Kristalline Materialien werden unter der Beteiligung einer Vielzahl von physikalischen Phänomenen wie Wärmetransport und Fluiddynamik in komplexen Prozessen bei hohen Temperaturen hergestellt. Gefördert durch den Starting Grant des Europäischen Forschungsrats arbeiten wir, im Rahmen des NEMOCRYS Projektes, an einer neuen Generation von multiphysikalischen Modellen für derartige Prozesse. Der dadurch erwartete Paradigmenwechsel bei der Art und Weise wie Kristallzüchtungsprozesse beobachtet, beschrieben und entwickelt werden, führt zu einer Minimierung der erforderlichen Anzahl von Experimenten. Darüber hinaus eröffnen sich neue Horizonte in der wissenschaftlichen Analyse als auch beim Einsatz smarter Prozesskontrollen mit Verwendung künstlicher Intelligenz oder anderer moderner Technologien.

Wir entwickeln eine Reihe von einzigartigen Kristallzüchtungsanlagen für Modellmaterialien, um vergleichsweise niedrige Temperaturen, vereinfachte Vakuumbedingungen und folglich einen problemlosen messtechnischen Zugang zum Prozess zu ermöglichen. Die dadurch erhaltenen in-situ Messdaten dienen der Entwicklung und Validierung multiphysikalischer Modelle, die anschließend für verschiedene Züchtungsprozesse sowohl im Forschungs- als auch Industriemaßstab angewandt werden. Darüber hinaus dienen Modellexperimente der Optimierung von Messtechniken für in-situ Beobachtungen und zur Erschaffung einer neuen Grundlage für das Benchmarking von Modellen sowie für Big Data Konzepte in der Kristallzüchtung.  

Künstliche Intelligenz (KI) basierend auf künstlichen neuronalen Netzen (KNN) kann die Kosten erheblich senken und die Zeit für die Entwicklung neuartiger kristalliner Materialien und Kristallwachstumsprozesse verkürzen. Der Hauptgrund für die Verwendung von KNNs besteht darin, schnell Muster und Beziehungen in Kristallwachstumsdatensätzen zu extrahieren, die zu komplex sind, um von anderen numerischen Techniken bemerkt zu werden. Die schnelle Vorhersage ist entscheidend für die Prozesssteuerung, bei der In-situ-Messungen von Prozessparametern nicht möglich sind.

Das IKZ verwendete statische KNNs zur Parameteroptimierung bei magnetisch angetriebener VGF-GaAs sowie DS-Si Kristallzüchtung. Ein kürzliches Forschungsthema war die Anwendung dynamischer neuronaler Netze zur Echtzeitvorhersage im transienten VGF-GaAs-Kristallzüchtungsprozess. Beispielsweise können Temperaturfelder im Ofen sowie die Position der Kristallisationsfront während des Wachstums schnell vorhergesagt werden. Die KI-Anwendung für andere Kristallzüchtungsthemen ist derzeit in Bearbeitung.

Kristallwachstum ist ein kinetischer Prozess bei dem Atome in ein Kristallgitter eingebaut werden. Das betrifft das Wachstum von Volumenkristallen als auch von kristallinen Schichten. Das Verständnis der kinetischen Prozesse ist von großer Bedeutung für Struktur und Eigenschaften des Materials sowie für die Prozessführung bei der Herstellung. Numerische Berechnungen liefern in Zusammenhang mit Charakterisierungsverfahren wie z.B. Transmissions-Elektronenmikroskopie (TEM) oder atomic force microscopy (AFM) fundierte Erkenntnisse.

Wir entwickeln ein allgemeines kinetisches Monte Carlo (KMC) Programm unter Verwendung der Programmiersprache julia. Die Energiebarrieren für die verschiedenen kinetischen Prozesse können mit Hilfe von Potentialmodellen (Tersoff, ACE etc.) oder mit der Bond Counting Methode berechnet werden. Sie können auch direkt aus ab initio Berechnungen für bestimmte Konfigurationen entnommen werden.

Damit sind wir in der Lage, die kinetischen Prozesse für unterschiedliche Systeme mittels atomistischer Berechnungen zu untersuchen. Derzeit beschäftigen wir uns mit dem epitaktischen Wachstum von AlN und AlGaN auf AlN(0001), die Homoepitaxie von Ga₂O₃ sowie das Lösungswachstum von Herbertsmithit.

In der Forschungsgruppe Optimierung und Prozesskontrolle richten wir unser Augenmerk auf die grundlegende Modernisierung von Kristallzüchtungsverfahren durch die Integration von mathematischer Optimierung (MO) und den Einsatz hoch entwickelter Methoden der künstlichen Intelligenz (KI).

Es sollen Strategien zur Steuerung von Wachstumsprozessen entwickelt werden, die deren Effizienz und die Qualität der Kristalle deutlich verbessern.

Unser Hauptanliegen ist die Unterstützung der Anlagen- und Prozessplanung durch innovative Modellierungstechniken.

Das bedeutet konkret:

• Entwicklung innovativer Techniken, die physikalische Modelle mit maschinellem Lernen verbinden.
• Bessere Kontrolle von Kristallwachstumsprozessen durch innovative MO- und KI-Anwendungen.
• Erhöhung von Qualität und Effizienz durch Optimierung der Wachstumsbedingungen

Unsere Gruppe hat sich zum Ziel gesetzt, den Sektor Materialwissenschaften durch die Entwicklung anspruchsvoller Kristallwachstumstechnologien voranzutreiben. Diese Arbeit unterstützt zahlreiche industrielle Anwendungen und trägt zu Weiterentwicklungen in den Bereichen Elektronik und erneuerbare Energien bei.

Wir laden akademische und industrielle Partner zur Zusammenarbeit ein, um die Grenzen der Materialwissenschaft durch fortschrittliche Forschung zu erweitern.

Moderne MO- und KI-Methoden
Im Rahmen unserer Forschung nutzen wir hochentwickelte MO- und KI-Methoden, um Kontrollsysteme zu entwickeln, welche die das Kristallwachstum beeinflussenden Parameter optimieren. Mithilfe dieser Methoden ist es uns möglich, das Verhalten des Kristallwachstums mit hoher Genauigkeit zu simulieren und vorherzusagen, was zu besseren Resultaten führt.

Simulation und Optimierung der Prozesssteuerung
Die Berücksichtigung von Theorien der optimalen Steuerung sowie der Einsatz von Simulationswerkzeugen zielen darauf ab, eine präzisere Steuerung der Wachstumsbedingungen zu ermöglichen. Ziel ist es, eine gleichbleibend hohe Kristallqualität zu gewährleisten.

Hybride Modellierung
Der Fokus liegt auf der Erstellung hybrider Modelle, die empirische und Simulationsdaten mit Erkenntnissen aus KI-gesteuerten Prozessen kombinieren. Die Entwicklung robuster Prognosewerkzeuge für Kristallwachstumsprozesse und die Generierung verbesserter Kontroll- und Optimierungsstrategien hängen weitgehend von diesen Modellen ab.