[논문 리뷰] Machine-Learning-Assisted and Real-Time-Feedback-Controlled Growth of InAs/GaAs Quantum Dots

Chao Shen, Wenkang Zhan외 12명|arXiv (Cornell University)|2023. 06. 22.

Semiconductor Quantum Structures and DevicesPhysics and Astronomy인용 수 3

한 줄 요약

이 논문은 InAs/GaAs 양자점의 조절 가능한 밀도를 가진 성장에 대해 기계학습을 활용한 실시간 피드백 제어 분자비임플란션 에피택시얼(MBE) 시스템을 제시한다. RHEED 영상 데이터에 기반한 3D ResNet 50 모델을 사용하여 성장 조건을 실시간으로 예측하고 조정함으로써, 3.8×10⁸ cm⁻²에서 1.4×10¹¹ cm⁻²까지 높은 재현성과 함께 정밀한 제어를 달성하였으며, 시행착오 최적화 시간을 크게 단축시켰다.

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.

연구 동기 및 목표

• 분자비임플란션 에피택시얼(MBE)을 통한 InAs/GaAs 양자점 성장 최적화 과정에서 시간이 많이 소요되고 반복적인 시행착오 방식을 해결하기 위해.
• MBE 성장 중에 양자점 밀도를 동적으로 제어할 수 있는 지능형 실시간 피드백 시스템을 개발하기 위해.
• 고품질 에피택시얼 웨이퍼 제작의 재현성 향상과 최적화 루프 감소를 위해.
• 딥 러닝을 RHEED 영상 시퀀스에 적용하여 박막 성장 과정에서의 실시간 공정 모니터링 및 제어의 가능성을 입증하기 위해.

제안 방법

• 시간 순서의 RHEED 영상 데이터에 기반한 3D ResNet 50 합성곱 신경망을 사용하여 MBE 성장 중 표면 형태 변화 특징을 추출한다.
• 모델은 표면 진화에 대한 실시간 피드백을 제공하여, 그룹 III 농도 및 온도와 같은 성장 조건을 실시간으로 조정할 수 있도록 한다.
• 예측 결과가 즉각적인 보정을 유도하는 피드백 루프 구조를 갖춘 닫힌 루프 제어 아키텍처를 사용한다.
• RHEED 강도 진동 및 표면 재구성 패턴을 모델의 입력 신호로 사용하여 표면 동역학을 지속적으로 모니터링한다.
• 정적 이미지 분석 대신 시공간적 영상 처리를 통해 양자점 핵형성에 핵심적인 일시적 성장 현상을 포착한다.
• 학습된 모델은 AFM 또는 TEM를 통한 후행 성장 양자점 밀도 측정 결과와의 상관관계를 통해 검증된다.

실험 결과

연구 질문

• RQ1 RHEED 영상 시퀀스에 기반한 딥 러닝 모델이 MBE 성장 중에 최종 양자점 밀도를 실시간 제어에 필요한 정확도로 예측할 수 있는가?
• RQ2 기계학습 모델의 실시간 피드백이 광범위한 밀도 범위에서 자가 조립된 InAs/GaAs 양자점의 밀도를 얼마나 효과적으로 조절할 수 있는가?
• RQ3 기존의 시행착오 기반 MBE 파rameter 조정 방식에 비해 제안된 시스템이 최적화 시간을 얼마나 줄이고 재현성을 얼마나 향상시키는가?
• RQ4 이 모델이 재학습 없이도 다양한 성장 조건에서 일반화되어 신뢰할 수 있는 성능을 유지할 수 있는가?
• RQ5 이 닫힌 루프 제어 시스템을 통해 달성 가능한 양자점 밀도의 범위는 어느 정도인가?

주요 결과

• 기계학습 모델은 RHEED 영상 데이터만을 입력으로 사용하여 후행 성장에서의 양자점 밀도를 높은 정확도로 예측하였다.
• 시스템은 1.5×10¹⁰ cm⁻²에서 3.8×10⁸ cm⁻²까지 낮은 밀도로, 1.4×10¹¹ cm⁻²까지 높은 밀도로까지 실시간으로 양자점 밀도를 조절할 수 있었으며, 넓은 조절 범위를 입증하였다.
• 피드백 루프 덕분에 수동적 반복 조정에 대한 의존도가 감소하여 MBE 성장 조건 최적화가 크게 가속화되었다.
• 시간적 요소를 포함한 RHEED 시퀀스에 3D ResNet 50를 적용한 방식이 정적 이미지 기반 모델보다 표면 진화의 동적 변화를 더 잘 포착하였다.
• 여러 번의 성장 루프에 걸쳐도 높은 재현성을 확보하여 실질적인 MBE 환경에서의 강건성과 신뢰성을 입증하였다.
• 이 프레임워크는 다른 에피택시얼 성장 공정으로도 확장 가능하며, 지능형 반도체 제조를 향한 확장 가능한 길을 제공한다.