15.12.2021 • Materialwissenschaften

Beschleunigter Optimierungsprozess von Kupferbeschichtungen für Mikrochips

Methoden des Bayesschen maschinellen Lernens sind fünfzehn Mal schneller als herkömmliche Verfahren.

Mikrochips sind fester Bestandteil nahezu jedes Elektronikprodukts. Ein Metall, das bei der Herstellung dieser Chips sehr häufig zum Einsatz kommt, ist Kupfer. Das weiche Metall ist für die Herstellung von Mikrochip-Produkten unverzichtbar, da es Strom und Wärme hervorragend leitet. Damit jedoch Kupfer sein volles Potenzial entfalten kann, darf es nicht korrodieren. Daher wird bei der Herstellung von Mikrochips das Kupfer mit einer dünnen Schicht Aluminiumoxid überzogen. Dieser Verkapselungsprozess nennt sich Atomic Layer Deposition – kurz ALD.

Abb.: Während das System neue Datenpunkte sammelt – die blauen... — Abb.: Während das System neue Datenpunkte sammelt – die blauen Markierungen im unteren Bild - aktualisiert es die Vorhersage über das System, und auf der Grundlage dieser Vorhersage schlägt die Bayessche Optimierung einen neuen zu testenden Parametersatz vor.

Die Beschichtung von Kupfer ist ein schwieriges Verfahren. Es erfordert viel technisches Know-how, viele Stunden manuelle Arbeit und zahlreiche Versuche, um die optimalen Parameter zu finden, damit am Ende die Schicht fehlerfrei, also ohne Löcher, Dellen oder Lücken, und möglichst dünn aufgetragen ist. Das ist erstens wichtig, weil ein Mikrochip gerade mal so groß ist wie eine Hausstaubmilbe, es also nur wenig Platz gibt. Zweitens ist Aluminiumoxid kostspielig: Bei der Produktion von Tausenden, wenn nicht gar Millionen von Mikrochips, machen sich selbst ein paar Nanometer in der Gewinnspanne bemerkbar. Drittens sind Löcher, Lücken und Dellen unerwünschte Einfallstüren für Korrosion.

Ein interdisziplinäres Team des MPI für intelligente Systeme, des MPI für Festkörperforschung und der Robert Bosch GmbH hat jetzt eine Methode entwickelt, Defekte in der Schicht zu minimieren, den Optimierungsprozess zu beschleunigen und die Kosten für die Beschichtung von Kupfer zu senken. Sie setzten Bayessche Methoden des maschinellen Lernens ein und beschleunigten so den Optimierungsprozess um das Fünfzehnfache.

„Unebenheiten in der Beschichtung können durch eine dickere Beschichtung reduziert werden, aber das kostet mehr und die Schicht nimmt immer größeren Raum ein. Für Ingenieure sind viele Iterationen erforderlich, um die ideale Beschichtung mit wenigen bis gar keinen Fehlern zu finden. In der Industrie dauert es noch länger, Wochen oder Monate, und kostet daher Tausende von Euro pro Iteration. Daher ist es eine große Leistung, den Optimierungsprozess durch Bayessche Optimierung von dreißig oder vierzig Arbeitsschritten auf nur zwei oder drei zu reduzieren“, sagt Gül Dogan vom MPI für intelligente Systeme und der Robert Bosch GmbH.

„Wir nutzen maschinelles Lernen, um bessere Ergebnisse zu erzielen als konventionelle Optimierungsmethoden. Unser Algorithmus arbeitet mit den Experten zusammen und lernt aus ihren Erfahrungen – mit Erfolg: Wir haben in dem Aluminiumoxid-Schutzfilm so gut wie keine Porosität und reduzieren damit die Korrosion erheblich“, ergänzt Sinan Demir vom MPI-IS.

Wie gut die Beschichtung gelingt, hängt von mehreren Parametern ab: wie lange die Kupferoberfläche mit einem Ar/H2-Plasma vorbehandelt und damit gereinigt wird, von der Abscheidetemperatur von über zweihundert Grad Celsius und der Pulsdauer von sechzig Millisekunden beim Aufbringen des Aluminiumoxids. Alle Parameter und ihr Zusammenspiel beeinflussen die Korrosionsbeständigkeit. Der Algorithmus ist in der Lage, den optimalen Parametersatz in nur wenigen Iterationen zu finden.

Der Optimierungsprozess beginnt jeweils ohne Vorwissen. Mithilfe neuer Datenpunkte aktualisieren die Forscher das System. Auf Grundlage dieser Vorhersage schlägt die Bayessche Optimierung einen neu zu testenden Satz an Parametern vor, der die Leistung des Systems verbessern kann. Dann führt das Team das Experiment unter Verwendung des neuen Parametersatzes durch. Die Forscher fahren so lange mit dem Testen und der Auswahl neuer Parametersätze fort, bis das Ziel oder die Designvorgabe erreicht ist.

Die Beschichtung von Kupfer ist nur eine Herausforderung. In den Materialwissenschaften gibt es noch viele weitere. „Das ist der Vorteil der Bayesschen Methoden des maschinellen Lernens: Die Erkenntnisse, die man aus einem Optimierungsprozess gewinnt, lassen sich auf andere Materialien und Prozesse in allen Bereichen der Materialwissenschaft übertragen. Man fängt nicht jedes Mal bei Null an“, sagt Demir abschließend.

MPI-IS / RK