Nobel Mükafatının Arxasında CVD Texnologiya İnnovasiyası

Bu yaxınlarda 2024-cü il Fizika üzrə Nobel Mükafatının elan edilməsi süni intellekt sahəsinə görünməmiş diqqəti cəlb etdi. Amerikalı alim Con J. Hopfild və kanadalı alim Geoffrey E. Hintonun tədqiqatı müasir mürəkkəb fizika ilə bağlı yeni anlayışlar təmin etmək üçün maşın öyrənmə vasitələrindən istifadə edir. Bu nailiyyət təkcə süni intellekt texnologiyasında mühüm mərhələni qeyd etmir, həm də fizikanın və süni intellektin dərin inteqrasiyasından xəbər verir.

Ⅰ. Fizikada Kimyəvi Buxar Depoziti (CVD) Texnologiyasının Əhəmiyyəti və Çətinlikləri

Kimyəvi buxar çökdürmə (CVD) texnologiyasının fizikada əhəmiyyəti çoxşaxəlidir. O, təkcə mühüm material hazırlamaq texnologiyası deyil, həm də fizikanın tədqiqat və tətbiqinin inkişafının təşviqində əsas rol oynayır. CVD texnologiyası materialların atom və molekulyar səviyyədə böyüməsini dəqiq idarə edə bilir. Şəkil 1-də göstərildiyi kimi, bu texnologiya bərk çöküntülər yaratmaq üçün bərk səthdə qaz və ya buxar maddələrlə kimyəvi reaksiya verməklə müxtəlif yüksək performanslı nazik filmlər və nanostrukturlu materiallar istehsal edir1. Bu, materialların mikrostruktur və makroskopik xassələri arasındakı əlaqəni başa düşmək və araşdırmaq üçün fizikada həlledici əhəmiyyətə malikdir, çünki bu, alimlərə xüsusi strukturları və tərkibləri olan materialları öyrənməyə və sonra onların fiziki xassələrini dərindən dərk etməyə imkan verir.

İkincisi, CVD texnologiyası yarımkeçirici cihazlarda müxtəlif funksional nazik təbəqələrin hazırlanması üçün əsas texnologiyadır. Məsələn, CVD silikon monokristal epitaksial təbəqələri, qallium arsenid və II-VI yarımkeçirici monokristal epitaksiya kimi III-V yarımkeçiriciləri yetişdirmək və müxtəlif qatqılı yarımkeçirici monokristal epitaksial filmləri, polikristal silikon filmləri və s. yerləşdirmək üçün istifadə edilə bilər. və strukturlar müasir elektron cihazların və optoelektronik cihazların əsasını təşkil edir. Bundan əlavə, CVD texnologiyası optik materiallar, superkeçirici materiallar və maqnit materialları kimi fizikanın tədqiqat sahələrində də mühüm rol oynayır. CVD texnologiyası vasitəsilə optoelektronik cihazlarda və optik sensorlarda istifadə üçün xüsusi optik xüsusiyyətlərə malik nazik filmlər sintez edilə bilər.

Şəkil 1 CVD reaksiyasının ötürülmə mərhələləri

Eyni zamanda, CVD texnologiyası praktik tətbiqlərdə² bəzi çətinliklərlə üzləşir, məsələn:

✔ Yüksək temperatur və yüksək təzyiq şəraiti: CVD adətən yüksək temperaturda və ya yüksək təzyiqdə aparılmalıdır ki, bu da istifadə oluna bilən material növlərini məhdudlaşdırır və enerji sərfiyyatını və xərcləri artırır.

✔ Parametr həssaslığı: CVD prosesi reaksiya şərtlərinə son dərəcə həssasdır və hətta kiçik dəyişikliklər də son məhsulun keyfiyyətinə təsir edə bilər.

✔ CVD sistemi mürəkkəbdir: CVD prosesi sərhəd şərtlərinə həssasdır, böyük qeyri-müəyyənliklərə malikdir və nəzarət etmək və təkrarlamaq çətindir, bu da maddi tədqiqat və inkişafda çətinliklərə səbəb ola bilər.

Ⅱ. Kimyəvi Buxar Depoziti (CVD) Texnologiyası və Maşın Öyrənməsi

Bu çətinliklərlə üzləşən maşın öyrənməsi, güclü məlumat təhlili vasitəsi kimi, CVD sahəsində bəzi problemləri həll etmək potensialını göstərdi. Aşağıdakılar CVD texnologiyasında maşın öyrənməsinin tətbiqinə dair nümunələrdir:

(1) CVD artımının proqnozlaşdırılması

Maşın öyrənmə alqoritmlərindən istifadə edərək, biz çoxlu eksperimental məlumatlardan öyrənə və müxtəlif şəraitdə CVD artımının nəticələrini proqnozlaşdıra, bununla da eksperimental parametrlərin tənzimlənməsinə rəhbərlik edə bilərik. Şəkil 2-də göstərildiyi kimi, Sinqapurdakı Nanyang Texnoloji Universitetinin tədqiqat qrupu iki ölçülü materialların CVD sintezinə rəhbərlik etmək üçün maşın öyrənməsində təsnifat alqoritmindən istifadə etmişdir. Erkən eksperimental məlumatları təhlil edərək, onlar molibden disulfidin (MoS2) böyümə şərtlərini uğurla proqnozlaşdırdılar, eksperimental müvəffəqiyyət dərəcəsini əhəmiyyətli dərəcədə yaxşılaşdırdılar və təcrübələrin sayını azaltdılar.

Şəkil 2 Maşın öyrənməsi materialın sintezinə rəhbərlik edir

(a) Material tədqiqatının və inkişafının əvəzedilməz hissəsi: material sintezi.

(b) Təsnifat modeli ikiölçülü materialların sintezi üçün kimyəvi buxarın çökməsinə kömək edir (yuxarıda); reqressiya modeli kükürd-azot qatqılı flüoresan kvant nöqtələrinin hidrotermal sintezinə rəhbərlik edir (aşağıda).

Başqa bir araşdırmada (Şəkil 3), CVD sistemində qrafenin böyümə modelini təhlil etmək üçün maşın öyrənməsindən istifadə edilmişdir. Qrafenin ölçüsü, əhatə dairəsi, domen sıxlığı və aspekt nisbəti regional təklif konvolyusiya neyron şəbəkəsi (R-CNN) hazırlamaqla avtomatik ölçüldü və təhlil edildi və sonra süni neyron şəbəkələri (ANN) və dəstək vektor maşınlarından istifadə edərək surroqat modellər hazırlanmışdır ( SVM) CVD prosesi dəyişənləri ilə ölçülən spesifikasiyalar arasında korrelyasiya çıxarmaq üçün. Bu yanaşma qrafen sintezini simulyasiya edə və böyük taxıl ölçüsü və aşağı domen sıxlığı ilə istənilən morfologiya ilə qrafenin sintezi üçün eksperimental şərtləri müəyyən edə bilər, çox vaxt və xərclərə qənaət edir² ³

Şəkil 3 Maşın öyrənməsi CVD sistemlərində qrafen artım nümunələrini proqnozlaşdırır

(2) Avtomatlaşdırılmış CVD prosesi

Maşın öyrənməsi daha dəqiq nəzarətə və daha yüksək istehsal səmərəliliyinə nail olmaq üçün real vaxt rejimində CVD prosesində parametrləri izləmək və tənzimləmək üçün avtomatlaşdırılmış sistemlər hazırlamaq üçün istifadə edilə bilər. Şəkil 4-də göstərildiyi kimi, Xidian Universitetinin tədqiqat qrupu CVD ikiqat qatlı iki ölçülü materialların fırlanma bucağını müəyyən etmək çətinliyini aradan qaldırmaq üçün dərin öyrənmə metodundan istifadə etdi. Onlar CVD tərəfindən hazırlanmış MoS2-nin rəng məkanını topladılar və MoS2-nin qalınlığını dəqiq və tez müəyyən etmək üçün semantik seqmentasiya konvolyusiya neyron şəbəkəsini (CNN) tətbiq etdilər və sonra CVD-nin fırlanma bucağının dəqiq proqnozlaşdırılmasına nail olmaq üçün ikinci CNN modelini öyrətdilər. ikiqat TMD materialları. Bu üsul nümunənin identifikasiyasının səmərəliliyini artırmaqla yanaşı, materialşünaslıq sahəsində dərin öyrənmənin tətbiqi üçün yeni paradiqma təqdim edir.⁴.

Şəkil 4 Dərin öyrənmə üsulları ikiqatlı ikiölçülü materialların künclərini müəyyənləşdirir

İstinadlar:

(1) Quo, Q.-M.; Qin, Z.-H. Atom istehsalında buxar çökdürmə texnologiyasının inkişafı və tətbiqi. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) Yi, K.; Liu, D.; Çen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Tətbiqlər üçün iki ölçülü materialların plazma ilə gücləndirilmiş kimyəvi buxar çökdürülməsi. Kimya Tədqiqatının Hesabları 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hvanq, Q.; Kim, T.; Şin, J.; Şin, N.; Hwang, S. CVD qrafen analizi üçün maşın öyrənmələri: Ölçmədən SEM şəkillərinin simulyasiyasına qədər. Sənaye və Mühəndislik Kimyası Jurnalı 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Vu, J.; Qiu, D. Y. Fərdi Kohn-Şam Dövlətlərinin Nəzarətsiz Öyrənilməsi: Çox Bədən Təsirlərinin Aşağı axını proqnozları üçün şərh edilə bilən nümayəndəliklər və nəticələr. 2024; p arXiv: 2404.14601.