Слияние искусственного интеллекта и физики: технологические инновации CVD, стоящие за Нобелевской премией

Недавнее объявление о присуждении Нобелевской премии по физике 2024 года привлекло беспрецедентное внимание к области искусственного интеллекта. Исследование, проведенное американским ученым Джоном Дж. Хопфилдом и канадским ученым Джеффри Э. Хинтоном, использовало инструменты машинного обучения, чтобы по-новому взглянуть на сложный мир современной физики. Это достижение не только знаменует собой важную веху в технологии искусственного интеллекта, но и предвещает глубокую интеграцию физики и искусственного интеллекта.

Каково значение химического осаждения из паровой фазы (CVD) в физике и с какими проблемами оно сталкивается?

Технология химического осаждения из паровой фазы (CVD)имеет многогранное значение в физике, выступая в качестве важнейшего метода подготовки материалов, играя при этом важную роль в продвижении исследований и приложений в физических науках. CVD позволяет точно контролировать рост материала на атомном и молекулярном уровнях. Как показано на рисунке 1, этот метод включает в себя газообразные или парофазные вещества, подвергающиеся химическим реакциям на твердых поверхностях с образованием твердых отложений, тем самым производя разнообразные высокоэффективные пленки и наноструктурированные материалы. Эта возможность жизненно важна в физике для понимания и изучения взаимосвязи между микроструктурой материалов и их макроскопическими свойствами, поскольку она позволяет ученым изучать материалы с определенной структурой и составом, тем самым получая более глубокое понимание их физических свойств.

Более того,CVD-технологияявляется ключевым методом производства различных функциональных пленок в полупроводниковых устройствах. Например, его можно использовать для выращиваниямонокристаллические эпитаксиальные слои кремния, полупроводники III-V, такие как арсенид галлия, и полупроводниковые монокристаллические эпитаксиальные слои II-VI, а также наносят различные легированные полупроводниковые монокристаллические эпитаксиальные пленки и пленки поликремния. Эти материалы и конструкции составляют основу современных электронных и оптоэлектронных устройств. Кроме того, технология CVD играет важную роль в таких областях исследований, как оптические материалы, сверхпроводящие материалы и магнитные материалы. С помощью CVD можно синтезировать тонкие пленки с особыми оптическими свойствами для применения в оптоэлектронных устройствах и оптических датчиках.

Несмотря на свои преимущества, технология CVD сталкивается с рядом проблем при практическом применении, таких как:

Условия высокой температуры и высокого давления: CVD часто требует высоких температур или давлений, что ограничивает типы материалов, которые можно использовать, и увеличивает потребление энергии и затраты.

Чувствительность к параметрам. Процесс CVD чрезвычайно чувствителен к условиям реакции, даже небольшие изменения могут повлиять на качество конечного продукта.

Сложность систем CVD: процесс чувствителен к граничным условиям, демонстрирует значительную неопределенность, и его может быть трудно воспроизводимо контролировать, что потенциально усложняет разработку материалов.

КакТехнология химического осаждения из паровой фазы (CVD)Получите выгоду от машинного обучения?

Столкнувшись с этими проблемами, машинное обучение как мощный инструмент анализа данных продемонстрировало потенциал в решении некоторых из этих проблем в области ССЗ. Вот примеры применения машинного обучения в технологии CVD:

(1) Прогнозирование роста сердечно-сосудистых заболеваний. Алгоритмы машинного обучения могут учиться на обширных экспериментальных данных для прогнозирования результатов роста сердечно-сосудистых заболеваний в различных условиях, тем самым направляя корректировку экспериментальных параметров. Как показано на рисунке 1, исследовательская группа из Наньянского технологического университета в Сингапуре использовала алгоритмы классификации в машинном обучении для управления CVD-синтезом двумерных материалов. Анализируя ранние экспериментальные данные, они успешно предсказали условия роста дисульфида молибдена (MoS2), значительно повысив вероятность успеха экспериментов и сократив количество испытаний.

Рисунок 1: Синтез материалов под управлением машинного обучения. а) Неотъемлемая часть материального развития: синтез материала. (b) Модели классификации облегчают синтез двумерных материалов методом химического осаждения из паровой фазы (CVD) (вверху); Регрессионные модели управляют гидротермальным синтезом флуоресцентных квантовых точек, легированных серой и азотом (внизу).

В другом исследовании, как показано на рисунке 2, машинное обучение использовалось для анализа закономерностей роста графена в системах CVD. Разработав сверточные нейронные сети (R-CNN), исследователи смогли автоматически измерять и анализировать размер, покрытие, плотность доменов и соотношение сторон графена. Впоследствии искусственные нейронные сети (ИНС) и машины опорных векторов (SVM) были использованы для разработки суррогатных моделей для вывода корреляции междуCVD-процесспеременные и измеряемые характеристики. Этот метод позволяет моделировать синтез графена и определять условия эксперимента, необходимые для получения графена с большими размерами зерен и низкой плотностью доменов, тем самым экономя значительное время и затраты.

Рисунок 2. Прогнозирование с помощью машинного обучения моделей роста графена в CVD-системах.

(2) Автоматизированный процесс CVD. Машинное обучение можно использовать для разработки автоматизированных систем, которые отслеживают и корректируют параметры в режиме реального времени во время процесса CVD, обеспечивая более точный контроль и более высокую эффективность производства. Как показано на рисунке 3, исследовательская группа из Университета Сидиан использовала глубокое обучение, чтобы преодолеть проблему распознавания угла вращения двухслойных двумерных материалов, полученных методом CVD. Собрав цветовое пространство MoS2, подготовленного методом CVD, и применив сверточные нейронные сети семантической сегментации (CNN), они смогли точно и быстро определить толщину MoS2. Затем они обучили вторую модель CNN точно предсказывать угол вращения двухслойных материалов TMD, выращенных методом CVD. Этот метод не только повысил эффективность идентификации образцов, но и предоставил новую парадигму применения глубокого обучения в области материаловедения.

Рисунок 3. Подход глубокого обучения для определения угла поворота двухслойных двумерных материалов.

Перспективы

Объявление о присуждении Нобелевской премии еще раз напоминает нам, что интеграция искусственного интеллекта и физики приведет к новым инновациям и прорывам. Поскольку технологии машинного обучения продолжают развиваться, у нас есть основания полагать, чтотехнология химического осаждения из паровой фазыв будущем столкнется с новыми возможностями развития. Все это знаменует начало новой эры, когда сближение технологий и науки откроет более широкие возможности для исследований.

Семикорекс предлагаетПокрытие SiC/TaC графитикерамические материалы посредством процесса химического осаждения из паровой фазы (CVD). Если у вас есть какие-либо вопросы или вам нужна дополнительная информация, пожалуйста, не стесняйтесь обращаться к нам.

Контактный телефон +86-13567891907.

Электронная почта: sales@semicorex.com