Спојот на вештачката интелигенција и физиката: CVD технолошка иновација зад Нобеловата награда

Неодамнешното објавување на Нобеловата награда за физика за 2024 година предизвика невидено внимание на полето на вештачката интелигенција. Истражувањето спроведено од американскиот научник Џон Џеј Хопфилд и канадскиот научник Џефри Е. Хинтон ги искористи алатките за машинско учење за да обезбеди нови сознанија за сложениот свет на физиката денес. Ова достигнување не само што означува важна пресвртница во технологијата за вештачка интелигенција, туку и најавува длабока интеграција помеѓу физиката и вештачката интелигенција.

Кое е значењето на таложење на хемиска пареа (CVD) во физиката и со какви предизвици се соочува?

Технологија за таложење на хемиска пареа (CVD).има повеќеслојно значење во физиката, служејќи како клучна техника за подготовка на материјали додека игра суштинска улога во унапредувањето на истражувањата и апликациите во физичките науки. CVD овозможува прецизна контрола врз растот на материјалот на атомско и молекуларно ниво. Како што е илустрирано на Слика 1, оваа техника вклучува гасовити или супстанции во фаза на пареа кои се подложени на хемиски реакции на цврсти површини за да формираат цврсти наслаги, со што се произведуваат различни филмови со високи перформанси и наноструктурирани материјали. Оваа способност е од витално значење во физиката за разбирање и истражување на односот помеѓу микроструктурите на материјалите и нивните макроскопски својства, бидејќи им овозможува на научниците да ги проучуваат материјалите со специфични структури и состави, а со тоа да добијат длабински увид во нивните физички својства.

Понатаму,CVD технологијае клучен метод за производство на различни функционални филмови во полупроводнички уреди. На пример, може да се користи за растењесиликонски еднокристални епитаксијални слоеви, III-V полупроводници како галиум арсенид и II-VI полупроводнички еднокристални епи-слоеви, како и таложење на разни допирани полупроводнички еднокристални епитаксијални филмови и полисилициумски филмови. Овие материјали и структури ја формираат основата на современите електронски и оптоелектронски уреди. Дополнително, CVD технологијата игра значајна улога во истражувачките полиња како што се оптички материјали, суперспроводливи материјали и магнетни материјали. Со користење на CVD, тенки филмови со специфични оптички својства може да се синтетизираат за апликации во оптоелектронски уреди и оптички сензори.

И покрај неговите предности, CVD технологијата се соочува со неколку предизвици во практичната примена, како што се:

Услови на висока температура и висок притисок: CVD често бара високи температури или притисоци, ограничувајќи ги видовите на материјали што може да се користат и зголемувајќи ја потрошувачката и трошоците на енергија.

Чувствителност на параметри: CVD процесот е исклучително чувствителен на условите на реакција, со дури и мали варијации кои потенцијално влијаат на квалитетот на финалниот производ.

Комплексност на CVD системите: Процесот е чувствителен на граничните услови, покажува значителна несигурност и може да биде тешко да се контролира репродуктивно, што потенцијално го комплицира развојот на материјалот.

Како правиТехнологија на хемиско таложење на пареа (CVD).Имате корист од машинското учење?

Соочени со овие предизвици, машинското учење, како моќна алатка за анализа на податоци, покажа потенцијал за решавање на некои од овие прашања во полето на CVD. Еве случаи на апликации за машинско учење во CVD технологијата:

(1) Предвидување на раст на CVD: Алгоритмите за машинско учење можат да научат од опсежни експериментални податоци за да ги предвидат резултатите од растот на CVD под различни услови, а со тоа да го водат прилагодувањето на експерименталните параметри. Како што е прикажано на Слика 1, истражувачки тим од технолошкиот универзитет Нанјанг во Сингапур користел алгоритми за класификација во машинското учење за да ја водат CVD синтезата на дводимензионални материјали. Со анализа на раните експериментални податоци, тие успешно ги предвидоа условите за раст на молибден дисулфид (MoS2), значително подобрување на стапката на успех на експериментите и намалување на бројот на испитувања.

Слика 1: Синтеза на материјали водена од машинско учење. (а) Незаменлив дел од материјалниот развој: синтеза на материјали. (б) Моделите за класификација ја олеснуваат синтезата на хемиско таложење на пареа (CVD) на дводимензионални материјали (горе); Регресивните модели ја водат хидротермалната синтеза на сулфур и флуоресцентни квантни точки допрени со азот (долу).

Во друга студија, како што е прикажано на Слика 2, машинското учење беше употребено за да се анализираат моделите на раст на графен во CVD системите. Со развивање на конволутивни невронски мрежи со предлог регион (R-CNN), истражувачите можеа автоматски да ја мерат и анализираат големината, покриеноста, густината на доменот и односот на аспектот на графенот. Последователно, вештачките невронски мрежи (ANN) и машините за вектор за поддршка (SVM) беа користени за да се развијат сурогат модели за да се заклучи корелацијата помеѓуCVD процеспроменливи и измерени спецификации. Овој метод овозможува симулација на синтеза на графен и ги одредува експерименталните услови неопходни за производство на графен со големи димензии на зрно и мала густина на доменот, а со тоа заштедува значително време и трошоци.

Слика 2: Предвидување на машинско учење на моделите на раст на графинот во CVD системите

(2) Автоматизиран CVD процес: Машинското учење може да се користи за развој на автоматизирани системи кои ги следат и прилагодуваат параметрите во реално време за време на CVD процесот, постигнувајќи попрецизна контрола и повисока производна ефикасност. Како што е прикажано на Слика 3, истражувачки тим од Универзитетот Ксидијан користел длабоко учење за да го надмине предизвикот за препознавање на аголот на ротација на двослојните дводимензионални материјали подготвени од CVD. Со собирање на просторот за боја на MoS2 подготвен со CVD и примена на конволутивни невронски мрежи за семантичка сегментација (CNN), тие беа во можност прецизно и брзо да ја идентификуваат дебелината на MoS2. Тие потоа тренираа втор модел на CNN за прецизно предвидување на аголот на ротација на двослојните TMD материјали одгледувани од CVD. Овој метод не само што ја подобри ефикасноста на идентификација на примерокот, туку обезбеди и нова парадигма за примена на длабоко учење во областа на науката за материјалите.

Слика 3: Пристап за длабоко учење за идентификување на аголот на ротација на двослојни дводимензионални материјали

Outlook

Објавувањето на Нобеловата награда уште еднаш не потсетува дека интеграцијата на вештачката интелигенција и физиката ќе донесе повеќе иновации и откритија. Како што технологијата за машинско учење продолжува да напредува, имаме причина да веруваме во тоатехнологија на хемиско таложење на пареаќе наиде на нови можности за развој во иднина. Сето ова го најавува почетокот на новата ера, каде што конвергенцијата на технологијата и науката ќе отвори пошироки патишта за истражување.

Семикорекс нудиГрафит за обложување SiC/TaCикерамички материјали преку процесот на хемиско таложење на пареа (CVD).. Ако имате какви било прашања или ви требаат дополнителни детали, не двоумете се да стапите во контакт со нас.

Контакт телефон +86-13567891907

Е-пошта: sales@semicorex.com