[論文レビュー] Machine-Learning-Assisted and Real-Time-Feedback-Controlled Growth of InAs/GaAs Quantum Dots

Chao Shen, Wenkang Zhan+12 more|arXiv (Cornell University)|Jun 22, 2023

Semiconductor Quantum Structures and DevicesPhysics and Astronomy被引用数 3

ひとこと要約

本論文は、InAs/GaAs量子ドットの密度をチューナブルに制御できる、機械学習を支援するリアルタイムフィードバック制御型分子線エpitaxie（MBE）システムを提案する。RHEED動画データに学習させた3次元ResNet 50モデルを用い、成長条件をイン・サイトで予測・調整することで、3.8×10⁸ cm⁻² から 1.4×10¹¹ cm⁻² の範囲で、高い再現性を達成し、試行錯誤による最適化に要する時間を大幅に短縮した。

ABSTRACT

Self-assembled InAs/GaAs quantum dots (QDs) have properties highly valuable for developing various optoelectronic devices such as QD lasers and single photon sources. The applications strongly rely on the density and quality of these dots, which has motivated studies of the growth process control to realize high-quality epi-wafers and devices. Establishing the process parameters in molecular beam epitaxy (MBE) for a specific density of QDs is a multidimensional optimization challenge, usually addressed through time-consuming and iterative trial-and-error. Here, we report a real-time feedback control method to realize the growth of QDs with arbitrary density, which is fully automated and intelligent. We developed a machine learning (ML) model named 3D ResNet 50 trained using reflection high-energy electron diffraction (RHEED) videos as input instead of static images and providing real-time feedback on surface morphologies for process control. As a result, we demonstrated that ML from previous growth could predict the post-growth density of QDs, by successfully tuning the QD densities in near-real time from 1.5E10 cm-2 down to 3.8E8 cm-2 or up to 1.4E11 cm-2. Compared to traditional methods, our approach, with in situ tuning capabilities and excellent reliability, can dramatically expedite the material optimization process and improve the reproducibility of MBE, constituting significant progress for thin film growth techniques. The concepts and methodologies proved feasible in this work are promising to be applied to a variety of material growth processes, which will revolutionize semiconductor manufacturing for optoelectronic and microelectronic industries.

研究の動機と目的

• 分子線エpitaxie（MBE）を用いたInAs/GaAs量子ドット成長の最適化において、時間のかかる反復的で試行錯誤に依存するプロセスを克服すること。
• MBE成長中に量子ドット密度を動的に制御できる知的でリアルタイムのフィードバックシステムを開発すること。
• 光エレクトロニクスデバイス用の高品質エpitaxialウェハの製造において、再現性を向上させ、最適化サイクルを短縮すること。
• 深層学習を用いたRHEED動画シーケンスによる薄膜成長におけるイン・サイトプロセスモニタリングおよび制御の実現可能性を実証すること。

提案手法

• 時間的系列RHEED動画データに学習させた3次元ResNet 50畳み込みニューラルネットワークを用い、MBE成長中の動的表面形態特徴を抽出する。
• モデルは表面進化に関するリアルタイムフィードバックを提供し、III族元素の流量や温度などの成長パラメータのイン・サイト調整を可能にする。
• MLモデルの予測結果に基づき即座に補正を行う閉ループ制御アーキテクチャを採用する。
• RHEED強度の振動および表面再構成パターンをMLモデルの入力信号として用い、表面ダイナミクスの継続的モニタリングを実現する。
• 一時的な画像分析に代わって、スパatiotemporalな動画処理を用いることで、量子ドット核生成に重要な一時的現象を捉える。
• 訓練済みモデルは、AFMやTEMによる後工程での量子ドット密度測定と照合することで検証された。

実験結果

リサーチクエスチョン

• RQ1 RHEED動画シーケンスに学習させた深層学習モデルは、リアルタイム制御に十分な精度で、MBE成長中における最終的な量子ドット密度を予測できるか？
• RQ2 MLモデルからのリアルタイムフィードバックは、広範囲の値において自己組織的InAs/GaAs量子ドットの密度をどれほど効果的にチューニングできるか？
• RQ3 提案されたシステムは、従来の試行錯誤によるMBEパラメータチューニングと比較して、最適化時間の短縮と再現性の向上にどの程度寄与するか？
• RQ4 MLモデルは再トレーニングなしで、異なる成長条件に一般化し、信頼性の高い性能を維持できるか？
• RQ5 この閉ループ制御システムを用いて、実現可能な量子ドット密度の範囲はどの程度か？

主な発見

• MLモデルは、RHEED動画データのみを入力として用いることで、後工程での量子ドット密度を高い精度で予測できた。
• システムは、1.5×10¹⁰ cm⁻² から 3.8×10⁸ cm⁻² まで、および 1.4×10¹¹ cm⁻² までにまで量子ドット密度をリアルタイムでチューニング可能であり、広範な調整範囲を示した。
• フィードバックループのおかげで、人的な反復作業への依存が著しく減少し、MBE成長パラメータの最適化が著しく加速された。
• 時間的RHEEDシーケンスに3次元ResNet 50を適用した手法は、動的表面進化を捉える点で、静的画像ベースのモデルを上回った。
• 複数回の成長実験において高い再現性を達成しており、実際のMBE環境下でも堅牢で信頼性の高い性能を示した。
• このフレームワークは他のエpitaxial成長プロセスへも応用可能であり、知的半導体製造へのスケーラブルな道筋を提供する。