Innovazione tecnologica CVD dietro il premio Nobel

Recentemente, l'annuncio del premio Nobel del 2024 in fisica ha attirato un'attenzione senza precedenti sul campo dell'intelligenza artificiale. La ricerca dello scienziato americano John J. Hopfield e dello scienziato canadese Geoffrey E. Hinton utilizza strumenti di apprendimento automatico per fornire nuove intuizioni alla fisica complessa di oggi. Questo risultato non solo segna un'importante pietra miliare nella tecnologia di intelligenza artificiale, ma annuncia anche la profonda integrazione della fisica e dell'intelligenza artificiale.

Ⅰ. Il significato e le sfide della tecnologia di deposizione di vapore chimico (CVD) in fisica

Il significato della tecnologia di deposizione di vapore chimico (CVD) in fisica è sfaccettato. Non è solo una tecnologia di preparazione dei materiali importante, ma svolge anche un ruolo chiave nel promuovere lo sviluppo della ricerca e dell'applicazione della fisica. La tecnologia CVD può controllare con precisione la crescita dei materiali a livello atomico e molecolare. Come mostrato nella Figura 1, questa tecnologia produce una varietà di film sottili ad alte prestazioni e materiali nanostrutturati reagendo chimicamente sostanze gassose o vaporose sulla superficie solida per generare depositi solidi1. Ciò è cruciale in fisica per comprendere ed esplorare la relazione tra la microstruttura e le proprietà macroscopiche dei materiali, perché consente agli scienziati di studiare materiali con strutture e composizioni specifiche e quindi comprendere profondamente le loro proprietà fisiche.

In secondo luogo, la tecnologia CVD è una tecnologia chiave per preparare vari film sottili funzionali in dispositivi a semiconduttore. Ad esempio, il CVD può essere usato per coltivare strati epitassiali a cristallo singolo di silicio, semiconduttori III-V come l'arsenuro di gallio e semiconduttore II-VI epitassia a cristallo singolo e depositare vari a semiconduttori e moderni difettici di semi-padroni di semi-padroni di sede entità di optoectonic. Inoltre, la tecnologia CVD svolge anche un ruolo importante nei campi di ricerca sulla fisica come materiali ottici, materiali superconduttori e materiali magnetici. Attraverso la tecnologia CVD, i film sottili con proprietà ottiche specifiche possono essere sintetizzati per l'uso in dispositivi optoelettronici e sensori ottici.

Figura 1 Passaggi di trasferimento di reazione CVD

Allo stesso tempo, la tecnologia CVD deve affrontare alcune sfide nelle applicazioni pratiche², come ad esempio:

✔ Condizioni di alta temperatura e alta pressione: CVD di solito deve essere effettuato ad alta temperatura o alta pressione, il che limita i tipi di materiali che possono essere utilizzati e aumenta il consumo e il costo dell'energia.

✔ Sensibilità dei parametri: Il processo CVD è estremamente sensibile alle condizioni di reazione e anche piccoli cambiamenti possono influire sulla qualità del prodotto finale.

✔ Il sistema CVD è complesso: Il processo CVD è sensibile alle condizioni al contorno, ha grandi incertezze ed è difficile da controllare e ripetere, il che può portare a difficoltà nella ricerca e nello sviluppo dei materiali.

Ⅱ. Tecnologia e apprendimento automatico della deposizione di vapore chimico (CVD)

Di fronte a queste difficoltà, l'apprendimento automatico, come potente strumento di analisi dei dati, ha mostrato il potenziale per risolvere alcuni problemi nel campo CVD. I seguenti sono esempi dell'applicazione dell'apprendimento automatico nella tecnologia CVD:

(1) Prevedere la crescita del CVD

Utilizzando algoritmi di apprendimento automatico, possiamo imparare da una grande quantità di dati sperimentali e prevedere i risultati della crescita CVD in condizioni diverse, guidando così la regolazione dei parametri sperimentali. Come mostrato nella Figura 2, il team di ricerca della Nanyang Technological University di Singapore ha utilizzato l'algoritmo di classificazione nell'apprendimento automatico per guidare la sintesi CVD di materiali bidimensionali. Analizzando i primi dati sperimentali, hanno predetto con successo le condizioni di crescita del disolfuro di molibdeno (MOS2), migliorando significativamente il tasso di successo sperimentale e riducendo il numero di esperimenti.

Figura 2 Guide di apprendimento automatico Sintesi materiale

(a) Una parte indispensabile della ricerca e dello sviluppo materiale: sintesi materiale.

(b) il modello di classificazione aiuta la deposizione di vapore chimico a sintetizzare i materiali bidimensionali (in alto); Il modello di regressione guida la sintesi idrotermale di punti quantici fluorescenti drogati di zolfo-nitrogeno (in basso).

In un altro studio (Figura 3), l'apprendimento automatico è stato utilizzato per analizzare il modello di crescita del grafene nel sistema CVD. Le dimensioni, la copertura, la densità del dominio e le proporzioni del grafene sono state automaticamente misurate e analizzate sviluppando una proposta di regione Neurale convoluzionale (R-CNN) e quindi i modelli surrogati sono stati sviluppati utilizzando le reti neurali artificiali (ANN) e le macchine vettoriali di supporto (SVM) per dedurre la correlazione tra le specifiche del processo CVD e le specifiche misurate. Questo approccio può simulare la sintesi del grafene e determinare le condizioni sperimentali per la sintesi di grafene con una morfologia desiderata con dimensioni di grandi grani e bassa densità del dominio, risparmiando molto tempo e costi ³

Figura 3 Machine Learning prevede i modelli di crescita del grafene nei sistemi CVD

(2) Processo CVD automatizzato

L'apprendimento automatico può essere utilizzato per sviluppare sistemi automatizzati per monitorare e regolare i parametri nel processo CVD in tempo reale per ottenere un controllo più preciso e una maggiore efficienza di produzione. Come mostrato nella Figura 4, un team di ricerca dell'Università di Xidian ha utilizzato l'apprendimento profondo per superare la difficoltà di identificare l'angolo di rotazione dei materiali bidimensionali a doppio strato CVD. Hanno raccolto lo spazio colore di MOS2 preparato da CVD e hanno applicato una rete neurale convoluzionale di segmentazione semantica (CNN) per identificare accuratamente e rapidamente lo spessore di MOS2, e quindi addestrati a un secondo modello CNN per ottenere una previsione accurata dell'angolo di rotazione dei materiali TMD a doppio livello di CVD. Questo metodo non solo migliora l'efficienza dell'identificazione del campione, ma fornisce anche un nuovo paradigma per l'applicazione dell'apprendimento profondo nel campo della scienza dei materiali⁴.

Figura 4 Metodi di apprendimento profondo Identificare gli angoli dei materiali bidimensionali a doppio strato

Riferimenti:

(1) Guo, Q.-M.; Qin, Z.-H. Sviluppo e applicazione della tecnologia di deposizione di vapore nella produzione atomica. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Due: 10.7498/aps.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Deposizione di vapore chimico potenziato dal plasma di materiali bidimensionali per applicazioni. Conti della ricerca chimica 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Apprendimenti per macchine per analisi del grafene CVD: dalla misurazione alla simulazione di immagini SEM. 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. Apprendimento senza supervisione dei singoli stati Kohn-Sham: rappresentazioni interpretabili e conseguenze per le previsioni a valle di effetti a molti corpi. 2024; P arxiv: 2404.14601.