CVD технологија иновација зад Нобеловата награда

Неодамна, објавувањето на Нобеловата награда за физика во 2024 година донесе невидено внимание на областа на вештачката интелигенција. Истражувањето на американскиот научник Johnон Ј. Хопфилд и канадскиот научник offефри Е. Хинтон користат машински алатки за учење за да обезбедат нови увид во денешната сложена физика. Ова достигнување не само што означува важна пресвртница во технологијата за вештачка интелигенција, туку и ја наведува длабоката интеграција на физиката и вештачката интелигенција.

Ⅰ. Значењето и предизвиците на технологијата за таложење на хемиска пареа (CVD) во физиката

Значењето на технологијата за таложење на хемиска пареа (CVD) во физиката е повеќеслојна. Тоа не е само важна технологија за подготовка на материјали, туку исто така игра клучна улога во промовирањето на развојот на истражување и примена на физиката. CVD технологијата може прецизно да го контролира растот на материјалите на атомско и молекуларно ниво. Како што е прикажано на Слика 1, оваа технологија произведува разновидни тенки филмови со високи перформанси и наноструктурирани материјали со хемиски реагирање на гасовити или испарливи материи на цврстата површина за да генерира цврсти наслаги1. Ова е клучно во физиката за разбирање и истражување на врската помеѓу микроструктурата и макроскопските својства на материјалите, затоа што им овозможува на научниците да учат материјали со специфични структури и композиции, а потоа длабоко да ги разберат нивните физички својства.

Второ, CVD технологијата е клучна технологија за подготовка на разни функционални тенки филмови во уредите за полупроводници. На пример, CVD може да се користи за одгледување на силиконски единечни кристални епитаксични слоеви, III-V полупроводници како што се галиум арсенид и II-VI полупроводнички единечни кристални епитаксии, и депонираат разни допирани полупроводнички единечни кристални епитаксични филмови, полицистални силиконски филмови, итн уреди. Покрај тоа, CVD технологијата исто така игра важна улога во полињата за истражување на физиката, како што се оптички материјали, материјали за суперпроводници и магнетни материјали. Преку CVD технологијата, тенки филмови со специфични оптички својства можат да се синтетизираат за употреба во оптоелектронски уреди и оптички сензори.

Слика 1 чекори за трансфер на реакција на CVD

Во исто време, CVD технологијата се соочува со некои предизвици во практичните апликации, како што се:

✔ Услови за висока температура и висок притисок: CVD обично треба да се изврши на висока температура или висок притисок, што ги ограничува видовите на материјали што можат да се користат и ја зголемува потрошувачката на енергија и трошоците.

✔ Чувствителност на параметар: Процесот на CVD е исклучително чувствителен на условите на реакција, па дури и малите промени може да влијаат на квалитетот на финалниот производ.

✔ CVD системот е комплексен: Процесот на CVD е чувствителен на граничните услови, има големи неизвесности и е тешко да се контролира и повторува, што може да доведе до потешкотии во истражувањето и развојот на материјалот.

Ⅱ. Технолошка таложење на хемиска пареа (CVD) и машинско учење

Соочен со овие тешкотии, машинско учење, како моќна алатка за анализа на податоци, го покажа потенцијалот да реши некои проблеми во полето CVD. Следниве се примери за примена на машинско учење во CVD технологијата:

(1) Предвидување на растот на CVD

Користејќи алгоритми за машинско учење, можеме да научиме од голема количина на експериментални податоци и да ги предвидиме резултатите од растот на CVD под различни услови, со што ќе се води прилагодување на експерименталните параметри. Како што е прикажано на Слика 2, истражувачкиот тим на Технолошкиот универзитет Нанјанг во Сингапур го користеше алгоритмот за класификација во машинско учење за да ја води синтезата на ЦВБ на дводимензионални материјали. Со анализирање на раните експериментални податоци, тие успешно ги предвидоа условите за раст на молибден дисулфид (MOS2), значително подобрување на експерименталната стапка на успех и намалување на бројот на експерименти.

Слика 2 Упатства за учење машини

(а) Неопходен дел од истражувањето и развојот на материјалот: синтеза на материјали.

(б) Моделот за класификација му помага на хемиската таложење на пареата да ги синтетизира дводимензионалните материјали (горе); Регресија модел води хидротермална синтеза на сулфур-нитрон допирани флуоресцентни квантни точки (дно).

Во друга студија (Слика 3), машинското учење се користеше за да се анализира шемата на раст на графен во системот CVD. Односот на големината, покриеноста, густината на доменот и аспектот на графен автоматски се мери и анализираа со развивање на предлог за регион конвулзивна нервна мрежа (R-CNN), а потоа сурогат модели беа развиени со употреба на вештачки нервни мрежи (ANN) и поддршка на векторски машини (SVM) за да се инферираат корелацијата помеѓу процесите на CVD и измерените специфични специфични. Овој пристап може да ја симулира синтезата на графен и да ги утврди експерименталните услови за синтетизирање на графен со посакувана морфологија со голема големина на жито и мала густина на доменот, заштедувајќи многу време и цена ³

Слика 3 Машинско учење предвидува модели на раст на графен во CVD системите

(2) Автоматизиран процес на CVD

Машинското учење може да се користи за развој на автоматски системи за следење и прилагодување на параметрите во процесот на CVD во реално време за да се постигне попрецизна контрола и поголема ефикасност на производството. Како што е прикажано на Слика 4, истражувачки тим од универзитетот Xidian користеше длабоко учење за да ја надмине тешкотијата за идентификување на аголот на ротација на дводимензионалните материјали со двослојни CVD. Тие го собраа просторот во боја на MOS2 подготвен со CVD и применија семантичка сегментација конвулациска нервна мрежа (CNN) за прецизно и брзо да ја идентификуваат дебелината на MOS2, а потоа обучија втор модел на CNN за да постигнат точно предвидување на аголот на ротација на материјалите со двојно слој на ротација на CVD. Овој метод не само што ја подобрува ефикасноста на идентификацијата на примерокот, туку исто така обезбедува нова парадигма за примена на длабоко учење во областа на науката за материјали⁴.

Слика 4 Методи за длабоко учење Идентификувајте ги аглите на дводимензионалните материјали со двослоен

Референци:

(1) Гуо, П.-М.; Qin, Z.-H. Развој и примена на технологија за таложење на пареа во атомското производство. Acta Physica sinica 2021, 70 (2), 028101-028101-028101-028115. Две: 10.7498/АПС.70.20201436.

(2) Ји, К.; Лиу, Д.; Чен, Х.; Јанг, Ј.; Веи, Д.; Лиу, Ј.; Wei, D. Хемиски пареа засилено со плазма на дводимензионални материјали за апликации. Сметки за хемиско истражување 2021, 54 (4), 1011-1022. Doi: 10.1021/ACS.Accounts.0C00757.

(3) Хванг, Г.; Ким, Т.; Шин, Ј.; Шин, Н.; Hwang, S. Машинско учење за анализа на графен на CVD: од мерење до симулација на SEM слики. Весник на индустриска и инженерска хемија 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Ху, Б.; Ву, Ј.; Qiu, D. Y. Незаситено учење на индивидуалните Конс-Шам наведува: толкувачки претстави и последици за низводно предвидувања на ефектите од многу тело. 2024; P Arxiv: 2404.14601.