Machine learning applicaties voor nanomechanische karakterisering

De ontwikkelingen in de halfgeleiderindustrie steunen vooral op het continu opschalen van afmetingen, het realiseren van innovatieve ontwerpen en de introductie van nieuwe materialen. Elk van deze ontwikkelingen brengt nieuwe mechanische betrouwbaarheidsproblemen met zich mee, die een knelpunt kunnen vormen voor hun integratie tijdens verwerking en verpakking. Daarom is het belangrijk om het fundamentele mechanische gedrag van de materialen te begrijpen door middel van nanomechanische karakteriseringstechnieken die hun prestaties onder realistische omstandigheden evalueren. Bovendien is het essentieel om de huidige benaderingen in het mechanische betrouwbaarheidsecosysteem te ontwikkelen om aan de toekomstige eisen te kunnen voldoen. Sinds enkele jaren is nano-indentatie de meest gebruikte nanomechanische karakteriseringstechniek om de mechanische eigenschappen van dunne films te beoordelen. Bij deze methode worden de kracht en de verplaatsing gelijktijdig gemeten wanneer een scherpe sonde met een bepaalde diepte in het materiaal wordt geduwd. Met behulp van de verkregen kracht-verplaatsingsrelatie kunnen mechanische eigenschappen zoals de elasticiteitsmodulus en hardheid worden verkregen door analytische formuleringen of eindige-elementensimulaties. Het vertalen van deze curven naar intrinsieke materiaaleigenschappen is echter moeilijk vanwege de verscheidenheid aan opties voor de selectie van de indentersonde, belastingsfuncties en filmdiktes. Als gevolg hiervan maakt de aanwezigheid van talrijke variabelen conventionele methoden van nano-indentatie beperkt in vermogen om het fundamentele mechanische gedrag van materialen te begrijpen. De vooruitgang op het gebied van machine learning biedt echter veelbelovende resultaten om snelle oplossingen voor multidimensionale problemen mogelijk te maken in aanwezigheid van een groot aantal variabelen. Dit biedt ook uitstekende mogelijkheden voor verder onderzoek op het gebied van nanomechanische karakterisering. Het doel van deze studie is om de mogelijkheden te verkennen die gepaard gaan met geavanceerde machine learning-technieken om de uitdagende problemen van nanomechanische karakterisering op te lossen. Hiertoe zullen beschrijvende machine learning-modellen worden onderzocht om elastische en inelastische eigenschappen van voor de IC-industrie relevante materialen te evalueren. Daarnaast zullen op fysica gebaseerde hybride modellen worden gemaakt en bestudeerd. Dit zal worden bereikt door data-acquisitie door middel van nano-indentatiemetingen en eindige-elementensimulaties, gevolgd door goede variabele featurisatie en verkenning van verschillende machine learning-algoritmen.