Η καινοτομία τεχνολογίας CVD πίσω από το βραβείο Νόμπελ

Πρόσφατα, η ανακοίνωση του Βραβείου Νόμπελ Φυσικής 2024 έχει φέρει άνευ προηγουμένου προσοχή στον τομέα της τεχνητής νοημοσύνης. Η έρευνα του Αμερικανού επιστήμονα John J. Hopfield και του Καναδού επιστήμονα Geoffrey E. Hinton χρησιμοποιεί εργαλεία μηχανικής μάθησης για να παρέχει νέες γνώσεις για τη σημερινή πολύπλοκη φυσική. Αυτό το επίτευγμα όχι μόνο σηματοδοτεί ένα σημαντικό ορόσημο στην τεχνολογία τεχνητής νοημοσύνης, αλλά προαναγγέλλει επίσης τη βαθιά ενοποίηση της φυσικής και της τεχνητής νοημοσύνης.

Ⅰ. Η σημασία και οι προκλήσεις της τεχνολογίας χημικής εναπόθεσης ατμών (CVD) στη Φυσική

Η σημασία της τεχνολογίας χημικής εναπόθεσης ατμών (CVD) στη φυσική είναι πολύπλευρη. Δεν είναι μόνο μια σημαντική τεχνολογία προετοιμασίας υλικών, αλλά παίζει επίσης βασικό ρόλο στην προώθηση της ανάπτυξης της έρευνας και της εφαρμογής της φυσικής. Η τεχνολογία CVD μπορεί να ελέγξει με ακρίβεια την ανάπτυξη των υλικών σε ατομικό και μοριακό επίπεδο. Όπως φαίνεται στο σχήμα 1, αυτή η τεχνολογία παράγει μια ποικιλία λεπτών μεμβρανών και νανοδομών υλικών υψηλής απόδοσης αντιδρώντας χημικά αέριες ή ατμούς ουσιών στη στερεά επιφάνεια για τη δημιουργία στερεών εναποθέσεων1. Αυτό είναι ζωτικής σημασίας στη φυσική για την κατανόηση και τη διερεύνηση της σχέσης μεταξύ της μικροδομής και των μακροσκοπικών ιδιοτήτων των υλικών, επειδή επιτρέπει στους επιστήμονες να μελετούν υλικά με συγκεκριμένες δομές και συνθέσεις και στη συνέχεια να κατανοούν σε βάθος τις φυσικές τους ιδιότητες.

Δεύτερον, η τεχνολογία CVD είναι μια βασική τεχνολογία για την προετοιμασία διαφόρων λειτουργικών λεπτών μεμβρανών σε συσκευές ημιαγωγών. Για παράδειγμα, η CVD μπορεί να χρησιμοποιηθεί για την ανάπτυξη επιταξιακών στρωμάτων μονοκρυστάλλου πυριτίου, ημιαγωγών III-V όπως αρσενίδιο του γαλλίου και ημιαγωγού μονοκρυσταλλικής επιταξίας II-VI, και την εναπόθεση διαφόρων επιταξιακών μεμβρανών μονοκρυστάλλου ημιαγωγού, πολυκρυσταλλικών μεμβρανών πυριτίου κ.λπ. και οι δομές αποτελούν τη βάση των σύγχρονων ηλεκτρονικών συσκευών και των οπτοηλεκτρονικών συσκευών. Επιπλέον, η τεχνολογία CVD διαδραματίζει επίσης σημαντικό ρόλο στα ερευνητικά πεδία της φυσικής, όπως τα οπτικά υλικά, τα υπεραγώγιμα υλικά και τα μαγνητικά υλικά. Μέσω της τεχνολογίας CVD, μπορούν να συντεθούν λεπτές μεμβράνες με συγκεκριμένες οπτικές ιδιότητες για χρήση σε οπτοηλεκτρονικές συσκευές και οπτικούς αισθητήρες.

Σχήμα 1 Βήματα μεταφοράς αντίδρασης CVD

Ταυτόχρονα, η τεχνολογία CVD αντιμετωπίζει ορισμένες προκλήσεις σε πρακτικές εφαρμογές², όπως:

✔ Συνθήκες υψηλής θερμοκρασίας και υψηλής πίεσης: Η CVD συνήθως χρειάζεται να πραγματοποιείται σε υψηλή θερμοκρασία ή υψηλή πίεση, γεγονός που περιορίζει τους τύπους των υλικών που μπορούν να χρησιμοποιηθούν και αυξάνει την κατανάλωση ενέργειας και το κόστος.

✔ Ευαισθησία παραμέτρων: Η διαδικασία CVD είναι εξαιρετικά ευαίσθητη στις συνθήκες αντίδρασης και ακόμη και μικρές αλλαγές μπορεί να επηρεάσουν την ποιότητα του τελικού προϊόντος.

✔ Το σύστημα CVD είναι πολύπλοκο: Η διαδικασία CVD είναι ευαίσθητη στις οριακές συνθήκες, έχει μεγάλες αβεβαιότητες και είναι δύσκολο να ελεγχθεί και να επαναληφθεί, γεγονός που μπορεί να οδηγήσει σε δυσκολίες στην έρευνα και ανάπτυξη υλικού.

Ⅱ. Τεχνολογία Chemical Vapor Deposition (CVD) και Machine Learning

Αντιμέτωπη με αυτές τις δυσκολίες, η μηχανική μάθηση, ως ένα ισχυρό εργαλείο ανάλυσης δεδομένων, έχει δείξει τη δυνατότητα επίλυσης ορισμένων προβλημάτων στον τομέα της καρδιαγγειακής νόσου. Τα ακόλουθα είναι παραδείγματα εφαρμογής της μηχανικής μάθησης στην τεχνολογία CVD:

(1) Πρόβλεψη ανάπτυξης καρδιαγγειακής νόσου

Χρησιμοποιώντας αλγόριθμους μηχανικής μάθησης, μπορούμε να μάθουμε από μεγάλο αριθμό πειραματικών δεδομένων και να προβλέψουμε τα αποτελέσματα της ανάπτυξης CVD υπό διαφορετικές συνθήκες, καθοδηγώντας έτσι την προσαρμογή των πειραματικών παραμέτρων. Όπως φαίνεται στο Σχήμα 2, η ερευνητική ομάδα του Τεχνολογικού Πανεπιστημίου Nanyang στη Σιγκαπούρη χρησιμοποίησε τον αλγόριθμο ταξινόμησης στη μηχανική μάθηση για να καθοδηγήσει τη σύνθεση CVD δισδιάστατων υλικών. Αναλύοντας πρώιμα πειραματικά δεδομένα, προέβλεψαν με επιτυχία τις συνθήκες ανάπτυξης του δισουλφιδίου του μολυβδαινίου (MoS2), βελτιώνοντας σημαντικά το ποσοστό επιτυχίας του πειράματος και μειώνοντας τον αριθμό των πειραμάτων.

Εικόνα 2 Η μηχανική μάθηση καθοδηγεί τη σύνθεση υλικού

(α) Αναπόσπαστο μέρος της έρευνας και ανάπτυξης υλικών: σύνθεση υλικών.

(β) Το μοντέλο ταξινόμησης βοηθά την εναπόθεση χημικών ατμών για τη σύνθεση δισδιάστατων υλικών (επάνω). Το μοντέλο παλινδρόμησης καθοδηγεί την υδροθερμική σύνθεση κβαντικών κουκκίδων φθορισμού με πρόσμιξη θείου-αζώτου (κάτω).

Σε μια άλλη μελέτη (Εικόνα 3), η μηχανική μάθηση χρησιμοποιήθηκε για την ανάλυση του προτύπου ανάπτυξης του γραφενίου στο σύστημα CVD. Το μέγεθος, η κάλυψη, η πυκνότητα τομέα και η αναλογία διαστάσεων του γραφενίου μετρήθηκαν και αναλύθηκαν αυτόματα αναπτύσσοντας ένα συνελικτικό νευρωνικό δίκτυο (R-CNN) πρότασης περιοχής και στη συνέχεια αναπτύχθηκαν υποκατάστατα μοντέλα χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα (ANN) και μηχανές υποστήριξης διανυσμάτων ( SVM) για να συμπεράνουμε τη συσχέτιση μεταξύ των μεταβλητών της διαδικασίας CVD και των μετρούμενων προδιαγραφών. Αυτή η προσέγγιση μπορεί να προσομοιώσει τη σύνθεση γραφενίου και να καθορίσει τις πειραματικές συνθήκες για τη σύνθεση γραφενίου με μια επιθυμητή μορφολογία με μεγάλο μέγεθος κόκκων και χαμηλή πυκνότητα περιοχής, εξοικονομώντας πολύ χρόνο και κόστος² ³

Το Σχήμα 3 Η μηχανική μάθηση προβλέπει μοτίβα ανάπτυξης γραφενίου σε συστήματα CVD

(2) Αυτοματοποιημένη διαδικασία CVD

Η μηχανική μάθηση μπορεί να χρησιμοποιηθεί για την ανάπτυξη αυτοματοποιημένων συστημάτων παρακολούθησης και προσαρμογής παραμέτρων στη διαδικασία CVD σε πραγματικό χρόνο για την επίτευξη ακριβέστερου ελέγχου και υψηλότερης απόδοσης παραγωγής. Όπως φαίνεται στο Σχήμα 4, μια ερευνητική ομάδα από το Πανεπιστήμιο Xidian χρησιμοποίησε βαθιά μάθηση για να ξεπεράσει τη δυσκολία αναγνώρισης της γωνίας περιστροφής των δισδιάστατων υλικών διπλής στρώσης CVD. Συνέλεξαν τον χρωματικό χώρο του MoS2 που προετοιμάστηκε από το CVD και εφάρμοσαν ένα συνελικτικό νευρωνικό δίκτυο σημασιολογικής τμηματοποίησης (CNN) για να προσδιορίσουν με ακρίβεια και ταχύτητα το πάχος του MoS2 και στη συνέχεια εκπαίδευσαν ένα δεύτερο μοντέλο CNN για να επιτύχουν ακριβή πρόβλεψη της γωνίας περιστροφής του CVD που αναπτύσσεται. υλικά TMD διπλής στρώσης. Αυτή η μέθοδος όχι μόνο βελτιώνει την αποτελεσματικότητα της αναγνώρισης δειγμάτων, αλλά παρέχει επίσης ένα νέο παράδειγμα για την εφαρμογή της βαθιάς μάθησης στον τομέα της επιστήμης των υλικών⁴.

Εικόνα 4 Οι μέθοδοι βαθιάς μάθησης προσδιορίζουν τις γωνίες των δισδιάστατων υλικών διπλής στρώσης

Αναφορές:

(1) Guo, Q.-M.; Qin, Ζ.-Η. Ανάπτυξη και εφαρμογή τεχνολογίας εναπόθεσης ατμών στην ατομική κατασκευή. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) Yi, Κ.; Liu, D.; Chen, Χ.; Yang, J.; Wei, D.; Liu, Υ.; Wei, D. Εναπόθεση χημικών ατμών με ενισχυμένο πλάσμα δισδιάστατων υλικών για εφαρμογές. Accounts of Chemical Research 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, Τ.; Shin, J.; Shin, Ν.; Hwang, S. Μηχανική εκμάθηση για ανάλυση γραφενίου CVD: Από τη μέτρηση στην προσομοίωση εικόνων SEM. Journal of Industrial and Engineering Chemistry 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, Β.; Wu, J.; Qiu, D. Y. Unsupervised Learning of Individual Kohn-Sham States: Interpretable Representations and Consequences for Downstream Predictions of Many-Body Effects. 2024; p arXiv:2404.14601.