Інновації технологій CVD за Нобелівською премією

Нещодавно оголошення про Нобелівську премію з фізики 2024 року привернуло безпрецедентну увагу на сферу штучного інтелекту. Дослідження американського вченого Джона Дж. Хопфілда та канадського вченого Джеффрі Е. Хінтон використовує інструменти машинного навчання для надання нових розумінь сучасної складної фізики. Це досягнення не тільки знаменує важливу віху в технологіях штучного інтелекту, але й ворецує ​​глибокою інтеграцією фізики та штучного інтелекту.

Ⅰ. Значення та виклики технології хімічного осадження пари (CVD) у фізиці

Значення технології хімічного осадження пари (CVD) у фізиці є багатогранним. Це не лише важлива технологія підготовки матеріалів, але й відіграє ключову роль у просуванні розвитку досліджень та застосування фізики. Технологія ССЗ може точно контролювати зростання матеріалів на атомних та молекулярних рівнях. Як показано на малюнку 1, ця технологія виробляє різноманітні високоефективні тонкі плівки та наноструктуровані матеріали шляхом хімічно реагування газоподібних або паристих речовин на твердій поверхні для отримання твердих родовищ1. Це має вирішальне значення для фізики для розуміння та вивчення взаємозв'язку між мікроструктурою та макроскопічними властивостями матеріалів, оскільки це дозволяє вченим вивчати матеріали з конкретними структурами та композиціями, а потім глибоко розуміти їх фізичні властивості.

По -друге, технологія CVD є ключовою технологією для підготовки різних функціональних тонких плівок у напівпровідникових пристроях. Наприклад, ССЗ може бути використаний для вирощування монокристалічних епітаксіальних шарів кремнію, таких напівпровідників III-V, таких як арсенід галію та монокристалічні епітаксині фільми, що лежать в напівпровідниках, однопровідникові епітаксіальні фільми та структури, що лежать, та структури. Крім того, технологія CVD також відіграє важливу роль у галузях досліджень фізики, таких як оптичні матеріали, надпровідні матеріали та магнітні матеріали. За допомогою технології CVD тонкі плівки з конкретними оптичними властивостями можуть бути синтезовані для використання в оптоелектронних пристроях та оптичних датчиках.

Рисунок 1 етапи передачі реакції CVD

У той же час, технологія CVD стикається з певними проблемами в практичних додатках², таких як:

✔ Умови високого температури та високого тиску: Зазвичай ССЗ потрібно здійснювати при високому температурі або високому тиску, що обмежує типи матеріалів, які можна використовувати, і збільшує споживання та вартість енергії.

✔ Чутливість параметрів: Процес ССЗ надзвичайно чутливий до умов реакції, і навіть невеликі зміни можуть впливати на якість кінцевого продукту.

✔ Система CVD складна: Процес ССЗ чутливий до граничних умов, має великі невизначеності, і його важко контролювати та повторити, що може призвести до труднощів у дослідженні та розробці матеріалів.

Ⅱ. Технологія осадження хімічної пари (CVD) та машинне навчання

Зіткнувшись з цими труднощами, машинне навчання, як потужний інструмент аналізу даних, показало потенціал для вирішення деяких проблем у полі ССЗ. Нижче наведено приклади застосування машинного навчання в технології CVD:

(1) Прогнозування зростання ССЗ

Використовуючи алгоритми машинного навчання, ми можемо навчитися з великої кількості експериментальних даних та прогнозувати результати зростання ССЗ за різних умов, тим самим керуючи коригуванням експериментальних параметрів. Як показано на малюнку 2, дослідницька група Наньянського технологічного університету в Сінгапурі використовувала алгоритм класифікації в машинному навчанні, щоб керувати синтезом ССЗ двовимірних матеріалів. Аналізуючи ранні експериментальні дані, вони успішно передбачили умови росту молібдена дисульфіду (MOS2), значно покращуючи експериментальний рівень успішності та зменшуючи кількість експериментів.

ФІГУРА 2 Синтез матеріалів машинного навчання

(a) Неодмінна частина матеріальних досліджень та розробок: матеріальний синтез.

(b) класифікаційна модель допомагає хімічному осадженню пари синтезувати двовимірні матеріали (вгорі); Регресійна модель керує гідротермальним синтезом флуоресцентних квантових точок (дна).

В іншому дослідженні (рис. 3) було використано машинне навчання для аналізу схеми росту графену в системі ССЗ. Розмір, покриття, щільність домену та співвідношення сторін графену автоматично вимірювали та проаналізували шляхом розробки конвертальної нейронної мережі (R-CNN), а потім сурогатні моделі були розроблені за допомогою штучних нейронних мереж (ANN) та векторних машин (SVM) для виведення кореляції між процесом CVD та вимірюваними характеристиками. Цей підхід може імітувати синтез графену та визначити експериментальні умови для синтезу графена з бажаною морфологією з великим розміром зерна та низькою щільністю домену, заощаджуючи багато часу та вартості ² ³

Малюнок 3 Машинне навчання передбачає моделі зростання графену в системах ССЗ

(2) Автоматизований процес CVD

Машинне навчання може бути використане для розробки автоматизованих систем для моніторингу та регулювання параметрів у процесі ССЗ в режимі реального часу для досягнення більш точного контролю та підвищення ефективності виробництва. Як показано на малюнку 4, дослідницька група з Університету Сідіана використовувала глибоке навчання для подолання труднощів щодо виявлення кута обертання двовимірних матеріалів двовимірного CVD. Вони зібрали кольоровий простір MOS2, підготовлений CVD, і застосували семантичну сегментаційну згорткову нейронну мережу (CNN) для точного та швидко ідентифікувати товщину MOS2, а потім підготували другу модель CNN для досягнення точного прогнозування кута обертання двошарових матеріалів TMD. Цей метод не тільки підвищує ефективність ідентифікації вибірки, але й забезпечує нову парадигму для застосування глибокого навчання в галузі матеріалознавства⁴.

Малюнок 4 Методи глибокого навчання ідентифікують куточки двошарових двовимірних матеріалів

Посилання:

(1) Го, Q.-M.; Цінь, З.-Х. Розробка та застосування технології осадження пари в атомному виробництві. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Два: 10.7498/aps.70.20201436.

(2) Yi, K.; Лю, Д.; Чен, х.; Ян, Дж.; Вей, Д.; Лю, у.; Вей, Д. Хімічне осадження пари, посилене плазмою, двовимірних матеріалів для застосувань. Рахунки хімічних досліджень 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Кім, Т.; Шин, Дж.; Шин, н.; Hwang, S. Звчення машин для аналізу графену CVD: від вимірювання до моделювання зображень SEM. Журнал промислової та інженерної хімії 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Ву, Дж.; Qiu, D. Y. Непідконтрольне вивчення окремих держав Кон-Шем: інтерпретаційні уявлення та наслідки для прогнозів впливу на багато тіла. 2024; P arxiv: 2404.14601.