《Materials Today Electronics》：AI-Driven Multi-Property Prediction and Manufacturability-Aware Design for Electronic Materials and Devices
編輯推薦：
這篇綜述系統性地闡述了人工智能（AI）在電子材料與器件研發中的革命性角色，重點探討了AI如何將多性能預測與可制造性約束（如良率、穩定性）進行協同優化。文章覆蓋了半導體溝道材料、柵極電介質與界面、電極與接觸以及制造協同優化等關鍵領域，深入剖析了多模態學習、物理信息神經網絡（PINN）、生成模型及不確定性量化（UQ）等先進AI方法，旨在為計算智能、材料研究與工藝工程的跨學科融合提供指導，加速實驗室創新向可部署技術的轉化。
隨著半導體技術面臨日益增長的復雜性和傳統縮放極限，將可制造性考量融入材料發現過程變得至關重要。人工智能憑借其在預測建模、生成設計和多目標優化方面的能力，正在重新定義功能材料與器件架構的開發范式。本文綜述旨在系統檢視那些能夠在設計-制造全流程中實現AI驅動協同優化的框架與算法策略，其應用范圍涵蓋半導體、電介質、電極、儲能系統及柔性電子等領域。
文章強調了多模態學習、物理信息神經網絡（PINN）和生成模型等領域的最新進展，這些方法能夠橋接材料的內在性能與其可加工性、良率和可靠性。例如，圖神經網絡（GNN）已用于發現穩定的III-V族溝道合金，而擴散模型則提出了能抵抗濕氣損傷的鈣鈦礦成分，指向了具有實際應用潛力的材料。這些方法不僅用于預測，還支持通過建模、合成和器件測試的反饋進行逐步改進的循環。
人工智能在該領域面臨的一個主要挑戰是整合來自高通量計算、實驗表征和工藝開發研究等不同來源的數據集。這些數據集在質量、細節和規模上往往存在差異。最近的研究采用了多保真度學習、遷移學習和物理信息神經網絡（PINN）等方法來提高模型的魯棒性和可解釋性，并通過融入領域知識來確保預測與制造限制保持一致。例如，工藝引導的PINN已被應用于材料降解和生長等復雜的多物理場問題，其中動力學反應-擴散描述符被編碼為約束，以更高的保真度捕捉成核和界面傳播現象。
在器件層面，人工智能的應用同樣至關重要。除了單個材料性能外，溝道、電介質、電極和封裝之間的相互作用必須協調，以獲得最佳的器件性能。人工智能已被證明能夠捕捉多尺度相關性，并識別支持架構設計和可靠性評估的關系。強化學習（RL）已被用于同時優化材料選擇和器件結構，這些模型能夠預測性能和工藝良率，并納入可變性、能耗成本和可持續性指標，使其與大規模半導體制造密切相關。
AI在多性能及可制造性導向材料設計中的方法論
人工智能已成為加速材料發現和器件工程不可或缺的框架。在現代電子材料領域，AI方法學提供了系統性的工具來捕捉復雜的性能相互依賴關系、整合工藝參數，并橋接材料設計與實際可制造性。這一轉變標志著從以性能為中心的優化范式，轉向了全面考慮內在功能性與制造可行性的整體框架。
過去三年的進展是由超越傳統機器學習的方法學創新驅動的。在多模態材料語料庫上訓練的基礎模型、基于擴散的生成架構、物理信息學習框架以及為約束設計量身定制的強化學習策略，都已成為強大的賦能工具。與早期的單性能預測流程不同，這些方法明確地將可制造性描述符（如工藝窗口、可變性分布和良率指標）編碼到其優化目標中。
應用于多性能及可制造性驅動的電子材料的AI
AI用于半導體溝道材料
半導體溝道材料被認為是場效應晶體管（FET）的基本組件。然而，二維半導體如MoS2和WS2雖然顯示出高理論遷移率，但其應用受到大面積生長、界面控制以及與互補金屬氧化物半導體（CMOS）工藝兼容性等問題的限制。
人工智能通過將可制造性描述符直接嵌入預測框架，代表了范式的轉變，從而實現同時評估電子、結構和工藝相關屬性的多目標優化。一個關鍵驅動因素是AI將異構數據集整合為整體預測模型的能力。例如，一項結合結構感知GNN特征與專家知識的遷移學習框架，準確預測了二維載流子遷移率，并從4266種半導體中篩選出21個候選材料。
另一項研究顯示，在貝葉斯優化（BO）指導下，WS2單層生長的光致發光（PL）強度在13輪迭代內提升了86.6%，展示了生長條件的快速收斂。
生成式擴散模型也被用于提出具有低能量的表面結構，這些結構遵循襯底晶格匹配和周期性，有助于在二維異質結構系統中發現新的穩定構型。這些進展表明，設計方法正在轉向在材料發現的最早階段就納入合成可行性和穩定性考量。
AI用于電介質與界面工程
如果半導體溝道定義了電子器件的內在潛力，那么電介質及其界面則決定了這種潛力能否在實踐中實現。電介質層控制著柵極調控、泄漏抑制和可靠性，其優化已成為晶體管縮放中最嚴峻的挑戰之一。
人工智能的一個核心優勢是能夠整合異構數據集，捕捉內在介電特性與工藝相關變量之間的關系。例如，一項研究編譯了439個聚酰亞胺樣品，提取了208個分子描述符，然后確定了10個用于模型構建的主導描述符。其高斯過程回歸（GPR）模型在1 kHz頻率下對介電常數預測的決定系數達到0.90，均方根誤差為0.10，實驗驗證顯示與預測值的平均偏差為2.24%。
另一項多目標機器學習引導的篩選流程，發現并實驗驗證了Bi2Zr2O7（帶隙約2.27電子伏特，介電常數約20.5）以及CsTaTeO6作為穩定候選材料。
界面質量對于電介質集成至關重要。Choudhary和Garrity引入了InterMat框架，該框架結合密度泛函理論（DFT）和圖神經網絡（GNN）來預測半導體界面能帶偏移，使用超過600個DFT計算的表面功函數數據，模型實現了約0.22–0.45 eV的預測誤差。
超越靜態預測，人工智能正被用于通過將原位診斷與數據驅動搜索相結合的閉環實驗來主動優化沉積工藝。在脈沖激光沉積中，一個集成高斯過程建模與貝葉斯優化及實時光譜學的自主平臺，僅對四維工藝空間的0.25%進行采樣，就識別出了超薄WSe2的目標生長區間，與傳統工作流程相比，吞吐量至少提高了十倍。
AI用于電極與接觸
雖然半導體溝道和電介質定義了場效應晶體管及相關器件的內在能力，但這些能力的最終實現取決于電荷在電極-半導體界面處注入和提取的效率。
主動學習策略正在成為數據稀缺條件下電極篩選的強大工具。例如，Li等人將特征自適應變分主動學習算法與自編碼正則化模型相結合，僅使用15%的標記數據來識別用于二維半導體晶體管的低勢壘電極，并對垂直或橫向肖特基勢壘具有預測準確性，隨后進行了器件級驗證。
生成模型為逆向設計滿足特定電子和工藝要求的電極成分提供了途徑。例如，條件生成對抗網絡（cGAN）和變分自編碼器（VAE）已被用于生成在功函數、粘附能和熱穩定性之間取得平衡的金屬合金成分。通過將工藝描述符（如退火溫度和沉積速率）作為條件輸入，這些模型可以提出不僅性能優異而且與現有制造流程兼容的候選材料。
可制造性要求對可變性和再現性的控制，這在學術材料研究中往往未得到充分研究。最近的電極沉積研究表明，機器學習模型可以在不同工具和操作狀態下預測接觸電阻的變化。通過整合工具特定的校準數據和在線傳感器讀數，AI輔助的模型可以調整工藝參數以補償批次間的差異，從而在晶圓上實現更均勻的接觸性能。
在可靠性方面，人工智能模型正在被開發用于預測電極的降解行為。例如，基于循環神經網絡（RNN）的模型在部分應力測試數據上進行訓練，可以外推電遷移失效時間，其準確度與完整的實驗表征相當。通過結合材料描述符（如晶粒尺寸、電阻率）和工藝描述符（如沉積功率、退火歷史），這些模型能夠為電極堆疊的壽命提供早期預測，從而將可靠性工程從被動測試轉向主動設計。
總之，人工智能通過整合多性能預測、可制造性約束和可靠性評估，正在徹底改變電子材料與器件的設計范式。從半導體溝道到電介質界面，再到電極接觸，AI方法不僅加速了新材料的發現，更重要的是，它們正在彌合實驗室突破與工業化大規模制造之間的鴻溝。通過將工藝感知建模、閉環實驗和跨尺度集成相結合，AI驅動的設計-制造協同優化有望催生新一代可制造、可擴展的電子技術。
