نوآوری فناوری CVD پشت جایزه نوبل

اخیراً اعلام جایزه نوبل فیزیک 2024 توجه بی سابقه ای را به حوزه هوش مصنوعی جلب کرده است. تحقیقات دانشمند آمریکایی جان جی. هاپفیلد و دانشمند کانادایی جفری ای. هینتون از ابزارهای یادگیری ماشین برای ارائه بینش جدیدی در مورد فیزیک پیچیده امروزی استفاده می کند. این دستاورد نه تنها نقطه عطف مهمی در فناوری هوش مصنوعی است، بلکه خبر از ادغام عمیق فیزیک و هوش مصنوعی نیز می دهد.

Ⅰ. اهمیت و چالش های فناوری رسوب بخار شیمیایی (CVD) در فیزیک

اهمیت فناوری رسوب بخار شیمیایی (CVD) در فیزیک چند وجهی است. این نه تنها یک فن‌آوری مهم آماده‌سازی مواد است، بلکه نقشی کلیدی در ترویج توسعه تحقیقات و کاربردهای فیزیک ایفا می‌کند. فناوری CVD می تواند رشد مواد را در سطوح اتمی و مولکولی دقیقاً کنترل کند. همانطور که در شکل 1 نشان داده شده است، این فناوری انواع لایه های نازک و مواد نانوساختار با کارایی بالا را با واکنش شیمیایی مواد گازی یا بخار روی سطح جامد برای تولید رسوبات جامد تولید می کند. این در فیزیک برای درک و کاوش رابطه بین ریزساختار و خواص ماکروسکوپی مواد بسیار مهم است، زیرا به دانشمندان اجازه می‌دهد تا مواد با ساختارها و ترکیبات خاص را مطالعه کنند و سپس خواص فیزیکی آنها را عمیقاً درک کنند.

در مرحله دوم، فناوری CVD یک فناوری کلیدی برای تهیه لایه‌های نازک کاربردی مختلف در دستگاه‌های نیمه‌رسانا است. به عنوان مثال، از CVD می توان برای رشد لایه های اپیتاکسیال تک کریستال سیلیکونی، نیمه هادی های III-V مانند آرسنید گالیم و اپیتاکسی تک کریستالی نیمه هادی II-VI، و رسوب گذاری فیلم های اپیتاکسی تک کریستال نیمه هادی دوپ شده، فیلم های سیلیکونی پلی کریستالی و غیره استفاده کرد. و سازه ها اساس دستگاه های الکترونیکی مدرن و دستگاه های الکترونیک نوری هستند. علاوه بر این، فناوری CVD همچنین نقش مهمی در زمینه های تحقیقاتی فیزیک مانند مواد نوری، مواد ابررسانا و مواد مغناطیسی ایفا می کند. از طریق فناوری CVD، لایه‌های نازک با ویژگی‌های نوری خاص را می‌توان برای استفاده در دستگاه‌های الکترونیک نوری و حسگرهای نوری سنتز کرد.

شکل 1 مراحل انتقال واکنش CVD

در عین حال، فناوری CVD در کاربردهای عملی با چالش‌هایی مواجه است، مانند:

✔ شرایط دمای بالا و فشار بالا: CVD معمولاً باید در دمای بالا یا فشار بالا انجام شود، که انواع مواد قابل استفاده را محدود می کند و مصرف انرژی و هزینه را افزایش می دهد.

✔ حساسیت پارامتر: فرآیند CVD به شرایط واکنش بسیار حساس است و حتی تغییرات جزئی ممکن است بر کیفیت محصول نهایی تاثیر بگذارد.

✔ سیستم CVD پیچیده است: فرآیند CVD به شرایط مرزی حساس است، عدم قطعیت های زیادی دارد و کنترل و تکرار آن دشوار است، که ممکن است منجر به مشکلاتی در تحقیق و توسعه مواد شود.

Ⅱ. فناوری رسوب بخار شیمیایی (CVD) و یادگیری ماشینی

در مواجهه با این مشکلات، یادگیری ماشین به عنوان یک ابزار قدرتمند تجزیه و تحلیل داده ها، پتانسیل حل برخی از مشکلات در زمینه CVD را نشان داده است. موارد زیر نمونه هایی از کاربرد یادگیری ماشینی در فناوری CVD هستند:

(1) پیش بینی رشد CVD

با استفاده از الگوریتم‌های یادگیری ماشین، می‌توانیم از حجم زیادی از داده‌های تجربی بیاموزیم و نتایج رشد CVD را در شرایط مختلف پیش‌بینی کنیم، در نتیجه تنظیم پارامترهای تجربی را هدایت می‌کنیم. همانطور که در شکل 2 نشان داده شده است، تیم تحقیقاتی دانشگاه فناوری نانیانگ در سنگاپور از الگوریتم طبقه بندی در یادگیری ماشین برای هدایت سنتز CVD مواد دو بعدی استفاده کرد. با تجزیه و تحلیل داده های تجربی اولیه، آنها با موفقیت شرایط رشد دی سولفید مولیبدن (MoS2) را پیش بینی کردند که به طور قابل توجهی نرخ موفقیت آزمایشی را بهبود بخشید و تعداد آزمایش ها را کاهش داد.

شکل 2 یادگیری ماشینی سنتز مواد را راهنمایی می کند

(الف) بخش ضروری تحقیق و توسعه مواد: سنتز مواد.

(ب) مدل طبقه بندی به رسوب بخار شیمیایی برای سنتز مواد دو بعدی کمک می کند (بالا). مدل رگرسیون سنتز هیدروترمال نقاط کوانتومی فلورسنت دوپ شده با گوگرد-نیتروژن (پایین) را هدایت می کند.

در مطالعه دیگری (شکل 3)، از یادگیری ماشینی برای تجزیه و تحلیل الگوی رشد گرافن در سیستم CVD استفاده شد. اندازه، پوشش، چگالی دامنه و نسبت ابعاد گرافن به طور خودکار با توسعه یک شبکه عصبی کانولوشنال پیشنهادی منطقه (R-CNN) اندازه‌گیری و تجزیه و تحلیل شد و سپس مدل‌های جایگزین با استفاده از شبکه‌های عصبی مصنوعی (ANN) و ماشین‌های بردار پشتیبان توسعه یافتند. SVM) برای استنتاج همبستگی بین متغیرهای فرآیند CVD و مشخصات اندازه‌گیری شده. این رویکرد می‌تواند سنتز گرافن را شبیه‌سازی کند و شرایط آزمایشی سنتز گرافن با مورفولوژی دلخواه با اندازه دانه بزرگ و چگالی دامنه کم را تعیین کند و در زمان و هزینه بسیار صرفه‌جویی کند²³

شکل 3 یادگیری ماشینی الگوهای رشد گرافن را در سیستم های CVD پیش بینی می کند

(2) فرآیند CVD خودکار

یادگیری ماشینی می تواند برای توسعه سیستم های خودکار برای نظارت و تنظیم پارامترها در فرآیند CVD در زمان واقعی برای دستیابی به کنترل دقیق تر و راندمان تولید بالاتر استفاده شود. همانطور که در شکل 4 نشان داده شده است، یک تیم تحقیقاتی از دانشگاه Xidian از یادگیری عمیق برای غلبه بر مشکل شناسایی زاویه چرخش مواد دو بعدی CVD استفاده کردند. آنها فضای رنگی MoS2 تهیه شده توسط CVD را جمع آوری کردند و یک شبکه عصبی کانولوشنال تقسیم بندی معنایی (CNN) را برای شناسایی دقیق و سریع ضخامت MoS2 به کار بردند و سپس مدل دوم CNN را برای دستیابی به پیش بینی دقیق زاویه چرخش CVD-رشد شده آموزش دادند. مواد TMD دو لایه این روش نه تنها کارایی شناسایی نمونه را بهبود می بخشد، بلکه الگوی جدیدی را برای کاربرد یادگیری عمیق در زمینه علم مواد ارائه می دهد.⁴.

شکل 4 روش های یادگیری عمیق گوشه های مواد دو بعدی دولایه را مشخص می کند

مراجع:

(1) Guo، Q.-M.; کین، ز.-اچ. توسعه و کاربرد فناوری رسوب بخار در تولید اتمی. Acta Physica Sinica 2021، 70 (2)، 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) یی، ک. لیو، دی. چن، ایکس. یانگ، جی. وی، دی. لیو، ی. Wei, D. رسوب دهی بخار شیمیایی مواد دو بعدی با پلاسما برای کاربردها. حساب های تحقیقات شیمیایی 2021، 54 (4)، 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) هوانگ، جی. کیم، تی. شین، جی. شین، ن. Hwang، S. یادگیری ماشین برای تجزیه و تحلیل گرافن CVD: از اندازه گیری تا شبیه سازی تصاویر SEM. مجله شیمی صنعتی و مهندسی 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) هو، بی. وو، جی. کیو، دی. ی. یادگیری بدون نظارت از ایالت های فردی کوهن شام: بازنمایی ها و پیامدهای قابل تفسیر برای پیش بینی های پایین دستی اثرات بسیاری از بدن. 2024; p arXiv:2404.14601.