CVD технолошките иновации зад Нобеловата награда

Неодамна, објавувањето на Нобеловата награда за физика за 2024 година предизвика невидено внимание на полето на вештачката интелигенција. Истражувањето на американскиот научник Џон Џеј Хопфилд и канадскиот научник Џефри Е. Хинтон користи алатки за машинско учење за да обезбеди нови сознанија за денешната сложена физика. Ова достигнување не само што означува важна пресвртница во технологијата за вештачка интелигенција, туку и ја најавува длабоката интеграција на физиката и вештачката интелигенција.

Ⅰ. Значењето и предизвиците на технологијата за хемиско таложење на пареа (CVD) во физиката

Значењето на технологијата за хемиско таложење на пареа (CVD) во физиката е повеќеслојна. Тоа не е само важна технологија за подготовка на материјали, туку игра и клучна улога во промовирањето на развојот на истражувањето и примената на физиката. CVD технологијата може прецизно да го контролира растот на материјалите на атомско и молекуларно ниво. Како што е прикажано на слика 1, оваа технологија произведува разновидни тенки фолии и наноструктурни материјали со високи перформанси со хемиска реакција на гасовити или парни супстанции на цврстата површина за да се генерираат цврсти наслаги1. Ова е клучно во физиката за разбирање и истражување на односот помеѓу микроструктурата и макроскопските својства на материјалите, бидејќи им овозможува на научниците да проучуваат материјали со специфични структури и состави, а потоа длабоко да ги разберат нивните физички својства.

Второ, CVD технологијата е клучна технологија за подготовка на различни функционални тенки фолии во полупроводнички уреди. На пример, CVD може да се користи за одгледување на силиконски еднокристални епитаксијални слоеви, III-V полупроводници како што се галиум арсенид и II-VI полупроводничка единекристална епитаксија, и таложење на разни допирани полупроводнички еднокристални епитаксијални филмови, поликристални силиконски филмови итн. а структурите се основата на современите електронски уреди и оптоелектронските уреди. Покрај тоа, CVD технологијата исто така игра важна улога во полињата за истражување на физиката, како што се оптичките материјали, суперспроводливите материјали и магнетните материјали. Преку CVD технологијата, може да се синтетизираат тенки филмови со специфични оптички својства за употреба во оптоелектронски уреди и оптички сензори.

Слика 1 Чекори за пренос на реакција на CVD

Во исто време, CVD технологијата се соочува со некои предизвици во практичните апликации², како што се:

✔ Услови на висока температура и висок притисок: CVD обично треба да се изведува на висока температура или висок притисок, што ги ограничува видовите на материјали што може да се користат и ја зголемува потрошувачката и цената на енергијата.

✔ Чувствителност на параметарот: Процесот на CVD е исклучително чувствителен на условите на реакција, па дури и мали промени може да влијаат на квалитетот на финалниот производ.

✔ CVD системот е сложен: Процесот на CVD е чувствителен на граничните услови, има големи несигурности и тешко се контролира и повторува, што може да доведе до тешкотии во истражувањето и развојот на материјалите.

Ⅱ. Технологија на хемиско таложење на пареа (CVD) и машинско учење

Соочени со овие тешкотии, машинското учење, како моќна алатка за анализа на податоци, покажа потенцијал за решавање на некои проблеми во полето на CVD. Следниве се примери за примена на машинско учење во CVD технологијата:

(1) Предвидување на раст на CVD

Користејќи ги алгоритмите за машинско учење, можеме да научиме од голем број експериментални податоци и да ги предвидиме резултатите од растот на CVD под различни услови, а со тоа да го водиме приспособувањето на експерименталните параметри. Како што е прикажано на Слика 2, истражувачкиот тим на технолошкиот универзитет Нанјанг во Сингапур го користел алгоритмот за класификација во машинското учење за да ја води CVD синтезата на дводимензионални материјали. Со анализа на раните експериментални податоци, тие успешно ги предвидоа условите за раст на молибден дисулфид (MoS2), значително подобрување на стапката на експериментален успех и намалување на бројот на експерименти.

Слика 2 Машинското учење ја води синтезата на материјалите

(а) Незаменлив дел од истражување и развој на материјали: синтеза на материјали.

(б) Моделот на класификација помага на хемиското таложење на пареа за синтетизирање на дводимензионални материјали (горе); Регресиониот модел ја води хидротермалната синтеза на флуоресцентни квантни точки допирани со сулфур-азот (долу).

Во друга студија (слика 3), машинското учење беше искористено за да се анализира моделот на раст на графен во CVD системот. Големината, покриеноста, густината на доменот и односот на аспектот на графенот беа автоматски измерени и анализирани со развој на конволутивна невронска мрежа (R-CNN), а потоа беа развиени сурогат модели со помош на вештачки невронски мрежи (ANN) и векторски машини за поддршка ( SVM) за да се заклучи корелацијата помеѓу променливите на процесот на CVD и измерените спецификации. Овој пристап може да симулира синтеза на графен и да ги одреди експерименталните услови за синтеза на графен со посакувана морфологија со голема големина на зрно и мала густина на доменот, заштедувајќи многу време и трошоци² ³

Слика 3 Машинското учење ги предвидува моделите на раст на графен во CVD системите

(2) Автоматизиран CVD процес

Машинското учење може да се користи за развој на автоматизирани системи за следење и прилагодување на параметрите во процесот на CVD во реално време за да се постигне попрецизна контрола и поголема ефикасност на производството. Како што е прикажано на Слика 4, истражувачки тим од Универзитетот Ксидијан користел длабоко учење за да ја надмине тешкотијата за идентификување на аголот на ротација на двослојните дводимензионални материјали CVD. Тие го собраа просторот за бои на MoS2 подготвен од CVD и применија семантичка сегментација конволутивна невронска мрежа (CNN) за прецизно и брзо идентификување на дебелината на MoS2, а потоа обучија втор CNN модел за да се постигне точно предвидување на аголот на ротација на CVD-растениот двослојни TMD материјали. Овој метод не само што ја подобрува ефикасноста на идентификацијата на примерокот, туку обезбедува и нова парадигма за примена на длабоко учење во областа на науката за материјали⁴.

Слика 4 Методите за длабоко учење ги идентификуваат аглите на двослојните дводимензионални материјали

Референци:

(1) Гуо, К.-М.; Чин, З.-Х. Развој и примена на технологија за таложење на пареа во атомското производство. Acta Physica Sinica 2021 година, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) Ји, К.; Лиу, Д.; Чен, Х.; Јанг, Ј.; Веи, Д.; Лиу, Ј.; Wei, D. Плазма-подобрена хемиска пареа таложење на дводимензионални материјали за апликации. Сметки на хемиски истражувања 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Хванг, Г.; Ким, Т.; Шин, Ј. Шин, Н.; Хванг, С. Машинско учење за CVD графен анализа: Од мерење до симулација на SEM слики. Весник за индустриска и инженерска хемија 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Хоу, Б.; Ву, Ј.; Qiu, D. Y. Ненадгледувано учење на поединечни држави на Кон-Шам: интерпретабилни претстави и последици за низводно предвидувања на ефектите од многу тела. 2024 година; p arXiv: 2404.14601.