Τεχνολογία CVD καινοτομία πίσω από το βραβείο Νόμπελ

Πρόσφατα, η ανακοίνωση του βραβείου Νόμπελ της Φυσικής του 2024 έφερε πρωτοφανή προσοχή στον τομέα της τεχνητής νοημοσύνης. Η έρευνα του αμερικανικού επιστήμονα John J. Hopfield και του καναδικού επιστήμονα Geoffrey E. Hinton χρησιμοποιεί εργαλεία μηχανικής μάθησης για να παρέχει νέες ιδέες για τη σημερινή περίπλοκη φυσική. Αυτό το επίτευγμα όχι μόνο σηματοδοτεί ένα σημαντικό ορόσημο στην τεχνολογία τεχνητής νοημοσύνης, αλλά και να ανακαλύψει τη βαθιά ενσωμάτωση της φυσικής και της τεχνητής νοημοσύνης.

Ⅰ. Η σημασία και οι προκλήσεις της τεχνολογίας της χημικής εναπόθεσης ατμών (CVD) στη φυσική

Η σημασία της τεχνολογίας απόθεσης χημικών ατμών (CVD) στη φυσική είναι πολύπλευρη. Δεν είναι μόνο μια σημαντική τεχνολογία προετοιμασίας υλικού, αλλά διαδραματίζει επίσης βασικό ρόλο στην προώθηση της ανάπτυξης της έρευνας και της εφαρμογής της φυσικής. Η τεχνολογία CVD μπορεί να ελέγξει με ακρίβεια την ανάπτυξη υλικών σε ατομικά και μοριακά επίπεδα. Όπως φαίνεται στο σχήμα 1, αυτή η τεχνολογία παράγει μια ποικιλία λεπτών μεμβρανών υψηλής απόδοσης και νανοδομημένων υλικών με χημικά αντιδρώντες αέρια ή ατμόσφαιρες ουσίες στη στερεά επιφάνεια για να δημιουργήσουν στερεές αποθέσεις1. Αυτό είναι κρίσιμο για τη φυσική για την κατανόηση και την εξερεύνηση της σχέσης μεταξύ της μικροδομής και των μακροσκοπικών ιδιοτήτων των υλικών, επειδή επιτρέπει στους επιστήμονες να μελετούν υλικά με συγκεκριμένες δομές και συνθέσεις και στη συνέχεια να κατανοούν βαθιά τις φυσικές τους ιδιότητες.

Δεύτερον, η τεχνολογία CVD είναι μια βασική τεχνολογία για την προετοιμασία διαφόρων λειτουργικών λεπτών μεμβρανών σε συσκευές ημιαγωγών. Για παράδειγμα, η CVD μπορεί να χρησιμοποιηθεί για την ανάπτυξη επιταξιακών στρωμάτων μονής κρυστάλλου πυριτίου, ημιαγωγών III-V, όπως αρσενικό γαλλίου και II-VI ημιαγωγούς ενιαίας κρυστάλλου επιταξίας και οπτικές συσκευές με τη βάση των σύγχρονων ηλεκτροτικών και οπτικών συσκευών. Επιπλέον, η τεχνολογία CVD διαδραματίζει επίσης σημαντικό ρόλο στους τομείς της φυσικής, όπως τα οπτικά υλικά, τα υπεραγωγικά υλικά και τα μαγνητικά υλικά. Μέσω της τεχνολογίας CVD, λεπτές μεμβράνες με συγκεκριμένες οπτικές ιδιότητες μπορούν να συντεθούν για χρήση σε οπτοηλεκτρονικές συσκευές και οπτικούς αισθητήρες.

Εικόνα 1 στάδια μεταφοράς αντίδρασης CVD

Ταυτόχρονα, η τεχνολογία CVD αντιμετωπίζει ορισμένες προκλήσεις στις πρακτικές εφαρμογές, όπως:

✔ Υψηλές συνθήκες θερμοκρασίας και υψηλής πίεσης: Το CVD πρέπει συνήθως να πραγματοποιείται σε υψηλή θερμοκρασία ή υψηλή πίεση, η οποία περιορίζει τους τύπους υλικών που μπορούν να χρησιμοποιηθούν και αυξάνει την κατανάλωση ενέργειας και το κόστος.

✔ Ευαισθησία παραμέτρων: Η διαδικασία CVD είναι εξαιρετικά ευαίσθητη στις συνθήκες αντίδρασης και ακόμη και οι μικρές αλλαγές μπορεί να επηρεάσουν την ποιότητα του τελικού προϊόντος.

✔ Το σύστημα CVD είναι πολύπλοκο: Η διαδικασία CVD είναι ευαίσθητη στις οριακές συνθήκες, έχει μεγάλες αβεβαιότητες και είναι δύσκολο να ελεγχθεί και να επαναληφθεί, γεγονός που μπορεί να οδηγήσει σε δυσκολίες στην υλική έρευνα και ανάπτυξη.

Ⅱ. Τεχνολογία εναπόθεσης χημικών ατμών (CVD) και μηχανική μάθηση

Αντιμέτωποι με αυτές τις δυσκολίες, η μηχανική μάθηση, ως ισχυρό εργαλείο ανάλυσης δεδομένων, έδειξε τη δυνατότητα επίλυσης ορισμένων προβλημάτων στον τομέα της CVD. Τα παρακάτω είναι παραδείγματα της εφαρμογής της μηχανικής μάθησης στην τεχνολογία CVD:

(1) Πρόβλεψη ανάπτυξης CVD

Χρησιμοποιώντας αλγόριθμους μηχανικής μάθησης, μπορούμε να μάθουμε από ένα μεγάλο ποσό πειραματικών δεδομένων και να προβλέψουμε τα αποτελέσματα της ανάπτυξης CVD υπό διαφορετικές συνθήκες, καθοδηγώντας έτσι την προσαρμογή των πειραματικών παραμέτρων. Όπως φαίνεται στο σχήμα 2, η ερευνητική ομάδα του Τεχνολογικού Πανεπιστημίου Nanyang στη Σιγκαπούρη χρησιμοποίησε τον αλγόριθμο ταξινόμησης στη μηχανική μάθηση για να καθοδηγήσει τη σύνθεση CVD των δισδιάστατων υλικών. Με την ανάλυση των πρώιμων πειραματικών δεδομένων, προέβλεπαν επιτυχώς τις συνθήκες ανάπτυξης του δισουλφιδίου του μολυβδαινίου (MOS2), βελτιώνοντας σημαντικά το πειραματικό ποσοστό επιτυχίας και μειώνοντας τον αριθμό των πειραμάτων.

Εικόνα 2 Οδηγοί μηχανικής μάθησης Υλικό Σύνθεση

(α) Ένα απαραίτητο μέρος της υλικής έρευνας και ανάπτυξης: υλική σύνθεση.

(β) Το μοντέλο ταξινόμησης βοηθά την εναπόθεση χημικών ατμών να συνθέτουν δισδιάστατα υλικά (κορυφή). Το μοντέλο παλινδρόμησης καθοδηγεί την υδροθερμική σύνθεση των κβαντικών σημείων φθορίζουσας θειούχων θειούχων (πυθμένα).

Σε άλλη μελέτη (Εικόνα 3), η μηχανική μάθηση χρησιμοποιήθηκε για την ανάλυση του προτύπου ανάπτυξης του γραφένιου στο σύστημα CVD. Το μέγεθος, η κάλυψη, η πυκνότητα τομέα και η αναλογία διαστάσεων του γραφένιου μετρήθηκαν αυτόματα και αναλύθηκαν με την ανάπτυξη μιας προτάσεως περιοχής για τη συσχέτιση μεταξύ των μεταβλητών της CVD και των μετρούμενων μοντέλων. Αυτή η προσέγγιση μπορεί να προσομοιώσει τη σύνθεση του γραφένιου και να καθορίσει τις πειραματικές συνθήκες για τη σύνθεση γραφένιου με μια επιθυμητή μορφολογία με μεγάλο μέγεθος κόκκων και χαμηλή πυκνότητα τομέα, εξοικονομώντας πολύ χρόνο και κόστος 3

Εικόνα 3 Μηχανική μάθηση προβλέπει πρότυπα ανάπτυξης γραφένιου σε συστήματα CVD

(2) Αυτοματοποιημένη διαδικασία CVD

Η μηχανική μάθηση μπορεί να χρησιμοποιηθεί για την ανάπτυξη αυτοματοποιημένων συστημάτων για την παρακολούθηση και τη ρύθμιση των παραμέτρων στη διαδικασία CVD σε πραγματικό χρόνο για να επιτευχθεί ακριβέστερος έλεγχος και υψηλότερη αποτελεσματικότητα παραγωγής. Όπως φαίνεται στο Σχήμα 4, μια ερευνητική ομάδα από το Πανεπιστήμιο Xidian χρησιμοποίησε βαθιά μάθηση για να ξεπεράσει τη δυσκολία εντοπισμού της γωνίας περιστροφής των δισδιάστατων υλικών διπλής στρώσης CVD. Συλλέχθηκαν το χρωματικό χώρο του MOS2 που προετοιμάστηκαν από το CVD και εφάρμοσαν ένα σημασιολογικό Neaural Netural Neture (CNN) για να εντοπίσουν με ακρίβεια και γρήγορα το πάχος του MOS2 και στη συνέχεια εκπαιδεύονταν ένα δεύτερο μοντέλο CNN για να επιτύχουν ακριβή πρόβλεψη της γωνίας περιστροφής των υλικών TMD με διπλά επίπεδα CVD. Αυτή η μέθοδος όχι μόνο βελτιώνει την αποτελεσματικότητα της ταυτοποίησης του δείγματος, αλλά παρέχει επίσης ένα νέο πρότυπο για την εφαρμογή της βαθιάς μάθησης στον τομέα της επιστήμης των υλικών⁴.

Εικόνα 4 Μέθοδοι βαθιάς μάθησης Προσδιορίστε τις γωνίες των δισδιάστατων υλικών διπλής στρώσης

Αναφορές:

(1) Guo, Q.-M.; Qin, Z.-H. Ανάπτυξη και εφαρμογή της τεχνολογίας εναπόθεσης ατμών στην ατομική κατασκευή. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Δύο: 10.7498/aps.70.20201436.

(2) YI, Κ.; Liu, D.; Chen, Χ.; Yang, J.; Wei, D.; Liu, Υ.; Wei, D. Η εναπόθεση χημικών ατμών με ενισχυμένη με πλάσμα των δισδιάστατων υλικών για εφαρμογές. Λογαριασμοί της Χημικής Έρευνας 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.Accounts.0c00757.

(3) Hwang, G.; Kim, Τ.; Shin, J.; Shin, Ν.; Hwang, S. Μαθήματα μηχανής για ανάλυση γραφένιου CVD: από τη μέτρηση έως την προσομοίωση των εικόνων SEM. Journal of Industrial and Engineering Chemistry 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, Β.; Wu, J.; Qiu, D. Y. Μη εποπτευόμενη εκμάθηση μεμονωμένων καταστάσεων Kohn-Sham: ερμηνείες και συνέπειες για τις κατάντη προβλέψεις των επιπτώσεων πολλών σωμάτων. 2024; P ARXIV: 2404.14601.