Tuning of Atomic Layer Deposition Pulse Time through Physics-Informed Bayesian Active Learning

Deze paper introduceert een fysisch geïnformeerd Bayesiaans actief leermodel dat de tuning van pulsduurtijden bij atomaire laagdepositie (ALD) versnelt en de precursorverbruik verlaagt door een Langmuir-adsorptiemodel te integreren in een Gaußisch proces, wat zowel in simulaties als experimenten met TiO2-depositie succesvolle convergentie en nauwkeurige saturatiebepaling heeft bewezen.

De kern

De Slimme Chef in de Keuken: Hoe een computer sneller en goedkoper dunne laagjes maakt

Stel je voor dat je een chef-kok bent die een heel dunne laagje glazuur op een enorme taart moet spuiten. Maar er is een probleem: je mag niet te veel spuiten, want dan wordt de taart nat en zwaar. Je mag ook niet te weinig spuiten, want dan blijft het glazuur niet plakken. Je moet precies de juiste hoeveelheid vinden.

In de echte wereld gebeurt dit met Atomair Laag Deposition (ALD). Dit is een techniek om superdunne laagjes materiaal (zoals voor zonnepanelen of computerchips) op een oppervlak te spuiten. Het probleem? Het vinden van de perfecte tijd om het spuiten te stoppen, duurt vaak dagen, kost duizenden euro's aan dure chemicaliën en is een enorme "probeer-en-fout" klus.

De auteurs van dit artikel, Pouyan Navabi en Christos Takoudis, hebben een slimme oplossing bedacht. Ze noemen het een "Fysiek-Informeerde Bayesiaanse Actieve Leer". Klinkt ingewikkeld? Laten we het vertalen naar alledaags taal.

1. Het Probleem: De Blinde Vlek

Stel je voor dat je blindelings probeert te raden hoe lang je moet spuiten.

• De oude manier: Je doet een test, meet het resultaat, doet een andere test, meet weer... Je verspilt veel tijd en dure chemicaliën (de "precursors") voordat je het juiste moment vindt.
• Het doel: Je wilt het perfecte moment vinden met zo min mogelijk tests en zo weinig mogelijk verspilling.

2. De Oplossing: De Slimme Chef met een Recept

De auteurs hebben een computerprogramma gemaakt dat twee dingen combineert:

1. Een slimme gokmachine (Bayesian Learning): Dit is een algoritme dat leert van elke test die je doet. Het zegt: "Oké, bij 2 seconden was het te weinig, bij 5 seconden te veel. Laten we het nu bij 3,5 proberen."
2. Een fysiek recept (Langmuir-model): Dit is het genie van de paper. In plaats van dat de computer alleen maar naar de cijfers kijkt, geven ze hem een recept mee. Ze zeggen: "Weet je nog, de manier waarop de chemicaliën plakken, volgt een bekend natuurkundig patroon (zoals een kurk die in een fles stopt)."

De Analogie:

• Zonder recept (oude manier): De computer is als een kind dat blindelings probeert hoe lang het moet wachten tot de koffie koud is. Het probeert 1 minuut, 10 minuten, 1 minuut... Het leert langzaam en maakt veel fouten.
• Met recept (deze paper): De computer is als een ervaren barista die weet: "Als de koffie 80 graden is, duurt het ongeveer 5 minuten om op 50 graden te komen." Hij gebruikt die kennis om veel sneller het juiste tijdstip te voorspellen.

3. De Twee Stappen: Eerst Smeren, Dan Meten

Een van de grootste uitdagingen in het lab is "ruis" (onzuiverheden). Je meetapparatuur is niet perfect, en de kleppen die de chemicaliën sturen, zijn niet altijd exact op de milliseconde. Het is alsof je probeert de temperatuur van de koffie te meten terwijl je hand trilt.

De auteurs hebben een slimme truc bedacht:

1. Stap 1: De Smeerboter (GP Smoothen): De computer kijkt eerst naar al je ruwe, trillende metingen en maakt er een gladde, mooie lijn van. Hij filtert de ruis eruit alsof je een modderige foto scherper maakt.
2. Stap 2: Het Recept Toepassen (Fysiek Fitten): Pas nadat de lijn glad is, past de computer het natuurkundige recept toe om de echte waarden te berekenen.

Dit zorgt ervoor dat de computer niet door de ruis wordt verward, maar echt de onderliggende wetmatigheid ziet.

4. Wat Vonden Ze? (De Resultaten)

Ze hebben dit getest in een virtuele wereld (simulaties) en in een echt laboratorium met Titanium (voor TiO2-laagjes).

• Snelheid: Waar een oude methode misschien 20 tests nodig had, deed het nieuwe systeem het in 5 tests.
• Kosten: Ze gebruikten tot 4 keer minder dure chemicaliën. Dat is alsof je 75% van je ingrediënten bespaart.
• Nauwkeurigheid: Voor hoge eisen (waar je bijna 100% van het oppervlak wilt bedekken) was de voorspelling bijna perfect.
• De "Koffie-koude" situatie: Bij lagere eisen (waar je minder bedekking wilt) zag de computer dat het recept niet helemaal klopte. Dit is eigenlijk goed nieuws! Het betekent dat de computer zo slim is dat hij merkt: "Hé, hier gebeurt er iets vreemds, de chemicaliën plakken niet precies zoals het recept zegt." Dit helpt wetenschappers om nieuwe problemen op te lossen.

Conclusie: Waarom is dit geweldig?

Dit onderzoek is als het geven van een GPS-systeem aan een kok die tot nu toe alleen maar rondjes reed om de weg te vinden.

• De computer weet nu de weg (de natuurwetten).
• Hij filtert de verkeersborden die niet kloppen (de ruis).
• En hij komt er veel sneller en goedkoper uit.

Voor de industrie betekent dit dat nieuwe materialen sneller ontwikkeld kunnen worden, minder afval wordt geproduceerd en we sneller betere zonnepanelen, medicijnen en computers hebben. Het is een stap naar een toekomst waar robots zelfstandig experimenteren en optimaliseren, zonder dat mensen urenlang hoeven te wachten op resultaten.

Technische samenvatting

Titel: Afstemming van Pulsduur voor Atomaire Laagdepositie (ALD) via Fysiek-Informeren Bayesiaans Actief Leren

Auteurs: Pouyan Navabi en Christos G. Takoudis (Universiteit van Illinois Chicago)

---

1. Het Probleem

De ontwikkeling van processen voor Atomaire Laagdepositie (ALD) wordt vaak gehinderd door tijdrovende en precursor-intensieve afstemmingscycli. Om de optimale verzadigingscondities (waarbij het oppervlak volledig bedekt is) te identificeren, zijn traditioneel uitgebreide trial-and-error experimenten nodig. Dit leidt tot:

• Hoge kosten: Significant verbruik van dure precursormaterialen.
• Tijdsverlies: Lange machine-gebruikstijden voor handmatige optimalisatie.
• Complexiteit: Naarmate processen complexer worden, worden manuele optimalisatiemethoden een knelpunt.

Bestaande datagedreven benaderingen (zoals neurale netwerken) vereisen vaak specifieke training voor elke chemie en fungeren als "black boxes", wat de generaliseerbaarheid beperkt en de complexiteit van het controlesysteem verhoogt.

2. Methodologie

De auteurs introduceren een Fysiek-Informeren Bayesiaans Actief Leren (Physics-Informed Bayesian Active Learning - BAL) framework. Dit systeem combineert statistisch leren met fundamentele fysische kennis om de pulsduur van de precursor autonoom te optimaliseren.

Kerncomponenten:

• Fysisch Model (Langmuir Isotherm): In plaats van puur op data te vertrouwen, wordt het adsorptiegedrag gemodelleerd met de Langmuir-isotherm. De groeisnelheid $y(x)$ als functie van blootstellingstijd $x$ wordt beschreven als:
  $$y(x) = \frac{G_{max}Kx}{1+Kx}$$
  Waarbij $G_{max}$ de maximale oppervlaktebedekking is en $K$ de evenwichtsconstante.
• Gaussian Process (GP) met Fysische Kernel: Het framework gebruikt een Gaussian Process als surrogate model. De innovatie ligt in de covariantiekernel:
  • Een pure Matérn-kernel (puur statistisch) wordt vergeleken met een Fysiek-Informeren Matérn-kernel.
  • De fysieke kernel projecteert de invoer $x$ via een Langmuir-transformatie $\phi(x)$ voordat de correlatie wordt berekend. Hierdoor "weet" het model dat het onderliggende proces een verzadigingskromme volgt.
• Tweestaps Parameter Schatting (Key Innovation):
  1. Smoothen: De GP wordt eerst getraind op de ruwe, noisy experimentele data om een gladde, ruisvrije voorspelling te genereren.
  2. Fitten: De parameters van het Langmuir-model ($K_{phys}, G_{phys}$) worden vervolgens gefit op deze gegladde GP-voorspellingen, niet direct op de ruwe data.
  • Voordeel: Dit ontkoppelt het filteren van ruis (door de GP) van het fysische interpreteren (door het Langmuir-model), wat leidt tot veel robuustere parameterschattingen.
• Actieve Leerstrategie: Het systeem kiest iteratief het volgende meetpunt op basis van maximale onzekerheid (variatie in de posterior), maar geleid door de fysieke structuur van de Langmuir-kern om de meest informatieve gebieden (steilste delen van de kromme) te verkennen.

3. Belangrijkste Bijdragen

• Integratie van Fysica in ML: Het direct inbedden van de Langmuir-isotherm in de GP-kernel, waardoor het model zowel statistische als fysische informatie gebruikt.
• Robuuste Ruisfiltering: De twee-staps strategie (GP-smoothing gevolgd door parameterfitting) lost het probleem op van instabiele parameterschattingen bij ruige, schaarse ALD-data.
• Autonome Optimalisatie: Een volledig autonoom framework dat de pulsduur afstemt om een specifieke verzadigingsdoelstelling (bijv. 95%) te bereiken met minimale experimenten.

4. Resultaten

A. Simulatie-resultaten (Vier Regimes)
Het framework werd getest in vier gesimuleerde scenario's: snelle verzadiging, gematigde verzadiging, trage verzadiging (extrapolatie nodig) en hoge ruis. Vergelijkingen werden gemaakt met een puur datagedreven GP (Pure Matérn kernel).

• Convergentie: Het fysiek-informeren model convergeert binnen 5 iteraties naar de ware verzadigingstijd, terwijl het pure model veel trager convergeert of faalt.
• Nauwkeurigheid: Tot 4 keer betere voorspelling (minder fout) vergeleken met de pure GP.
  • Voorbeeld (Snelle verzadiging): Fout van 17,3% (Fysiek) vs. 66,3% (Puur).
• Efficiëntie: Een reductie in precursorgebruik met een factor 2 tot 4, afhankelijk van het regime.
• Extrapolatie: Het fysieke model kan betrouwbaar extrapoleren naar verzadigingstijden buiten het onderzochte bereik, iets waar pure GPs moeite mee hebben.

B. Experimentele Validatie
Het framework werd getest bij de depositie van TiO2 met TDMAT en Ozone op siliciumwafers, met gebruikmaking van in situ spectroscopische ellipsometrie.

• Doel: Het vinden van de pulsduur voor 95% verzadiging.
• Resultaat: Het model voorspelde de optimale pulsduur (5,217 s) zeer nauwkeurig, resulterend in een GPC (Growth Per Cycle) van 0,0425 nm (0,6% afwijking van de doelstelling).
• Beperkingen bij lage verzadiging: Bij lagere verzadigingsniveaus (80-90%) nam de fout toe (tot 13%). De auteurs attribueren dit aan niet-ideale desorptie-effecten ($D(x)$) die bij lage bedekking relatief groter zijn, wat niet volledig wordt gevangen door het ideale Langmuir-model. Desondanks bleef het model effectief voor praktische optimalisatie.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat het combineren van fundamentele fysische modellen met moderne machine learning-methoden (Bayesian Active Learning) een krachtige strategie is voor de ontwikkeling van ALD-processen.

• Efficiëntie: Het reduceert de tijd en kosten voor procesontwikkeling aanzienlijk door het aantal benodigde experimenten te minimaliseren.
• Generaliseerbaarheid: In tegenstelling tot "black box" neurale netwerken, biedt dit framework een interpreteerbaar model dat beter generaliseert naar nieuwe precursors of chemieën.
• Toekomstperspectief: Hoewel het huidige model zich baseert op het ideale Langmuir-model, is de architectuur modulair. De auteurs benadrukken dat complexere kinetische modellen in de toekomst kunnen worden ingebouwd om ook niet-ideale gedragingen (zoals desorptie bij lage bedekking) beter te modelleren.

Kortom, dit werk levert een bewezen, sample-efficiënte route naar autonome, gesloten-lus optimalisatie van ALD-reactoren.