Halvledare och mikroelektronik

1

 

Beskrivning

Förutsäg dielektriska, termiska och elektroniska egenskaper hos halvledarmaterial innan du odlar en wafer. MatterSeek kopplar ihop en HNN-motor med ett autonomt labb.

 

productcate-1600-900

Halvledare och mikroelektronik —Materialsystem / Förutsägbar prestanda / Valideringsväg

 

 

 

 

 

AI för halvledarmaterial – skärmdielektrik, bredbands- och tunnfilmskandidater innan du odlar en wafer

 

 

1. MatterSeek är en FoU-plattform för AI-material som förutsäger egenskaperna hos halvledarmaterial direkt från kemisk sammansättning.

Dielektrika, bredbandiga föreningar, tunnfilmsstaplar och förpackningsmaterial kan alla screenas i programvara innan en enda deponering eller elektrisk testcykel planeras – sedan valideras i ett autonomt laboratorium.

2. Utvecklingen av halvledarmaterial går långsamt av en strukturell anledning: fastighetsupptäckten är begränsad av dyra fysiska iterationer med låg genomströmning.

En ny lågk-dielektrikum, en högk-portoxid eller en förening med breda bandgap rör sig vanligtvis genom syntes, avsättning, mönstring, glödgning och elektrisk karakterisering innan någon vet om formuleringen är livskraftig. Den slingan kostar veckor per kandidat och producerar data som sällan generaliserar till nästa sammansättning.

3. Hur arbetsflödet går. Du beskriver målet i klartext - till exempel ett bassammansättningsområde plus ett erforderligt egenskapsfönster som en dielektricitetskonstant mellan 20 och 60, eller en smältpunkt över 1 000 K.

MatterSeek analyserar beskrivningen, bygger upp kompositionsutrymmet och returnerar rankade kandidater med förutspådda egenskaper och osäkerhet. Kompositionshantering stöder ett till fyra baselement med dopingnivåkontroll med 0,02 precision, vilket matchar hur halvledardopningsstudier faktiskt är omfångade. Förutsägelsen går på ungefär en minut för två baselement, två minuter för tre och sju minuter för fyra.

4. Egenskaper i omfattning.

Motorn täcker familjer inklusive elektrokemiska, dielektriska, termiska, termodynamiska, magnetiska, optiska och mekaniska beteenden - bland dem dielektrisk konstant, smältpunkt, supraledande kritisk temperatur, Seebeck-koefficient, effektfaktor och termoelektrisk värde. Resultaten returneras som radardiagram för jämförelse av flera fastigheter, 2D- och 3D-värmekartor för komposition-egendomslandskap och exporterbara datatabeller.

5. Där det autonoma labbet stänger slingan.

Förutspådda kandidater kan skjutas in i MatterSeeks 1 200 m² autonoma laboratorium, organiserat i sex processkluster som inkluderar ren tunnfilmsavsättning och efterbehandling. Karakterisering - XRD, XRF, Raman och simultan termisk analys - är automatiserad, med ett uttalat mål på 300 till 500 prover per dag beroende på syntesvägen. Modellnoggrannheten är 95,7 % mot fysisk mätning, och uppmätta resultat återkopplas för att förfina nästa förutsägelseomgång.

6. Redan åtgärdade materialsystem

Inkludera dielektriska och isolerande skikt, sammansättningar med breda bandgap för kraftenheter, tunnfilms- och sammankopplingsmaterial och förpackningsmaterial.

 

FAQ

 

 

F: Kan AI förutsäga dielektricitetskonstanten innan ett material syntetiseras?

A: Ja. MatterSeek förutsäger dielektricitetskonstanten och andra egenskaper från enbart sammansättning, och returnerar ett värde med ett osäkerhetsområde så att du kan rangordna kandidater innan du begår deposition och testkapacitet.

F: Hur många element kan screenas samtidigt?

S: Ett till fyra baselement, med en dopningsprecision på 0,02.

F: Ersätter plattformen elektrisk karaktärisering?

S: Nej. Förutsägelse begränsar sökutrymmet; fysisk mätning förblir den slutliga avgörandet. Värdet ligger i hur få kandidater som nu behöver mätas.

Yuyao (Beijing) Technology Co., Ltd. är ett professionellt företag specialiserat på skärningspunkten mellan AI och avancerade material för halvledare och mikroelektronik. Företaget har självständigt utvecklat MatterSeek – en grundläggande stor modell skräddarsydd för materialsektorn – och banat väg för HNN (Hierarchical Neural Network)-algoritmen, samtidigt som de byggde upp en egenutvecklad, kontrollerbar materialexperimentdatabas.