CVD-teknologian innovaatio Nobel-palkinnon takana

Äskettäin julkistettu vuoden 2024 fysiikan Nobel-palkinto on tuonut ennennäkemättömän paljon huomiota tekoälyn alaan. Amerikkalaisen John J. Hopfieldin ja kanadalaisen Geoffrey E. Hintonin tutkimus käyttää koneoppimistyökaluja tarjotakseen uusia näkemyksiä nykypäivän monimutkaisesta fysiikasta. Tämä saavutus ei ole vain tärkeä virstanpylväs tekoälyteknologiassa, vaan se edustaa myös fysiikan ja tekoälyn syvää integraatiota.

Ⅰ. Kemiallisen höyrypinnoitustekniikan (CVD) merkitys ja haasteet fysiikassa

Kemiallisen höyrypinnoitustekniikan (CVD) merkitys fysiikassa on monitahoinen. Se ei ole vain tärkeä materiaalinkäsittelytekniikka, vaan sillä on myös keskeinen rooli fysiikan tutkimuksen ja sovellusten kehittämisen edistämisessä. CVD-teknologialla voidaan tarkasti ohjata materiaalien kasvua atomi- ja molekyylitasolla. Kuten kuvasta 1 näkyy, tämä tekniikka tuottaa erilaisia ​​korkean suorituskyvyn ohuita kalvoja ja nanorakenteisia materiaaleja antamalla kemiallisesti reagoida kaasumaisia ​​tai höyryisiä aineita kiinteällä pinnalla muodostaen kiinteitä kerrostumia1. Tämä on fysiikassa ratkaisevan tärkeää materiaalien mikrorakenteen ja makroskooppisten ominaisuuksien välisen suhteen ymmärtämiseksi ja tutkimiseksi, koska sen avulla tutkijat voivat tutkia materiaaleja, joilla on tietyt rakenteet ja koostumukset, ja ymmärtää sitten syvästi niiden fysikaaliset ominaisuudet.

Toiseksi CVD-tekniikka on keskeinen tekniikka erilaisten toiminnallisten ohutkalvojen valmistuksessa puolijohdelaitteisiin. CVD:tä voidaan käyttää esimerkiksi piin yksikideepitaksiaalisten kerrosten, III-V-puolijohteiden, kuten galliumarsenidin ja II-VI-puolijohteen yksikideepitaksia, kasvattamiseen ja erilaisten seostettujen puolijohteiden yksikideepitaksiaalisten kalvojen, monikiteisten piikalvojen jne. levittämiseen. ja rakenteet ovat nykyaikaisten elektronisten laitteiden ja optoelektronisten laitteiden perusta. Lisäksi CVD-teknologialla on tärkeä rooli myös fysiikan tutkimusaloilla, kuten optisissa materiaaleissa, suprajohtavissa materiaaleissa ja magneettisissa materiaaleissa. CVD-tekniikan avulla voidaan syntetisoida ohuita kalvoja, joilla on tietyt optiset ominaisuudet, käytettäväksi optoelektronisissa laitteissa ja optisissa antureissa.

Kuva 1 CVD-reaktion siirtovaiheet

Samaan aikaan CVD-teknologialla on haasteita käytännön sovelluksissa², kuten:

✔ Korkea lämpötila ja korkea paine: CVD on yleensä suoritettava korkeassa lämpötilassa tai korkeassa paineessa, mikä rajoittaa käytettävien materiaalien tyyppejä ja lisää energian kulutusta ja kustannuksia.

✔ Parametrien herkkyys: CVD-prosessi on erittäin herkkä reaktio-olosuhteille, ja pienetkin muutokset voivat vaikuttaa lopputuotteen laatuun.

✔ CVD-järjestelmä on monimutkainen: CVD-prosessi on herkkä reunaehtoille, siinä on suuria epävarmuustekijöitä ja sitä on vaikea hallita ja toistaa, mikä voi johtaa vaikeuksiin materiaalitutkimuksessa ja -kehityksessä.

Ⅱ. Chemical Vapor Deposition (CVD) -tekniikka ja koneoppiminen

Näiden vaikeuksien edessä koneoppiminen tehokkaana data-analyysityökaluna on osoittanut potentiaalin ratkaista joitakin CVD-alan ongelmia. Seuraavassa on esimerkkejä koneoppimisen soveltamisesta CVD-tekniikassa:

(1) Ennustaa sydän- ja verisuonitautien kasvua

Koneoppimisalgoritmeja käyttämällä voimme oppia suuresta määrästä kokeellista dataa ja ennustaa CVD:n kasvun tuloksia eri olosuhteissa ohjaten näin kokeellisten parametrien säätöä. Kuten kuvasta 2 näkyy, Singaporen Nanyangin teknillisen yliopiston tutkimusryhmä käytti luokitusalgoritmia koneoppimisessa ohjaamaan kaksiulotteisten materiaalien CVD-synteesiä. Analysoimalla varhaisia ​​koetietoja he ennustivat menestyksekkäästi molybdeenidisulfidin (MoS2) kasvuolosuhteet, mikä paransi merkittävästi kokeiden onnistumisastetta ja vähensi kokeiden määrää.

Kuva 2 Koneoppiminen ohjaa materiaalisynteesiä

(a) Materiaalitutkimuksen ja -kehityksen välttämätön osa: materiaalisynteesi.

(b) Luokittelumalli auttaa kemiallista höyrypinnoitusta syntetisoimaan kaksiulotteisia materiaaleja (ylhäällä); regressiomalli ohjaa rikki-typpiseostettujen fluoresoivien kvanttipisteiden hydrotermistä synteesiä (alhaalla).

Toisessa tutkimuksessa (kuva 3) käytettiin koneoppimista analysoimaan grafeenin kasvukuviota CVD-järjestelmässä. Grafeenin koko, peittoalue, verkkoalueen tiheys ja kuvasuhde mitattiin ja analysoitiin automaattisesti kehittämällä alueehdotuksen konvoluutiohermoverkko (R-CNN), minkä jälkeen kehitettiin korvikemalleja käyttämällä keinotekoisia hermoverkkoja (ANN) ja tukivektorikoneita ( SVM) päättelemään CVD-prosessimuuttujien ja mitattujen spesifikaatioiden välistä korrelaatiota. Tällä lähestymistavalla voidaan simuloida grafeenisynteesiä ja määrittää koeolosuhteet grafeenin syntetisoimiseksi, jolla on haluttu morfologia, suuri raekoko ja pieni domeenitiheys, mikä säästää paljon aikaa ja kustannuksia² ³

Kuva 3 Koneoppiminen ennustaa grafeenin kasvukuvioita CVD-järjestelmissä

(2) Automaattinen CVD-prosessi

Koneoppimisen avulla voidaan kehittää automatisoituja järjestelmiä CVD-prosessin parametrien tarkkailemiseksi ja säätämiseksi reaaliajassa tarkemman ohjauksen ja korkeamman tuotannon tehokkuuden saavuttamiseksi. Kuten kuvasta 4 näkyy, Xidianin yliopiston tutkimusryhmä käytti syväoppimista voittaakseen vaikeudet tunnistaa CVD-kaksikerroksisten kaksiulotteisten materiaalien pyörimiskulma. He keräsivät CVD:n valmisteleman MoS2:n väriavaruuden ja käyttivät semanttista segmentointia konvoluutiohermoverkkoa (CNN) tunnistaakseen tarkasti ja nopeasti MoS2:n paksuuden, minkä jälkeen he kouluttivat toisen CNN-mallin saavuttamaan tarkan ennusteen CVD:llä kasvatetun kiertokulman kiertokulmasta. kaksikerroksiset TMD-materiaalit. Tämä menetelmä ei ainoastaan ​​paranna näytteiden tunnistamisen tehokkuutta, vaan tarjoaa myös uuden paradigman syväoppimisen soveltamiseen materiaalitieteen alalla.⁴.

Kuva 4 Syväoppimismenetelmät tunnistavat kaksikerroksisten kaksiulotteisten materiaalien kulmat

Viitteet:

(1) Guo, Q.-M.; Qin, Z.-H. Höyrypinnoitustekniikan kehittäminen ja soveltaminen atomien valmistuksessa. 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. Plasma-Enhanced Chemical Vapor Deposition of Two-Dimensional Materials for Applications. 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. CVD-grafeenianalyysin koneoppimista: mittauksesta SEM-kuvien simulointiin. 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. Yksittäisten Kohn-Sham-tilojen valvomaton oppiminen: tulkittavia esityksiä ja seurauksia monikehovaikutusten loppupään ennusteille. 2024; p arXiv:2404.14601.