Lidia Perskaیک تکنیک شبیه‌سازی پیشرو که هوش مصنوعی را با محاسبات اصول اولیه سنتی ترکیب می‌کند، درک مکانیسم‌های سطحی سیمانتری پلیش مداراتی را انقلابی کرده است. این تکنولوژی جدید شبکه عصبی محتمل (NNP)، افزایش سرعت قابل توجهی را ارائه می‌دهد در حالی که دقت محاسبات اصول اولیه را حفظ می‌کند. با پیاده سازی NNP در شبیه‌سازی از محلول CMP برای پلیش مدارهای سیمانتری، Resonac راه را برای کشف سریع مواد در فرآیند پیچیده ساخت نیمه‌رساناها باز کرده است.
در زمان‌های اخیر، صنعت نیمه‌رساناها شاهد پیشرفت‌های فناورانه شتاب‌دهنده بوده است که تحویل سریع مواد جدید را الزامی می‌کند. تکنیک‌های شبیه‌سازی در اسراع پژوهش و توسعه مواد جدید مؤثر بوده‌اند. اما فرآیند ساخت نیمه‌رساناها نیازمند محاسبات تعاملات در رابطه‌های بین مواد با خصوصیات مختلف است که چالش‌هایی برای روش‌های سنتی ایجاد می‌کند. تکنولوژی NNP با قابلیت اجرای شبیه‌سازی‌های پیچیده تعاملات شیمیایی با سرعت‌های بی‌نظیر، یک شکست در این زمینه ارائه می‌دهد.
معرفی تکنولوژی NNP پیشرفته Resonac در شبیه‌سازی فرایند پلیش زیرساخت نیمه‌رسانا امکان ملاحظه دقیقی از مکانیسم‌های پلیش پیچیده در سطح نانومتری را فراهم کرده است که منجر به کشف بهبود یافته مواد و کوتاه شدن زمان‌بندی‌های توسعه می‌شود.
با شبیه‌سازی پلیش وافرهای سیلیکون با استفاده از محلول CMP، جزئیات پیچیده فرآیند تحت تأثیر عوامل محیطی اطراف آشکار شده‌اند. این فهم جامع امکان تشخیص کاندیده‌های مواد خام بهینه را برای رسیدن به دقت بالا و کارایی مطلوب در توسعه مواد جدید ممکن می‌کند.
کارآیی تکنولوژی NNP در تجزیه تحلیل رابطه‌های پیچیده و مخلوط‌های غیرهمگن به جای محلول CMP همگن نیست، این ابزار چندکاره را برای برنامه‌های مختلف مواد نیمه‌رسانا قرار می دهد.
استفاده پیشگامانه Resonac از تکنولوژی NNP یک دوره تحولی در تجزیه و تحلیل مواد و کشف مواد نوآورانه را نشان می دهد. یکپارچه سازی فناوری های هوش مصنوعی نیمه¬ها توانایی واقعی شبیه¬سازی¬ها را به شدت افزایش داده است که منجر به پیشرفت¬های چشم¬گیر در توسعه نیمه¬رساناها می¬شود.
برای کسب اطلاعات بیشتر درباره گروه Resonac و ابتکارات پیشگام در بخش مواد نیمه‌رسانا و الکترونیک، به وب‌سایت رسمی آن‌ها مراجعه کنید.
