Innovación tecnológica de CVD detrás del Premio Nobel

Recientemente, el anuncio del Premio Nobel de Física 2024 ha atraído la atención sin precedentes al campo de la inteligencia artificial. La investigación del científico estadounidense John J. Hopfield y el científico canadiense Geoffrey E. Hinton utiliza herramientas de aprendizaje automático para proporcionar nuevas ideas sobre la física compleja de hoy. Este logro no solo marca un hito importante en la tecnología de inteligencia artificial, sino que también anuncia la profunda integración de la física y la inteligencia artificial.

Ⅰ. La importancia y los desafíos de la tecnología de deposición de vapor químico (CVD) en física

La importancia de la tecnología de deposición de vapor químico (CVD) en física es multifacético. No es solo una tecnología importante de preparación de materiales, sino que también juega un papel clave en la promoción del desarrollo de la investigación y la aplicación física. La tecnología CVD puede controlar con precisión el crecimiento de materiales a nivel atómico y molecular. Como se muestra en la Figura 1, esta tecnología produce una variedad de películas delgadas de alto rendimiento y materiales nanoestructurados mediante reaccionando químicamente sustancias gaseosas o vaporosas en la superficie sólida para generar depósitos sólidos1. Esto es crucial en la física para comprender y explorar la relación entre la microestructura y las propiedades macroscópicas de los materiales, porque permite a los científicos estudiar materiales con estructuras y composiciones específicas, y luego comprender profundamente sus propiedades físicas.

En segundo lugar, la tecnología CVD es una tecnología clave para preparar varias películas delgadas funcionales en dispositivos de semiconductores. Por ejemplo, la CVD se puede usar para cultivar capas epitaxiales de cristal individual de silicio, semiconductores III-V como Gallium Arsenide y II-VI Semiconductor Un solo cristal epitaxia de cristal, y depositar varios semiconductores dopados de películas de cristal de cristal de cristal, de las películas de silicona policristalina, etc., etc., estos materiales y estructuras son las bases de los dispositivos electrónicos modernos y las optogáticas. Además, la tecnología CVD también juega un papel importante en los campos de investigación de física, como materiales ópticos, materiales superconductores y materiales magnéticos. A través de la tecnología CVD, se pueden sintetizar películas delgadas con propiedades ópticas específicas para su uso en dispositivos optoelectrónicos y sensores ópticos.

Figura 1 Pasos de transferencia de reacción CVD

Al mismo tiempo, la tecnología CVD enfrenta algunos desafíos en las aplicaciones prácticas², como:

✔ Condiciones de alta temperatura y alta presión: La ECV generalmente debe llevarse a cabo a alta temperatura o alta presión, lo que limita los tipos de materiales que pueden usarse y aumentan el consumo y el costo de energía.

✔ Sensibilidad a los parámetros: El proceso de CVD es extremadamente sensible a las condiciones de reacción, e incluso los pequeños cambios pueden afectar la calidad del producto final.

✔ El sistema CVD es complejo: El proceso de CVD es sensible a las condiciones límite, tiene grandes incertidumbres y es difícil de controlar y repetir, lo que puede conducir a dificultades en la investigación y el desarrollo de materiales.

Ⅱ. Tecnología de deposición de vapor químico (CVD) y aprendizaje automático

Frente a estas dificultades, el aprendizaje automático, como una poderosa herramienta de análisis de datos, ha demostrado el potencial de resolver algunos problemas en el campo CVD. Los siguientes son ejemplos de la aplicación de aprendizaje automático en tecnología CVD:

(1) Predecir el crecimiento de CVD

Usando algoritmos de aprendizaje automático, podemos aprender de una gran cantidad de datos experimentales y predecir los resultados del crecimiento de CVD en diferentes condiciones, guiando así el ajuste de los parámetros experimentales. Como se muestra en la Figura 2, el equipo de investigación de la Universidad Tecnológica de Nanyang en Singapur utilizó el algoritmo de clasificación en el aprendizaje automático para guiar la síntesis de CVD de materiales bidimensionales. Al analizar los datos experimentales tempranos, predijeron con éxito las condiciones de crecimiento del disulfuro de molibdeno (MOS2), mejorando significativamente la tasa de éxito experimental y reduciendo el número de experimentos.

Figura 2 Guías de aprendizaje automático Síntesis de material

(a) Una parte indispensable de la investigación y el desarrollo de materiales: síntesis de material.

(b) el modelo de clasificación ayuda a la deposición de vapor químico para sintetizar materiales bidimensionales (arriba); El modelo de regresión guía la síntesis hidrotérmica de puntos cuánticos fluorescentes dopados con azufre-nitrógeno (abajo).

En otro estudio (Figura 3), el aprendizaje automático se utilizó para analizar el patrón de crecimiento del grafeno en el sistema CVD. El tamaño, la cobertura, la densidad de dominio y la relación de aspecto del grafeno se midieron y analizaron automáticamente mediante el desarrollo de una red neuronal convolucional de propuesta de región (R-CNN), y luego los modelos sustitutos se desarrollaron mediante redes neuronales artificiales (ANN) y las máquinas de vectores de soporte (SVM) para inferir la correlación entre las variables de procesos CVD y las especificaciones medidas. Este enfoque puede simular la síntesis de grafeno y determinar las condiciones experimentales para sintetizar el grafeno con una morfología deseada con gran tamaño de grano y baja densidad de dominio, ahorrando mucho tiempo y cost² ³

Figura 3 El aprendizaje automático predice patrones de crecimiento de grafeno en sistemas CVD

(2) Proceso de CVD automatizado

El aprendizaje automático se puede utilizar para desarrollar sistemas automatizados para monitorear y ajustar los parámetros en el proceso de CVD en tiempo real para lograr un control más preciso y una mayor eficiencia de producción. Como se muestra en la Figura 4, un equipo de investigación de la Universidad Xidian utilizó un aprendizaje profundo para superar la dificultad de identificar el ángulo de rotación de los materiales bidimensionales de doble capa CVD. Recolectaron el espacio de color de MOS2 preparado por CVD y aplicaron una red neuronal convolucional de segmentación semántica (CNN) para identificar con precisión y rápidamente el grosor de MOS2, y luego entrenaron un segundo modelo CNN para lograr una predicción precisa del ángulo de rotación de los materiales TMD de doble capa cultivados con CVD. Este método no solo mejora la eficiencia de la identificación de la muestra, sino que también proporciona un nuevo paradigma para la aplicación de aprendizaje profundo en el campo de la ciencia de los materiales⁴.

Figura 4 Métodos de aprendizaje profundo Identifique las esquinas de los materiales bidimensionales de doble capa

Referencias:

(1) Guo, Q.-M.; Qin, Z.-H. Desarrollo y aplicación de la tecnología de deposición de vapor en la fabricación atómica. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Dos: 10.7498/aps.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Deposición de vapor químico mejorado por plasma de materiales bidimensionales para aplicaciones. Cuentas de investigación química 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Aprendizaje de la máquina para el análisis de grafeno CVD: desde la medición hasta la simulación de imágenes SEM. 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. Aprendizaje sin supervisión de estados individuales de Kohn-Sham: representaciones y consecuencias interpretables para las predicciones aguas abajo de efectos de muchos cuerpos. 2024; P ARXIV: 2404.14601.