Oktober 2019: Künstliche Intelligenz erreicht die Volumenkristall-Züchtung

Artificial inteligence in crystal growthSektion Fundamentale Beschreibung am IKZ - Beschleunigte
Prozessentwicklung mittels künstlicher Intelligenz (KI)

Die Kristallzüchtung ist für die Entwicklung neuer technologischer Funktionsmaterialien unabdingbar. Eine besondere Herausforderung ist hierbei die Reduzierung von Kosten und Zeit bei der Herstellung der industriell wichtigen Materialien. Ein allgemeiner Ansatz, der auf Trial-and-Error-Experimenten sowie auf CFD-Simulationen (Computational Fluid Dynamic) basiert, ist jedoch zu langsam, um Antworten zu liefern. Die Erhöhung der Durchmesser von Siliziumwafern von 1 Zoll auf 12 Zoll nahm z.B. mit dieser Methode 40 Jahre in Anspruch.

Künstliche Intelligenz (KI) kann die Entwicklungszeit von Kristallwachstumsprozessen jedoch erheblich verkürzen. Um diesem Ziel näher zu kommen, hat die Sektion „Fundamentale Beschreibung“ des IKZ seine Forschungsthemen um die Untersuchung verschiedener Anwendungen von KI im Wachstum von Volumenkristallen erweitert.

Am IKZ wurden statische ANNs  (artificial neural networks) zur Mustererkennung und Optimierung der Parameter bei der magnetfeldgesteuerten Züchtung kristalliner Materialen verwendet [1,2]. Ein aktuelles Forschungsthema ist derzeit nunmehr die Anwendung dynamischer neuronaler Netze zur Echtzeitvorhersage beim transienten VGF-GaAs-Kristallzüchtungsprozess. So können z.B. Temperaturverteilungen im Schmelzofen sowie die Position der Kristallisationsfront während des Züchtungsvorganges vorhergesagt werden [3]. Derartige dynamische ANN-Modelle ermöglichen die Prozessautomatisierung und -steuerung als entscheidenden Schritt bei der Entwicklung von „smart factories” im Kontext von Industrie 4.0. Auch die Anwendung der KI-Technologien auf andere Bereiche innerhalb der Kristallzüchtung ist in Planung.

 


[1] N. Dropka, M. Holena, Optimization of magnetically driven directional solidification of silicon using artificial neural networks and Gaussian process models, Journal of Crystal Growth 471 (2017) 53-61.

[2] N. Dropka, M. Holena and Ch. Frank-Rotsch, TMF optimization in VGF crystal growth of GaAs by artificial neural networks and Gaussian process models, Proceedings of XVIII International UIE-Congress on Electrotechnologies for Material Processing, Eds. E. Baake, B. Nacke, Hannover, June 6 - 9, 2017, p.203-208.

[3] N. Dropka, M. Holena, S. Ecklebe, Ch. Frank-Rotsch, J. Winkler, Fast forecasting of VGF crystal growth process by dynamic neural networks, Journal of Crystal Growth 521(2019) 9-14.

 

zurück zur Startseite

Partnerlogo 1

Partnerlogo 2

Partnerlogo 3