Pooljuht ja mikroelektroonika

1

 

Kirjeldus

Enne vahvli kasvatamist ennustage pooljuhtmaterjalide dielektrilisi, termilisi ja elektroonilisi omadusi. MatterSeek ühendab HNN-mootori autonoomse laboriga.

 

productcate-1600-900

Pooljuht ja mikroelektroonika —Materjalisüsteem / prognoositav jõudlus / valideerimisviis

 

 

 

 

 

AI pooljuhtmaterjalide jaoks – ekraani dielektrikud, lairiba- ja õhukese kilega kandidaadid enne vahvli kasvatamist

 

 

1. MatterSeek on tehisintellekti materjalide uurimis- ja arendusplatvorm, mis ennustab pooljuhtmaterjalide omadusi otse keemilise koostise põhjal.

Dielektrikuid, lairibaühendeid, õhukese kilega virnasid ja pakkematerjale saab kõik enne ühe sadestamise või elektrilise katsetsükli kavandamist tarkvaras läbi sõeluda – seejärel kinnitada autonoomses laboris.

2. Pooljuhtmaterjalide väljatöötamine on aeglane struktuursetel põhjustel: omaduste avastamist piirab kallis, väikese läbilaskevõimega füüsiline iteratsioon.

Uus madala k-väärtusega dielektrik, kõrge k-ga paisoksiid või laia ribalaiusega ühend liigub tavaliselt läbi sünteesi, sadestamise, mustrimise, lõõmutamise ja elektrilise iseloomustamise, enne kui keegi teab, kas koostis on elujõuline. See silmus maksab nädalaid ühe kandidaadi kohta ja toodab andmeid, mis harva üldistavad järgmise koosseisu.

3. Kuidas töövoog töötab. Kirjeldate sihtmärki lihtsas keeles – näiteks põhikoostise vahemik pluss nõutav omaduste aken, nagu dielektriline konstant vahemikus 20–60 või sulamistemperatuur üle 1000 K.

MatterSeek analüüsib kirjeldust, loob kompositsiooniruumi ja tagastab järjestatud kandidaadid prognoositud omaduste ja ebakindlusega. Kompositsiooni käsitlemine toetab ühte kuni nelja põhielementi dopingutaseme kontrolliga 0,02 täpsusega, mis vastab pooljuhtide dopinguuuringute tegelikule ulatusele. Ennustus kestab kahe põhielemendi puhul ligikaudu üks minut, kolme puhul kaks minutit ja nelja puhul seitse minutit.

4. Omadused ulatuses.

Mootor hõlmab perekondi, sealhulgas elektrokeemilist, dielektrilist, termilist, termodünaamilist, magnetilist, optilist ja mehaanilist käitumist – nende hulgas dielektriline konstant, sulamistemperatuur, ülijuhtivuse kriitiline temperatuur, Seebecki koefitsient, võimsustegur ja termoelektriline väärtus. Tulemused tagastatakse radaridiagrammidena mitme atribuudi võrdlemiseks, 2D- ja 3D-soojuskaartidena kompositsiooni-objektide maastike jaoks ning eksporditavate andmetabelitena.

5. Kui autonoomne labor sulgeb ahela.

Ennustatud kandidaadid saab lükata MatterSeeki 1200 m² suurusesse autonoomsesse laborisse, mis on jaotatud kuueks protsessiklastriks, mis hõlmavad puhta õhukese kile sadestamist ja järeltöötlust. Iseloomustus – XRD, XRF, Raman ja samaaegne termiline analüüs – on automatiseeritud, eesmärgiga 300 kuni 500 proovi päevas olenevalt sünteesiteest. Mudeli täpsus on 95,7% võrreldes füüsilise mõõtmisega ja mõõdetud tulemused annavad tagasisidet järgmise ennustusvooru täpsustamiseks.

6. Juba käsitletud materjalisüsteemid

Kaasake dielektrilised ja isolatsioonikihid, laia ribalaiusega ühendid toiteseadmete jaoks, õhukesed kiled ja ühendusmaterjalid ning pakkematerjalid.

 

KKK

 

 

K: Kas tehisintellekt saab ennustada dielektrilist konstanti enne materjali sünteesimist?

V: Jah. MatterSeek ennustab dielektrilist konstandit ja muid omadusi ainult koostise põhjal, tagastades väärtuse määramatuse vahemikuga, et saaksite kandidaate enne sadestamise ja testimisvõimsuse määramist järjestada.

K: Mitut elementi saab korraga läbi vaadata?

V: Üks kuni neli põhielementi dopingutaseme täpsusega 0,02.

K: Kas platvorm asendab elektrilise iseloomustuse?

V: Ei. Ennustamine kitsendab otsinguruumi; füüsiline mõõtmine jääb lõplikuks vahekohtunikuks. Väärtus seisneb selles, kui vähe kandidaate praegu mõõtmist vajavad.

Yuyao (Peking) Technology Co., Ltd. on professionaalne ettevõte, mis on spetsialiseerunud tehisintellekti ning pooljuhtide ja mikroelektroonika täiustatud materjalide ristumiskohale. Ettevõte on iseseisvalt välja töötanud MatterSeeki – suure alusmudeli, mis on kohandatud materjalide sektorile – ja alustas HNN-i (hierarhilise närvivõrgu) algoritmi, luues samal ajal patenteeritud, kontrollitava materjalide katsete andmebaasi.