Технологические инновации CVD за Нобелевской премией

Недавно объявление Нобелевской премии по физике 2024 года привлекло беспрецедентное внимание к области искусственного интеллекта. Исследование американского ученых Джона Дж. Хопфилда и канадского ученого Джеффри Э. Хинтона использует инструменты машинного обучения для предоставления новой информации о сегодняшней сложной физике. Это достижение не только знаменует собой важную веху в технологии искусственного интеллекта, но также предвещает глубокую интеграцию физики и искусственного интеллекта.

Ⅰ. Значение и проблемы технологии химического отложения паров (CVD) при физике

Значение технологии химического отложения паров (CVD) при физике многогранна. Это не только важная технология подготовки материала, но и играет ключевую роль в содействии развитию физических исследований и применения. Технология сердечно -сосудистых заболеваний может точно контролировать рост материалов на атомных и молекулярных уровнях. Как показано на рисунке 1, эта технология производит множество высокопроизводительных тонких пленок и наноструктурированных материалов, химически реагируя газообразные или парообразные вещества на твердой поверхности, чтобы генерировать твердые отложения1. Это имеет решающее значение для физики для понимания и изучения взаимосвязи между микроструктурой и макроскопическими свойствами материалов, поскольку она позволяет ученым изучать материалы с определенными структурами и композициями, а затем глубоко понимает их физические свойства.

Во -вторых, технология CVD является ключевой технологией для подготовки различных функциональных тонких пленок в полупроводниковых устройствах. Например, CVD можно использовать для выращивания кремниевых монокристаллических эпитаксиальных слоев, полупроводников III-V, таких как эпитаксия монокристаллических сетей в галлиях, и осаждают различные легированные полупроводниковые монокристаллические эпитаксиальные пленки, поликлиновые пленки силиконов и т. Д. И т. Д. И структуры, и структуры, развития, и структуры. Кроме того, технология CVD также играет важную роль в области физических исследований, таких как оптические материалы, сверхпроводящие материалы и магнитные материалы. Благодаря технологии CVD тонкие пленки с определенными оптическими свойствами могут быть синтезированы для использования в оптоэлектронных устройствах и оптических датчиках.

Рисунок 1 Стадии переноса реакции CVD

В то же время технология CVD сталкивается с некоторыми проблемами в практических применениях, таких как:

✔ Высокая температура и условия высокого давления: ССЗ, как правило, необходимо выполнять при высокой температуре или высоком давлении, что ограничивает типы материалов, которые можно использовать, и увеличивает потребление энергии и стоимость.

✔ Чувствительность параметров: Процесс сердечно -сосудистых заболеваний чрезвычайно чувствителен к условиям реакции, и даже небольшие изменения могут повлиять на качество конечного продукта.

✔ Система сердечно -сосудистых заболеваний сложна: Процесс сердечно -сосудистых заболеваний чувствителен к граничным условиям, имеет большие неопределенности и трудно контролировать и повторить, что может привести к трудностям в исследованиях материальных исследований и разработки.

Ⅱ. Технология и машинное обучение химического отложения пара (CVD)

Столкнувшись с этими трудностями, машинное обучение, как мощный инструмент анализа данных, показал потенциал для решения некоторых проблем в области сердечно -сосудистых заболеваний. Ниже приведены примеры применения машинного обучения в технологии CVD:

(1) Прогнозирование роста сердечно -сосудистых заболеваний

Используя алгоритмы машинного обучения, мы можем извлечь уроки из большого количества экспериментальных данных и предсказать результаты роста сердечно -сосудистых заболеваний в различных условиях, тем самым направляя корректировку экспериментальных параметров. Как показано на рисунке 2, исследовательская группа Технологического университета Наняна в Сингапуре использовала алгоритм классификации в машинном обучении, чтобы направлять синтез ССЗ Двумерных материалов. Анализируя ранние экспериментальные данные, они успешно предсказали условия роста дисульфида молибдена (MOS2), значительно улучшив экспериментальную скорость успеха и уменьшая количество экспериментов.

Рисунок 2 Руководства по машинному обучению Синтез материала

(а) Незаменимая часть материала исследования и разработки: синтез материала.

(B) Классификационная модель помогает химическому отложению из паров в синтезе двухмерных материалов (вверху); Регрессионная модель направляет гидротермальный синтез флуоресцентных квантовых точек, легированных серы-азотом (внизу).

В другом исследовании (рис. 3) машинное обучение использовалось для анализа схемы роста графена в системе ССЗ. Размер, охват, плотность доменов и соотношение графена были автоматически измерены и проанализированы путем разработки сверточной нейронной сети (R-CNN), а затем были разработаны суррогатные модели с использованием искусственных нейронных сетей (ANN) и опорных векторных машин (SVM) для вывода корреляции между переменными процессами CVD и измеренными спецификациями. Этот подход может имитировать синтез графена и определить условия эксперимента для синтеза графена с желаемой морфологией с большим размером зерна и низкой плотностью домены, экономя много времени и стоимости ним.

Рисунок 3 Машинное обучение прогнозирует паттерны роста графена в системах ССЗ

(2) Автоматизированный процесс сердечно -сосудистых заболеваний

Машинное обучение может использоваться для разработки автоматизированных систем для мониторинга и регулировки параметров в процессе сердечно -сосудистых заболеваний в режиме реального времени для достижения более точного контроля и более высокой эффективности производства. Как показано на рисунке 4, исследовательская группа из Университета Ксидиан использовала глубокое обучение, чтобы преодолеть сложность определения угла вращения двухмерных двухмерных материалов ССЗ. Они собрали цветовое пространство MOS2, подготовленное с помощью сердечно-сосудистых заболеваний, и применили семантическую сегментационную сверточную нервную сеть (CNN), чтобы точно и быстро идентифицировать толщину MOS2, а затем обучили вторую модель CNN для достижения точного прогнозирования угла угла вращения двухслойных материалов TMD. Этот метод не только повышает эффективность идентификации выборки, но также обеспечивает новую парадигму для применения глубокого обучения в области материаловедения⁴.

Рисунок 4 Методы глубокого обучения. Определите углы двухслойных двухмерных материалов

Ссылки:

(1) Го, Q.-M.; Цинь, З.-Х. Разработка и применение технологии осаждения паров при атомном производстве. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Два: 10.7498/aps.70.20201436.

(2) Yi, K.; Лю, Д.; Чен, x.; Ян, Дж.; Вей, Д.; Лю, Y.; Вей, D. Увеличенное плазменным химическим парами из двухмерных материалов для применений. Счета химических исследований 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Ким, Т.; Shin, J.; Shin, N.; Hwang, S. Machine Learnings для анализа графена сердечно -сосудистых заболеваний: от измерения до моделирования изображений SEM. Журнал промышленной и инженерной химии 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Цю, Д. Ю. Неконтролируемое изучение отдельных государств Кон-Шама: интерпретируемые представления и последствия для последующих прогнозов эффектов многих тел. 2024; P arxiv: 2404.14601.