ترجمه فارسی مقاله رشد چند مرحله‌ای و خودران ساختارهای ناهمگون نیمه‌رسانا با هدایت یادگیری ماشینی

چکیده

The semiconductor industry has prioritized automating repetitive tasks by closed-loop, autonomous experimentation which enables accelerated optimization of complex multi-step processes. The emergence of machine learning (ML) has ushered in automated process with minimal human intervention. In this work, we develop SemiEpi, a self-driving automation platform capable of executing molecular beam epitaxy (MBE) growth with multi-steps, continuous in-situ monitoring, and on-the-fly feedback control. By integrating standard hardware, homemade software, curve fitting, and multiple ML models, SemiEpi operates autonomously, eliminating the need for extensive expertise in MBE processes to achieve optimal outcomes. The platform actively learns from previous experimental results, identifying favorable conditions and proposing new experiments to achieve the desired results. We standardize and optimize growth for InAs/GaAs quantum dots (QDs) heterostructures to showcase the power of ML-guided multi-step growth. A temperature calibration was implemented to get the initial growth condition, and fine control of the process was executed using ML. Leveraging RHEED movies acquired during the growth, SemiEpi successfully identified and optimized a novel route for multi-step heterostructure growth. This work demonstrates the capabilities of closed-loop, ML-guided systems in addressing challenges in multi-step growth for any device. Our method is critical to achieve repeatable materials growth using commercially scalable tools. Our strategy facilitates the development of a hardware-independent process and enhancing process repeatability and stability, even without exhaustive knowledge of growth parameters.

چکیده به فارسی (ترجمه ماشینی)

صنعت نیمه هادی در اولویت بندی خودکار کارهای تکراری با آزمایش حلقه بسته ، خودمختار که بهینه سازی شتاب فرآیندهای پیچیده چند مرحله ای را امکان پذیر می کند.ظهور یادگیری ماشین (ML) در فرآیند خودکار با حداقل مداخله انسان به وجود آمده است.در این کار ، ما SEMIEPI ، یک بستر اتوماسیون خودران را توسعه می دهیم که قادر به اجرای رشد Epitaxy پرتو مولکولی (MBE) با چند مرحله ، نظارت مداوم در محل و کنترل بازخورد در پرواز است.SemiePI با ادغام سخت افزار استاندارد ، نرم افزار خانگی ، اتصالات منحنی و چندین ML ، به طور مستقل عمل می کند و نیاز به تخصص گسترده در فرآیندهای MBE را برای دستیابی به نتایج بهینه از بین می برد.این پلتفرم به طور فعال از نتایج آزمایشی قبلی ، شناسایی شرایط مطلوب و ارائه آزمایش های جدید برای دستیابی به نتایج مطلوب را می آموزد.ما رشد را برای نقاط کوانتومی INAS/GAAS (QDS) استاندارد و بهینه سازی می کنیم تا قدرت رشد چند مرحله ای با هدایت ML را نشان دهیم.برای به دست آوردن شرایط رشد اولیه ، کالیبراسیون دما انجام شد و کنترل خوب فرآیند با استفاده از ML انجام شد.Semiepi با استفاده از فیلم های Rheed که در طول رشد به دست آمده است ، با موفقیت یک مسیر جدید برای رشد ناهمگونی چند مرحله ای را شناسایی و بهینه کرد.این کار توانایی سیستم های حلقه بسته و با هدایت ML را در پرداختن به چالش های رشد چند مرحله ای برای هر دستگاه نشان می دهد.روش ما برای دستیابی به رشد مواد قابل تکرار با استفاده از ابزارهای مقیاس پذیر تجاری بسیار مهم است.استراتژی ما توسعه یک فرآیند مستقل از سخت افزار و تقویت تکرارپذیری و ثبات فرآیند را حتی بدون دانش جامع از پارامترهای رشد تسهیل می کند.