Dirbtinio intelekto ir fizikos sintezė: CVD technologinės naujovės už Nobelio premiją

Neseniai paskelbtas 2024 m. Nobelio fizikos premijos skyrimas pritraukė precedento neturintį dėmesį dirbtinio intelekto sričiai. Amerikiečių mokslininko Johno J. Hopfieldo ir kanadiečių mokslininko Geoffrey E. Hintono atliktas tyrimas panaudojo mašininio mokymosi priemones, kad suteiktų naujų įžvalgų apie sudėtingą šiandienos fizikos pasaulį. Šis pasiekimas ne tik žymi svarbų AI technologijos etapą, bet ir skelbia gilią fizikos ir dirbtinio intelekto integraciją.

Kokia yra cheminio nusodinimo iš garų (CVD) reikšmė fizikoje ir su kokiais iššūkiais jis susiduria?

Cheminio nusodinimo garais (CVD) technologijaturi įvairiapusę reikšmę fizikoje, tarnauja kaip esminė medžiagos paruošimo technika ir atlieka esminį vaidmenį plėtojant mokslinius tyrimus ir taikymą fizinių mokslų srityse. CVD leidžia tiksliai kontroliuoti medžiagos augimą atominiu ir molekuliniu lygiu. Kaip parodyta 1 paveiksle, šis metodas apima dujines arba garų fazes medžiagas, kurios vyksta cheminėmis reakcijomis ant kietų paviršių, kad susidarytų kietos nuosėdos, taip gaminant įvairias aukštos kokybės plėveles ir nanostruktūrines medžiagas. Ši galimybė yra gyvybiškai svarbi fizikoje, norint suprasti ir ištirti ryšį tarp medžiagų mikrostruktūrų ir jų makroskopinių savybių, nes tai leidžia mokslininkams tirti medžiagas su specifinėmis struktūromis ir kompozicijomis, taip įgyjant nuodugnų įžvalgų apie jų fizines savybes.

Be to,CVD technologijayra pagrindinis būdas gaminti įvairias funkcines plėveles puslaidininkiniuose įrenginiuose. Pavyzdžiui, jis gali būti naudojamas augintisilicio monokristaliniai epitaksiniai sluoksniai, III-V puslaidininkiai, tokie kaip galio arsenidas, ir II-VI puslaidininkiniai vieno kristalo epi-sluoksniai, taip pat deponuoja įvairias legiruotas puslaidininkines vienakristalines epitaksines plėveles ir polisilicio plėveles. Šios medžiagos ir konstrukcijos sudaro šiuolaikinių elektroninių ir optoelektroninių prietaisų pagrindą. Be to, CVD technologija atlieka svarbų vaidmenį tyrimų srityse, tokiose kaip optinės medžiagos, superlaidžios medžiagos ir magnetinės medžiagos. Naudojant CVD, plonas plėveles, turinčias specifinių optinių savybių, galima susintetinti, kad būtų galima naudoti optoelektroniniuose įrenginiuose ir optiniuose jutikliuose.

Nepaisant savo privalumų, CVD technologija praktiškai taikant susiduria su keliais iššūkiais, tokiais kaip:

Aukštos temperatūros ir aukšto slėgio sąlygos: CVD dažnai reikalauja aukštų temperatūrų arba slėgių, ribojant medžiagų, kurias galima naudoti, tipus ir didinant energijos sąnaudas bei sąnaudas.

Jautrumas parametrams: CVD procesas yra labai jautrus reakcijos sąlygoms, net ir nedideli svyravimai gali turėti įtakos galutinio produkto kokybei.

CVD sistemų sudėtingumas: procesas yra jautrus ribinėms sąlygoms, pasižymi dideliu neapibrėžtumu ir gali būti sunkiai kontroliuojamas atkuriamai, o tai gali apsunkinti medžiagos kūrimą.

Kaip veikiaCheminio nusodinimo garais (CVD) technologijaAr turite naudos iš mašininio mokymosi?

Susidūręs su šiais iššūkiais, mašininis mokymasis, kaip galingas duomenų analizės įrankis, parodė potencialą sprendžiant kai kurias iš šių problemų CVD srityje. Štai mašininio mokymosi programų CVD technologijose atvejai:

(1) ŠKL augimo numatymas: Mašininio mokymosi algoritmai gali mokytis iš gausių eksperimentinių duomenų, kad prognozuotų ŠKL augimo rezultatus įvairiomis sąlygomis ir taip būtų galima koreguoti eksperimentinius parametrus. Kaip parodyta 1 paveiksle, Singapūro Nanyang technologijos universiteto tyrimų grupė naudojo klasifikavimo algoritmus mašininiame mokyme, kad vadovautų dvimačių medžiagų CVD sintezei. Analizuodami ankstyvuosius eksperimentinius duomenis, jie sėkmingai numatė molibdeno disulfido (MoS2) augimo sąlygas, žymiai pagerindami eksperimentų sėkmės rodiklį ir sumažindami bandymų skaičių.

1 pav. Mašininio mokymosi vadovaujama medžiagų sintezė. a) Nepakeičiama medžiagų vystymosi dalis: medžiagų sintezė. b) klasifikavimo modeliai palengvina dvimačių medžiagų cheminio nusodinimo garais (CVD) sintezę (viršuje); regresijos modeliai vadovauja hidroterminei sieros ir azotu legiruotų fluorescencinių kvantinių taškų sintezei (apačioje).

Kitame tyrime, kaip parodyta 2 paveiksle, mašininis mokymasis buvo naudojamas analizuojant grafeno augimo modelius CVD sistemose. Kurdami regioninius konvoliucinius neuroninius tinklus (R-CNN), mokslininkai galėjo automatiškai išmatuoti ir analizuoti grafeno dydį, aprėptį, domeno tankį ir kraštinių santykį. Vėliau dirbtiniai neuroniniai tinklai (ANN) ir paramos vektorių mašinos (SVM) buvo naudojami kuriant pakaitinius modelius, kad būtų galima nustatyti koreliaciją tarpCVD procesaskintamieji ir išmatuotos specifikacijos. Šis metodas leidžia modeliuoti grafeno sintezę ir nustato eksperimentines sąlygas, reikalingas didelių grūdelių dydžių ir mažo domeno tankio grafeno gamybai, taip sutaupant daug laiko ir išlaidų.

2 pav. Mašininio mokymosi grafeno augimo modelių CVD sistemose numatymas

(2) Automatizuotas CVD procesas: mašininis mokymasis gali būti naudojamas kuriant automatizuotas sistemas, kurios CVD proceso metu realiuoju laiku stebi ir koreguoja parametrus, taip užtikrinant tikslesnį valdymą ir didesnį gamybos efektyvumą. Kaip parodyta 3 paveiksle, Xidian universiteto tyrimų grupė panaudojo gilų mokymąsi, kad įveiktų iššūkį atpažinti dvisluoksnių dvimačių medžiagų, paruoštų CVD, sukimosi kampą. Surinkę CVD paruošto MoS2 spalvų erdvę ir taikę semantinio segmentavimo konvoliucinius neuroninius tinklus (CNN), jie galėjo tiksliai ir greitai nustatyti MoS2 storį. Tada jie parengė antrąjį CNN modelį, kad tiksliai prognozuotų CVD išaugintų dvisluoksnių TMD medžiagų sukimosi kampą. Šis metodas ne tik pagerino mėginių identifikavimo efektyvumą, bet ir suteikė naują paradigmą giluminio mokymosi taikymui medžiagų mokslo srityje.

3 pav. Giluminio mokymosi metodas dvisluoksnių dvimačių medžiagų sukimosi kampui nustatyti

Outlook

Nobelio premijos paskelbimas dar kartą primena, kad dirbtinio intelekto ir fizikos integravimas atneš daugiau naujovių ir proveržių. Kadangi mašininio mokymosi technologija ir toliau tobulėja, turime pagrindo tuo tikėticheminio nusodinimo garais technologijaateityje susidurs su naujomis plėtros galimybėmis. Visa tai skelbia naujos eros aušrą, kai technologijų ir mokslo konvergencija atvers platesnes galimybes tyrinėti.

Semicorex pasiūlymaiSiC/TaC dangos grafitasirkeraminės medžiagos cheminio nusodinimo garais (CVD) būdu. Jei turite kokių nors klausimų ar reikia papildomos informacijos, nedvejodami susisiekite su mumis.

Telefonas pasiteirauti # +86-13567891907

paštas: sales@semicorex.com