CVD technológiai innováció a Nobel-díj mögött

A közelmúltban a 2024-es fizikai Nobel-díj bejelentése soha nem látott figyelmet fordított a mesterséges intelligencia területére. John J. Hopfield amerikai és Geoffrey E. Hinton kanadai tudós kutatása gépi tanulási eszközöket használ, hogy új betekintést nyújtson a mai összetett fizikába. Ez az eredmény nemcsak a mesterséges intelligencia technológiájának fontos mérföldkövet jelent, hanem a fizika és a mesterséges intelligencia mélyreható integrációjának hírnöke is.

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

A kémiai gőzfázisú leválasztás (CVD) technológia jelentősége a fizikában sokrétű. Nemcsak fontos anyag-előkészítési technológia, hanem kulcsszerepet játszik a fizikai kutatások és alkalmazások fejlődésének elősegítésében is. A CVD technológia pontosan tudja szabályozni az anyagok növekedését atomi és molekuláris szinten. Amint az 1. ábrán látható, ez a technológia számos nagy teljesítményű vékony filmet és nanostrukturált anyagot állít elő úgy, hogy a szilárd felületen gáz- vagy gőzhalmazállapotú anyagokat kémiailag reagáltatva szilárd lerakódásokat hoz létre1. Ez döntő fontosságú a fizikában az anyagok mikroszerkezete és makroszkopikus tulajdonságai közötti kapcsolat megértéséhez és feltárásához, mivel lehetővé teszi a tudósok számára, hogy tanulmányozzák a meghatározott szerkezetű és összetételű anyagokat, majd mélyen megértsék fizikai tulajdonságaikat.

Másodszor, a CVD-technológia kulcsfontosságú technológia a különböző funkcionális vékonyrétegek félvezető eszközökben történő előállításához. Például a CVD felhasználható szilícium egykristály epitaxiális rétegek, III-V félvezetők, például gallium-arzenid és II-VI félvezető egykristály epitaxia növesztésére, valamint különféle adalékolt félvezető egykristály epitaxiális filmek, polikristályos szilícium filmek stb. a szerkezetek pedig a modern elektronikai eszközök és optoelektronikai eszközök alapját képezik. Ezenkívül a CVD-technológia fontos szerepet játszik a fizika kutatási területein is, mint például az optikai anyagok, szupravezető anyagok és mágneses anyagok. A CVD technológiával speciális optikai tulajdonságokkal rendelkező vékony filmek szintetizálhatók optoelektronikai eszközökben és optikai érzékelőkben való használatra.

1. ábra CVD reakció átviteli lépései

Ugyanakkor a CVD-technológia gyakorlati alkalmazásokban kihívásokkal néz szembe², mint például:

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

✔ Paraméter érzékenység: A CVD-eljárás rendkívül érzékeny a reakciókörülményekre, és még kis változtatások is befolyásolhatják a végtermék minőségét.

✔ A CVD rendszer összetett: A CVD-folyamat érzékeny a peremfeltételekre, nagy a bizonytalanság, nehéz ellenőrizni és megismételni, ami nehézségekhez vezethet az anyagkutatásban és -fejlesztésben.

Ⅱ. Kémiai gőzfázisú leválasztás (CVD) technológia és gépi tanulás

Ezekkel a nehézségekkel szembesülve a gépi tanulás, mint hatékony adatelemző eszköz, megmutatta, hogy képes megoldani bizonyos problémákat a CVD területén. A következő példák a gépi tanulás CVD-technológiában való alkalmazására:

(1) CVD növekedés előrejelzése

A gépi tanulási algoritmusok segítségével nagy mennyiségű kísérleti adatból tanulhatunk, és előre jelezhetjük a CVD növekedésének eredményeit különböző körülmények között, ezáltal irányítva a kísérleti paraméterek beállítását. A 2. ábrán látható módon a szingapúri Nanyang Technological University kutatócsoportja az osztályozási algoritmust használta a gépi tanulásban a kétdimenziós anyagok CVD szintézisének irányítására. A korai kísérleti adatok elemzésével sikeresen megjósolták a molibdén-diszulfid (MoS2) növekedési körülményeit, jelentősen javítva a kísérletek sikerességét és csökkentve a kísérletek számát.

2. ábra A gépi tanulás irányítja az anyagszintézist

(a) Az anyagkutatás és -fejlesztés nélkülözhetetlen része: az anyagszintézis.

(b) Az osztályozási modell segíti a kémiai gőzleválasztást kétdimenziós anyagok szintéziséhez (fent); regressziós modell irányítja a kén-nitrogénnel adalékolt fluoreszcens kvantumpontok hidrotermikus szintézisét (alul).

Egy másik tanulmányban (3. ábra) gépi tanulást alkalmaztak a grafén növekedési mintázatának elemzésére a CVD rendszerben. A grafén méretét, lefedettségét, tartománysűrűségét és képarányát automatikusan mértük és elemeztük egy régiójavaslatos konvolúciós neurális hálózat (R-CNN) kifejlesztésével, majd mesterséges neurális hálózatok (ANN) és támogató vektorgépek felhasználásával helyettesítő modelleket fejlesztettünk ki. SVM) a CVD folyamatváltozók és a mért specifikációk közötti korreláció következtetésére. Ez a megközelítés szimulálhatja a grafénszintézist, és meghatározhatja a kísérleti feltételeket a kívánt morfológiájú, nagy szemcseméretű és alacsony doménsűrűségű grafén előállításához, sok időt és költséget takarítva meg.² ³

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

(2) Automatizált CVD-folyamat

A gépi tanulás segítségével automatizált rendszerek fejleszthetők a CVD-folyamat paramétereinek valós időben történő monitorozására és beállítására a precízebb vezérlés és a magasabb termelési hatékonyság elérése érdekében. A 4. ábrán látható, hogy a Xidian Egyetem kutatócsoportja mély tanulást alkalmazott a CVD kétrétegű, kétdimenziós anyagok elfordulási szögének meghatározásának nehézségeinek leküzdésére. Összegyűjtötték a CVD által elkészített MoS2 színterét, és szemantikus szegmentációs konvolúciós neurális hálózatot (CNN) alkalmaztak a MoS2 vastagságának pontos és gyors azonosítására, majd egy második CNN-modellt betanítottak a CVD által növesztett forgási szög pontos előrejelzésére. kétrétegű TMD anyagok. Ez a módszer nemcsak a mintaazonosítás hatékonyságát javítja, hanem új paradigmát ad a mélytanulás anyagtudományi alkalmazásához.⁴.

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

Hivatkozások:

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

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Kétdimenziós anyagok plazmával javított kémiai gőzleválasztása alkalmazásokhoz. Accounts of Chemical Research 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Gépi tanulás a CVD-grafénanalízishez: A méréstől a SEM-képek szimulációjáig. 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. Egyéni Kohn-Sham állapotok felügyelet nélküli tanulása: értelmezhető reprezentációk és következmények a sok testet érintő hatások downstream előrejelzéseihez. 2024; p arXiv:2404.14601.