基于物理信息驱动机器学习的无需求半导体异质结构生长
材料科学
2025-10-07 v4 机器学习
系统与控制
系统与控制
摘要
开发按需定制的半导体异质结构是应对电子器件和光电器件日益增长的性能需求的关键能力。然而，传统制造方法受限于基于仿真的数值设计和迭代的试错优化。本文引入 SemiEpi—a 一个用于分子束沉积（MBE）的自驾平台，通过原位监控和动态反馈控制实现多步骤半导体异质结构生长。该平台整合了标准 MBE 反应器、物理信息驱动的机器学习（ML）模型和参数初始化，SemiEpi 识别最优初始条件并提出异质结构生长实验方案，无需 extensive MBE 工艺专业知识。作为概念验证，我们展示了针对目标发射波长为 1240 nm 的高密度 InAs 量子点（QD）生长优化结果，SemiEpi 实现了 QD 密度达 5×10^10 cm^-2，光致发光（PL）强度提升 1.6 倍，全宽半高（FWHM）降低至 29.13 meV，凭借原位反射型高能电子衍射监控结合反馈控制调整生长温度。本研究表明，ML 指导的系统可解决多步骤异质结构生长中的挑战，构建硬件独立框架，提升工艺可重复性和稳定性，即便缺乏完整的生长参数知识亦可实现。
关键词
引用
@article{arxiv.2408.03508,
title = {On-Demand Growth of Semiconductor Heterostructures Guided by Physics-Informed Machine Learning},
author = {Chao Shen and Yuan Li and Wenkang Zhan and Shujie Pan and Fuxin Lin and Kaiyao Xin and Hui Cong and Chi Xu and Xiaotian Cheng and Ruixiang Liu and Zhibo Ni and Chaoyuan Jin and Bo Xu and Siming Chen and Zhongming Wei and Chunlai Xue and Zhanguo Wang and Chao Zhao},
journal= {arXiv preprint arXiv:2408.03508},
year = {2025}
}
备注
5 figures