Atomistic Insights into MOCVD Growth of GaAs using a Closed Loop Autonomous System Combining Directed Reinforcement Learning and Kinetic Monte Carlo Simulations

إن صناعة الطبقات الرقيقة وغير المرئية من المواد التي تشغل إلكترونياتنا الحديثة هي فن دقيق. فهذه الطبقات، التي لا يتجاوز سمكها في كثير من الأحيان بضع ذرات، تُنمى داخل غرف خاصة حيث تُسخن الغازات حتى تتفاعل وتستقر على سطح ما، مكونةً طبقة صلبة. هذه العملية، المعروفة باسم الترسيب الكيميائي للبخار، هي الأساس لكل شيء، بدءاً من مصابيح (LED) الساطعة في شاشاتنا وصولاً إلى الرقائق عالية السرعة في حواسيبنا. ويكمن التحدي الذي يواجه العلماء والمهندسين في أن الحصول على هذه الطبقات بالشكل الصحيح يتطلب توازناً مثالياً بين الحرارة وتدفق الغاز. فإذا كانت درجة الحرارة منخفضة جداً، فلن تلتصق الذرات؛ وإذا كانت مرتفعة جداً، فقد تسقط أو تتفكك. تقليدياً، كان العثور على هذا التوازن المثالي بمثابة لعبة تجربة وخطأ بطيئة ومكلفة، تتطلب من الباحثين إجراء تجارب لا حصر لها، وقياس النتائج، وتعديل الإعدادات، ثم المحاولة مرة أخرى. إنها عملية تستهلك الكثير من الموارد ويمكن أن تستغرق شهوراً لتحسين مادة واحدة فقط.

ولتسريع هذه العملية، حاول العلماء لفترة طويلة استخدام الحواسيب للتنبؤ بأفضل الإعدادات. ومع ذلك، فإن فيزياء نمو الطبقة تحدث على مقاييس يصعب للغاية نمذجتها في آن واحد. فالذرات تهتز وتتحرك في أجزاء من الثانية، بينما تنمو الطبقة نفسها على مدى دقائق أو ساعات. وغالباً ما تعاني النماذج الحاسوبية القياسية في سد هذه الفجوة، فإما أن تضيع في التفاصيل الدقيقة لاهتزازات الذرات، أو تفقد الصورة الكبيرة لكيفية تشكل الطبقة بمرور الوقت. يقدم بحث جديد أجراه باحثون في المعهد الهندي للتكنولوجيا بجانديجاغار طريقة جديدة لحل هذه المشكلة. فبدلاً من محاولة حساب كل قوة بين الذرات من الصرا، قاموا ببناء نظام يتعلم من التجارب الواقعية. ومن خلال الجمع بين محاكاة حاسوبية تتبع الذرات الفردية وخوارزمية بحث ذكية، أنشأوا أداة يمكنها تحديد القواعد الخفية لكيفية نمو الطبقة بسرعة، محولةً القياسات الروتينية إلى فهم عميق للعملية.

ركز الباحثون على زرنيخيد الغاليوم، وهي مادة تُستخدم على نطاق واسع في الإلكترونيات عالية الأداء والخلايا الشمسية. أرادوا فهم كيفية نمو هذه المادة عند صنعها من غازين محددين: أحدهما يحتوي على الغاليوم والآخر يحتوي على الزرنيخ. في نموذجهم الحاسوبي، قاموا بمحاكاة سطح الطبقة النامية كشبكة يمكن للذرات أن تهبط عليها، أو تلتصق بها، أو تتحرك حولها، أو تسقط منها. تضمن النموذج عشرين نوعاً مختلفاً من الأحداث التي يمكن أن تحدث على هذا السطح، مثل تفكك جزيء غاز، أو ارتباط ذرة بالسطح، أو انفصال ذرة مرتبطة وعودتها إلى الغاز. كانت المشكلة هي أن النموذج يحتاج إلى أرقام محددة لوصف سرعة حدوث كل حدث من هذه الأحداث، وهذه الأرقام لم تكن معروفة تماماً. وعادة ما يقضي العلماء أسابيع في إجراء حسابات فيزياء كمية مكلفة لتخمين هذه الأرقام، لكن الفريق الجديد سلك مساراً مختلفاً.

قاموا بربط محاكاتهم بمحرك بحث ذكي يعتمد على طريقة تسمى "بحث شجرة مونت كارلو"، وهي تقنية تُستخدم غالباً في الذكاء الاصطناعي للعب ألعاب معقدة مثل الشطرنج. وفي هذه الحالة، كانت "اللعبة" هي العثور على المجموعة الصحيحة من الأرقام للمحاكاة. بدأ النظام بتخمين تقريبي ثم قام بتشغيل المحاكاة لمعرفة معدل النمو الذي تنتجه. وقارن هذه النتيجة بالبيانات الفعلية التي تم جمعها من تجارب حقيقية، حيث تم قياس معدل نمو زرنيخيد الغاليوم عند درجات حرارة مختلفة. إذا كانت المحاكاة بطيئة جداً أو سريعة جداً، يقوم محرك البحث بتعديل الأرقام والمحاولة مرة أخرى. وعبر دورات عديدة، تعلم النظام الأرقام التي تجعل المحاكاة تطابق العالم الحقيقي. وقد فعل ذلك من خلال تشغيل آلاف التجارب الافتراضية، مع تحسين خياراته باستمرار حتى وجد مجموعة واحدة من القواعد التي يمكنها تفسير سلوك النمو عبر نطاق واسع من درجات الحرارة.

وكانت النتيجة نموذجاً نجح في إعادة إنتاج السلوك المعقد للمادة الحقيقية. أظهرت البيانات التجريبية ثلاث مراحل متميزة من النمو: عند درجات الحرارة المنخفضة، نمت الطبقة ببطء لأن الذرات كافحت للالتصاق؛ وعند درجات الحرارة المتوسطة، استقر معدل النمو في هضبة ثابتة؛ وعند درجات الحرارة المرتفعة، انخفض معدل النمو بشكل حاد لأن الذرات بدأت تسقط عن السطح بشكل أسرع مما يمكنها الالتصاق به. وقد استطاع النموذج الحاسوبي، بعد ضبطه بواسطة محرك البحث، التقاط جميع هذه المراحل الثلاث بدقة. والأهم من ذلك، أن النظام كشف بالضبط عن العمليات الفيزيائية التي تقود كل مرحلة. ففي درجات الحرارة المنخفضة، كان النمو محدوداً بمدى قدرة جزيئات الغاز على الالتصاق بالسطح. ومع ارتفاع درجة الحرارة، أصبح الالتصاق أسهل، ولكن عند أعلى درجات الحرارة، أصبحت العملية تهيمن عليها الذرات التي تتحرر من الطبقة وتعود إلى الغاز. هذا التحول في السيطرة من الالتصاق إلى السقوط هو ما فسر سبب ذروة معدل النمو ثم انهياره.

وبعيداً عن مجرد مطابقة سرعة النمو، قدم النموذج رؤية مفصلة للسطح نفسه، متنبئاً بمدى خشونة الطبقة عند درجات حرارة مختلفة. أظهرت عمليات المحاكاة أن السطح كان الأكثر نعومة عند درجات الحرارة المنخفضة ولكنه أصبح أكثر خشونة قليلاً مع ارتفاع درجة الحرارة، ليصل إلى ذروة الخشونة قبيل بدء انخفاض معدل النمو. نتجت هذه الخشونة عن صراع بين الذرات التي تلتصق وتنفصل باستمرار، مما خلق سطحاً مضطرباً. وحدد النموذج أن هذه الخشونة بلغت ذروتها عند نطاق درجة حرارة معين، حوالي 1175 كلفن، وهو أعلى قليلاً من درجة الحرارة التي نما فيها الغشاء بأقصى سرعة. هذه الرؤية قيمة لأنها تخبر المهندسين أن الطريقة الأسرع لنمو الطبقة قد لا تكون الطريقة الأكثر نعومة، مما يفرض مقايضة بين السرعة والجودة.

تكمن القوة الحقيقية لهذا النهج في قدرته على تجاوز الحاجة إلى حسابات مكلفة ومستهلكة للوقت لقوى الذرات. فبدلاً من محاولة التنبؤ بالقواعد من المبادئ الأولى، يتعلم النظام القواعد مباشرة من البيانات التجريبية. وهذا يعني أنه يمكن تطبيق هذه الطريقة على أي مادة يمكن تقسيم عملية نموها إلى مجموعة من الأحداث، بشرط وجود بعض البيانات التجريبية لتوجيه البحث. ويؤكد الباحثون أن الأرقام المحددة التي وجدوها مرتبطة بالطريقة التي أعدوا بها محاكاتهم، لكن الصورة المتعلقة بالتفاعلات التي تتحكم في النمو هي صورة قوية وثابتة. إن الإطار العملي يحول جوهر البيانات التجريبية "الصندوق الأسود" إلى قصة ميكانيكية واضحة لما يحدث على السطح.

يشير هذا العمل إلى طريقة جديدة لتصميم وتحسين تصنيع المواد المتقدمة. فمن خلال استخدام نموذج حاسوبي يتعلم من القياسات الحقيقية، يمكن للمهندسين تقليل عدد التجارب الفيزيائية اللازمة لإتقان عملية ما. يعمل النظام كـ "توأم رقمي"، وهو نسخة افتراضية من المفاعل يمكن اختبارها وضبطها قبل تشغيل أي غاز فعلي. ويمكن أن يؤدي هذا إلى تقصير الوقت اللازم لتطوير مواد جديدة للخلايا الشمسية، والليزر، والإلكترونيات عالية السرعة بشكل كبير. وتثبت الدراسة أنه من خلال الجمع بين عمليات المحاكاة الذرية وخوارزميات البحث الذكية، يمكن للعلماء فتح أسرار عمليات النمو المعقدة دون الغرق في التكلفة الحسابية الهائلة للطرق التقليدية. إنها تقدم مساراً عملياً لإنشاء الطبقات فائقة الرقة وعالية الجودة الضرورية للجيل القادم من التكنولوجيا.