利用機器學習輔助磊晶技術實現量子點雷射發射的原位自優化

核心概念

此研究結合原位反射式高能電子繞射（RHEED）和機器學習（ML），開發出一種名為 ResNet-GLAM 的輕量級模型，用於即時分析 RHEED 數據，並動態調整磊晶生長參數，成功地實現了量子點雷射發射的原位自優化，顯著提高了量子點雷射的效能。

摘要

文獻回顧

• 自組裝量子點 (QD) 作為光發射器、光放大器和雷射二極體中的增益介質，具有卓越的特性，使其極具價值。
• 為了獲得最佳效能，獲得具有均勻尺寸分佈的高密度量子點至關重要。
• 精確控制量子點密度和尺寸可以最大程度地減少非均勻線寬展寬，從而增強光學增益並改善器件效能，包括更低的閾值電流、更高的量子效率和更高的輸出功率。
• 分子束磊晶 (MBE) 中的 Stranski-Krastanow (SK) 模式通常用於生長高品質量子點。
• 然而，結果會受到多個變數的影響，例如基板溫度、III/V 比和沉積量。
• 優化生長條件的傳統方法往往非常耗時，嚴重依賴反覆試驗和 MBE 生長者的專業知識。
• 反射式高能電子繞射 (RHEED) 是一種功能強大的工具，可以在對材料的影響最小的情况下快速獲取信息。
• 機器學習 (ML) 在分析 RHEED 結果方面變得越來越普遍，因為它涉及大量的數據。

研究方法

• 本研究使用固態 MBE 系統在 n-GaAs 基板上生長 InAs/GaAs 量子點雷射。
• 該結構包括有源區、頂部和底部波導、包層和接觸層。
• 通過數據集構建、模型訓練和部署，成功地在有源區生長了量子點。
• 量子點的尺寸、形狀和密度（這些因素隨後會影響其光學效能）由基板溫度、InAs 沉積量和 V/III 比等決定。
• 在材料生長過程中，銦 (In) 腔的溫度保持恆定，以實現 InAs 的穩定生長速率。
• 在 InAs 生長速率約為 0.014 ML/s 的情况下，以不同的 V/III 比生長了一系列對照樣品。
• 選擇了用於生長 InAs 量子點的最佳 V/III 比，並將其固定用於後續生長。
• 對在不同 InAs 沉積量下收集的 RHEED 圖案和 PL 結果的分析表明，具有最佳光學效能的樣品表現出隱約可辨的 V 形條紋。
• 數據集由總共 24 個樣本組成。
• 應用各種圖像增強技術來增強模型的泛化能力。
• 這些技術包括通過亮度、對比度、飽和度和色調的隨機變化來調整顏色屬性。
• 通過使用這些增強功能擴展訓練數據，使模型對不同的照明條件和顏色變化更具彈性，從而减少了 RHEED 熒光屏退化的潛在影響。
• 此外，還實施了一種自定義圖像裁剪策略，該策略涉及隨機選擇和調整特定圖像區域的位置和大小。
• 這種空間分佈的改變有助於模型適應各種圖像區域，並提高其識別和解釋圖像內容的能力。

模型設計

• 本研究中的模型採用了複雜的架構，專門用於從處理後的 RHEED 數據中提取和利用空間和特定於通道的特徵，從而提高其識別複雜模式的能力。
• 該架構由三個主要組件組成：ResNet 塊、全局和局部注意力模塊 (GLAM) 塊和多層感知器 (MLP) 分類器。
• 本研究訓練了兩個模型：“溫度模型”和“快門模型”。
• “溫度模型”產生三個輸出：“低”、“合適”和“高”，它們對應於前面討論的 InAs 量子點的不同生長溫度。
• 相比之下，“快門模型”有兩個輸出：“是”和“否”，表示樣品是否滿足先前分析中確定的最佳狀態。
• ResNet 塊通過殘差連接逐步提取和細化特徵，允許模型在保留基本信息的同時减少空間維度。
• ResNet 塊設計有卷積層、殘差連接和歸一化操作，允許模型自適應地從輸入幀中學習空間表示。
• 每個塊都使用卷積層來提取空間特徵，然後進行歸一化和非線性激活函數以增強特徵區分。
• ResNet 塊中的殘差連接促進了有效的梯度流，可以在不冒梯度消失風險的情况下進行更深層的特徵提取。
• GLAM 塊是一個重要組件，它結合了局部和全局通道注意力機制來細化特徵表示。
• 它由兩個并行分支組成：全局注意力（包括全局通道注意力 (GCA) 和全局空間注意力 (GSA)）用於捕獲遠程依賴關係並突出顯示輸入幀中最顯著的全局特徵。
• 相比之下，局部注意力（包括局部通道注意力 (LCA) 和局部空間注意力 (LSA)）則側重於在更局部的尺度上微調注意力。
• 通過將這兩者合併，GLAM 通過整合全局上下文和局部細節來顯著改進特徵表示，從而全面關注輸入數據中的相關信息。
• 最後，模型的輸出由經典的 MLP 分類器生成，該分類器處理聚合的特徵圖以執行最終分類，從而完成模型的前向傳遞。

結果與討論

• 在廣泛的訓練之後，將模型集成到自行開發的 LabVIEW 程序中，以指導量子點的生長。
• 為了證明通過 ResNet-GLAM 模型優化實現的光學質量的顯著提高，在每次實驗中，故意將初始生長溫度設置為遠離最佳溫度。
• 圖 4 展示了使用 ResNet-GLAM 模型製備並由 LabVIEW 程序控制的用於雷射的 5 層掩埋量子點結構的數據。
• 對 InAs 量子點生長過程的每一層數據進行了統計分析，包括生長溫度和模型標籤輸出的變化。
• 圖 4a 顯示，在模型的第一次部署過程中，生長溫度變化了 21 °C，表明初始生長溫度不適合於生產具有最佳光學效能的樣品。
• 後續的模型部署顯示基板溫度沒有變化，這表明第一次模型部署後的溫度適合於樣品生長。
• 圖 4b 顯示，生長時間的波動很小，每個 InAs 量子點生長的變化僅為 1.87%，表明 InAs 沉積量穩定。
• 此外，對“溫度模型”的標籤概率輸出的分析表明，在初始部署期間，“高”標籤的概率顯著高於其他標籤，如圖 4c 所示。
• 然而，從第二次部署開始，“合適”標籤的概率變得遠高於“高”和“低”標籤。
• 這表明模型引導的優化過程成功地確定了用於開發具有出色光學效能的量子點的合適生長溫度。
• 在每次模型部署中，從第一次、第四次和最後一次部署期間量子點生長的早期階段中選擇了典型的 RHEED 圖像，如圖 4d-4f 所示。
• 在第一次模型部署期間觀察到清晰的 ×4 重建特徵，而在第四次和最後一次模型部署中都觀察到 ×2 重建特徵。
• 這證實了 InAs 量子點的初始生長溫度過高，而後期部署期間的溫度更合適。
• 此外，在每個掩埋 InAs 量子點生長的最後階段都捕獲了 RHEED 圖像，如圖 4g-4i 所示。
• 這些圖像清楚地顯示了鏡面點周圍明顯的 V 形條紋特徵，證實了模型準確地確定了完成生長的最佳時間。
• 生長後，通過非原位原子力顯微鏡 (AFM) 和室溫光致發光 (PL) 對樣品進行了表徵。
• 圖 4j 中的 1 µm × 1 µm AFM 圖像顯示量子點分佈均勻，密度為 4.8 × 10^10 cm^-2。
• 相應的 PL 強度達到 14189.0，FWHM 為 34.30 meV，優於對照樣品 C（具有 5 層 InAs 量子點，PL 強度為 4310.3，FWHM 為 36.24 meV），該對照樣品是根據對照樣品 B 的參數手動生長的，如圖 4k 所示。
• 這表明使用這種方法製備的樣品表現出優異的效能。

總結

• 使用機器學習和反饋控制實時自優化雷射發射的能力標誌著在材料和器件的製備過程中調整其光學特性的重大進步。
• 我們的研究結果表明，現在可以在高溫下無任何阻礙地表徵材料的光學特性，從而能夠基於各種材料系統對發射器進行現場發射調整。
• 值得注意的是，我們已經實現了連續波雷射，其閾值低至 150 A cm^-2，室溫下的輸出功率超過 16.5 mW，這對於該波長範圍內的量子點雷射來說是一個很高的效能。

統計資料

在 InAs 生長速率約為 0.014 ML/s 的情况下，以不同的 V/III 比生長了一系列對照樣品。
數據集由總共 24 個樣本組成。
在模型的第一次部署過程中，生長溫度變化了 21 °C。
生長時間的波動很小，每個 InAs 量子點生長的變化僅為 1.87%。
圖 4j 中的 1 µm × 1 µm AFM 圖像顯示量子點分佈均勻，密度為 4.8 × 10^10 cm^-2。
相應的 PL 強度達到 14189.0，FWHM 為 34.30 meV。
我們已經實現了連續波雷射，其閾值低至 150 A cm^-2，室溫下的輸出功率超過 16.5 mW。

引述

"These results mark a significant step toward intelligent, low-cost, and reproductive light emitters production."
"Our approach enables in-situ characterization and optimization of parameters during material growth, marking a significant advancement in achieving precise control over material growth."
"This method has the potential for large-scale production, reducing optimization cycles and improving final yield."
"These results demonstrate that automated and in-situ QD laser self-optimization successfully achieves electrically pumped lasing."
"Our demonstration of the capability to grow high-quality III–V materials with tailored characteristics, along with the fabrication of electrically pumped lasers operating in continuous wave mode, opens new avenues for precise control over material growth."
"With further improvements in hardware, customized modelling, and other areas, this technology holds significant potential for large-scale production, which could enhance productivity and yield in the semiconductor industry."

從以下內容提煉的關鍵洞見

In-situ Self-optimization of Quantum Dot Emission for Lasers by Machine-Learning Assisted Epitaxy

by Chao Shen, W... 於 arxiv.org 11-04-2024

https://arxiv.org/pdf/2411.00332.pdf

深入探究

這項研究中使用的機器學習方法能否應用於其他類型的半導體材料或器件的生長和優化？

答案：
是的，這項研究中使用的機器學習方法，特別是結合原位反射式高能電子繞射（RHEED）和機器學習模型（如 ResNet-GLAM）的技術，具有廣泛的適用性，可以應用於其他類型的半導體材料或器件的生長和優化。其適用性基於以下幾點：

普適性原理: RHEED 是一種通用的表面分析技術，適用於各種材料體系，不僅限於 InAs/GaAs 量子點。同樣地，機器學習模型（例如 ResNet-GLAM）可以訓練於不同的數據集，以識別與特定材料特性相關的 RHEED 特徵。
數據驅動的優化: 機器學習方法的核心優勢在於其數據驅動的特性。通過建立 RHEED 數據與材料特性之間的關聯，機器學習模型可以預測和優化生長參數，而無需完全理解複雜的物理化學過程。
即時回饋控制: 將機器學習模型與即時回饋控制系統整合，可以在生長過程中動態調整參數，從而提高材料品質和器件性能。這種方法適用於需要精確控制生長條件的各種材料和器件。
然而，將此方法應用於其他材料體系時，需要考慮以下因素：

數據集構建: 需要針對目標材料體系構建高質量的 RHEED 數據集，並標記與所需材料特性相關的關鍵特徵。
模型訓練和驗證: 機器學習模型需要根據新的數據集進行訓練和驗證，以確保其準確性和可靠性。
生長條件調整: 不同材料體系的最佳生長條件可能有所不同，需要根據具體情況調整模型的預測和控制策略。
總之，這項研究中使用的機器學習方法為其他半導體材料和器件的生長和優化提供了新的途徑。通過克服上述挑戰，這種技術有望在未來實現更廣泛的應用。

如何確保該系統在面對意外的生長條件變化或材料缺陷時仍能保持其準確性和可靠性？

答案：
為了確保該系統在面對意外的生長條件變化或材料缺陷時仍能保持其準確性和可靠性，可以採取以下策略：

增強數據集的魯棒性:

數據增強: 使用數據增強技術，例如旋轉、翻轉、添加噪聲等，可以擴展訓練數據集，提高模型對不同 RHEED 圖像變化和噪聲的適應能力。
異常數據處理: 在訓練數據集中加入一些包含異常生長條件或材料缺陷的 RHEED 數據，並標記其對應的特性，可以提高模型對這些情況的識別和處理能力。

改進模型的泛化能力:

選擇合適的模型架構: 使用更深層次的網絡結構或更先進的注意力機制，可以提高模型提取和學習複雜 RHEED 特徵的能力，從而增強其泛化能力。
正則化技術: 應用正則化技術，例如 dropout、權重衰減等，可以防止模型過擬合訓練數據，提高其對未見數據的預測能力。

即時監控和調整:

異常檢測: 在系統中集成異常檢測模塊，可以實時監控 RHEED 數據和模型預測結果，並及時發現異常情況。
自適應控制: 開發自適應控制策略，根據即時監控結果動態調整生長參數，可以有效應對意外的生長條件變化或材料缺陷。
此外，還可以考慮以下措施：

多模態數據融合: 將 RHEED 數據與其他原位表徵技術（例如光致發光光譜、反射率測量等）的數據相結合，可以提供更全面的材料信息，提高系統的準確性和可靠性。
基於物理的機器學習: 將機器學習模型與基於物理的生長模型相結合，可以利用物理知識約束模型的預測結果，提高其在複雜情況下的可靠性。
通過實施上述策略，可以有效提高該系統在面對意外情況時的魯棒性和可靠性，確保其在實際應用中的穩定性和可預測性。

這項技術的發展將如何影響未來量子計算和光子集成電路等領域的進步？

答案：
這項結合機器學習和原位表徵技術的發展，對未來量子計算和光子集成電路等領域的進步具有深遠的影響：
量子計算:

高品質量子點的製備: 量子計算機的核心元件之一是高品質的量子點，其尺寸、形狀和均勻性直接影響量子比特的性能。此技術可以實現對量子點生長過程的精確控制，製備出具有更高品質和可控性的量子點，從而提高量子比特的相干性和保真度。
可擴展性製造: 量子計算機需要大量的量子比特才能實現其強大的計算能力。此技術的自動化和高通量特性，為大規模製造高品質量子點提供了可行的途徑，推動量子計算機的可擴展性發展。
光子集成電路:

高性能光電子器件: 光子集成電路需要各種高性能的光電子器件，例如激光器、調制器、探測器等。此技術可以優化這些器件的材料生長和結構設計，提高其效率、速度和集成度。
新型光子材料的開發: 機器學習可以加速新型光子材料的發現和開發，例如具有特定光學特性的二维材料、拓撲絕緣體等。這些新材料可以應用於光子集成電路，實現更豐富的功能和更高的性能。
其他影響:

降低成本: 自動化和智能化的材料生長和器件製造可以顯著降低成本，促進量子計算和光子集成電路技術的商業化應用。
加速研發進程: 機器學習可以加速材料科學和器件工程的研發進程，縮短新技術從實驗室走向市場的時間。
總之，這項技術的發展將為量子計算和光子集成電路等領域帶來革命性的進步，推動信息技術的發展，並對未來社會產生深遠的影響。