CVD -tehnoloogia uuendus Nobeli auhinna taga

Hiljuti tõi 2024. aasta füüsikaauhinna teade enneolematut tähelepanu tehisintellekti valdkonnale. Ameerika teadlase John J. Hopfieldi ja Kanada teadlase Geoffrey E. Hintoni uurimistöö kasutab masinõppe tööriistu, et saada uusi teadmisi tänapäevase keeruka füüsika kohta. See saavutus ei tähista mitte ainult tehisintellektitehnoloogia olulist verstaposti, vaid ka ei kuulu füüsika ja tehisintellekti sügavale integreerimisele.

Ⅰ. Keemilise aurude sadestamise (CVD) tehnoloogia olulisus ja väljakutsed füüsikas

Keemilise aurude sadestamise (CVD) tehnoloogia olulisus füüsikas on mitmetahuline. See pole mitte ainult oluline materiaalse ettevalmistamise tehnoloogia, vaid mängib ka võtmerolli füüsikauuringute ja rakenduste arendamise edendamisel. CVD -tehnoloogia saab täpselt kontrollida materjalide kasvu aatomi- ja molekulaarsel tasemel. Nagu on näidatud joonisel 1, toodab see tehnoloogia mitmesuguseid kõrgjõudlusega õhukeseid kileid ja nanostruktureeritud materjale, reageerides tahke pinnale keemiliselt gaasilisi või aurulisi aineid, et tekitada tahkeid ladestusi1. See on füüsikas ülioluline, et mõista ja uurida materjalide mikrostruktuuri ja makroskoopiliste omaduste vahelist seost, kuna see võimaldab teadlastel uurida konkreetsete struktuuride ja kompositsioonidega materjale ning seejärel sügavalt mõista nende füüsikalisi omadusi.

Teiseks on CVD -tehnoloogia peamine tehnoloogia erinevate funktsionaalsete õhukeste kilede valmistamiseks pooljuhtide seadmetes. Näiteks saab CVD-d kasutada räni üksikute kristallide epitaksiaalsete kihtide kasvatamiseks, III-V pooljuhid, näiteks galliumraseniid ja II-VI pooljuhtide üksikkristalliepitaksia, ning deponeerivad mitmesuguseid legeeritud pooljuhtide ühekristallide kileid, polükristallilisi ränilisi kilesid ja optodeteid jne. Lisaks mängib CVD -tehnoloogia olulist rolli füüsikauuringute valdkondades nagu optilised materjalid, ülijuhtivad materjalid ja magnetilised materjalid. CVD -tehnoloogia kaudu saab sünteesida konkreetsete optiliste omadustega õhukesed kiled kasutamiseks optoelektroonilistes seadmetes ja optilistes andurites.

Joonis 1 CVD reaktsiooniülekande sammud

Samal ajal seisab CVD -tehnoloogia silmitsi praktiliste rakenduste väljakutsetega, näiteks:

✔ Kõrge temperatuur ja kõrgrõhu tingimused: CVD tuleb tavaliselt läbi viia kõrgel temperatuuril või kõrgel rõhul, mis piirab materjalide tüüpe, mida saab kasutada, ning suurendab energiatarbimist ja kulusid.

✔ Parameetrite tundlikkus: CVD protsess on reaktsioonitingimuste suhtes äärmiselt tundlik ja isegi väikesed muutused võivad mõjutada lõpptoote kvaliteeti.

✔ CVD -süsteem on keeruline: CVD -protsess on tundlik piirtingimuste suhtes, sellel on suur ebakindlus ning seda on keeruline kontrollida ja korrata, mis võib põhjustada raskusi materiaalse uurimise ja arendamise osas.

Ⅱ. Keemilise aurude sadestamise (CVD) tehnoloogia ja masinõpe

Nende raskustega silmitsi seistes on masinõpe kui võimsa andmete analüüsi tööriist näidanud potentsiaali lahendada mõned probleemid CVD -valdkonnas. Järgmised on näited masinõppe rakendamisest CVD -tehnoloogias:

(1) CVD kasvu ennustamine

Masinaõppe algoritme kasutades saame õppida suure hulga eksperimentaalsete andmete põhjal ja ennustada CVD kasvu tulemusi erinevates tingimustes, suunates seeläbi eksperimentaalsete parameetrite kohandamist. Nagu on näidatud joonisel 2, kasutas Singapuri Nanyangi tehnikaülikooli uurimisrühm masinaõppes klassifikatsioonialgoritmi, et suunata kahemõõtmeliste materjalide CVD sünteesi. Varaseid eksperimentaalseid andmeid analüüsides ennustasid nad edukalt molübdeeni disulfiidi (MOS2) kasvutingimusi, parandades märkimisväärselt eksperimentaalset edukust ja vähendades katsete arvu.

Joonis 2 Masinaõppe juhendab materiaalseid sünteesi

a) Materiaalse uurimise ja arendamise asendamatu osa: materiaalne süntees.

(b) klassifitseerimismudel aitab keemilise aurude ladestumist sünteesida kahemõõtmelisi materjale (ülemine); Regressioonimudel juhib väävli-lämmastiku legeeritud fluorestsentsi kvantpunktide hüdrotermilist sünteesi (alt).

Teises uuringus (joonis 3) kasutati CVD -süsteemis grafeeni kasvumustri analüüsimiseks masinõpet. Grafeeni suurust, leviala, domeeni tiheduse ja kuvasuhet mõõdeti ja analüüsiti automaatselt, töötades välja piirkonna ettepaneku konvolutsioonilise närvivõrgu (R-CNN) ning seejärel töötati välja asendusmudelid, kasutades kunstlikke närvivõrke (ANN) ja tugivektorimasinate (SVM), et järeldada korrelatsiooni CVD protsessi variantide ja mõõdetud spetsiifiliste vahel. See lähenemisviis võib simuleerida grafeeni sünteesi ja määrata grafeeni sünteesimise katsetingimused soovitud morfoloogiaga, mille terade suurus ja madala domeeni tihedus on palju, säästes palju aega ja kostüüpi.

Joonis 3 Masinõpe ennustab grafeeni kasvumustreid CVD -süsteemides

(2) Automatiseeritud CVD protsess

Masinõpet saab kasutada automatiseeritud süsteemide väljatöötamiseks, et jälgida ja reguleerida CVD -protsessis reaalajas parameetreid, et saavutada täpsem kontroll ja suuremat tootmisfektiivsust. Nagu on näidatud joonisel 4, kasutas Xidiani ülikooli uurimisrühma sügavat õppimist, et ületada CVD kahesuunalise kahemõõtmeliste materjalide pöörlemisnurga tuvastamise raskusi. Nad kogusid CVD-ga valmistatud MOS2 värviruumi ja rakendasid semantilise segmenteerimise konvolutsioonilise närvivõrku (CNN), et täpselt ja kiiresti tuvastada MOS2 paksus ning koolitas seejärel teist CNN-i mudelit, et saavutada CVD-kasvanud topeltkihi TMD materjalide pöörlemisnurga täpne ennustus. See meetod mitte ainult ei paranda valimi tuvastamise tõhusust, vaid annab ka uue paradigma sügava õppimise rakendamiseks materjaliteaduse valdkonnas⁴.

Joonis 4 Süvaõppe meetodid tuvastavad kahekihiliste kahemõõtmeliste materjalide nurgad

Viited:

(1) Guo, Q.-M.; Qin, Z.-H. Aurude sadestumistehnoloogia väljatöötamine ja rakendamine aatomootmises. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Kaks: 10.7498/AP.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Kahemõõtmeliste materjalide ladestumine rakenduste jaoks. Keemiauuringute arvel 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, t.; Shin, J.; Shin, N.; Hwang, S. Masinaõpped CVD grafeenianalüüsi jaoks: mõõtmisest SEM -piltide simuleerimiseni. 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. Kohni-Shami üksikute olekute järelevalveta õppimine: tõlgendatavad esitused ja tagajärjed paljude kehaefektide prognoosimiseks. 2024; P Arxiv: 2404.14601.