А.Г. Гудков1, Д.Д. Петреев2, Р.Р. Галимов3, Е.А. Тертышная4, В.Г. Тихомиров5, А.Е. Синев6

1,2,3 МГТУ им. Н.Э. Баумана (Москва, Россия)

4,5,6 СПбГЭТУ «ЛЭТИ» (Санкт-Петербург, Россия)

1 profgudkov@gmail.com

Постановка проблемы. Работа посвящена анализу физико-технологических барьеров современных ростовых процессов и обоснованию необходимости применения методов машинного обучения, а также выявлению текущих ограничений технологий машинного обучения в данной сфере и определению перспективы их развития.

Цель. Комплексно проанализировать и систематизировать методы искусственного интеллекта, применяемые для предиктивного контроля, оптимизации параметров и анализа in-situ данных в современных ростовых технологиях приборостроения.

Результаты. Представлены последние результаты внедрения методов машинного обучения в ростовых технологиях. Проведена классификация архитектур нейронных сетей и алгоритмов оптимизации, релевантных для задач роста кристаллов и тонких пленок. Рассмотрены практические кейсы внедрения методов машинного обучения для in-situ дефектоскопии и управления параметрами установок в реальном времени.

Практическая значимость. Анализ и систематизация методов искусственного интеллекта, используемых для предварительного контроля, оптимизации параметров и анализа in-situ данных в современных ростовых технологиях приборостроения позволяют преодолеть барьер вычислительной сложности, обеспечить непрерывный атомарный контроль и реализовать предиктивное управление.

Гудков А.Г., Петреев Д.Д., Галимов Р.Р., Тертышная Е.А., Тихомиров В.Г., Синев А.Е. Физико-технологические барьеры в ростовых технологиях и предпосылки внедрения искусственного интеллекта // Нанотехнологии: разработка, применение - XXI век . 2026. Т. 18. № 3. С. 22−30. DOI: https://doi.org/10.18127/j22250980-202603-02

1. Hespeler S., Dehghan-Niri E., Juhasz M. et al. Deep learning for in-situ layer quality monitoring during laser-based directed energy deposition (LB-DED) additive manufacturing process // Applied Sciences. 2022. V. 12. № 18. P. 8974. DOI: 10.3390/app12188974.
2. Liang G., Cheng L., Zha J. et al. In-situ quantification of the surface roughness for facile fabrications of atomically smooth thin films // Nano Research. 2022. V. 15. № 2. P. 1654–1659. DOI: 10.1007/s12274-021-3720-5.
3. Fowlie J., Georgescu A. B., Mundet B. et al. Machines for materials and materials for machines: Metal-insulator transitions and artificial intelligence // Frontiers in Physics. 2021. V. 9. P. 725853. DOI: 10.3389/fphy.2021.725853.
4. Podkaminer J. P., Patzner J. J., Davidson B. A., Eom C. B. Real-time and in situ monitoring of sputter deposition with RHEED for atomic layer controlled growth // APL Materials. 2016. V. 4. № 8. P. 086111. DOI: 10.1063/1.4961503.
5. Choi W., Huang H.-C., Fan S. et al. Selective area heteroepitaxy of p-i-n junction GaP nanopillar arrays on Si (111) by MOCVD // IEEE Journal of Quantum Electronics. 2022. V. 58. № 4. P. 1–6. DOI: 10.1109/JQE.2022.3151971.
6. Tairov Y. M., Tsvetkov V. F. Investigation of growth processes of ingots of silicon carbide single crystals // Journal of Crystal Growth. 1978. V. 43. № 2. P. 209–212. DOI: 10.1016/0022-0248(78)90169-0.
7. Yu W., Zhu C., Tsunooka Y. et al. Geometrical design of a crystal growth system guided by a machine learning algorithm // CrystEngComm. 2021. V. 23. № 14. P. 2695–2702. DOI: 10.1039/D1CE00106J.
8. Yadav P., Rigo O., Arvieu C. et al. In situ monitoring systems of the SLM process: On the need to develop machine learning models for data processing // Crystals. 2020. V. 10. № 6. P. 524. DOI: 10.3390/cryst10060524.
9. Dropka N., Holena M. Application of artificial neural networks in crystal growth of electronic and opto-electronic materials // Crystals. 2020. V. 10. № 8. P. 663. DOI: 10.3390/cryst10080663.
10. Noh Y. K., Noh H. K., Park B. G. et al. Hybrid NH3/N2 molecular beam epitaxy with artificial-intelligence-assisted reflection high-energy electron diffraction analysis // International Conference on Compound Semiconductor Manufacturing Technology. 2021. P. 24–27.