AI, ALD 프로세스 최적화

컴퓨터 칩을 만들기 위한 원자층 증착(ALD)은 하나의 원자 두께만큼 미세한 필름을 만들 수 있다. 일반적으로 ALD를 사용해 반도체 장치를 만들고 태양 전지, 리튬 배터리 등 에너지 분야에도 적용된다.

최근 연구는 ALD에 인공 지능 (AI)을 사용하는 것이 더 효율적일 수 있음을 시사한다.

ACS Applied Materials & Interfaces 연구에서 미국 에너지부(DOE) ANL(Argonne National Laboratory) 연구원들은 ALD 프로세스를 자율적으로 최적화하기 위한 여러 AI기반 접근 방식을 설명한다. 그들의 연구는 새로운 프로세스를 보다 효율적이고 경제적으로 개발하는 데 사용할 수있는 통찰력뿐만 아니라 각 접근 방식의 상대적인 강점과 약점을 자세히 설명한다.

이 연구의 공동 저자 ANL 수석 재료 과학자 Angel Yanguas-Gil이 “이러한 모든 알고리즘은 반응기에 샘플을 넣고 꺼내고 측정하는 등의 시간을 소비하지 않고 실시간으로 최적의 조합으로 수렴하는 훨씬 더 빠른 방법을 제공한다”고 말했다.

ALD에서는 전구체로 알려진 두 개의 서로 다른 화학 증기가 표면에 부착되어 공정에 얇은 막 층을 추가한다. 이 모든 것은 화학 반응기 내부에서 발생하며 순차적이다. 하나의 전구체가 추가되고 표면과 상호 작용 한 다음 초과분은 제거된다. 그 후 두 번째 전구체가 도입 된 다음 나중에 제거되고 프로세스가 반복된다. 마이크로 일렉트로닉스에서 ALD 박막은 나노 스케일 트랜지스터의 주변 부품을 전기적으로 절연하는 데 사용될 수 있다.

ALD는 오늘날의 컴퓨터 칩을 제조하기 위해 실리콘 웨이퍼로 패턴화 된 깊고 좁은 트렌치와 같은 복잡한 3D 표면에서 정밀한 나노 스케일 필름을 성장시키는 데 탁월하다.

그러나 새로운 ALD 프로세스를 개발하고 최적화하는 것은 어렵고 노동 집약적이다. 연구원은 프로세스를 변경할 수 있는 다양한 요인을 고려해야 한다.

분자 전구체 사이의 복잡한 화학, 원자로 설계와 온도 및 압력, 전구체의 각 용량에 대한 타이밍 등 문제를 극복하는 방법을 찾기 위해 아르곤 과학자들은 세 가지 최적화 전략 (무작위, 전문가 시스템 및 베이지안 최적화)을 평가했다. 후자의 두 가지 전략은 서로 다른 AI 접근 방식을 사용한다.

연구원들은 ALD에 사용 된 두 가지 전구체의 투여량과 퍼지 시간을 최적화하는 방법을 비교하여 세 가지 전략을 평가했다. 투여 시간은 전구체가 반응기에 추가되는 시간을 의미하고 퍼지 시간은 과도한 전구체 및 가스 화학 제품을 제거하는 데 필요한 시간을 의미한다.

목표 : 최단 시간에 높고 안정적인 필름 성장을 달성할 수 있는 조건을 찾는다. 과학자들은 또한 원자로 내부의 ALD 프로세스를 나타내는 시뮬레이션을 사용하여 이상적인 타이밍 세트에 얼마나 빨리 수렴하는지에 대한 전략을 판단했다.

시뮬레이션 된 시스템에 최적화 접근 방식을 연결하면 최적화 알고리즘이 생성한 처리 조건에 따라 각 사이클 후 실시간으로 필름 성장을 측정할 수 있다.

연구의 공동 저자인 수석 재료 과학자 Angel Yanguas-Gil은 “이러한 모든 알고리즘은 샘플을 반응기에 넣고, 꺼내고, 측정하는 등 일반적으로 하는 데 시간을 소비하지 않기 때문에 최적의 조합으로 수렴하는 훨씬 더 빠른 방법을 제공한다. 대신 실제 -원자로와 연결되는 시간 루프 “라고 말했다.

이 설정은 또한 폐쇄 루프 시스템을 형성하여 두 AI 접근 방식에 대한 프로세스를 자동화 했다.

몇 가지 약점에도 불구하고 AI 접근 방식은 다양한 시뮬레이션 ALD 프로세스에 대한 최적의 투여량 및 퍼지 타이밍을 효과적으로 결정했다. 이것은 AI를 사용하여 실시간으로 박막 최적화가 가능하다는 것을 보여주는 최초의 연구다.

*Noah H. Paulson et al, Intelligent Agents for the Optimization of Atomic Layer Deposition, ACS Applied Materials & Interfaces (2021). DOI: 10.1021/acsami.1c00649