El aprendizaje automático se utiliza para acelerar el proceso de optimización industrial

Minimización de defectos en películas de pasivación ALD con sólo dos pasos mediante optimización bayesiana

16.12.2021 - Alemania

Un equipo interdisciplinar de investigadores del Instituto Max Planck de Sistemas Inteligentes, el Instituto Max Planck de Investigación del Estado Sólido, la Universidad Técnica de Múnich y Robert Bosch GmbH aplica métodos de aprendizaje automático bayesiano para acelerar el proceso de optimización del revestimiento de cobre utilizado en los microchips. De este modo, el proceso de optimización puede acelerarse quince veces en comparación con un enfoque de optimización convencional.

Max Planck Institute for Intelligent Systems

A medida que el sistema recoge nuevos puntos de datos -los marcadores azules de la imagen inferior-, actualiza la predicción sobre el sistema y, basándose en esta predicción, la optimización bayesiana sugiere un nuevo conjunto de parámetros a probar.

Los microchips son un componente de prácticamente todos los productos eléctricos. Un metal muy común en la producción de estos chips es el cobre. Este metal blando es esencial en la fabricación de productos basados en microchips, ya que ofrece conductividad eléctrica y térmica. Sin embargo, para que el cobre despliegue todo su potencial, hay que evitar su corrosión. Por ello, en el proceso de producción de microchips es necesario recubrir el cobre con una fina capa de material cerámico: óxido de aluminio. Este proceso de encapsulamiento se denomina deposición de capas atómicas o ALD, por sus siglas en inglés.

La optimización del proceso de recubrimiento es tediosa y costosa

El recubrimiento del cobre no es un proceso de "sumergir y listo". Se necesitan muchos conocimientos de ingeniería, muchas horas de trabajo manual y tediosas pruebas para encontrar los parámetros de deposición óptimos para que la capa no tenga defectos (es decir, sin agujeros, abolladuras o huecos) y sea lo más fina posible. En primer lugar, porque hay poco espacio en los microchips, a menudo del tamaño de un ácaro. En segundo lugar, el óxido de aluminio es costoso: a escala de la producción de miles, si no millones, de microchips, incluso unos pocos nanómetros más de anchura de la capa de recubrimiento hacen mella en el margen. Y en tercer lugar, los huecos y las abolladuras son la puerta trasera para que la corrosión se abra paso, después de todo.

Un equipo interdisciplinario de investigadores del Instituto Max Planck de Sistemas Inteligentes, del Instituto Max Planck de Investigación del Estado Sólido, de la Universidad Técnica de Múnich y de Robert Bosch GmbH -un socio industrial de la red de investigación Cyber Valley- ha encontrado la manera de minimizar los defectos en la capa, de acelerar el proceso de optimización y de reducir los costes derivados del recubrimiento del cobre utilizado en los microchips. Utilizaron métodos de aprendizaje automático bayesiano y descubrieron que el proceso de optimización puede acelerarse quince veces en comparación con un enfoque de optimización convencional.

Optimización bayesiana

"Las imperfecciones en la capa de recubrimiento pueden reducirse con una película de recubrimiento más gruesa, pero entonces cuesta más y la capa ocupa más espacio. Los ingenieros necesitan muchas iteraciones para encontrar el revestimiento ideal con pocos o muy pocos defectos. A escala industrial, se necesita aún más tiempo, semanas o meses, y por tanto cuesta miles de euros cada iteración. Por eso, reducir el proceso de optimización de 30 o 40 pasos a sólo dos o tres mediante la optimización bayesiana es todo un logro", dice Gül Dogan, estudiante de doctorado tanto en el Departamento de Sistemas Magnéticos Modernos del Instituto Max-Planck de Sistemas Inteligentes (MPI-IS) como en Robert Bosch GmbH. Es la primera autora de Bayesian Machine Learning for Efficient Minimization of Defects in ALD Passivation Layers (Aprendizaje automático bayesiano para la minimización eficaz de los defectos en las capas de pasivación ALD), publicado recientemente en la revista Applied Materials and Interfaces.

"Utilizamos el aprendizaje automático para obtener mejores resultados que los métodos exhaustivos de búsqueda y optimización convencionales. Nuestro algoritmo colabora con los expertos y aprende de su experiencia, con éxito: Prácticamente no tenemos porosidad en la película y, por tanto, reducimos significativamente la corrosión", añade Sinan Demir, que es estudiante de doctorado en el Departamento de Inteligencia Física del MPI-IS, dirigido por el profesor Metin Sitti.

Son varios los parámetros que determinan el resultado del recubrimiento: el tiempo de pretratamiento de la superficie de cobre con plasma Ar/H2 para limpiar el material, la temperatura de deposición por encima de los 200 °C y un tiempo de pulso de 60 ms para aplicar el óxido de aluminio. Todos los parámetros y su interacción influyen en la resistencia a la corrosión. El algoritmo fue capaz de encontrar el conjunto de parámetros óptimos en sólo unas pocas iteraciones.

Los aprendizajes se pueden transferir

"Supongamos que el rendimiento del sistema está definido por esta función naranja que se ve en la figura 1. Supongamos que nuestros parámetros afectan al proceso de producción según esta función. Empezamos sin ningún conocimiento. A medida que recogemos nuevos puntos de datos -los marcadores azules de la imagen inferior-, actualizamos la predicción sobre el sistema y, basándonos en ella, la optimización bayesiana sugiere un nuevo conjunto de parámetros a probar, que puede mejorar el rendimiento del sistema. A continuación, realizamos el experimento utilizando este nuevo conjunto de parámetros. Seguimos probando y eligiendo nuevos conjuntos de parámetros hasta que alcanzamos nuestro objetivo final o criterio de diseño", continúa Demir.

El recubrimiento del cobre es un reto de optimización. En la ciencia de los materiales hay muchos más. "Esta es la ventaja de los métodos de aprendizaje automático bayesiano. Los aprendizajes que se obtienen de un proceso de optimización pueden transferirse a diferentes materiales y procesos en todas las áreas de la ciencia de los materiales. No se empieza de cero, sino que se puede ampliar", concluye Demir.

Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.

Publicación original

Más noticias del departamento ciencias

Noticias más leídas

Más noticias de nuestros otros portales

Descubra los últimos avances en tecnología de pilas