Inovasi Teknologi CVD Di Sebalik Hadiah Nobel

Baru-baru ini, pengumuman Hadiah Nobel dalam Fizik 2024 telah membawa perhatian yang tidak pernah berlaku sebelum ini kepada bidang kecerdasan buatan. Penyelidikan saintis Amerika John J. Hopfield dan saintis Kanada Geoffrey E. Hinton menggunakan alat pembelajaran mesin untuk memberikan pandangan baharu tentang fizik kompleks hari ini. Pencapaian ini bukan sahaja menandakan peristiwa penting dalam teknologi kecerdasan buatan, tetapi juga menandakan integrasi mendalam fizik dan kecerdasan buatan.

Ⅰ. Kepentingan dan Cabaran Teknologi Pemendapan Wap Kimia (CVD) dalam Fizik

Kepentingan teknologi pemendapan wap kimia (CVD) dalam fizik adalah pelbagai rupa. Ia bukan sahaja teknologi penyediaan bahan yang penting, tetapi juga memainkan peranan penting dalam menggalakkan pembangunan penyelidikan dan aplikasi fizik. Teknologi CVD boleh mengawal pertumbuhan bahan dengan tepat pada tahap atom dan molekul. Seperti yang ditunjukkan dalam Rajah 1, teknologi ini menghasilkan pelbagai filem nipis berprestasi tinggi dan bahan berstruktur nano dengan bertindak balas secara kimia bahan gas atau wap pada permukaan pepejal untuk menghasilkan mendapan pepejal1. Ini penting dalam fizik untuk memahami dan meneroka hubungan antara struktur mikro dan sifat makroskopik bahan, kerana ia membolehkan saintis mengkaji bahan dengan struktur dan komposisi tertentu, dan kemudian memahami dengan mendalam sifat fizikalnya.

Kedua, teknologi CVD ialah teknologi utama untuk menyediakan pelbagai filem nipis berfungsi dalam peranti semikonduktor. Sebagai contoh, CVD boleh digunakan untuk mengembangkan lapisan epitaxial kristal tunggal silikon, semikonduktor III-V seperti galium arsenide dan epitaksi kristal tunggal semikonduktor II-VI, dan mendepositkan pelbagai filem epitaxial kristal tunggal semikonduktor terdop, filem silikon polihablur, dsb. dan struktur adalah asas kepada peranti elektronik moden dan peranti optoelektronik. Selain itu, teknologi CVD juga memainkan peranan penting dalam bidang penyelidikan fizik seperti bahan optik, bahan superkonduktor, dan bahan magnet. Melalui teknologi CVD, filem nipis dengan sifat optik tertentu boleh disintesis untuk digunakan dalam peranti optoelektronik dan penderia optik.

Rajah 1 Langkah pemindahan tindak balas CVD

Pada masa yang sama, teknologi CVD menghadapi beberapa cabaran dalam aplikasi praktikal², seperti:

✔ Keadaan suhu tinggi dan tekanan tinggi: CVD biasanya perlu dijalankan pada suhu tinggi atau tekanan tinggi, yang mengehadkan jenis bahan yang boleh digunakan dan meningkatkan penggunaan tenaga dan kos.

✔ Kepekaan parameter: Proses CVD sangat sensitif terhadap keadaan tindak balas, malah perubahan kecil boleh menjejaskan kualiti produk akhir.

✔ Sistem CVD adalah kompleks: Proses CVD adalah sensitif kepada keadaan sempadan, mempunyai ketidakpastian yang besar, dan sukar dikawal dan diulang, yang mungkin membawa kepada kesukaran dalam penyelidikan dan pembangunan bahan.

Ⅱ. Teknologi dan Pembelajaran Mesin Pemendapan Wap Kimia (CVD).

Menghadapi kesukaran ini, pembelajaran mesin, sebagai alat analisis data yang berkuasa, telah menunjukkan potensi untuk menyelesaikan beberapa masalah dalam bidang CVD. Berikut adalah contoh aplikasi pembelajaran mesin dalam teknologi CVD:

(1) Meramalkan pertumbuhan CVD

Menggunakan algoritma pembelajaran mesin, kita boleh belajar daripada sejumlah besar data eksperimen dan meramalkan hasil pertumbuhan CVD dalam keadaan yang berbeza, dengan itu membimbing pelarasan parameter eksperimen. Seperti yang ditunjukkan dalam Rajah 2, pasukan penyelidik Universiti Teknologi Nanyang di Singapura menggunakan algoritma klasifikasi dalam pembelajaran mesin untuk membimbing sintesis CVD bahan dua dimensi. Dengan menganalisis data percubaan awal, mereka berjaya meramalkan keadaan pertumbuhan molibdenum disulfida (MoS2), dengan ketara meningkatkan kadar kejayaan eksperimen dan mengurangkan bilangan eksperimen.

Rajah 2 Pembelajaran mesin membimbing sintesis bahan

(a) Bahagian yang sangat diperlukan dalam penyelidikan dan pembangunan bahan: sintesis bahan.

(b) Model pengelasan membantu pemendapan wap kimia untuk mensintesis bahan dua dimensi (atas); model regresi membimbing sintesis hidroterma bagi titik kuantum pendarfluor berdop sulfur-nitrogen (bawah).

Dalam kajian lain (Rajah 3), pembelajaran mesin digunakan untuk menganalisis corak pertumbuhan graphene dalam sistem CVD. Saiz, liputan, ketumpatan domain dan nisbah aspek graphene secara automatik diukur dan dianalisis dengan membangunkan rangkaian neural konvolusional cadangan rantau (R-CNN), dan kemudian model pengganti dibangunkan menggunakan rangkaian saraf tiruan (ANN) dan mesin vektor sokongan ( SVM) untuk membuat kesimpulan korelasi antara pembolehubah proses CVD dan spesifikasi yang diukur. Pendekatan ini boleh mensimulasikan sintesis graphene dan menentukan keadaan percubaan untuk mensintesis graphene dengan morfologi yang dikehendaki dengan saiz butiran yang besar dan ketumpatan domain yang rendah, menjimatkan banyak masa dan kos² ³

Rajah 3 Pembelajaran mesin meramalkan corak pertumbuhan graphene dalam sistem CVD

(2) Proses CVD automatik

Pembelajaran mesin boleh digunakan untuk membangunkan sistem automatik untuk memantau dan melaraskan parameter dalam proses CVD dalam masa nyata untuk mencapai kawalan yang lebih tepat dan kecekapan pengeluaran yang lebih tinggi. Seperti yang ditunjukkan dalam Rajah 4, pasukan penyelidik dari Universiti Xidian menggunakan pembelajaran mendalam untuk mengatasi kesukaran mengenal pasti sudut putaran bahan dua dimensi CVD dua lapisan. Mereka mengumpul ruang warna MoS2 yang disediakan oleh CVD dan menggunakan rangkaian neural konvolusional segmentasi semantik (CNN) untuk mengenal pasti ketebalan MoS2 dengan tepat dan cepat, dan kemudian melatih model CNN kedua untuk mencapai ramalan tepat sudut putaran CVD-tumbuh. bahan TMD dua lapis. Kaedah ini bukan sahaja meningkatkan kecekapan pengenalpastian sampel, tetapi juga menyediakan paradigma baharu untuk aplikasi pembelajaran mendalam dalam bidang sains bahan.⁴.

Rajah 4 Kaedah pembelajaran mendalam mengenal pasti bucu bahan dua dimensi dua lapis

Rujukan:

(1) Guo, Q.-M.; Qin, Z.-H. Pembangunan dan aplikasi teknologi pemendapan wap dalam pembuatan atom. 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. Pemendapan Wap Kimia Dipertingkat Plasma Bahan Dua Dimensi untuk Aplikasi. Akaun Penyelidikan Kimia 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Pembelajaran mesin untuk analisis graphene CVD: Daripada pengukuran kepada simulasi imej SEM. Jurnal Kimia Perindustrian dan Kejuruteraan 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Pembelajaran Tanpa Pengawasan Individu Kohn-Sham States: Perwakilan dan Akibat yang Boleh Ditafsirkan untuk Ramalan Hilir Kesan Banyak Badan. 2024; p arXiv:2404.14601.