近日,吉林大学材料科学与工程学院张立军教授团队受邀发表综述展望论文,系统论述基于人工智能机器学习的数据驱动策略在半导体材料研发和电子及光电子器件性能优化方面的重要应用和发展图景。相关成果以“Designing semiconductor materials and devices in the post-Moore era by tackling computational challenges with data-driven strategies”为题,于2024年5月23日在线发表于Nature Computational Science 4, 322–333 (2024)。
现阶段,设计具有优异物理性质的半导体材料对于后摩尔时代电子器件性能的继续提升至关重要。基于量子机制的第一性原理计算在解释实验现象和设计新材料方面取得了重要进展,但受限于计算复杂度和算力成本等因素,材料研发效率难以满足后摩尔时代对发现新型高性能半导体材料的迫切需求。基于人工智能机器学习方法的数据驱动策略为后摩尔时代新半导体材料研发和电子器件性能优化提供了可行的解决方案(图1)。
![6A63C](/__local/C/0F/AE/953D820F5462316A793B1BBA2F4_EA87D977_6A63C.png)
图1. 数据驱动策略在半导体材料研发、材料合成制备和电子器件性能优化中的应用
论文重点论述了目前主流的四类数据驱动的材料研发方案,从理论原理出发扩展到典型工作介绍,阐明如何通过高效搜索材料设计空间,实现高性能半导体材料的智能设计和定向优化。如图2所示,四类材料搜索方案包括:(1)基于组合式均匀采样和逐级过滤的材料筛选方案,(2)基于优化算法全局寻找材料势能面/性能面上极值的搜索方案,(3)基于物理化学原则指导的材料设计方案,(4)基于机器学习生成模型的新材料生成方案。在每种方案中,深度融合机器学习算法的材料性质预测模型、知识提取方法、材料生成模型等各类数据驱动策略均发挥了关键作用。
![6E2A2](/__local/6/96/ED/1FA267379211A2979B4C8B3B034_43DF19C9_6E2A2.png)
图2. 四类数据驱动的材料设计空间搜索方案
论文还论述了数据驱动策略增强的半导体材料本征物理性质计算方案,以及基于数据驱动策略优化电子器件性能的范式。强调了基于机器学习算法的电子结构方法、势函数和性质预测方法在半导体材料热输运、电输运和光学性质模拟中的应用,以及实验参数预测模型(包括开环优化策略和闭环优化策略)在器件性能优化过程中的应用。最后论文归纳了数据驱动策略在半导体材料研发,电子器件性能提升及设计制造方面面临的挑战问题,并探讨了可能的解决思路。
吉林大学博士生颉家豪为论文第一作者,博士生周岩松为共同第一作者,吉林大学鼎新博士后王新江博士和张立军教授为论文通讯作者。该工作得到了国家重点研发计划、国家杰出青年科学基金和基金委联合基金重点项目的资助。
论文期刊链接:https://doi.org/10.1038/s43588-024-00632-5
论文全文链接:https://rdcu.be/dIMlf