Fuzija umetne inteligence in fizike: tehnološka inovacija CVD za Nobelovo nagrado

Nedavna razglasitev Nobelove nagrade za fiziko za leto 2024 je pritegnila izjemno pozornost na področju umetne inteligence. Raziskava, ki sta jo izvedla ameriški znanstvenik John J. Hopfield in kanadski znanstvenik Geoffrey E. Hinton, je uporabila orodja za strojno učenje za zagotavljanje novih vpogledov v kompleksen svet današnje fizike. Ta dosežek ne pomeni le pomembnega mejnika v tehnologiji umetne inteligence, temveč tudi napoveduje globoko integracijo med fiziko in umetno inteligenco.

Kakšen je pomen kemičnega naparjevanja (CVD) v fiziki in s kakšnimi izzivi se sooča?

Tehnologija kemičnega naparjevanja (CVD).ima v fiziki večplasten pomen, saj služi kot ključna tehnika priprave materiala, hkrati pa igra bistveno vlogo pri napredovanju raziskav in aplikacij v fizikalnih znanostih. CVD omogoča natančen nadzor nad rastjo materiala na atomski in molekularni ravni. Kot je prikazano na sliki 1, ta tehnika vključuje plinaste ali parne snovi, ki so podvržene kemičnim reakcijam na trdnih površinah, da tvorijo trdne usedline, s čimer proizvajajo različne visoko zmogljive filme in nanostrukturne materiale. Ta zmožnost je v fiziki ključnega pomena za razumevanje in raziskovanje razmerja med mikrostrukturami materialov in njihovimi makroskopskimi lastnostmi, saj omogoča znanstvenikom, da preučujejo materiale s specifičnimi strukturami in sestavami ter tako pridobijo poglobljen vpogled v njihove fizikalne lastnosti.

Poleg tegaCVD tehnologijaje ključna metoda za izdelavo različnih funkcionalnih filmov v polprevodniških napravah. Na primer, lahko se uporablja za rastmonokristalne epitaksialne plasti silicija, polprevodnike III-V, kot je galijev arzenid, in polprevodniške monokristalne epi-plasti II-VI, kot tudi odlaganje različnih dopiranih polprevodniških monokristalnih epitaksialnih filmov in polisilicijevih filmov. Ti materiali in strukture so temelj sodobnih elektronskih in optoelektronskih naprav. Poleg tega ima tehnologija CVD pomembno vlogo na raziskovalnih področjih, kot so optični materiali, superprevodni materiali in magnetni materiali. Z uporabo CVD je mogoče sintetizirati tanke filme s posebnimi optičnimi lastnostmi za uporabo v optoelektronskih napravah in optičnih senzorjih.

Kljub svojim prednostim se tehnologija CVD sooča s številnimi izzivi v praktičnih aplikacijah, kot so:

Pogoji visoke temperature in visokega tlaka: CVD pogosto zahteva visoke temperature ali pritiske, kar omejuje vrste materialov, ki se lahko uporabljajo, ter povečuje porabo energije in stroške.

Občutljivost na parametre: Postopek CVD je izjemno občutljiv na reakcijske pogoje, pri čemer lahko že majhne spremembe vplivajo na kakovost končnega izdelka.

Kompleksnost sistemov CVD: Postopek je občutljiv na robne pogoje, kaže veliko negotovost in ga je težko ponovljivo nadzorovati, kar lahko oteži razvoj materiala.

Kako delujeTehnologija kemičnega naparjevanja (CVD).Imate koristi od strojnega učenja?

Ob soočenju s temi izzivi je strojno učenje kot močno orodje za analizo podatkov pokazalo potencial pri obravnavi nekaterih od teh vprašanj na področju KVB. Tukaj so primeri aplikacij strojnega učenja v tehnologiji CVD:

(1) Napovedovanje rasti KVB: algoritmi strojnega učenja se lahko učijo iz obsežnih eksperimentalnih podatkov za napovedovanje izidov rasti KVB v različnih pogojih, s čimer vodijo prilagajanje eksperimentalnih parametrov. Kot je prikazano na sliki 1, je raziskovalna skupina na tehnološki univerzi Nanyang v Singapurju uporabila klasifikacijske algoritme v strojnem učenju za vodenje CVD sinteze dvodimenzionalnih materialov. Z analizo zgodnjih eksperimentalnih podatkov so uspešno napovedali rastne pogoje za molibdenov disulfid (MoS2), s čimer so znatno izboljšali stopnjo uspešnosti poskusov in zmanjšali število poskusov.

Slika 1: Sinteza gradiva, vodena s strojnim učenjem. (a) Nepogrešljiv del razvoja materialov: sinteza materialov. (b) Klasifikacijski modeli olajšajo sintezo dvodimenzionalnih materialov s kemičnim naparjevanjem (CVD) (zgoraj); regresijski modeli vodijo hidrotermalno sintezo fluorescentnih kvantnih pik z žveplom in dušikom (spodaj).

V drugi študiji, kot je prikazano na sliki 2, je bilo strojno učenje uporabljeno za analizo vzorcev rasti grafena v sistemih CVD. Z razvojem konvolucijskih nevronskih mrež s predlogom regije (R-CNN) so raziskovalci lahko samodejno izmerili in analizirali velikost, pokritost, gostoto domene in razmerje stranic grafena. Kasneje so bile umetne nevronske mreže (ANN) in podporni vektorski stroji (SVM) uporabljene za razvoj nadomestnih modelov za izpeljavo korelacije medCVD processpremenljivke in izmerjene specifikacije. Ta metoda omogoča simulacijo sinteze grafena in določa eksperimentalne pogoje, potrebne za proizvodnjo grafena z velikimi velikostmi zrn in nizko gostoto domen, s čimer prihrani precej časa in stroškov.

Slika 2: Napoved strojnega učenja vzorcev rasti grafena v CVD sistemih

(2) Avtomatiziran CVD proces: Strojno učenje je mogoče uporabiti za razvoj avtomatiziranih sistemov, ki spremljajo in prilagajajo parametre v realnem času med CVD procesom, s čimer se doseže natančnejši nadzor in večja učinkovitost proizvodnje. Kot je prikazano na sliki 3, je raziskovalna skupina z univerze Xidian uporabila globoko učenje, da bi premagala izziv prepoznavanja kota vrtenja dvoslojnih dvodimenzionalnih materialov, ki jih je pripravil CVD. Z zbiranjem barvnega prostora MoS2, pripravljenega s CVD, in uporabo konvolucijskih nevronskih mrež (CNN) semantične segmentacije so lahko natančno in hitro identificirali debelino MoS2. Nato so usposobili drugi model CNN za natančno napovedovanje kota vrtenja dvoslojnih materialov TMD, ki jih gojijo CVD. Ta metoda ni samo izboljšala učinkovitost identifikacije vzorcev, temveč je zagotovila tudi novo paradigmo za uporabo globokega učenja na področju znanosti o materialih.

Slika 3: Pristop globokega učenja za prepoznavanje kota vrtenja dvoslojnih dvodimenzionalnih materialov

Outlook

Razglasitev Nobelove nagrade nas znova opominja, da bo integracija umetne inteligence in fizike prinesla več inovacij in prebojev. Ker tehnologija strojnega učenja še naprej napreduje, imamo razlog za totehnologija kemičnega naparjevanjabodo v prihodnosti naleteli na nove razvojne priložnosti. Vse to napoveduje začetek nove dobe, kjer bo zbliževanje tehnologije in znanosti odprlo širše poti za raziskovanje.

Semicorex ponujaGrafit s prevleko SiC/TaCinkeramični materiali s postopkom kemičnega naparjevanja (CVD).. Če imate kakršna koli vprašanja ali potrebujete dodatne podrobnosti, ne oklevajte in stopite v stik z nami.

Kontaktna telefonska številka +86-13567891907

E-pošta: sales@semicorex.com