制造业资讯:6月29日

用AI加速ALD
美国能源部(DOE)阿贡国家实验室已经开发了多种制造方法原子层沉积(ALD)效率更高利用人工智能(AI)。

“肾上腺脑白质退化症”是一种在芯片上一次沉积一层材料的沉积技术。多年来，ALD一直用于生产dram，逻辑器件和其他产品。

在操作中，晶圆被插入到ALD系统内的一个腔室中。将化学物质或前体泵入腔内。晶圆片被加工。然后，化学物质从系统中清除。这个过程是重复的，有时使用不同的化学物质。

然而，ALD是一个缓慢的过程。最重要的是，每种工艺都需要不同的材料和薄膜。根据阿贡国家实验室的研究人员的说法，调整每种新材料的工艺需要时间。

还有其他因素。每种化学都是复杂的，有不同的变量。市场上有几家ALD系统供应商。每一个都可能有不同的反应堆设计，有不同的设置和条件。在某些情况下，供应商必须使用耗时的试错过程来确定最佳条件。

为此，阿贡国家实验室希望提高ALD的效率。研究人员评估了三种“优化策略”，分别是ald随机、专家系统和贝叶斯优化。后两者使用了不同的机器学习方法。机器学习是人工智能的一种形式，是一种处理数据和识别模式的神经网络。然后，它匹配特定的模式，并学习哪些属性是重要的。

研究人员通过比较ALD中使用的两种前体的剂量和清除时间来评估这三种策略。根据Argonne的研究人员的说法，“剂量时间是指将前体添加到反应器中的时间，而吹扫时间是指去除多余的前体和气态化学产物所需的时间。”

这三种“优化方法”都加速了ALD过程。但这两种人工智能方法使用闭环系统有效地确定了不同模拟ALD过程的最佳剂量和吹扫时间。

“所有这些算法提供了一种更快的收敛到最佳组合的方法，因为你不需要像通常那样花费时间将样品放入反应器中，取出样品，进行测量等。相反，你有一个与反应堆连接的实时回路，”阿贡国家实验室首席材料科学家Angel Yanguas-Gil说。

“在闭环系统中，仿真执行实验，获得结果，并将其提供给人工智能工具。然后人工智能工具从中学习或以某种方式解释它，然后建议下一个实验。这一切都是在没有人为输入的情况下发生的，”阿贡国家实验室的计算科学家诺亚·保尔森(Noah Paulson)说。

Argonne的高级化学家Jeff Elam总结道:“这是令人兴奋的，因为它开辟了使用这些类型的方法来快速优化实际ALD过程的可能性，这一步可能会在未来开发新应用时节省制造商宝贵的时间和金钱。”

发现分子
来自卡内基梅隆大学和圣彼得堡州立大学的研究人员创建了一个叫做MolDiscovery的算法这将有助于科学家利用质谱数据对未知分子进行分类。

MolDiscovery将有助于节省时间和金钱，因为科学家不会花费资源研究已经确定的分子。

质谱法是一种测量分子的质荷比的技术，可以提供分子的原子质量信息。由于原子核中中子的数量不同，同一元素可能具有不同的原子质量，因此分子的原子质量在光谱中显示出来。

然而，在一个环境中，可能有数十万个分子，识别单个未知分子是一项挑战。

MolDiscovery是一种使用质谱数据库搜索方法搜索数百万分子数据的算法。MolDiscovery利用分子的质谱数据，使用概率模型来预测分子的组成。通过观察分子的结构，MolDiscovery构建了代谢物图，并将分子分解成碎片图。知道分子的质谱和图，算法可以预测分子，看看它是否以前被发现过。

与以前的分子鉴定方法相比，MolDiscovery更高效、更准确。“现有的方法是基于化学领域的知识，它们无法解释小分子质谱中的许多峰。“对全球天然产物社会分子网络基础设施中超过800万个光谱的搜索表明，MolDiscovery正确识别的独特小分子比以前的方法多六倍，”卡内基梅隆大学助理教授兼研究撰稿人侯赛因·莫希曼尼在《自然通讯》上发表的一篇论文中写道。其他人也为这篇论文做出了贡献。

MolDiscovery可以帮助医疗和制药行业的科学家和研究人员，以及发现其他新的天然产品。通过早期识别新分子，科学家可以节省开发新药的资金，描述微生物的特征，并有助于疾病诊断。

天然药物
使用机器学习技术，卡内基梅隆大学找到了一种方法来加速天然药物的发展治疗癌症、病毒感染和其他疾病。

其他机构也对这项工作做出了贡献，包括加州大学圣地亚哥分校、圣彼得堡大学、马克斯-普朗克研究所、歌德大学、威斯康星大学麦迪逊分校和杰克逊实验室。

许多抗生素、抗真菌药物和抗肿瘤药物都来自天然产物。它们被认为是安全的，因此加速这些天然药物的开发势在必行。

作为回应，研究人员开发了一种名为NRPminer的机器学习算法，这是一个帮助科学家分离天然产物的平台。更具体地说，NRPminer加速了非核糖体肽(nrp)的发现，nrp是一种重要的天然产物，用于制造许多抗生素、抗癌药物和其他药物。

nrp很难被发现和识别。“天然产物仍然是药物发现最成功的途径之一，”卡内基梅隆大学(Carnegie Mellon)的项目科学家巴哈尔·贝萨兹(Bahar Behsaz)说。“我们认为，我们可以用这样的算法把它推进一步。我们的计算模型要快几个数量级，也更敏感。”

“我们方法的独特之处在于，我们的技术非常敏感。卡耐基梅隆大学的Mohimani说:“它可以检测到毫微克丰度的分子。”“我们的希望是，我们可以推动这一进程，发现其他天然候选药物，然后将这些药物开发到对制药公司有吸引力的阶段。”