[论文解读] Autonomous sputter synthesis of thin film nitrides with composition controlled by Bayesian optimization of optical plasma emission

Davi Fébba, Kevin R. Talley+6 more|arXiv (Cornell University)|May 18, 2023

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

该论文提出了一套自主溅射系统，利用原位光学发射光谱（OES）引导的贝叶斯优化方法，实现对ZnₓTi₁₋ₓNy薄膜中阳离子组成的最小人工干预控制。通过将OES发射线与经事后EDXRF测量的薄膜成分相关联，系统在3.5%相对误差范围内实现了目标成分控制，即使对于15 nm薄膜也表现出色，证明了对氮化物薄膜高精度、闭环合成的可行性。

ABSTRACT

Autonomous experimentation has emerged as an efficient approach to accelerate the pace of materials discovery. Although instruments for autonomous synthesis have become popular in molecular and polymer science, solution processing of hybrid materials and nanoparticles, examples of autonomous tools for physical vapor deposition are scarce yet important for the semiconductor industry. Here, we report the design and implementation of an autonomous workflow for sputter deposition of thin films with controlled composition, leveraging a highly automated sputtering reactor custom-controlled by Python, optical emission spectroscopy (OES), and a Bayesian optimization algorithm. We modeled film composition, measured by x-ray fluorescence, as a linear function of emission lines monitored during the co-sputtering from elemental Zn and Ti targets in N$_2$ atmosphere. A Bayesian control algorithm, informed by OES, navigates the space of sputtering power to fabricate films with user-defined composition, by minimizing the absolute error between desired and measured emission signals. We validated our approach by autonomously fabricating Zn$_x$Ti$_{1-x}$N$_y$ films with deviations from the targeted cation composition within relative 3.5 %, even for 15 nm thin films, demonstrating that the proposed approach can reliably synthesize thin films with specific composition and minimal human interference. Moreover, the proposed method can be extended to more difficult synthesis experiments where plasma intensity depends non-linearly on pressure, or the elemental sticking coefficients strongly depend on the substrate temperature.

研究动机与目标

• 开发一种完全自主的溅射工作流程，用于无机薄膜合成，最大限度减少人工干预。
• 实现在物理气相沉积过程中对二元氮化物薄膜（ZnₓTi₁₋ₓNy）中阳离子组成的精确控制。
• 建立基于原位光学发射光谱（OES）与贝叶斯优化的闭环反馈系统，实现实时成分调节。
• 在亚100 nm薄膜上验证该方法，并证明其在不同沉积条件下的鲁棒性。
• 识别并缓解基于OES的成分预测中的误差源，特别是由于腔室压力和基底温度变化引起的误差。

提出的方法

• 采用定制的高自动化溅射反应器，配备四个阴极和基底加热装置（最高可达1000 °C），通过Python脚本和Graphite Edge控制器进行控制。
• 光学发射光谱（OES）在N₂气氛下监测共溅射过程中Zn和Ti的发射线，以实时推断等离子体状态。
• 训练线性模型，将OES信号强度映射到实际薄膜成分，后者由事后能量 dispersive X射线荧光（EDXRF）测量获得。
• 采用贝叶斯优化作为决策算法，通过最小化目标与测量OES信号之间的绝对误差，调整各溅射源的射频功率。
• 系统以闭环模式运行，实时数据流式传输至数据仓库，并持续反馈至控制算法。
• 在固定腔室压力（5 mTorr）下进行校准，模型性能在不同总功率和气体流量下进行测试。

实验结果

研究问题

• RQ1 原位光学发射光谱（OES）能否作为Zn-Ti氮化物溅射沉积过程中实时阳离子组成的可靠代理？
• RQ2 贝叶斯优化在自主溅射薄膜过程中，能在多大程度上减少成分与目标值的偏差？
• RQ3 腔室压力和总溅射功率的变化在多大程度上影响基于OES的成分预测精度？
• RQ4 该系统是否能在不同薄膜厚度和沉积条件下保持小于4%的相对误差？
• RQ5 基于OES的反馈控制中，主要误差来源是什么？如何通过改进措施提升其在更广泛系统中的适用性？

主要发现

• 系统在所有测试成分（x = 0.65, 0.75, 0.85, 0.95）下均实现了目标阳离子组成，相对误差小于3.5%。
• 实测成分为x = 0.65, 0.77, 0.86, 和 0.92，即使在15 nm薄膜上也表现出高精度与良好重现性。
• 只要腔室压力保持在校准水平，总溅射功率和气体流量的变化对预测精度无显著影响。
• 当沉积在15 mTorr而非校准压力5 mTorr下进行时，预测成分出现12%的相对误差，凸显了压力一致性的关键作用。
• 基底温度和压力变化引入非线性效应，可能导致OES信号出现退化，若未加以校正，将导致成分预测不准确。
• 该方法支持快速校准与新条件下的适应，为未来扩展至具有非线性依赖关系的更复杂系统提供了支持。