机器学习增强的高效光谱椭偏建模
材料科学
2022-02-10 v2 机器学习
摘要
近年来，机器学习（ML）在从计算机视觉到数据挖掘和药物发现的众多实际应用中被广泛采用。在本文中，我们利用ML来促进高效的薄膜制备，具体而言是原子层沉积（ALD）。为了推进用于生成薄膜的ALD工艺开发并加速其在工业中的采用，理解潜在的原子级过程至关重要。为此，已提出用于监测薄膜生长的原位技术，如光谱椭偏仪（SE）。然而，原位SE涉及复杂的硬件，因此资源密集。为应对这些挑战，我们提出一种基于ML的方法来加速薄膜厚度估计。所提方法对更快的数据采集、降低硬件复杂性以及更易集成光谱椭偏仪以用于薄膜厚度沉积的原位监测具有重大意义。我们涉及TiO2的SE实验结果表明，所提基于ML的方法在±1.5 nm区间内提供了88.76%的厚度预测准确率，在±0.5 nm区间内为85.14%。此外，在较低厚度下我们给出了高达98%的准确率，相对于现有基于SE的分析有显著改进，从而使我们的方案成为超薄膜厚度估计的可行选择。
引用
@article{arxiv.2201.04933,
title = {Machine Learning-enhanced Efficient Spectroscopic Ellipsometry Modeling},
author = {Ayush Arunachalam and S. Novia Berriel and Parag Banerjee and Kanad Basu},
journal= {arXiv preprint arXiv:2201.04933},
year = {2022}
}