Yoo och hans team presenterar en metodik som kombinerar teknologibaserad datorstödd design (TCAD) med avancerade maskininlärningstekniker (ML) för att uppnå en mångsidig optimering av BCD-processer (Bipolar-CMOS-DMOS). En central del i denna metod är datagenerering, där 150 Latin Hypercube-samplingpunkter används för att noggrant täcka parameterutrymmet och skapa nödvändiga data för modellträning genom TCAD-simuleringar. Dessa grundläggande data används för att etablera exakta samband mellan processvariabler och de elektriska egenskaperna (ET-spec) för mål-enheter. Nästa steg involverar regressionsmodellering, där modeller tränas för att förutsäga ET-spec för utrustning baserat på processparametrar. En auto-regressiv modell väljs på grund av dess höga passform, vilket gör att surrogatmodeller istället för direkta TCAD-simuleringar kan användas för att avsevärt minska beräkningskostnaderna under iterativa optimeringsprocesser.

Vid optimeringen används en genetisk algoritm (GA) för att effektivt söka efter det globala minimumet genom att utforska ett brett lösningsutrymme. Optimeringsprocessen använder en viktad summa av fitnesspoäng för att hantera det mångdubbla målet i problemet, vilket säkerställer att olika enhetsparametrar optimeras samtidigt. För att undersöka olika delar av Pareto-fronten startas flera GA-lösningar från olika utgångspunkter. TCAD-simuleringar används sedan för att validera de optimerade processparametrarna som GA:n har funnit. Detta steg garanterar att de föreslagna förändringarna fungerar praktiskt, samt att de är konceptuellt hållbara.

Den nya metodologin jämförs med existerande optimeringsflöden i ett jämförelse- och fördelsteg. Traditionella optimeringsflöden fokuserar på att optimera enheter sekventiellt och kräver många iterationer. Föreslagen strategi uppnår däremot en 87 % målsättning och minskar genomloppstiden drastiskt från 30 dagar till bara tre dagar genom att optimera alla variabler för alla enheter på en gång. Denna metodik löser effektivt de svårigheter och avvägningar som är inneboende i utvecklingen av BCD-processer, och erbjuder en tillförlitlig lösning för produktion av nästa generations halvledare genom att kombinera AI-baserade regressionsmodeller med TCAD-simuleringar och använda GA för optimering.

Vidare undersöks säkerhetsproblem relaterade till AI genom en ny metod för autentisering av enheter. Genom att använda en fysikaliskt oklonbar funktion (PUF), implementerad på en SAKURA-G FPGA-utvärderingskort, kan en unik identifiering (ID) för enheten genereras genom att kombinera ett neuralt nätverk med PUF-teknologin. Det föreslagna tillvägagångssättet för att implementera en NN PUF använder en multilagerstruktur av lutningstabeller (LUT), där varje lager bidrar till att extrahera unika egenskaper från en enhet baserat på små tillverkningsvarianter. Resultatet är en robust och säker autentisering av enheter, vilket kan förhindra potentiella attacker baserade på identifiering.

Dessutom föreslås en metod för att effektivt använda djupinlärning för att söka efter likheter i waferdefektskartor inom halvledartillverkning. Genom att omvandla rådefektscanningar till gråskalebilder och använda förtränade CNN-modeller som ResNet, extraheras högdimensionella egenskapsvektorer som fångar viktiga defektattribut. En K-närmaste granne-algoritm används för att hitta de mest liknande bilderna i stora dataset, vilket förbättrar noggrannheten och effektiviteten i defektanalys inom halvledarproduktionen.

Slutligen presenteras en metod för att hantera numeriska procedurer vid tillverkning av halvledarenheter med hög kapacitet, särskilt för att detektera och förutsäga filmtjocklek i kemiska ångdeponeringsprocesser (CVD). Här kombineras Lasso-Gaussisk processregression (LGPR) med realtidsförutsägelser för att förbättra prediktionens noggrannhet och stabilitet, vilket minskar behovet av fysiska provtagningar och gör det möjligt att identifiera avvikelser snabbare.

För att effektivt tillämpa dessa tekniker är det avgörande att förstå hur maskininlärning kan reducera komplexiteten och den tid det tar att optimera och säkerställa processer inom halvledartillverkning. En annan viktig aspekt är hur metoder som genetiska algoritmer kan användas för att effektivt navigera i stora lösningsutrymmen, vilket gör det möjligt att optimera flera enheter samtidigt. Användningen av surrogatmodeller för att ersätta direkta simuleringar minskar beräkningskostnaderna och påskyndar forsknings- och utvecklingsprocessen. Detta skapar nya möjligheter för snabbare innovation och förbättrad prestanda i halvledartillverkning, samtidigt som man hanterar de svårigheter som uppstår med processvariationer och säkerhetsproblem.

Vad är livscykelbedömningens roll i utvecklingen av solenergisystem?

I dagens värld, där hållbar energi står i fokus, är solenergi en av de mest lovande alternativen för att minska koldioxidutsläppen och bidra till ett mer miljövänligt energisystem. För att förstå solenergisystemens långsiktiga påverkan på både miljön och ekonomin är det avgörande att noggrant analysera deras livscykel. Livscykelbedömning (LCA) är ett användbart verktyg för att utvärdera de miljömässiga effekterna från produktion till avveckling av solenergisystem, inklusive deras komponenter som solpaneler, inverterare och andra elektriska apparater.

För att genomföra en fullständig livscykelbedömning av ett solenergisystem tas flera faktorer i beaktande. Det handlar om att identifiera och kvantifiera de resurser som används, de utsläpp som genereras och de effekter som varje fas i systemets livscykel har på miljön. Till exempel används material som järn, zink, koppar och kisel i tillverkningen av solpaneler. Dessa material måste beaktas för att förstå deras inverkan på den ekologiska fotavtrycket. Processen innefattar inte bara själva tillverkningen utan även användningen och slutligen avvecklingen av systemet, där panelerna återvinns och de komponenter som kan återanvändas tas tillvara.

För att verkligen förstå fördelarna och utmaningarna med solenergi måste vi ta hänsyn till mer än bara den initiala produktionen av solpanelerna. Det är också nödvändigt att överväga deras livslängd och hur effektivt de kan omvandlas till elektricitet över tiden. PV-systemens förväntade livslängd varierar beroende på typ och användning, men vanligtvis sträcker sig deras driftstid mellan 30 till 60 år, beroende på faktorer som väderförhållanden och tekniska framsteg.

En annan viktig aspekt som påverkar solenergisystemens effektivitet är den intermittenta naturen hos solenergi. Solenergi beror på solens strålar, som inte alltid är konstant. Detta innebär att den elektricitet som produceras inte alltid kan matcha efterfrågan. Här kommer kraftsystemens elektriska komponenter, som omvandlare och inverterare, in i bilden. Dessa system omvandlar likström (DC) från solpanelerna till växelström (AC), vilket gör att elektriciteten kan användas i hushåll eller skickas tillbaka till elnätet.

I en standard solenergiinstallation används vanligen en växelriktare (inverter) för att hantera kraftflödet och optimera energiproduktionen. Beroende på applikationen kan inverteraren vara antingen enkel eller trefas, och det är avgörande att den är dimensionerad för att hantera den förväntade kraftproduktionen från solpanelerna. På grund av de ofta höga temperaturerna där dessa system är installerade, är det också nödvändigt att beakta kylning och temperaturhantering för att säkerställa att inverteraren inte överhettas och skadas.

Temperaturen på komponenterna spelar en betydande roll i systemens prestanda och livslängd. Ju högre omgivningstemperatur, desto större risk för att systemet förlorar effektivitet och till och med skadas. För att undvika detta krävs en omfattande kylning av systemen, vilket kan höja installationskostnaderna. Denna aspekt är särskilt viktig i soliga regioner med höga dagstemperaturer.

En annan kritisk aspekt i bedömningen av solenergisystem är CO2-utsläpp och deras återbetalningstid. När man installerar ett solenergisystem är det inte bara den initiala påverkan som ska beaktas, utan också hur snabbt systemet

Hur påverkar tvådimensionella halvledarmaterial (2D-SCM) ljusabsorption, optiska egenskaper och elektriska egenskaper?
Hur kan teknologier som DICE-GT och avancerad förbränningsteknik bidra till effektivare kraftgenerering och minskad miljöpåverkan?
Hur man använder onlineverktyg för att extrahera information från företag och personer
Hur Digitala Tvillingmodeller och Feldiagnostik Samverkar för Att Förbättra Felsökning
Vad gör Route 66 så speciell för resenärer?