Inovace technologie CVD za Nobelovou cenou

V poslední době přineslo vyhlášení Nobelovy ceny za fyziku pro rok 2024 nebývalou pozornost oblasti umělé inteligence. Výzkum amerického vědce Johna J. Hopfielda a kanadského vědce Geoffreyho E. Hintona využívá nástroje strojového učení, aby poskytl nové pohledy na dnešní složitou fyziku. Tento úspěch představuje nejen důležitý milník v technologii umělé inteligence, ale také předznamenává hlubokou integraci fyziky a umělé inteligence.

Ⅰ. Význam a výzvy technologie chemické depozice z plynné fáze (CVD) ve fyzice

Význam technologie chemické depozice z plynné fáze (CVD) ve fyzice je mnohostranný. Není to jen důležitá technologie přípravy materiálu, ale hraje také klíčovou roli při podpoře rozvoje fyzikálního výzkumu a aplikací. Technologie CVD dokáže přesně řídit růst materiálů na atomové a molekulární úrovni. Jak je znázorněno na obrázku 1, tato technologie vytváří různé vysoce výkonné tenké filmy a nanostrukturní materiály chemickou reakcí plynných nebo parních látek na pevném povrchu za vzniku pevných usazenin1. To je ve fyzice klíčové pro pochopení a zkoumání vztahu mezi mikrostrukturou a makroskopickými vlastnostmi materiálů, protože to vědcům umožňuje studovat materiály se specifickými strukturami a složením a poté hluboce porozumět jejich fyzikálním vlastnostem.

Za druhé, technologie CVD je klíčovou technologií pro přípravu různých funkčních tenkých vrstev v polovodičových součástkách. CVD lze například použít k růstu epitaxních vrstev monokrystalu křemíku, polovodičů III-V, jako je arsenid galia a epitaxe polovodičového monokrystalu II-VI, a ukládání různých epitaxních filmů dopovaných polovodičových monokrystalů, polykrystalických křemíkových filmů atd. Tyto materiály a struktury jsou základem moderních elektronických zařízení a optoelektronických zařízení. Kromě toho hraje technologie CVD také důležitou roli v oblastech fyzikálního výzkumu, jako jsou optické materiály, supravodivé materiály a magnetické materiály. Pomocí technologie CVD lze syntetizovat tenké vrstvy se specifickými optickými vlastnostmi pro použití v optoelektronických zařízeních a optických senzorech.

Obrázek 1 Kroky přenosu CVD reakce

Technologie CVD zároveň čelí některým výzvám v praktických aplikacích², jako jsou:

✔ Podmínky vysoké teploty a vysokého tlaku: CVD je obvykle nutné provádět při vysoké teplotě nebo vysokém tlaku, což omezuje typy materiálů, které lze použít, a zvyšuje spotřebu energie a náklady.

✔ Citlivost parametrů: Proces CVD je extrémně citlivý na reakční podmínky a i malé změny mohou ovlivnit kvalitu konečného produktu.

✔ CVD systém je složitý: Proces CVD je citlivý na okrajové podmínky, má velké nejistoty a je obtížné jej kontrolovat a opakovat, což může vést k potížím ve výzkumu a vývoji materiálů.

Ⅱ. Technologie chemické depozice z plynné fáze (CVD) a strojové učení

Tváří v tvář těmto potížím ukázalo strojové učení jako výkonný nástroj pro analýzu dat potenciál vyřešit některé problémy v oblasti CVD. Níže jsou uvedeny příklady aplikace strojového učení v technologii CVD:

(1) Predikce růstu CVD

Pomocí algoritmů strojového učení se můžeme učit z velkého množství experimentálních dat a předpovídat výsledky růstu CVD za různých podmínek, a tím usměrňovat úpravu experimentálních parametrů. Jak ukazuje obrázek 2, výzkumný tým Technologické univerzity Nanyang v Singapuru použil klasifikační algoritmus ve strojovém učení k vedení CVD syntézy dvourozměrných materiálů. Analýzou raných experimentálních dat úspěšně předpověděli podmínky růstu sirníku molybdeničitého (MoS2), výrazně zlepšili úspěšnost experimentů a snížili počet experimentů.

Obrázek 2 Strojové učení vede k syntéze materiálů

a) Nepostradatelná součást materiálového výzkumu a vývoje: syntéza materiálů.

(b) Klasifikační model pomáhá chemické depozici par syntetizovat dvourozměrné materiály (nahoře); regresní model řídí hydrotermální syntézu fluorescenčních kvantových teček dopovaných sírou a dusíkem (dole).

V jiné studii (obrázek 3) bylo strojové učení použito k analýze vzorce růstu grafenu v systému CVD. Velikost, pokrytí, hustota domény a poměr stran grafenu byly automaticky měřeny a analyzovány vývojem konvoluční neuronové sítě pro návrh regionu (R-CNN) a poté byly vyvinuty náhradní modely pomocí umělých neuronových sítí (ANN) a podpůrných vektorových strojů ( SVM) k odvození korelace mezi proměnnými procesu CVD a naměřenými specifikacemi. Tento přístup může simulovat syntézu grafenu a určit experimentální podmínky pro syntézu grafenu s požadovanou morfologií s velkou velikostí zrn a nízkou hustotou domén, což ušetří spoustu času a nákladů² ³

Obrázek 3 Strojové učení předpovídá vzorce růstu grafenu v CVD systémech

(2) Automatizovaný proces CVD

Strojové učení lze použít k vývoji automatizovaných systémů pro sledování a úpravu parametrů v procesu CVD v reálném čase pro dosažení přesnějšího řízení a vyšší efektivity výroby. Jak je znázorněno na obrázku 4, výzkumný tým z univerzity Xidian použil hluboké učení k překonání obtížnosti identifikace úhlu natočení CVD dvouvrstvých dvourozměrných materiálů. Shromáždili barevný prostor MoS2 připravený pomocí CVD a aplikovali sémantickou segmentační konvoluční neuronovou síť (CNN), aby přesně a rychle identifikovali tloušťku MoS2, a poté vytrénovali druhý model CNN, aby dosáhli přesné predikce úhlu rotace pěstovaných CVD. dvouvrstvé materiály TMD. Tato metoda nejen zlepšuje efektivitu identifikace vzorků, ale také poskytuje nové paradigma pro aplikaci hlubokého učení v oblasti materiálové vědy.⁴.

Obrázek 4 Metody hlubokého učení identifikují rohy dvouvrstvých dvourozměrných materiálů

Reference:

(1) Guo, Q.-M.; Qin, Z.-H. Vývoj a aplikace technologie napařování v atomové výrobě. 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. Chemická depozice dvourozměrných materiálů pro aplikace pomocí plazmy. 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. Strojová učení pro CVD grafenovou analýzu: Od měření k simulaci SEM snímků. 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. Unsupervised Learning of Individual Kohn-Sham States: Interpretable Representations and Consequences for Downstream Predictions of Many-Body Effects. 2024; p arXiv:2404.14601.