CVD Technology Innovation Bakom Nobelpriset

Nyligen har tillkännagivandet av 2024 års Nobelpris i fysik väckt en aldrig tidigare skådad uppmärksamhet till området artificiell intelligens. Forskningen av den amerikanske vetenskapsmannen John J. Hopfield och den kanadensiske vetenskapsmannen Geoffrey E. Hinton använder verktyg för maskininlärning för att ge nya insikter i dagens komplexa fysik. Denna prestation markerar inte bara en viktig milstolpe inom artificiell intelligens, utan förebådar också den djupa integrationen av fysik och artificiell intelligens.

Ⅰ. Betydelsen och utmaningarna med teknik för kemisk ångdeposition (CVD) i fysik

Betydelsen av kemisk ångavsättningsteknik (CVD) i fysiken är mångfacetterad. Det är inte bara en viktig materialberedningsteknik, utan spelar också en nyckelroll för att främja utvecklingen av fysikforskning och tillämpning. CVD-teknik kan exakt kontrollera tillväxten av material på atomär och molekylär nivå. Som visas i figur 1 producerar denna teknik en mängd högpresterande tunna filmer och nanostrukturerade material genom att kemiskt reagera gasformiga eller ångformiga ämnen på den fasta ytan för att generera fasta avlagringar1. Detta är avgörande i fysiken för att förstå och utforska sambandet mellan materials mikrostruktur och makroskopiska egenskaper, eftersom det gör det möjligt för forskare att studera material med specifika strukturer och sammansättningar och sedan på djupet förstå deras fysiska egenskaper.

För det andra är CVD-teknik en nyckelteknologi för att framställa olika funktionella tunna filmer i halvledarenheter. Till exempel kan CVD användas för att odla epitaxiella kiselenkristallskikt, III-V-halvledare såsom galliumarsenid och II-VI-halvledarenkristallepitaxi, och avsätta olika dopade halvledarenkristallepitaxifilmer, polykristallina kiselfilmer, etc. Dessa material och strukturer är grunden för moderna elektroniska enheter och optoelektroniska enheter. Dessutom spelar CVD-teknik också en viktig roll inom fysikforskningsfält som optiska material, supraledande material och magnetiska material. Genom CVD-teknik kan tunna filmer med specifika optiska egenskaper syntetiseras för användning i optoelektroniska enheter och optiska sensorer.

Figur 1 CVD-reaktionsöverföringssteg

Samtidigt står CVD-tekniken inför vissa utmaningar i praktiska tillämpningar², såsom:

✔ Hög temperatur och högt tryck: CVD behöver vanligtvis utföras vid hög temperatur eller högt tryck, vilket begränsar de typer av material som kan användas och ökar energiförbrukningen och kostnaden.

✔ Parameterkänslighet: CVD-processen är extremt känslig för reaktionsförhållanden, och även små förändringar kan påverka kvaliteten på slutprodukten.

✔ CVD-systemet är komplext: CVD-processen är känslig för randvillkor, har stora osäkerheter och är svår att kontrollera och upprepa, vilket kan leda till svårigheter i materialforskning och utveckling.

Ⅱ. Chemical Vapor Deposition (CVD) Teknik och maskininlärning

Inför dessa svårigheter har maskininlärning, som ett kraftfullt dataanalysverktyg, visat potentialen att lösa vissa problem inom CVD-området. Följande är exempel på tillämpningen av maskininlärning i CVD-teknik:

(1) Förutsäga CVD-tillväxt

Med hjälp av maskininlärningsalgoritmer kan vi lära av en stor mängd experimentella data och förutsäga resultaten av CVD-tillväxt under olika förhållanden, och därigenom vägleda justeringen av experimentella parametrar. Som visas i figur 2 använde forskargruppen vid Nanyang Technological University i Singapore klassificeringsalgoritmen i maskininlärning för att styra CVD-syntesen av tvådimensionella material. Genom att analysera tidiga experimentella data förutspådde de framgångsrikt tillväxtförhållandena för molybdendisulfid (MoS2), vilket avsevärt förbättrade den experimentella framgångsfrekvensen och minskade antalet experiment.

Figur 2 Maskininlärning vägleder materialsyntes

(a) En oumbärlig del av materialforskning och utveckling: materialsyntes.

(b) Klassificeringsmodellen hjälper kemisk ångavsättning att syntetisera tvådimensionella material (överst); regressionsmodell styr hydrotermisk syntes av svavel-kvävedopade fluorescerande kvantprickar (nederst).

I en annan studie (Figur 3) användes maskininlärning för att analysera tillväxtmönstret för grafen i CVD-systemet. Storleken, täckningen, domändensiteten och bildförhållandet för grafen mättes och analyserades automatiskt genom att utveckla ett regionförslags konvolutionellt neuralt nätverk (R-CNN), och sedan utvecklades surrogatmodeller med hjälp av artificiella neurala nätverk (ANN) och stödvektormaskiner ( SVM) för att härleda korrelationen mellan CVD-processvariabler och de uppmätta specifikationerna. Detta tillvägagångssätt kan simulera grafensyntes och bestämma de experimentella förhållandena för att syntetisera grafen med en önskad morfologi med stor kornstorlek och låg domändensitet, vilket sparar mycket tid och kostnader²³

Figur 3 Maskininlärning förutsäger grafentillväxtmönster i CVD-system

(2) Automatiserad CVD-process

Maskininlärning kan användas för att utveckla automatiserade system för att övervaka och justera parametrar i CVD-processen i realtid för att uppnå mer exakt kontroll och högre produktionseffektivitet. Som visas i figur 4 använde ett forskarlag från Xidian University djupinlärning för att övervinna svårigheten att identifiera rotationsvinkeln för CVD-dubbellagers tvådimensionella material. De samlade in färgrymden för MoS2 framställd av CVD och använde ett semantiskt segmenteringskonvolutionellt neuralt nätverk (CNN) för att exakt och snabbt identifiera tjockleken på MoS2, och tränade sedan en andra CNN-modell för att uppnå exakt förutsägelse av rotationsvinkeln för CVD-odlad dubbla lager TMD-material. Denna metod förbättrar inte bara effektiviteten av providentifiering, utan ger också ett nytt paradigm för tillämpningen av djupinlärning inom materialvetenskap.⁴.

Figur 4 Metoder för djupinlärning identifierar hörnen av tvådimensionella material med dubbla lager

Referenser:

(1) Guo, Q.-M.; Qin, Z.-H. Utveckling och tillämpning av ångdeponeringsteknik inom atomär tillverkning. 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-förbättrad kemisk ångavsättning av tvådimensionella material för tillämpningar. 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. Maskininlärning för CVD-grafenanalys: Från mätning till 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. Oövervakad inlärning av individuella Kohn-Sham-tillstånd: Tolkbara representationer och konsekvenser för nedströms förutsägelser av effekter på många kroppar. 2024; p arXiv:2404.14601.