Детальная информация

В работе создана двухэтапная архитектура физико-информированного машинного обучения. На первом этапе алгоритм прогнозирует профили распределения ионов и дефектов на основе синтетических данных. На втором этапе модель точно рассчитывает итоговое сопротивление слоя, дообучаясь на экспериментальных замерах. Особенностью предложенного подхода является совместный учет параметров баллистической фазы внедрения и термодинамических факторов последующей обработки. Модель успешно выявляет скрытые нелинейные закономерности между дозой облучения, плотностью ионного тока, температурой подложки и результирующими электрофизическими свойствами полупроводникового материала. В качестве прикладного программного обеспечения в работе использовались специализированный программный комплекс SRIM/TRIM (модуль TRIM) для статистического моделирования баллистической фазы имплантации методом Монте-Карло, а также язык программирования Python с открытыми библиотеками машинного обучения для разработки предиктивных моделей и графического интерфейса пользователя.

The study presents a two-stage physics-informed machine learning architecture. In the first stage, the algorithm predicts ion and defect distribution profiles based on synthetic data. In the second stage, the model accurately calculates the final sheet resistance by fine-tuning on experimental measurements. A key feature of the proposed approach is the simultaneous consideration of the ballistic implantation phase parameters and the thermodynamic factors of subsequent processing. The model successfully identifies hidden non-linear correlations between the implantation dose, ion current density, substrate temperature, and the resulting electrophysical properties of the semiconductor material. The application software used in the work included the specialized SRIM/TRIM software package (TRIM module) for statistical modeling of the ballistic phase of implantation using the Monte Carlo method, as well as the Python programming language with open machine learning libraries for developing predictive models and a graphical user interface.