基于机器学习的原子层沉积工艺优化模型ALD-GPR：提升半导体薄膜均匀性的高效计算框架

为解决高深宽比半导体结构中原子层沉积(ALD)工艺的薄膜不均匀性问题，研究人员开发了集成多层感知器(MLP)与高斯过程回归(GPR)的ALD-GPR模型。该模型通过预测关键指标分压(partial pressure)，实现了比传统CFD模拟快18倍的计算速度（RMSE=0.0074），并设计了定量评估均匀性的新指标，为半导体制造提供了高效精准的工艺优化方案。

　　

随着半导体器件向3D结构演进，高深宽比(high-aspect-ratio)架构中的原子层沉积(Atomic Layer Deposition, ALD)工艺面临严峻挑战。在制造3D NAND、DRAM存储单元和FinFET晶体管时，反应气体在纳米级沟槽中的扩散不均会导致薄膜厚度差异（即图案负载效应），直接影响器件性能。传统计算流体力学(Computational Fluid Dynamics, CFD)模拟虽能分析工艺条件，但每次参数调整都需重新计算，耗时且资源密集。

针对这一瓶颈，来自韩国的研究团队在《Journal of Industrial Information Integration》发表研究，提出革命性的ALD-GPR模型。该模型融合机器学习与物理仿真，将多层感知器(MLP)的高维特征提取能力与高斯过程回归(Gaussian Process Regression, GPR)的概率预测优势相结合，实现了ALD工艺参数的智能优化。

研究采用CFD模拟生成训练数据集，以晶圆表面分压(partial pressure)作为薄膜均匀性的关键指标。ALD-GPR模型通过MLP将5维工艺参数（如气体流速、温度）映射到200维特征空间，再经GPR预测分压分布。结果显示，模型预测均方根误差仅0.0074，且计算速度较CFD提升18倍。团队还创新性地提出方差基(variance-based)和差异基(difference-based)量化指标，为工艺优化提供数学依据。

在方法学方面，研究主要包含三大技术路线：1) 基于商业软件ANSYS Fluent构建CFD仿真环境，模拟反应腔室内气体流动与表面反应；2) 设计MLP-GPR混合架构，MLP层含3个隐藏层(神经元数64-128-256)，GPR采用径向基核函数；3) 通过Sobol序列采样构建包含200组工艺参数的数据集，涵盖温度(150-350°C)、压力(0.1-10 Torr)等变量。

研究结果部分揭示：

1. 模型性能验证：ALD-GPR在测试集上R²
   达0.98，对SiO₂
   和Al₂
   O₃
   等常见介质膜的预测误差低于1%，显著优于单一MLP或GPR模型。
2. 工艺优化案例：针对Al₂
   O₃
   沉积，模型推荐采用TMA(三甲基铝)脉冲时间120ms、载气流量50sccm，使晶圆边缘与中心厚度差异从7.2%降至2.1%。
3. 计算效率突破：传统CFD单次模拟需6小时，而ALD-GPR预测仅需20分钟，且支持实时参数调优。

讨论部分强调，该研究首次将数据驱动方法与ALD物理模型深度结合。ALD-GPR不仅解决了CFD的"重计算"痛点，其构建的工艺知识库还能迁移至PEALD(等离子体增强ALD)等衍生技术。作者指出，未来可通过引入注意力机制提升模型对多晶圆批处理系统的适应性。

这项由三星电子支持的研究，为半导体制造数字化提供了标杆案例。其方法论可延伸至CVD(化学气相沉积)、蚀刻等工艺优化，对实现"虚拟晶圆厂"具有重要启示意义。正如论文结论所述："当摩尔定律逼近物理极限，机器学习驱动的工艺创新将成为延续半导体进步的新引擎。"