CVD Teknologia Berrikuntza Nobel Sariaren atzean

Duela gutxi, 2024ko Fisikako Nobel Sariaren iragarkiak aurrekaririk gabeko arreta ekarri du adimen artifizialaren alorrean. John J. Hopfield zientzialari estatubatuarraren eta Geoffrey E. Hinton zientzialari kanadarraren ikerketak makina ikasteko tresnak erabiltzen ditu gaur egungo fisika konplexuari buruzko ikuspegi berriak emateko. Lorpen honek adimen artifizialaren teknologian mugarri garrantzitsua ez ezik, fisikaren eta adimen artifizialaren integrazio sakona ere iragartzen du.

Ⅰ. Lurrun Kimikoaren Deposizioaren (CVD) Teknologiaren garrantzia eta erronkak fisikan

Lurrun-deposizio kimikoaren (CVD) teknologiaren garrantzia polifazetikoa da fisikan. Materiala prestatzeko teknologia garrantzitsua ez ezik, funtsezko eginkizuna ere betetzen du fisikaren ikerketa eta aplikazioaren garapena sustatzeko. CVD teknologiak materialen hazkuntza zehatz-mehatz kontrola dezake maila atomiko eta molekularra. 1. Irudian ikusten den bezala, teknologia honek errendimendu handiko film mehe eta material nanoegituratu ugari ekoizten ditu gainazal solidoaren gainean substantzia gaseosoak edo lurruntsuak kimikoki erreakzionatuz, solidoen gordailuak sortzeko1. Hau funtsezkoa da fisikan materialen mikroegituraren eta propietate makroskopikoen arteko erlazioa ulertzeko eta aztertzeko, zientzialariei egitura eta konposizio zehatzak dituzten materialak aztertzeko aukera ematen dielako, eta, ondoren, haien propietate fisikoak sakon ulertzeko.

Bigarrenik, CVD teknologia funtsezko teknologia da gailu erdieroaleetan hainbat film mehe funtzional prestatzeko. Esate baterako, CVD siliziozko kristal bakarreko geruza epitaxialak, III-V erdieroaleak, hala nola galio artsenuroa eta II-VI erdieroaleak kristal bakarreko epitaxia hazteko, eta dopatutako kristal bakarreko film epitaxialak, silizio polikristalinozko filmak, etab. eta egiturak dira gailu elektroniko modernoen eta gailu optoelektronikoen oinarria. Horrez gain, CVD teknologiak ere eginkizun garrantzitsua du fisikako ikerketa-eremuetan, hala nola material optikoak, material supereroaleak eta material magnetikoak. CVD teknologiaren bidez, propietate optiko zehatzak dituzten film meheak sintetizatu daitezke gailu optoelektronikoetan eta sentsore optikoetan erabiltzeko.

1. irudia CVD erreakzioaren transferentzia-pausoak

Aldi berean, CVD teknologiak erronka batzuk ditu aplikazio praktikoetan², hala nola:

✔ Tenperatura eta presio handiko baldintzak: CVD normalean tenperatura altuan edo presio altuan egin behar da, eta horrek erabil daitezkeen material motak mugatzen ditu eta energia kontsumoa eta kostua areagotzen du.

✔ Parametroen sentikortasuna: CVD prozesua oso sentikorra da erreakzio-baldintzekiko, eta aldaketa txikiek ere azken produktuaren kalitatean eragina izan dezakete.

✔ CVD sistema konplexua da: CVD prozesua muga-baldintzekiko sentikorra da, ziurgabetasun handiak ditu eta zaila da kontrolatzea eta errepikatzea, eta horrek zailtasunak sor ditzake materialaren ikerketan eta garapenean.

Ⅱ. Lurrun Kimikoen Deposizioaren Teknologia eta Ikaskuntza Makina

Zailtasun hauen aurrean, ikaskuntza automatikoak, datuen analisirako tresna indartsu gisa, CVD arloan arazo batzuk konpontzeko ahalmena erakutsi du. Hona hemen ikaskuntza automatikoaren aplikazioaren adibideak CVD teknologian:

(1) CVD hazkundea aurreikustea

Ikaskuntza automatikoko algoritmoak erabiliz, datu esperimental askotatik ikasi eta CVD hazkuntzaren emaitzak baldintza ezberdinetan aurreikus ditzakegu, horrela parametro esperimentalen doikuntza gidatuz. 2. Irudian ikusten den bezala, Singapurreko Nanyang Unibertsitate Teknologikoko ikerketa-taldeak ikasketa automatikoan sailkapen algoritmoa erabili zuen bi dimentsioko materialen CVD sintesia bideratzeko. Datu esperimental goiztiarrak aztertuta, molibdeno disulfuroaren (MoS2) hazkuntza-baldintzak arrakastaz aurreikusten zituzten, arrakasta esperimentalaren tasa nabarmen hobetuz eta esperimentu kopurua murriztuz.

2. Irudia Ikaskuntza automatikoa materialaren sintesia gidatzen du

(a) Materialen ikerketa eta garapenaren ezinbesteko zati bat: materialen sintesia.

(b) Sailkapen-ereduak lurrun-jadapen kimikoak bi dimentsioko materialak sintetizatzen laguntzen du (goian); erregresio ereduak sufre-nitrogeno dopatutako puntu kuantiko fluoreszenteen sintesia hidrotermala gidatzen du (behean).

Beste ikerketa batean (3. irudia), ikasketa automatikoa erabili zen CVD sisteman grafenoaren hazkunde-eredua aztertzeko. Grafenoaren tamaina, estaldura, domeinu-dentsitatea eta aspektu-erlazioa automatikoki neurtu eta aztertu ziren eskualde-proposamenaren sare neuronal konboluzionala (R-CNN) garatuz, eta, ondoren, eredu ordezkoak garatu ziren neurona-sare artifizialak (ANN) eta euskarri-makina bektorialak erabiliz. SVM) CVD prozesuko aldagaien eta neurtutako zehaztapenen arteko korrelazioa ondorioztatzeko. Planteamendu honek grafenoaren sintesia simulatu dezake eta grafenoa sintetizatzeko baldintza esperimentalak zehaztu ditzake ale-tamaina handiarekin eta domeinu-dentsitate baxuarekin nahi den morfologiarekin, denbora eta kostu asko aurreztuz² ³

3. Irudia Machine learning-ek grafenoaren hazkunde-ereduak aurreikusten ditu CVD sistemetan

(2) CVD prozesu automatizatua

Machine learning sistema automatizatuak garatzeko erabil daiteke CVD prozesuaren parametroak denbora errealean kontrolatzeko eta doitzeko, kontrol zehatzagoa eta produkzio-eraginkortasun handiagoa lortzeko. 4. Irudian ikusten den bezala, Xidian Unibertsitateko ikerketa-talde batek ikaskuntza sakona erabili zuen CVD geruza bikoitzeko bi dimentsioko materialen biraketa-angelua identifikatzeko zailtasuna gainditzeko. CVD-k prestatutako MoS2-ren kolore-espazioa bildu eta segmentazio semantikoaren sare neuronal konboluzionala (CNN) aplikatu zuten MoS2-ren lodiera zehaztasunez eta azkar identifikatzeko, eta, ondoren, bigarren CNN eredu bat prestatu zuten CVD-en hazitako biraketa-angeluaren iragarpen zehatza lortzeko. geruza bikoitzeko TMD materialak. Metodo honek laginaren identifikazioaren eraginkortasuna hobetzeaz gain, materialen zientziaren arloan ikaskuntza sakona aplikatzeko paradigma berri bat eskaintzen du.⁴.

4. irudia Deep learning metodoek geruza bikoitzeko bi dimentsioko materialen ertzak identifikatzen dituzte

Erreferentziak:

(1) Guo, Q.-M.; Qin, Z.-H. Fabrikazio atomikoan lurrun-deposizioaren teknologiaren garapena eta aplikazioa. 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-Enhanced Chemical Vapor Deposition bi dimentsioko materialen aplikazioetarako. Ikerketa Kimikoaren Kontuak 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. CVD grafenoaren analisirako Machine Learning: SEM irudien neurketatik simulaziora. Journal of Industrial and Engineering Chemistry 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Kohn-Sham Estatu indibidualen gainbegiratu gabeko ikaskuntza: Gorputz askoren efektuen beheranzko iragarpenetarako adierazpen interpretagarriak eta ondorioak. 2024; p arXiv:2404.14601.