CVD -technologie -innovatie achter de Nobelprijs

Onlangs heeft de aankondiging van de Nobelprijs voor natuurkunde 2024 ongekende aandacht besteed aan het gebied van kunstmatige intelligentie. Het onderzoek van de Amerikaanse wetenschapper John J. Hopfield en Canadese wetenschapper Geoffrey E. Hinton gebruikt machine learning -tools om nieuwe inzichten te bieden in de complexe fysica van vandaag. Deze prestatie markeert niet alleen een belangrijke mijlpaal in kunstmatige intelligentietechnologie, maar luidt ook de diepe integratie van fysica en kunstmatige intelligentie in.

Ⅰ. De betekenis en uitdagingen van de technologie voor chemische dampafzetting (CVD) in de natuurkunde

De betekenis van de technologie voor chemische dampafzetting (CVD) in de natuurkunde is veelzijdig. Het is niet alleen een belangrijke materiële voorbereidingstechnologie, maar speelt ook een sleutelrol bij het bevorderen van de ontwikkeling van onderzoek en toepassing van natuurkunde. CVD -technologie kan precies de groei van materialen op atoom- en moleculair niveau regelen. Zoals getoond in figuur 1, produceert deze technologie een verscheidenheid aan dunne films en nanogestructureerde materialen door chemisch reagerende gasvormige of dampneuze stoffen op het vaste oppervlak om vaste afzettingen te genereren1. Dit is cruciaal in de natuurkunde voor het begrijpen en onderzoeken van de relatie tussen de microstructuur en macroscopische eigenschappen van materialen, omdat het wetenschappers in staat stelt materialen te bestuderen met specifieke structuren en samenstellingen, en vervolgens hun fysieke eigenschappen diep te begrijpen.

Ten tweede is CVD -technologie een belangrijke technologie voor het bereiden van verschillende functionele dunne films in halfgeleiderapparaten. CVD kan bijvoorbeeld worden gebruikt om siliconen silicium single crystal epitaxiale lagen, III-V halfgeleiders zoals galliumarsenide en II-VI halfgeleider enkele kristal-epitaxie te laten afzetten, en de afzetting verschillende gedoteerde halfgeleider-epitaxiale films, polykrystallijne silicoonfilms, enz. Deze materialen en structuren zijn de basis van moderne elektronische devices. Bovendien speelt CVD -technologie ook een belangrijke rol in onderzoeksvelden van natuurkunde zoals optische materialen, supergeleidende materialen en magnetische materialen. Via CVD -technologie kunnen dunne films met specifieke optische eigenschappen worden gesynthetiseerd voor gebruik in opto -elektronische apparaten en optische sensoren.

Figuur 1 CVD -reactieoverdrachtsstappen

Tegelijkertijd staat CVD -technologie voor enkele uitdagingen in praktische toepassingen², zoals:

✔ Hoge temperatuur en hoge drukomstandigheden: CVD moet meestal worden uitgevoerd bij hoge temperatuur of hoge druk, wat de soorten materialen beperkt die kunnen worden gebruikt en het energieverbruik en de kosten verhoogt.

✔ Parametergevoeligheid: Het CVD -proces is uiterst gevoelig voor reactieomstandigheden en zelfs kleine veranderingen kunnen de kwaliteit van het eindproduct beïnvloeden.

✔ CVD -systeem is complex: Het CVD -proces is gevoelig voor randvoorwaarden, heeft grote onzekerheden en is moeilijk te beheersen en te herhalen, wat kan leiden tot moeilijkheden bij materiaalonderzoek en -ontwikkeling.

Ⅱ. Chemische dampafzetting (CVD) technologie en machine learning

Geconfronteerd met deze moeilijkheden, heeft machine learning, als een krachtige tool voor gegevensanalyse, het potentieel aangetoond om enkele problemen in het CVD -veld op te lossen. Hierna volgen voorbeelden van de toepassing van machine learning in CVD -technologie:

(1) CVD -groei voorspellen

Met behulp van machine learning -algoritmen kunnen we leren van een grote hoeveelheid experimentele gegevens en de resultaten van CVD -groei onder verschillende omstandigheden voorspellen, waardoor de aanpassing van experimentele parameters wordt begeleid. Zoals getoond in figuur 2, gebruikte het onderzoeksteam van Nanyang Technological University in Singapore het classificatie-algoritme in machine learning om de CVD-synthese van tweedimensionale materialen te begeleiden. Door vroege experimentele gegevens te analyseren, voorspelden ze met succes de groeiomstandigheden van molybdeendisulfide (MOS2), waardoor het experimentele succespercentage aanzienlijk werd verbeterd en het aantal experimenten werd verminderd.

Figuur 2 machine learning leidt materiaalsynthese

(a) Een onmisbaar onderdeel van materiaalonderzoek en ontwikkeling: materiaalsynthese.

(b) classificatiemodel helpt chemische dampafzetting om tweedimensionale materialen te synthetiseren (boven); Regressiemodel begeleidt hydrothermische synthese van zwavel-nitrogen gedoteerde fluorescerende kwantumstippen (onder).

In een andere studie (figuur 3) werd machine learning gebruikt om het groeipatroon van grafeen in het CVD -systeem te analyseren. De grootte, dekking, domeindichtheid en beeldverhouding van grafeen werden automatisch gemeten en geanalyseerd door het ontwikkelen van een convolutioneel neuraal netwerk (R-CNN) van de regio (R-CNN), en vervolgens werden surrogaatmodellen ontwikkeld met behulp van kunstmatige neurale netwerken (ANN) en ondersteunende vectormachines (SVM) om de correlatie tussen CVD-procesvariabelen en de gemeten specificaties en de gemeten specificaties te ondergaan. Deze benadering kan grafeensynthese simuleren en de experimentele omstandigheden bepalen voor het synthetiseren van grafeen met een gewenste morfologie met grote korrelgrootte en lage domeindichtheid, waardoor veel tijd en kosten² ³ wordt bespaard

Figuur 3 machine learning voorspelt grafeengroeipatronen in CVD -systemen

(2) Geautomatiseerd CVD -proces

Machine learning kan worden gebruikt om geautomatiseerde systemen te ontwikkelen om parameters in het CVD -proces in realtime te controleren en aan te passen om een ​​preciezere controle en hogere productie -efficiëntie te bereiken. Zoals getoond in figuur 4, gebruikte een onderzoeksteam van de Xidian University diep leren om de moeilijkheid te overwinnen om de rotatiehoek van tweedimensionale materialen met dubbele laag te identificeren. Ze verzamelden de kleurruimte van MOS2, bereid door CVD en paste een semantisch segmentatie-convolutioneel neuraal netwerk (CNN) toe om de dikte van MOS2 nauwkeurig en snel te identificeren, en vervolgens een tweede CNN-model getraind om een ​​nauwkeurige voorspelling van de rotatiehoek van CVD-gekweekt CVD-gekweekt dubbellaags TMD-materialen te trainen. Deze methode verbetert niet alleen de efficiëntie van steekproefidentificatie, maar biedt ook een nieuw paradigma voor de toepassing van diep leren op het gebied van materiaalwetenschap⁴.

Figuur 4 Deep Leer-methoden identificeren de hoeken van tweevoudige tweedimensionale materialen

Referenties:

(1) Guo, Q.-M.; Qin, Z.-H. Ontwikkeling en toepassing van dampdepositie -technologie in atomaire productie. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Twee: 10.7498/APS.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Plasma-verbeterde chemische dampafzetting van tweedimensionale materialen voor toepassingen. 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. Machine -informatie voor CVD -grafeenanalyse: van meting tot simulatie van SEM -afbeeldingen. 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. Leren zonder toezicht van individuele Kohn-Sham-toestanden: interpreteerbare representaties en gevolgen voor stroomafwaartse voorspellingen van veel lichaamseffecten. 2024; P arxiv: 2404.14601.