Полупроводници и микроелектроника

1

 

Опис

Предвидите диелектричне, термичке и електронске особине полупроводничких материјала пре него што узгајате плочицу. МаттерСеек упарује ХНН мотор са аутономном лабораторијом.

 

productcate-1600-900

Полупроводници и микроелектроника —Систем материјала / Предвидљиве перформансе / Путања валидације

 

 

 

 

 

АИ за полупроводничке материјале — екрански диелектрици, кандидати са широким појасом и танким филмом пре него што узгајате плочицу

 

 

1. МаттерСеек је платформа за истраживање и развој АИ материјала која предвиђа својства полупроводничких материјала директно из хемијског састава.

Диелектрици, једињења са широким појасом, слојеви танких филмова и материјали за паковање могу да се прегледају у софтверу пре него што се закаже једно таложење или циклус електричног тестирања — а затим се валидирају у аутономној лабораторији.

2. Развој полупроводничких материјала је спор из структуралног разлога: откривање својстава је ограничено скупом физичком итерацијом мале пропусности.

Нови ниско-к диелектрик, оксид високог к гејта или једињење са широким појасом обично се креће кроз синтезу, таложење, обликовање узорака, жарење и електричну карактеризацију пре него што било ко сазна да ли је формулација одржива. Та петља кошта недеље по кандидату и производи податке који се ретко генерализују на следећу композицију.

3. Како тече ток посла. Опишете мету једноставним језиком — на пример, опсег основног састава плус прозор захтеваних својстава као што је диелектрична константа између 20 и 60, или тачка топљења изнад 1.000 К.

МаттерСеек анализира опис, гради простор композиције и враћа рангиране кандидате са предвиђеним својствима и несигурношћу. Руковање композицијом подржава један до четири основна елемента са контролом нивоа допинга са прецизношћу од 0,02, што се поклапа са начином на који су студије допинга полупроводника заправо обухваћене. Предвиђање траје отприлике један минут за два основна елемента, два минута за три и седам минута за четири.

4. Својства у обиму.

Мотор покрива породице укључујући електрохемијско, диелектрично, термичко, термодинамичко, магнетно, оптичко и механичко понашање — међу њима диелектричну константу, тачку топљења, суперпроводну критичну температуру, Зебеков коефицијент, фактор снаге и термоелектричну вредност. Резултати се враћају као радарски графикони за поређење више својстава, 2Д и 3Д топлотне карте за пејзаже састава и својства и табеле са подацима за извоз.

5. Где аутономна лабораторија затвара петљу.

Предвиђени кандидати могу бити гурнути у МаттерСеек-ову аутономну лабораторију од 1.200 м², организовану у шест процесних кластера који укључују чисто таложење танког филма и накнадни третман. Карактеризација — КСРД, КСРФ, Раман и симултана термичка анализа — је аутоматизована, са наведеним циљем од 300 до 500 узорака дневно у зависности од путање синтезе. Тачност модела је 95,7% у односу на физичко мерење, а измерени резултати се враћају како би се прецизирао следећи круг предвиђања.

6. Материјални системи који су већ обрађени

Укључује диелектричне и изолационе слојеве, спојеве са широким појасом за енергетске уређаје, танкослојне и материјале за међусобно повезивање и материјале за паковање.

 

ФАК

 

 

П: Може ли АИ предвидети диелектричну константу пре него што се материјал синтетише?

О: Да. МаттерСеек предвиђа диелектричну константу и друга својства само на основу композиције, враћајући вредност са опсегом несигурности тако да можете да рангирате кандидате пре него што извршите таложење и капацитет тестирања.

П: Колико елемената се може прегледати одједном?

О: Један до четири основна елемента, са прецизношћу нивоа допинга од 0,02.

П: Да ли платформа замењује електричну карактеризацију?

О: Не. Предвиђање сужава простор за претрагу; физичко мерење остаје коначни арбитар. Вредност је у томе колико је сада мало кандидата потребно мерење.

Иуиао (Пекинг) Тецхнологи Цо., Лтд. је професионална компанија специјализована за укрштање вештачке интелигенције и напредних материјала полупроводника и микроелектронике. Компанија је самостално развила МаттерСеек—темељни велики модел прилагођен сектору материјала—и увела је алгоритам ХНН (Хиерарцхицал Неурал Нетворк), док је изградила власничку базу података експеримента са материјалима која се може контролисати.