CVD -teknologiainnovaatio Nobel -palkinnon takana

Äskettäin fysiikan vuoden 2024 Nobel -palkinnon ilmoittaminen on tuonut ennennäkemättömän huomion tekoälyn alaan. Amerikkalaisen tiedemiehen John J. Hopfieldin ja kanadalaisen tutkijan Geoffrey E. Hintonin tutkimus käyttää koneoppimistyökaluja tarjoamaan uusia näkemyksiä nykypäivän monimutkaisesta fysiikasta. Tämä saavutus ei ole vain tärkeä virstanpylväs keinotekoisessa älykkyystekniikassa, vaan myös julistaa fysiikan ja tekoälyn syvän integroinnin.

Ⅰ. Fysiikan kemiallisen höyryn laskeutumistekniikan (CVD) merkitys ja haasteet fysiikassa

Kemiallisen höyryn laskeutumistekniikan (CVD) merkitys fysiikassa on monipuolinen. Se ei ole vain tärkeä materiaalien valmistelutekniikka, vaan sillä on myös avainrooli fysiikan tutkimuksen ja sovelluksen kehittämisen edistämisessä. CVD -tekniikka voi tarkkaan hallita materiaalien kasvua atomi- ja molekyylitasoilla. Kuten kuviossa 1 esitetään, tämä tekniikka tuottaa erilaisia ​​korkean suorituskyvyn ohutkalvoja ja nanorakenteisia materiaaleja reagoimalla kemiallisesti kaasumaisia ​​tai höyryisiä aineita kiinteän pinnan tuottamiseksi kiinteiden saostumien 1 tuottamiseksi. Tämä on ratkaisevan tärkeää fysiikassa materiaalien mikrorakenteen ja makroskooppisten ominaisuuksien välisen suhteen ymmärtämiseksi ja tutkimiseksi, koska se antaa tutkijoille mahdollisuuden tutkia materiaaleja erityisillä rakenteilla ja koostumuksilla ja ymmärtää sitten syvästi niiden fysikaaliset ominaisuudet.

Toiseksi, CVD -tekniikka on avaintekniikka erilaisten funktionaalisten ohutkalvojen valmistukseen puolijohdelaitteissa. Esimerkiksi CVD: tä voidaan käyttää silikonien yksikristallionipitaksiaalikerrosten, III-V-puolijohteiden, kuten gallium-arsenidin ja II-VI-puolijohteen yhden kristallin epitaksian, kasvattamiseen ja erilaisten seostettujen puolijohteiden yhden kristallin epitaksiaalikalvojen tallettamiseen, nykyaikaisten sähköisten devyjen silikonifilmeihin jne. Jälkeen. Lisäksi CVD -tekniikalla on myös tärkeä rooli fysiikan tutkimusaloilla, kuten optisissa materiaaleissa, suprajohtavissa materiaaleissa ja magneettisissa materiaaleissa. CVD -tekniikan avulla ohuet kalvot, joilla on erityiset optiset ominaisuudet, voidaan syntetisoida käytettäväksi optoelektronisissa laitteissa ja optisissa anturissa.

Kuva 1 CVD -reaktion siirtovaiheet

Samanaikaisesti CVD -tekniikka kohtaa joitain haasteita käytännön sovelluksissa², kuten:

✔ Korkea lämpötila ja korkeapaineolosuhteet: CVD on yleensä suoritettava korkeassa lämpötilassa tai korkeassa paineessa, mikä rajoittaa käytettäviä materiaalityyppejä ja lisää energiankulutusta ja kustannuksia.

✔ Parametriherkkyys: CVD -prosessi on erittäin herkkä reaktio -olosuhteille, ja jopa pienet muutokset voivat vaikuttaa lopputuotteen laatuun.

✔ CVD -järjestelmä on monimutkainen: CVD -prosessi on herkkä rajaolosuhteille, sillä on suuria epävarmuustekijöitä, ja sitä on vaikea hallita ja toistaa, mikä voi johtaa vaikeuksiin aineellisessa tutkimuksessa ja kehityksessä.

Ⅱ. Kemiallisen höyryn laskeutumistekniikka ja koneoppiminen

Näiden vaikeuksien edessä koneoppiminen tehokkaana tietoanalyysityökaluna on osoittanut mahdollisuuden ratkaista joitain ongelmia CVD -kentällä. Seuraavat ovat esimerkkejä koneoppimisen soveltamisesta CVD -tekniikassa:

(1) CVD -kasvun ennustaminen

Koneoppimisalgoritmeja käyttämällä voimme oppia suuresta määrästä kokeellista tietoa ja ennustaa CVD -kasvun tulokset eri olosuhteissa, ohjaten siten kokeellisten parametrien säätämistä. Kuten kuvassa 2 esitetään, Singaporen Nanyangin teknologisen yliopiston tutkimusryhmä käytti koneoppimisen luokitusalgoritmia ohjaamaan kaksiulotteisten materiaalien CVD-synteesiä. Analysoimalla varhaisia ​​kokeellisia tietoja he ennustivat onnistuneesti molybdeenidisulfidin (MOS2) kasvuolosuhteet parantaen merkittävästi kokeellista onnistumisastetta ja vähentämällä kokeiden lukumäärää.

Kuva 2 Koneoppimisoppaita materiaalisynteesi

(a) Materiaalitutkimuksen ja kehityksen välttämätön osa: materiaalisynteesi.

(b) luokitusmalli auttaa kemiallista höyryn laskeutumista syntetisoimaan kaksiulotteisia materiaaleja (yläosa); Regressiomalli ohjaa rikki-typpe seostettujen fluoresoivien kvanttipisteiden hydrotermistä synteesiä (pohja).

Toisessa tutkimuksessa (kuva 3) koneoppimista käytettiin grafeenin kasvukuvion analysointiin CVD -järjestelmässä. Grafeenin koko, kattavuus, verkkotunnuksen tiheys ja kuvasuhde mitattiin ja analysoitiin automaattisesti kehittämällä alueen ehdotuksen konvoluutiohermostoverkkoa (R-CNN), ja sitten korvikemalleja kehitettiin käyttämällä keinotekoisia hermoverkkoja (ANN) ja tukivektorikoneiden (SVM) ratkaisemiseksi CVD-prosessivaihteluiden ja mittaisten spesifikaatioiden välillä. Tämä lähestymistapa voi simuloida grafeenisynteesiä ja määrittää kokeelliset olosuhteet grafeenin syntetisoimiseksi halutulla morfologialla, jolla on suuri viljakoko ja alhainen domeenitiheys, säästäen paljon aikaa ja kustannuksia ³

Kuvio 3 Koneoppiminen ennustaa grafeenikasvukuviot CVD -järjestelmissä

(2) Automaattinen CVD -prosessi

Koneoppimista voidaan käyttää automatisoitujen järjestelmien kehittämiseen CVD -prosessin parametrien seuraamiseksi ja säätämiseksi reaaliajassa tarkemman ohjauksen ja korkeamman tuotannon tehokkuuden saavuttamiseksi. Kuten kuvassa 4 esitetään, Xidian-yliopiston tutkimusryhmä käytti syvää oppimista voittaakseen vaikeudet tunnistaa CVD-kaksikerroksisen kaksiulotteisten materiaalien kiertokulma. He keräsivät CVD: n laatiman MOS2: n väritilan ja levittivät semanttisen segmentoinnin konvoluutiohermoston (CNN) MOS2: n paksuuden tarkasti ja nopeasti tunnistamiseksi ja kouluttivat sitten toisen CNN-mallin saavuttamaan tarkan ennustamisen CVD-kasvatettujen kaksikerroksisten TMD-materiaalien kiertokulman tarkan ennustamisen. Tämä menetelmä ei vain paranna näytteen tunnistamisen tehokkuutta, vaan tarjoaa myös uuden paradigman syvän oppimisen soveltamiseen materiaalitieteen alalla⁴.

Kuva 4 Syväoppimismenetelmät Tunnista kaksikerroksisen kaksiulotteisten materiaalien kulmat

Viitteet:

(1) Guo, Q.-M.; Qin, Z.-H. Höyryn laskeutumistekniikan kehittäminen ja soveltaminen atomien valmistuksessa. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Kaksi: 10.7498/APS.70.20201436.

(2) Yi, K.; Liu, D.; Chen, x.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Kaksiulotteisten materiaalien plasmaparannettu kemiallinen höyryn laskeutuminen sovelluksiin. Kemiallisen tutkimuksen 2021, 54 (4), 1011-1022 tilit. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, n.; Hwang, S. CVD -grafeenianalyysin koneoppit: mittauksesta SEM -kuvien simulointiin. 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. Yksittäisten Kohn-Sham-toisten valvomattomat oppiminen: tulkittavissa olevat esitykset ja seuraukset monen kehon vaikutusten loppupään ennusteille. 2024; P arxiv: 2404.14601.