Уважаемые коллеги, доброго времени суток! Представляем вам научное издание из Южной Кореи Applied Science and Convergence Technology. Журнал имеет четвёртый квартиль, издаётся в Korean Vacuum Society, его SJR за 2022 г. равен 0,214, печатный ISSN - 1225-8822, электронный - 2288-6559, предметные области - Физика конденсированных сред, Материаловедение (общие вопросы), Электротехника и электроника, Физическая и теоретическая химия. Вот так выглядит обложка:
Редактором является Ми-И Риу, контактные данные - myryu@kangwon.ac.kr, paper@kvs.or.kr.
Это международный рецензируемый онлайн-журнал, выходящий раз в два месяца. Он направлена на расширение знаний о прикладной науке и технологиях и вакууме путем предоставления исследователям легкодоступной исследовательской информации через Интернет. ASCT заботится не только об ученых и исследователях в областях, которые она охватывает, но и о тех, кто работает в других смежных областях.
Адрес издания - https://www.e-asct.org/main.html
Пример статьи, название - Machine Learning-Based Prediction of Atomic Layer Control for MoS2 via Reactive Ion Etcher. Заголовок (Abstract) - This research proposes an innovative method for optimizing plasma etching processes in semiconductor manufacturing using machine learning (ML). Plasma etching is a critical process in defining precise patterns on semiconductor materials, requiring accurate process control. In this study, we employ the ML model based on big data to develop a predictive model that can capture complex relationships between process variables and plasma etching outcomes as the thickness of MoS2. The ML model demonstrated high accuracy, closely aligning with actual experimental results. The experiments confirmed uniform etching across the entire 4-inch wafer, with a precision of approximately 1 nm. Based on this research, we aim to apply ML prediction models to various process conditions of plasma etching and gain deeper insight into the ML’s capabilities for two-dimensional materials in semiconductor manufacturing.
Keywords: Plasma, Machine learning, Layer control, MoS2, Reactive ion etching
