Inovasi Teknologi CVD Konco Bebungah Nobel

Bubar, woro-woro Bebungah Nobel Fisika 2024 wis nggawa perhatian sing durung tau sadurunge ing bidang intelijen buatan. Panaliten ilmuwan Amerika John J. Hopfield lan ilmuwan Kanada Geoffrey E. Hinton nggunakake alat sinau mesin kanggo menehi wawasan anyar babagan fisika kompleks saiki. Prestasi iki ora mung menehi tandha tonggak penting ing teknologi intelijen buatan, nanging uga nyatakake integrasi jero fisika lan intelijen buatan.

Ⅰ. Wigati lan Tantangan Teknologi Deposisi Uap Kimia (CVD) ing Fisika

Wigati teknologi deposisi uap kimia (CVD) ing fisika macem-macem. Ora mung teknologi persiapan materi sing penting, nanging uga nduweni peran penting kanggo ningkatake pangembangan riset lan aplikasi fisika. Teknologi CVD bisa ngontrol wutah bahan kanthi tepat ing tingkat atom lan molekul. Kaya sing dituduhake ing Gambar 1, teknologi iki ngasilake macem-macem film tipis lan bahan struktur nano kanthi kinerja dhuwur kanthi reaksi kimia gas utawa zat uap ing permukaan padat kanggo ngasilake celengan padhet1. Iki penting banget ing fisika kanggo mangerteni lan njelajah hubungan antarane struktur mikro lan sifat makroskopik saka bahan, amarga ngidini para ilmuwan sinau bahan kanthi struktur lan komposisi tartamtu, lan banjur ngerti kanthi jero sifat fisike.

Kapindho, teknologi CVD minangka teknologi utama kanggo nyiapake macem-macem film tipis fungsional ing piranti semikonduktor. Contone, CVD bisa digunakake kanggo tuwuh lapisan epitaxial kristal tunggal silikon, semikonduktor III-V kayata gallium arsenide lan epitaksi kristal tunggal semikonduktor II-VI, lan nyimpen macem-macem film epitaxial kristal tunggal semikonduktor doped, film silikon polikristalin, lsp. lan struktur minangka basis piranti elektronik modern lan piranti optoelektronik. Kajaba iku, teknologi CVD uga nduweni peran penting ing bidang riset fisika kayata bahan optik, bahan superkonduktor, lan bahan magnetik. Liwat teknologi CVD, film tipis kanthi sifat optik spesifik bisa disintesis kanggo digunakake ing piranti optoelektronik lan sensor optik.

Gambar 1. Langkah-langkah transfer reaksi CVD

Ing wektu sing padha, teknologi CVD ngadhepi sawetara tantangan ing aplikasi praktis², kayata:

✔ Suhu dhuwur lan kahanan tekanan dhuwur: CVD biasane kudu ditindakake ing suhu dhuwur utawa tekanan dhuwur, sing mbatesi jinis bahan sing bisa digunakake lan nambah konsumsi energi lan biaya.

✔ Sensitivitas parameter: Proses CVD sensitif banget marang kahanan reaksi, lan owah-owahan cilik bisa mengaruhi kualitas produk pungkasan.

✔ Sistem CVD kompleks: Proses CVD sensitif marang kahanan wates, nduweni ketidakpastian gedhe, lan angel dikontrol lan diulang, sing bisa nyebabake kesulitan ing riset lan pangembangan materi.

Ⅱ. Teknologi Deposisi Uap Kimia (CVD) lan Pembelajaran Mesin

Ngadhepi kesulitan kasebut, sinau mesin, minangka alat analisis data sing kuat, wis nuduhake potensial kanggo ngatasi sawetara masalah ing lapangan CVD. Ing ngisor iki conto aplikasi machine learning ing teknologi CVD:

(1) Prediksi wutah CVD

Nggunakake algoritma machine learning, kita bisa sinau saka akeh data eksperimen lan prédhiksi asil wutah CVD ing kahanan sing beda-beda, saéngga nuntun pangaturan paramèter eksperimen. Kaya sing ditampilake ing Gambar 2, tim riset Universitas Teknologi Nanyang ing Singapura nggunakake algoritma klasifikasi ing pembelajaran mesin kanggo nuntun sintesis CVD saka bahan rong dimensi. Kanthi nganalisa data eksperimen awal, dheweke kasil prédhiksi kahanan pertumbuhan molybdenum disulfide (MoS2), kanthi signifikan ningkatake tingkat sukses eksperimen lan ngurangi jumlah eksperimen.

Gambar 2 Machine learning nuntun sintesis materi

(a) Bagéyan penting saka riset lan pangembangan materi: sintesis materi.

(b) Model klasifikasi mbantu deposisi uap kimia kanggo sintesis bahan rong dimensi (ndhuwur); model regresi nuntun sintesis hidrotermal saka titik kuantum fluoresensi doped sulfur-nitrogen (ngisor).

Ing panliten liyane (Gambar 3), learning machine digunakake kanggo nganalisa pola pertumbuhan graphene ing sistem CVD. Ukuran, jangkoan, kapadhetan domain, lan rasio aspek graphene kanthi otomatis diukur lan dianalisis kanthi ngembangake jaringan saraf konvolusional (R-CNN) proposal wilayah, lan banjur model pengganti dikembangake nggunakake jaringan syaraf tiruan (ANN) lan mesin vektor dhukungan ( SVM) kanggo nyimpulake korélasi antarane variabel proses CVD lan spesifikasi sing diukur. Pendekatan iki bisa simulasi sintesis graphene lan nemtokake kahanan eksperimen kanggo sintesis graphene kanthi morfologi sing dikarepake kanthi ukuran gandum gedhe lan kapadhetan domain sing sithik, ngirit wektu lan biaya² ³.

Gambar 3 Machine learning prédhiksi pola pertumbuhan graphene ing sistem CVD

(2) Proses CVD otomatis

Learning machine bisa digunakake kanggo ngembangake sistem otomatis kanggo ngawasi lan nyetel paramèter ing proses CVD ing wektu nyata kanggo entuk kontrol sing luwih tepat lan efisiensi produksi sing luwih dhuwur. Minangka ditampilake ing Figure 4, tim riset saka Universitas Xidian digunakake learning jero kanggo ngatasi kangelan kanggo ngenali amba rotasi saka CVD pindho-lapisan bahan loro-dimensi. Dheweke nglumpukake ruang warna MoS2 sing disiapake dening CVD lan ngetrapake jaringan saraf konvolusional segmentasi semantik (CNN) kanthi akurat lan cepet ngenali kekandelan MoS2, lan banjur nglatih model CNN kapindho kanggo entuk prediksi akurat saka sudut rotasi CVD-thukul. bahan TMD pindho lapisan. Cara iki ora mung nambah efisiensi identifikasi sampel, nanging uga menehi paradigma anyar kanggo aplikasi sinau jero ing bidang ilmu material.⁴.

Gambar 4 Metode sinau jero ngenali sudhut materi rong dimensi lapisan ganda

Referensi:

(1) Guo, Q.-M.; Qin, Z.-H. Pangembangan lan aplikasi teknologi deposisi uap ing manufaktur atom. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/ap.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Plasma-Enhanced Chemical Vapor Deposition of Two-Dimensional Materials for Applications. Akun Riset Kimia 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Machine learning kanggo analisis graphene CVD: Saka pangukuran kanggo simulasi gambar SEM. Jurnal Kimia Industri lan Teknik 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Learning Unsupervised of Individual Kohn-Sham States: Representations Interpretable and Consequences for Downstream Predictions of Many-Body Effects. 2024; p arXiv: 2404.14601.