CVD -Technologieinnovation hinter dem Nobelpreis

Vor kurzem hat die Ankündigung des Nobelpreises von 2024 in Physik beispiellose Aufmerksamkeit auf das Gebiet der künstlichen Intelligenz gebracht. Die Forschung des amerikanischen Wissenschaftlers John J. Hopfield und des kanadischen Wissenschaftlers Geoffrey E. Hinton verwendet Werkzeuge für maschinelles Lernen, um neue Einblicke in die heutige komplexe Physik zu gewähren. Diese Leistung markiert nicht nur einen wichtigen Meilenstein in der Technologie für künstliche Intelligenz, sondern kündigt auch die tiefe Integration von Physik und künstliche Intelligenz an.

Ⅰ. Die Bedeutung und die Herausforderungen der CVD -Technologie (Chemical Dampor Deposition) in der Physik

Die Bedeutung der CVD -Technologie (chemische Dampfablagerung) in der Physik ist vielfältig. Es handelt sich nicht nur um eine wichtige Technologie für die Materialvorbereitung, sondern spielt auch eine Schlüsselrolle bei der Förderung der Entwicklung der Physikforschung und der Anwendung. Die CVD -Technologie kann das Wachstum von Materialien auf atomarer und molekularer Ebene genau kontrollieren. Wie in Abbildung 1 gezeigt, erzeugt diese Technologie eine Vielzahl von Hochleistungs-Dünnfilmen und nanostrukturierten Materialien durch chemisch reagierende gasförmige oder verdammliche Substanzen auf der festen Oberfläche, um feste Ablagerungen1 zu erzeugen1. Dies ist entscheidend für die Physik für das Verständnis und die Erforschung der Beziehung zwischen der Mikrostruktur und der makroskopischen Eigenschaften von Materialien, da Wissenschaftler Materialien mit spezifischen Strukturen und Zusammensetzungen untersuchen und ihre physikalischen Eigenschaften zutiefst verstehen.

Zweitens ist die CVD -Technologie eine Schlüsseltechnologie zur Vorbereitung verschiedener funktionaler Dünnfilme auf Halbleitergeräten. Zum Beispiel kann CVD verwendet werden, um Silizium-Einkristall-Epitaxialschichten, III-V-Halbleiter wie Galliumarsenid und II-VI-Halbleiter-Einzelkristall-Epitaxie zu züchten und verschiedene dotierte Halbleiter-Einzelkristall-Epitaxen, Polycrystall-Devones und Strukturen, und Strukturen der Polyponikristall-Devones usw. abzulegen. Darüber hinaus spielt die CVD -Technologie eine wichtige Rolle in Physikforschungsbereichen wie optischen Materialien, supraleitenden Materialien und magnetischen Materialien. Durch die CVD -Technologie können Dünnfilme mit spezifischen optischen Eigenschaften für die Verwendung in optoelektronischen Geräten und optischen Sensoren synthetisiert werden.

Abbildung 1 CVD -Reaktionstransferschritte

Gleichzeitig steht die CVD -Technologie in praktischen Anwendungen vor einigen Herausforderungen, wie z. B.:

✔ Hochtemperatur- und Hochdruckbedingungen: CVD muss normalerweise bei hoher Temperatur oder hohem Druck durchgeführt werden, wodurch die Arten von Materialien eingeschränkt werden, die verwendet werden können, und den Energieverbrauch und die Kosten erhöhen.

✔ Parameterempfindlichkeit: Der CVD -Prozess ist äußerst empfindlich gegenüber Reaktionsbedingungen, und selbst kleine Änderungen können die Qualität des Endprodukts beeinflussen.

✔ CVD -System ist komplex: Der CVD -Prozess reagiert empfindlich gegenüber Randbedingungen, hat große Unsicherheiten und ist schwer zu kontrollieren und zu wiederholen, was zu Schwierigkeiten bei der materiellen Forschung und Entwicklung führen kann.

Ⅱ. CVD -Technologie (Chemical Vapor Deposition) und maschinelles Lernen

Angesichts dieser Schwierigkeiten hat maschinelles Lernen als leistungsstarkes Datenanalyse -Tool das Potenzial gezeigt, einige Probleme im CVD -Bereich zu lösen. Die folgenden Beispiele für die Anwendung des maschinellen Lernens in der CVD -Technologie:

(1) Vorhersage des CVD -Wachstums

Mithilfe von Algorithmen für maschinelles Lernen können wir aus einer großen Menge experimenteller Daten lernen und die Ergebnisse des CVD -Wachstums unter verschiedenen Bedingungen vorhersagen, wodurch die Anpassung experimenteller Parameter leitet. Wie in Abbildung 2 gezeigt, verwendete das Forschungsteam der Nanyang Technological University in Singapur den Klassifizierungsalgorithmus im maschinellen Lernen, um die CVD-Synthese von zweidimensionalen Materialien zu leiten. Durch die Analyse früher experimenteller Daten prognostizierten sie erfolgreich die Wachstumsbedingungen von Molybdän Disulfid (MOS2), wodurch die experimentelle Erfolgsrate signifikant verbessert und die Anzahl der Experimente verringert wurde.

Abbildung 2 Materialsynthese für maschinelles Lernen Guides

(a) Ein unverzichtbarer Bestandteil der materiellen Forschung und Entwicklung: Materialsynthese.

(b) Klassifizierungsmodell hilft, chemische Dampfablagerung zu synthetisieren, zweidimensionale Materialien (oben); Regressionsmodell führt die hydrothermale Synthese von Schwefel-Stickstoff-dotierten fluoreszierenden Quantenpunkten (unten).

In einer anderen Studie (Abbildung 3) wurde maschinelles Lernen verwendet, um das Wachstumsmuster von Graphen im CVD -System zu analysieren. Die Größe, die Abdeckung, die Domänendichte und das Seitenverhältnis von Graphen wurden automatisch gemessen und analysiert, indem ein Region Vorschlag für das neuronale Netz (R-CNN) entwickelt wurde. Anschließend wurden Ersatzmodelle unter Verwendung künstlicher neuronaler Netzwerke (ANN) und Support-Vektormaschinen (SVM) entwickelt, um die Korrelation zwischen CVD-Prozessvariien und den Messspezifikationen und den Messspezifikationen zu schließen. Dieser Ansatz kann die Graphensynthese simulieren und die experimentellen Bedingungen für die Synthese von Graphen mit einer gewünschten Morphologie mit großer Korngröße und niedriger Domänendichte bestimmen und viel Zeit und Kosten sparen

Abbildung 3 maschinelles Lernen sagt Graphenwachstumsmuster in CVD -Systemen voraus

(2) automatisierter CVD -Prozess

Maschinelles Lernen kann verwendet werden, um automatisierte Systeme zu entwickeln, um die Parameter im CVD -Prozess in Echtzeit zu überwachen und anzupassen, um eine genauere Steuerung und eine höhere Produktionseffizienz zu erzielen. Wie in Abbildung 4 gezeigt, verwendete ein Forschungsteam der Xidian University Deep Learning, um die Schwierigkeit zu überwinden, den Rotationswinkel von zweidimensionalen CVD-Doppelschichtmaterialien zu identifizieren. Sie sammelten den von CVD hergestellten Farbton von MOS2 und wendeten ein semantisches Segmentierungs-Faltungsnetz (CNN) an, um die Dicke von MOS2 genau und schnell zu identifizieren, und trainierte dann ein zweites CNN-Modell, um eine genaue Vorhersage des Rotationswinkels von CVD-erwachsenen Doppelschicht-TMD-Materialien zu erzielen. Diese Methode verbessert nicht nur die Effizienz der Stichprobenidentifikation, sondern bietet auch ein neues Paradigma für die Anwendung des Deep -Lernens im Bereich der Materialwissenschaft⁴.

Abbildung 4 Deep-Lernmethoden Identifizieren Sie die Ecken von zweidimensionalen Doppelschichtmaterialien

Referenzen:

(1) Guo, Q.-M.; Qin, Z.-H. Entwicklung und Anwendung der Dampfabscheidungstechnologie in der Atomherstellung. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Zwei: 10.7498/aps.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Plasma-verstärkter chemischer Dampfabscheidung von zweidimensionalen Materialien für Anwendungen. Berichte über chemische Forschung 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Machine Learnings for CVD -Graphenanalyse: Von der Messung zur Simulation von SEM -Bildern. 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. unbeaufsichtigtes Lernen einzelner Kohn-Sham-Staaten: Interpretierbare Darstellungen und Konsequenzen für nachgelagerte Vorhersagen vieler Körperschaftseffekte. 2024; P arxiv: 2404.14601.