CVD-technologie-innovatie achter de Nobelprijs

Onlangs heeft de aankondiging van de Nobelprijs voor de Natuurkunde 2024 ongekende aandacht gebracht op het gebied van kunstmatige intelligentie. Het onderzoek van de Amerikaanse wetenschapper John J. Hopfield en de Canadese wetenschapper Geoffrey E. Hinton maakt gebruik van machine learning-tools om nieuwe inzichten te verschaffen in de hedendaagse complexe natuurkunde. Deze prestatie markeert niet alleen een belangrijke mijlpaal in de kunstmatige intelligentietechnologie, maar luidt ook de diepe integratie van natuurkunde en kunstmatige intelligentie in.

Ⅰ. De betekenis en uitdagingen van chemische dampdepositie (CVD) -technologie in de natuurkunde

De betekenis van chemische dampdepositie (CVD)-technologie in de natuurkunde is veelzijdig. Het is niet alleen een belangrijke materiaalvoorbereidingstechnologie, maar speelt ook een sleutelrol bij het bevorderen van de ontwikkeling van natuurkundig onderzoek en toepassing. CVD-technologie kan de groei van materialen op atomair en moleculair niveau nauwkeurig controleren. Zoals weergegeven in figuur 1 produceert deze technologie een verscheidenheid aan hoogwaardige dunne films en nanogestructureerde materialen door gas- of dampvormige stoffen op het vaste oppervlak chemisch te laten reageren om vaste afzettingen te genereren1. Dit is cruciaal in de natuurkunde voor het begrijpen en onderzoeken van de relatie tussen de microstructuur en macroscopische eigenschappen van materialen, omdat het wetenschappers in staat stelt materialen met specifieke structuren en samenstellingen te bestuderen en vervolgens hun fysische eigenschappen diepgaand te begrijpen.

Ten tweede is CVD-technologie een sleuteltechnologie voor het vervaardigen van verschillende functionele dunne films in halfgeleiderapparaten. CVD kan bijvoorbeeld worden gebruikt voor het laten groeien van epitaxiale lagen van silicium-eenkristallen, III-V-halfgeleiders zoals galliumarsenide en II-VI-epitaxie van halfgeleider-eenkristallen, en om verschillende gedoteerde epitaxiale halfgeleider-eenkristalfilms, polykristallijne siliciumfilms, enz. af te zetten. en structuren vormen de basis van moderne elektronische apparaten en opto-elektronische apparaten. Daarnaast speelt CVD-technologie ook een belangrijke rol in natuurkundige onderzoeksgebieden zoals optische materialen, supergeleidende materialen en magnetische materialen. Via CVD-technologie kunnen dunne films met specifieke optische eigenschappen worden gesynthetiseerd voor gebruik in opto-elektronische apparaten en optische sensoren.

Figuur 1 CVD-reactieoverdrachtsstappen

Tegelijkertijd wordt CVD-technologie geconfronteerd met enkele uitdagingen in praktische toepassingen², zoals:

✔ Omstandigheden bij hoge temperaturen en hoge druk: CVD moet meestal worden uitgevoerd bij hoge temperatuur of hoge druk, wat de soorten materialen beperkt die kunnen worden gebruikt en het energieverbruik en de kosten verhoogt.

✔ Parametergevoeligheid: Het CVD-proces is uiterst gevoelig voor reactieomstandigheden, en zelfs kleine veranderingen kunnen de kwaliteit van het eindproduct beïnvloeden.

✔ CVD-systeem is complex: Het CVD-proces is gevoelig voor randvoorwaarden, kent grote onzekerheden en is moeilijk te controleren en te herhalen, wat kan leiden tot problemen bij materiaalonderzoek en -ontwikkeling.

Ⅱ. Chemische Vapour Deposition (CVD) Technologie en Machine Learning

Geconfronteerd met deze moeilijkheden heeft machinaal leren, als krachtig hulpmiddel voor gegevensanalyse, het potentieel getoond om enkele problemen op het gebied van hart- en vaatziekten op te lossen. Hieronder volgen voorbeelden van de toepassing van machinaal leren in CVD-technologie:

(1) Voorspellen van CVD-groei

Met behulp van machine learning-algoritmen kunnen we leren van een grote hoeveelheid experimentele gegevens en de resultaten van CVD-groei onder verschillende omstandigheden voorspellen, waardoor we de aanpassing van experimentele parameters kunnen sturen. Zoals weergegeven in figuur 2 gebruikte het onderzoeksteam van de Nanyang Technological University in Singapore het classificatie-algoritme in machinaal leren om de CVD-synthese van tweedimensionale materialen te begeleiden. Door vroege experimentele gegevens te analyseren, voorspelden ze met succes de groeiomstandigheden van molybdeendisulfide (MoS2), waardoor het experimentele succespercentage aanzienlijk werd verbeterd en het aantal experimenten werd verminderd.

Figuur 2 Machine learning begeleidt de materiaalsynthese

(a) Een onmisbaar onderdeel van materiaalonderzoek en -ontwikkeling: materiaalsynthese.

(b) Het classificatiemodel helpt chemische dampafzetting bij het synthetiseren van tweedimensionale materialen (boven); regressiemodel begeleidt de hydrothermische synthese van met zwavel-stikstof gedoteerde fluorescerende kwantumdots (onder).

In een ander onderzoek (Figuur 3) werd machinaal leren gebruikt om het groeipatroon van grafeen in het CVD-systeem te analyseren. De grootte, dekking, domeindichtheid en beeldverhouding van grafeen werden automatisch gemeten en geanalyseerd door de ontwikkeling van een convolutioneel neuraal netwerk (R-CNN) met regiovoorstel, en vervolgens werden surrogaatmodellen ontwikkeld met behulp van kunstmatige neurale netwerken (ANN) en ondersteunende vectormachines ( SVM) om de correlatie tussen CVD-procesvariabelen en de gemeten specificaties af te leiden. Deze aanpak kan de grafeensynthese simuleren en de experimentele omstandigheden bepalen voor het synthetiseren van grafeen met een gewenste morfologie met grote korrelgrootte en lage domeindichtheid, waardoor veel tijd en kosten worden bespaard² ³

Figuur 3 Machine learning voorspelt groeipatronen van grafeen in CVD-systemen

(2) Geautomatiseerd CVD-proces

Machine learning kan worden gebruikt om geautomatiseerde systemen te ontwikkelen om parameters in het CVD-proces in realtime te bewaken en aan te passen om een ​​nauwkeurigere controle en een hogere productie-efficiëntie te bereiken. Zoals weergegeven in figuur 4 heeft een onderzoeksteam van de Xidian Universiteit gebruik gemaakt van deep learning om de moeilijkheid van het identificeren van de rotatiehoek van CVD dubbellaagse tweedimensionale materialen te overwinnen. Ze verzamelden de kleurruimte van MoS2, opgesteld door CVD, en pasten een semantisch segmentatieconvolutioneel neuraal netwerk (CNN) toe om de dikte van MoS2 nauwkeurig en snel te identificeren, en trainden vervolgens een tweede CNN-model om een ​​nauwkeurige voorspelling te bereiken van de rotatiehoek van door CVD gegroeide dubbellaagse TMD-materialen. Deze methode verbetert niet alleen de efficiëntie van monsteridentificatie, maar biedt ook een nieuw paradigma voor de toepassing van deep learning op het gebied van materiaalkunde⁴.

Figuur 4 Deep learning-methoden identificeren de hoeken van dubbellaagse tweedimensionale materialen

Referenties:

(1) Guo, Q.-M.; Qin, Z.-H. Ontwikkeling en toepassing van dampdepositietechnologie bij atomaire productie. 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-verbeterde chemische dampafzetting van tweedimensionale materialen voor toepassingen. Verslagen van chemisch onderzoek 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Machine learning voor CVD-grafeenanalyse: van meting tot simulatie van SEM-beelden. Tijdschrift voor industriële en technische chemie 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Ongecontroleerd leren van individuele Kohn-Sham-toestanden: interpreteerbare representaties en gevolgen voor stroomafwaartse voorspellingen van veel-lichaamseffecten. 2024; p arXiv:2404.14601.