机器学习辅助与实时反馈控制的 InAs/GaAs 量子点生长
介观与纳米尺度物理
2023-10-12 v3 机器学习
图像与视频处理
摘要
自组装 InAs/GaAs 量子点（QDs）具有对开发各类光电器件（如 QD 激光器与单光子源）极为宝贵的特性。其应用强烈依赖于这些点的密度与质量，这推动了针对生长过程控制的研究，以实现高质量外延片与器件。在分子束外延（MBE）中为特定 QD 密度确立工艺参数是一项多维优化挑战，通常经由耗时且反复的试错来解决。在此，我们报告一种实现任意密度 QD 生长的实时反馈控制方法，其全自动化且智能。我们开发了名为 3D ResNet 50 的机器学习（ML）模型，以反射高能电子衍射（RHEED）视频而非静态图像作为输入，并提供表面形貌的实时反馈用于工艺控制。结果我们证明，来自先前生长的 ML 可预测 QD 的生长后密度，通过近实时调节 QD 密度从 1.5E10 cm-2 降至 3.8E8 cm-2 或升至 1.4E11 cm-2。相比传统方法，我们的方法具备原位调节能力与极佳可靠性，可大幅加快材料优化进程并改善 MBE 的可重复性，构成薄膜生长技术的显著进步。本工作中证实可行的概念与方法有望应用于多种材料生长工艺，并将革新光电子与微电子产业的半导体制造。
引用
@article{arxiv.2306.12898,
title = {Machine-Learning-Assisted and Real-Time-Feedback-Controlled Growth of InAs/GaAs Quantum Dots},
author = {Chao Shen and Wenkang Zhan and Kaiyao Xin and Manyang Li and Zhenyu Sun and Hui Cong and Chi Xu and Jian Tang and Zhaofeng Wu and Bo Xu and Zhongming Wei and Chunlai Xue and Chao Zhao and Zhanguo Wang},
journal= {arXiv preprint arXiv:2306.12898},
year = {2023}
}
备注
5 figures