Сливането на AI и физика: CVD технологична иновация зад Нобеловата награда

Неотдавнашното обявяване на Нобеловата награда за физика за 2024 г. привлече безпрецедентно внимание към областта на изкуствения интелект. Изследването, проведено от американския учен Джон Дж. Хопфийлд и канадския учен Джефри Е. Хинтън, използва инструменти за машинно обучение, за да предостави нови прозрения в сложния свят на физиката днес. Това постижение не само бележи важен крайъгълен камък в AI технологията, но също така предвещава дълбока интеграция между физиката и изкуствения интелект.

Какво е значението на химическото отлагане на пари (CVD) във физиката и пред какви предизвикателства е изправено?

Технология за химическо отлагане на газове (CVD).има многостранно значение във физиката, като служи като решаваща техника за подготовка на материали, като същевременно играе съществена роля в напредъка на изследванията и приложенията във физическите науки. CVD позволява прецизен контрол върху растежа на материала на атомно и молекулярно ниво. Както е показано на Фигура 1, тази техника включва вещества в газообразна или парна фаза, които претърпяват химически реакции върху твърди повърхности, за да образуват твърди отлагания, като по този начин произвеждат различни високоефективни филми и наноструктурирани материали. Тази способност е жизненоважна във физиката за разбиране и изследване на връзката между микроструктурите на материалите и техните макроскопични свойства, тъй като позволява на учените да изучават материали със специфични структури и състави, като по този начин придобиват задълбочена представа за техните физически свойства.

освен товаCVD технологияе ключов метод за производство на различни функционални филми в полупроводникови устройства. Например, може да се използва за отглежданесилициеви монокристални епитаксиални слоеве, III-V полупроводници като галиев арсенид и II-VI полупроводникови монокристални епи-слоеве, както и отлагане на различни легирани полупроводникови монокристални епитаксиални филми и полисилициеви филми. Тези материали и структури формират основата на съвременните електронни и оптоелектронни устройства. Освен това CVD технологията играе важна роля в изследователски области като оптични материали, свръхпроводящи материали и магнитни материали. Чрез използване на CVD могат да се синтезират тънки филми със специфични оптични свойства за приложения в оптоелектронни устройства и оптични сензори.

Въпреки предимствата си, CVD технологията е изправена пред няколко предизвикателства в практически приложения, като например:

Условия на висока температура и високо налягане: CVD често изисква високи температури или налягания, което ограничава видовете материали, които могат да се използват, и увеличава потреблението на енергия и разходите.

Чувствителност към параметрите: CVD процесът е изключително чувствителен към реакционните условия, като дори леки вариации потенциално засягат качеството на крайния продукт.

Сложност на CVD системите: Процесът е чувствителен към гранични условия, проявява значителна несигурност и може да бъде трудно да се контролира възпроизводимо, което потенциално усложнява разработването на материала.

Как ставаТехнология за химическо отлагане на газове (CVD).Да се ​​възползвате от машинното обучение?

Изправено пред тези предизвикателства, машинното обучение, като мощен инструмент за анализ на данни, показа потенциал за справяне с някои от тези проблеми в областта на ССЗ. Ето случаи на приложения за машинно обучение в CVD технологията:

(1) Прогнозиране на растежа на ССЗ: Алгоритмите за машинно обучение могат да се учат от обширни експериментални данни, за да предскажат резултатите от растежа на ССЗ при различни условия, като по този начин насочват коригирането на експерименталните параметри. Както е показано на Фигура 1, изследователски екип от Технологичния университет Нанянг в Сингапур използва алгоритми за класификация в машинното обучение, за да ръководи CVD синтеза на двуизмерни материали. Анализирайки ранните експериментални данни, те успешно предсказаха условията на растеж на молибденовия дисулфид (MoS2), като значително подобриха степента на успех на експериментите и намалиха броя на опитите.

Фигура 1: Синтез на материали, управляван от машинно обучение. (a) Незаменима част от материалното развитие: материален синтез. (б) Класификационните модели улесняват синтеза на двуизмерни материали чрез химическо отлагане на пари (CVD) (отгоре); регресионните модели ръководят хидротермалния синтез на флуоресцентни квантови точки, легирани със сяра и азот (отдолу).

В друго проучване, както е показано на фигура 2, машинното обучение е използвано за анализиране на моделите на растеж на графен в CVD системите. Чрез разработването на конволюционни невронни мрежи с предложение за регион (R-CNN), изследователите успяха автоматично да измерват и анализират размера, покритието, плътността на домейна и аспектното съотношение на графена. Впоследствие изкуствените невронни мрежи (ANN) и опорните векторни машини (SVM) бяха използвани за разработване на сурогатни модели за извеждане на корелацията междуCVD процеспроменливи и измерени спецификации. Този метод дава възможност за симулиране на синтеза на графен и определя експерименталните условия, необходими за производството на графен с големи размери на зърната и ниска плътност на домейна, като по този начин спестява значително време и разходи.

Фигура 2: Прогноза за машинно обучение на модели на растеж на графен в CVD системи

(2) Автоматизиран CVD процес: Машинното обучение може да се използва за разработване на автоматизирани системи, които наблюдават и коригират параметрите в реално време по време на CVD процеса, постигайки по-прецизен контрол и по-висока производствена ефективност. Както е показано на фигура 3, изследователски екип от университета Xidian използва задълбочено обучение, за да преодолее предизвикателството да разпознае ъгъла на въртене на двуслойни двуизмерни материали, подготвени от CVD. Чрез събиране на цветовото пространство на CVD-подготвен MoS2 и прилагане на семантично сегментиране на конволюционни невронни мрежи (CNN), те успяха точно и бързо да идентифицират дебелината на MoS2. След това те обучиха втори модел на CNN, за да предвидят точно ъгъла на въртене на двуслойни TMD материали, отгледани чрез CVD. Този метод не само подобри ефективността на идентификацията на проби, но също така предостави нова парадигма за прилагане на задълбочено обучение в областта на материалознанието.

Фигура 3: Подход за задълбочено обучение за идентифициране на ъгъла на въртене на двуслойни двуизмерни материали

Outlook

Обявяването на Нобеловата награда още веднъж ни напомня, че интеграцията на изкуствения интелект и физиката ще доведе до повече иновации и пробиви. Тъй като технологията за машинно обучение продължава да напредва, имаме причина да вярваме в товатехнология за химическо отлагане на парище срещне нови възможности за развитие в бъдеще. Всичко това предвещава зората на нова ера, в която сближаването на технологиите и науката ще отвори по-широки пътища за изследване.

Semicorex предлагаSiC/TaC покритие графитикерамични материали чрез процеса на химическо отлагане на пари (CVD).. Ако имате запитвания или се нуждаете от допълнителни подробности, моля не се колебайте да се свържете с нас.

Телефон за връзка +86-13567891907

Имейл: sales@semicorex.com