[论文解读] Machine-Learning-Assisted and Real-Time-Feedback-Controlled Growth of InAs/GaAs Quantum Dots

Chao Shen, Wenkang Zhan+12 more|arXiv (Cornell University)|Jun 22, 2023

Semiconductor Quantum Structures and DevicesPhysics and Astronomy被引用 3

一句话总结

该论文提出了一种基于机器学习的实时反馈控制分子束外延（MBE）系统，用于生长具有可调密度的InAs/GaAs量子点。通过使用基于RHEED视频数据训练的3D ResNet 50模型，系统能够实时预测并调整生长条件，实现对量子点密度从3.8×10⁸ cm⁻²到1.4×10¹¹ cm⁻²的精确控制，具有高可重复性，并显著缩短了试错优化的时间。

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.

研究动机与目标

• 为克服通过分子束外延（MBE）优化InAs/GaAs量子点生长过程中耗时且反复试错的流程。
• 开发一种智能的实时反馈系统，实现在MBE生长过程中对量子点密度的动态控制。
• 提高外延衬底制备的可重复性，并减少高质量外延衬底制备过程中的优化周期。
• 展示利用深度学习处理RHEED视频序列以实现实时过程监控与控制在薄膜生长中的可行性。

提出的方法

• 使用时间序列RHEED视频数据训练3D ResNet 50卷积神经网络，以提取MBE生长过程中表面形貌的动态特征。
• 该模型提供表面演化的实时反馈，支持对III族元素通量和温度等生长参数的实时调整。
• 系统采用闭环控制架构，ML模型的预测结果可立即触发对生长条件的修正，以维持期望的生长状态。
• 利用RHEED强度振荡和表面重构模式作为ML模型的输入信号，实现对表面动态的持续监测。
• 该方法将静态图像分析替换为时空视频处理，以捕捉对量子点成核至关重要的瞬态生长现象。
• 通过将模型预测结果与AFM或TEM测量的后处理量子点密度进行相关性分析，对训练好的模型进行验证。

实验结果

研究问题

• RQ1 基于RHEED视频序列训练的深度学习模型，能否在MBE生长过程中以足够高的精度预测最终的量子点密度，从而支持实时控制？
• RQ2 来自ML模型的实时反馈在多大程度上能够实现对自组织InAs/GaAs量子点密度在广泛范围内的有效调节？
• RQ3 与传统的试错式MBE参数调节相比，该系统在多大程度上减少了优化时间并提高了可重复性？
• RQ4 该ML模型是否具备跨不同生长条件的泛化能力，并且在无需重新训练的情况下保持可靠的性能？
• RQ5 该闭环控制系统的量子点密度可实现的调节范围是多少？

主要发现

• 该ML模型仅使用RHEED视频数据作为输入，即成功实现了对后处理量子点密度的高精度预测。
• 该系统实现了对量子点密度从1.5×10¹⁰ cm⁻²降至3.8×10⁸ cm⁻²，并提升至1.4×10¹¹ cm⁻²的实时调节，展示了广泛的可调性。
• 反馈回路减少了对人工迭代的依赖，显著加速了MBE生长参数的优化过程。
• 与基于静态图像的模型相比，使用3D ResNet 50处理时间序列RHEED数据在捕捉表面动态演化方面表现更优。
• 该方法在多次生长实验中均表现出高度可重复性，表明其在实际MBE环境中的鲁棒性和可靠性。
• 该框架可推广至其他外延生长工艺，为智能半导体制造提供了可扩展的解决方案。