.jpg)
Optimización avanzada del crecimiento epitaxial de Ga2O3 a través del aprendizaje activo bayesiano
Resumen: Este artículo propone un enfoque novedoso para optimizar el crecimiento de películas delgadas de Ga2O3 de alta calidad mediante Molecular Beam Epitaxy MBE, combinando aprendizaje activo bayesiano BAL con un modelo por elementos finitos FEM. La integración de simulaciones físicas y datos experimentales permite explorar el amplio espacio de parámetros de crecimiento con gran eficiencia, logrando mejoras en la calidad cristalina del 15 al 20 y reducciones en la densidad de defectos frente a métodos tradicionales de prueba y error, acelerando la viabilidad comercial de dispositivos de potencia basados en Ga2O3.
Introducción: El óxido de galio Ga2O3 destaca como material clave para la electrónica de potencia de nueva generación por su banda prohibida ultra amplia UWBG de 4.8 a 4.9 eV, lo que favorece voltajes de ruptura mayores y operación a frecuencias y temperaturas superiores a Si o SiC. Sin embargo, aprovechar estas ventajas exige films epitaxiales con mínima densidad de defectos, y MBE requiere el ajuste preciso de numerosos parámetros como temperatura del sustrato, relación V III, presión parcial de oxígeno y tasa de crecimiento. Los métodos tradicionales son lentos y frecuentemente subóptimos.
Método BAL FEM: Nuestra solución combina un modelo FEM basado en física con un esquema de aprendizaje activo bayesiano. El FEM 2D desarrollado en COMSOL simula procesos críticos: dinámica de defectos puntuales prediciendo vacancias e intersticiales mediante un marco termodinámico, difusión de adátomos Ga y O en superficie, nucleación y crecimiento modelados con Kinetic Monte Carlo para replicar la formación inicial y el crecimiento por capas, y distribución de esfuerzos por mismatch cristalino con sustratos como zafiro. La ecuación de difusión empleada relaciona el tensor de tensiones C, la concentración c y el coeficiente de difusión D con la evolución temporal de c, capturando transporte y efectos mecánicos.
El motor de optimización es un modelo de procesos Gaussianos GP que estima probabilísticamente la calidad de la película definida como inverso de la densidad total de discordancias 1 sobre rho total. La función de adquisición Upper Confidence Bound UCB UCb x = mu x + beta s x equilibra exploración y explotación, donde mu es la predicción media, s la desviación estándar y beta el factor de exploración.
Bucle iterativo: El flujo iterativo es el siguiente: inicialización del GP con experimentos semilla, predicción rápida del FEM para un conjunto amplio de parámetros, selección por BAL del siguiente punto experimental, crecimiento real en MBE y caracterización por HRXRD y TEM, actualización del GP con los nuevos datos y repetición hasta convergencia o límite de iteraciones.
Configuración experimental: Las películas de Ga2O3 se depositaron sobre sustratos c plano de zafiro en un sistema Riber MBE con celdas independientes de Ga y O y control térmico del sustrato. Parámetros explorados: temperatura del sustrato Ts 600 800 °C, relación V III flujo Ga a O, presión parcial de oxígeno PO2 1e 6 a 1e 4 Torr y tasa de crecimiento R. Calidad evaluada mediante HRXRD curvas de rocking y TEM para cuantificar densidades de dislocaciones.
Resultados: El marco BAL FEM redujo significativamente el número de ejecuciones experimentales necesarias. El GP capturó relaciones complejas entre parámetros y calidad, permitiendo exploración dirigida. Los parámetros óptimos encontrados Ts 720 °C V III = 3 PO2 = 5e 5 Torr R = 0.5 µm h proporcionaron una reducción de densidad de dislocaciones del 18 y una mejora en curvas de rocking de ~15 respecto a configuraciones iniciales aleatorias. En pruebas comparativas el método estándar iterativo requirió 50 experimentos para un 10 de mejora mientras que BAL FEM alcanzó un 18 con solo 25 experimentos, reduciendo la incertidumbre epistémica y el coste experimental.
Validación y robustez: El FEM se validó comparando predicciones de concentración de defectos y tasas de crecimiento con datos experimentales conocidos. La capacidad predictiva del GP se evaluó reservando subconjuntos experimentales y verificando la concordancia. Lazos cerrados con actualización continua del GP mejoran la confiabilidad frente a fluctuaciones ambientales y permiten ajustes en tiempo real a medida que se incorporan nuevas mediciones.
Potencial comercial y trabajo futuro: Las mejoras obtenidas hacen más competitivo el desarrollo de dispositivos de potencia con Ga2O3. Trabajo futuro incluye enriquecer el FEM con roughness en bordes de paso y reconstrucciones superficiales, integrar monitorización in situ como RHEED para control adaptativo en tiempo real y adaptar el marco BAL FEM a otros materiales UWBG como AlN o diamante. La reducción de costes y tiempos de desarrollo facilita la comercialización y adopción masiva.
Aplicaciones y servicios de Q2BSTUDIO: Q2BSTUDIO se presenta como socio tecnológico ideal para llevar este tipo de investigación hacia soluciones industriales. Somos especialistas en desarrollo de software aplicaciones a medida y software a medida, inteligencia artificial e ia para empresas, ciberseguridad y servicios cloud aws y azure. Podemos apoyar la integración de sistemas de adquisición de datos MBE, dashboards analíticos y agentes IA para control adaptativo. Descubra nuestros servicios de software a medida y cómo implementamos modelos de aprendizaje automático en la cadena de producción.
Casos de uso empresariales: Implementación de pipelines de datos y modelos GP en la nube con monitorización escalable, despliegue de agentes IA para toma de decisiones experimentales, análisis avanzado con power bi y servicios de inteligencia de negocio para visualizar tendencias y optimizar procesos. Además ofrecemos auditorías y soluciones de ciberseguridad para proteger datos sensibles de I D y entornos industriales, y soporte en servicios cloud para despliegues en AWS y Azure con alta disponibilidad. Consulte nuestras ofertas de servicios de inteligencia artificial para empresas y cómo integrar agentes IA y Power BI en su flujo de trabajo.
Palabras clave integradas: aplicaciones a medida software a medida inteligencia artificial ciberseguridad servicios cloud aws y azure servicios inteligencia de negocio ia para empresas agentes IA power bi.
Conclusión: La combinación de modelos físicos FEM y aprendizaje activo bayesiano acelera y optimiza el crecimiento epitaxial de Ga2O3, reduciendo experimentación y mejorando calidad cristalina. Q2BSTUDIO ofrece la experiencia en software, IA y cloud necesaria para trasladar estos avances del laboratorio al mercado, proporcionando soluciones a medida que fusionan simulación física y optimización basada en datos para proyectos industriales y de investigación.
Contacto: Para más información sobre colaboraciones, desarrollos a medida, integración de IA o servicios cloud contacte con nuestro equipo en Q2BSTUDIO.
