Mikroelektroniikan suorituskyvyn ennustaminen fysiikkaan perustuvan tekoälyn avulla

Argonne Lab ja yhteistyökumppanit rakentavat uutta tekoälykehystä – Materials Discovery Cloudia – ennustaakseen, miten pienet viat vaikuttavat mikroelektronisten laitteiden suorituskykyyn ja käyttöikään.

Kun seuraavan sukupolven laitteista tulee pienempiä, nopeampia ja tiiviimmin pakattuja, niiden suorituskykyyn vaikuttavat yhä enemmän pienet materiaalien ja rajapintojen virheet.

Materials Discovery Cloud on osa Yhdysvaltain energiaministeriön Genesis Mission -hanketta, jonka tavoitteena on kaksinkertaistaa Amerikan tutkimus- ja kehitystyön tuottavuus vuosikymmenen kuluessa ja samalla vahvistaa Yhdysvaltojen teknologista johtoasemaa ja globaalia kilpailukykyä.

”Materials Discovery Cloudin tehokkuus piilee siinä, että voimme yhdistää kokeet, simulaatiot ja tekoälyn yhteen työnkulkuun”, Sankaranarayanan selitti.” Se antaa meille keinon oppia nykyisestä rajallisesta datasta ja samalla rakentaa viitekehys, joka voi kasvaa tehokkaammaksi uuden datan karttuessa.”

Tätä järjestelmää ei ole suunniteltu mustaksi laatikoksi, joka antaa vastauksia ilman selitystä. Sen sijaan se rakennetaan vakiintuneiden fysiikan lakien ympärille. Tämä auttaa varmistamaan, että tekoälyn ennusteet perustuvat materiaalien ja laiterakenteiden todelliseen käyttäytymiseen.

Tämä varmuus on tärkeää, koska tutkijat haluavat järjestelmän tekevän enemmän kuin vain havaitsevan datassa esiintyviä ilmiöitä. He haluavat sen auttavan paljastamaan, miksi tietyt viat johtavat tiettyihin muutoksiin suorituskyvyssä, luotettavuudessa tai käyttöiässä.

Tätä varten viitekehys yhdistää useita erilaisia tekoälytyökaluja, jotka voivat yhdistää monenlaista dataa, oppia sekä kokeista että simulaatioista ja tunnistaa, mitkä uudet mittaukset olisivat seuraavaksi hyödyllisimpiä. Lopullisena tavoitteena on yhdistää materiaalin pienet, atomitason ominaisuudet todellisen laitteen laajempaan sähköiseen, lämmön ja mekaaniseen käyttäytymiseen.

Jos Materials Discovery Cloud onnistuu, se voi muuttaa tapaa, jolla tieteilijät suunnittelevat ja testaavat uusia materiaaleja ja laitteita.

Pitkien kokeilukierrosten odottamisen sijaan tutkijat saattavat pystyä saamaan hyödyllisiä vastauksia pienemmästä joukosta varhaisia mittauksia. Tämä voisi auttaa heitä havaitsemaan ongelmat aikaisemmin, välttämään ajan käyttämistä heikkoihin ehdokkaisiin ja keskittymään nopeammin lupaavimpiin malleihin.

Ajan myötä viitekehys voisi tukea myös käänteistä suunnittelua. Sen sijaan, että aloitettaisiin materiaalista ja katsottaisiin, miten se toimii, he voisivat aloittaa tavoitteesta – kuten paremmasta lämmönhallinnasta tai pidempikestoisesta laitteesta – ja kysyä, millaista materiaalirakennetta tai vikakuviota tarvittaisiin sen saavuttamiseksi.

Yhdistämällä monia erilaisia mittauksia yhteen ennustavaan järjestelmään, tavoitteena on auttaa tieteentekijät ymmärtämään, hallitsemaan ja suunnittelemaan paremmin seuraavan sukupolven mikroelektroniikan taustalla olevia materiaaleja.

Aiheesta aiemmin:

Tekoäly vauhdittaa materiaalitutkimusta

Mitä fysiikka voi opettaa meille tekoälystä?

Tekoäly oppii paljastamaan kiteiden atomirakenteen