CVD Technology Innovation Bag Nobelprisen

For nylig har offentliggørelsen af ​​2024 Nobelprisen i fysik bragt hidtil uset opmærksomhed på området kunstig intelligens. Den amerikanske videnskabsmand John J. Hopfields og den canadiske videnskabsmand Geoffrey E. Hintons forskning bruger maskinlæringsværktøjer til at give ny indsigt i nutidens komplekse fysik. Denne præstation markerer ikke kun en vigtig milepæl inden for kunstig intelligens-teknologi, men varsler også den dybe integration af fysik og kunstig intelligens.

Ⅰ. Betydningen og udfordringerne ved kemisk dampaflejringsteknologi (CVD) i fysik

Betydningen af ​​kemisk dampaflejring (CVD) teknologi i fysik er mangefacetteret. Det er ikke kun en vigtig materialeforberedelsesteknologi, men spiller også en nøglerolle i at fremme udviklingen af ​​fysikforskning og anvendelse. CVD-teknologi kan præcist kontrollere væksten af ​​materialer på atom- og molekylært niveau. Som vist i figur 1 producerer denne teknologi en række højtydende tynde film og nanostrukturerede materialer ved kemisk at reagere gasformige eller dampformige stoffer på den faste overflade for at generere faste aflejringer1. Dette er afgørende i fysik for at forstå og udforske forholdet mellem materialers mikrostruktur og makroskopiske egenskaber, fordi det giver forskere mulighed for at studere materialer med specifikke strukturer og sammensætninger og derefter dybt forstå deres fysiske egenskaber.

For det andet er CVD-teknologi en nøgleteknologi til fremstilling af forskellige funktionelle tynde film i halvlederenheder. For eksempel kan CVD bruges til at dyrke siliciumenkeltkrystal epitaksiale lag, III-V-halvledere såsom galliumarsenid og II-VI-halvlederenkeltkrystal-epitaksi og aflejre forskellige doterede halvleder-enkeltkrystal-epitaksiale film, polykrystallinske siliciumfilm osv. Disse materialer og strukturer er grundlaget for moderne elektroniske enheder og optoelektroniske enheder. Derudover spiller CVD-teknologi også en vigtig rolle i fysikforskningsfelter såsom optiske materialer, superledende materialer og magnetiske materialer. Gennem CVD-teknologi kan tynde film med specifikke optiske egenskaber syntetiseres til brug i optoelektroniske enheder og optiske sensorer.

Figur 1 CVD-reaktionsoverførselstrin

Samtidig står CVD-teknologien over for nogle udfordringer i praktiske applikationer², såsom:

✔ Høje temperatur- og højtryksforhold: CVD skal normalt udføres ved høj temperatur eller højt tryk, hvilket begrænser de typer materialer, der kan bruges, og øger energiforbruget og omkostningerne.

✔ Parameterfølsomhed: CVD-processen er ekstremt følsom over for reaktionsbetingelser, og selv små ændringer kan påvirke kvaliteten af ​​slutproduktet.

✔ CVD-systemet er komplekst: CVD-processen er følsom over for randbetingelser, har store usikkerheder og er svær at kontrollere og gentage, hvilket kan føre til vanskeligheder i materialeforskning og -udvikling.

Ⅱ. Chemical Vapor Deposition (CVD) teknologi og maskinlæring

Stillet over for disse vanskeligheder har maskinlæring, som et kraftfuldt dataanalyseværktøj, vist potentialet til at løse nogle problemer på CVD-området. Følgende er eksempler på anvendelse af maskinlæring i CVD-teknologi:

(1) Forudsigelse af CVD-vækst

Ved hjælp af maskinlæringsalgoritmer kan vi lære af en stor mængde eksperimentelle data og forudsige resultaterne af CVD-vækst under forskellige forhold, og derved vejlede justeringen af ​​eksperimentelle parametre. Som vist i figur 2 brugte forskerholdet fra Nanyang Technological University i Singapore klassifikationsalgoritmen i maskinlæring til at guide CVD-syntesen af ​​todimensionelle materialer. Ved at analysere tidlige eksperimentelle data forudsagde de med succes vækstbetingelserne for molybdændisulfid (MoS2), hvilket signifikant forbedrede den eksperimentelle succesrate og reducerede antallet af eksperimenter.

Figur 2 Machine learning guider materialesyntese

(a) En uundværlig del af materialeforskning og -udvikling: materialesyntese.

(b) Klassificeringsmodel hjælper kemisk dampaflejring med at syntetisere todimensionelle materialer (øverst); regressionsmodel guider hydrotermisk syntese af svovl-nitrogen-doteret fluorescerende kvanteprikker (nederst).

I en anden undersøgelse (figur 3) blev maskinlæring brugt til at analysere vækstmønsteret for grafen i CVD-systemet. Størrelsen, dækningen, domænetætheden og billedformatet af grafen blev automatisk målt og analyseret ved at udvikle et regionsforslag konvolutionelt neuralt netværk (R-CNN), og derefter blev surrogatmodeller udviklet ved hjælp af kunstige neurale netværk (ANN) og støttevektormaskiner ( SVM) for at udlede sammenhængen mellem CVD-procesvariabler og de målte specifikationer. Denne tilgang kan simulere grafensyntese og bestemme de eksperimentelle betingelser for syntetisering af grafen med en ønsket morfologi med stor kornstørrelse og lav domænetæthed, hvilket sparer en masse tid og omkostninger²³

Figur 3 Maskinlæring forudsiger grafenvækstmønstre i CVD-systemer

(2) Automatiseret CVD-proces

Maskinlæring kan bruges til at udvikle automatiserede systemer til at overvåge og justere parametre i CVD-processen i realtid for at opnå mere præcis kontrol og højere produktionseffektivitet. Som vist i figur 4 brugte et forskerhold fra Xidian University dyb læring til at overvinde vanskeligheden ved at identificere rotationsvinklen for CVD-dobbeltlags todimensionelle materialer. De indsamlede farverum af MoS2 udarbejdet af CVD og anvendte et semantisk segmenteringskonvolutionelt neuralt netværk (CNN) til nøjagtigt og hurtigt at identificere tykkelsen af ​​MoS2, og trænede derefter en anden CNN-model til at opnå nøjagtig forudsigelse af rotationsvinklen for CVD-dyrket dobbeltlags TMD materialer. Denne metode forbedrer ikke kun effektiviteten af ​​prøveidentifikation, men giver også et nyt paradigme for anvendelsen af ​​dyb læring inden for materialevidenskab.⁴.

Figur 4 Deep learning metoder identificerer hjørnerne af dobbeltlags todimensionelle materialer

Referencer:

(1) Guo, Q.-M.; Qin, Z.-H. Udvikling og anvendelse af vapor deposition teknologi i atomar fremstilling. 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-forbedret kemisk dampaflejring af todimensionelle materialer til applikationer. 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. Maskinlæring til CVD-grafenanalyse: Fra måling til simulering af SEM-billeder. 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. Uovervåget læring af individuelle Kohn-Sham-tilstande: Tolkbare repræsentationer og konsekvenser for nedstrøms forudsigelser af mange-kropseffekter. 2024; p arXiv:2404.14601.