Połączenie sztucznej inteligencji i fizyki: innowacja technologiczna CVD kryjąca się za Nagrodą Nobla

Niedawne ogłoszenie Nagrody Nobla w dziedzinie fizyki w 2024 r. zwróciło bezprecedensową uwagę w dziedzinie sztucznej inteligencji. W badaniach przeprowadzonych przez amerykańskiego naukowca Johna J. Hopfielda i kanadyjskiego naukowca Geoffreya E. Hintona wykorzystano narzędzia uczenia maszynowego, aby zapewnić nowy wgląd w złożony świat współczesnej fizyki. To osiągnięcie nie tylko stanowi ważny kamień milowy w technologii sztucznej inteligencji, ale także zwiastuje głęboką integrację fizyki i sztucznej inteligencji.

Jakie jest znaczenie chemicznego osadzania z fazy gazowej (CVD) w fizyce i jakie wyzwania się z tym wiążą?

Technologia chemicznego osadzania z fazy gazowej (CVD).ma wieloaspektowe znaczenie w fizyce, służąc jako kluczowa technika przygotowania materiałów, a jednocześnie odgrywając zasadniczą rolę w postępie badań i zastosowaniach w naukach fizycznych. CVD umożliwia precyzyjną kontrolę wzrostu materiału na poziomie atomowym i molekularnym. Jak pokazano na rysunku 1, technika ta polega na tym, że substancje w fazie gazowej lub parowej poddawane są reakcjom chemicznym na powierzchniach stałych, tworząc stałe osady, tworząc w ten sposób różnorodne wysokowydajne folie i materiały nanostrukturalne. Zdolność ta jest niezbędna w fizyce do zrozumienia i zbadania związku między mikrostrukturą materiałów a ich właściwościami makroskopowymi, ponieważ umożliwia naukowcom badanie materiałów o określonych strukturach i składzie, uzyskując w ten sposób dogłębny wgląd w ich właściwości fizyczne.

Ponadto,Technologia CVDjest kluczową metodą wytwarzania różnych warstw funkcjonalnych w urządzeniach półprzewodnikowych. Można go na przykład wykorzystać do uprawywarstwy epitaksjalne monokrystaliczne krzemu, półprzewodniki III-V, takie jak arsenek galu i półprzewodnikowe monokrystaliczne warstwy epiprzewodnikowe, a także osadzają różne domieszkowane półprzewodnikowe monokrystaliczne warstwy epitaksjalne i folie polikrzemowe. Te materiały i konstrukcje stanowią podstawę nowoczesnych urządzeń elektronicznych i optoelektronicznych. Ponadto technologia CVD odgrywa znaczącą rolę w takich dziedzinach badań, jak materiały optyczne, materiały nadprzewodzące i materiały magnetyczne. Dzięki zastosowaniu CVD można syntetyzować cienkie warstwy o określonych właściwościach optycznych do zastosowań w urządzeniach optoelektronicznych i czujnikach optycznych.

Pomimo swoich zalet technologia CVD napotyka kilka wyzwań w praktycznych zastosowaniach, takich jak:

Warunki wysokiej temperatury i wysokiego ciśnienia: CVD często wymaga wysokich temperatur lub ciśnień, co ogranicza rodzaje materiałów, które można zastosować oraz zwiększa zużycie energii i koszty.

Wrażliwość na parametry: Proces CVD jest niezwykle wrażliwy na warunki reakcji, a nawet niewielkie różnice mogą potencjalnie wpływać na jakość produktu końcowego.

Złożoność systemów CVD: proces jest wrażliwy na warunki brzegowe, charakteryzuje się znaczną niepewnością i może być trudny do powtarzalnej kontroli, co może komplikować rozwój materiału.

Jak to działaTechnologia chemicznego osadzania z fazy gazowej (CVD).Skorzystaj z uczenia maszynowego?

W obliczu tych wyzwań uczenie maszynowe, jako potężne narzędzie analizy danych, wykazało potencjał w rozwiązywaniu niektórych z tych problemów w dziedzinie CVD. Oto przykłady zastosowań uczenia maszynowego w technologii CVD:

(1) Przewidywanie wzrostu CVD: Algorytmy uczenia maszynowego mogą uczyć się na podstawie obszernych danych eksperymentalnych w celu przewidywania wyników wzrostu CVD w różnych warunkach, kierując w ten sposób dostosowywaniem parametrów eksperymentalnych. Jak przedstawiono na rysunku 1, zespół badawczy z Uniwersytetu Technologicznego Nanyang w Singapurze wykorzystał algorytmy klasyfikacyjne 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 prób.

Rysunek 1: Synteza materiałów wspomagana uczeniem maszynowym. (a) Nieodzowna część rozwoju materiału: synteza materiału. (b) Modele klasyfikacyjne ułatwiają syntezę chemicznego osadzania z fazy gazowej (CVD) materiałów dwuwymiarowych (na górze); modele regresji kierują hydrotermalną syntezą fluorescencyjnych kropek kwantowych domieszkowanych siarką i azotem (na dole).

W innym badaniu, jak pokazano na rysunku 2, do analizy wzorców wzrostu grafenu w systemach CVD wykorzystano uczenie maszynowe. Opracowując konwolucyjne sieci neuronowe (R-CNN), badacze byli w stanie automatycznie mierzyć i analizować rozmiar, zasięg, gęstość domen i współczynnik proporcji grafenu. Następnie wykorzystano sztuczne sieci neuronowe (ANN) i maszyny wektorów nośnych (SVM) do opracowania modeli zastępczych w celu wywnioskowania korelacji międzyProces CVDzmienne i zmierzone specyfikacje. Metoda ta umożliwia symulację syntezy grafenu oraz określa warunki eksperymentalne niezbędne do wytworzenia grafenu o dużych rozmiarach ziaren i małej gęstości domen, oszczędzając w ten sposób znaczną oszczędność czasu i kosztów.

Rysunek 2: Przewidywanie wzorców wzrostu grafenu w systemach CVD w oparciu o uczenie maszynowe

(2) Zautomatyzowany proces CVD: Uczenie maszynowe można wykorzystać do opracowania zautomatyzowanych systemów monitorujących i regulujących parametry w czasie rzeczywistym podczas procesu CVD, uzyskując bardziej precyzyjną kontrolę i wyższą wydajność produkcji. Jak pokazano na rysunku 3, zespół badawczy z Uniwersytetu Xidian wykorzystał głębokie uczenie się, aby pokonać wyzwanie polegające na rozpoznaniu kąta obrotu dwuwarstwowych dwuwymiarowych materiałów przygotowanych metodą CVD. Zbierając przestrzeń barw MoS2 przygotowanego w CVD i stosując splotowe sieci neuronowe z segmentacją semantyczną (CNN), udało im się dokładnie i szybko zidentyfikować grubość MoS2. Następnie przeszkolili drugi model CNN, aby precyzyjnie przewidywać kąt obrotu dwuwarstwowych materiałów TMD hodowanych metodą CVD. Metoda ta nie tylko poprawiła skuteczność identyfikacji próbek, ale także zapewniła nowy paradygmat zastosowania głębokiego uczenia się w dziedzinie inżynierii materiałowej.

Rysunek 3: Podejście głębokiego uczenia się do identyfikacji kąta obrotu dwuwarstwowych materiałów dwuwymiarowych

Perspektywy

Ogłoszenie Nagrody Nobla po raz kolejny przypomina nam, że integracja sztucznej inteligencji i fizyki przyniesie więcej innowacji i przełomów. Mamy powody, aby sądzić, że technologia uczenia maszynowego stale się rozwijatechnologia chemicznego osadzania z fazy gazowejw przyszłości zyskają nowe możliwości rozwoju. Wszystko to zwiastuje początek nowej ery, w której konwergencja technologii i nauki otworzy szersze możliwości eksploracji.

Oferta SemicorexuGrafit z powłoką SiC/TaCImateriały ceramiczne poprzez proces chemicznego osadzania z fazy gazowej (CVD).. Jeśli masz jakiekolwiek pytania lub potrzebujesz dodatkowych szczegółów, nie wahaj się z nami skontaktować.

Numer telefonu kontaktowego +86-13567891907

E-mail: sales@semicorex.com