Tehnološka inovacija CVD za Nobelovo nagrado

Nedavno je objava Nobelove nagrade za fiziko za leto 2024 pritegnila izjemno pozornost na področju umetne inteligence. Raziskava ameriškega znanstvenika Johna J. Hopfielda in kanadskega znanstvenika Geoffreyja E. Hintona uporablja orodja za strojno učenje za zagotavljanje novih vpogledov v današnjo kompleksno fiziko. Ta dosežek ne pomeni le pomembnega mejnika v tehnologiji umetne inteligence, ampak tudi napoveduje globoko integracijo fizike in umetne inteligence.

Ⅰ. Pomen in izzivi tehnologije kemičnega naparjevanja (CVD) v fiziki

Pomen tehnologije kemičnega naparjevanja (CVD) v fiziki je večplasten. To ni samo pomembna tehnologija za pripravo materiala, ampak ima tudi ključno vlogo pri spodbujanju razvoja fizikalnih raziskav in uporabe. Tehnologija CVD lahko natančno nadzoruje rast materialov na atomski in molekularni ravni. Kot je prikazano na sliki 1, ta tehnologija proizvaja različne visoko zmogljive tanke plasti in nanostrukturne materiale s kemično reakcijo plinastih ali parotvornih snovi na trdni površini, da nastanejo trdne usedline1. To je v fiziki ključnega pomena za razumevanje in raziskovanje razmerja med mikrostrukturo in makroskopskimi lastnostmi materialov, saj znanstvenikom omogoča preučevanje materialov s specifičnimi strukturami in sestavami ter nato poglobljeno razumevanje njihovih fizikalnih lastnosti.

Drugič, tehnologija CVD je ključna tehnologija za pripravo različnih funkcionalnih tankih filmov v polprevodniških napravah. Na primer, CVD se lahko uporablja za gojenje silicijevih monokristalnih epitaksialnih plasti, polprevodnikov III-V, kot je galijev arzenid in II-VI polprevodniška monokristalna epitaksija, in odlaganje različnih dopiranih polprevodniških monokristalnih epitaksialnih filmov, polikristalnih silicijevih filmov itd. Ti materiali in strukture so osnova sodobnih elektronskih naprav in optoelektronskih naprav. Poleg tega ima tehnologija CVD pomembno vlogo tudi na raziskovalnih področjih fizike, kot so optični materiali, superprevodni materiali in magnetni materiali. S tehnologijo CVD je mogoče sintetizirati tanke filme s posebnimi optičnimi lastnostmi za uporabo v optoelektronskih napravah in optičnih senzorjih.

Slika 1 Koraki prenosa CVD reakcije

Hkrati se tehnologija CVD sooča z nekaterimi izzivi v praktičnih aplikacijah², kot so:

✔ Pogoji visoke temperature in visokega tlaka: CVD je običajno treba izvajati pri visoki temperaturi ali visokem tlaku, kar omejuje vrste materialov, ki se lahko uporabljajo, ter povečuje porabo energije in stroške.

✔ Občutljivost parametrov: Postopek CVD je izjemno občutljiv na reakcijske pogoje in že majhne spremembe lahko vplivajo na kakovost končnega izdelka.

✔ KVB sistem je zapleten: Postopek CVD je občutljiv na robne pogoje, ima velike negotovosti in ga je težko nadzorovati in ponoviti, kar lahko povzroči težave pri raziskavah in razvoju materialov.

Ⅱ. Tehnologija kemičnega naparjevanja (CVD) in strojno učenje

Ob soočenju s temi težavami je strojno učenje kot močno orodje za analizo podatkov pokazalo potencial za rešitev nekaterih težav na področju KVB. Sledijo primeri uporabe strojnega učenja v CVD tehnologiji:

(1) Napovedovanje rasti KVB

Z uporabo algoritmov strojnega učenja se lahko učimo iz velike količine eksperimentalnih podatkov in napovemo rezultate rasti CVD pod različnimi pogoji, s čimer usmerjamo prilagajanje eksperimentalnih parametrov. Kot je prikazano na sliki 2, je raziskovalna skupina tehnološke univerze Nanyang v Singapurju uporabila klasifikacijski algoritem v strojnem učenju za vodenje CVD sinteze dvodimenzionalnih materialov. Z analizo zgodnjih eksperimentalnih podatkov so uspešno napovedali pogoje rasti molibdenovega disulfida (MoS2), s čimer so bistveno izboljšali stopnjo uspešnosti eksperimentov in zmanjšali število poskusov.

Slika 2 Strojno učenje vodi sintezo materiala

(a) Nepogrešljiv del raziskav in razvoja materialov: sinteza materialov.

(b) Klasifikacijski model pomaga pri kemičnem naparjevanju sintetizirati dvodimenzionalne materiale (zgoraj); regresijski model vodi hidrotermalno sintezo fluorescentnih kvantnih pik, dopiranih z žveplom in dušikom (spodaj).

V drugi študiji (slika 3) je bilo strojno učenje uporabljeno za analizo vzorca rasti grafena v sistemu CVD. Velikost, pokritost, gostota domene in razmerje stranic grafena so bili samodejno izmerjeni in analizirani z razvojem konvolucijske nevronske mreže (R-CNN), nato pa so bili razviti nadomestni modeli z uporabo umetnih nevronskih mrež (ANN) in podpornih vektorskih strojev ( SVM) za sklepanje o korelaciji med procesnimi spremenljivkami CVD in izmerjenimi specifikacijami. Ta pristop lahko simulira sintezo grafena in določi eksperimentalne pogoje za sintezo grafena z želeno morfologijo z veliko velikostjo zrn in nizko gostoto domen, kar prihrani veliko časa in stroškov² ³

Slika 3 Strojno učenje napoveduje vzorce rasti grafena v CVD sistemih

(2) Avtomatiziran CVD proces

Strojno učenje je mogoče uporabiti za razvoj avtomatiziranih sistemov za spremljanje in prilagajanje parametrov v procesu CVD v realnem času, da se doseže natančnejši nadzor in večja učinkovitost proizvodnje. Kot je prikazano na sliki 4, je raziskovalna skupina z univerze Xidian uporabila globoko učenje, da bi premagala težave pri prepoznavanju kota vrtenja CVD dvoslojnih dvodimenzionalnih materialov. Zbrali so barvni prostor MoS2, ki ga je pripravil CVD, in uporabili semantično segmentacijsko konvolucijsko nevronsko mrežo (CNN) za natančno in hitro identifikacijo debeline MoS2, nato pa usposobili drugi model CNN, da bi dosegli natančno napoved kota vrtenja s CVD pridelanega. dvoslojni TMD materiali. Ta metoda ne le izboljšuje učinkovitost identifikacije vzorcev, temveč zagotavlja tudi novo paradigmo za uporabo globokega učenja na področju znanosti o materialih.⁴.

Slika 4 Metode globokega učenja identificirajo vogale dvoslojnih dvodimenzionalnih materialov

Reference:

(1) Guo, Q.-M.; Qin, Z.-H. Razvoj in uporaba tehnologije naparjevanja v atomski proizvodnji. 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. S plazmo okrepljeno kemično naparjanje dvodimenzionalnih materialov za aplikacije. Računi kemijskih raziskav 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Šin, N.; Hwang, S. Strojno učenje za CVD analizo grafena: od meritev do simulacije SEM slik. 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. Nenadzorovano učenje posameznih stanj Kohn-Sham: Interpretabilne predstavitve in posledice za nadaljnje napovedi učinkov več teles. 2024; p arXiv:2404.14601.