Inovação tecnológica de CVD por trás do Prêmio Nobel

Recentemente, o anúncio do Prêmio Nobel de 2024 em física chamou atenção sem precedentes ao campo da inteligência artificial. A pesquisa do cientista americano John J. Hopfield e do cientista canadense Geoffrey E. Hinton usa ferramentas de aprendizado de máquina para fornecer novas idéias sobre a complexa física de hoje. Essa conquista não apenas marca um marco importante na tecnologia de inteligência artificial, mas também anuncia a profunda integração da física e da inteligência artificial.

Ⅰ. O significado e os desafios da tecnologia de deposição de vapor químico (DCV) em física

O significado da tecnologia de deposição de vapor químico (DCV) na física é multifacetado. Não é apenas uma importante tecnologia de preparação de materiais, mas também desempenha um papel fundamental na promoção do desenvolvimento de pesquisa e aplicação de física. A tecnologia CVD pode controlar com precisão o crescimento de materiais nos níveis atômicos e moleculares. Como mostrado na Figura 1, essa tecnologia produz uma variedade de filmes finos de alto desempenho e materiais nanoestruturados, reagindo quimicamente substâncias gasosas ou vaporárias na superfície sólida para gerar depósitos sólidos1. Isso é crucial na física para entender e explorar a relação entre a microestrutura e as propriedades macroscópicas dos materiais, porque permite que os cientistas estudem materiais com estruturas e composições específicas e, em seguida, entendam profundamente suas propriedades físicas.

Em segundo lugar, a tecnologia CVD é uma tecnologia essencial para a preparação de vários filmes finos funcionais em dispositivos semicondutores. Por exemplo, a CVD pode ser usada para cultivar camadas epitaxiais de cristal único de silício, semicondutores III-V, como arseneto de gálio e epitaxia de cristal único semicondutores de II-VI, e depositará vários materiais de cristal e os materiais e os materiais de círculos de policristalina e os filmes de silício de policristalina etc. etc. Além disso, a tecnologia CVD também desempenha um papel importante nos campos de pesquisa de física, como materiais ópticos, materiais supercondutores e materiais magnéticos. Através da tecnologia CVD, filmes finos com propriedades ópticas específicas podem ser sintetizadas para uso em dispositivos optoeletrônicos e sensores ópticos.

Figura 1 Etapas de transferência de reação CVD

Ao mesmo tempo, a tecnologia CVD enfrenta alguns desafios em aplicações práticas², como:

✔ Alta temperatura e alta pressão condições: A DCV geralmente precisa ser realizada em alta temperatura ou alta pressão, o que limita os tipos de materiais que podem ser usados ​​e aumenta o consumo e o custo de energia.

✔ Sensibilidade ao parâmetro: O processo de CVD é extremamente sensível às condições de reação, e até pequenas mudanças podem afetar a qualidade do produto final.

✔ O sistema CVD é complexo: O processo de CVD é sensível às condições de contorno, tem grandes incertezas e é difícil de controlar e repetir, o que pode levar a dificuldades na pesquisa e desenvolvimento materiais.

Ⅱ. Tecnologia de deposição de vapor químico (CVD) e aprendizado de máquina

Diante dessas dificuldades, o aprendizado de máquina, como uma poderosa ferramenta de análise de dados, mostrou o potencial de resolver alguns problemas no campo CVD. A seguir, são apresentados exemplos de aplicação do aprendizado de máquina na tecnologia CVD:

(1) prever o crescimento de DCV

Usando algoritmos de aprendizado de máquina, podemos aprender com uma grande quantidade de dados experimentais e prever os resultados do crescimento de DCV sob diferentes condições, orientando assim o ajuste dos parâmetros experimentais. Conforme mostrado na Figura 2, a equipe de pesquisa da Universidade Tecnológica de Nanyang em Cingapura usou o algoritmo de classificação no aprendizado de máquina para orientar a síntese de CVD de materiais bidimensionais. Ao analisar dados experimentais precoces, eles previram com sucesso as condições de crescimento do dissulfeto de molibdênio (MOS2), melhorando significativamente a taxa de sucesso experimental e reduzindo o número de experimentos.

Figura 2 Guias de aprendizado de máquina Síntese de material

(a) Uma parte indispensável da pesquisa e desenvolvimento material: síntese material.

(b) o modelo de classificação ajuda a deposição química de vapor a sintetizar materiais bidimensionais (em cima); O modelo de regressão orienta a síntese hidrotérmica de pontos quânticos fluorescentes dopados com nitrogênio em enxofre (inferior).

Em outro estudo (Figura 3), o aprendizado de máquina foi usado para analisar o padrão de crescimento do grafeno no sistema CVD. O tamanho, a cobertura, a densidade do domínio e a proporção de grafeno foram medidos e analisados ​​automaticamente pelo desenvolvimento de uma rede neural convolucional da proposta de região (R-CNN) e, em seguida, os modelos de substituição foram desenvolvidos usando redes neurais artificiais (RNA) e especificações de meas e medidas de correlação. Essa abordagem pode simular a síntese de grafeno e determinar as condições experimentais para sintetizar grafeno com uma morfologia desejada com grande tamanho de grão e baixa densidade de domínio, economizando muito tempo e custo ³

Figura 3 O aprendizado de máquina prevê padrões de crescimento de grafeno em sistemas CVD

(2) Processo CVD automatizado

O aprendizado de máquina pode ser usado para desenvolver sistemas automatizados para monitorar e ajustar parâmetros no processo de CVD em tempo real para obter controle mais preciso e maior eficiência de produção. Conforme mostrado na Figura 4, uma equipe de pesquisa da Universidade Xidiana usou o aprendizado profundo para superar a dificuldade de identificar o ângulo de rotação dos materiais bidimensionais de camada dupla CVD. Eles coletaram o espaço de cores do MOS2 preparado por CVD e aplicaram uma rede neural convolucional de segmentação semântica (CNN) para identificar com precisão e rapidez a espessura do MOS2 e, em seguida, treinaram um segundo modelo de CNN para obter a previsão precisa do ângulo de rotação dos materiais TMD de ladrão duplo cultivado por CVD. Este método não apenas melhora a eficiência da identificação da amostra, mas também fornece um novo paradigma para a aplicação de aprendizado profundo no campo da ciência dos materiais⁴.

Figura 4 Métodos de aprendizado profundo identificam os cantos dos materiais bidimensionais de camada dupla

Referências:

(1) Guo, Q.-M.; Qin, Z.-H. Desenvolvimento e aplicação da tecnologia de deposição de vapor na fabricação atômica. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Dois: 10.7498/APS.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Deposição de vapor químico aprimorado por plasma de materiais bidimensionais para aplicações. Relatos de pesquisa química 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Aprendizagem de máquinas para análise de grafeno CVD: da medição à simulação de imagens 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. Aprendizagem não supervisionada de estados individuais de Kohn-Sham: Representações e conseqüências interpretáveis ​​para previsões a jusante dos efeitos de muitos corpos. 2024; p arxiv: 2404.14601.