CVD tehnoloogiauuendus Nobeli preemia taga

Hiljuti on 2024. aasta Nobeli füüsikaauhinna väljakuulutamine toonud tehisintellekti valdkonnale enneolematut tähelepanu. Ameerika teadlase John J. Hopfieldi ja Kanada teadlase Geoffrey E. Hintoni uurimistöös kasutatakse masinõppevahendeid, et anda uusi teadmisi tänapäeva keerulisest füüsikast. See saavutus ei tähista mitte ainult olulist verstaposti tehisintellekti tehnoloogias, vaid kuulutab ka füüsika ja tehisintellekti sügavat integratsiooni.

Ⅰ. Keemilise aurustamise-sadestamise tehnoloogia (CVD) tähtsus ja väljakutsed füüsikas

Keemilise aurustamise-sadestamise (CVD) tehnoloogia tähtsus füüsikas on mitmetahuline. See ei ole mitte ainult oluline materjali ettevalmistamise tehnoloogia, vaid mängib võtmerolli ka füüsika uurimise ja rakenduste arengu edendamisel. CVD-tehnoloogia suudab täpselt kontrollida materjalide kasvu aatomi- ja molekulaartasandil. Nagu on näidatud joonisel 1, toodab see tehnoloogia mitmesuguseid suure jõudlusega õhukesi kilesid ja nanostruktureeritud materjale, pannes tahkel pinnal gaasiliste või auruliste ainete keemilise reaktsiooni, et tekitada tahkeid sademeid1. See on füüsikas ülioluline materjalide mikrostruktuuri ja makroskoopiliste omaduste vahelise seose mõistmiseks ja uurimiseks, sest see võimaldab teadlastel uurida spetsiifilise struktuuri ja koostisega materjale ning seejärel nende füüsikalisi omadusi sügavuti mõista.

Teiseks on CVD-tehnoloogia võtmetehnoloogia erinevate funktsionaalsete õhukeste kilede valmistamiseks pooljuhtseadmetes. Näiteks saab CVD-d kasutada räni monokristallide epitaksiaalsete kihtide, III-V pooljuhtide, nagu galliumarseniid ja II-VI pooljuhtide monokristallide epitaksia kasvatamiseks ning mitmesuguste legeeritud pooljuhtide monokristallide epitaksiaalkilede, polükristalliliste räni kilede jne ladestamiseks. ja struktuurid on kaasaegsete elektroonikaseadmete ja optoelektrooniliste seadmete aluseks. Lisaks mängib CVD-tehnoloogia olulist rolli ka füüsika uurimisvaldkondades, nagu optilised materjalid, ülijuhtivad materjalid ja magnetmaterjalid. CVD-tehnoloogia abil saab sünteesida spetsiifiliste optiliste omadustega õhukesi kilesid kasutamiseks optoelektroonilistes seadmetes ja optilistes andurites.

Joonis 1 CVD reaktsiooni ülekande etapid

Samal ajal seisab CVD-tehnoloogia praktilistes rakendustes silmitsi mõningate väljakutsetega², näiteks:

✔ Kõrge temperatuuri ja kõrge rõhu tingimused: CVD tuleb tavaliselt läbi viia kõrgel temperatuuril või kõrgel rõhul, mis piirab kasutatavate materjalide tüüpe ning suurendab energiatarbimist ja kulusid.

✔ Parameetri tundlikkus: CVD-protsess on reaktsioonitingimuste suhtes äärmiselt tundlik ja isegi väikesed muutused võivad lõpptoote kvaliteeti mõjutada.

✔ CVD süsteem on keeruline: CVD-protsess on tundlik piirtingimuste suhtes, sellel on suur ebakindlus ning seda on raske kontrollida ja korrata, mis võib põhjustada raskusi materjalide uurimisel ja arenduses.

Ⅱ. Keemilise aurustamise-sadestamise (CVD) tehnoloogia ja masinõpe

Nende raskustega silmitsi seistes on masinõpe kui võimas andmeanalüüsi tööriist näidanud potentsiaali lahendada mõningaid probleeme CVD valdkonnas. Järgnevalt on toodud näited masinõppe rakendamisest CVD-tehnoloogias.

(1) SVH kasvu ennustamine

Masinõppe algoritme kasutades saame õppida suurest hulgast katseandmetest ja prognoosida CVD kasvu tulemusi erinevates tingimustes, suunates seeläbi katseparameetrite kohandamist. Nagu on näidatud joonisel 2, kasutas Singapuri Nanyangi tehnikaülikooli uurimisrühm masinõppes klassifitseerimisalgoritmi, et juhtida kahemõõtmeliste materjalide CVD sünteesi. Varaseid katseandmeid analüüsides ennustasid nad edukalt molübdeendisulfiidi (MoS2) kasvutingimusi, parandades oluliselt katse õnnestumise määra ja vähendades katsete arvu.

Joonis 2 Masinõpe juhib materjali sünteesi

a) Materjali uurimis- ja arendustegevuse asendamatu osa: materjalide süntees.

(b) Klassifitseerimismudel aitab keemilisel aur-sadestusel sünteesida kahemõõtmelisi materjale (ülemine); regressioonimudel juhib väävli-lämmastikuga legeeritud fluorestseeruvate kvantpunktide hüdrotermilist sünteesi (all).

Teises uuringus (joonis 3) kasutati CVD-süsteemis grafeeni kasvumustri analüüsimiseks masinõpet. Grafeeni suurust, katvust, domeenitihedust ja kuvasuhet mõõdeti ja analüüsiti automaatselt, töötades välja piirkonna ettepaneku konvolutsioonilise närvivõrgu (R-CNN) ning seejärel töötati välja surrogaatmudelid, kasutades tehisnärvivõrke (ANN) ja tugivektormasinaid. SVM), et järeldada korrelatsiooni CVD protsessi muutujate ja mõõdetud spetsifikatsioonide vahel. See lähenemisviis võib simuleerida grafeeni sünteesi ja määrata katsetingimused soovitud morfoloogiaga grafeeni sünteesimiseks suure tera suuruse ja madala domeenitihedusega, säästes palju aega ja kulusid² ³

Joonis 3 Masinõpe ennustab grafeeni kasvumustreid CVD-süsteemides

(2) Automatiseeritud CVD protsess

Masinaõpet saab kasutada automatiseeritud süsteemide väljatöötamiseks, et jälgida ja kohandada reaalajas CVD protsessi parameetreid, et saavutada täpsem juhtimine ja suurem tootmise efektiivsus. Nagu on näidatud joonisel 4, kasutas Xidiani ülikooli uurimisrühm sügavat õppimist, et ületada CVD kahekihiliste kahemõõtmeliste materjalide pöördenurga tuvastamise raskusi. Nad kogusid CVD koostatud MoS2 värviruumi ja rakendasid semantilise segmenteerimise konvolutsioonilist närvivõrku (CNN), et täpselt ja kiiresti tuvastada MoS2 paksus, ning seejärel koolitasid välja teise CNN-i mudeli, et saavutada CVD-ga kasvatatud pöördenurga täpne ennustamine. kahekihilised TMD materjalid. See meetod mitte ainult ei paranda proovide tuvastamise tõhusust, vaid annab ka uue paradigma süvaõppe rakendamiseks materjaliteaduse valdkonnas.⁴.

Joonis 4 Süvaõppemeetodid tuvastavad kahekihiliste kahemõõtmeliste materjalide nurgad

Viited:

(1) Guo, Q.-M.; Qin, Z.-H. Aurusadestamise tehnoloogia arendamine ja rakendamine aatomitootmises. 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 of Two-Dimensional Materials for Applications. 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. CVD grafeenianalüüsi masinõpe: mõõtmisest SEM-piltide simulatsioonini. 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. Individuaalsete Kohn-Sham seisundite juhendamata õppimine: tõlgendatavad esitused ja tagajärjed paljude kehamõjude ennustuste jaoks. 2024; p arXiv:2404.14601.