Inovácia technológie CVD za Nobelovou cenou

Nedávno oznámenie Nobelovej ceny za fyziku z roku 2024 prinieslo bezprecedentnej pozornosti oblasti umelej inteligencie. Výskum amerického vedca Johna J. Hopfielda a kanadského vedca Geoffrey E. Hinton využíva nástroje strojového učenia na poskytnutie nových pohľadov na dnešnú zložitú fyziku. Tento úspech predstavuje nielen dôležitý míľnik v technológii umelej inteligencie, ale tiež ohlasuje hlbokú integráciu fyziky a umelej inteligencie.

Ⅰ. Význam a výzvy technológie ukladania chemických pár (CVD) vo fyzike

Význam technológie chemického depozície pary (CVD) vo fyzike je mnohostranný. Nie je to len dôležitá technológia prípravy materiálov, ale tiež zohráva kľúčovú úlohu pri podpore vývoja fyzického výskumu a aplikácie. Technológia CVD môže presne kontrolovať rast materiálov na atómových a molekulárnych hladinách. Ako je znázornené na obrázku 1, táto technológia produkuje celý rad vysokovýkonných tenkých filmov a nanoštruktúrovaných materiálov chemicky reagujúcimi plynnými alebo parnými látkami na pevnom povrchu, aby sa vytvorili tuhé ložiská1. Je to rozhodujúce pre fyziku pre pochopenie a skúmanie vzťahu medzi mikroštruktúrou a makroskopickými vlastnosťami materiálov, pretože umožňuje vedcom študovať materiály so špecifickými štruktúrami a kompozíciami a potom hlboko porozumieť ich fyzikálnym vlastnostiam.

Po druhé, technológia CVD je kľúčovou technológiou na prípravu rôznych funkčných tenkých filmov v polovodičových zariadeniach. Napríklad CVD sa môže použiť na pestovanie jednovrokryštálových epitaxných vrstiev kremíka, polovodičov III-V, ako je gallium arzenid a II-VI polovodičová epitaxia a ukladajú rôzne dopredné dopované polovodičové epitaxné filmy, polykryštalické filmy atď. Okrem toho technológia CVD zohráva dôležitú úlohu aj v oblastiach fyziky, ako sú optické materiály, supravodivé materiály a magnetické materiály. Prostredníctvom technológie CVD je možné syntetizovať tenké filmy so špecifickými optickými vlastnosťami na použitie v optoelektronických zariadeniach a optických senzoroch.

Obrázok 1 Kroky prenosu reakcie CVD

Zároveň technológia CVD čelí niektorým výzvam v praktických aplikáciách², napríklad:

✔ Vysoké teplotné a vysoké tlakové podmienky: CVD sa zvyčajne musí vykonávať pri vysokej teplote alebo vysokom tlaku, čo obmedzuje typy materiálov, ktoré je možné použiť, a zvyšuje spotrebu energie a náklady.

✔ Citlivosť: Proces CVD je mimoriadne citlivý na reakčné podmienky a dokonca aj malé zmeny môžu ovplyvniť kvalitu konečného produktu.

✔ Systém CVD je zložitý: Proces CVD je citlivý na hraničné podmienky, má veľké neistoty a je ťažké ho kontrolovať a opakovať, čo môže viesť k ťažkostiam v materiálnom výskume a vývoji.

Ⅱ. Technológia a strojové učenie chemickej pary (CVD) a strojové učenie

Tvárou v tvár týmto ťažkostiam strojové učenie ako výkonný nástroj na analýzu údajov preukázal potenciál vyriešiť niektoré problémy v poli CVD. Nasledujú príklady aplikácie strojového učenia v technológii CVD:

(1) predpovedanie rastu CVD

Pomocou algoritmov strojového učenia sa môžeme učiť z veľkého množstva experimentálnych údajov a predpovedať výsledky rastu CVD za rôznych podmienok, čím usmerňujú úpravu experimentálnych parametrov. Ako je znázornené na obrázku 2, výskumný tím technologickej univerzity Nanyang v Singapure použil klasifikačný algoritmus v strojovom učení na usmernenie syntézy dvojrozmerných materiálov CVD. Analýzou skorých experimentálnych údajov úspešne predpovedali podmienky rastu disulfidu molybdénu (MOS2), čo významne zlepšilo experimentálnu mieru úspešnosti a znížilo počet experimentov.

Obrázok 2 strojové učenie vedie syntézu materiálu

a) Nevlenateľná časť materiálneho výskumu a vývoja: syntéza materiálu.

b) klasifikačný model pomáha chemickému depozícii pary syntetizovať dvojrozmerné materiály (vrchol); Regresný model vedie hydrotermálnu syntézu fluorescenčných kvantových kvantových bodiek dotovaných do doplňovanej sírou (spodná časť).

V inej štúdii (obrázok 3) sa strojové učenie použilo na analýzu rastu grafénu v systéme CVD. Veľkosť, pokrytie, hustota domény a pomer strán grafénu sa automaticky merali a analyzovali vývojom návrhu konvolučnej neurónovej siete regiónu (R-CNN). Tento prístup môže simulovať syntézu grafénu a určiť experimentálne podmienky na syntézu grafénu s požadovanou morfológiou s veľkou veľkosťou zŕn a nízkou hustotou domény, čím ušetrí veľa času a nákladov ³

Obrázok 3 strojové učenie predpovedá grafénové rastové vzorce v systémoch CVD

(2) Automatizovaný proces CVD

Strojové učenie sa môže použiť na vývoj automatizovaných systémov na monitorovanie a úpravu parametrov v procese CVD v reálnom čase, aby sa dosiahla presnejšia kontrola a vyššia účinnosť výroby. Ako je znázornené na obrázku 4, výskumný tím z Xidianskej univerzity použil hlboké vzdelávanie na prekonanie obtiažnosti identifikácie uhla rotácie dvojrozmerných dvojrozmerných materiálov CVD. Zhromaždili farebný priestor MOS2 pripravený CVD a použili sémantickú konvolučnú neurónovú sieť (CNN) na presnú a rýchlu identifikáciu hrúbky MOS2 a potom vyškolili druhý model CNN, aby sa dosiahla presná predpoveď rotačného uhla materiálov TMD-pestovaných CVD. Táto metóda nielen zlepšuje účinnosť identifikácie vzorky, ale tiež poskytuje novú paradigmu pre aplikáciu hlbokého učenia sa v oblasti materiálových vied⁴.

Obrázok 4 Metódy hlbokého učenia Identifikujte rohy dvojrozmerných dvojrozmerných materiálov

Odkazy:

(1) Guo, Q.-M.; Qin, Z.-H. Vývoj a aplikácia technológie depozície pár v atómovej výrobe. 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. Plazmovo zvýšené chemické depozície dvojrozmerných materiálov pre aplikácie. Účty chemického výskumu 2021, 54 (4), 1011-1022. Doi: 10,1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Zoznámenie stroja pre analýzu grafénu CVD: od merania po simuláciu snímok SEM. 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. Učenie sa učenia jednotlivých štátov Kohn-Sham: Interpretovateľné reprezentácie a dôsledky pre predpovede účinkov mnohých tela. 2024; P arXiv: 2404.14601.