半導體材料製造效率再提升的機會，有可能來自機器學習

在半導體領域，單晶材料扮演極為重要的角色，不論晶元製造、光電領域、能源領域等都會出出現蹤跡跡。但要在實驗室增長單晶材料非常耗時耗力，因為有各種大大小小的影響因素，如溫度、混合濃度等都需要考量，而中國科學院北京分院以及中國人民大學的研究團隊，提出運用機器學習的方法來解決這個難題。

眾所周知機器學習演算法是運用以往數據來訓練機器，再提出最佳解，研究團隊利用這項特性，想以人工智慧的模型預測出適合晶體材料增長的環境條件。在這次的研究，研究人員先將實驗室成員分成兩組，以助熔劑法式來增長單晶材料，並搜集增長溫度曲線、原料種類、混合比例等各種增長生長狀況參數，包含量化數據及質化數據。

接著研究團隊使用搜集的數據訓練四種機器學習模型，分別為支持矢量機（SVM）、決策樹（decision tree）、隨機森林（random forest）及GBDT（gradient boosting decision tree）。根據實驗結果顯示，在給定的環境數據下，SVM預測晶體材料能否增長的準確率為81%，此外，decision tree演算法也顯示某些參數對晶體增長比研究人員原先想的重要，儘管演算法還無法解釋這些參數重要的原因。

聯合研究團隊的成員孫煜傑表示，機器學習的精準度還會隨著使用更多數據訓練模型而更提升，這項研究成果也表示運用機器學習可協助更有效率的增長更佳品質單晶材料。

研究團隊也表示，目前的研究成果還只是一小步，未來將會嘗試更多種機器學習演算法，試試不同種類的單晶材料，以及搜集不同方法增長材料的數據，希望有一天機器學習不止能預測晶體生長條件，還能預測使用哪種方法增長晶體最適合。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！