Подробное описание документа

   Физико-технологические барьеры в ростовых технологиях и предпосылки внедрения искусственного интеллекта / Гудков А. Г., Петреев Д. Д., Галимов Р. Р., Тертышная Е. А., Тихомиров В. Г., Синев А. Е. - DOI 10.18127/j22250980-202603-02 // Нанотехнологии. Разработка. Применение. ХХI век. - 2026. - Т. 18, № 3. - С. 22-30.

DOI 10.18127/j22250980-202603-02

https://doi.org/10.18127/j22250980-20260…

Постановка проблемы. Работа посвящена анализу физико-технологических барьеров современных ростовых процессов и обоснованию необходимости применения методов машинного обучения, а также выявлению текущих ограничений технологий машинного обучения в данной сфере и определению перспективы их развития.
Цель. Комплексно проанализировать и систематизировать методы искусственного интеллекта, применяемые для предиктивного контроля, оптимизации параметров и анализа in-situ данных в современных ростовых технологиях приборостроения.
Результаты. Представлены последние результаты внедрения методов машинного обучения в ростовых технологиях. Проведена классификация архитектур нейронных сетей и алгоритмов оптимизации, релевантных для задач роста кристаллов и тонких пленок. Рассмотрены практические кейсы внедрения методов машинного обучения для in-situ дефектоскопии и управления параметрами установок в реальном времени. Практическая значимость. Анализ и систематизация методов искусственного интеллекта, используемых для предварительного контроля, оптимизации параметров и анализа in-situ данных в современных ростовых технологиях приборостроения позволяют преодолеть барьер вычислительной сложности, обеспечить непрерывный атомарный контроль и реализовать предиктивное управление. Ключевые слова ростовые технологии, методы машинного обучения, гетероструктуры