Репортаж от Wedoany，Недавно международная исследовательская группа под руководством австралийского Университета Флиндерса при участии Халифского университета из ОАЭ добилась прогресса в использовании искусственного интеллекта для ускорения открытия новых полупроводниковых материалов на основе галлия. Созданная исследователями платформа машинного обучения может служить «интеллектуальным механизмом открытия материалов», быстро отбирая наиболее перспективные кандидаты среди полупроводников на основе галлия до проведения сложного компьютерного моделирования и лабораторных экспериментов, тем самым сокращая цикл разработки чипов и электронных материалов следующего поколения.
Полупроводниковые материалы на основе галлия имеют важное прикладное значение в оптоэлектронике, солнечной энергетике, силовой электронике, высокочастотной связи и производстве передовых чипов. Традиционное открытие новых материалов обычно опирается на эмпирический отбор, интенсивные вычисления и многократные эксперименты. При столкновении с огромным пространством комбинаций компонентов цикл разработки становится длительным, вычислительные затраты — высокими, а большое количество материалов-кандидатов может не пройти проверку на химическую обоснованность или физическую стабильность. Значение платформы машинного обучения заключается в переходе от массового слепого поиска материалов к процессу обратного проектирования с целевыми ограничениями и интеллектуальной обратной связью.
Платформа обучена на тысячах известных полупроводниковых материалов из международных баз данных и использует метод байесовской оптимизации для непрерывного поиска перспективных комбинаций галлийсодержащих материалов, избегая при этом химически необоснованных вариантов. Соответствующая исследовательская работа под названием «Bayesian Optimization-Guided Discovery of Gallium-Containing Semiconductors with Targeted Band Gaps» была опубликована в журнале ACS Materials Letters. В аннотации к статье указано, что данная структура позволяет осуществлять обратное проектирование состава на основе галлия с заданными электронными свойствами, сохраняя при этом химическую обоснованность.
Регулирование ширины запрещенной зоны является ключевым показателем при проектировании полупроводниковых материалов. Различные диапазоны ширины запрещенной зоны определяют, насколько материал подходит для преобразования солнечной энергии, светоизлучающих устройств, фотодетектирования, силовой электроники или систем связи. Согласно исследовательской информации, данная система машинного обучения способна генерировать новые кандидаты галлийсодержащих полупроводников с целевой шириной запрещенной зоны и проводить предварительный отсев на химическую реалистичность и стабильность перед рекомендацией. Этот шаг позволяет сократить количество безрезультатных попыток на последующих этапах дорогостоящих первопринципных расчетов и экспериментальной проверки, концентрируя научные ресурсы на комбинациях материалов с наибольшей вероятностью успеха.
В Университете Флиндерса описывают эту систему как инструмент для открытия материалов, способный значительно сократить время на сложные компьютерные или лабораторные испытания. Ее ценность заключается не в прямой замене экспериментов, а в предоставлении более качественного списка кандидатов для них. Для полупроводниковой промышленности повышение эффективности открытия материалов влияет на скорость фундаментальных инноваций в чипах, электронных устройствах, фотовольтаике, датчиках и высокочастотных коммуникационных приборах; для научных учреждений открытие материалов с помощью ИИ также помогает направлять ограниченные вычислительные и экспериментальные ресурсы в более точное русло.
Данное исследование все еще находится на стадии научной платформы и открытия материалов-кандидатов и не может напрямую приравниваться к тому, что новые полупроводники на основе галлия уже запущены в массовое производство или используются в производстве чипов. Ключевыми последующими этапами являются дальнейшая вычислительная проверка кандидатов, экспериментальный синтез, тестирование характеристик, оценка стабильности, проверка технологической совместимости и тестирование на уровне устройств. Платформа машинного обучения может ускорить начальный процесс «открытия материалов-кандидатов», но для реального внедрения в цепочку полупроводниковой промышленности все еще необходимо преодолеть множество барьеров, таких как подготовка материалов, выход годных, надежность и масштабируемое производство.
С точки зрения пути промышленных инноваций, работа австралийско-эмиратской команды показывает, что искусственный интеллект, уже используемый в проектировании чипов, EDA и управлении производственными процессами, теперь проникает и в сферу открытия полупроводниковых материалов. По мере роста спроса на полупроводники на основе галлия, нитридов, оксидов и других соединений, платформы, способные формировать замкнутый цикл между целевыми характеристиками, химической обоснованностью и вычислительной эффективностью, станут важным базовым инструментом для исследований и разработок электронных материалов следующего поколения.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
