Inovácia technológie CVD za Nobelovou cenou

Nedávno oznámenie o udelení Nobelovej ceny za fyziku za rok 2024 prinieslo do oblasti umelej inteligencie nebývalú pozornosť. Výskum amerického vedca Johna J. Hopfielda a kanadského vedca Geoffreyho E. Hintona využíva nástroje strojového učenia na poskytnutie nových pohľadov na súčasnú komplexnú fyziku. Tento úspech nie je len dôležitým míľnikom v technológii umelej inteligencie, ale je aj predzvesťou hlbokej integrácie fyziky a umelej inteligencie.

Ⅰ. Význam a výzvy technológie chemického nanášania pár (CVD) vo fyzike

Význam technológie chemického vylučovania z plynnej fázy (CVD) vo fyzike je mnohostranný. Nie je to len dôležitá technológia prípravy materiálu, ale zohráva aj kľúčovú úlohu pri podpore rozvoja fyzikálneho výskumu a aplikácie. Technológia CVD dokáže presne kontrolovať rast materiálov na atómovej a molekulárnej úrovni. Ako je znázornené na obrázku 1, táto technológia vytvára rôzne vysokovýkonné tenké filmy a nanoštruktúrne materiály chemickou reakciou plynných alebo parných látok na pevnom povrchu za vzniku pevných usadenín1. To je vo fyzike rozhodujúce pre pochopenie a skúmanie vzťahu medzi mikroštruktúrou a makroskopickými vlastnosťami materiálov, pretože to vedcom umožňuje študovať materiály so špecifickými štruktúrami a zloženiami a potom hlboko pochopiť ich fyzikálne vlastnosti.

Po druhé, technológia CVD je kľúčovou technológiou na prípravu rôznych funkčných tenkých vrstiev v polovodičových zariadeniach. Napríklad CVD možno použiť na pestovanie epitaxných vrstiev kremíka monokryštálov, III-V polovodičov, ako je arzenid gália a II-VI polovodičových monokryštálových epitaxií, a nanášanie rôznych dopovaných polovodičových monokryštálových epitaxných filmov, polykryštalických kremíkových filmov atď. a štruktúry sú základom moderných elektronických zariadení a optoelektronických zariadení. Okrem toho technológia CVD tiež zohráva dôležitú úlohu vo fyzikálnych výskumných oblastiach, ako sú optické materiály, supravodivé materiály a magnetické materiály. Pomocou technológie CVD možno syntetizovať tenké vrstvy so špecifickými optickými vlastnosťami na použitie v optoelektronických zariadeniach a optických senzoroch.

Obrázok 1 Kroky prenosu CVD reakcie

Technológia CVD zároveň čelí niektorým výzvam v praktických aplikáciách², ako napríklad:

✔ Podmienky vysokej teploty a vysokého tlaku: CVD sa zvyčajne musí vykonávať pri vysokej teplote alebo vysokom tlaku, čo obmedzuje typy materiálov, ktoré je možné použiť, a zvyšuje spotrebu energie a náklady.

✔ Citlivosť parametrov: Proces CVD je mimoriadne citlivý na reakčné podmienky a aj malé zmeny môžu ovplyvniť kvalitu konečného produktu.

✔ CVD systém je zložitý: Proces CVD je citlivý na okrajové podmienky, má veľké neistoty a je ťažké ho kontrolovať a opakovať, čo môže viesť k ťažkostiam vo výskume a vývoji materiálov.

Ⅱ. Technológia chemického nanášania pár (CVD) a strojové učenie

Tvárou v tvár týmto ťažkostiam ukázalo strojové učenie ako výkonný nástroj na analýzu údajov potenciál vyriešiť niektoré problémy v oblasti CVD. Nasledujú príklady aplikácie strojového učenia v technológii CVD:

(1) Predpovedanie rastu CVD

Pomocou algoritmov strojového učenia sa môžeme učiť z veľkého množstva experimentálnych údajov a predpovedať výsledky rastu CVD za rôznych podmienok, čím sa riadime pri úprave experimentálnych parametrov. Ako je znázornené na obrázku 2, výskumný tím Technologickej univerzity Nanyang v Singapure použil klasifikačný algoritmus v strojovom učení na vedenie CVD syntézy dvojrozmerných materiálov. Analýzou skorých experimentálnych údajov úspešne predpovedali podmienky rastu disulfidu molybdénového (MoS2), čím výrazne zlepšili úspešnosť experimentu a znížili počet experimentov.

Obrázok 2 Strojové učenie vedie syntézu materiálu

a) Nevyhnutná súčasť výskumu a vývoja materiálov: syntéza materiálov.

(b) Klasifikačný model pomáha chemickej depozícii pár syntetizovať dvojrozmerné materiály (hore); regresný model riadi hydrotermálnu syntézu fluorescenčných kvantových bodov dopovaných sírou a dusíkom (dole).

V inej štúdii (obrázok 3) sa strojové učenie použilo na analýzu vzoru rastu grafénu v systéme CVD. Veľkosť, pokrytie, hustota domény a pomer strán grafénu sa automaticky merali a analyzovali vyvinutím konvolučnej neurónovej siete s návrhom regiónu (R-CNN) a potom sa vytvorili náhradné modely pomocou umelých neurónových sietí (ANN) a podporných vektorových strojov ( SVM) na odvodenie korelácie medzi premennými procesu CVD a nameranými špecifikáciami. Tento prístup môže simulovať syntézu grafénu a určiť experimentálne podmienky pre syntézu grafénu s požadovanou morfológiou s veľkou veľkosťou zŕn a nízkou hustotou domén, čo ušetrí veľa času a nákladov² ³

Obrázok 3 Strojové učenie predpovedá vzorce rastu grafénu v systémoch CVD

(2) Automatizovaný proces CVD

Strojové učenie možno použiť na vývoj automatizovaných systémov na monitorovanie a úpravu parametrov v procese CVD v reálnom čase, aby sa dosiahlo presnejšie riadenie a vyššia efektivita výroby. Ako je znázornené na obrázku 4, výskumný tím z univerzity Xidian použil hlboké učenie na prekonanie ťažkostí s identifikáciou uhla natočenia dvojvrstvových dvojrozmerných materiálov CVD. Zhromaždili farebný priestor MoS2 pripravený pomocou CVD a aplikovali konvolučnú neurónovú sieť sémantickej segmentácie (CNN) na presnú a rýchlu identifikáciu hrúbky MoS2 a potom vycvičili druhý model CNN na dosiahnutie presnej predpovede uhla natočenia pestovaných CVD. dvojvrstvové materiály TMD. Táto metóda nielen zlepšuje efektivitu identifikácie vzoriek, ale poskytuje aj novú paradigmu pre aplikáciu hlbokého učenia v oblasti materiálovej vedy.⁴.

Obrázok 4 Metódy hlbokého učenia identifikujú rohy dvojvrstvových dvojrozmerných materiálov

Referencie:

(1) Guo, Q.-M.; Qin, Z.-H. Vývoj a aplikácia technológie naparovania v atómovej výrobe. 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. Plazmou vylepšená chemická depozícia dvojrozmerných materiálov pre aplikácie. Accounts of Chemical Research 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Strojové učenie pre CVD grafénovú analýzu: Od merania k simulácii SEM obrazov. 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. Unsupervised Learning of Individual Kohn-Sham States: Interpretable Representations and Consequences for downstream Predictions of Many-Body Effects. 2024; p arXiv:2404.14601.