Inovația tehnologică CVD în spatele Premiului Nobel

Recent, anunțul Premiului Nobel pentru fizică din 2024 a atras o atenție fără precedent în domeniul inteligenței artificiale. Cercetarea omului de știință american John J. Hopfield și omul de știință canadian Geoffrey E. Hinton folosește instrumente de învățare automată pentru a oferi noi perspective asupra fizicii complexe de astăzi. Această realizare nu numai că marchează o etapă importantă în tehnologia inteligenței artificiale, dar, de asemenea, anunță integrarea profundă a fizicii și a inteligenței artificiale.

Ⅰ. Semnificația și provocările tehnologiei de depunere a vaporilor chimici (CVD) în fizică

Semnificația tehnologiei de depunere a vaporilor chimici (CVD) în fizică este multifacetă. Nu este doar o tehnologie importantă de pregătire a materialelor, dar joacă un rol esențial în promovarea dezvoltării cercetării și aplicării fizicii. Tehnologia CVD poate controla precis creșterea materialelor la nivel atomic și molecular. Așa cum se arată în figura 1, această tehnologie produce o varietate de filme subțiri de înaltă performanță și materiale nanostructurate prin reacționarea chimică a substanțelor gazoase sau vaporoase pe suprafața solidă pentru a genera depozite solide1. Acest lucru este crucial în fizică pentru înțelegerea și explorarea relației dintre microstructura și proprietățile macroscopice ale materialelor, deoarece permite oamenilor de știință să studieze materialele cu structuri și compoziții specifice, apoi să înțeleagă profund proprietățile lor fizice.

În al doilea rând, tehnologia CVD este o tehnologie cheie pentru pregătirea diferitelor filme subțiri funcționale în dispozitivele cu semiconductor. De exemplu, CVD poate fi utilizat pentru a crește straturi epitaxiale cu un singur cristal de siliciu, semiconductori III-V, cum ar fi arsenida de galiu și epitaxia cu un singur cristal cu un singur cristal, și depune diverse filme epitaxiale cu semiconductor dopat cu un singur cristal, aceste filme de silicon policrystalline, etc. În plus, tehnologia CVD joacă, de asemenea, un rol important în domeniile de cercetare fizică, cum ar fi materiale optice, materiale superconductoare și materiale magnetice. Prin tehnologia CVD, filmele subțiri cu proprietăți optice specifice pot fi sintetizate pentru utilizare în dispozitivele optoelectronice și senzori optici.

Figura 1 Etape de transfer de reacție a CVD

În același timp, tehnologia CVD se confruntă cu unele provocări în aplicațiile practice², cum ar fi:

✔ Temperatură ridicată și condiții de presiune ridicată: CVD trebuie să fie efectuată de obicei la temperaturi ridicate sau la presiune ridicată, ceea ce limitează tipurile de materiale care pot fi utilizate și crește consumul de energie și costul.

✔ Sensibilitatea parametrilor: Procesul CVD este extrem de sensibil la condițiile de reacție și chiar și mici modificări pot afecta calitatea produsului final.

✔ Sistemul CVD este complex: Procesul CVD este sensibil la condițiile de delimitare, are incertitudini mari și este dificil de controlat și de repetat, ceea ce poate duce la dificultăți în cercetarea și dezvoltarea materială.

Ⅱ. Depunerea de vapori chimici (CVD) Tehnologie și învățare automată

Față de aceste dificultăți, învățarea automată, ca un instrument puternic de analiză a datelor, a arătat potențialul de a rezolva unele probleme în domeniul BCV. Următoarele sunt exemple de aplicare a învățării automate în tehnologia CVD:

(1) Prezicerea creșterii BCV

Folosind algoritmi de învățare automată, putem învăța dintr -o cantitate mare de date experimentale și putem prezice rezultatele creșterii BCV în diferite condiții, ghidând astfel ajustarea parametrilor experimentali. Așa cum se arată în figura 2, echipa de cercetare a Universității Tehnologice Nanyang din Singapore a folosit algoritmul de clasificare în învățarea automată pentru a ghida sinteza CVD a materialelor bidimensionale. Analizând datele experimentale timpurii, au prezis cu succes condițiile de creștere ale disulfurii de molibden (MOS2), îmbunătățind semnificativ rata de succes experimentală și reducând numărul de experimente.

Figura 2 Ghiduri de învățare automată Sinteza materialelor

(a) O parte indispensabilă a cercetării și dezvoltării materiale: sinteza materialelor.

(b) Modelul de clasificare ajută la depunerea de vapori chimici pentru a sintetiza materiale bidimensionale (sus); Modelul de regresie ghidează sinteza hidrotermică a punctelor cuantice fluorescente dopate cu sulf-nitrogen (jos).

Într -un alt studiu (figura 3), învățarea automată a fost utilizată pentru a analiza modelul de creștere al grafenului în sistemul CVD. Mărimea, acoperirea, densitatea domeniului și raportul de aspect al grafenului au fost măsurate și analizate automat prin dezvoltarea unei rețele neuronale convoluționale de propunere a propunerii (R-CNN), iar apoi modelele surogat au fost dezvoltate folosind rețele neuronale artificiale (ANN) și mașini vectoriale de suport (SVM) pentru a deduce corelația dintre variabilele procesului de CVD și specificațiile măsurate. Această abordare poate simula sinteza grafenului și poate determina condițiile experimentale pentru sintetizarea grafenului cu o morfologie dorită cu dimensiuni mari de cereale și densitate scăzută de domeniu, economisind mult timp și cost² ³

Figura 3 Învățarea automată prezice tiparele de creștere a grafenului în sistemele de CVD

(2) Procesul automat de CVD

Învățarea automată poate fi utilizată pentru a dezvolta sisteme automatizate pentru a monitoriza și regla parametrii în procesul CVD în timp real pentru a obține un control mai precis și o eficiență mai mare a producției. Așa cum se arată în figura 4, o echipă de cercetare de la Universitatea Xidian a folosit învățarea profundă pentru a depăși dificultatea de a identifica unghiul de rotație al materialelor bidimensionale cu două straturi CVD. Au colectat spațiul de culoare al MOS2 preparat de CVD și au aplicat o rețea neuronală convoluțională de segmentare semantică (CNN) pentru a identifica cu exactitate și rapid grosimea MOS2, apoi au antrenat un al doilea model CNN pentru a obține o predicție exactă a unghiului de rotație a materialelor TMD cu două straturi cultivate cu un nivel dublu. Această metodă nu numai că îmbunătățește eficiența identificării eșantionului, dar oferă și o nouă paradigmă pentru aplicarea învățării profunde în domeniul științei materialelor⁴.

Figura 4 Metode de învățare profundă Identificați colțurile materialelor bidimensionale cu două straturi

Referințe:

(1) Guo, Q.-M .; Qin, Z.-H. Dezvoltarea și aplicarea tehnologiei de depunere a vaporilor în fabricarea atomică. 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. Depunerea de vapori chimici îmbunătățiți cu plasmă a materialelor bidimensionale pentru aplicații. Conturile cercetării chimice 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G .; Kim, T.; Shin, J .; Shin, n.; Hwang, S. Învățarea mașinilor pentru analiza grafenului CVD: de la măsurare la simularea imaginilor SEM. 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. Învățare nesupravegheată a stărilor individuale Kohn-Sham: reprezentări interpretabile și consecințe pentru predicțiile din aval ale efectelor cu mai multe corpuri. 2024; P arxiv: 2404.14601.