CVD Technology Innovation Bak Nobelprisen

Nylig har kunngjøringen av 2024 Nobelprisen i fysikk ført til enestående oppmerksomhet til feltet kunstig intelligens. Forskningen til den amerikanske vitenskapsmannen John J. Hopfield og den kanadiske vitenskapsmannen Geoffrey E. Hinton bruker maskinlæringsverktøy for å gi ny innsikt i dagens komplekse fysikk. Denne prestasjonen markerer ikke bare en viktig milepæl innen kunstig intelligens-teknologi, men varsler også den dype integrasjonen av fysikk og kunstig intelligens.

Ⅰ. Betydningen og utfordringene ved teknologi for kjemisk dampavsetning (CVD) i fysikk

Betydningen av kjemisk dampavsetning (CVD) teknologi i fysikk er mangefasettert. Det er ikke bare en viktig materialforberedelsesteknologi, men spiller også en nøkkelrolle i å fremme utviklingen av fysikkforskning og anvendelse. CVD-teknologi kan nøyaktig kontrollere veksten av materialer på atom- og molekylnivå. Som vist i figur 1, produserer denne teknologien en rekke høyytelses tynne filmer og nanostrukturerte materialer ved å kjemisk reagere gassformige eller dampformige stoffer på den faste overflaten for å generere faste avleiringer1. Dette er avgjørende i fysikk for å forstå og utforske forholdet mellom mikrostruktur og makroskopiske egenskaper til materialer, fordi det lar forskere studere materialer med spesifikke strukturer og sammensetninger, og deretter dypt forstå deres fysiske egenskaper.

For det andre er CVD-teknologi en nøkkelteknologi for å lage ulike funksjonelle tynnfilmer i halvlederenheter. For eksempel kan CVD brukes til å dyrke silisium enkrystall epitaksiale lag, III-V halvledere som galliumarsenid og II-VI halvleder enkrystall epitaksi, og avsette forskjellige dopede halvleder enkrystall epitaksiale filmer, polykrystallinske silisium filmer, etc. Disse materialene og strukturer er grunnlaget for moderne elektroniske enheter og optoelektroniske enheter. I tillegg spiller CVD-teknologi også en viktig rolle i fysikkforskningsfelt som optiske materialer, superledende materialer og magnetiske materialer. Gjennom CVD-teknologi kan tynne filmer med spesifikke optiske egenskaper syntetiseres for bruk i optoelektroniske enheter og optiske sensorer.

Figur 1 CVD-reaksjonsoverføringstrinn

Samtidig står CVD-teknologien overfor noen utfordringer i praktiske applikasjoner², som:

✔ Høy temperatur og høyt trykk forhold: CVD må vanligvis utføres ved høy temperatur eller høyt trykk, noe som begrenser hvilke typer materialer som kan brukes og øker energiforbruket og kostnadene.

✔ Parameterfølsomhet: CVD-prosessen er ekstremt følsom for reaksjonsforhold, og selv små endringer kan påvirke kvaliteten på sluttproduktet.

✔ CVD-systemet er komplekst: CVD-prosessen er følsom for grenseforhold, har store usikkerheter og er vanskelig å kontrollere og gjenta, noe som kan føre til vanskeligheter i materialforskning og utvikling.

Ⅱ. Kjemisk dampavsetning (CVD) teknologi og maskinlæring

Overfor disse vanskelighetene har maskinlæring, som et kraftig dataanalyseverktøy, vist potensialet til å løse noen problemer i CVD-feltet. Følgende er eksempler på bruk av maskinlæring i CVD-teknologi:

(1) Forutsi CVD-vekst

Ved å bruke maskinlæringsalgoritmer kan vi lære av en stor mengde eksperimentelle data og forutsi resultatene av CVD-vekst under forskjellige forhold, og dermed veilede justeringen av eksperimentelle parametere. Som vist i figur 2 brukte forskerteamet ved Nanyang Technological University i Singapore klassifiseringsalgoritmen i maskinlæring for å veilede CVD-syntesen av todimensjonale materialer. Ved å analysere tidlige eksperimentelle data, forutså de vellykket vekstforholdene til molybdendisulfid (MoS2), noe som forbedret den eksperimentelle suksessraten betydelig og reduserte antall eksperimenter.

Figur 2 Maskinlæring veileder materialsyntese

(a) En uunnværlig del av materialforskning og utvikling: materialsyntese.

(b) Klassifiseringsmodell hjelper kjemisk dampavsetning til å syntetisere todimensjonale materialer (øverst); regresjonsmodell styrer hydrotermisk syntese av svovel-nitrogen-dopet fluorescerende kvanteprikker (nederst).

I en annen studie (figur 3) ble maskinlæring brukt til å analysere vekstmønsteret til grafen i CVD-systemet. Størrelsen, dekningen, domenetettheten og sideforholdet til grafen ble automatisk målt og analysert ved å utvikle et områdeforslag konvolusjonelt nevralt nettverk (R-CNN), og deretter ble surrogatmodeller utviklet ved bruk av kunstige nevrale nettverk (ANN) og støttevektormaskiner ( SVM) for å utlede korrelasjonen mellom CVD-prosessvariabler og de målte spesifikasjonene. Denne tilnærmingen kan simulere grafensyntese og bestemme de eksperimentelle betingelsene for å syntetisere grafen med en ønsket morfologi med stor kornstørrelse og lav domenetetthet, noe som sparer mye tid og kostnader²³

Figur 3 Maskinlæring forutsier grafenvekstmønstre i CVD-systemer

(2) Automatisert CVD-prosess

Maskinlæring kan brukes til å utvikle automatiserte systemer for å overvåke og justere parametere i CVD-prosessen i sanntid for å oppnå mer presis kontroll og høyere produksjonseffektivitet. Som vist i figur 4, brukte et forskerteam fra Xidian University dyp læring for å overvinne vanskeligheten med å identifisere rotasjonsvinkelen til CVD-dobbeltlags todimensjonale materialer. De samlet inn fargerommet til MoS2 utarbeidet av CVD og brukte et semantisk segmenteringskonvolusjonelt nevralt nettverk (CNN) for nøyaktig og raskt å identifisere tykkelsen på MoS2, og trente deretter en andre CNN-modell for å oppnå nøyaktig prediksjon av rotasjonsvinkelen til CVD-vokst dobbeltlags TMD-materialer. Denne metoden forbedrer ikke bare effektiviteten av prøveidentifikasjon, men gir også et nytt paradigme for anvendelse av dyp læring innen materialvitenskap.⁴.

Figur 4 Metoder for dyp læring identifiserer hjørnene til to-lags todimensjonale materialer

Referanser:

(1) Guo, Q.-M.; Qin, Z.-H. Utvikling og anvendelse av dampavsetningsteknologi i atomproduksjon. 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 kjemisk dampavsetning av todimensjonale materialer for applikasjoner. 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 for CVD-grafenanalyse: Fra måling til simulering av SEM-bilder. 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. Uovervåket læring av individuelle Kohn-Sham-tilstander: Tolkbare representasjoner og konsekvenser for nedstrømsprediksjoner av effekter på mange kropper. 2024; p arXiv:2404.14601.