CVD технологична иновация зад Нобеловата награда

Наскоро обявяването на Нобеловата награда за физика за 2024 г. привлече безпрецедентно внимание към областта на изкуствения интелект. Изследването на американския учен Джон Дж. Хопфийлд и канадския учен Джефри Е. Хинтън използва инструменти за машинно обучение, за да предостави нови прозрения в днешната сложна физика. Това постижение не само бележи важен крайъгълен камък в технологията за изкуствен интелект, но също така предвещава дълбоката интеграция на физиката и изкуствения интелект.

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

Значението на технологията за химическо отлагане на газове (CVD) във физиката е многостранно. Това е не само важна технология за подготовка на материали, но също така играе ключова роля в насърчаването на развитието на изследванията и приложението на физиката. CVD технологията може прецизно да контролира растежа на материали на атомно и молекулярно ниво. Както е показано на Фигура 1, тази технология произвежда разнообразие от високоефективни тънки филми и наноструктурирани материали чрез химическа реакция на газообразни или парообразни вещества върху твърдата повърхност за генериране на твърди отлагания1. Това е от решаващо значение във физиката за разбиране и изследване на връзката между микроструктурата и макроскопичните свойства на материалите, защото позволява на учените да изучават материали със специфични структури и състави и след това да разберат задълбочено техните физически свойства.

Второ, CVD технологията е ключова технология за получаване на различни функционални тънки филми в полупроводникови устройства. Например, CVD може да се използва за отглеждане на силициеви монокристални епитаксиални слоеве, III-V полупроводници като галиев арсенид и II-VI полупроводникова монокристална епитаксия и отлагане на различни легирани полупроводникови монокристални епитаксиални филми, поликристални силициеви филми и др. Тези материали и структурите са в основата на съвременните електронни устройства и оптоелектронни устройства. В допълнение, CVD технологията също играе важна роля в изследователски области на физиката като оптични материали, свръхпроводящи материали и магнитни материали. Чрез CVD технологията могат да бъдат синтезирани тънки филми със специфични оптични свойства за използване в оптоелектронни устройства и оптични сензори.

Фигура 1 Стъпки на трансфер на CVD реакция

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

✔ Условия на 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 на енергия и разходите.

✔ Параметър чувствителност: Процесът CVD е изключително чувствителен към реакционните условия и дори малки промени могат да повлияят на качеството на крайния продукт.

✔ CVD системата е сложна: CVD процесът е чувствителен към гранични условия, има големи несигурности и е труден за контролиране и повторение, което може да доведе до трудности при изследването и развитието на материалите.

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

Изправено пред тези трудности, машинното обучение, като мощен инструмент за анализ на данни, показа потенциал за решаване на някои проблеми в областта на ССЗ. Следват примери за приложението на машинното обучение в CVD технологията:

(1) Прогнозиране на растежа на ССЗ

Използвайки алгоритми за машинно обучение, можем да се учим от голямо количество експериментални данни и да прогнозираме резултатите от растежа на CVD при различни условия, като по този начин насочваме коригирането на експерименталните параметри. Както е показано на фигура 2, изследователският екип на Технологичния университет Нанянг в Сингапур използва класификационния алгоритъм в машинното обучение, за да ръководи CVD синтеза на двуизмерни материали. Чрез анализиране на ранни експериментални данни те успешно предсказаха условията на растеж на молибденовия дисулфид (MoS2), като значително подобриха степента на експериментален успех и намалиха броя на експериментите.

Фигура 2 Машинното обучение ръководи синтеза на материали

(a) Незаменима част от изследването и развитието на материалите: синтез на материали.

(b) Класификационен модел помага на химическото отлагане на пари за синтезиране на двуизмерни материали (отгоре); регресионният модел насочва хидротермалния синтез на флуоресцентни квантови точки, легирани със сяра и азот (отдолу).

В друго проучване (Фигура 3), машинното обучение е използвано за анализиране на модела на растеж на графена в CVD системата. Размерът, покритието, плътността на домейна и аспектното съотношение на графена бяха автоматично измерени и анализирани чрез разработване на конволюционна невронна мрежа с предложение за регион (R-CNN), а след това бяха разработени сурогатни модели с помощта на изкуствени невронни мрежи (ANN) и поддържащи векторни машини ( SVM), за да се направи извод за корелацията между променливите на CVD процеса и измерените 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 разходи² ³

Фигура 3 Машинното обучение прогнозира модели на растеж на графен в CVD системи

(2) Автоматизиран CVD процес

Машинното обучение може да се използва за разработване на автоматизирани системи за наблюдение и коригиране на параметрите в CVD процеса в реално време, за да се постигне по-прецизен контрол и по-висока производствена ефективност. Както е показано на фигура 4, изследователски екип от университета Xidian използва задълбочено обучение, за да преодолее трудността при идентифициране на ъгъла на въртене на CVD двуслойни двуизмерни материали. Те събраха цветовото пространство на MoS2, приготвено от CVD, и приложиха конволюционна невронна мрежа (CNN) за семантично сегментиране, за да идентифицират точно и бързо дебелината на MoS2, и след това обучиха втори CNN модел, за да постигнат точно предсказване на ъгъла на въртене на CVD отгледани двуслойни TMD материали. Този метод не само подобрява ефективността на идентификацията на проби, но също така предоставя нова парадигма за прилагане на задълбочено обучение в областта на материалознанието⁴.

Фигура 4 Методите за дълбоко обучение идентифицират ъглите на двуслойни двуизмерни материали

Референции:

(1) Guo, Q.-M.; Цин, З.-Х. Разработване и прилагане на технология за отлагане на пари в атомното производство. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) Yi, K.; Лиу, Д.; Чен, X.; Янг, Дж.; Wei, D.; Liu, Y.; Wei, D. Усилено с плазма химическо отлагане на пари на двумерни материали за приложения. Сметки за химически изследвания 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Ким, Т.; Шин, Дж.; Шин, Н.; Hwang, S. Машинно обучение за CVD анализ на графен: От измерване до симулация на SEM изображения. 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. Неконтролирано обучение на отделни състояния на Kohn-Sham: Интерпретируеми представяния и последствия за предсказания надолу по веригата на ефекти на много тела. 2024; p arXiv: 2404.14601.