CVD -teknologiinnovasjon bak Nobelprisen

Nylig har kunngjøringen om Nobelprisen 2024 i fysikk vekket enestående oppmerksomhet til feltet kunstig intelligens. Forskningen til den amerikanske forskeren John J. Hopfield og den kanadiske forskeren Geoffrey E. Hinton bruker maskinlæringsverktøy for å gi ny innsikt i dagens komplekse fysikk. Denne prestasjonen markerer ikke bare en viktig milepæl i kunstig intelligensteknologi, men også innvarsler den dype integrasjonen av fysikk og kunstig intelligens.

Ⅰ. Betydningen og utfordringene ved kjemisk dampavsetning (CVD) teknologi i fysikk

Betydningen av kjemisk dampavsetning (CVD) -teknologi i fysikk er mangefasettert. Det er ikke bare en viktig materiell forberedelsesteknologi, men spiller også en nøkkelrolle i å fremme utviklingen av fysikkforskning og anvendelse. CVD -teknologi kan nøyaktig kontrollere veksten av materialer på atom- og molekylnivået. Som vist i figur 1 produserer denne teknologien en rekke tynne filmer med høy ytelse og nanostrukturerte materialer ved å kjemisk reagere gassformige eller fordampede stoffer på den faste overflaten for å generere faste avsetninger1. Dette er avgjørende i fysikk for å forstå og utforske forholdet mellom mikrostruktur og makroskopiske egenskaper til materialer, fordi det lar forskere studere materialer med spesifikke strukturer og sammensetninger, og deretter dypt forstå deres fysiske egenskaper.

For det andre er CVD -teknologi en nøkkelteknologi for å forberede forskjellige funksjonelle tynne filmer i halvlederenheter. For eksempel kan CVD brukes til å dyrke silisiumkrystall epitaksiale lag, III-V-halvledere som galliumarsenid og II-VI halvleder enkeltkrystall epitaxy, og avsette forskjellige dopede halvleder, en enkeltkrystallkrystallkrystall-materiale og strukturere, og strukturere. enheter. I tillegg spiller CVD -teknologi også en viktig rolle innen fysikkforskningsfelt som optiske materialer, superledende materialer og magnetiske materialer. Gjennom CVD -teknologi kan tynne filmer med spesifikke optiske egenskaper syntetiseres for bruk i optoelektroniske enheter og optiske sensorer.

Figur 1 CVD -reaksjonsoverføringstrinn

Samtidig står CVD -teknologi overfor noen utfordringer i praktiske applikasjoner², for eksempel:

✔ Høyt temperatur og høye trykkforhold: CVD må vanligvis utføres ved høy temperatur eller høyt trykk, noe som begrenser hvilke typer materialer som kan brukes og øker energiforbruket og kostnadene.

✔ Parameterfølsomhet: CVD -prosessen er ekstremt følsom for reaksjonsbetingelser, og til og med små endringer kan påvirke kvaliteten på sluttproduktet.

✔ CVD -systemet er sammensatt: CVD -prosessen er følsom for grensebetingelser, har store usikkerheter og er vanskelig å kontrollere og gjenta, noe som kan føre til vanskeligheter med materiell forskning og utvikling.

Ⅱ. Kjemisk dampavsetning (CVD) teknologi og maskinlæring

Overfor disse vanskene har maskinlæring, som et kraftig dataanalyseverktøy, vist potensialet til å løse noen problemer i CVD -feltet. Følgende er eksempler på anvendelse av maskinlæring i CVD -teknologi:

(1) Å forutsi CVD -vekst

Ved hjelp av maskinlæringsalgoritmer kan vi lære av en stor mengde eksperimentelle data og forutsi resultatene av CVD -vekst under forskjellige forhold, og dermed lede justeringen av eksperimentelle parametere. Som vist i figur 2, brukte forskerteamet ved Nanyang Technological University i Singapore klassifiseringsalgoritmen i maskinlæring for å veilede CVD-syntesen av todimensjonale materialer. Ved å analysere tidlige eksperimentelle data spådde de vellykket vekstbetingelsene for molybden -disulfid (MOS2), noe som forbedret den eksperimentelle suksessraten betydelig og reduserte antall eksperimenter.

Figur 2 Maskinlæring Guider materialsyntese

(a) En uunnværlig del av materiell forskning og utvikling: materialsyntese.

(b) klassifiseringsmodell hjelper kjemisk dampavsetning med å syntetisere todimensjonale materialer (topp); Regresjonsmodell guider hydrotermisk syntese av svovel-nitrogen dopede lysstoffrør (bunn).

I en annen studie (figur 3) ble maskinlæring brukt til å analysere vekstmønsteret til grafen i CVD -systemet. Størrelsen, dekningen, domenetettheten og aspektforholdet av grafen ble automatisk målt og analysert ved å utvikle et regionforslagskonvolusjonelt nevralt nettverk (R-CNN), og deretter ble surrogatmodeller utviklet ved bruk av kunstige nevrale nettverk (ANN) og støtte vektormaskiner (SVM) for å inferere korrelasjonen mellom CVD-prosessen som varierende. Denne tilnærmingen kan simulere grafensyntese og bestemme de eksperimentelle forholdene for syntetisering av grafen med en ønsket morfologi med stor kornstørrelse og lav domenetetthet, og sparer mye tid og kostnad² ³

Figur 3 Maskinlæring forutsier grafenvekstmønstre i CVD -systemer

(2) Automatisert CVD -prosess

Maskinlæring kan brukes til å utvikle automatiserte systemer for å overvåke og justere parametere i CVD -prosessen i sanntid for å oppnå mer presis kontroll og høyere produksjonseffektivitet. Som vist i figur 4, brukte et forskerteam fra Xidian University dyp læring for å overvinne vanskeligheten med å identifisere rotasjonsvinkelen til CVD-dobbeltlags todimensjonale materialer. De samlet inn fargelappen til MOS2 fremstilt av CVD og påførte et semantisk segmentering Convolutional Neural Network (CNN) for å nøyaktig og raskt identifisere tykkelsen på MOS2, og trente deretter en andre CNN-modell for å oppnå nøyaktig prediksjon av rotasjonsvinkelen til CVD-dyrket dobbeltlags TMD-materialer. Denne metoden forbedrer ikke bare effektiviteten av prøveidentifikasjon, men gir også et nytt paradigme for anvendelse av dyp læring innen materialvitenskap⁴.

Figur 4 Dyp læringsmetoder Identifiser hjørnene av dobbeltlag todimensjonale materialer

Referanser:

(1) Guo, Q.-M.; Qin, Z.-H. Utvikling og anvendelse av dampavsetningsteknologi i atomproduksjon. 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 kjemisk dampavsetning av todimensjonale materialer for anvendelser. Regnskap for kjemisk forskning 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Machine Learnings for CVD Graphene Analyse: Fra måling til simulering av SEM -bilder. 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. Uovervåket læring av individuelle Kohn-Sham sier: Tolkbare representasjoner og konsekvenser for nedstrøms spådommer om mange kroppseffekter. 2024; P ARXIV: 2404.14601.