[論文レビュー] AI-driven Inverse Design of Complex Oxide Thin Films for Semiconductor Devices

Bonwook Gu, Trinh Ngoc Le+3 more|arXiv (Cornell University)|Mar 10, 2026

Ferroelectric and Negative Capacitance Devices被引用数 0

ひとこと要約

拡散モデル、機械学習ポテンシャル、グラフニューラルネットワーク特性予測を原子層堆積と組み合わせたIDEALにより複雑な酸化物薄膜を設計する逆設計プラットフォームを紹介；Hf–Zr–O系で予測を実験的に検証。

ABSTRACT

Bridging generative foundation models with non-equilibrium thin-film synthesis remains a central challenge, limiting the practical impact of AI-driven materials discovery on semiconductor dielectrics. Here, we introduce IDEAL (Inverse Design for Experimental Atomic Layers), an inverse-design platform that links generative diffusion models, machine learning interatomic potentials, and graph neural network property predictors with atomic layer deposition (ALD). We demonstrate IDEAL using the Hf-Zr-O system as a stringent benchmark for semiconductor-relevant complex oxides. The platform statistically enumerates thermodynamically plausible structures and constructs a composition-structure-property map. Crucially, it identifies a narrow composition window where low-energy tetragonal and orthorhombic phases cluster, revealing trade-offs between band gap and dielectric response. Experimental validation using atomic layer modulation (ALM) corroborates these predictions, demonstrating predictive guidance under realistic, non-equilibrium thin-film growth. By experimentally closing the loop, IDEAL provides a transferable and generalizable route to the precision synthesis of next-generation semiconductor dielectrics.

研究の動機と目的

• 生成型基盤モデルと非平衡薄膜成長を半導体絶縁体へ橋渡しする。
• 複雑な酸化物の組成・構造・特性を予測するエンドツーエンドの逆設計パイプラインを開発する。
• 次世代半導体絶縁体の高精度合成に対する実験的に検証済みの指針を提供する。

提案手法

• 生成的拡散モデルを統合して熱力学的にもっともらしい酸化物構造を列挙する。
• 候補構造のエネルギーを評価するため機械学習ポテンシャルを使用する。
• グラフニューラルネットワーク特性予測子を適用して組成・構造を誘電率とバンドギャップ特性へ写像する。
• 予測パイプラインを原子層堆積（ALD）および原子層変調と結びつけて非平衡薄膜成長を実現する。
• 組成–構造–特性マップを構築し、低エネルギー相がクラスタリングする組成窓を同定する。

実験結果

リサーチクエスチョン

• RQ1 生成モデルと非平衡薄膜合成を結びつけて複合酸化物の絶縁体を設計する逆設計パイプラインは可能か。
• RQ2 非平衡成長下のHf–Zr–O系で顕在化する組成–構造–特性の関係は何か。
• RQ3 望ましい誘電体・電子特性を達成できる組成窓をプラットフォームは特定できるか。
• RQ4 実験的ALMベースの合成はIDEALの予測を検証し、設計ループを閉じるか。

主な発見

• IDEALは複雑な酸化物の熱力学的にもっともらしい構造を統計的に列挙する。
• 低エネルギーの四方晶相と斜方相がクラスタリングする狭い組成窓を特定した。
• 組成窓内でバンドギャップと誘電応答のトレードオフが明らかになる。
• 原子層変調を用いた実験的検証により予測された非平衡成長挙動が裏付けられた。
• 予測から実験へのループは半導体絶縁体の高精度合成へ移植可能な道筋を示す。