CVD -teknologiinnovation bag Nobelprisen

For nylig har meddelelsen om Nobelprisen i fysikken 2024 bragt hidtil uset opmærksomhed på området kunstig intelligens. Forskningen af ​​den amerikanske videnskabsmand John J. Hopfield og den canadiske videnskabsmand Geoffrey E. Hinton bruger maskinlæringsværktøjer til at give ny indsigt i dagens komplekse fysik. Denne præstation markerer ikke kun en vigtig milepæl inden for kunstig intelligensteknologi, men også indvarsler den dybe integration af fysik og kunstig intelligens.

Ⅰ. Betydningen og udfordringerne ved kemisk dampaflejring (CVD) teknologi inden for fysik

Betydningen af ​​kemisk dampaflejring (CVD) -teknologi inden for fysik er mangefacetteret. Det er ikke kun en vigtig materialeforberedelsesteknologi, men spiller også en nøglerolle i at fremme udviklingen af ​​fysikforskning og anvendelse. CVD -teknologi kan nøjagtigt kontrollere væksten af ​​materialer på atom- og molekylært niveau. Som vist i figur 1 producerer denne teknologi en række højtydende tynde film og nanostrukturerede materialer ved kemisk reagerende gasformige eller dampede stoffer på den faste overflade for at generere faste aflejringer1. Dette er afgørende i fysik for at forstå og udforske forholdet mellem mikrostruktur og makroskopiske egenskaber ved materialer, fordi det giver forskere mulighed for at studere materiale med specifikke strukturer og sammensætninger og derefter dybt forstå deres fysiske egenskaber.

For det andet er CVD -teknologi en nøgleteknologi til forberedelse af forskellige funktionelle tynde film i halvlederenheder. For eksempel kan CVD bruges til at dyrke silicium enkelt krystal epitaksiale lag, III-V halvledere såsom galliumarsenid og II-VI halvleder enkelt krystalpitaksy og deponere forskellige dopede halvleder enkelt krystal epitaxiale film, polykrystallinske siliconfilm osv. enheder. Derudover spiller CVD -teknologi også en vigtig rolle i fysikforskningsfelter såsom optiske materialer, superledende materialer og magnetiske materialer. Gennem CVD -teknologi kan tynde film med specifikke optiske egenskaber syntetiseres til brug i optoelektroniske enheder og optiske sensorer.

Figur 1 CVD -reaktionsoverførselstrin

På samme tid står CVD -teknologi over for nogle udfordringer i praktiske applikationer², såsom:

✔ Højtemperatur og højtryksforhold: CVD skal normalt udføres ved høj temperatur eller højt tryk, hvilket begrænser de typer materialer, der kan bruges, og øger energiforbruget og omkostningerne.

✔ Parameterfølsomhed: CVD -processen er ekstremt følsom over for reaktionsbetingelser, og endda små ændringer kan påvirke kvaliteten af ​​det endelige produkt.

✔ CVD -system er komplekst: CVD -processen er følsom over for grænsevilkår, har store usikkerheder og er vanskelig at kontrollere og gentage, hvilket kan føre til vanskeligheder i materiel forskning og udvikling.

Ⅱ. Kemisk dampaflejring (CVD) teknologi og maskinlæring

Overfor disse vanskeligheder har maskinlæring, som et kraftfuldt dataanalyseværktøj, vist potentialet til at løse nogle problemer i CVD -feltet. Følgende er eksempler på anvendelsen af ​​maskinlæring i CVD -teknologi:

(1) Forudsigelse af CVD -vækst

Ved hjælp af maskinlæringsalgoritmer kan vi lære af en stor mængde eksperimentelle data og forudsige resultaterne af CVD -vækst under forskellige betingelser og derved vejlede justeringen af ​​eksperimentelle parametre. Som vist i figur 2 brugte forskerteamet ved Nanyang Technological University i Singapore klassificeringsalgoritmen i maskinlæring til at guide CVD-syntesen af ​​to-dimensionelle materialer. Ved at analysere tidlige eksperimentelle data forudsagde de med succes vækstbetingelserne for molybdænisulfid (MOS2), hvilket forbedrede den eksperimentelle succesrate og reducerede antallet af eksperimenter markant og reducerede antallet af eksperimenter.

Figur 2 Maskinindlæring Guider Materialsyntese

(a) En uundværlig del af materiel forskning og udvikling: materialesyntese.

(b) klassificeringsmodel hjælper kemisk dampaflejring med at syntetisere to-dimensionelle materialer (øverst); Regressionsmodel guider hydrotermisk syntese af svovl-nitrogen dopet fluorescerende kvantepunkter (bund).

I en anden undersøgelse (figur 3) blev maskinlæring anvendt til at analysere vækstmønsteret for grafen i CVD -systemet. Størrelsen, dækningen, domænetætheden og billedforholdet mellem grafen blev automatisk målt og analyseret ved at udvikle et regionforslag om konvolutionalt neuralt netværk (R-CNN), og derefter blev surrogatmodeller udviklet under anvendelse af kunstige neurale netværk (ANN) og understøttende vektormaskiner (SVM) til at udlede korrelationen mellem CVD-procesvariabler og de målte specificeringer. Denne fremgangsmåde kan simulere grafensyntese og bestemme de eksperimentelle betingelser for syntese af grafen med en ønsket morfologi med stor kornstørrelse og lav domænetæthed, hvilket sparer en masse tid og omkostning² ³

Figur 3 Maskinindlæring forudsiger grafenvækstmønstre i CVD -systemer

(2) Automatiseret CVD -proces

Maskinindlæring kan bruges til at udvikle automatiserede systemer til at overvåge og justere parametre i CVD -processen i realtid for at opnå mere præcis kontrol og højere produktionseffektivitet. Som vist i figur 4 brugte et forskerteam fra Xidian University dyb læring for at overvinde vanskeligheden med at identificere rotationsvinklen på CVD-dobbeltlags to-dimensionelle materialer. De indsamlede farverummet for MOS2 fremstillet af CVD og anvendte en semantisk segmenteringsvingningskvolutional neural netværk (CNN) for nøjagtigt og hurtigt at identificere tykkelsen af ​​MOS2 og trænede derefter en anden CNN-model for at opnå nøjagtig forudsigelse af rotationsvinklen for CVD-dyrket dobbeltlags TMD-materialer. Denne metode forbedrer ikke kun effektiviteten af ​​prøveidentifikation, men giver også et nyt paradigme til anvendelse af dyb læring inden for materialevidenskab⁴.

Figur 4 Dybe læringsmetoder Identificer hjørnerne af dobbeltlags to-dimensionelle materialer

Referencer:

(1) Guo, Q.-M.; Qin, Z.-H. Udvikling og anvendelse af dampaflejringsteknologi i atomproduktion. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. To: 10.7498/APS.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Plasma-forbedret kemisk dampaflejring af to-dimensionelle materialer til applikationer. Regnskaber for kemisk forskning 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Machine -læring til CVD -grafenanalyse: Fra måling til simulering af SEM -billeder. 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. Uovervåget læring af individuelle Kohn-Sham-stater: Fortolkbare repræsentationer og konsekvenser for nedstrøms forudsigelser af mange kropseffekter. 2024; P arxiv: 2404.14601.