半导体材料制造效率再提升的机会，有可能来自机器学习

在半导体领域，单晶材料扮演极为重要的角色，不论芯片制造、光电领域、能源领域等都会出出现踪迹迹。但要在实验室增长单晶材料非常耗时耗力，因为有各种大大小小的影响因素，如温度、混合浓度等都需要考量，而中国科学院北京分院以及中国人民大学的研究团队，提出运用机器学习的方法来解决这个难题。

众所周知机器学习算法是运用以往数据来训练机器，再提出最佳解，研究团队利用这项特性，想以人工智能的模型预测出适合晶体材料增长的环境条件。在这次的研究，研究人员先将实验室成员分成两组，以助熔剂法式来增长单晶材料，并搜集增长温度曲线、原料种类、混合比例等各种增长生长状况参数，包含量化数据及质化数据。

接着研究团队使用搜集的数据训练四种机器学习模型，分别为支持矢量机（SVM）、决策树（decision tree）、随机森林（random forest）及GBDT（gradient boosting decision tree）。根据实验结果显示，在给定的环境数据下，SVM预测晶体材料能否增长的准确率为81%，此外，decision tree算法也显示某些参数对晶体增长比研究人员原先想的重要，尽管算法还无法解释这些参数重要的原因。

联合研究团队的成员孙煜杰表示，机器学习的精准度还会随着使用更多数据训练模型而更提升，这项研究成果也表示运用机器学习可协助更有效率的增长更佳品质单晶材料。

研究团队也表示，目前的研究成果还只是一小步，未来将会尝试更多种机器学习算法，试试不同种类的单晶材料，以及搜集不同方法增长材料的数据，希望有一天机器学习不止能预测晶体生长条件，还能预测使用哪种方法增长晶体最适合。