نوآوری فناوری CVD در پشت جایزه نوبل

به تازگی ، اعلامیه جایزه نوبل 2024 در فیزیک توجه بی سابقه ای به حوزه هوش مصنوعی داشته است. تحقیقات دانشمند آمریکایی جان جی هاپفیلد و دانشمند کانادایی جفری E. هینتون از ابزارهای یادگیری ماشین برای ارائه بینش جدید در مورد فیزیک پیچیده امروز استفاده می کنند. این دستاورد نه تنها نشان دهنده یک نقطه عطف مهم در فناوری هوش مصنوعی است ، بلکه ادغام عمیق فیزیک و هوش مصنوعی را نیز در بر می گیرد.

ⅰ اهمیت و چالش های فناوری رسوب بخار شیمیایی (CVD) در فیزیک

اهمیت فناوری رسوب بخار شیمیایی (CVD) در فیزیک چند وجهی است. این نه تنها یک فناوری مهم آماده سازی مواد است ، بلکه نقش مهمی در ترویج توسعه تحقیقات و کاربردهای فیزیک نیز ایفا می کند. فناوری CVD دقیقاً می تواند رشد مواد را در سطح اتمی و مولکولی کنترل کند. همانطور که در شکل 1 نشان داده شده است ، این فناوری انواع فیلم های نازک با کارایی بالا و مواد نانوساختار شده را با واکنش شیمیایی مواد گازسوز یا بخار بر روی سطح جامد تولید می کند تا رسوبات جامد ایجاد شود. این امر در فیزیک برای درک و بررسی رابطه بین ریزساختار و خصوصیات ماکروسکوپی مواد بسیار مهم است ، زیرا به دانشمندان این امکان را می دهد تا مواد را با ساختارها و ترکیبات خاص مطالعه کنند و سپس خصوصیات بدنی آنها را عمیقاً درک کنند.

ثانیا ، فناوری CVD یک فناوری کلیدی برای تهیه فیلم های مختلف نازک عملکردی در دستگاه های نیمه هادی است. به عنوان مثال ، از CVD می توان برای رشد لایه های اپی کلیسای کریستالی تک سیلیکون ، نیمه هادی های III-V مانند گالیم آرسنید و II-VI نیمه هادی تک کریستال تک کریستال ، و غوطه ور کردن فیلم های مختلف نیمه هنجاری دوپ شده ، پلی کریسترالین اپلوئیکس ، فیلم های دیجیکون و و غیره. علاوه بر این ، فناوری CVD همچنین در زمینه های تحقیقاتی فیزیک مانند مواد نوری ، مواد ابررسانا و مواد مغناطیسی نقش مهمی ایفا می کند. از طریق فناوری CVD ، فیلم های نازک با خصوصیات نوری خاص می توانند برای استفاده در دستگاه های نوری و سنسورهای نوری سنتز شوند.

شکل 1 مراحل انتقال واکنش CVD

در عین حال ، فناوری CVD در برنامه های کاربردی عملی با چالش هایی روبرو است ، مانند:

✔ درجه حرارت بالا و شرایط فشار بالا: CVD معمولاً باید در دمای بالا یا فشار زیاد انجام شود ، که انواع موادی را که می توان از آنها استفاده کرد محدود می کند و باعث افزایش مصرف و هزینه انرژی می شود.

✔ حساسیت پارامتری: فرآیند CVD نسبت به شرایط واکنش بسیار حساس است و حتی تغییرات کوچک ممکن است بر کیفیت محصول نهایی تأثیر بگذارد.

✔ سیستم CVD پیچیده است: فرآیند CVD به شرایط مرزی حساس است ، عدم قطعیت های زیادی دارد و کنترل و تکرار آن دشوار است که ممکن است منجر به مشکلات در تحقیقات و توسعه مادی شود.

ⅱ رسوب بخار شیمیایی (CVD) فناوری و یادگیری ماشین

در مواجهه با این مشکلات ، یادگیری ماشین ، به عنوان یک ابزار قدرتمند تجزیه و تحلیل داده ها ، پتانسیل حل برخی از مشکلات را در زمینه CVD نشان داده است. موارد زیر نمونه هایی از کاربرد یادگیری ماشین در فناوری CVD است:

(1) پیش بینی رشد CVD

با استفاده از الگوریتم های یادگیری ماشین ، می توانیم از مقدار زیادی از داده های تجربی بیاموزیم و نتایج رشد CVD را در شرایط مختلف پیش بینی کنیم ، در نتیجه تنظیم پارامترهای تجربی را هدایت می کنیم. همانطور که در شکل 2 نشان داده شده است ، تیم تحقیقاتی دانشگاه فناوری نانیانگ در سنگاپور از الگوریتم طبقه بندی در یادگیری ماشین برای هدایت سنتز CVD از مواد دو بعدی استفاده کرد. آنها با تجزیه و تحلیل داده های تجربی اولیه ، آنها با موفقیت شرایط رشد دی سولفید مولیبدن (MOS2) را با موفقیت پیش بینی کردند ، به طور قابل توجهی میزان موفقیت آزمایشی و کاهش تعداد آزمایشات را بهبود بخشیدند.

شکل 2 یادگیری ماشین سنتز مواد را راهنمایی می کند

(الف) بخش ضروری از تحقیقات و توسعه مواد: سنتز مواد.

(ب) مدل طبقه بندی به رسوب بخار شیمیایی برای سنتز مواد دو بعدی (بالا) کمک می کند. مدل رگرسیون سنتز هیدروترمال از نقاط کوانتومی فلورسنت دوپ شده گوگرد را راهنمایی می کند (پایین).

در یک مطالعه دیگر (شکل 3) ، از یادگیری ماشین برای تجزیه و تحلیل الگوی رشد گرافن در سیستم CVD استفاده شد. اندازه ، پوشش ، چگالی دامنه و نسبت ابعاد گرافن به طور خودکار با توسعه یک شبکه عصبی پیشنهادی منطقه (R-CNN) اندازه گیری و مورد تجزیه و تحلیل قرار گرفت ، و سپس مدلهای جانشین با استفاده از شبکه های عصبی مصنوعی (ANN) و ماشینهای وکتور (SVM) ساخته شدند تا همبستگی بین متغیرهای فرآیند CVD و مشخصات اندازه گیری شده استنباط شود. این روش می تواند سنتز گرافن را شبیه سازی کرده و شرایط تجربی را برای سنتز گرافن با یک مورفولوژی مورد نظر با اندازه دانه بزرگ و چگالی دامنه کم تعیین کند و باعث صرفه جویی در وقت و هزینه زیادی شود.

شکل 3 یادگیری ماشین الگوهای رشد گرافن را در سیستم های CVD پیش بینی می کند

(2) فرآیند CVD خودکار

یادگیری ماشین می تواند برای توسعه سیستم های خودکار برای نظارت و تنظیم پارامترها در فرآیند CVD در زمان واقعی برای دستیابی به کنترل دقیق تر و راندمان بالاتر تولید استفاده شود. همانطور که در شکل 4 نشان داده شده است ، یک تیم تحقیقاتی از دانشگاه Xidian از یادگیری عمیق برای غلبه بر مشکل در شناسایی زاویه چرخش مواد دو بعدی دو بعدی CVD استفاده کردند. آنها فضای رنگ MOS2 را که توسط CVD تهیه شده بود جمع آوری کردند و از یک شبکه عصبی حلقوی تقسیم بندی معنایی (CNN) استفاده کردند تا به طور دقیق و به سرعت ضخامت MOS2 را شناسایی کنند ، و سپس یک مدل CNN دوم را برای دستیابی به پیش بینی دقیق از زاویه چرخش مواد TMD دو لایه CVD رشد دادند. این روش نه تنها کارایی شناسایی نمونه را بهبود می بخشد ، بلکه یک الگوی جدید برای استفاده از یادگیری عمیق در زمینه علوم مواد فراهم می کند⁴.

شکل 4 روشهای یادگیری عمیق گوشه های مواد دو بعدی دو لایه را مشخص می کنند

منابع:

(1) Guo ، Q.-M. ؛ Qin ، Z.-H. توسعه و کاربرد فناوری رسوب بخار در تولید اتمی. Acta Physica Sinica 2021 ، 70 (2) ، 028101-028101-028101-028115. دو: 10.7498/aps.70.20201436.

(2) یی ، ک. ؛ لیو ، د. ؛ چن ، ایکس ؛ یانگ ، ج. ؛ وی ، د. ؛ لیو ، ی. ؛ WEI ، D. رسوب بخار شیمیایی تقویت شده با پلاسما از مواد دو بعدی برای کاربردها. حساب های تحقیقات شیمیایی 2021 ، 54 (4) ، 1011-1022. doi: 10.1021/acs.accounts.0c00757.

(3) هوانگ ، ج. ؛ کیم ، تی. ؛ شین ، ج. ؛ شین ، ن. ؛ Hwang ، S. یادگیری دستگاه برای تجزیه و تحلیل گرافن CVD: از اندازه گیری تا شبیه سازی تصاویر SEM. مجله شیمی صنعتی و مهندسی 2021 ، 101 ، 430-444. doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) هو ، ب. ؛ وو ، ج. ؛ Qiu ، D. Y. یادگیری بدون نظارت از کشورهای Kohn-sham فردی: بازنمایی های قابل تفسیر و پیامدهای پیش بینی های پایین دست از اثرات بسیاری از بدن. 2024 ؛ P arxiv: 2404.14601.