Technologická inovace CVD za Nobelovou cenou

Nedávno oznámení o Nobelově ceně ve fyzice 2024 přineslo bezprecedentní pozornost na oblast umělé inteligence. Výzkum amerického vědce Johna J. Hopfielda a kanadského vědce Geoffrey E. Hinton používá nástroje strojového učení k poskytování nových poznatků do dnešní komplexní fyziky. Tento úspěch znamená nejen důležitý milník v technologii umělé inteligence, ale také ohlašuje hlubokou integraci fyziky a umělé inteligence.

Ⅰ. Význam a výzvy technologie chemické depozice (CVD) ve fyzice

Význam technologie chemické depozice par (CVD) ve fyzice je mnohostranná. Nejedná se pouze o důležitou technologii přípravy materiálu, ale také hraje klíčovou roli při podpoře rozvoje výzkumu a aplikace fyziky. Technologie CVD může přesně ovládat růst materiálů na atomové a molekulární úrovni. Jak je znázorněno na obrázku 1, tato technologie produkuje řadu vysoce výkonných tenkých filmů a nanostrukturovaných materiálů chemicky reagujícími plynné nebo parní látky na pevném povrchu za vzniku pevných depozit1. To je ve fyzice zásadní pro porozumění a zkoumání vztahu mezi mikrostrukturou a makroskopickými vlastnostmi materiálů, protože umožňuje vědcům studovat materiály se specifickými strukturami a kompozicemi a poté hluboce porozumět jejich fyzikálním vlastnostem.

Za druhé, technologie CVD je klíčovou technologií pro přípravu různých funkčních tenkých filmů v polovodičových zařízeních. Například CVD lze použít k pěstování křemíkových jednokrystalových epitaxiálních vrstev, III-V polovodiče, jako je arzenid Gallium a II-VI Semiconductor, a ukládat různé dotované polovodičové tvůrce a optonických trevitonických filmů a optonických devizí a optonických devizí a optonických devizí a optonických devizí a optonických devizí. Technologie CVD navíc hraje také důležitou roli v oblasti výzkumu fyziky, jako jsou optické materiály, supravodivé materiály a magnetické materiály. Prostřednictvím technologie CVD lze syntetizovat tenké filmy se specifickými optickými vlastnostmi pro použití v optoelektronických zařízeních a optických senzorch.

Obrázek 1 kroky přenosu reakce CVD

Technologie CVD zároveň čelí některým výzvám v praktických aplikacích², jako například:

✔ Podmínky vysoké teploty a vysokého tlaku: CVD obvykle musí být prováděna při vysoké teplotě nebo vysokém tlaku, což omezuje typy materiálů, které lze použít, a zvyšuje spotřebu a náklady na energii.

✔ Citlivost na parametr: Proces CVD je velmi citlivý na reakční podmínky a dokonce i malé změny mohou ovlivnit kvalitu konečného produktu.

✔ CVD systém je složitý: Proces CVD je citlivý na okrajové podmínky, má velké nejistoty a je obtížné jej ovládat a opakovat, což může vést k obtížím při výzkumu a vývoji materiálu.

Ⅱ. Technologie a strojové učení chemické páry (CVD)

Tváří v tvář těmto obtížím, strojové učení, jako výkonný nástroj pro analýzu dat, ukázal potenciál vyřešit některé problémy v poli CVD. Následuje příklady aplikace strojového učení v technologii CVD:

(1) Předpovídání růstu CVD

Pomocí algoritmů strojového učení se můžeme poučit z velkého množství experimentálních dat a předpovídat výsledky růstu CVD za různých podmínek, čímž vede úpravu experimentálních parametrů. Jak je znázorněno na obrázku 2, výzkumný tým Nanyang Technological University v Singapuru použil klasifikační algoritmus ve strojovém učení, aby vedl syntézu CVD dvourozměrných materiálů. Analýzou včasných experimentálních údajů úspěšně předpověděli růstové podmínky disulfidu molybdenu (MOS2), což významně zlepšilo experimentální úspěšnost a snížila počet experimentů.

Obrázek 2 strojové učení vede syntézu materiálu

a) Nepostradatelná součást výzkumu a vývoje materiálu: syntéza materiálu.

(b) Klasifikační model pomáhá chemické depozici párů pro syntetizaci dvourozměrných materiálů (nahoře); Regresní model vede hydrotermální syntézu fluorescenčních kvantových teček dotovaných sírou (dolní).

V jiné studii (obrázek 3) bylo strojové učení použito k analýze růstového vzoru grafenu v systému CVD. Velikost, pokrytí, hustota domény a poměr stran grafenu byly automaticky měřeny a analyzovány vývojem konvoluční neuronové sítě v oblasti regionu (R-CNN) a poté byly vyvinuty náhradními modely a měřicími specifikacemi a měřicími specifikacemi. Tento přístup může simulovat syntézu grafenu a určit experimentální podmínky pro syntetizaci grafenu s požadovanou morfologií s velkou velikostí zrna a nízkou hustotou domény, což ušetří spoustu času a nákladů ³ ³

Obrázek 3 Machine učení předpovídá vzorce růstu grafenu v systémech CVD

(2) Automatizovaný proces CVD

Strojové učení lze použít k vývoji automatizovaných systémů pro monitorování a úpravu parametrů v procesu CVD v reálném čase, aby bylo dosaženo přesnější kontroly a vyšší účinnosti výroby. Jak je znázorněno na obrázku 4, výzkumný tým z Xidianské univerzity použil hluboké učení k překonání obtížnosti identifikace úhlu rotace dvourozměrných materiálů CVD dvourozměrných materiálů. Shromáždili barevný prostor MOS2 připraveného CVD a aplikovali sémantickou segmentační konvoluční neuronovou síť (CNN), aby přesně a rychle identifikovali tloušťku MOS2, a poté trénovali druhý model CNN, aby dosáhl přesné predikce rotace úhlu CVD dvouvrstvých TMD materiálů. Tato metoda nejen zlepšuje účinnost identifikace vzorku, ale také poskytuje nové paradigma pro aplikaci hlubokého učení v oblasti vědy o materiálech⁴.

Obrázek 4 Metody hlubokého učení Identifikujte rohy dvourozměrných dvourozměrných materiálů

Reference:

(1) Guo, Q.-M.; Qin, Z.-H. Vývoj a aplikace technologie depozice par v atomové výrobě. 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. Plazmatická chemická depozice párů dvourozměrných materiálů pro aplikace. Účty chemického výzkumu 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Výuka stroje pro analýzu grafenu CVD: Od měření po simulaci SEM obrázků. 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. Neopatření učení jednotlivých států Kohn-Sham: Interpretovatelné reprezentace a důsledky pro následné předpovědi efektů mnoha těl. 2024; P ARXIV: 2404,14601.