半导体材料开发新典范（二）

从AlphaGo问世迄今的近10年间，机器学习中的各式神经网络（neural networks）开始逐渐被应用到各种工商业的场景。与材料开发相关的应用之一就是用以优化材料制作过程，这个应用已经进入产业实作有一段时间了。 
 
用机器学习中各种神经网络执行材料制程参数的优化，本是件很辛苦的事。人工智能素有高维度的诅咒（curse of high dimensionality），亦即要优化的问题中参数数目的增加，其所需的算力必须以指数的形式增加。但是相较于以实验来进行制程参数最佳化，机器学习仍然享有绝对的优势。

另外，即使不能达到全域最佳化（global optimization），使用可以大幅节省计算资源的局部最佳化（local optimization）也许就足以满足应用的需求。 
 
最近发表于《自然》期刊的文章〈Scaling deep learning in materials discovery〉，揭示运用机器学习于发现材料方法的量子大跃进。 
 
过去使用计算所建立的非有机晶体数据库如Materials Project、Open Quantum Materials Database、AFLOWLIB、和NOMAD利用前述的第一原理计算和简单的原子替代方法，找到4.8万个稳定的晶体结构，新的方法则将此数目再推进一个数量级！ 
 
它使用的方法叫GNoME（Graph Network for Materials Exploration）。首先，它建立系统性的方法来产生新结构：考虑晶格结构对称性，以及随机产生的结构。 
 
然后将图像神经网络（Graphic Neural Network；GNN）用上述的那些数据库中的数据来训练，改善结构的模型，用以过滤上述产生的新结构。这些挑选过的新结构再以第一原理来计算其能量，判别此结构是否稳定。 
 
经过上述的反覆训练、筛选、计算、再筛选的程序，GNoME总共找到42.1万个结构，比之前单纯只用第一原理计算及简单原子替代方法建立的数据总比数4.8万足足高了一位数量级。而且数据量愈大，能量预测愈准确—以指数成长的方式进步。 
 
这个方法还有新结构的预测能力。用以训练GNoME的数据最多只有4种原子所组成的结构，但是在没有任何训练数据的情况下，它也可以预测出5、6个单一原子组成的结构，而且与实验结果对照是符合的。 
 
这些与半导体材料的发展有什麽关系？

以目前1纳米晶体管的主要候选CMOS架构为例，目前计划以MoS2的二维材料来做通道（channel）材料，这是在工程均衡的考量下从过去已知的1,000多种二维材料中挑选出来的。但是经过GNoME的查找后，存在稳定结构的二维材料现在有5.2万种，也提高一个数量级。

负责前沿晶体管结构的研发工程师要不要重新再检视一下这个新增的数据库、看一看是否有新的材料可以建构性能更好的晶体管？ 
 
结合第一原理计算与图像神经网络两种工具，以计算方式寻找新材料是至今为止最先进的、最有效的的材料发现方式。于半导体的应用中，其实材料的形成方式也都使用半导体设备。以前面所述的二维材料为例，原子层沉积（Atomic Layer Deposition；ALD）是常用设备。

也就是说，半导体制程就是材料制程，研发与量产一体化是很自然的措施。

将半导体相关材料研发纳入半导体厂的核心能力，有助于半导体厂整合更多价值增长环节进入晶圆厂，有利于维持长期持续成长的动力。