Иновација ЦВД технологије иза Нобелове награде

Недавно је најава Нобелове награде за физику за 2024. привукла невиђену пажњу на област вештачке интелигенције. Истраживање америчког научника Џона Ј. Хопфилда и канадског научника Џефрија Е. Хинтона користи алате за машинско учење да би пружило нове увиде у данашњу сложену физику. Ово достигнуће не само да означава важну прекретницу у технологији вештачке интелигенције, већ и најављује дубоку интеграцију физике и вештачке интелигенције.

Ⅰ. Значај и изазови технологије хемијског таложења из паре (ЦВД) у физици

Значај технологије хемијског таложења из паре (ЦВД) у физици је вишеструк. То није само важна технологија припреме материјала, већ такође игра кључну улогу у промовисању развоја истраживања и примене физике. ЦВД технологија може прецизно контролисати раст материјала на атомском и молекуларном нивоу. Као што је приказано на слици 1, ова технологија производи различите танке филмове високих перформанси и наноструктуриране материјале хемијском реакцијом гасовитих или парних супстанци на чврстој површини да би се створиле чврсте наслаге1. Ово је кључно у физици за разумевање и истраживање односа између микроструктуре и макроскопских својстава материјала, јер омогућава научницима да проучавају материјале са специфичним структурама и композицијама, а затим дубоко разумеју њихова физичка својства.

Друго, ЦВД технологија је кључна технологија за припрему различитих функционалних танких филмова у полупроводничким уређајима. На пример, ЦВД се може користити за узгој силицијумских монокристалних епитаксијалних слојева, ИИИ-В полупроводника као што су галијум арсенид и ИИ-ВИ полупроводничке монокристалне епитаксије, и депоновање разних допираних полупроводничких монокристалних епитаксијалних филмова, поликристалних силицијумских филмова, итд. а структуре су основа савремених електронских уређаја и оптоелектронских уређаја. Поред тога, ЦВД технологија такође игра важну улогу у областима истраживања физике као што су оптички материјали, суперпроводни материјали и магнетни материјали. Кроз ЦВД технологију, танки филмови са специфичним оптичким својствима могу се синтетизовати за употребу у оптоелектронским уређајима и оптичким сензорима.

Слика 1 Кораци преноса ЦВД реакције

Истовремено, ЦВД технологија се суочава са неким изазовима у практичним применама², као што су:

✔ Висока температура и услови високог притиска: ЦВД обично треба да се спроводи на високој температури или високом притиску, што ограничава врсте материјала који се могу користити и повећава потрошњу енергије и трошкове.

✔ Осетљивост параметара: ЦВД процес је изузетно осетљив на услове реакције, па чак и мале промене могу утицати на квалитет финалног производа.

✔ ЦВД систем је сложен: ЦВД процес је осетљив на граничне услове, има велике несигурности и тешко га је контролисати и поновити, што може довести до потешкоћа у истраживању и развоју материјала.

Ⅱ. Технологија хемијског таложења паре (ЦВД) и машинско учење

Суочено са овим потешкоћама, машинско учење, као моћан алат за анализу података, показало је потенцијал да реши неке проблеме у области КВБ. Следе примери примене машинског учења у ЦВД технологији:

(1) Предвиђање раста КВБ

Користећи алгоритме за машинско учење, можемо учити из велике количине експерименталних података и предвидети резултате раста КВБ у различитим условима, усмеравајући на тај начин прилагођавање експерименталних параметара. Као што је приказано на слици 2, истраживачки тим технолошког универзитета Нанианг у Сингапуру користио је класификациони алгоритам у машинском учењу да би водио ЦВД синтезу дводимензионалних материјала. Анализом раних експерименталних података, они су успешно предвидели услове раста молибден дисулфида (МоС2), значајно побољшавајући стопу експерименталног успеха и смањујући број експеримената.

Слика 2 Машинско учење води синтезу материјала

(а) Неопходан део истраживања и развоја материјала: синтеза материјала.

(б) Класификациони модел помаже хемијским таложењем паре да се синтетишу дводимензионални материјали (горе); регресиони модел води хидротермалну синтезу флуоресцентних квантних тачака допираних сумпором и азотом (доле).

У другој студији (слика 3), машинско учење је коришћено за анализу обрасца раста графена у ЦВД систему. Величина, покривеност, густина домена и однос ширина и страна графена су аутоматски измерени и анализирани развојем конволуционе неуронске мреже (Р-ЦНН), а затим су развијени сурогат модели коришћењем вештачких неуронских мрежа (АНН) и машина за векторе подршке ( СВМ) да би се закључила корелација између варијабли ЦВД процеса и измерених спецификација. Овај приступ може симулирати синтезу графена и одредити експерименталне услове за синтезу графена са жељеном морфологијом са великом величином зрна и малом густином домена, штедећи много времена и трошкова² ³

Слика 3 Машинско учење предвиђа обрасце раста графена у ЦВД системима

(2) Аутоматизовани ЦВД процес

Машинско учење се може користити за развој аутоматизованих система за праћење и прилагођавање параметара у ЦВД процесу у реалном времену како би се постигла прецизнија контрола и већа ефикасност производње. Као што је приказано на слици 4, истраживачки тим са Универзитета Ксидиан користио је дубоко учење како би превазишао потешкоће у идентификацији угла ротације ЦВД двослојних дводимензионалних материјала. Сакупили су простор боја МоС2 који је припремио ЦВД и применили семантичку сегментацију конволуциону неуронску мрежу (ЦНН) да прецизно и брзо идентификују дебљину МоС2, а затим обучили други ЦНН модел да би постигли тачно предвиђање угла ротације ЦВД узгојеног двослојни ТМД материјали. Овај метод не само да побољшава ефикасност идентификације узорка, већ пружа и нову парадигму за примену дубоког учења у области науке о материјалима.⁴.

Слика 4 Методе дубоког учења идентификују углове двослојних дводимензионалних материјала

Референце:

(1) Гуо, К.-М.; Кин, З.-Х. Развој и примена технологије таложења паром у атомској производњи. Ацта Пхисица Синица 2021, 70 (2), 028101-028101-028101-028115. ДОИ: 10.7498/апс.70.20201436.

(2) Ии, К.; Лиу, Д.; Цхен, Кс.; Ианг, Ј.; Веи, Д.; Лиу, И.; Веи, Д. Пласма-Енханцед Цхемицал Вапор Депоситион оф Тво-Дименсионал Материалс фор Апплицатионс. Рачуни хемијских истраживања 2021, 54 (4), 1011-1022. ДОИ: 10.1021/ацс.аццоунтс.0ц00757.

(3) Хванг, Г.; Ким, Т.; Схин, Ј.; Схин, Н.; Хванг, С. Машинско учење за ЦВД анализу графена: Од мерења до симулације СЕМ слика. Часопис за индустријску и инжењерску хемију 2021, 101, 430-444. ДОИ: хттпс://дои.орг/10.1016/ј.јиец.2021.05.031.

(4) Хоу, Б.; Ву, Ј.; Киу, Д. И. Учење појединачних Кохн-Схам стања без надзора: интерпретабилне репрезентације и последице за низводна предвиђања ефеката многих тела. 2024; п арКсив:2404.14601.