Инновации в технологии CVD, присужденные Нобелевской премии

Недавно объявление о присуждении Нобелевской премии по физике 2024 года привлекло беспрецедентное внимание к области искусственного интеллекта. В исследованиях американского учёного Джона Дж. Хопфилда и канадского учёного Джеффри Хинтона используются инструменты машинного обучения, чтобы по-новому взглянуть на современную сложную физику. Это достижение не только знаменует собой важную веху в технологии искусственного интеллекта, но и предвещает глубокую интеграцию физики и искусственного интеллекта.

Ⅰ. Значение и проблемы технологии химического осаждения из паровой фазы (CVD) в физике

Значение технологии химического осаждения из газовой фазы (CVD) в физике многогранно. Это не только важная технология подготовки материалов, но и играющая ключевую роль в содействии развитию физических исследований и приложений. Технология CVD может точно контролировать рост материалов на атомном и молекулярном уровнях. Как показано на рисунке 1, эта технология позволяет получать разнообразные высокоэффективные тонкие пленки и наноструктурированные материалы путем химической реакции газообразных или парообразных веществ на твердой поверхности с образованием твердых отложений1. В физике это имеет решающее значение для понимания и изучения связи между микроструктурой и макроскопическими свойствами материалов, поскольку позволяет ученым изучать материалы с определенной структурой и составом, а затем глубоко понимать их физические свойства.

Во-вторых, технология CVD является ключевой технологией изготовления различных функциональных тонких пленок в полупроводниковых устройствах. Например, CVD можно использовать для выращивания эпитаксиальных слоев монокристалла кремния, полупроводников III-V, таких как арсенид галлия, и монокристаллической эпитаксии полупроводников II-VI, а также для нанесения различных эпитаксиальных монокристаллических пленок легированных полупроводников, пленок поликристаллического кремния и т. д. Эти материалы и структуры составляют основу современных электронных устройств и оптоэлектронных устройств. Кроме того, технология CVD также играет важную роль в таких областях физических исследований, как оптические материалы, сверхпроводящие материалы и магнитные материалы. С помощью технологии CVD можно синтезировать тонкие пленки с особыми оптическими свойствами для использования в оптоэлектронных устройствах и оптических датчиках.

Рисунок 1. Этапы переноса реакции CVD

В то же время технология CVD сталкивается с некоторыми проблемами в практическом применении², такими как:

✔ Условия высокой температуры и высокого давления: CVD обычно необходимо проводить при высокой температуре или высоком давлении, что ограничивает типы используемых материалов и увеличивает потребление энергии и стоимость.

✔ Чувствительность параметра: Процесс CVD чрезвычайно чувствителен к условиям реакции, и даже небольшие изменения могут повлиять на качество конечного продукта.

✔ Система CVD сложна: Процесс CVD чувствителен к граничным условиям, имеет большую неопределенность, его трудно контролировать и повторять, что может привести к трудностям в исследованиях и разработках материалов.

Ⅱ. Технология химического осаждения из паровой фазы (CVD) и машинное обучение

Столкнувшись с этими трудностями, машинное обучение как мощный инструмент анализа данных показало потенциал решения некоторых проблем в области ССЗ. Ниже приведены примеры применения машинного обучения в технологии CVD:

(1) Прогнозирование роста сердечно-сосудистых заболеваний

Используя алгоритмы машинного обучения, мы можем учиться на большом объеме экспериментальных данных и прогнозировать результаты роста сердечно-сосудистых заболеваний в различных условиях, тем самым управляя корректировкой экспериментальных параметров. Как показано на рисунке 2, исследовательская группа Наньянского технологического университета в Сингапуре использовала алгоритм классификации машинного обучения для управления CVD-синтезом двумерных материалов. Анализируя ранние экспериментальные данные, они успешно предсказали условия роста дисульфида молибдена (MoS2), значительно повысив успешность экспериментов и сократив количество экспериментов.

Рисунок 2. Машинное обучение помогает синтезировать материалы

а) Неотъемлемая часть исследований и разработок материалов: синтез материалов.

(б) Модель классификации помогает химическому осаждению из паровой фазы синтезировать двумерные материалы (вверху); Регрессионная модель управляет гидротермальным синтезом флуоресцентных квантовых точек, легированных серой и азотом (внизу).

В другом исследовании (рис. 3) машинное обучение использовалось для анализа закономерностей роста графена в системе CVD. Размер, покрытие, плотность доменов и соотношение сторон графена были автоматически измерены и проанализированы путем разработки сверточной нейронной сети предложения региона (R-CNN), а затем были разработаны суррогатные модели с использованием искусственных нейронных сетей (ИНС) и машин опорных векторов ( SVM), чтобы сделать вывод о корреляции между переменными процесса CVD и измеренными характеристиками. Этот подход позволяет моделировать синтез графена и определять экспериментальные условия для синтеза графена с желаемой морфологией, большим размером зерна и низкой плотностью доменов, экономя много времени и средств² ³

Рисунок 3. Машинное обучение прогнозирует закономерности роста графена в CVD-системах.

(2) Автоматизированный процесс CVD

Машинное обучение можно использовать для разработки автоматизированных систем для мониторинга и корректировки параметров процесса CVD в режиме реального времени для достижения более точного контроля и повышения эффективности производства. Как показано на рисунке 4, исследовательская группа из Университета Сидиан использовала глубокое обучение, чтобы преодолеть трудности определения угла поворота двухслойных двумерных материалов CVD. Они собрали цветовое пространство MoS2, подготовленное с помощью CVD, и применили сверточную нейронную сеть семантической сегментации (CNN) для точного и быстрого определения толщины MoS2, а затем обучили вторую модель CNN для достижения точного прогнозирования угла поворота CVD-выращенного материала. двухслойные материалы TMD. Этот метод не только повышает эффективность идентификации образцов, но и обеспечивает новую парадигму применения глубокого обучения в области материаловедения.⁴.

Рисунок 4. Методы глубокого обучения определяют углы двухслойных двумерных материалов.

Ссылки:

(1) Го, Ц.-М.; Цинь, З.-Х. Разработка и применение технологии осаждения из паровой фазы в атомном производстве. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) Йи, К.; Лю, Д.; Чен, X.; Ян, Дж.; Вэй, Д.; Лю, Ю.; Вэй, Д. Химическое осаждение из паровой фазы двумерных материалов для применения в плазме. Отчеты о химических исследованиях 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Хван, Г.; Ким, Т.; Шин, Дж.; Шин, Н.; Хван, С. Машинное обучение для CVD-анализа графена: от измерения к моделированию изображений SEM. Журнал промышленной и инженерной химии 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Хоу, Б.; Ву, Дж.; Цю, Д.Ю. Неконтролируемое обучение отдельных состояний Кона-Шама: интерпретируемые представления и последствия для последующих предсказаний эффектов многих тел. 2024 год; р arXiv:2404.14601.