[论文解读] Autonomous Atomic Scale Manufacturing Through Machine Learning

Mohammad Rashidi, Jeremiah Croshaw+4 more|arXiv (Cornell University)|Feb 23, 2019

Electron and X-Ray Spectroscopy Techniques被引用 4

一句话总结

本文提出了一种基于深度学习的自动化系统，用于在氢终止的硅表面通过扫描隧道显微镜（STM）实现原子尺度制造。卷积神经网络用于识别和定位表面特征，实现高精度、无缺陷的预定义原子结构图案化，仅需最少的人工干预，整合了自主探针整形与图案化功能，实现可扩展的制造。

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.

研究动机与目标

• 实现氢终止硅表面原子尺度器件的可扩展、自动化制造。
• 减少原子尺度制造过程中对人工干预的依赖。
• 开发一种能够高精度识别和定位STM图像中表面特征的系统。
• 整合自主探针整形与图案化功能，实现原子制造的端到端自动化。
• 通过人工智能驱动的空间控制实现无缺陷的原子结构图案化。

提出的方法

• 训练卷积神经网络（CNN）以检测和定位氢终止硅的扫描隧道显微镜（STM）图像中的表面特征。
• CNN处理STM图像，以确定表面特征（如吸附原子或空位）的位置和类型。
• 一旦特征被准确定位，系统将在网络识别出的无缺陷区域中图案化预定义的原子结构。
• 系统整合了先前开发的自主探针整形与图案化模块，实现闭环制造。
• 工作流程结合图像分析、特征识别与自动化操作，实现全周期原子尺度制造。
• 该方法通过依赖学习到的模式和来自STM成像的实时反馈，最大限度减少用户输入。

实验结果

研究问题

• RQ1 深度学习模型能否在氢终止硅的STM图像中准确识别和定位原子尺度表面特征？
• RQ2 人工智能驱动的系统在表面上自动放置预定义原子结构方面效率如何？
• RQ3 与自主探针整形功能集成后，对原子制造的可靠性与可扩展性提升程度如何？
• RQ4 该系统能否在原子尺度制造中实现无缺陷图案化，且仅需最少的人工监督？

主要发现

• 卷积神经网络在氢终止硅的STM图像中成功识别并准确定位了表面特征，精度极高。
• 该系统实现了在无缺陷区域中无需人工干预的预定义原子结构的自动化图案化。
• 与自主探针整形及图案化模块的集成，实现了制造过程的端到端自动化。
• 该方法实现了可靠且可重复的原子尺度制造，用户输入极少，展现出良好的可扩展性潜力。
• 该方法显著降低了原子尺度器件组装过程中的人员错误与操作复杂性。