Оценка плотности дислокаций на пластинах GaAs с применением технологии машинного зрения

В работе представлены результаты применения технологий искусственного интеллекта (ИИ) и машинного зрения для детекции дефектов поверхности. Анализировали пластины с кристаллографической поверхностью {100} монокристаллического GaAs, выращенные методом Чохральского с жидкостной герметизацией расплава. На основе открытой архитектуры YOLOv8 была обучена нейронная сеть на распознавание ямок, образующихся в результате селективного травления пластин монокристаллического GaAs, и предложено решение автоматизации подсчета плотности дислокаций по выявленным ямкам селективного травления. Для обработки нейронной сетью использовали монохромные изображения, массив данных на этапе обучения составил около 40 000 объектов. Установлено, что средняя плотность ямок травления (объектов детекции) составляет (3 – 7) 10⁴ см^–2. При обучении на достаточном количестве данных алгоритмы ИИ и машинного зрения с высокой достоверностью способны распознавать целевые объекты, в том числе с наложением друг на друга. Сплошной подсчет (по всей поверхности пластины) и дальнейшая программная обработка результатов позволили получить карту распределения плотности дислокационных ямок травления, а также линии уровней плотности (изолинии) с привязкой к ее абсолютному значению. Показано, что применение метода сплошного подсчета с использованием технологий ИИ и машинного зрения в сравнении с традиционными усредняющими методами для анализа структурной однородности монокристаллического GaAs оправдано и целесообразно. Полученные результаты могут быть использованы для технологического контроля плотности дислокаций и выявления закономерностей в изменении дислокационной структуры монокристаллического GaAs в зависимости от режимов роста и постростовой обработки слитков.

1. Мильвидский М. Г., Освенский В. Б. Структурные дефекты в монокристаллах полупроводников. — М.: Металлургия, 1984. — 256 с.

2. Малыгин Г. А. Дислокации как линейные топологические дефекты / Физика твердого тела. 2001. Т. 43. № 5. С. 822 – 826.

3. Хлудков С. С., Толбанов О. П., Вилисова М. Д., Прудаев И. А. Полупроводниковые приборы на основе арсенида галлия с глубокими примесными центрами. — Томск: ТГУ, 2016. — 258 с.

4. Князев С. Н., Кудря А. В., Комаровский Н. Ю. и др. Методы исследования дислокационной структуры полупроводниковых монокристаллов группы AIIIBV / Известия вузов. 2022. Т. 25. № 4. С. 323 – 336. DOI: 10.17073/1609-3577-2022-4-323-336

5. Вербицкий Р. А., Ползикова К. С., Сыров Ю. В. Особенности выявления выходов дислокаций на поверхности пластин GaAs / 3-я Международ. науч.-практ. конф. «Редкие металлы и материалы на их основе: технологии, свойства и применение» (РедМет-2024): сб. мат. — М.: Гиредмет, 2024.

6. Левченко Д. С., Теплова Т. Б., Югова Т. Г. Исследование дислокационной структуры монокристаллов арсенида галлия, используемых для создания приборов сверхскоростной микроэлектроники / II Международ. науч.-практ. конф. «Экономика и практический менеджмент в России и за рубежом»: сб. мат. — Коломна: Коломенский институт (филиал) МАМИ, 2015. С. 135 – 137.

7. Оксанич А. П., Когдась М. Г., Андросюк М. С. Методы улучшения структурного совершенства полуизолирующего GaAs диаметром 100 мм / Радиоэлектроника и информатика. 2014. № 4. С. 15 – 19.

8. Кульчицкий Н. А., Наумов А. В., Старцев В. В. Фотоника — новый драйвер GaAs / Фотоника. 2020. Т. 14. № 2. С. 138 – 149. DOI: 10.22184/1993-7296.FRos.2020.14.2.138.149

9. Орлов А. И. Искусственный интеллект, нейросети, большие данные и математические методы исследования / Заводская лаборатория. Диагностика материалов. 2023. Т. 89. № 7. С. 5 – 7. DOI: 10.26896/1028-6861-2023-89-7-5-7

10. Багаев И. И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля TensorFlow / Математическое и программное обеспечение систем в промышленной и социальной сферах. 2020. Т. 8. № 1. С. 15 – 22. DOI: 10.18503/2306-2053-2020-8-1-15-22

11. Пономарев А. Н., Казанцева А. Н. Машинное зрение: актуальность и применение / Научно-технический вестник Поволжья. 2021. № 4. С. 100 – 102.

12. Михалев О. Н., Янушкин А. С. Машинное зрение и распознавание объектов с помощью нейронных сетей / Робототехника и техническая кибернетика. 2022. Т. 10. № 2. С. 113 – 120. DOI: 10.31776/rtcj.10204

13. Власов С. О., Гладышев А. И., Богуславский А. А., Соколов С. М. Решение задачи обнаружения объекта с помощью нейросетевых технологий / Препринты ИПМ им. М. В. Келдыша. 2023. № 16. С. 1 – 27. DOI: 10.20948/prepr-2023-16

14. Martinez-García S. E., Fernándezy-Fernández C. A., Ramos-Pérez E. G. Deep Learning for Non-functional Requirements: A Convolutional Neural Network Approach / Proceedings of the Institute for System Programming of the RAS. 2024. Vol. 36. No. 1. P. 131 – 142. DOI: 10.15514/ispras-2024-36(1)-8

15. Агарева О. Ю., Скрипова А. Е. Алгоритм обучения сверточной нейронной сети для распознавания графических объектов на основе нейронных сетей с иерархичным классификатором / Сборник научных трудов кафедры прикладной математики и программирования по итогам работы постоянно действующего семинара «Теория систем». — М.: РГУ имени А. Н. Косыгина, 2022. С. 38 – 47.

16. Вербицкий Р. А., Сыров Ю. В., Князев С. Н., Латонов Д. В. Применение машинного зрения для детекции и подсчета выходов дислокаций на поверхности пластин арсенида галлия / Нац. науч.-практ. конф. «Фундаментальные, поисковые, прикладные исследования и инновационные проекты»: сб. тр. — М.: Ассоциация выпускников и сотрудников ВВИА имени профессора Н. Е. Жуковского, 2023. С. 139 – 143.

17. Вербицкий Р. А., Латонов В. Д., Сыров Ю. В. Техническая реализация автоматизированной системы подсчета дислокаций «Колибри» / 3-я Международ. науч.-практ. конф. «Редкие металлы и материалы на их основе: технологии, свойства и применение» (РедМет-2024): сб. мат. — М.: Гиредмет, 2024.

18. Ярышев С. Н., Рыжова В. А. Технологии глубокого обучения и нейронных сетей в задачах видеоанализа. — СПб.: ИТМО, 2022. — 82 с.

19. Wang M., Yang W., Wang L., et al. Fe-YOLOv5: Feature Enhancement Network Based on YOLOv5 for Small Object Detection / Social Science Research Network. 2022. DOI: 10.2139/ssrn.4170610

20. Кутырев А. И., Смирнов И. Г., Андриянов Н. А. Сравнительный анализ моделей нейронных сетей для распознавания плодов яблони на кроне дерева / Садоводство и виноградарство. 2023. № 5. С. 56 – 63. DOI: 10.31676/0235-2591-2023-5-56-63

21. Тихановский Г. С., Кочкин Д. В. Исследование возможностей применения алгоритмов глубокого обучения и компьютерного зрения в задаче классификации грибов и ягод / Вестник ВГУ. 2023. № 4(22). С. 41 – 46.