นวัตกรรมเทคโนโลยี CVD ที่อยู่เบื้องหลังรางวัลโนเบล

เมื่อเร็ว ๆ นี้การประกาศรางวัลโนเบลในสาขาฟิสิกส์ปี 2567 ได้ให้ความสนใจอย่างไม่เคยปรากฏมาก่อนในสาขาปัญญาประดิษฐ์ การวิจัยของนักวิทยาศาสตร์ชาวอเมริกันจอห์นเจฮอพฟิลด์และนักวิทยาศาสตร์ชาวแคนาดาเจฟฟรีย์อี. ฮินตันใช้เครื่องมือการเรียนรู้ของเครื่องเพื่อให้ข้อมูลเชิงลึกใหม่เกี่ยวกับฟิสิกส์ที่ซับซ้อนในปัจจุบัน ความสำเร็จนี้ไม่เพียง แต่เป็นเหตุการณ์สำคัญที่สำคัญในเทคโนโลยีปัญญาประดิษฐ์ แต่ยังประกาศถึงการบูรณาการอย่างลึกซึ้งของฟิสิกส์และปัญญาประดิษฐ์

ⅰ. ความสำคัญและความท้าทายของเทคโนโลยีการสะสมไอสารเคมี (CVD) ในฟิสิกส์

ความสำคัญของเทคโนโลยีการสะสมไอสารเคมี (CVD) ในฟิสิกส์มีหลายแง่มุม ไม่เพียง แต่เป็นเทคโนโลยีการเตรียมวัสดุที่สำคัญ แต่ยังมีบทบาทสำคัญในการส่งเสริมการพัฒนาการวิจัยและการประยุกต์ใช้ฟิสิกส์ เทคโนโลยี CVD สามารถควบคุมการเจริญเติบโตของวัสดุได้อย่างแม่นยำในระดับอะตอมและระดับโมเลกุล ดังที่แสดงในรูปที่ 1 เทคโนโลยีนี้สร้างฟิล์มบางที่มีประสิทธิภาพสูงและวัสดุที่มีโครงสร้างนาโนโดยทำปฏิกิริยาทางเคมีทางเคมีหรือสารที่เป็นก๊าซทางเคมีบนพื้นผิวที่เป็นของแข็งเพื่อสร้างการสะสมของแข็ง 1 นี่เป็นสิ่งสำคัญในฟิสิกส์เพื่อทำความเข้าใจและสำรวจความสัมพันธ์ระหว่างโครงสร้างจุลภาคและคุณสมบัติของวัสดุด้วยกล้องจุลทรรศน์เพราะช่วยให้นักวิทยาศาสตร์ศึกษาวัสดุที่มีโครงสร้างและองค์ประกอบเฉพาะจากนั้นเข้าใจคุณสมบัติทางกายภาพของพวกเขาอย่างลึกซึ้ง

ประการที่สองเทคโนโลยี CVD เป็นเทคโนโลยีสำคัญสำหรับการเตรียมฟิล์มบางฟังก์ชั่นที่หลากหลายในอุปกรณ์เซมิคอนดักเตอร์ ตัวอย่างเช่น CVD สามารถใช้ในการเติบโตชั้น epitaxial คริสตัลซิลิกอนเดี่ยว, เซมิคอนดักเตอร์ III-V เช่นแกลเลียมอาร์เซเนด์และ II-VI เซมิคอนดักเตอร์ผลึกเดี่ยว epitaxy และการสะสมของฟิล์มอิเล็กโทรนิก นอกจากนี้เทคโนโลยี CVD ยังมีบทบาทสำคัญในสาขาการวิจัยทางฟิสิกส์เช่นวัสดุทางแสงวัสดุตัวนำยิ่งยวดและวัสดุแม่เหล็ก ผ่านเทคโนโลยี CVD ฟิล์มบางที่มีคุณสมบัติทางแสงที่เฉพาะเจาะจงสามารถสังเคราะห์เพื่อใช้ในอุปกรณ์ออพโตอิเล็กทรอนิกส์และเซ็นเซอร์ออปติคัล

รูปที่ 1 ขั้นตอนการถ่ายโอนปฏิกิริยา CVD

ในขณะเดียวกันเทคโนโลยี CVD เผชิญกับความท้าทายในการใช้งานจริง²เช่น:

✔ อุณหภูมิสูงและสภาวะความดันสูง: CVD มักจะต้องดำเนินการที่อุณหภูมิสูงหรือแรงดันสูงซึ่ง จำกัด ประเภทของวัสดุที่สามารถใช้และเพิ่มการใช้พลังงานและค่าใช้จ่าย

✔ ความไวของพารามิเตอร์: กระบวนการ CVD มีความไวต่อสภาวะปฏิกิริยาอย่างมากและการเปลี่ยนแปลงเล็กน้อยอาจส่งผลกระทบต่อคุณภาพของผลิตภัณฑ์ขั้นสุดท้าย

✔ ระบบ CVD มีความซับซ้อน: กระบวนการ CVD มีความไวต่อเงื่อนไขขอบเขตมีความไม่แน่นอนขนาดใหญ่และยากต่อการควบคุมและทำซ้ำซึ่งอาจนำไปสู่ความยากลำบากในการวิจัยและพัฒนาวัสดุ

ⅱ. เทคโนโลยีการสะสมไอสารเคมี (CVD) และการเรียนรู้ของเครื่องจักร

ต้องเผชิญกับความยากลำบากเหล่านี้การเรียนรู้ของเครื่องเป็นเครื่องมือวิเคราะห์ข้อมูลที่ทรงพลังได้แสดงให้เห็นถึงศักยภาพในการแก้ปัญหาบางอย่างในฟิลด์ CVD ต่อไปนี้เป็นตัวอย่างของการประยุกต์ใช้การเรียนรู้ของเครื่องในเทคโนโลยี CVD:

(1) ทำนายการเติบโตของ CVD

การใช้อัลกอริธึมการเรียนรู้ของเครื่องเราสามารถเรียนรู้จากข้อมูลการทดลองจำนวนมากและทำนายผลลัพธ์ของการเติบโตของ CVD ภายใต้เงื่อนไขที่แตกต่างกันซึ่งจะเป็นการชี้นำการปรับพารามิเตอร์การทดลอง ดังที่แสดงในรูปที่ 2 ทีมวิจัยของ Nanyang Technological University ในสิงคโปร์ใช้อัลกอริทึมการจำแนกประเภทในการเรียนรู้ของเครื่องเพื่อเป็นแนวทางในการสังเคราะห์ CVD ของวัสดุสองมิติ โดยการวิเคราะห์ข้อมูลการทดลองในช่วงต้นพวกเขาประสบความสำเร็จในการคาดการณ์เงื่อนไขการเจริญเติบโตของโมลิบดีนัมซัลไฟด์ (MOS2) การปรับปรุงอัตราความสำเร็จในการทดลองอย่างมีนัยสำคัญและลดจำนวนการทดลอง

รูปที่ 2 คำแนะนำการเรียนรู้ของเครื่องจักรการสังเคราะห์วัสดุ

(a) ส่วนที่ขาดไม่ได้ของการวิจัยและพัฒนาวัสดุ: การสังเคราะห์วัสดุ

(b) แบบจำลองการจำแนกประเภทช่วยให้การสะสมไอสารเคมีเพื่อสังเคราะห์วัสดุสองมิติ (ด้านบน); แบบจำลองการถดถอยนำทางการสังเคราะห์ไฮโดรเทอร์มอลของซัลเฟอร์-ไนโตรเจนที่มีปริมาณควอนตัมฟลูออเรสเซนต์ (ด้านล่าง)

ในการศึกษาอื่น (รูปที่ 3) ใช้การเรียนรู้ของเครื่องเพื่อวิเคราะห์รูปแบบการเติบโตของกราฟีนในระบบ CVD ขนาดความครอบคลุมความหนาแน่นของโดเมนและอัตราส่วนมุมมองของกราฟีนถูกวัดและวิเคราะห์โดยอัตโนมัติโดยการพัฒนาเครือข่ายระบบประสาท (R-CNN) จากนั้นโมเดลตัวแทนได้รับการพัฒนาโดยใช้เครือข่ายประสาทเทียม (ANN) วิธีการนี้สามารถจำลองการสังเคราะห์กราฟีนและกำหนดเงื่อนไขการทดลองสำหรับการสังเคราะห์กราฟีนด้วยสัณฐานวิทยาที่ต้องการด้วยขนาดเกรนขนาดใหญ่และความหนาแน่นของโดเมนต่ำประหยัดเวลามากและต้นทุน²³

รูปที่ 3 การเรียนรู้ของเครื่องทำนายรูปแบบการเจริญเติบโตของกราฟีนในระบบ CVD

(2) กระบวนการ CVD อัตโนมัติ

การเรียนรู้ของเครื่องสามารถใช้ในการพัฒนาระบบอัตโนมัติเพื่อตรวจสอบและปรับพารามิเตอร์ในกระบวนการ CVD แบบเรียลไทม์เพื่อให้ได้การควบคุมที่แม่นยำยิ่งขึ้นและประสิทธิภาพการผลิตที่สูงขึ้น ดังที่แสดงในรูปที่ 4 ทีมวิจัยจากมหาวิทยาลัย Xidian ใช้การเรียนรู้อย่างลึกซึ้งเพื่อเอาชนะความยากลำบากในการระบุมุมการหมุนของวัสดุสองมิติสองชั้น CVD พวกเขารวบรวมพื้นที่สีของ MOS2 ที่จัดทำโดย CVD และใช้เครือข่าย Neural Neural Semantic (CNN) เพื่อระบุความหนาของ MOS2 อย่างแม่นยำและได้รับการฝึกฝนแบบจำลอง CNN ที่สองเพื่อให้ได้การทำนายมุมการหมุนที่แม่นยำของวัสดุ TMD วิธีนี้ไม่เพียงช่วยปรับปรุงประสิทธิภาพของการระบุตัวอย่างเท่านั้น แต่ยังให้กระบวนทัศน์ใหม่สำหรับการประยุกต์ใช้การเรียนรู้อย่างลึกซึ้งในสาขาวิทยาศาสตร์วัสดุ⁴.

รูปที่ 4 วิธีการเรียนรู้ลึกระบุมุมของวัสดุสองมิติสองชั้นสองชั้น

การอ้างอิง:

(1) Guo, Q.-M.; Qin, Z.-H. การพัฒนาและการประยุกต์ใช้เทคโนโลยีการสะสมไอในการผลิตอะตอม Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115 สอง: 10.7498/aps.70.20201436

(2) Yi, K .; Liu, D. ; เฉิน, x .; หยางเจ.; Wei, D. ; Liu, Y .; Wei, D. การสะสมไอสารเคมีที่เพิ่มขึ้นพลาสมาของวัสดุสองมิติสำหรับการใช้งาน บัญชีของการวิจัยทางเคมี 2021, 54 (4), 1011-1022 ดอย: 10.1021/acs.accounts.0c00757

(3) Hwang, G.; Kim, T .; ชิน, เจ.; ชิน, N.; Hwang, S. การเรียนรู้ของเครื่องสำหรับการวิเคราะห์กราฟีน CVD: จากการวัดไปจนถึงการจำลองภาพ SEM วารสารเคมีอุตสาหกรรมและวิศวกรรมศาสตร์ 2021, 101, 430-444 ดอย: https://doi.org/10.1016/j.jiec.2021.05.031

(4) Hou, b .; Wu, J.; Qiu, D. Y. การเรียนรู้ที่ไม่ได้รับการดูแลของรัฐ Kohn-Sham แต่ละตัว: การเป็นตัวแทนที่ตีความได้และผลที่ตามมาสำหรับการทำนายผลของผลกระทบหลายอย่างของร่างกาย 2024; P arxiv: 2404.14601