CVD -teknikinnovation bakom Nobelpriset

Nyligen har tillkännagivandet av Nobelpriset 2024 i fysik väckt en aldrig tidigare skådad uppmärksamhet på området för konstgjord intelligens. Forskningen från den amerikanska forskaren John J. Hopfield och den kanadensiska forskaren Geoffrey E. Hinton använder maskininlärningsverktyg för att ge nya insikter i dagens komplexa fysik. Denna prestation markerar inte bara en viktig milstolpe inom konstgjord intelligensteknik, utan också ger den djupa integrationen av fysik och konstgjord intelligens.

Ⅰ. Betydelsen och utmaningarna med CVD -teknik för kemisk ångavsättning (CVD)

Betydelsen av kemisk ångavsättning (CVD) -teknologi i fysik är mångfacetterad. Det är inte bara en viktig materialförberedande teknik, utan spelar också en nyckelroll för att främja utvecklingen av fysikforskning och tillämpning. CVD -teknik kan exakt kontrollera tillväxten av material på atom- och molekylnivåer. Såsom visas i figur 1 producerar denna teknik en mängd högpresterande tunna filmer och nanostrukturerade material genom att kemiskt reagera gasformiga eller ånga ämnen på den fasta ytan för att generera fasta avlagringar1. Detta är avgörande för fysik för att förstå och utforska förhållandet mellan mikrostrukturen och makroskopiska egenskaper hos material, eftersom det gör det möjligt för forskare att studera material med specifika strukturer och kompositioner och sedan djupt förstå deras fysiska egenskaper.

För det andra är CVD -teknik en nyckelteknologi för att förbereda olika funktionella tunna filmer i halvledarenheter. Till exempel kan CVD användas för att odla kiselpitaxialskikt, III-V-halvledare som galliumarsenid och II-VI-halvledare enstaka kristallepitaxi, och deponera olika dopade halvledare enstaka kristallepitaxiala filmer, polycrystalline silikonfilmer, etc. Dessa material och strukturer är de baserade elektroniska enheterna. Dessutom spelar CVD -teknik också en viktig roll inom fysikforskningsområden som optiska material, superledande material och magnetiska material. Genom CVD -teknik kan tunna filmer med specifika optiska egenskaper syntetiseras för användning i optoelektroniska enheter och optiska sensorer.

Figur 1 CVD -reaktionsöverföringssteg

Samtidigt står CVD -teknik inför vissa utmaningar i praktiska applikationer², till exempel:

✔ Högtemperatur och högtrycksförhållanden: CVD måste vanligtvis utföras vid hög temperatur eller högt tryck, vilket begränsar de typer av material som kan användas och ökar energiförbrukningen och kostnaden.

✔ Parameterkänslighet: CVD -processen är extremt känslig för reaktionsförhållanden, och till och med små förändringar kan påverka kvaliteten på slutprodukten.

✔ CVD -systemet är komplicerat: CVD -processen är känslig för gränsvillkor, har stora osäkerheter och är svår att kontrollera och upprepa, vilket kan leda till svårigheter i materiell forskning och utveckling.

Ⅱ. Kemisk ångavsättning (CVD) teknik och maskininlärning

Inför dessa svårigheter har maskininlärning, som ett kraftfullt dataanalysverktyg, visat potentialen att lösa några problem inom CVD -fältet. Följande är exempel på tillämpning av maskininlärning i CVD -teknik:

(1) Förutsäga CVD -tillväxt

Med hjälp av maskininlärningsalgoritmer kan vi lära oss av en stor mängd experimentella data och förutsäga resultaten av CVD -tillväxt under olika förhållanden och därigenom vägleda justeringen av experimentella parametrar. Såsom visas i figur 2 använde forskningsteamet vid Nanyang Technological University i Singapore klassificeringsalgoritmen i maskininlärning för att vägleda CVD-syntesen av tvådimensionella material. Genom att analysera tidiga experimentella data förutspådde de framgångsrikt tillväxtförhållandena för molybden disulfid (MOS2), vilket förbättrade den experimentella framgångsgraden avsevärt och minskade antalet experiment.

Figur 2 Maskininlärningsguider Materialsyntes

(a) En oumbärlig del av materialforskning och utveckling: Materialsyntes.

(b) Klassificeringsmodell hjälper till att deponering av kemisk ång för att syntetisera tvådimensionella material (överst); Regressionsmodell styr hydrotermisk syntes av svavel-kväve dopade fluorescerande kvantprickar (botten).

I en annan studie (figur 3) användes maskininlärning för att analysera grafens tillväxtmönster i CVD -systemet. Storleken, täckningen, domännätheten och bildförhållandet för grafen mättes och analyserades automatiskt genom att utveckla ett regionförslagens konvolutionella neurala nätverk (R-CNN), och sedan utvecklades surrogatmodeller med hjälp av konstgjorda nätverk (ANN) och supportvektormaskiner (SVM) för att dra slutsatsen mellan CVD-processer variabler och de mättspecifika. Detta tillvägagångssätt kan simulera grafensyntes och bestämma de experimentella förhållandena för att syntetisera grafen med en önskad morfologi med stor kornstorlek och låg domändensitet, vilket sparar mycket tid och kostnad. ³ ³

Figur 3 Maskininlärning förutsäger grafentillväxtmönster i CVD -system

(2) Automatiserad CVD -process

Maskininlärning kan användas för att utveckla automatiserade system för att övervaka och justera parametrar i CVD -processen i realtid för att uppnå mer exakt kontroll och högre produktionseffektivitet. Såsom visas i figur 4 använde ett forskargrupp från Xidian University djup inlärning för att övervinna svårigheten att identifiera rotationsvinkeln för CVD-dubbelskikt tvådimensionella material. De samlade färgutrymmet för MOS2 framställt av CVD och använde ett semantiskt segmenteringskonvolutionellt neuraltätverk (CNN) för att exakt och snabbt identifiera tjockleken på MOS2 och tränade sedan en andra CNN-modell för att uppnå exakt förutsägelse av rotationsvinkeln för CVD-odlade dubbelskikt TMD-material. Denna metod förbättrar inte bara effektiviteten i providentifiering, utan ger också ett nytt paradigm för tillämpningen av djup inlärning inom materialvetenskapen⁴.

Figur 4 Djupa inlärningsmetoder Identifiera hörnen på dubbelskikt tvådimensionella material

Referenser:

(1) Guo, Q.-M.; Qin, Z.-H. Utveckling och tillämpning av ångavlagringsteknik vid atomtillverkning. Acta Physica sinica 2021, 70 (2), 028101-028101-028101-028115. Två: 10.7498/APS.70.20201436.

(2) Yi, K.; Liu, D .; Chen, X.; Yang, J.; Wei, D .; Liu, Y.; Wei, D. Plasma-förbättrad kemisk ångavsättning av tvådimensionella material för applikationer. Konton för kemisk forskning 2021, 54 (4), 1011-1022. Doi: 10.1021/acs. Accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, n.; Hwang, S. Maskininlärningar för CVD -grafenanalys: Från mätning till 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. Oövervakad inlärning av enskilda Kohn-Sham-stater: Tolkbara representationer och konsekvenser för nedströms förutsägelser om många kroppseffekter. 2024; P arxiv: 2404.14601.