Інноваційна технологія CVD позаду Нобелівської премії

Нещодавно оголошення про Нобелівську премію з фізики 2024 року привернуло безпрецедентну увагу до галузі штучного інтелекту. Дослідження американського вченого Джона Дж. Хопфілда та канадського вченого Джеффрі Е. Хінтона використовують інструменти машинного навчання, щоб надати нове розуміння сучасної складної фізики. Це досягнення не тільки знаменує собою важливу віху в технології штучного інтелекту, але й віщує глибоку інтеграцію фізики та штучного інтелекту.

Ⅰ. Значення та проблеми технології хімічного осадження з парової фази (CVD) у фізиці

Значення технології хімічного осадження з газової фази (CVD) у фізиці є багатогранним. Це не тільки важлива технологія підготовки матеріалів, але й відіграє ключову роль у сприянні розвитку досліджень і застосування фізики. Технологія CVD може точно контролювати ріст матеріалів на атомному та молекулярному рівнях. Як показано на малюнку 1, ця технологія створює різноманітні високоефективні тонкі плівки та наноструктуровані матеріали шляхом хімічної реакції газоподібних або пароподібних речовин на твердій поверхні з утворенням твердих відкладень1. Це має вирішальне значення у фізиці для розуміння та дослідження зв’язку між мікроструктурою та макроскопічними властивостями матеріалів, оскільки це дозволяє вченим вивчати матеріали зі специфічною структурою та складом, а потім глибоко розуміти їхні фізичні властивості.

По-друге, технологія CVD є ключовою технологією для отримання різних функціональних тонких плівок у напівпровідникових пристроях. Наприклад, CVD можна використовувати для вирощування монокристалічних епітаксіальних шарів кремнію, напівпровідників III-V, таких як арсенід галію та монокристалічної епітаксії напівпровідників II-VI, а також для осадження різних легованих напівпровідникових монокристалічних епітаксійних плівок, плівок полікристалічного кремнію тощо. Ці матеріали і структур є основою сучасних електронних пристроїв і оптико-електронних пристроїв. Крім того, технологія CVD також відіграє важливу роль у галузях досліджень фізики, таких як оптичні матеріали, надпровідні матеріали та магнітні матеріали. За допомогою технології CVD можна синтезувати тонкі плівки зі специфічними оптичними властивостями для використання в оптоелектронних пристроях і оптичних датчиках.

Рисунок 1 Етапи перенесення реакції CVD

У той же час технологія CVD стикається з деякими проблемами в практичних застосуваннях², такими як:

✔ Умови високої температури та високого тиску: CVD зазвичай потрібно проводити при високій температурі або високому тиску, що обмежує типи матеріалів, які можна використовувати, і збільшує споживання енергії та вартість.

✔ Параметр чутливості: Процес CVD надзвичайно чутливий до умов реакції, і навіть невеликі зміни можуть вплинути на якість кінцевого продукту.

✔ Система ССЗ складна: Процес CVD чутливий до граничних умов, має великі невизначеності, його важко контролювати та повторювати, що може призвести до труднощів у дослідженні та розробці матеріалів.

Ⅱ. Технологія хімічного осадження з парової фази (CVD) і машинне навчання

Зіткнувшись із цими труднощами, машинне навчання, як потужний інструмент аналізу даних, показало потенціал вирішення деяких проблем у сфері ССЗ. Нижче наведено приклади застосування машинного навчання в технології CVD:

(1) Прогнозування зростання ССЗ

Використовуючи алгоритми машинного навчання, ми можемо вчитися на основі великої кількості експериментальних даних і прогнозувати результати зростання серцево-судинних захворювань за різних умов, тим самим керуючи коригуванням експериментальних параметрів. Як показано на малюнку 2, дослідницька група Наньянського технологічного університету в Сінгапурі використовувала алгоритм класифікації в машинному навчанні, щоб керувати CVD-синтезом двовимірних матеріалів. Аналізуючи ранні експериментальні дані, вони успішно передбачили умови росту дисульфіду молібдену (MoS2), значно підвищивши рівень успішності експерименту та зменшивши кількість експериментів.

Рисунок 2. Машинне навчання керує синтезом матеріалу

(a) Невід’ємна частина дослідження та розробки матеріалів: синтез матеріалів.

(b) Модель класифікації допомагає хімічному осадженню з парової фази синтезувати двовимірні матеріали (вгорі); регресійна модель керує гідротермальним синтезом флуоресцентних квантових точок, легованих сіркою та азотом (внизу).

В іншому дослідженні (рис. 3) машинне навчання використовувалося для аналізу моделі росту графену в системі CVD. Розмір, охоплення, щільність домену та співвідношення сторін графену були автоматично виміряні та проаналізовані шляхом розробки згорткової нейронної мережі (R-CNN), а потім були розроблені сурогатні моделі з використанням штучних нейронних мереж (ANN) і опорних векторних машин ( SVM), щоб зробити висновок про кореляцію між змінними процесу CVD та виміряними характеристиками. Цей підхід може моделювати синтез графену та визначати експериментальні умови для синтезу графену з бажаною морфологією з великим розміром зерна та низькою щільністю домену, заощаджуючи багато часу та коштів² ³

Малюнок 3 Машинне навчання передбачає закономірності росту графену в CVD системах

(2) Автоматизований процес CVD

Машинне навчання можна використовувати для розробки автоматизованих систем для моніторингу та коригування параметрів у процесі CVD у режимі реального часу для досягнення більш точного контролю та підвищення ефективності виробництва. Як показано на малюнку 4, дослідницька група з Університету Сідіан використовувала глибоке навчання, щоб подолати труднощі визначення кута повороту двошарових двовимірних матеріалів CVD. Вони зібрали колірний простір MoS2, отриманого за допомогою CVD, і застосували згорткову нейронну мережу семантичної сегментації (CNN) для точного та швидкого визначення товщини MoS2, а потім навчили другу модель CNN для точного прогнозування кута обертання вирощеного CVD. двошарові матеріали TMD. Цей метод не тільки покращує ефективність ідентифікації зразків, але й забезпечує нову парадигму для застосування глибокого навчання в галузі матеріалознавства⁴.

Рисунок 4 Методи глибокого навчання ідентифікують кути двошарових двовимірних матеріалів

Список літератури:

(1) Го, Q.-M.; Цинь, З.-Х. Розробка та застосування технології осадження з парової фази в атомному виробництві. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) Йі, К.; Лю, Д.; Чень, X.; Ян, Дж.; Вей, Д.; Лю, Ю.; Вей, Д. Плазмове хімічне осадження з парової фази двовимірних матеріалів для застосування. Рахунки хімічних досліджень 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Хван Г.; Кім, Т.; Шин, Дж.; Шин, Н.; Хван, С. Машинне навчання для CVD-аналізу графену: від вимірювання до моделювання SEM-зображень. Журнал промислової та інженерної хімії 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Ву, Дж.; Цю, Д. Ю. Неконтрольоване навчання окремих станів Кона-Шама: інтерпретовані уявлення та наслідки для подальших прогнозів ефектів багатьох тіл. 2024; p arXiv:2404.14601.