Inovația tehnologică CVD în spatele Premiului Nobel

Recent, anunțarea Premiului Nobel pentru Fizică în 2024 a adus o atenție fără precedent în domeniul inteligenței artificiale. Cercetarea omului de știință american John J. Hopfield și a omului de știință canadian Geoffrey E. Hinton utilizează instrumente de învățare automată pentru a oferi noi perspective asupra fizicii complexe de astăzi. Această realizare nu numai că marchează o piatră de hotar importantă în tehnologia inteligenței artificiale, dar anunță și integrarea profundă a fizicii și inteligenței artificiale.

Ⅰ. Semnificația și provocările tehnologiei depunerii chimice în vapori (CVD) în fizică

Semnificația tehnologiei depunerii chimice în vapori (CVD) în fizică are mai multe fațete. Nu este doar o tehnologie importantă de pregătire a materialelor, dar joacă și un rol cheie în promovarea dezvoltării cercetării și aplicării fizicii. Tehnologia CVD poate controla cu precizie creșterea materialelor la nivel atomic și molecular. După cum se arată în Figura 1, această tehnologie produce o varietate de filme subțiri de înaltă performanță și materiale nanostructurate prin reacția 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 le permite oamenilor de știință să studieze materiale cu structuri și compoziții specifice și apoi să înțeleagă profund proprietățile lor fizice.

În al doilea rând, tehnologia CVD este o tehnologie cheie pentru prepararea diferitelor pelicule subțiri funcționale în dispozitivele semiconductoare. De exemplu, CVD poate fi folosit pentru a crește straturi epitaxiale de siliciu monocristal, semiconductori III-V, cum ar fi arseniura de galiu și epitaxie monocristalina semiconductoare II-VI și pentru a depune diferite filme epitaxiale monocristaline cu semiconductori dopați, filme de siliciu policristalin etc. Aceste materiale iar structurile stau la baza dispozitivelor electronice moderne și a dispozitivelor optoelectronice. În plus, tehnologia CVD joacă, de asemenea, un rol important în domeniile cercetării fizicii, cum ar fi materialele optice, materialele supraconductoare și materialele magnetice. Prin tehnologia CVD, peliculele subțiri cu proprietăți optice specifice pot fi sintetizate pentru a fi utilizate în dispozitive optoelectronice și senzori optici.

Figura 1 Etapele transferului reacției CVD

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

✔ Condiții de temperatură ridicată și presiune ridicată: CVD de obicei trebuie efectuat la temperatură ridicată sau 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 modificări mici pot afecta calitatea produsului final.

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

Ⅱ. Tehnologia depunerii chimice în vapori (CVD) și învățarea automată

În fața acestor dificultăți, învățarea automată, ca instrument puternic de analiză a datelor, a demonstrat potențialul de a rezolva unele probleme din domeniul CVD. Următoarele sunt exemple de aplicare a învățării automate în tehnologia CVD:

(1) Prezicerea creșterii CVD

Folosind algoritmi de învățare automată, putem învăța dintr-o cantitate mare de date experimentale și putem prezice rezultatele creșterii CVD în diferite condiții, ghidând astfel ajustarea parametrilor experimentali. După 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, ei au prezis cu succes condițiile de creștere ale disulfurei de molibden (MoS2), îmbunătățind semnificativ rata de succes experimentală și reducând numărul de experimente.

Figura 2 Învățarea automată ghidează sinteza materialelor

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

(b) Modelul de clasificare ajută la depunerea chimică de vapori pentru a sintetiza materiale bidimensionale (sus); modelul de regresie ghidează sinteza hidrotermală a punctelor cuantice fluorescente dopate cu sulf și azot (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 cu propunere de regiune (R-CNN), iar apoi au fost dezvoltate modele surogat folosind rețele neuronale artificiale (ANN) și mașini vectori de suport ( SVM) pentru a deduce corelația dintre variabilele procesului CVD și specificațiile măsurate. Această abordare poate simula sinteza grafenului și poate determina condițiile experimentale pentru sintetizarea grafenului cu o morfologie dorită, cu dimensiune mare a granulelor și densitate scăzută a domeniului, economisind mult timp și costuri² ³

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

(2) Proces CVD automat

Învățarea automată poate fi utilizată pentru a dezvolta sisteme automate pentru a monitoriza și ajusta parametrii în procesul CVD în timp real pentru a obține un control mai precis și o eficiență mai mare a producției. După cum se arată în Figura 4, o echipă de cercetare de la Universitatea Xidian a folosit învățarea profundă pentru a depăși dificultatea identificării unghiului de rotație al materialelor bidimensionale cu două straturi CVD. Ei au colectat spațiul de culoare al MoS2 pregătit de CVD și au aplicat o rețea neuronală convoluțională de segmentare semantică (CNN) pentru a identifica cu acuratețe și rapid grosimea MoS2, apoi au antrenat un al doilea model CNN pentru a obține predicția precisă a unghiului de rotație al CVD-crescut. materiale TMD cu dublu strat. Această metodă nu numai că îmbunătățește eficiența identificării probelor, dar oferă și o nouă paradigmă pentru aplicarea învățării profunde în domeniul științei materialelor.⁴.

Figura 4 Metodele de învățare profundă identifică colțurile materialelor bidimensionale cu două straturi

Referințe:

(1) Guo, Q.-M.; Qin, Z.-H. Dezvoltarea și aplicarea tehnologiei de depunere de vapori 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 chimică în vapori îmbunătățită cu plasmă a materialelor bidimensionale pentru aplicații. Accounts of Chemical Research 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Învățare automată 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. Învățarea nesupravegheată a statelor individuale Kohn-Sham: Reprezentări interpretabile și consecințe pentru previziunile în aval ale efectelor mai multor corpuri. 2024; p arXiv:2404.14601.