机器学习与实时反馈控制辅助的半导体衬底通用脱氧

薄膜沉积是半导体工艺中的关键步骤。在制备或装载过程中，衬底不可避免地暴露于空气中，这促使人们研究在薄膜沉积前去除表面氧化物的过程控制。对于任意衬底，优化分子束外延中的脱氧过程是一个多维挑战，有时甚至存在争议。由于半导体材料和生长过程的差异，衬底脱氧温度的确定高度依赖于操作者的经验；同一衬底由不同操作者评估可能得出不一致的结果。在此，我们采用了一种混合卷积神经网络与视觉变换器的机器学习模型。该模型以反射高能电子衍射视频作为输入，输出衬底的脱氧状态，从而在受控架构下实现自动化的衬底脱氧。这还扩展到了其他衬底上脱氧过程的成功应用。此外，我们展示了在单台分子束外延设备上训练的数据所训练的模型，能够在其他设备上实现高精度部署的潜力。与传统方法相比，我们的方法具有特殊的实用价值。它标准化了不同设备和衬底材料下的脱氧温度，推进了半导体制备中的标准化研究进程，这是薄膜生长技术的一个重要里程碑。本工作所展示的概念和方法有望通过应用于多种材料生长过程，彻底改变光电子和微电子行业的半导体制造。