机器学习与原子层沉积：利用人工神经网络从反应器生长分布预测饱和时间
机器学习
2024-06-19 v1 材料科学
应用物理
摘要
本文探讨了深度神经网络在优化原子层沉积（ALD）工艺中的应用，该优化基于在 ALD 反应器不同位置获得的厚度值。我们引入了一个数据集，旨在训练神经网络根据单一实验条件下测量的剂量时间和反应器不同位置的厚度值来预测饱和时间。随后，我们探索了不同的人工神经网络配置，包括深度（隐藏层数）和规模（每层神经元数量），以更好地理解神经网络应具备怎样的规模和复杂度才能实现高预测精度。结果表明，训练好的神经网络无需任何表面动力学的先验信息即可准确预测饱和时间。这提供了一种可行的方法，以最小化在已知反应器中优化新 ALD 工艺所需的实验数量。然而，数据集和训练过程依赖于反应器几何形状。
引用
@article{arxiv.2205.08378,
title = {Machine learning and atomic layer deposition: predicting saturation times from reactor growth profiles using artificial neural networks},
author = {Angel Yanguas-Gil and Jeffrey W. Elam},
journal= {arXiv preprint arXiv:2205.08378},
year = {2024}
}