高端芯片制造是我国科技高速发展的瓶颈，而材料外延生长是芯片制造的前端工艺和基础。分子束外延(MBE)凭借其对原子层沉积的精准控制，已成为芯片原子级制造的重要手段之一。然而，在半导体外延制造过程中，芯片材料的异质异构特性以及生长环境的波动使得缺陷难以避免，严重影响了芯片的性能和良率。

历经近半个世纪的发展，MBE在自动控制和原位观测上取得了长足进步，但硬件构造与生长模式依旧沿用传统。MBE生长优化往往依赖于经验的累积和耗时的试错，导致半导体材料生长受限于参数调整的复杂性与人为设定的主观性，性能难以再上新台阶。为了打破这一瓶颈，亟需减少人为主观性对材料生长的影响，实现材料生长的智能化和标准化。智能化，意味着生长参数能够自我优化，提升材料的品质。标准化，则是生长状态与阶段转化的识别方法统一，识别结果不会由于经验误差和设备稳定性等干扰而发生波动。

近日，中国科学院半导体研究所赵超研究员-王占国院士团队在材料生长过程中运用反馈控制来动态调整生长参数，成功实现了基于机器学习和原位反馈控制的III-V族半导体外延。在自组装量子点(QDs)生长的研究中，他们借助机器学习残差模型，将原位获取的反射式高能电子衍射(RHEED) 表面再构时序视频与原子力显微镜获得的QDs密度信息相互关联，实现了对衬底温度的原位反馈控制与实时优化(图1)。实验结果显示，通过机器学习模型的精准指导，生长参数得到了实时反馈控制，QDs密度实现了跨数量级的调控，在材料生长的智能化方面迈出了坚实的一步(图2)。此外，为了推动半导体制备流程的标准化，该团队又创新性地采用带有上采样插值的视觉变换器模型，研究薄膜沉积前衬底表面氧化物的去除。通过利用RHEED视频作为输入，该模型能够准确识别衬底的脱氧状态，实现衬底自动脱氧并获取脱氧温度点。值得一提的是，该模型不仅在本研究的数据集上适用，还在非数据集内的衬底及其他设备上取得了成功。这表明根据单个MBE设备的数据训练的模型具备在其他设备上实现高精度部署的潜力，展现出该方法的普适性(图3)。相关工作上线arxiv后，法国知名MBE设备商Riber第一时间进行了宣传。

该项研究验证了反馈控制下变参数生长方法的可行性；与传统方法相比，该方法具备原位调整能力与可靠性，能够显著加速材料优化过程，有望成为半导体外延生长的新方式并推动外延设备的升级。该技术将为我国半导体领域解决关键外延材料难题提供方案，成为数字孪生技术助力芯片制造的初步尝试，为实现高端半导体芯片自主制造奠定基础。

上述研究成果分别以“Machine-learning-assisted and real-time-feedback-controlled growth of InAs/GaAs quantum dots”为题发表于《自然-通讯》(Nature Communications)；以“Universal Deoxidation of Semiconductor Substrates Assisted by Machine Learning and Real-Time Feedback Control”为题发表于《美国化学学会应用材料与界面》（ACS Applied Materials & Interfaces）。半导体所硕士生沈超和博士生占文康为论文的共同第一作者，赵超研究员为论文的通讯作者。该工作得到了半导体所王占国院士的悉心指导与大力支持，论文合作者还包括半导体所薛春来研究员、魏钟鸣研究员和徐波研究员等。该工作得到了国家重点研发计划、国家自然科学基金、中国科学院高层次人才、稳定支持青年团队以及战略先导项目的经费支持。

全文链接：https://doi.org/10.1038/s41467-024-47087-w，https://doi.org/10.1021/acsami.4c01765

图1　基于机器学习的QD外延生长反馈控制框架

图2　以高密度标签作为生长目标的原位反馈控制QDs生长实验结果

图3　基于机器学习的衬底脱氧数据处理框架