Детальная информация

Работа посвящена разработке нового подхода к оптимизации процессов роста кристаллов и тонких плёнок. Важность работы обусловлена необходимостью точного контроля свойств материалов для создания современных устройств в микроэлектронике и других областях. Цель работы — разработка нового эффективного генеративного подхода к описанию роста кристалла во всем диапазоне ростовых режимов и ростовых условий с атомистической точностью. Методология включает применение машинного обучения для анализа синтетической базы данных, полученной с помощью моделирования Монте-Карло (МК), определение зависимостей скорости роста и шероховатости от условий синтеза, а также сравнение точности модели и времени расчёта с моделированием МК. Основные результаты включают разработку алгоритма для получения аналитических выражений, описывающих зависимости скорости роста и шероховатости от условий синтеза, демонстрацию высокой точности предсказаний и значительное сокращение времени расчетов. Области применения включают разработку и оптимизацию процессов роста кристаллов, создание новых материалов для микроэлектроники и фундаментальные исследования. В выводе подчеркивается эффективность генеративного подхода и потенциал результатов работы для применения в науке и технике, а также указывается на направления дальнейших исследований для усовершенствования модели и её экспериментальной проверки.

The work is dedicated to developing a new approach to optimizing the growth processes of crystals and thin films. The importance of this work is driven by the need for precise control of material properties to create modern devices in microelectronics and other fields. The goal is to develop a new effective generative approach to describe the growth of crystals across all growth regimes and conditions with atomic precision. The methodology includes the use of machine learning to analyze a synthetic database obtained through Monte Carlo simulations to determine the dependencies of growth rate and surface roughness on synthesis conditions, as well as to compare the accuracy and computation time with direct Monte Carlo modeling. Key results include the development of an algorithm for obtaining analytical expressions that describe the dependencies of growth rate and roughness on synthesis conditions, demonstrating high prediction accuracy and significant reduction in computation time. Application areas include the development and optimization of crystal growth processes, creation of new materials for microelectronics, and fundamental research. The conclusion emphasizes the effectiveness of the generative approach and the potential of the results for application in science and technology, and outlines directions for further research to refine the model and its experimental verification.