Innowacje w technologii CVD kryjące się za Nagrodą Nobla

Niedawno ogłoszenie Nagrody Nobla w dziedzinie fizyki za rok 2024 zwróciło bezprecedensową uwagę w dziedzinie sztucznej inteligencji. Badania amerykańskiego naukowca Johna J. Hopfielda i kanadyjskiego naukowca Geoffreya E. Hintona wykorzystują narzędzia uczenia maszynowego, aby zapewnić nowy wgląd we współczesną złożoną fizykę. To osiągnięcie nie tylko stanowi ważny kamień milowy w technologii sztucznej inteligencji, ale także zwiastuje głęboką integrację fizyki i sztucznej inteligencji.

Ⅰ. Znaczenie i wyzwania technologii chemicznego osadzania z fazy gazowej (CVD) w fizyce

Znaczenie technologii chemicznego osadzania z fazy gazowej (CVD) w fizyce jest wieloaspektowe. Jest to nie tylko ważna technologia przygotowania materiałów, ale odgrywa także kluczową rolę w promowaniu rozwoju badań i zastosowań fizyki. Technologia CVD może precyzyjnie kontrolować wzrost materiałów na poziomie atomowym i molekularnym. Jak pokazano na rysunku 1, technologia ta umożliwia wytwarzanie różnych wysokowydajnych cienkich warstw i materiałów nanostrukturalnych w drodze reakcji chemicznej substancji gazowych lub parowych na powierzchni stałej w celu wytworzenia stałych osadów1. Ma to kluczowe znaczenie w fizyce dla zrozumienia i zbadania zależności między mikrostrukturą a makroskopowymi właściwościami materiałów, ponieważ pozwala naukowcom badać materiały o określonych strukturach i składzie, a następnie dogłębnie zrozumieć ich właściwości fizyczne.

Po drugie, technologia CVD jest kluczową technologią wytwarzania różnych funkcjonalnych cienkich warstw w urządzeniach półprzewodnikowych. Na przykład CVD można stosować do hodowli warstw epitaksjalnych monokrystalicznych krzemu, półprzewodników III-V, takich jak arsenek galu i epitaksja monokrystaliczna półprzewodników II-VI, a także do osadzania różnych domieszkowanych półprzewodnikowych warstw epitaksjalnych monokrystalicznych, warstw z krzemu polikrystalicznego itp. Materiały te i konstrukcje są podstawą współczesnych urządzeń elektronicznych i optoelektronicznych. Ponadto technologia CVD odgrywa również ważną rolę w dziedzinach badań fizycznych, takich jak materiały optyczne, materiały nadprzewodzące i materiały magnetyczne. Dzięki technologii CVD można syntetyzować cienkie warstwy o określonych właściwościach optycznych do zastosowania w urządzeniach optoelektronicznych i czujnikach optycznych.

Rysunek 1 Etapy przenoszenia reakcji CVD

Jednocześnie technologia CVD stoi przed pewnymi wyzwaniami w praktycznych zastosowaniach², takimi jak:

✔ Warunki wysokiej temperatury i wysokiego ciśnienia: CVD zwykle należy przeprowadzać w wysokiej temperaturze lub pod wysokim ciśnieniem, co ogranicza rodzaje materiałów, które można zastosować oraz zwiększa zużycie energii i koszty.

✔ Czułość parametrów: Proces CVD jest niezwykle wrażliwy na warunki reakcji i nawet niewielkie zmiany mogą mieć wpływ na jakość produktu końcowego.

✔ Układ CVD jest złożony: Proces CVD jest wrażliwy na warunki brzegowe, charakteryzuje się dużą niepewnością oraz jest trudny do kontrolowania i powtarzania, co może prowadzić do trudności w badaniach i rozwoju materiałów.

Ⅱ. Technologia chemicznego osadzania z fazy gazowej (CVD) i uczenie maszynowe

W obliczu tych trudności uczenie maszynowe, jako potężne narzędzie analizy danych, pokazało potencjał rozwiązania niektórych problemów w dziedzinie CVD. Poniżej znajdują się przykłady zastosowania uczenia maszynowego w technologii CVD:

(1) Przewidywanie wzrostu CVD

Korzystając z algorytmów uczenia maszynowego, możemy uczyć się na podstawie dużej ilości danych eksperymentalnych i przewidywać wyniki wzrostu CVD w różnych warunkach, kierując w ten sposób dostosowaniem parametrów eksperymentalnych. Jak pokazano na rysunku 2, zespół badawczy Nanyang Technological University w Singapurze wykorzystał algorytm klasyfikacji w uczeniu maszynowym do kierowania syntezą CVD materiałów dwuwymiarowych. Analizując wczesne dane eksperymentalne, z powodzeniem przewidzieli warunki wzrostu dwusiarczku molibdenu (MoS2), znacznie poprawiając wskaźnik powodzenia eksperymentów i zmniejszając liczbę eksperymentów.

Rysunek 2 Uczenie maszynowe steruje syntezą materiałów

(a) Nieodzowna część badań i rozwoju materiałów: synteza materiałów.

(b) Model klasyfikacji pomaga poprzez chemiczne osadzanie z fazy gazowej w celu syntezy materiałów dwuwymiarowych (na górze); model regresji kieruje syntezą hydrotermalną fluorescencyjnych kropek kwantowych domieszkowanych siarką i azotem (na dole).

W innym badaniu (ryc. 3) do analizy wzorca wzrostu grafenu w układzie CVD wykorzystano uczenie maszynowe. Rozmiar, pokrycie, gęstość domeny i współczynnik kształtu grafenu zostały automatycznie zmierzone i przeanalizowane poprzez opracowanie propozycji regionu splotowej sieci neuronowej (R-CNN), a następnie opracowano modele zastępcze przy użyciu sztucznych sieci neuronowych (ANN) i maszyn wektorów nośnych ( SVM), aby wywnioskować korelację między zmiennymi procesu CVD a zmierzonymi specyfikacjami. Podejście to może symulować syntezę grafenu i określić warunki eksperymentalne syntezy grafenu o pożądanej morfologii o dużym rozmiarze ziaren i małej gęstości domen, oszczędzając dużo czasu i kosztów² ³

Rysunek 3 Uczenie maszynowe przewiduje wzorce wzrostu grafenu w systemach CVD

(2) Zautomatyzowany proces CVD

Uczenie maszynowe można wykorzystać do opracowania zautomatyzowanych systemów monitorowania i dostosowywania parametrów w procesie CVD w czasie rzeczywistym, aby osiągnąć bardziej precyzyjną kontrolę i wyższą wydajność produkcji. Jak pokazano na rysunku 4, zespół badawczy z Uniwersytetu Xidian wykorzystał głębokie uczenie się, aby pokonać trudności związane z identyfikacją kąta obrotu dwuwarstwowych dwuwymiarowych materiałów CVD. Zebrali przestrzeń barw MoS2 przygotowaną przez CVD i zastosowali splotową sieć neuronową segmentacji semantycznej (CNN), aby dokładnie i szybko zidentyfikować grubość MoS2, a następnie wytrenowali drugi model CNN, aby uzyskać dokładne przewidywanie kąta obrotu wyhodowanych w CVD dwuwarstwowe materiały TMD. Metoda ta nie tylko poprawia skuteczność identyfikacji próbek, ale także zapewnia nowy paradygmat zastosowania głębokiego uczenia się w dziedzinie inżynierii materiałowej⁴.

Rysunek 4 Metody głębokiego uczenia identyfikują narożniki dwuwarstwowych materiałów dwuwymiarowych

Referencje:

(1) Guo, Q.-M.; Qin, Z.-H. Opracowanie i zastosowanie technologii osadzania z fazy gazowej w produkcji atomowej. 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. Chemiczne osadzanie z fazy gazowej wspomagane plazmą materiałów dwuwymiarowych do zastosowań. Rachunki Badań Chemicznych 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Uczenie maszynowe do analizy grafenu CVD: od pomiaru do symulacji obrazów 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. Uczenie się bez nadzoru poszczególnych stanów Kohna-Shama: interpretowalne reprezentacje i konsekwencje dla dalszych przewidywań efektów wielu ciał. 2024; p arXiv:2404.14601.