Nobel Ödülü'nün arkasındaki CVD teknoloji yeniliği

Son zamanlarda, 2024 Nobel Fizik Ödülü'nün duyurusu yapay zeka alanına benzeri görülmemiş bir dikkat çekti. Amerikalı bilim adamı John J. Hopfield ve Kanadalı bilim adamı Geoffrey E. Hinton'un araştırması, günümüzün karmaşık fiziğine yeni bilgiler sağlamak için makine öğrenme araçlarını kullanıyor. Bu başarı sadece yapay zeka teknolojisinde önemli bir kilometre taşını işaret etmekle kalmaz, aynı zamanda fizik ve yapay zekanın derin entegrasyonunu da müjdeliyor.

Ⅰ. Fizikte kimyasal buhar birikimi (CVD) teknolojisinin önemi ve zorlukları

Fizikte kimyasal buhar birikimi (CVD) teknolojisinin önemi çok yönlüdür. Bu sadece önemli bir malzeme hazırlama teknolojisi değil, aynı zamanda fizik araştırması ve uygulamasının gelişiminin teşvik edilmesinde de önemli bir rol oynamaktadır. CVD teknolojisi, atomik ve moleküler seviyelerde malzemelerin büyümesini tam olarak kontrol edebilir. Şekil 1'de gösterildiği gibi, bu teknoloji katı birikintiler üretmek için katı yüzeyde kimyasal olarak reaksiyona girerek çeşitli yüksek performanslı ince filmler ve nanoyapılı malzemeler üretir1. Bu, fizikte malzemelerin mikroyapı ve makroskopik özellikleri arasındaki ilişkiyi anlamak ve araştırmak için çok önemlidir, çünkü bilim adamlarının belirli yapılara ve bileşimlere sahip materyalleri incelemelerine ve daha sonra fiziksel özelliklerini derinlemesine anlamalarına izin verir.

İkincisi, CVD teknolojisi yarı iletken cihazlarda çeşitli fonksiyonel ince filmler hazırlamak için önemli bir teknolojidir. Örneğin CVD, silikon tek kristal epitaksiyal katmanları, galyum arsenid ve II-VI yarı iletken tek kristal epitaks gibi III-V yarı iletkenleri büyütmek için kullanılabilir ve çeşitli katkılı yarı iletken tek kristal epitaksiyal filmler, bu malzemeler ve optelektrik filmleri vb. Ek olarak, CVD teknolojisi optik malzemeler, süper iletken malzemeler ve manyetik malzemeler gibi fizik araştırma alanlarında da önemli bir rol oynamaktadır. CVD teknolojisi aracılığıyla, optoelektronik cihazlarda ve optik sensörlerde kullanılmak üzere spesifik optik özelliklere sahip ince filmler sentezlenebilir.

Şekil 1 CVD reaksiyon aktarım adımları

Aynı zamanda, CVD teknolojisi pratik uygulamalarda bazı zorluklarla karşı karşıyadır, örneğin:

✔ Yüksek sıcaklık ve yüksek basınç koşulları: CVD'nin genellikle yüksek sıcaklık veya yüksek basınçta gerçekleştirilmesi gerekir, bu da kullanılabilecek ve enerji tüketimini ve maliyetini artıran malzeme türlerini sınırlar.

✔ Parametre hassasiyeti: CVD işlemi reaksiyon koşullarına son derece duyarlıdır ve küçük değişiklikler bile nihai ürünün kalitesini etkileyebilir.

✔ CVD sistemi karmaşıktır: CVD süreci sınır koşullarına duyarlıdır, büyük belirsizliklere sahiptir ve kontrol edilmesi ve tekrarlanması zordur, bu da maddi araştırma ve geliştirmede zorluklara yol açabilir.

Ⅱ. Kimyasal Buhar Biriktirme (CVD) Teknoloji ve Makine Öğrenimi

Bu zorluklarla karşı karşıya kalan makine öğrenimi, güçlü bir veri analiz aracı olarak, CVD alanındaki bazı sorunları çözme potansiyelini göstermiştir. Aşağıdakiler, CVD teknolojisinde makine öğreniminin uygulanmasına örneklerdir:

(1) CVD büyümesini tahmin etmek

Makine öğrenimi algoritmalarını kullanarak, büyük miktarda deneysel verilerden öğrenebilir ve farklı koşullar altında CVD büyümesinin sonuçlarını tahmin edebilir, böylece deneysel parametrelerin ayarlanmasına rehberlik edebiliriz. Şekil 2'de gösterildiği gibi, Singapur'daki Nanyang Technology Üniversitesi araştırma ekibi, iki boyutlu materyallerin CVD sentezine rehberlik etmek için makine öğreniminde sınıflandırma algoritmasını kullanmıştır. Erken deneysel verileri analiz ederek, molibden disülfürün (MOS2) büyüme koşullarını başarıyla tahmin ederek, deneysel başarı oranını önemli ölçüde iyileştirdiler ve deney sayısını azalttılar.

Şekil 2 Makine Öğrenme Kılavuzları Malzeme Sentezi

(a) Maddi araştırma ve geliştirmenin vazgeçilmez bir parçası: Malzeme sentezi.

(b) Sınıflandırma modeli, kimyasal buhar birikiminin iki boyutlu malzemeleri (üst) sentezlemesine yardımcı olur; Regresyon modeli, sülfür-azot katkılı floresan kuantum noktalarının (alt) hidrotermal sentezini yönlendirir.

Başka bir çalışmada (Şekil 3), CVD sistemindeki grafenin büyüme modelini analiz etmek için makine öğrenimi kullanılmıştır. Grafenin boyutu, kapsamı, etki alanı yoğunluğu ve en-boy oranı, bir bölge önerisi konvolüsyonel nöral ağı (R-CNN) geliştirilerek otomatik olarak ölçüldü ve analiz edildi ve daha sonra vekil modeller, yapay nöral ağlar (ANN) ve destek vektör makineleri (SVM) kullanılarak CVD süreç değişkenleri ve ölçülen spesifikasyonlar arasındaki korelasyonu çıkarmak için geliştirildi. Bu yaklaşım grafen sentezini simüle edebilir ve grafeni büyük tane büyüklüğü ve düşük alan yoğunluğuna sahip istenen bir morfoloji ile sentezlemek için deney koşullarını belirleyebilir, çok fazla zaman ve maliyet tasarrufu sağlayabilir ³

Şekil 3 Makine öğrenimi, CVD sistemlerinde grafen büyüme modellerini öngörüyor

(2) Otomatik CVD işlemi

Makine öğrenimi, daha hassas kontrol ve daha yüksek üretim verimliliği elde etmek için CVD işlemindeki parametreleri gerçek zamanlı olarak izlemek ve ayarlamak için otomatik sistemler geliştirmek için kullanılabilir. Şekil 4'te gösterildiği gibi, Xidian Üniversitesi'nden bir araştırma ekibi, CVD çift katmanlı iki boyutlu malzemelerin dönme açısını belirleme zorluğunun üstesinden gelmek için derin öğrenme kullandı. CVD tarafından hazırlanan MOS2'nin renk boşluğunu topladılar ve MOS2'nin kalınlığını doğru ve hızlı bir şekilde tanımlamak için semantik bir segmentasyon evrişimsel sinir ağı (CNN) uyguladılar ve daha sonra CVD yetiştirilen çift katmanlı TMD malzemelerinin rotasyon açısının doğru bir tahminini elde etmek için ikinci bir CNN modelini eğitti. Bu yöntem sadece örnek tanımlamanın verimliliğini artırmakla kalmaz, aynı zamanda malzeme bilimi alanında derin öğrenmenin uygulanması için yeni bir paradigma sağlar.⁴.

Şekil 4 Derin öğrenme yöntemleri, çift katmanlı iki boyutlu malzemelerin köşelerini tanımlamak

Referanslar:

(1) Guo, Q.-M.; Qin, Z.-H. Atomik üretimde buhar biriktirme teknolojisinin geliştirilmesi ve uygulanması. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. İki: 10.7498/aps.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Uygulamalar için iki boyutlu malzemelerin plazma geliştirilmiş kimyasal buhar birikimi. Kimyasal Araştırma Hesapları 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.Accounts.0C00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. CVD grafen analizi için makine öğrenmeleri: Ölçümden SEM görüntülerinin simülasyonuna. Endüstri ve Mühendislik Kimyası Dergisi 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Bireysel Kohn-Sham devletlerinin denetimsiz öğrenmesi: Çok vücut etkilerinin akış aşağı tahminleri için yorumlanabilir temsiller ve sonuçlar. 2024; P arxiv: 2404.14601.