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

現代のエレクトロニクスを支える、極めて薄く目に見えない材料の層を作り出すことは、繊細な芸術です。これらの層は、多くの場合わずか数原子分の厚さしかなく、特殊なチャンバーの中でガスが加熱されて反応し、表面に沈着して固体膜を形成するように成長させられます。化学気相成長（CVD）として知られるこのプロセスは、スクリーンの明るいLEDからコンピュータの高速チップに至るまで、あらゆるものの基礎となっています。科学者やエンジニアにとっての課題は、これらの層を完璧に作り上げるには、熱とガスの流量の絶妙なバランスが必要であることです。温度が低すぎると原子が定着せず、高すぎると原子が外れたり分解したりしてしまう可能性があります。伝統的に、この完璧なバランスを見つけ出すことは、研究者が数え切れないほどの実験を行い、結果を測定し、設定を微調整してはやり直すという、非常に手間のかかる試行錯誤のゲームでした。これは、単一の材料を最適化するために数ヶ月を要することもある、リソースを大量に消費するプロセスです。

これを加速させるために、科学者たちは長年、コンピュータを使用して最適な設定を予測しようと試みてきました。しかし、膜の成長という物理現象は、一度にモデル化することが極めて困難なスケールで発生します。原子は数分の一秒の間に振動し移動しますが、膜自体は数分から数時間かけて成長します。標準的なコンピュータモデルは、このギャップを埋めることに苦慮することが多く、原子の振動という微細な詳細に迷い込むか、あるいは膜が時間の経過とともにどのように形成されるかという大きな全体像を見失ってしまうかのどちらかになります。インド工科大学ガンディーノガル校の研究者による新しい研究は、この問題に対する新たな解決策を提示しています。原子間の個々の力をゼロから計算しようとする代わりに、彼らは実世界の実験から学習するシステムを構築しました。個々の原子を追跡するコンピュータ・シミュレーションとインテリジェントな探索アルゴリズムを組み合わせることで、膜がどのように成長するかという隠れたルールを迅速に解明できるツールを作り上げたのです。これにより、日常的な測定値を、プロセスの深い理解へと変えることが可能になりました。

研究者たちは、高性能エレクトロニクスや太陽電池に広く使用されている材料である、ガリウム砒素に焦点を当てました。彼らは、ガリウムを含むガスと砒素を含むガスの2つの特定のガスから、この材料がどのように成長するかを理解したいと考えました。コンピュータモデルの中で、彼らは成長中の膜の表面を、原子が着地し、定着し、移動し、あるいは離れていくことができるグリッド（格子）としてシミュレートしました。モデルには、ガス分子の分解、原子の表面への付着、結合した原子の脱離とガスへの復帰など、表面で起こりうる20種類の異なるイベントが含まれていました。問題は、これらのイベントがどの程度の速さで起こるかを記述するための具体的な数値が必要でしたが、その数値は完全には判明していなかったことです。通常、科学者はこれらの数値を推測するために、高価な量子物理学の計算に数週間を費やしますが、この新しいチームは異なる道を選びました。

彼らは、チェスのような複雑なゲームをプレイするために人工知能でよく使われる手法である「モンテカルロ木探索」に基づいたスマートな検索エンジンに、シミュレーションを接続しました。この場合、「ゲーム」とはシミュレーションのための正しい数値のセットを見つけ出すことでした。システムはまず大まかな推測から開始し、その後にシミュレーションを実行して、どのような成長速度を生み出すかを確認しました。そして、その結果を、さまざまな温度でガリウム砒社の成長速度が測定された実際の実験データと比較しました。シミュレーションが遅すぎたり速すぎたりした場合、検索エンジンは数値を調整して再試行しました。多くの反復を経て、システムはシミュレーションを現実世界と一致させるための数値の組み合わせを学習しました。システムは、何千回もの仮想実験を繰り返し、幅広い温度範囲における成長挙動を説明できる単一のルールを見つけ出すまで、絶えず選択肢を洗練させていきました。

その結果、実際の材料の複雑な挙動を再現することに成功したモデルが得られました。実験データは、3つの明確な成長フェーズを示していました。低温では、原子が定着するのに苦労するため成長は遅く、中温では成長速度は安定したプラトー（高原状態）に入り、高温では、原子が表面から外れる速度が定着する速度を上回り始めるため、成長速度が急激に低下しました。チューニングされたコンピュータモデルは、これら3つのフェーズすべてを完璧に捉えました。さらに重要なことに、システムはどの物理プロセスが各フェーズを支配しているのかを正確に明らかにしました。低温では、成長はガス分子がどれだけ表面に定着できるかに制限されていました。温度が上がるにつれて定着は容易になりますが、最高温度では、プロセスは原子が膜から離れてガスに戻る現象によって支配されるようになりました。この「定着」から「脱離」への制御のシフトが、なぜ成長速度がピークに達した後に崩壊するのかを説明しました。

成長速度を一致させるだけでなく、モデルは表面自体の詳細なビューも提供し、異なる温度における膜の粗さを予測しました。シミュレーションによれば、表面は低温で最も滑らかであり、温度の上昇とともにわずかに粗くなり、成長速度が低下し始める直前で粗さがピークに達することが示されました。この粗さは、原子が絶えず付着と脱離を繰り返すことで生じる、一種の「綱引き」によって引き起こされる、ジッター（震え）のある表面によるものでした。モデルは、この粗さが特定の温度範囲、すなわち成長速度が最大となる温度よりもわずかに高い、約1175ケルビンの付近でピークに達することを特定しました。この洞察は、エンジニアにとって、最も速い成長方法が必ずしも最も滑らかな方法ではないことを意味しており、速度と品質の間のトレードオフを強いるものであることを教えてくれます。

このアプローチの真の力は、原子力の高価で時間のかかる計算を回避できる能力にあります。原理からルールを予測しようとする代わりに、システムは実験データから直接ルールを学習します。これは、成長プロセスを一連のイベントに分解できるあらゆる材料に対して、探索を導くための実験データさえあれば、この手法が適用できることを意味します。研究者たちは、見出された特定の数値はシミュレーションの設定方法に依存するものであるが、どの反応が成長を制御しているかという全体像は堅牢なものであると強調しています。このフレームワークは、本質的に、実験データの「ブラックボックス」を、表面で何が起きているかという明確なメカニズムの物語へと変えるものです。

この研究は、先端材料の製造を設計・最適化するための新しい方法を示唆しています。実測値から学習するコンピュータモデルを使用することで、エンジニアはプロセスを完成させるために必要な物理的な実験の回数を減らすことができます。このシステムは、実際にガスを流す前にテストや調整ができる、リアクター（反応装置）の仮想バージョンである「デジタルツイン」として機能します。これにより、太陽電池、レーザー、高速エレクトロニクスのための新材料の開発時間を大幅に短縮できる可能性があります。本研究は、原子レベルのシミュレーションとインテリジェントな探索アルゴリズムを組み合わせることで、従来の計算手法の膨大な計算コストに足を取られることなく、複雑な成長プロセスの秘密を解き明かせることを証明しています。それは、次世代のテクノロジーに不可欠な高品質で極薄の膜を作成するための、実用的な道筋を提示しています。