CVD technologijų naujovės už Nobelio premiją

Neseniai paskelbta apie 2024 m. Nobelio fizikos premiją pritraukė precedento neturintį dėmesį dirbtinio intelekto sričiai. Amerikiečių mokslininko Johno J. Hopfieldo ir kanadiečių mokslininko Geoffrey E. Hintono tyrimai naudoja mašininio mokymosi įrankius, kad suteiktų naujų įžvalgų apie šiuolaikinę sudėtingą fiziką. Šis pasiekimas ne tik žymi svarbų etapą dirbtinio intelekto technologijoje, bet ir skelbia gilią fizikos ir dirbtinio intelekto integraciją.

Ⅰ. Cheminio garų nusodinimo (CVD) technologijos reikšmė ir iššūkiai fizikoje

Cheminio garų nusodinimo (CVD) technologijos reikšmė fizikoje yra daugialypė. Tai ne tik svarbi medžiagų paruošimo technologija, bet ir atlieka pagrindinį vaidmenį skatinant fizikos tyrimų ir taikymo plėtrą. CVD technologija gali tiksliai kontroliuoti medžiagų augimą atominiu ir molekuliniu lygiu. Kaip parodyta 1 paveiksle, ši technologija gamina įvairias aukštos kokybės plonas plėveles ir nanostruktūrines medžiagas, chemiškai reaguodama dujines arba garines medžiagas ant kieto paviršiaus, kad susidarytų kietos nuosėdos1. Tai labai svarbu fizikoje norint suprasti ir ištirti ryšį tarp medžiagų mikrostruktūros ir makroskopinių savybių, nes tai leidžia mokslininkams tirti medžiagas su specifinėmis struktūromis ir kompozicijomis, o tada giliai suprasti jų fizines savybes.

Antra, CVD technologija yra pagrindinė technologija ruošiant įvairias funkcines plonas plėveles puslaidininkiniuose įrenginiuose. Pavyzdžiui, CVD gali būti naudojamas silicio monokristaliniams epitaksiniams sluoksniams auginti, III-V puslaidininkiams, tokiems kaip galio arsenidas ir II-VI puslaidininkių monokristalų epitaksė, ir įvairioms legiruotoms puslaidininkių monokristalinėms epitaksinėms plėvelėms, polikristalinio silicio plėvelėms ir kt. o konstrukcijos yra šiuolaikinių elektroninių prietaisų ir optoelektroninių prietaisų pagrindas. Be to, CVD technologija taip pat atlieka svarbų vaidmenį fizikos tyrimų srityse, tokiose kaip optinės medžiagos, superlaidžios medžiagos ir magnetinės medžiagos. Naudojant CVD technologiją, plonos plėvelės, turinčios specifinių optinių savybių, gali būti susintetintos, kad būtų naudojamos optoelektroniniuose įrenginiuose ir optiniuose jutikliuose.

1 pav. CVD reakcijos perdavimo žingsniai

Tuo pačiu metu CVD technologija susiduria su tam tikrais iššūkiais praktiškai taikant², pavyzdžiui:

✔ Aukštos temperatūros ir aukšto slėgio sąlygos: CVD dažniausiai turi būti atliekamas esant aukštai temperatūrai arba aukštam slėgiui, o tai riboja medžiagų, kurias galima naudoti, tipus ir padidina energijos sąnaudas bei sąnaudas.

✔ Parametrų jautrumas: CVD procesas yra labai jautrus reakcijos sąlygoms ir net nedideli pokyčiai gali turėti įtakos galutinio produkto kokybei.

✔ CVD sistema yra sudėtinga: CVD procesas yra jautrus ribinėms sąlygoms, turi didelių neapibrėžčių, jį sunku kontroliuoti ir pakartoti, todėl gali kilti sunkumų atliekant medžiagų tyrimus ir plėtrą.

Ⅱ. Cheminio nusodinimo garais (CVD) technologija ir mašininis mokymasis

Susidūręs su šiais sunkumais, mašininis mokymasis, kaip galingas duomenų analizės įrankis, parodė potencialą išspręsti kai kurias CVD srities problemas. Toliau pateikiami mašininio mokymosi CVD technologijoje taikymo pavyzdžiai:

(1) ŠKL augimo prognozavimas

Naudodami mašininio mokymosi algoritmus galime mokytis iš daugybės eksperimentinių duomenų ir numatyti CVD augimo rezultatus skirtingomis sąlygomis, taip vadovaudamiesi eksperimentinių parametrų koregavimu. Kaip parodyta 2 paveiksle, Singapūro Nanyang technologijos universiteto tyrimų grupė mašininiame mokyme naudojo klasifikavimo algoritmą, kad vadovautų dvimačių medžiagų CVD sintezei. Analizuodami ankstyvuosius eksperimentinius duomenis, jie sėkmingai numatė molibdeno disulfido (MoS2) augimo sąlygas, žymiai pagerindami eksperimento sėkmės rodiklį ir sumažindami eksperimentų skaičių.

2 pav. Mašininis mokymasis vadovauja medžiagų sintezei

a) Nepakeičiama medžiagų tyrimų ir plėtros dalis: medžiagų sintezė.

b) Klasifikavimo modelis padeda cheminiu garų nusodinimu susintetinti dvimates medžiagas (viršuje); regresijos modelis vadovauja hidroterminei sieros ir azoto legiruotų fluorescencinių kvantinių taškų sintezei (apačioje).

Kitame tyrime (3 pav.) grafeno augimo modeliui CVD sistemoje analizuoti buvo naudojamas mašininis mokymasis. Grafeno dydis, aprėptis, domeno tankis ir kraštinių santykis buvo automatiškai išmatuotas ir analizuojamas kuriant regiono pasiūlymo konvoliucinį neuroninį tinklą (R-CNN), o vėliau buvo sukurti pakaitiniai modeliai, naudojant dirbtinius neuroninius tinklus (ANN) ir palaikomąsias vektorines mašinas. SVM), kad būtų galima nustatyti koreliaciją tarp CVD proceso kintamųjų ir išmatuotų specifikacijų. Šis metodas gali imituoti grafeno sintezę ir nustatyti eksperimentines sąlygas norimos morfologijos grafenui sintetinti su dideliu grūdelių dydžiu ir mažu domeno tankiu, sutaupant daug laiko ir išlaidų² ³

3 paveikslas Mašininis mokymasis numato grafeno augimo modelius CVD sistemose

(2) Automatizuotas CVD procesas

Mašinų mokymasis gali būti naudojamas kuriant automatizuotas sistemas, skirtas stebėti ir reguliuoti parametrus CVD procese realiuoju laiku, kad būtų pasiektas tikslesnis valdymas ir didesnis gamybos efektyvumas. Kaip parodyta 4 paveiksle, Xidian universiteto tyrinėtojų grupė panaudojo gilų mokymąsi, kad įveiktų sunkumus nustatant CVD dvisluoksnių dvimačių medžiagų sukimosi kampą. Jie surinko CVD paruoštą MoS2 spalvų erdvę ir taikė semantinio segmentavimo konvoliucinį neuroninį tinklą (CNN), kad tiksliai ir greitai nustatytų MoS2 storį, o tada išmokė antrą CNN modelį, kad būtų galima tiksliai prognozuoti CVD išaugintos medžiagos sukimosi kampą. dvisluoksnės TMD medžiagos. Šis metodas ne tik pagerina mėginių identifikavimo efektyvumą, bet ir suteikia naują paradigmą giluminio mokymosi taikymui medžiagų mokslo srityje.⁴.

4 pav. Giluminio mokymosi metodai identifikuoja dvisluoksnių dvimačių medžiagų kampus

Nuorodos:

(1) Guo, Q.-M.; Qin, Z.-H. Garų nusodinimo technologijos kūrimas ir taikymas atominėje gamyboje. 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. Plazma sustiprintas cheminis nusodinimas iš garų dvimačių medžiagų. Cheminių tyrimų ataskaitos, 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kimas, T.; Shin, J.; Šinas, N.; Hwang, S. CVD grafeno analizės mašinų mokymasis: nuo matavimo iki SEM vaizdų modeliavimo. Pramonės ir inžinerinės chemijos žurnalas, 2021, 101, 430–444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Neprižiūrimas individualių Kohn-Sham būsenų mokymasis: interpretuojami daugelio kūno poveikių atvaizdai ir pasekmės. 2024 m.; p arXiv:2404.14601.