CVD technológiai innováció a Nobel -díj mögött

A közelmúltban a 2024 -es Nobel -fizikai díj bejelentése példátlan figyelmet fordított a mesterséges intelligencia területére. Az amerikai tudós, John J. Hopfield és a kanadai tudós, Geoffrey E. Hinton kutatása gépi tanulási eszközöket használ, hogy új betekintést nyújtson a mai összetett fizikába. Ez az eredmény nemcsak a mesterséges intelligencia technológiájának fontos mérföldkövét jelzi, hanem a fizika és a mesterséges intelligencia mély integrációját is hirdeti.

Ⅰ. A kémiai gőzlerakódás (CVD) technológia jelentősége és kihívásai a fizikában

A kémiai gőzlerakódás (CVD) technológia jelentősége a fizikában sokrétű. Ez nem csak egy fontos anyagkészítő technológia, hanem kulcsszerepet játszik a fizikai kutatások és alkalmazás fejlesztésének előmozdításában is. A CVD technológia pontosan szabályozhatja az anyagok növekedését atomi és molekuláris szinten. Amint az az 1. ábrán látható, ez a technológia különféle nagy teljesítményű vékony fóliákat és nanostrukturált anyagokat állít elő, kémiailag reagálva a szilárd felületen lévő gáznemű vagy gőzös anyagokat, hogy szilárd lerakódást generáljon1. Ez elengedhetetlen a fizikában az anyagok mikroszerkezetének és a makroszkopikus tulajdonságok közötti kapcsolat megértésében és feltárásában, mivel ez lehetővé teszi a tudósok számára, hogy specifikus struktúrákkal és összetételekkel rendelkező anyagokat tanulmányozzanak, majd mélyen megértsék fizikai tulajdonságaikat.

Másodszor, a CVD technológia kulcsfontosságú technológia a különféle funkcionális vékony filmek előkészítéséhez félvezető eszközökben. Például a CVD felhasználható szilícium-egy kristály-epitaxiális rétegek, III-V félvezetők, például gallium-arzenid és II-VI félvezető egykristály-epitaxia termesztésére, és különféle adalékolt félvezető egykristályos epitaxiális filmek, polycriptikus szilikonfilmek stb. Helyezhető be. Ezenkívül a CVD technológia fontos szerepet játszik a fizikai kutatási területeken, például optikai anyagokban, szupravezető anyagokban és mágneses anyagokban. A CVD technológián keresztül az optikai tulajdonságokkal rendelkező vékony fóliák szintetizálhatók az optoelektronikus eszközökben és az optikai érzékelőkben.

1. ábra CVD reakcióátviteli lépések

Ugyanakkor a CVD technológia néhány kihívással néz szembe a gyakorlati alkalmazásokban, például:

✔ Magas hőmérséklet és magas nyomású körülmények: A CVD -t általában magas hőmérsékleten vagy magas nyomáson kell elvégezni, ami korlátozza a felhasználható anyagok típusait, és növeli az energiafogyasztást és a költségeket.

✔ Paraméterérzékenység: A CVD -folyamat rendkívül érzékeny a reakcióviszonyokra, és még a kis változások is befolyásolhatják a végtermék minőségét.

✔ A CVD rendszer bonyolult: A CVD -folyamat érzékeny a határfeltételekre, nagy bizonytalanságokkal rendelkezik, és nehéz ellenőrizni és megismételni, ami nehézségeket okozhat az anyagkutatásban és fejlesztésében.

Ⅱ. Kémiai gőzlerakódás (CVD) technológia és gépi tanulás

Ezekkel a nehézségekkel szembesülve a gépi tanulás mint hatékony adatelemzési eszköz, megmutatta a lehetőséget, hogy megoldja a CVD mezőben néhány problémát. Az alábbiakban bemutatjuk a gépi tanulás alkalmazását a CVD technológiában:

(1) A CVD növekedésének előrejelzése

A gépi tanulási algoritmusok felhasználásával nagy mennyiségű kísérleti adatból tanulhatunk, és megjósolhatjuk a CVD növekedésének eredményeit különböző körülmények között, ezáltal irányítva a kísérleti paraméterek beállítását. Amint a 2. ábrán látható, a szingapúri Nanyang Technológiai Egyetem kutatócsoportja a gépi tanulás osztályozási algoritmust használta a kétdimenziós anyagok CVD szintézisének irányításához. A korai kísérleti adatok elemzésével sikeresen megjósolták a molibdén -diszulfid (MOS2) növekedési körülményeit, jelentősen javítva a kísérleti sikerességi arányt és csökkentve a kísérletek számát.

2. ábra A gépi tanulás irányítja az anyag szintézisét

a) Az anyagkutatás és fejlesztés nélkülözhetetlen része: anyagszintézis.

b) az osztályozási modell elősegíti a kémiai gőz lerakódását a kétdimenziós anyagok (felső) szintetizálásában; A regressziós modell a kén-nitrogén-dopped fluoreszcens kvantum pontok (alsó) hidrotermikus szintézisét irányítja.

Egy másik tanulmányban (3. ábra) gépi tanulást használtunk a grafén növekedési mintázatának elemzésére a CVD rendszerben. A grafén méretét, lefedettségét, domain sűrűségét és oldalarányát automatikusan megmértük és elemeztük egy régió javaslat-konvolúciós neurális hálózat (R-CNN) kidolgozásával, majd a helyettesítő modelleket mesterséges neurális hálózatok (ANN) és a támogató vektorgépek (SVM) felhasználásával fejlesztették ki, hogy a CVD-folyamatváltozók korrelációja és a mért előírások közötti következtetés következtében következtetjenek. Ez a megközelítés szimulálhatja a grafén szintézist és meghatározhatja a grafén szintetizálásának kísérleti feltételeit a kívánt morfológiával, nagy szemcsemérettel és alacsony domain sűrűséggel, sok időt és költségeket megtakarítva ³

3. ábra A gépi tanulás előrejelzi a grafén növekedési mintáit a CVD rendszerekben

(2) Automatizált CVD folyamat

A gépi tanulás felhasználható az automatizált rendszerek kifejlesztésére a CVD -folyamat paramétereinek monitorozására és beállítására valós időben, hogy pontosabb irányítást és nagyobb termelési hatékonyságot érjen el. Amint az a 4. ábrán látható, a Xidian Egyetemen végzett kutatócsoport mély tanulással küzdött a CVD dupla rétegű kétdimenziós anyagok forgási szögének azonosításának nehézségének leküzdésére. Összegyűjtötték a CVD által készített MOS2 színterületét, és egy szemantikai szegmentációs konvolúciós neurális hálózatot (CNN) alkalmaztak a MOS2 vastagságának pontos és gyors azonosítására, majd egy második CNN-modellt kiképeztek a CVD-ben termesztett kettős rétegű TMD anyagok forgási szögének pontos előrejelzésére. Ez a módszer nemcsak javítja a minta azonosításának hatékonyságát, hanem új paradigmát is biztosít a mély tanulás alkalmazásához az anyagtudomány területén⁴.

4. ábra A mély tanulási módszerek azonosítják a kettős rétegű kétdimenziós anyagok sarkait

Referenciák:

(1) Guo, Q.-M.; Qin, Z.-H. A gőzlerakódási technológia fejlesztése és alkalmazása az atomgyártásban. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Kettő: 10.7498/APS.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. A kétdimenziós anyagok plazmával fokozott kémiai gőzlerakódása alkalmazásokhoz. A kémiai kutatás beszámolói 2021, 54 (4), 1011-1022. Doi: 10.1021/ACS.Accounts.0C00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Gépi tanulások a CVD grafén elemzéséhez: A méréstől a SEM képek szimulálásáig. 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. Az egyes kohn-sham állapotok felügyelet nélküli tanulásának: értelmezhető reprezentációk és következmények a sok test hatásainak lefelé történő előrejelzéseire. 2024; P ARXIV: 2404.14601.