[논문 리뷰] Autonomous Atomic Scale Manufacturing Through Machine Learning

Mohammad Rashidi, Jeremiah Croshaw외 4명|arXiv (Cornell University)|2019. 02. 23.

Electron and X-Ray Spectroscopy Techniques인용 수 4

한 줄 요약

이 논문은 스캐닝 턨널링 현미경(STM)을 사용하여 수소로 처리된 실리콘 표면에서 원자 크기의 제조를 위한 딥러닝 기반 자동화 시스템을 제시한다. 컨볼루션 신경망은 표면 결함을 식별하고 위치를 특정하여 인간 간섭을 최소화하면서 정밀하고 결함이 없는 원자 구조를 패턴화할 수 있게 한다. 이 시스템은 자율적 톱 모양 조절과 패턴화를 통합하여 확장 가능한 제조를 실현한다.

ABSTRACT

As the development of atom scale devices transitions from novel, proof-of-concept demonstrations to state-of-the-art commercial applications, automated assembly of such devices must be implemented. Here we present an automation method for the atomic fabrication process using deep learning. We trained a convolutional neural network to identify and locate surface features in scanning tunneling microscope images of the technologically relevant hydrogen-terminated silicon surface. Once the positions and types of surface features are determined, the predefined atomic structures are patterned in a defect-free area. Augmentation with previously developed autonomous tip shaping and patterning modules allows for atomic scale fabrication with minimal user intervention.

연구 동기 및 목표

• 수소로 처리된 실리콘 표면에서 원자 크기의 장치를 확장 가능하고 자동화된 방식으로 제조하는 것.
• 원자 크기 제조 과정에서 수동 간섭에 대한 의존도를 줄이는 것.
• STM 영상에서 표면 결함을 고정밀도로 식별하고 위치를 특정하는 시스템을 개발하는 것.
• 자율적 톱 모양 조절과 패턴화를 통합하여 원자 제조의 종단 간선 자동화를 실현하는 것.
• AI 기반 공간 제어를 통해 결함이 없는 원자 구조 패턴화를 달성하는 것.

제안 방법

• 컨볼루션 신경망(CNN)은 수소로 처리된 실리콘의 스캐닝 터널링 현미경(STM) 영상에서 표면 결함을 탐지하고 국소화하기 위해 훈련된다.
• CNN은 표면 결함의 위치와 종류(예: 이온 또는 결함)를 결정하기 위해 STM 영상을 처리한다.
• 결함이 없는 영역이 네트워크에 의해 식별된 후, 사전 정의된 원자 구조가 결함이 없는 영역에 패턴화된다.
• 시스템은 이전에 개발된 자율적 톱 모양 조절 및 패턴화 모듈을 통합하여 피드백 루프 기반의 제조를 가능하게 한다.
• 이 작업 흐름은 영상 분석, 결함 인식, 자동 조작을 통합하여 전체 사이클의 원자 크기 제조를 실현한다.
• 이 방법은 STM 영상의 실시간 피드백과 학습된 패턴에 기반하여 사용자 입력을 최소화한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 수소로 처리된 실리콘의 STM 영상에서 원자 크기의 표면 결함을 정확하게 식별하고 위치를 특정할 수 있는가?
• RQ2 AI 기반 시스템은 표면에 사전 정의된 원자 구조를 얼마나 효과적으로 자동으로 배치할 수 있는가?
• RQ3 자율적 톱 모양 조절과의 통합은 원자 제조의 신뢰성과 확장성에 얼마나 기여하는가?
• RQ4 이 시스템은 원자 크기 제조에서 최소한의 인간 감시로 결함이 없는 패턴화를 달성할 수 있는가?

주요 결과

• 컨볼루션 신경망은 수소로 처리된 실리콘의 STM 영상에서 높은 정밀도로 표면 결함을 성공적으로 식별하고 국소화했다.
• 시스템은 수동 간섭 없이 결함이 없는 영역에 사전 정의된 원자 구조를 자동으로 패턴화할 수 있었다.
• 자율적 톱 모양 조절 및 패턴화 모듈과의 통합을 통해 제조 과정의 종단 간선 자동화가 가능했다.
• 이 방법은 최소한의 사용자 입력으로 신뢰성 있고 반복 가능한 원자 크기 제조를 달성하였으며, 확장 가능성 잠재력을 입증했다.
• 이 접근법은 원자 크기 장치 조립 과정에서 인간의 실수와 운영 복잡성을 크게 감소시켰다.