Inovasi Teknologi CVD Di Sebalik Hadiah Nobel

Baru -baru ini, pengumuman Hadiah Nobel 2024 dalam Fizik telah membawa perhatian yang tidak pernah berlaku kepada bidang kecerdasan buatan. Penyelidikan saintis Amerika John J. Hopfield dan saintis Kanada Geoffrey E. Hinton menggunakan alat pembelajaran mesin untuk memberikan pandangan baru ke dalam fizik kompleks hari ini. Pencapaian ini bukan sahaja menandakan peristiwa penting dalam teknologi kecerdasan buatan, tetapi juga menyuarakan integrasi fizik dan kecerdasan buatan yang mendalam.

Ⅰ. Kepentingan dan cabaran teknologi pemendapan wap kimia (CVD) dalam fizik

Kepentingan teknologi pemendapan wap kimia (CVD) dalam fizik adalah pelbagai. Ia bukan sahaja teknologi penyediaan bahan penting, tetapi juga memainkan peranan penting dalam mempromosikan pembangunan penyelidikan dan aplikasi fizik. Teknologi CVD dapat mengawal pertumbuhan bahan -bahan pada tahap atom dan molekul. Seperti yang ditunjukkan dalam Rajah 1, teknologi ini menghasilkan pelbagai filem nipis berprestasi tinggi dan bahan nanostructured oleh bahan-bahan yang bertindak secara kimia atau bahan-bahan yang menguap pada permukaan pepejal untuk menghasilkan deposit pepejal1. Ini penting dalam fizik untuk memahami dan meneroka hubungan antara mikrostruktur dan sifat makroskopik bahan, kerana ia membolehkan para saintis mengkaji bahan dengan struktur dan komposisi tertentu, dan kemudian memahami sifat fizikal mereka.

Kedua, teknologi CVD adalah teknologi utama untuk menyediakan pelbagai filem nipis berfungsi dalam peranti semikonduktor. Sebagai contoh, CVD boleh digunakan untuk mengembangkan lapisan epitaxial kristal tunggal silikon, semikonduktor III-V seperti gallium arsenide dan II-VI semikonduktor tunggal epitaxy, dan mendepositkan pelbagai filem epitaxial yang doped. peranti. Di samping itu, teknologi CVD juga memainkan peranan penting dalam bidang penyelidikan fizik seperti bahan optik, bahan superconducting, dan bahan magnet. Melalui teknologi CVD, filem nipis dengan sifat optik tertentu boleh disintesis untuk digunakan dalam peranti optoelektronik dan sensor optik.

Rajah 1 langkah pemindahan reaksi CVD

Pada masa yang sama, teknologi CVD menghadapi beberapa cabaran dalam aplikasi praktikal ², seperti:

✔ Keadaan suhu tinggi dan tekanan tinggi: CVD biasanya perlu dilakukan pada suhu tinggi atau tekanan tinggi, yang mengehadkan jenis bahan yang boleh digunakan dan meningkatkan penggunaan tenaga dan kos.

✔ Kepekaan parameter: Proses CVD sangat sensitif terhadap keadaan tindak balas, dan juga perubahan kecil boleh menjejaskan kualiti produk akhir.

✔ Sistem CVD adalah kompleks: Proses CVD sensitif terhadap keadaan sempadan, mempunyai ketidakpastian yang besar, dan sukar dikawal dan diulangi, yang mungkin menyebabkan kesukaran dalam penyelidikan dan pembangunan material.

Ⅱ. Teknologi Pengendalian Wap Kimia (CVD) dan Pembelajaran Mesin

Menghadapi kesukaran ini, pembelajaran mesin, sebagai alat analisis data yang kuat, telah menunjukkan potensi untuk menyelesaikan beberapa masalah dalam bidang CVD. Berikut adalah contoh aplikasi pembelajaran mesin dalam teknologi CVD:

(1) Meramalkan pertumbuhan CVD

Menggunakan algoritma pembelajaran mesin, kita boleh belajar dari sejumlah besar data eksperimen dan meramalkan hasil pertumbuhan CVD di bawah keadaan yang berbeza, dengan itu membimbing pelarasan parameter eksperimen. Seperti yang ditunjukkan dalam Rajah 2, pasukan penyelidikan Universiti Teknologi Nanyang di Singapura menggunakan algoritma klasifikasi dalam pembelajaran mesin untuk membimbing sintesis CVD bahan dua dimensi. Dengan menganalisis data eksperimen awal, mereka berjaya meramalkan keadaan pertumbuhan molibdenum disulfida (MOS2), dengan ketara meningkatkan kadar kejayaan eksperimen dan mengurangkan bilangan eksperimen.

Rajah 2 Panduan Pembelajaran Mesin Sintesis Bahan

(a) Sebahagian besar penyelidikan dan pembangunan bahan: sintesis bahan.

(b) Model klasifikasi membantu pemendapan wap kimia untuk mensintesis bahan dua dimensi (atas); Model regresi membimbing sintesis hidroterma sulfur-nitrogen doped dotscent dots (bawah).

Dalam kajian lain (Rajah 3), pembelajaran mesin digunakan untuk menganalisis corak pertumbuhan graphene dalam sistem CVD. Saiz, liputan, ketumpatan domain, dan nisbah aspek graphene secara automatik diukur dan dianalisis dengan membangunkan cadangan rangkaian saraf konvensional (R-CNN), dan kemudian model pengganti telah dibangunkan menggunakan rangkaian neural buatan (SVM) Pendekatan ini dapat mensimulasikan sintesis graphene dan menentukan keadaan eksperimen untuk mensintesis graphene dengan morfologi yang dikehendaki dengan saiz bijian yang besar dan ketumpatan domain yang rendah, menjimatkan banyak masa dan kos ³

Rajah 3 Pembelajaran Mesin Meramalkan Corak Pertumbuhan Graphene dalam Sistem CVD

(2) proses CVD automatik

Pembelajaran mesin boleh digunakan untuk membangunkan sistem automatik untuk memantau dan menyesuaikan parameter dalam proses CVD dalam masa nyata untuk mencapai kawalan yang lebih tepat dan kecekapan pengeluaran yang lebih tinggi. Seperti yang ditunjukkan dalam Rajah 4, pasukan penyelidikan dari Universiti Xidian menggunakan pembelajaran mendalam untuk mengatasi kesukaran mengenal pasti sudut putaran bahan dua dimensi dua lapisan CVD. Mereka mengumpul ruang warna MOS2 yang disediakan oleh CVD dan menggunakan rangkaian saraf convolutional segmentasi semantik (CNN) dengan tepat dan cepat mengenal pasti ketebalan MOS2, dan kemudian melatih model CNN kedua untuk mencapai ramalan tepat sudut putaran bahan TMD dua lapisan CVD. Kaedah ini bukan sahaja meningkatkan kecekapan pengenalan sampel, tetapi juga menyediakan paradigma baru untuk penerapan pembelajaran mendalam dalam bidang sains bahan⁴.

Rajah 4 Kaedah Pembelajaran Dalam Mengenal pasti sudut bahan dua dimensi lapisan

Rujukan:

(1) Guo, Q.-M.; Qin, Z.-H. Pembangunan dan penerapan teknologi pemendapan wap dalam pembuatan atom. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Dua: 10.7498/APS.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Pemendapan wap kimia yang dipertingkatkan plasma bahan dua dimensi untuk aplikasi. Akaun Penyelidikan Kimia 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Pembelajaran mesin untuk analisis graphene CVD: Dari pengukuran ke simulasi imej SEM. Jurnal Kimia Perindustrian dan Kejuruteraan 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.Jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Pembelajaran tanpa pengawasan terhadap individu Kohn-Sham menyatakan: Perwakilan dan akibat yang dapat diterjemahkan untuk ramalan hiliran banyak kesan badan. 2024; P arxiv: 2404.14601.