Innowacje technologii CVD stojącej za Nagrodą Nobla

Niedawno ogłoszenie Nagrody Nobla w dziedzinie fizyki w 2024 r. Zwróciło niespotykaną uwagę na dziedzinę sztucznej inteligencji. Badania amerykańskiego naukowca Johna J. Hopfielda i kanadyjskiego naukowca Geoffreya E. Hinton wykorzystuje narzędzia do uczenia maszynowego, aby zapewnić nowe informacje na temat dzisiejszej złożonej fizyki. Osiągnięcie to oznacza nie tylko ważny kamień milowy w technologii sztucznej inteligencji, ale także zwiastuje głęboką integrację fizyki i sztucznej inteligencji.

Ⅰ. Znaczenie i wyzwania technologii odkładania pary chemicznej (CVD) w fizyce

Znaczenie technologii chemicznego odkładania pary (CVD) w fizyce jest wieloaspektowe. Jest to nie tylko ważna technologia przygotowawcza, ale także odgrywa kluczową rolę w promowaniu rozwoju badań fizyki i zastosowania. Technologia CVD może precyzyjnie kontrolować wzrost materiałów na poziomie atomowym i molekularnym. Jak pokazano na rycinie 1, technologia ta wytwarza różnorodne cienkie folie i nanostrukturalne materiały poprzez chemicznie reagując substancje gazowe lub parowe na stałej powierzchni w celu wygenerowania stałych osadów1. Ma to kluczowe znaczenie dla fizyki dla zrozumienia i badania związku między mikrostrukturą a makroskopowymi właściwościami materiałów, ponieważ pozwala naukowcom studiować materiały o określonych strukturach i kompozycjach, a następnie głęboko rozumie ich właściwości fizyczne.

Po drugie, technologia CVD jest kluczową technologią przygotowywania różnych funkcjonalnych cienkich warstw w urządzeniach półprzewodnikowych. Na przykład CVD może być stosowany do uprawy krzemowych pojedynczych kryształowych warstw epitaksjalnych, półprzewodników III-V, takich jak arsenid gali i półprzewodnik II-VI pojedynczy kryształowy epitaksja, oraz osadzanie różnych domieszkowanych półprzewodników pojedynczych kryształowych folii epitaksyjnych, polarykrystalicznych filmów silikonowych itp. Ponadto technologia CVD odgrywa również ważną rolę w dziedzinach badań fizyki, takich jak materiały optyczne, materiały nadprzewodzące i materiały magnetyczne. Dzięki technologii CVD cienkie warstwy o określonych właściwościach optycznych można zsyntetyzować do zastosowania w urządzeniach optoelektronicznych i czujnikach optycznych.

Ryc. 1 Kroki przenoszenia reakcji CVD

Jednocześnie technologia CVD stoi przed pewnymi wyzwaniami w praktycznych zastosowaniach², takich jak:

✔ Warunki wysokiej temperatury i wysokiego ciśnienia: CVD zwykle musi być przeprowadzane przy wysokim temperaturze lub wysokim ciśnieniu, co ogranicza rodzaje materiałów, które mogą być używane i zwiększają zużycie energii i koszty.

✔ Czułość parametrów: Proces CVD jest wyjątkowo wrażliwy na warunki reakcji, a nawet niewielkie zmiany mogą wpływać na jakość produktu końcowego.

✔ System CVD jest złożony: Proces CVD jest wrażliwy na warunki brzegowe, ma duże niepewność i jest trudny do kontrolowania i powtórzenia, co może prowadzić do trudności w badaniach materialnych i rozwoju.

Ⅱ. Technologia odkładania pary chemicznej (CVD) i uczenie maszynowe

W obliczu tych trudności, uczenie maszynowe, jako potężne narzędzie do analizy danych, wykazało potencjał rozwiązania pewnych problemów w polu CVD. Poniżej przedstawiono przykłady zastosowania uczenia maszynowego w technologii CVD:

(1) Przewidywanie wzrostu CVD

Korzystając z algorytmów uczenia maszynowego, możemy uczyć się na podstawie dużej liczby danych eksperymentalnych i przewidzieć wyniki wzrostu CVD w różnych warunkach, prowadząc w ten sposób dostosowanie parametrów eksperymentalnych. Jak pokazano na rycinie 2, zespół badawczy Nanyang Technological University w Singapurze wykorzystał algorytm klasyfikacji w uczeniu maszynowym, aby kierować syntezą CVD dwuwymiarowych materiałów. Analizując wczesne dane eksperymentalne, z powodzeniem przewidzieli warunki wzrostu disiarczku molibdenu (MOS2), znacznie poprawiając eksperymentalny wskaźnik powodzenia i zmniejszając liczbę eksperymentów.

Ryc. 2 Kierownictwo uczenia maszynowego synteza materiałów

(a) Niezbędna część badań i rozwoju materialnego: synteza materialna.

(b) Model klasyfikacji pomaga chemicznemu osadzaniu się pary w syntezy materiałów dwuwymiarowych (u góry); Model regresji prowadzi hydrotermalną syntezę fluorescencyjnych kropek kwantowych domieszkowanych siarką azotu (dół).

W innym badaniu (ryc. 3) uczenie maszynowe zastosowano do analizy wzorca wzrostu grafenu w systemie CVD. Rozmiar, pokrycie, gęstość domeny i współczynnik kształtu grafenu zostały automatycznie zmierzone i przeanalizowane poprzez opracowanie propozycji regionu splotowa sieć neuronowa (R-CNN), a następnie modele zastępcze i zmierzone modyfikowania. Takie podejście może symulować syntezę grafenu i określić warunki eksperymentalne dla syntezy grafenu z pożądaną morfologią o dużej wielkości ziarna i niskiej gęstości domeny, oszczędzając dużo czasu i kosztów ³

Rysunek 3 uczenie maszynowe przewiduje wzorce wzrostu grafenu w systemach CVD

(2) Zautomatyzowany proces CVD

Uczenie maszynowe można wykorzystać do opracowania zautomatyzowanych systemów do monitorowania i dostosowywania parametrów w procesie CVD w czasie rzeczywistym w celu osiągnięcia dokładniejszej kontroli i wyższej wydajności produkcji. Jak pokazano na rycinie 4, zespół badawczy z Xidian University zastosował głębokie uczenie się, aby przezwyciężyć trudność zidentyfikowania kąta obrotu dwuwymiarowych materiałów CVD. Zebrali przestrzeń kolorów MOS2 przygotowaną przez CVD i zastosowali semantyczną segmentację seuronową (CNN), aby dokładnie i szybko zidentyfikować grubość MOS2, a następnie przeszkolili drugi model CNN w celu osiągnięcia dokładnego przewidywania kąta obrotu podwójnej warstwy CVD materiałów TMD. Ta metoda nie tylko poprawia wydajność identyfikacji próbki, ale także zapewnia nowy paradygmat do zastosowania głębokiego uczenia się w dziedzinie nauki materiałowej⁴.

Rycina 4 Metody głębokiego uczenia się Zidentyfikuj zakątki dwuwymiarowych materiałów dwuwymiarowych

Odniesienia:

(1) Guo, Q.-M.; Qin, Z.-H. Opracowanie i zastosowanie technologii osadzania pary w produkcji atomowej. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Dwa: 10.7498/APS.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, y.; Wei, D. Zatrudnione w osoczu chemiczne odkładanie pary dwuwymiarowych materiałów do zastosowań. Rachunki badań chemicznych 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.cs.Counts.0C00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Uczenie się maszyn do analizy grafenu CVD: od pomiaru do symulacji obrazów 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. Bez nadzoru uczenia się poszczególnych stanów Kohn-Sham: interpretacyjne reprezentacje i konsekwencje dla dalszych prognoz efektów wielu ciał. 2024; P arxiv: 2404.14601.