CVD tehnološka inovacija za Nobelovo nagrado

Pred kratkim je napoved leta 2024 Nobelove nagrade za fiziko prinesla izjemno pozornost na področje umetne inteligence. Raziskava ameriškega znanstvenika Johna J. Hopfielda in kanadskega znanstvenika Geoffrey E. Hinton uporablja orodja za strojno učenje za zagotavljanje novih vpogledov v današnjo zapleteno fiziko. Ta dosežek ne pomeni le pomembnega mejnika v tehnologiji umetne inteligence, ampak tudi označuje globoko integracijo fizike in umetne inteligence.

Ⅰ. Pomen in izzivi tehnologije kemijskega odlaganja hlapov (CVD) v fiziki

Pomen tehnologije kemičnega odlaganja hlapov (CVD) v fiziki je večplasten. Ne gre le za pomembno tehnologijo priprave materiala, ampak ima tudi ključno vlogo pri spodbujanju razvoja fizičnih raziskav in uporabe. Tehnologija KVB lahko natančno nadzoruje rast materialov na atomski in molekularni ravni. Kot je prikazano na sliki 1, ta tehnologija proizvaja različne visokozmogljive tanke filme in nanostrukturirane materiale s kemično reagiranjem plinastih ali hlapnih snovi na trdni površini, da ustvari trdna depozita1. To je ključnega pomena za fiziko za razumevanje in raziskovanje razmerja med mikrostrukturo in makroskopskimi lastnostmi materialov, saj znanstvenikom omogoča preučevanje gradiva s specifičnimi strukturami in sestavki, nato pa globoko razumejo njihove fizikalne lastnosti.

Drugič, tehnologija CVD je ključna tehnologija za pripravo različnih funkcionalnih tankih filmov v polprevodniških napravah. Na primer, KVB se lahko uporablja za gojenje silicijevih enojnih kristalnih epitaksialnih plasti, III-V polprevodnikov, kot sta galijev arsenid in II-VI polprevodniški enojni kristalni epitaksija, in nanesejo različne dopirane polprevodniške enojne ene kristalne epitaksialne filme, polikristalne silicijeve filme itd. Optoelektronske naprave. Poleg tega ima tehnologija CVD pomembno vlogo tudi na področjih raziskovanja fizike, kot so optični materiali, superprevodni materiali in magnetni materiali. S pomočjo tehnologije CVD lahko tanke filme s specifičnimi optičnimi lastnostmi sintetiziramo za uporabo v optoelektronskih napravah in optičnih senzorjih.

Slika 1 Koraki reakcije reakcije CVD

Hkrati se tehnologija CVD sooča z nekaterimi izzivi v praktičnih aplikacijah², kot so:

✔ Visoka temperatura in visok tlak: CVD je običajno treba izvesti pri visokem temperaturi ali visokem tlaku, kar omejuje vrste materialov, ki jih je mogoče uporabiti, in poveča porabo in stroške energije.

✔ Občutljivost parametrov: Proces CVD je izjemno občutljiv na reakcijske pogoje in celo majhne spremembe lahko vplivajo na kakovost končnega izdelka.

✔ CVD sistem je zapleten: Proces KVB je občutljiv na mejne pogoje, ima velike negotovosti in ga je težko nadzorovati in ponoviti, kar lahko privede do težav pri materialnih raziskavah in razvoju.

Ⅱ. Tehnologija in strojno učenje s kemičnim odlaganjem hlapov (CVD)

Soočen s temi težavami, je strojno učenje kot močno orodje za analizo podatkov pokazalo potencial za reševanje nekaterih težav v polju CVD. Sledijo primeri uporabe strojnega učenja v tehnologiji KVB:

(1) Napovedovanje rasti KVB

Z algoritmi strojnega učenja se lahko naučimo iz velike količine eksperimentalnih podatkov in napovedujemo rezultate rasti KVB v različnih pogojih, s čimer bomo vodili prilagoditev eksperimentalnih parametrov. Kot je prikazano na sliki 2, je raziskovalna skupina Nanyang Technološke univerze v Singapurju uporabila algoritem klasifikacije v strojnem učenju, da je vodila sintezo dvodimenzionalnih materialov CVD. Z analizo zgodnjih eksperimentalnih podatkov so uspešno napovedali pogoje rasti molibdenskega disulfida (MOS2), kar je znatno izboljšalo stopnjo eksperimentalnega uspeha in zmanjšalo število poskusov.

Slika 2 Strojno učenje vodi materialna sinteza

(a) Nepogrešljiv del materialnih raziskav in razvoja: sinteza materiala.

(b) klasifikacijski model pomaga kemičnemu odlaganju hlapov, da sintetizira dvodimenzionalne materiale (zgoraj); Regresijski model vodi hidrotermalno sintezo sulfur-dušikovih fluorescentnih kvantnih pik dopiran (spodaj).

V drugi študiji (slika 3) je bilo za analizo rastnega vzorca grafena v sistemu CVD uporabljeno strojno učenje. Velikost, pokritost, gostota domene in razmerje stranic grafena so bile samodejno izmerjene in analizirane z razvojem konvolucijske nevronske mreže v regiji (R-CNN), nato pa so bili nadomestni modeli razviti z uporabo umetniških nevronskih omrežij (ANN) in podpirajo vektorske stroje (SVM), da sklenejo povezavo med CVD procesom. Ta pristop lahko simulira sintezo grafena in določi eksperimentalne pogoje za sintetiziranje grafena z želeno morfologijo z veliko velikostjo zrn in nizko gostoto domene, s čimer prihrani veliko časa in stroškov² ³

Slika 3 Strojno učenje napoveduje vzorce rasti grafena v sistemih CVD

(2) avtomatiziran postopek KVB

Strojno učenje se lahko uporablja za razvoj avtomatiziranih sistemov za spremljanje in prilagajanje parametrov v procesu CVD v realnem času za natančnejši nadzor in večjo učinkovitost proizvodnje. Kot je prikazano na sliki 4, je raziskovalna skupina z univerze Xidian uporabila globoko učenje, da je premagala težave pri prepoznavanju vrtenja kota dvodimenzionalnih materialov CVD. Zbrali so barvni prostor MOS2, ki ga je pripravil CVD, in uporabili segmentacijsko konvolucijsko nevronsko omrežje (CNN), da so natančno in hitro prepoznali debelino MOS2, nato pa usposobili drugi model CNN, da bi dosegli natančno napoved vrtenja kota dvojnih TMD, gojenih CVD. Ta metoda ne samo izboljša učinkovitost identifikacije vzorcev, ampak tudi zagotavlja novo paradigmo za uporabo globokega učenja na področju znanosti o materialih⁴.

Slika 4 Metode poglobljenega učenja Prepoznajte kotičke dvodimenzionalnih materialov z dvojnimi sloji

Reference:

(1) Guo, Q.-M.; Qin, Z.-H. Razvoj in uporaba tehnologije nalaganja hlapov v atomski proizvodnji. Acta Physica sinica 2021, 70 (2), 028101-028101-028101-028115. Dva: 10.7498/APS.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Kemično odlaganje dvodimenzionalnih materialov za uporabo v plazmi za uporabo. Računi kemijskih raziskav 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.account.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Strojna spoznanja za analizo grafena CVD: od merjenja do simulacije SEM slik. Journal of Industrial and Engineering Chemistry 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Nenadzorovano učenje posameznih kohn-Sham stanja: interpretacijske predstavitve in posledice za napovedi na nižji stopnji učinkov na več teles. 2024; P ARXIV: 2404.14601.