KI erkennt 6 Defekte in Halbleitern

KI-Modell zur gleichzeitigen Erkennung von sechs Arten von Defekten in Halbleitern

Forscher des MIT haben ein neuronales Netz entwickelt, das bis zu sechs Arten von Punktdefekten in Halbleitermaterialien gleichzeitig erkennen kann, ohne die Probe zu beschädigen. Das Modell arbeitet mit Daten aus der inelastischen Neutronenstreuung und identifiziert Verunreinigungskonzentrationen ab 0,2 %. Es wurde auf 2000 Proben trainiert und deckt 56 Elemente des Periodensystems ab. Die Ergebnisse wurden durch Experimente an Legierungen für Elektronik und Supraleiter validiert.

Atomgitterdefekte in Halbleitern sind ein Schlüsselfaktor zur Feinabstimmung elektrischer Eigenschaften. Sie werden absichtlich während der Materialherstellung für Chips, Solarpaneele und Batterien eingeführt. Traditionelle Analysemethoden haben Einschränkungen: Röntgendiffraktion erkennt nur bestimmte Typen, Raman-Spektroskopie andere, und Elektronenmikroskopie beschädigt die Probe. Das neue Modell, basierend auf Multihead-Attention, integriert Spektren und dekodiert komplexe Signale.

Funktionsweise des Modells

Die inelastische Neutronenstreuung erfasst Frequenzen der atomaren Schwingungen und erzeugt für jeden Defekt einzigartige Spektren. Das neuronale Netz vergleicht Spektren von defekten und idealen Proben und hebt Verunreinigungsmuster hervor. Die Multihead-Attention-Architektur bewältigt multidimensionale Daten, ähnlich wie Transformer in LLMs.

Schlüsselverarbeitungsstufen:

• Datensammlung: Spektren von Neutronenquellen.
• Vorverarbeitung: Normalisierung und Ausrichtung der Peaks.
• Training: Überwachtes Training auf 2000 Proben mit bekannten Defekten.
• Inferenz: Prognostiziert bis zu 6 Arten von Verunreinigungen und ihre Konzentrationen in einem Durchgang.

Das Modell weist bei gemischten Defekten hohe Genauigkeit auf, wo traditionelle Methoden falsch-positive Ergebnisse erzeugen. Leitende Autorin Mouyan Cheng betonte: Die Dekodierung von Signalen aus sechs Defekten galt zuvor als unmöglich.

Experimentelle Validierung

Tests wurden an realen Materialien durchgeführt:

• Legierung für Mikroelektronik — 4 Arten von Defekten mit Konzentrationen von 0,3–1,2 % erkannt.
• Supraleiter — 6 Verunreinigungen gleichzeitig erkannt, Fehler <5 %.
• Kontrollproben ohne Defekte — null falsch-positive Ergebnisse.

Professor Mingda Li verglich den Ansatz mit dem Gleichnis von den blinden Männern und dem Elefanten: Jede Methode sieht nur ein Fragment, während KI das Gesamtbild zusammensetzt. Einschränkung — Zugang zu Neutronenanlagen, aber Pläne sehen eine Anpassung für Raman-Spektroskopie im industriellen Einsatz vor.

Schlüsselpunkte

• Neuronales Netz erkennt bis zu 6 Punktdefekte ohne Beschädigung der Probe.
• Genauigkeit ab 0,2 % Konzentrationen durch Multihead-Attention.
• Deckt 56 Elemente ab, trainiert auf 2000 Halbleitern.
• Potenzieller Übergang zu Raman-Spektroskopie für die Fertigung.
• Validierung an Elektroniklegierungen und Supraleitern.

Perspektiven in der Materialwissenschaft

Die Integration von KI in die Qualitätskontrolle wird die Halbleiterproduktion revolutionieren. Entwickler werden Defekte in Echtzeit direkt auf den Produktionsböden überwachen und Dotierparameter optimieren können. Für erfahrene Materialwissenschaftler bietet das Modell Zugang zu grundlegenden Daten ohne umfangreiche Anlagen. Nächste Schritte: Erweiterung des Datensatzes, multimodales Training (Neutronen + Raman + TEM). Damit lässt sich die Technologie auf Batterien, PV-Zellen und Quantenmaterialien skalieren.

— Editorial Team