Halvleder og mikroelektronik

1

 

Beskrivelse

Forudsige dielektriske, termiske og elektroniske egenskaber af halvledermaterialer, før du dyrker en wafer. MatterSeek parrer en HNN-motor med et autonomt laboratorium.

 

productcate-1600-900

Halvleder og mikroelektronik —Materialesystem / Forudsigelig Ydeevne / Valideringsvej

 

 

 

 

 

AI til halvledermaterialer - skærmdielektrik, bredbånds- og tyndfilmskandidater, før du dyrker en wafer

 

 

1. MatterSeek er en AI-materialer R&D-platform, der forudsiger egenskaberne af halvledermaterialer direkte fra kemisk sammensætning.

Dielektrik, bredbåndsforbindelser, tyndfilmsstabler og emballagematerialer kan alle screenes i software, før en enkelt aflejring eller elektrisk testcyklus er planlagt - derefter valideret i et selvstændigt laboratorium.

2. Udvikling af halvledermaterialer er langsom af en strukturel årsag: egenskabsopdagelse er lukket af dyre, lav-throughput fysisk iteration.

Et nyt lav-k-dielektrikum, et high-k-gateoxid eller en bredbåndsforbindelse bevæger sig typisk gennem syntese, aflejring, mønsterdannelse, udglødning og elektrisk karakterisering, før nogen ved, om formuleringen er levedygtig. Den løkke koster uger pr. kandidat og producerer data, der sjældent generaliserer til den næste sammensætning.

3. Hvordan arbejdsgangen kører. Du beskriver målet i almindeligt sprog - for eksempel et basissammensætningsområde plus et påkrævet egenskabsvindue, såsom en dielektrisk konstant mellem 20 og 60 eller et smeltepunkt over 1.000 K.

MatterSeek analyserer beskrivelsen, opbygger kompositionsrummet og returnerer rangerede kandidater med forudsagte egenskaber og usikkerhed. Sammensætningshåndtering understøtter et til fire basiselementer med dopingniveaukontrol med en præcision på 0,02, hvilket matcher, hvordan halvlederdopingstudier faktisk er scoped. Forudsigelse kører på cirka et minut for to basiselementer, to minutter for tre og syv minutter for fire.

4. Egenskaber i omfang.

Motoren dækker familier, herunder elektrokemisk, dielektrisk, termisk, termodynamisk, magnetisk, optisk og mekanisk adfærd - blandt dem dielektrisk konstant, smeltepunkt, superledende kritisk temperatur, Seebeck-koefficient, effektfaktor og termoelektrisk værdi. Resultater returneres som radardiagrammer til sammenligning af flere egenskaber, 2D- og 3D-varmekort for komposition-ejendomslandskaber og eksporterbare datatabeller.

5. Hvor det autonome laboratorium lukker løkken.

Forudsagte kandidater kan skubbes ind i MatterSeeks 1.200 m² autonome laboratorium, organiseret i seks procesklynger, der inkluderer ren tyndfilmsdeponering og efterbehandling. Karakterisering - XRD, XRF, Raman og samtidig termisk analyse - er automatiseret med et angivet mål på 300 til 500 prøver om dagen afhængigt af synteseruten. Modelnøjagtigheden er 95,7 % i forhold til fysisk måling, og målte resultater giver feedback for at forfine den næste forudsigelsesrunde.

6. Materialesystemer er allerede behandlet

Inkluder dielektriske og isolerende lag, bredbåndsforbindelser til strømforsyninger, tyndfilms- og sammenkoblingsmaterialer og emballagematerialer.

 

FAQ

 

 

Spørgsmål: Kan AI forudsige dielektrisk konstant før et materiale syntetiseres?

A: Ja. MatterSeek forudsiger dielektricitetskonstanten og andre egenskaber fra sammensætning alene, og returnerer en værdi med et usikkerhedsområde, så du kan rangordne kandidater, før du begår deposition og testkapacitet.

Q: Hvor mange elementer kan screenes på én gang?

A: Et til fire basiselementer med en præcision på dopingniveau på 0,02.

Spørgsmål: Erstatter platformen elektrisk karakterisering?

A: Nej. Forudsigelse indsnævrer søgeområdet; fysisk måling forbliver den endelige dommer. Værdien er i, hvor få kandidater der nu har brug for måling.

Yuyao (Beijing) Technology Co., Ltd. er en professionel virksomhed, der er specialiseret i skæringspunktet mellem AI og avancerede materialer i halvleder og mikroelektronik. Virksomheden har uafhængigt udviklet MatterSeek - en grundlæggende stor model skræddersyet til materialesektoren - og var banebrydende for HNN (Hierarchical Neural Network) algoritmen, mens de opbyggede en proprietær, kontrollerbar materialeeksperimentdatabase.