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

Het maken van de minuscule, onzichtbare lagen materiaal die onze moderne elektronica aandrijven, is een delicate kunst. Deze lagen, vaak slechts enkele atomen dik, worden gegroeid in speciale kamers waar gassen worden verhit totdat ze reageren en neerslaan op een oppervlak, waardoor een vaste film ontstaat. Dit proces, bekend als chemische dampdepositie (chemical vapor deposition), vormt de basis voor alles van de heldere LED's in onze schermen tot de snelle chips in onze computers. De uitdaging voor wetenschappers en ingenieurs is dat het precies goed krijgen van deze lagen een perfect evenwicht tussen warmte en gasstroom vereist. Als de temperatuur te laag is, zullen de atomen niet blijven plakken; als deze te hoog is, kunnen ze eraf vallen of uiteenvallen. Traditioneel gezien is het vinden van dit perfecte evenwicht een traag, duur spel van trial-and-error, waarbij onderzoekers talloze experimenten moeten uitvoeren, de resultaten moeten meten, de instellingen moeten aanpassen en het opnieuw moeten proberen. Het is een middelenintensief proces dat maanden kan duren om te optimaliseren voor een enkel materiaal.

Om dit te versnellen, hebben wetenschappers lang geprobeerd computers te gebruiken om de beste instellingen te voorspellen. De fysica van het groeien van een film vindt echter plaats op schalen die ongelooflijk moeilijk tegelijkertijd te modelleren zijn. De atomen trillen en bewegen in fracties van een seconde, terwijl de film zelf groeit over minuten of uren. Standaard computermodellen hebben vaak moeite om deze kloof te overbruggen, of ze raken verdwaald in de minuscule details van atomaire trillingen, of ze missen het grote plaatje van hoe de film zich over tijd vormt. Een nieuwe studie door onderzoekers van het Indian Institute of Technology Gandhinagar biedt een frisse manier om dit probleem op te lossen. In plaats van te proberen elke individuele kracht tussen atomen vanaf nul te berekenen, hebben zij een systeem gebouwd dat leert van echte experimenten. Door een computersimulatie die individuele atomen volgt te combineren met een intelligent zoekalgoritme, creëerden zij een tool die snel de verborgen regels kan ontdekken van hoe een film groeit, waardoor routinematige metingen worden omgezet in een diepgaand begrip van het proces.

De onderzoekers richtten zich op galliumarsenide, een materiaal dat veel wordt gebruikt in hoogwaardige elektronica en zonnecellen. Ze wilden begrijpen hoe dit materiaal groeit wanneer het wordt gemaakt van twee specifieke gassen: één die gallium bevat en een andere die arsenicum bevat. In hun computermodel simuleerden ze het oppervlak van de groeiende film als een rooster waar atomen kunnen landen, blijven plakken, bewegen of eraf vallen. Het model omvatte twintig verschillende soorten gebeurtenissen die op dit oppervlak kunnen plaatsvinden, zoals een gasmolecuul dat uiteenvalt, een atoom dat zich aan het oppervlak hecht, of een gebonden atoom dat loslaat en terugkeert naar het gas. Het probleem was dat het model specifieke getallen nodig had om te beschrijven hoe snel elk van deze gebeurtenissen plaatsvond, en deze getallen waren niet volledig bekend. Normaal gesproken zouden wetenschappers wekenlang dure kwantumfysische berekeningen uitvoeren om deze getallen te raden, maar het nieuwe team koos een andere weg.

Ze verbonden hun simulatie met een slimme zoekmachine gebaseerd op een methode genaamd Monte Carlo Tree Search, een techniek die vaak wordt gebruikt in kunstmatige intelligentie om complexe spellen zoals schaken te spelen. In dit geval was het "spel" het vinden van de juiste set getallen voor de simulatie. Het systeem begon met een ruwe schatting en draaide vervolgens de simulatie om te zien welke groeisnelheid deze produceerde. Het vergeleek dit resultaat met werkelijke gegevens verzameld uit echte experimenten, waarbij de groeisnelheid van galliumarsenide bij verschillende temperaturen was gemeten. Als de simulatie te traag of te snel was, paste de zoekmachine de getallen aan en probeerde het opnieuw. Over vele iteraties leerde het systeem welke getallen de simulatie lieten overeenkomen met de echte wereld. Dit deed het door duizenden virtuele experimenten uit te voeren, waarbij het voortdurend zijn keuzes verfijnde totdat het één enkele set regels vond die het gedrag van de groei over een breed scala aan temperaturen kon verklaren.

Het resultaat was een model dat het complexe gedrag van het echte materiaal succesvol reproduceerde. De experimentele gegevens toonden drie duidelijke groeifasen: bij lage temperaturen groeide de film langzaam omdat de atomen moeite hadden om te blijven plakken; bij gemiddelde temperaturen stabiliseerde de groeisnelheid zich in een constant plateau; en bij hoge temperaturen daalde de groeisnelheid scherp omdat de atomen het oppervlak begonnen te verlaten sneller dan ze zich konden hechten. Het computermodel, dat eenmaal afgestemd door de zoekmachine, legde al deze drie fasen perfect vast. Belangrijker nog, het systeem onthulde precies welke fysische processen elke fase aanstuurden. Bij lagere temperaturen werd de groei beperkt door hoe goed de gasmoleculen aan het oppervlak konden plakken. Naarmate de temperatuur steeg, werd het plakken gemakkelijker, maar bij de hoogste temperaturen werd het proces gedomineerd door atomen die loskwamen van de film en terugkeerden naar het gas. Deze verschuiving in controle van plakken naar loslaten verklaarde waarom de groeisnelheid piekte en daarna instortte.

Naast het succesvol matchen van de groeisnelheid, bood het model ook een gedetailleerd beeld van het oppervlak zelf, waarbij het voorspelde hoe ruw de film zou zijn bij verschillende temperaturen. De simulaties toonden aan dat het oppervlak het gladst was bij lagere temperaturen en iets ruwer werd naarmate de temperatuur toenam, waarbij het een piek in ruwheid bereikte vlak voordat de groeisnelheid begon te dalen. Deze ruwheid werd veroorzaakt door een touwtrekwedstrijd waarbij atomen voortdurend aanhechten en loslaten, wat een onrustig oppervlak creëert. Het model identificeerde dat deze ruwheid piekte bij een specifieke temperatuurrange, rond de 1175 Kelvin, wat iets hoger was dan de temperatuur waarbij de film het snelst groeide. Dit inzicht is waardevol omdat het ingenieurs vertelt dat de snelste manier om een film te laten groeien niet noodzakelijkerwijs de meest gladde manier is, wat hen dwingt tot een afweging tussen snelheid en kwaliteit.

De ware kracht van deze aanpak ligt in het vermogen om de noodzaak van dure, tijdrovende berekeningen van atomaire krachten te omzeilen. In plaats van te proberen de regels vanuit eerste beginselen (first principles) te voorspellen, leert het systeem de regels rechtstreeks van de experimentele gegevens. Dit betekent dat de methode kan worden toegepast op elk materiaal waarbij het groeiproces kan worden onderverdeeld in een reeks gebeurtenissen, mits er enige experimentele gegevens beschikbaar zijn om de zoektocht te begeleiden. De onderzoekers benadrukken dat de specifieke getallen die zij vonden gekoppeld zijn aan de specifieke manier waarop zij hun simulatie hebben opgezet, maar het beeld van welke reacties de groei aansturen is robuust. Het framework verandert de "black box" van experimentele gegevens in essentie in een helder, mechanistisch verhaal van wat er op het oppervlak gebeurt.

Dit werk suggereert een nieuwe manier om de productie en optimalisatie van geavanceerde materialen te ontwerpen. Door een computermodel te gebruiken dat leert van echte metingen, kunnen ingenieurs het aantal fysieke experimenten verminderen om een proces te perfectioneren. Het systeem fungeert als een digitale tweeling, een virtuele versie van de reactor die getest en afgesteld kan worden voordat er ooit een fysiek gas wordt ingeschroefd. Dit zou de tijd die nodig is om nieuwe materialen voor zonnecellen, lasers en snelle elektronica te ontwikkelen, aanzienlijk kunnen verkorten. De studie demonstreert dat door de combinatie van atomistische simulaties met intelligente zoekalgoritmen, wetenschappers de geheimen van complexe groeiprocessen kunnen ontsluiten zonder te verstrikt te raken in de enorme computationele kosten van traditionele methoden. Het biedt een praktisch pad voor het creëren van de hoogwaardige, ultradunne films die essentieel zijn voor de volgende generatie technologie.