadores do Laboratório Nacional Argonne do Departamento de Energia dos EUA (DOE) descrevem várias abordagens baseadas em IA para otimizar os processos ALD de forma autônoma. Seu trabalho detalha os pontos fortes e fracos relativos de cada abordagem, bem como insights que podem ser usados ​​para desenvolver novos processos de forma mais eficiente e econômica.

"Todos esses algoritmos fornecem uma maneira muito mais rápida de convergir para combinações ótimas porque você não gasta tempo colocando uma amostra no reator, retirando-a, fazendo medições etc. como normalmente faria hoje. Em vez disso, você tem uma amostra em tempo real loop que se conecta com o reator", disse o principal cientista de materiais da Argonne, Angel Yanguas-Gil, coautor do estudo.

De ponta, mas com desafios

Na ALD, dois vapores químicos diferentes, conhecidos como precursores, aderem a uma superfície, adicionando uma fina camada de filme no processo. Isso tudo acontece dentro de um reator químico e é seqüencial:um precursor é adicionado e interage com a superfície, então qualquer excesso dele é removido. Em seguida, o segundo precursor é introduzido e posteriormente removido, e o processo se repete. Em microeletrônica, o filme fino ALD pode ser usado para isolar eletricamente componentes próximos em transistores de nanoescala.

O ALD se destaca no cultivo de filmes precisos em nanoescala em superfícies 3D complexas, como as trincheiras profundas e estreitas modeladas em pastilhas de silício para fabricar os chips de computador atuais. Isso motivou cientistas em todo o mundo a desenvolver novos materiais ALD de filme fino para futuras gerações de dispositivos semicondutores.

No entanto, desenvolver e otimizar esses novos processos de ALD é desafiador e trabalhoso. Os pesquisadores precisam considerar muitos fatores diferentes que podem alterar o processo, incluindo:

• As químicas complexas entre os precursores moleculares
• Projeto, temperatura e pressão do reator
• O momento para cada dose de seus precursores

Em um esforço para encontrar maneiras de superar esses desafios, os cientistas da Argonne avaliaram três estratégias de otimização – aleatória, sistema especialista e otimização bayesiana – as duas últimas utilizando diferentes abordagens de IA.

Configure e esqueça

Os pesquisadores avaliaram suas três estratégias comparando como otimizaram a dosagem e os tempos de purga dos dois precursores usados ​​na ALD. O tempo de dosagem refere-se ao período de tempo em que um precursor é adicionado ao reator, enquanto o tempo de purga refere-se ao tempo necessário para remover o excesso de precursor e produtos químicos gasosos.

O objetivo:encontrar as condições que alcançariam um crescimento de filme alto e estável no menor tempo possível. Os cientistas também julgaram as estratégias sobre a rapidez com que convergiram para o conjunto ideal de tempos usando simulações que representavam o processo ALD dentro de um reator.

Vincular suas abordagens de otimização ao sistema simulado permite que eles meçam o crescimento do filme em tempo real após cada ciclo, com base nas condições de processamento geradas por seus algoritmos de otimização.

"Todos esses algoritmos fornecem uma maneira muito mais rápida de convergir para combinações ideais, porque você não gasta tempo colocando uma amostra no reator, retirando-a, fazendo medições etc., como faria normalmente. Em vez disso, você tem uma amostra real de tempo que se conecta com o reator", disse o cientista principal de materiais da Argonne, Angel Yanguas-Gil, coautor do estudo.

Essa configuração também tornou o processo automático para as duas abordagens de IA, formando um sistema de circuito fechado.

"Em um sistema de circuito fechado, a simulação realiza um experimento, obtém os resultados e os alimenta na ferramenta de IA. A ferramenta de IA então aprende ou interpreta de alguma forma e sugere o próximo experimento. E tudo isso acontece sem intervenção humana", disse Noah Paulson, cientista computacional da Argonne e principal autor.

Apesar de algumas fraquezas, as abordagens de IA determinaram efetivamente a dose ideal e os tempos de purga para diferentes processos ALD simulados. Isso torna o estudo um dos primeiros a mostrar que a otimização de filmes finos em tempo real é possível usando IA.

"Isso é empolgante porque abre a possibilidade de usar esses tipos de abordagens para otimizar rapidamente os processos de ALD reais, uma etapa que poderia economizar tempo e dinheiro preciosos dos fabricantes ao desenvolver novos aplicativos no futuro", concluiu Jeff Elam, químico sênior em Argonne e co-autor.