CVD Technology Innovation sa Likod ng Nobel Prize

Kamakailan, ang anunsyo ng 2024 Nobel Prize sa Physics ay nagdala ng hindi pa nagagawang atensyon sa larangan ng artificial intelligence. Ang pananaliksik ng American scientist na si John J. Hopfield at Canadian scientist na si Geoffrey E. Hinton ay gumagamit ng mga machine learning tool upang magbigay ng mga bagong insight sa kumplikadong physics ngayon. Ang tagumpay na ito ay hindi lamang nagmamarka ng isang mahalagang milestone sa teknolohiya ng artificial intelligence, ngunit nagpapahiwatig din ng malalim na pagsasama ng physics at artificial intelligence.

Ⅰ. Ang Kahalagahan at Mga Hamon ng Chemical Vapor Deposition (CVD) Technology sa Physics

Ang kahalagahan ng chemical vapor deposition (CVD) na teknolohiya sa pisika ay multifaceted. Ito ay hindi lamang isang mahalagang teknolohiya sa paghahanda ng materyal, ngunit gumaganap din ng isang mahalagang papel sa pagtataguyod ng pag-unlad ng pananaliksik at aplikasyon ng pisika. Ang teknolohiyang CVD ay maaaring tumpak na makontrol ang paglaki ng mga materyales sa atomic at molekular na antas. Gaya ng ipinapakita sa Figure 1, ang teknolohiyang ito ay gumagawa ng iba't ibang high-performance na manipis na pelikula at nanostructured na materyales sa pamamagitan ng chemically reacting na gaseous o vaporous substance sa solid surface upang makabuo ng solidong deposito1. Ito ay mahalaga sa pisika para sa pag-unawa at paggalugad ng kaugnayan sa pagitan ng microstructure at macroscopic na mga katangian ng mga materyales, dahil pinapayagan nito ang mga siyentipiko na pag-aralan ang mga materyales na may mga partikular na istruktura at komposisyon, at pagkatapos ay malalim na maunawaan ang kanilang mga pisikal na katangian.

Pangalawa, ang teknolohiya ng CVD ay isang pangunahing teknolohiya para sa paghahanda ng iba't ibang functional thin films sa mga semiconductor device. Halimbawa, maaaring gamitin ang CVD para palaguin ang silicon single crystal epitaxial layer, III-V semiconductors tulad ng gallium arsenide at II-VI semiconductor single crystal epitaxy, at magdeposito ng iba't ibang doped semiconductor single crystal epitaxial film, polycrystalline silicon film, atbp. Ang mga materyales na ito. at ang mga istruktura ay ang batayan ng mga modernong kagamitang elektroniko at mga kagamitang optoelectronic. Bilang karagdagan, ang teknolohiya ng CVD ay gumaganap din ng isang mahalagang papel sa mga larangan ng pananaliksik sa pisika tulad ng mga optical na materyales, superconducting na materyales, at magnetic na materyales. Sa pamamagitan ng teknolohiyang CVD, maaaring ma-synthesize ang mga manipis na pelikula na may partikular na optical properties para magamit sa mga optoelectronic na device at optical sensors.

Figure 1 Mga hakbang sa paglipat ng reaksyon ng CVD

Kasabay nito, nahaharap ang teknolohiya ng CVD sa ilang hamon sa mga praktikal na aplikasyon², gaya ng:

✔ Mataas na temperatura at mataas na mga kondisyon ng presyon: Karaniwang kailangang isagawa ang CVD sa mataas na temperatura o mataas na presyon, na naglilimita sa mga uri ng materyales na maaaring gamitin at nagpapataas ng pagkonsumo ng enerhiya at gastos.

✔ Ang pagiging sensitibo ng parameter: Ang proseso ng CVD ay lubhang sensitibo sa mga kondisyon ng reaksyon, at kahit na maliliit na pagbabago ay maaaring makaapekto sa kalidad ng huling produkto.

✔ Ang sistema ng CVD ay kumplikado: Ang proseso ng CVD ay sensitibo sa mga kundisyon sa hangganan, may malaking kawalan ng katiyakan, at mahirap kontrolin at ulitin, na maaaring humantong sa mga kahirapan sa materyal na pananaliksik at pag-unlad.

Ⅱ. Chemical Vapor Deposition (CVD) Technology at Machine Learning

Nahaharap sa mga paghihirap na ito, ang machine learning, bilang isang makapangyarihang tool sa pagsusuri ng data, ay nagpakita ng potensyal na lutasin ang ilang mga problema sa larangan ng CVD. Ang mga sumusunod ay mga halimbawa ng aplikasyon ng machine learning sa teknolohiyang CVD:

(1) Paghula sa paglago ng CVD

Gamit ang mga algorithm sa pag-aaral ng machine, maaari tayong matuto mula sa malaking dami ng pang-eksperimentong data at mahulaan ang mga resulta ng paglaki ng CVD sa ilalim ng iba't ibang kundisyon, at sa gayon ay ginagabayan ang pagsasaayos ng mga pang-eksperimentong parameter. Gaya ng ipinapakita sa Figure 2, ginamit ng research team ng Nanyang Technological University sa Singapore ang classification algorithm sa machine learning para gabayan ang CVD synthesis ng mga two-dimensional na materyales. Sa pamamagitan ng pagsusuri sa maagang pang-eksperimentong data, matagumpay nilang nahulaan ang mga kondisyon ng paglago ng molybdenum disulfide (MoS2), na makabuluhang nagpapabuti sa rate ng tagumpay ng eksperimentong at binabawasan ang bilang ng mga eksperimento.

Figure 2 Ang machine learning ay gumagabay sa material synthesis

(a) Isang kailangang-kailangan na bahagi ng materyal na pananaliksik at pag-unlad: materyal na synthesis.

(b) Ang modelo ng pag-uuri ay tumutulong sa pagtitiwalag ng singaw ng kemikal na mag-synthesize ng dalawang-dimensional na materyales (itaas); Ang modelo ng regression ay gumagabay sa hydrothermal synthesis ng sulfur-nitrogen doped fluorescent quantum dots (ibaba).

Sa isa pang pag-aaral (Larawan 3), ginamit ang pag-aaral ng makina upang pag-aralan ang pattern ng paglago ng graphene sa sistema ng CVD. Ang laki, saklaw, density ng domain, at aspect ratio ng graphene ay awtomatikong nasusukat at nasuri sa pamamagitan ng pagbuo ng convolutional neural network (R-CNN) na panukala sa rehiyon, at pagkatapos ay binuo ang mga surrogate model gamit ang mga artipisyal na neural network (ANN) at suporta sa mga vector machine ( SVM) upang ipahiwatig ang ugnayan sa pagitan ng mga variable ng proseso ng CVD at ang mga sinusukat na detalye. Maaaring gayahin ng diskarteng ito ang synthesis ng graphene at matukoy ang mga pang-eksperimentong kundisyon para sa pag-synthesize ng graphene na may ninanais na morpolohiya na may malaking laki ng butil at mababang density ng domain, na nakakatipid ng maraming oras at gastos² ³

Ang Figure 3 ay hinuhulaan ng machine learning ang mga pattern ng paglago ng graphene sa mga CVD system

(2) Automated CVD na proseso

Maaaring gamitin ang machine learning para bumuo ng mga automated system para subaybayan at isaayos ang mga parameter sa proseso ng CVD nang real time para makamit ang mas tumpak na kontrol at mas mataas na kahusayan sa produksyon. Gaya ng ipinapakita sa Figure 4, isang research team mula sa Xidian University ang gumamit ng malalim na pag-aaral upang madaig ang kahirapan sa pagtukoy ng rotation angle ng CVD double-layer two-dimensional na materyales. Kinokolekta nila ang color space ng MoS2 na inihanda ng CVD at naglapat ng semantic segmentation convolutional neural network (CNN) upang tumpak at mabilis na matukoy ang kapal ng MoS2, at pagkatapos ay nagsanay ng pangalawang modelo ng CNN upang makamit ang tumpak na hula ng anggulo ng pag-ikot ng CVD-grown. double-layer na materyales sa TMD. Ang pamamaraang ito ay hindi lamang nagpapabuti sa kahusayan ng sample na pagkakakilanlan, ngunit nagbibigay din ng isang bagong paradigma para sa aplikasyon ng malalim na pag-aaral sa larangan ng agham ng mga materyales.⁴.

Figure 4 Ang malalim na mga pamamaraan ng pag-aaral ay tumutukoy sa mga sulok ng double-layer na dalawang-dimensional na materyales

Mga sanggunian:

(1) Guo, Q.-M.; Qin, Z.-H. Pag-unlad at aplikasyon ng teknolohiya ng vapor deposition sa atomic manufacturing. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Plasma-Enhanced Chemical Vapor Deposition ng Two-Dimensional Materials para sa mga Application. Mga Account ng 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 learning para sa pagsusuri ng CVD graphene: Mula sa pagsukat hanggang sa simulation ng mga imahe ng 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. Unsupervised Learning ng Indibidwal na Kohn-Sham States: Interpretable Representations and Consequences for Downstream Predictions of Many-Body Effects. 2024; p arXiv:2404.14601.