Puslaidininkiai ir mikroelektronika

1

 

Aprašymas

Prieš augindami plokštelę, numatykite puslaidininkinių medžiagų dielektrines, šilumines ir elektronines savybes. „MatterSeek“ suporuoja HNN variklį su autonomine laboratorija.

 

productcate-1600-900

Puslaidininkiai ir mikroelektronika –Medžiagų sistema / Nuspėjamas našumas / Patvirtinimo būdas

 

 

 

 

 

AI puslaidininkinėms medžiagoms – ekrano dielektrikai, plačiajuosčio ryšio ir plonos plėvelės kandidatai prieš auginant plokštelę

 

 

1. MatterSeek yra dirbtinio intelekto medžiagų tyrimų ir plėtros platforma, kuri numato puslaidininkinių medžiagų savybes tiesiogiai pagal cheminę sudėtį.

Prieš suplanuojant vieną nusodinimo arba elektrinio bandymo ciklą, dielektrikai, plataus diapazono junginiai, plonasluoksnės rietuvės ir pakavimo medžiagos gali būti tikrinamos programine įranga, o tada patvirtinamos autonominėje laboratorijoje.

2. Puslaidininkinių medžiagų kūrimas yra lėtas dėl struktūrinės priežasties: savybių atradimą lemia brangi, mažo našumo fizinė iteracija.

Naujas mažo k dielektrikas, didelio k vartų oksidas arba plataus diapazono junginys paprastai juda per sintezę, nusodinimą, modeliavimą, atkaitinimą ir elektrinį apibūdinimą, kol kas nors nežino, ar kompozicija yra gyvybinga. Ši kilpa kainuoja savaites vienam kandidatui ir pateikia duomenis, kurie retai apibendrina kitą sudėtį.

3. Kaip vyksta darbo eiga. Taikinį aprašote paprasta kalba – pavyzdžiui, bazinės sudėties diapazonas ir būtinas savybių langas, pvz., dielektrinė konstanta nuo 20 iki 60 arba lydymosi temperatūra virš 1 000 K.

„MatterSeek“ analizuoja aprašą, sukuria kompozicijos erdvę ir pateikia reitinguotus kandidatus su numatomomis savybėmis ir neapibrėžtumu. Kompozicijos tvarkymas palaiko nuo vieno iki keturių bazinių elementų su dopingo lygio kontrole 0,02 tikslumu, o tai atitinka puslaidininkių dopingo tyrimų apimtį. Numatymas vyksta maždaug per vieną minutę dviem baziniams elementams, dvi minutes trims ir septynias minutes keturiems.

4. Apimties savybės.

Variklis apima šeimas, įskaitant elektrocheminį, dielektrinį, šiluminį, termodinaminį, magnetinį, optinį ir mechaninį elgesį, įskaitant dielektrinę konstantą, lydymosi temperatūrą, superlaidumo kritinę temperatūrą, Seebeck koeficientą, galios koeficientą ir termoelektrinį pranašumą. Rezultatai pateikiami kaip radaro diagramos, skirtos kelių ypatybių palyginimui, 2D ir 3D šilumos žemėlapiai, skirti kompozicijos ir nuosavybės kraštovaizdžiui, ir eksportuojamų duomenų lentelės.

5. Kur autonominė laboratorija uždaro kilpą.

Numatyti kandidatai gali būti perkelti į „MatterSeek“ 1 200 m² autonominę laboratoriją, suskirstytą į šešias procesų grupes, apimančias švarų plonasluoksnį nusodinimą ir vėlesnį apdorojimą. Apibūdinimas – XRD, XRF, Ramano ir tuo pačiu metu atliekama šiluminė analizė – yra automatizuota, nustatytas tikslas – 300–500 mėginių per dieną, priklausomai nuo sintezės būdo. Modelio tikslumas yra 95,7 %, palyginti su fiziniu matavimu, o išmatuoti rezultatai grįžta į kitą prognozės etapą.

6. Jau aptartos medžiagų sistemos

Įtraukite dielektrinius ir izoliacinius sluoksnius, plataus diapazono junginius, skirtus maitinimo įrenginiams, plonasluoksnes ir jungiamąsias medžiagas bei pakavimo medžiagas.

 

DUK

 

 

Kl.: Ar AI gali numatyti dielektrinę konstantą prieš susintetinant medžiagą?

A: Taip. „MatterSeek“ numato dielektrinę konstantą ir kitas savybes vien pagal sudėtį, grąžindama vertę su neapibrėžtumo diapazonu, kad galėtumėte reitinguoti kandidatus prieš nustatydami nusodinimą ir bandymo pajėgumus.

K: Kiek elementų galima peržiūrėti vienu metu?

A: Nuo vieno iki keturių bazinių elementų, kurių dopingo tikslumas yra 0,02.

K: Ar platforma pakeičia elektrinį apibūdinimą?

A: Ne. Numatymas susiaurina paieškos erdvę; fizinis matavimas lieka galutiniu arbitru. Vertė priklauso nuo to, kiek nedaug kandidatų dabar reikia įvertinti.

Yuyao (Pekinas) Technology Co., Ltd. yra profesionali įmonė, kuri specializuojasi dirbtinio intelekto ir pažangių puslaidininkių ir mikroelektronikos medžiagų sankirtoje. Bendrovė savarankiškai sukūrė MatterSeek – pagrindinį didelį modelį, pritaikytą medžiagų sektoriui – ir pradėjo HNN (hierarchinio neuroninio tinklo) algoritmą, kurdama patentuotą, kontroliuojamą medžiagų eksperimentų duomenų bazę.