CVD технологична иновация зад Нобеловата награда

Наскоро обявяването на Нобеловата награда по физика през 2024 г. привлече безпрецедентно внимание в областта на изкуствения интелект. Изследването на американския учен Джон Дж. Хопфийлд и канадския учен Джефри Е. Хинтън използват инструменти за машинно обучение, за да предоставят нова представа за днешната сложна физика. Това постижение не само отбелязва важен крайъгълен камък в технологията за изкуствен интелект, но и предвещава дълбоката интеграция на физиката и изкуствения интелект.

Ⅰ. Значението и предизвикателствата на технологията за отлагане на химически пари (CVD) във физиката

Значението на технологията за отлагане на химически пари (CVD) във физиката е многостранно. Това е не само важна технология за подготовка на материали, но също така играе ключова роля за насърчаване на разработването на физически изследвания и приложение. CVD технологията може прецизно да контролира растежа на материалите на атомните и молекулярните нива. Както е показано на фигура 1, тази технология произвежда различни високоефективни тънки филми и наноструктурирани материали чрез химически реагиране на газообразни или изпарени вещества върху твърдата повърхност за генериране на твърди отлагания1. Това е от решаващо значение за физиката за разбиране и изследване на връзката между микроструктурата и макроскопските свойства на материалите, тъй като позволява на учените да изучават материали със специфични структури и състави и след това дълбоко разбират физическите си свойства.

Второ, CVD технологията е ключова технология за приготвяне на различни функционални тънки филми в полупроводникови устройства. Например, CVD може да се използва за отглеждане на силициеви единични кристални епитаксиални слоеве, III-V полупроводници като галий арсенид и II-VI полупроводник единична кристална епитаксия и депозиране на различни легирани полупроводникови единични епитаксиални филми, поликристални силициеви филми, и т.н. Тези материали и структури са основата на съвременните девини и оптоелектрони. Тези материали и структури са основата на съвременните девини и оптоелектрони. Тези материали и структури са основата на съвременните девини и оптоелектрони. Тези материали и структури са основата на съвременните девини и оптоелектрони. Тези материали са основата на електронни девини и оптолектни филми. В допълнение, CVD технологията също играе важна роля в областта на изследователската физика като оптични материали, свръхпроводящи материали и магнитни материали. Чрез CVD технологията тънки филми със специфични оптични свойства могат да бъдат синтезирани за използване в оптоелектронни устройства и оптични сензори.

Фигура 1 Стъпки за прехвърляне на реакция на CVD

В същото време технологията CVD е изправена пред някои предизвикателства в практическите приложения², като:

✔ Условия с висока температура и високо налягане: CVD обикновено трябва да се извършва при висока температура или високо налягане, което ограничава видовете материали, които могат да се използват и увеличава консумацията и разходите за енергия.

✔ Чувствителност към параметрите: Процесът на CVD е изключително чувствителен към условията на реакция и дори малките промени могат да повлияят на качеството на крайния продукт.

✔ CVD системата е сложна: Процесът на CVD е чувствителен към граничните условия, има големи несигурности и е труден за контрол и повторение, което може да доведе до трудности в материалните изследвания и разработки.

Ⅱ. Технология за отлагане на химически пари (CVD) и машинно обучение

Изправен пред тези трудности, машинното обучение като мощен инструмент за анализ на данни показа потенциала за решаване на някои проблеми в областта на CVD. По -долу са примери за прилагането на машинно обучение в CVD технологията:

(1) Прогнозиране на растежа на CVD

Използвайки алгоритми за машинно обучение, можем да се поучим от голямо количество експериментални данни и да прогнозираме резултатите от растежа на CVD при различни условия, като по този начин насочваме регулирането на експерименталните параметри. Както е показано на фигура 2, изследователският екип на Nanyang Technological University в Сингапур използва алгоритъма за класификация в машинното обучение, за да ръководи синтеза на CVD на двуизмерни материали. Анализирайки ранните експериментални данни, те успешно прогнозират условията на растеж на молибден дисулфид (MOS2), като значително подобряват експерименталната успеваемост и намаляват броя на експериментите.

Фигура 2 Синтез на машинно обучение ръководи материали

а) Незаменяема част от материалните изследвания и разработки: Синтез на материали.

(б) Моделът за класификация помага на химическото отлагане на пари да се синтезира двуизмерни материали (отгоре); Регресионният модел ръководи хидротермална синтеза на флуоресцентни точки на серно-азот, азот (отдолу).

В друго проучване (Фигура 3) се използва машинно обучение за анализ на модела на растеж на графен в системата на CVD. Размерът, покритието, плътността на домейна и съотношението на графена се измерват автоматично и анализират чрез разработване на регионално предложение за конволюционна невронна мрежа (R-CNN), а след това са разработени сурогатни модели, използващи изкуствени невронни мрежи (ANN) и векторни машини за поддръжка (SVM) за заключение между CVD процесорни променливи и измерваните спецификации. Този подход може да симулира синтеза на графен и да определи експерименталните условия за синтезиране на графен с желана морфология с голям размер на зърното и ниска плътност на домейна, спестявайки много време и цена ³ ³

Фигура 3 Машинно обучение предсказва моделите на растеж на графен в системите за CVD

(2) Автоматизиран CVD процес

Машинното обучение може да се използва за разработване на автоматизирани системи за наблюдение и регулиране на параметрите в процеса на CVD в реално време, за да се постигне по -прецизен контрол и по -висока ефективност на производството. Както е показано на фигура 4, изследователски екип от университета Xidian използва дълбоко обучение, за да преодолее трудността при идентифициране на ъгъла на въртене на двуизмерните материали с двойно слой на CVD. Те събраха цветовото пространство на MOS2, приготвено от CVD и приложиха семантична сегментация конволюционна невронна мрежа (CNN) за точно и бързо идентифицират дебелината на MOS2 и след това обучиха втори модел на CNN, за да постигнат точно прогнозиране на ъгъла на въртене на CVD отглеждани с двойно слой TMD материали. Този метод не само подобрява ефективността на идентифицирането на извадката, но също така предоставя нова парадигма за прилагането на дълбокото обучение в областта на науката за материалите⁴.

Фигура 4 Методи на дълбоко обучение Определете ъглите на двуизмерни материали с двойно слой

ЛИТЕРАТУРА:

(1) Guo, Q.-M.; Qin, Z.-H. Разработване и прилагане на технологията за отлагане на пари в атомното производство. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Две: 10.7498/aps.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Плазмено-усилено химическо отлагане на пари от двуизмерни материали за приложения. Сметки на химически изследвания 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Машилни науки за CVD графен анализ: от измерване до симулация на SEM изображения. Списание за индустриална и инженерна химия 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Неуспешно изучаване на отделните състояния на Kohn-Sham: Тълкуващи представи и последици за прогнозите на низходящия поток на ефектите на много тела. 2024; P arxiv: 2404.14601.