CVD technologijos naujovės už Nobelio premiją

Neseniai paskelbtas 2024 m. Nobelio fizikos premija atnešė precedento neturintį dėmesį dirbtinio intelekto sričiai. Amerikos mokslininko Johno J. Hopfieldo ir Kanados mokslininko Geoffrey E. Hintono tyrimai naudoja mašinų mokymosi įrankius, kad pateiktų naujų žinių apie šiandienos sudėtingą fiziką. Šis pasiekimas reiškia ne tik svarbų dirbtinio intelekto technologijos etapą, bet ir skelbia gilią fizikos ir dirbtinio intelekto integraciją.

Ⅰ. Cheminio garų nusėdimo (CVD) technologijos reikšmingumas ir iššūkiai fizikoje

Cheminio garų nusėdimo (CVD) technologijos reikšmė fizikoje yra daugialypė. Tai ne tik svarbi medžiagos paruošimo technologija, bet ir vaidina pagrindinį vaidmenį skatinant fizikos tyrimų ir taikymo plėtrą. CVD technologija gali tiksliai kontroliuoti medžiagų augimą atominiu ir molekuliniu lygmeniu. Kaip parodyta 1 paveiksle, ši technologija sukuria įvairias aukštos kokybės plonas plėveles ir nanostruktūrizuotas medžiagas chemiškai reaguodamas dujomis ar garinančiomis medžiagomis ant kieto paviršiaus, kad būtų generuojamos kietos nuosėdos1. Tai labai svarbu fizikai suprasti ir ištirti ryšį tarp mikrostruktūros ir makroskopinių medžiagų savybių, nes tai leidžia mokslininkams tirti medžiagas su konkrečiomis struktūromis ir kompozicijomis, o po to giliai suprasti jų fizines savybes.

Antra, CVD technologija yra pagrindinė įvairių funkcinių plonų plėvelių paruošimo puslaidininkių įrenginiuose technologija. Pvz., CVD gali būti naudojamas auginti silicio vieno kristalų epitaksalinius sluoksnius, III-V puslaidininkius, tokius kaip galio arsenidas ir II-VI puslaidininkių pavienių kristalų epitaksija, ir deponuoti įvairias puslaidininkių puslaidininkių pavienių kristalų epitaksiniams filmams, policristalinės silicio plėvelės ir tt. Be to, CVD technologija taip pat vaidina svarbų vaidmenį fizikos tyrimų srityse, tokiose kaip optinės medžiagos, superlaidžios medžiagos ir magnetinės medžiagos. Naudojant CVD technologiją, plonos plėvelės, turinčios specifinių optinių savybių, gali būti sintezuotos naudoti optoelektroniniuose įrenginiuose ir optiniuose jutikliuose.

1 pav. CVD reakcijos perkėlimo žingsniai

Tuo pat metu CVD technologija susiduria su tam tikrais praktinių programų iššūkiais, tokiais kaip:

✔ Aukšta temperatūra ir aukšto slėgio sąlygos: CVD paprastai reikia atlikti esant aukštai temperatūrai ar aukštam slėgiui, o tai riboja medžiagų, kurias galima naudoti, tipus, ir padidina energijos suvartojimą ir sąnaudas.

✔ Parametrų jautrumas: CVD procesas yra ypač jautrus reakcijos sąlygoms, ir net maži pokyčiai gali paveikti galutinio produkto kokybę.

✔ CVD sistema yra sudėtinga: CVD procesas yra jautrus ribų sąlygoms, turi didelių neaiškumų, todėl jį sunku kontroliuoti ir pakartoti, o tai gali sukelti sunkumų atliekant materialinius tyrimus ir plėtrą.

Ⅱ. Cheminio garų nusėdimo (CVD) technologijos ir mašinų mokymasis

Susidūręs su šiais sunkumais, mašininis mokymasis, kaip galingas duomenų analizės įrankis, parodė potencialą išspręsti kai kurias problemas CVD srityje. Toliau pateikiami mašinų mokymosi taikymo CVD technologijoje pavyzdžiai:

(1) CVD augimo prognozavimas

Naudodamiesi mašinų mokymosi algoritmais, mes galime pasimokyti iš daugybės eksperimentinių duomenų ir numatyti CVD augimo rezultatus skirtingomis sąlygomis, taip vadovaudamiesi eksperimentinių parametrų koregavimu. Kaip parodyta 2 paveiksle, Singapūro Nanyango technologijos universiteto tyrimų komanda naudojo kompiuterinio mokymosi klasifikavimo algoritmą, norėdama nukreipti dvimatės medžiagos CVD sintezę. Išanalizavę ankstyvuosius eksperimentinius duomenis, jie sėkmingai numatė molibdeno disulfido (MOS2) augimo sąlygas, žymiai pagerindami eksperimentinės sėkmės procentą ir sumažinant eksperimentų skaičių.

2 pav. Mašinų mokymosi vadovai Medžiagos sintezė

a) Nepakeičiama materialinių tyrimų ir plėtros dalis: medžiagos sintezė.

b) klasifikavimo modelis padeda cheminio garų nusėdimui sintetinti dvimates medžiagas (viršuje); Regresijos modelyje nurodoma sieros-azoto hidroterminė sintezė su fluorescenciniais kvantiniais taškais (apačia).

Kitame tyrime (3 pav.) Mašinų mokymasis buvo naudojamas grafeno augimo modeliui analizuoti CVD sistemoje. Grafeno dydis, aprėptis, domeno tankis ir kraštinių santykis buvo automatiškai išmatuotas ir išanalizuotas kuriant regiono pasiūlymo konvoliucinį neuroninį tinklą (R-CNN), o tada surogatiniai modeliai buvo sukurti naudojant dirbtinius neuroninius tinklus (ANN) ir atraminius vektorių mašinas (SVM), siekiant nustatyti koreliaciją tarp CVD proceso kintamųjų ir išmatuotų specifikacijų. Šis požiūris gali modeliuoti grafeno sintezę ir nustatyti eksperimentines grafeno sintezavimo sąlygas su norima morfologija, turinčia didelį grūdų dydį ir mažą domeno tankį, taupant daug laiko ir išlaidų ³

3 paveikslas Mašinų mokymasis prognozuoja grafeno augimo modelius CVD sistemose

(2) Automatizuotas CVD procesas

Mašinų mokymasis gali būti naudojamas kuriant automatizuotas sistemas, skirtas stebėti ir pritaikyti parametrus CVD procese realiuoju laiku, kad būtų pasiekta tikslesnė kontrolė ir didesnis gamybos efektyvumas. Kaip parodyta 4 paveiksle, Xidiano universiteto tyrimo komanda naudojo gilų mokymąsi, kad įveiktų sunkumus nustatyti CVD dvigubo sluoksnio dvimatės medžiagos sukimosi kampą. Jie surinko CVD paruoštą MOS2 spalvų erdvę ir pritaikė semantinio segmentavimo konvoliucinį nervų tinklą (CNN), kad tiksliai ir greitai nustatytų MOS2 storią, o po to išmokė antrą CNN modelį, kad būtų galima tiksliai numatyti CVD auginamų dvigubo sluoksnio TMD medžiagų sukimosi kampo numatymą. Šis metodas ne tik pagerina imties identifikavimo efektyvumą, bet ir suteikia naują paradigmą, skirtą giliai mokytis medžiagų mokslo srityje⁴.

4 paveikslas Giliojo mokymosi metodai Nurodykite dvigubo sluoksnio dvimatės medžiagos kampus

Nuorodos:

(1) Guo, Q.-M.; Qin, Z.-H. Vapų nusodinimo technologijos kūrimas ir taikymas atominėje gamyboje. „Acta Physica Sinica 2021“, 70 (2), 028101-028101-028101-028115. Du: 10.7498/Aps.201201436.

(2) Yi, K.; Liu, D.; Chen, x.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Plazmoje sustiprintas cheminio garų nusėdimas dvimatėms medžiagoms, skirtoms pritaikyti. Cheminių tyrimų sąskaitos 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Mašinos mokymasis CVD grafeno analizei: nuo matavimo iki SEM vaizdų modeliavimo. Pramonės ir inžinerijos chemijos žurnalas 2021, 101, 430–444. Doi: https://doi.org/10.1016/j.jieC.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Nepričiamas atskirų Kohn-Sham valstybių mokymasis: aiškinamos reprezentacijos ir pasekmės, susijusios su daugelio kūno efektų prognozėmis. 2024; P Arxiv: 2404.14601.