Beschleunigter Optimierungsprozess von Kupferbeschichtungen für Mikrochips

Mikrochips sind fester Bestandteil nahezu jedes Elektronik­produkts. Ein Metall, das bei der Herstellung dieser Chips sehr häufig zum Einsatz kommt, ist Kupfer. Das weiche Metall ist für die Herstellung von Mikrochip-Produkten unver­zichtbar, da es Strom und Wärme hervor­ragend leitet. Damit jedoch Kupfer sein volles Potenzial entfalten kann, darf es nicht korrodieren. Daher wird bei der Herstellung von Mikrochips das Kupfer mit einer dünnen Schicht Aluminium­oxid überzogen. Dieser Verkapselungs­prozess nennt sich Atomic Layer Deposition – kurz ALD.

Die Beschichtung von Kupfer ist ein schwieriges Verfahren. Es erfordert viel technisches Know-how, viele Stunden manuelle Arbeit und zahlreiche Versuche, um die optimalen Parameter zu finden, damit am Ende die Schicht fehlerfrei, also ohne Löcher, Dellen oder Lücken, und möglichst dünn aufgetragen ist. Das ist erstens wichtig, weil ein Mikrochip gerade mal so groß ist wie eine Haus­staub­milbe, es also nur wenig Platz gibt. Zweitens ist Aluminium­oxid kostspielig: Bei der Produktion von Tausenden, wenn nicht gar Millionen von Mikrochips, machen sich selbst ein paar Nanometer in der Gewinn­spanne bemerkbar. Drittens sind Löcher, Lücken und Dellen unerwünschte Einfalls­türen für Korrosion.

Ein interdisziplinäres Team des MPI für intelligente Systeme, des MPI für Festkörper­forschung und der Robert Bosch GmbH hat jetzt eine Methode entwickelt, Defekte in der Schicht zu minimieren, den Optimierungs­prozess zu beschleunigen und die Kosten für die Beschichtung von Kupfer zu senken. Sie setzten Bayessche Methoden des maschinellen Lernens ein und beschleunigten so den Optimierungs­prozess um das Fünf­zehn­fache.

„Unebenheiten in der Beschichtung können durch eine dickere Beschichtung reduziert werden, aber das kostet mehr und die Schicht nimmt immer größeren Raum ein. Für Ingenieure sind viele Iterationen erforderlich, um die ideale Beschichtung mit wenigen bis gar keinen Fehlern zu finden. In der Industrie dauert es noch länger, Wochen oder Monate, und kostet daher Tausende von Euro pro Iteration. Daher ist es eine große Leistung, den Optimierungs­prozess durch Bayessche Optimierung von dreißig oder vierzig Arbeits­schritten auf nur zwei oder drei zu reduzieren“, sagt Gül Dogan vom MPI für intelligente Systeme und der Robert Bosch GmbH.

„Wir nutzen maschinelles Lernen, um bessere Ergebnisse zu erzielen als konven­tionelle Optimierungs­methoden. Unser Algorithmus arbeitet mit den Experten zusammen und lernt aus ihren Erfahrungen – mit Erfolg: Wir haben in dem Aluminium­oxid-Schutzfilm so gut wie keine Porosität und reduzieren damit die Korrosion erheblich“, ergänzt Sinan Demir vom MPI-IS.

Wie gut die Beschichtung gelingt, hängt von mehreren Parametern ab: wie lange die Kupfer­ober­fläche mit einem Ar/H2-Plasma vorbehandelt und damit gereinigt wird, von der Abscheide­temperatur von über zweihundert Grad Celsius und der Pulsdauer von sechzig Milli­sekunden beim Aufbringen des Aluminium­oxids. Alle Parameter und ihr Zusammen­spiel beeinflussen die Korrosions­beständigkeit. Der Algorithmus ist in der Lage, den optimalen Parameter­satz in nur wenigen Iterationen zu finden.

Der Optimierungsprozess beginnt jeweils ohne Vorwissen. Mithilfe neuer Datenpunkte aktualisieren die Forscher das System. Auf Grundlage dieser Vorhersage schlägt die Bayessche Optimierung einen neu zu testenden Satz an Parametern vor, der die Leistung des Systems verbessern kann. Dann führt das Team das Experiment unter Verwendung des neuen Parameter­satzes durch. Die Forscher fahren so lange mit dem Testen und der Auswahl neuer Parameter­sätze fort, bis das Ziel oder die Design­vorgabe erreicht ist.

Die Beschichtung von Kupfer ist nur eine Heraus­forderung. In den Material­wissen­schaften gibt es noch viele weitere. „Das ist der Vorteil der Bayesschen Methoden des maschinellen Lernens: Die Erkenntnisse, die man aus einem Optimierungs­prozess gewinnt, lassen sich auf andere Materialien und Prozesse in allen Bereichen der Material­wissen­schaft übertragen. Man fängt nicht jedes Mal bei Null an“, sagt Demir abschließend.

MPI-IS / RK

Weitere Infos

• Originalveröffentlichung
  G. Dogan et al.: Bayesian Machine Learning for Efficient Minimization of Defects in ALD Passivation Layers, ACS Appl. Mater. Interf. 13, 54503 (2021); DOI: 10.1021/acsami.1c14586
• Abt. für moderne magnetische Systeme, Max-Planck-Instituts für intelligente Systeme, Stuttgart
• Molecular Engineering & Photonics, Max-Planck-Institut für Festkörperforschung, Stutgart
• Automotive Electronics, Robert Bosch GmbH, Reutlingen