⚙️ ملخص المقال
قام فريق بحثي بابتكار إطار عمل جديد يعتمد على machine learning لتوجيه وتحسين عملية Atomic Layer Deposition (ALD)</strong) لأفلام الأكسيد الرفيعة من الهافنيوم (HfOx). يستخدم النموذج deep neural network (DNN) للتنبؤ بثلاث خصائص رئيسية بعدة دقة عالية: سماكة الفيلم، معامل الانكسار، ومعدل الحفر الرطب (WER)، مما ييسر فهم العلاقات المعقدة بين متغيرات عملية ALD وجودة الفيلم. يفتح هذا التطور آفاقًا جديدة في تطوير رقمي متقدم يقود تحسين عمليات تصنيع أشباه الموصلات ويعزز التحكم في جودة الأفلام الرفيعة.
🔧 مقدمة حول تحديات تحسين ALD في الهندسة الميكانيكية والتصنيع
في سياق تطوير أجهزة أشباه الموصلات، تصبح طبقات الأفلام الرفيعة ذات جودة عالية ضرورة هندسية محورية للعب دور فعال في أداء وإعتمادية الأجهزة. تقنية Atomic Layer Deposition تعد من أهم التقنيات المستخدمة بسبب دقتها في التحكم بالسمك على مقياس الأنجستروم والتغطية المتجانسة للمواد المعقدة الشكل.
لكن تحسين عمليات ALD صعب بسبب التفاعل المعقد بين عوامل متعددة مثل درجة حرارة الترسيب، حرارة المادة المعالجة (precursor)، والظروف داخل المفاعل. تحسين هذه العوامل صناعياً وبكفاءة عالية أصبح ميدانا تنافسيا ويحتاج إلى حلول ذكية مستندة إلى البيانات.
🚀 دور الذكاء الاصطناعي في تطوير عمليات ALD
يبرز machine learning كأداة واعدة لتحليل كميات بيانات كبيرة وتوجيه تحسين العمليات. على خلاف الدراسات السابقة التي ركزت على سماكة الفيلم فقط، طوّر الباحثون نموذجًا يتوقع بشكل متزامن ثلاث خصائص حيوية تؤثر على الجودة الشاملة للفيلم:
- سماكة الطبقة (Tox)
- معامل الانكسار (Refractive Index – RI)
- معدل الحفر الرطب (Wet Etch Rate – WER)
تسمح هذه المؤشرات بفهم مدى كثافة الأفلام وصلابتها، والتأثيرات البصرية والميكانيكية التي تحدد أداء العناصر الدقيقة في الأجهزة الإلكترونية.
🔥 التجربة المستخدمة وإطار التعلم العميق
تم إجراء التجارب باستخدام مركب tetrakis(dimethylamido)-hafnium (TDMA-Hf) كمادة معالجة ومنتج أكسيد الماء كمؤكسد داخل مفاعل ALD تجاري. تم ضبط ثلاثة متغيرات رئيسية للتحكم في عملية الترسيب:
- درجة حرارة الترسيب
- درجة حرارة المادة المعالجة (precursor)
- موقع العينة على رقاقة السيليكون بقياس 4 إنش
جمعت البيانات لـ 315 نقطة تجربة، منها 215 نقطة استخدمت لتدريب الشبكة العصبية، والباقي للاختبار. النموذج يتكون من 5 طبقات مخفية بعدد خلايا عصبية متفاوت، واستخدمت دالة تفعيل من نوع exponential linear unit التي تساعد على تسريع التعلم وتحسين دقة التنبؤ.
تم قياس سماكة الفيلم ومعامل الانكسار بواسطة تقنيات المطيافية البصرية (spectroscopic ellipsometry)، في حين تم تحديد معدل الحفر الرطب عبر اختبار الحفر في حمض الهيدروفلوريك، حيث يعكس المقاومة الكيميائية وكثافة الفيلم.
⚙️ نمذجة العلاقات المعقدة بين المتغيرات
أثناء تغيير متغير واحد فقط، لوحظت اتجاهات دقيقة منطقية في خصائص الأفلام. مثلاً، زيادة حرارة الترسيب أدت إلى تقليل السماكة ومعدل الحفر، كما زادت معامل الانكسار، مما يشير إلى تفاعلات سطحية أكمل وأفلام أكثر كثافة.
لكن شرح التفاعلات عند تغير أكثر من متغير واحد تتسم بالتعقيد والغموض، حيث أثرت مواقع العينة المختلفة ضمن شريحة السيليكون على انتقال المادة المعالجة، سرعة التفاعلات، ومعدلات النمو محليًا. هذه العلاقات لا يمكن فهمها بسهولة من خلال تغيير متغير واحد (One-factor-at-a-time)، بل تحتاج إلى نموذج يستطيع تعلم النمط الشامل.
أثبتت شبكة الـ DNN قدرتها على اكتساب هذه العلاقات غير الخطية ودقة توقع خصائص الفيلم جاءت مرتفعة جدًا، حيث سجلت التوقعات نسب دقة بين:
- 92-95% لسماكة الفيلم (Tox)
- 95-97% لمعامل الانكسار (RI)
- 90-95% لمعدل الحفر الرطب (WER)
🏭 تخطيط عمليات ALD عبر خرائط عملية-خصائص متعددة
لتسهيل تفسير النتائج وتعزيز قرارات التحسين، أنتج الباحثون خرائط مستمرة تمثل تأثير متغيرات العملية على خصائص الفيلم. هذه الخرائط عكست الاتجاهات التجريبية بدقة نوعية ورسمت حدودًا واضحة للنطاقات المثلى للعملية.
ميزة إضافية هامة للنموذج هي قدرته على إجراء تنبؤات استكشافية خارج نطاق البيانات التجريبية، ما يفتح إمكانيات لتجارب مستقبلية محسنة. لكن الباحثين حذروا من الاعتماد الكامل على هذه التنبؤات خارج النطاق التجريبي المباشر، مؤكدين ضرورة دمج المعرفة الهندسية لعمليات ALD في تفسير وتقييد هذه التنبؤات.
🔥 كيف يستفيد المهندسون والباحثون؟
- توفير وقت وجهد في اختبار عمليات ALD متعددة على أرض الواقع
- تسريع تحسين وتطوير عمليات ترسيب الأفلام الرفيعة عالية الجودة
- فهم العلاقات المعقدة بين عمليات التصنيع وخصائص المادة النهائية التي تؤثر على أداء الأجهزة
- تمهيد الطريق لتقنيات مثل digital twin التي تحاكي وتحسن عملية التصنيع في الوقت الحقيقي
🚗 آفاق مستقبلية وتحديات متبقية في تحسين ALD باستخدام التعلم الآلي
رغم نجاح الإطار المطور في دراسة HfOx محددة، إلا أن توسيع نطاق النموذج ليشمل نظم ترسيب ومواد أخرى يتطلب دمج نماذج فيزيائية ومكتسبات هندسية ضمن خوارزميات التعلم الآلي.
تطبيق physics-guided machine learning قد يعزز من فهم التفاعل بين العوامل ويساعد على بناء نماذج أكثر موثوقية وقابلة للتفسير، متجاوزة حدود البيانات التجريبية المُدخلة.
بذلك، يمكن التطلع إلى مستقبل تتكامل فيه عمليات التصنيع الميكانيكية والحرارية مع أنظمة الذكاء الاصطناعي الحديثة لتنفيذ عمليات تصنيع ذكية، مرنة، ومتفوقة الجودة.
⚙️ خلاصة تقنية أخيرة
الدراسة التي تستخدم machine learning وdeep neural networks في ALD تمثل خطوة كبيرة نحو تحول رقمي متقدم في هندسة المواد وصناعة أشباه الموصلات. من خلال التنبؤ بدقة متعددة الأبعاد وخرائط عمليات شاملة، توفر هذه التقنية أدوات فعالة للتحكم في جودة أفلام الهافنيوم أكسيد وتحسين أداء الأجهزة المستقبلية بكفاءة أعلى.
اكتشاف المزيد من Mohdbali
اشترك للحصول على أحدث التدوينات المرسلة إلى بريدك الإلكتروني.
