半導體材料開發新典範（二）

從AlphaGo問世迄今的近10年間，機器學習中的各式神經網路（neural networks）開始逐漸被應用到各種工商業的場景。與材料開發相關的應用之一就是用以優化材料製作過程，這個應用已經進入產業實作有一段時間了。 
 
用機器學習中各種神經網路執行材料製程參數的優化，本是件很辛苦的事。人工智慧素有高維度的詛咒（curse of high dimensionality），亦即要優化的問題中參數數目的增加，其所需的算力必須以指數的形式增加。但是相較於以實驗來進行製程參數最佳化，機器學習仍然享有絕對的優勢。

另外，即使不能達到全域最佳化（global optimization），使用可以大幅節省計算資源的局部最佳化（local optimization）也許就足以滿足應用的需求。 
 
最近發表於《自然》期刊的文章〈Scaling deep learning in materials discovery〉，揭示運用機器學習於發現材料方法的量子大躍進。 
 
過去使用計算所建立的非有機晶體資料庫如Materials Project、Open Quantum Materials Database、AFLOWLIB、和NOMAD利用前述的第一原理計算和簡單的原子替代方法，找到4.8萬個穩定的晶體結構，新的方法則將此數目再推進一個數量級！ 
 
它使用的方法叫GNoME（Graph Network for Materials Exploration）。首先，它建立系統性的方法來產生新結構：考慮晶格結構對稱性，以及隨機產生的結構。 
 
然後將圖像神經網路（Graphic Neural Network；GNN）用上述的那些資料庫中的資料來訓練，改善結構的模型，用以過濾上述產生的新結構。這些挑選過的新結構再以第一原理來計算其能量，判別此結構是否穩定。 
 
經過上述的反覆訓練、篩選、計算、再篩選的程序，GNoME總共找到42.1萬個結構，比之前單純只用第一原理計算及簡單原子替代方法建立的資料總比數4.8萬足足高了一位數量級。而且資料量愈大，能量預測愈準確—以指數成長的方式進步。 
 
這個方法還有新結構的預測能力。用以訓練GNoME的資料最多只有4種原子所組成的結構，但是在沒有任何訓練資料的情況下，它也可以預測出5、6個單一原子組成的結構，而且與實驗結果對照是符合的。 
 
這些與半導體材料的發展有什麼關係？

以目前1奈米電晶體的主要候選CMOS架構為例，目前計劃以MoS2的二維材料來做通道（channel）材料，這是在工程均衡的考量下從過去已知的1,000多種二維材料中挑選出來的。但是經過GNoME的搜尋後，存在穩定結構的二維材料現在有5.2萬種，也提高一個數量級。

負責前沿電晶體結構的研發工程師要不要重新再檢視一下這個新增的資料庫、看一看是否有新的材料可以建構性能更好的電晶體？ 
 
結合第一原理計算與圖像神經網路兩種工具，以計算方式尋找新材料是至今為止最先進的、最有效的的材料發現方式。於半導體的應用中，其實材料的形成方式也都使用半導體設備。以前面所述的二維材料為例，原子層沉積（Atomic Layer Deposition；ALD）是常用設備。

也就是說，半導體製程就是材料製程，研發與量產一體化是很自然的措施。

將半導體相關材料研發納入半導體廠的核心能力，有助於半導體廠整合更多價值增長環節進入晶圓廠，有利於維持長期持續成長的動力。