Pusvadītāji un mikroelektronika

1

 

Apraksts

Pirms vafeles audzēšanas prognozējiet pusvadītāju materiālu dielektriskās, termiskās un elektroniskās īpašības. MatterSeek savieno HNN dzinēju ar autonomu laboratoriju.

 

productcate-1600-900

Pusvadītāji un mikroelektronika —Materiālu sistēma / Paredzamā veiktspēja / Validācijas ceļš

 

 

 

 

 

AI pusvadītāju materiāliem — ekrāna dielektriķi, platjoslas un plānās plēves kandidāti pirms vafeles audzēšanas

 

 

1. MatterSeek ir AI materiālu pētniecības un izstrādes platforma, kas paredz pusvadītāju materiālu īpašības tieši no ķīmiskā sastāva.

Dielektriķus, platjoslas savienojumus, plānslāņa skursteņus un iepakojuma materiālus var pārbaudīt programmatūrā, pirms tiek ieplānots viens nogulsnēšanas vai elektriskā testa cikls, pēc tam tos apstiprina autonomā laboratorijā.

2. Pusvadītāju materiālu izstrāde ir lēna strukturālu iemeslu dēļ: īpašību atklāšanu ierobežo dārga, zemas caurlaidības fiziska iterācija.

Jauns dielektriķis ar zemu k vērtību, augstas k pakāpes vārtu oksīds vai savienojums ar plašu joslas atstarpi parasti pārvietojas pa sintēzi, nogulsnēšanos, modelēšanu, atkvēlināšanu un elektrisko raksturojumu, pirms kāds zina, vai preparāts ir dzīvotspējīgs. Šī cilpa maksā nedēļas vienam kandidātam un rada datus, kas reti vispārina uz nākamo sastāvu.

3. Kā darbojas darbplūsma. Jūs aprakstāt mērķi vienkāršā valodā, piemēram, bāzes sastāva diapazonu un nepieciešamo īpašību logu, piemēram, dielektrisko konstanti no 20 līdz 60 vai kušanas temperatūru virs 1000 K.

MatterSeek parsē aprakstu, izveido kompozīcijas telpu un atgriež ranžētus kandidātus ar prognozētajām īpašībām un nenoteiktību. Kompozīcijas apstrāde atbalsta vienu līdz četrus bāzes elementus ar dopinga līmeņa kontroli ar precizitāti 0,02, kas atbilst tam, kā faktiski tiek veikti pusvadītāju dopinga pētījumi. Prognozēšana notiek aptuveni vienā minūtē diviem pamata elementiem, divās minūtēs trim un septiņās minūtēs četriem.

4. Īpašības darbības jomā.

Dzinējs aptver saimes, tostarp elektroķīmisko, dielektrisko, termisko, termodinamisko, magnētisko, optisko un mehānisko darbību, tostarp dielektrisko konstanti, kušanas temperatūru, supravadīšanas kritisko temperatūru, Zēbeka koeficientu, jaudas koeficientu un termoelektrisko vērtību. Rezultāti tiek atgriezti kā radara diagrammas vairāku īpašumu salīdzināšanai, 2D un 3D siltuma kartes kompozīcijas un īpašuma ainavām un eksportējamas datu tabulas.

5. Kur autonomā laboratorija noslēdz cilpu.

Paredzamos kandidātus var ievietot MatterSeek 1200 m² lielajā autonomajā laboratorijā, kas ir sakārtota sešos procesu klasteros, kas ietver tīru plānslāņa nogulsnēšanos un pēcapstrādi. Raksturojums — XRD, XRF, Ramana un vienlaicīga termiskā analīze — ir automatizēta ar noteikto mērķi no 300 līdz 500 paraugiem dienā atkarībā no sintēzes ceļa. Modeļa precizitāte ir 95,7% salīdzinājumā ar fizisko mērījumu, un izmērītie rezultāti tiek atgriezti, lai precizētu nākamo prognozēšanas kārtu.

6. Jau aplūkotās materiālu sistēmas

Iekļauti dielektriskie un izolācijas slāņi, plaša diapazona savienojumi barošanas ierīcēm, plānslāņa un starpsavienojumu materiāli un iepakojuma materiāli.

 

FAQ

 

 

J: Vai AI var paredzēt dielektrisko konstanti pirms materiāla sintezēšanas?

A: Jā. MatterSeek prognozē dielektrisko konstanti un citas īpašības, pamatojoties tikai uz sastāvu, atgriežot vērtību ar nenoteiktības diapazonu, lai jūs varētu ranžēt kandidātus pirms nogulsnēšanas un pārbaudes jaudas.

J: Cik daudz elementu var vienlaikus pārbaudīt?

A: Viens līdz četri bāzes elementi ar dopinga līmeņa precizitāti 0,02.

J: Vai platforma aizstāj elektrisko raksturojumu?

A: Nē. Prognoze sašaurina meklēšanas telpu; fiziskais mērījums paliek galīgais šķīrējtiesnesis. Vērtība ir saistīta ar to, cik maz kandidātu tagad ir nepieciešams mērījums.

Yuyao (Beijing) Technology Co., Ltd. ir profesionāla kompānija, kas specializējas mākslīgā intelekta un modernu pusvadītāju un mikroelektronikas materiālu krustpunktā. Uzņēmums ir neatkarīgi izstrādājis MatterSeek — pamata lielu modeli, kas pielāgots materiālu nozarei — un ir aizsācis HNN (hierarhiskā neironu tīkla) algoritmu, vienlaikus veidojot patentētu, vadāmu materiālu eksperimentu datubāzi.