[논문 리뷰] AI-driven Inverse Design of Complex Oxide Thin Films for Semiconductor Devices

Bonwook Gu, Trinh Ngoc Le외 3명|arXiv (Cornell University)|2026. 03. 10.

Ferroelectric and Negative Capacitance Devices인용 수 0

한 줄 요약

IDEAL을 도입하는 역설계 플랫폼으로, 확산 모델, 기계학습 원자 간 포텐셜, 그래프 신경망 속성 예측기를 원자층 증착과 결합하여 복합 산화물 박막을 설계합니다; Hf-Zr-O 계에서 예측을 실험적으로 검증합니다.

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.

연구 동기 및 목표

• 생성 기초 모델을 비평형 박막 합성과 연결하여 반도체 유전체를 다룬다.
• 복합 산화물의 조성, 구조, 특성을 예측하는 엔드-투-엔드 역설계 파이프라인을 개발한다.
• 차세대 반도체 유전체의 정밀 합성을 위한 실험적으로 검증된 가이던스를 제공한다.

제안 방법

• 열역학적으로 타당한 산화물 구조를 열거하기 위해 생성 확산 모델을 통합한다.
• 후보 구조의 energetics를 평가하기 위해 기계학습 원자 간 포텐셜을 사용한다.
• 구성-구조를 유전체 및 밴드갭 특성으로 매핑하기 위해 그래프 신경망 속성 예측기를 적용한다.
• 비평형 박막 성장을 위한 원자층 증착 및 원자층 조절에 예측 파이프라인을 연결한다.
• 조성–구조–특성 맵을 구성하고 저에너지 상이 군집하는 조성 윈도우를 식별한다.

실험 결과

연구 질문

• RQ1 역설계 파이프라인이 생성 모델과 비평형 박막 합성을 연결하여 복합 산화물 유전체를 설계할 수 있는가?
• RQ2 비평형 성장하에서 Hf–Zr–O 계에서 어떤 조성-구조-특성 관계가 나타나는가?
• RQ3 플랫폼이 원하는 유전체 및 전자 특성이 달성 가능한 조성 윈도우를 식별할 수 있는가?
• RQ4 실험적 ALM 기반 합성이 IDEAL의 예측을 검증하고 설계 루프를 닫는가?

주요 결과

• IDEAL은 복합 산화물에 대해 열역학적으로 타당한 구조를 통계적으로 열거한다.
• 저에너지의 사방정계(tetragonal) 및 직교정계(orthorhombic) 상이 군집하는 좁은 조성 윈도우가 식별된다.
• 식별된 조성 윈도우 내에서 밴드갭과 유전체 응답 간의 트레이드오프가 드러난다.
• 원자층 조절을 이용한 실험적 검증은 예측된 비평형 성장 거동을 뒷받침한다.
• 예측에서 실험으로 이어지는 루프는 반도체 유전체의 정밀 합성에 대한 이전 가능한 경로를 보여준다.