Fuziunea dintre inteligența artificială și fizica: inovația tehnologică CVD în spatele Premiului Nobel

Anunțul recent al Premiului Nobel pentru Fizică în 2024 a adus o atenție fără precedent în domeniul inteligenței artificiale. Cercetarea efectuată de omul de știință american John J. Hopfield și de omul de știință canadian Geoffrey E. Hinton a folosit instrumente de învățare automată pentru a oferi noi perspective asupra lumii complexe a fizicii de astăzi. Această realizare nu numai că marchează o piatră de hotar importantă în tehnologia AI, dar anunță și o integrare profundă între fizică și inteligența artificială.

Care este semnificația depunerii chimice de vapori (CVD) în fizică și cu ce provocări se confruntă?

Tehnologia depunerii chimice în vapori (CVD).are o semnificație cu mai multe fațete în fizică, servind ca o tehnică esențială de pregătire a materialelor, jucând în același timp un rol esențial în avansarea cercetării și a aplicațiilor în științele fizice. CVD permite controlul precis asupra creșterii materialelor la nivel atomic și molecular. După cum este ilustrat în Figura 1, această tehnică implică substanțe gazoase sau în fază de vapori care suferă reacții chimice pe suprafețe solide pentru a forma depozite solide, producând astfel o varietate de filme de înaltă performanță și materiale nanostructurate. Această capacitate este vitală în fizică pentru înțelegerea și explorarea relației dintre microstructurile materialelor și proprietățile lor macroscopice, deoarece le permite oamenilor de știință să studieze materiale cu structuri și compoziții specifice, obținând astfel perspective aprofundate asupra proprietăților lor fizice.

În plus,Tehnologia CVDeste o metodă cheie pentru producerea diferitelor filme funcționale în dispozitive semiconductoare. De exemplu, poate fi folosit pentru a creștestraturi epitaxiale de siliciu monocristal, semiconductori III-V, cum ar fi arseniura de galiu și epistraturi de un singur cristal semiconductor II-VI, precum și depun diferite filme epitaxiale monocristaline semiconductoare dopate și filme de polisiliciu. Aceste materiale și structuri formează fundația dispozitivelor electronice și optoelectronice moderne. În plus, tehnologia CVD joacă un rol semnificativ în domenii de cercetare, cum ar fi materialele optice, materialele supraconductoare și materialele magnetice. Prin utilizarea CVD, peliculele subțiri cu proprietăți optice specifice pot fi sintetizate pentru aplicații în dispozitive optoelectronice și senzori optici.

În ciuda avantajelor sale, tehnologia CVD se confruntă cu mai multe provocări în aplicații practice, cum ar fi:

Condiții de temperatură înaltă și de înaltă presiune: CVD necesită adesea temperaturi sau presiuni ridicate, limitând tipurile de materiale care pot fi utilizate și crescând consumul de energie și costurile.

Sensibilitate la parametri: Procesul CVD este extrem de sensibil la condițiile de reacție, cu variații chiar ușoare care pot afecta calitatea produsului final.

Complexitatea sistemelor CVD: Procesul este sensibil la condițiile de limită, prezintă o incertitudine semnificativă și poate fi dificil de controlat reproductibil, putând complica dezvoltarea materialului.

Cum faceTehnologia depunerii chimice în vapori (CVD).Beneficiați de învățarea automată?

Confruntată cu aceste provocări, învățarea automată, ca instrument puternic de analiză a datelor, a demonstrat potențialul de a aborda unele dintre aceste probleme în domeniul CVD. Iată cazuri de aplicații de învățare automată în tehnologia CVD:

(1) Prezicerea creșterii CVD: algoritmii de învățare automată pot învăța din date experimentale extinse pentru a prezice rezultatele creșterii CVD în diferite condiții, ghidând astfel ajustarea parametrilor experimentali. După cum este prezentat în Figura 1, o echipă de cercetare de la Universitatea Tehnologică Nanyang din Singapore a folosit algoritmi de clasificare în învățarea automată pentru a ghida sinteza CVD a materialelor bidimensionale. Analizând datele experimentale timpurii, ei au prezis cu succes condițiile de creștere pentru disulfura de molibden (MoS2), îmbunătățind semnificativ rata de succes a experimentelor și reducând numărul de teste.

Figura 1: Sinteza materialelor ghidată de învățare automată. (a) O parte indispensabilă a dezvoltării materialelor: sinteza materialului. (b) Modelele de clasificare facilitează sinteza depunerii chimice în vapori (CVD) a materialelor bidimensionale (sus); modelele de regresie ghidează sinteza hidrotermală a punctelor cuantice fluorescente dopate cu sulf și azot (jos).

Într-un alt studiu, așa cum este prezentat în Figura 2, învățarea automată a fost folosită pentru a analiza modelele de creștere a grafenului în sistemele CVD. Prin dezvoltarea rețelelor neuronale convoluționale (R-CNN), cercetătorii au reușit să măsoare și să analizeze automat dimensiunea, acoperirea, densitatea domeniului și raportul de aspect al grafenului. Ulterior, rețelele neuronale artificiale (ANN) și mașinile vectoriale suport (SVM) au fost utilizate pentru a dezvolta modele surogat pentru a deduce corelația dintreproces CVDvariabilele și specificațiile măsurate. Această metodă permite simularea sintezei grafenului și determină condițiile experimentale necesare pentru producerea grafenului cu granule mari și densitate scăzută a domeniului, economisind astfel timp și costuri semnificative.

Figura 2: Predicția de învățare automată a modelelor de creștere a grafenului în sistemele CVD

(2) Proces CVD automat: Învățarea automată poate fi utilizată pentru a dezvolta sisteme automate care monitorizează și ajustează parametrii în timp real în timpul procesului CVD, obținând un control mai precis și o eficiență mai mare a producției. După cum se arată în Figura 3, o echipă de cercetare de la Universitatea Xidian a folosit învățarea profundă pentru a depăși provocarea de a recunoaște unghiul de rotație al materialelor bi-strat bidimensionale preparate prin CVD. Prin colectarea spațiului de culoare al MoS2 pregătit prin CVD și prin aplicarea rețelelor neuronale convoluționale (CNN) de segmentare semantică, aceștia au putut identifica cu precizie și rapid grosimea MoS2. Apoi au antrenat un al doilea model CNN pentru a prezice cu precizie unghiul de rotație al materialelor TMD cu două straturi crescute de CVD. Această metodă nu numai că a îmbunătățit eficiența identificării probelor, dar a oferit și o nouă paradigmă pentru aplicarea învățării profunde în domeniul științei materialelor.

Figura 3: Abordarea învățării profunde pentru identificarea unghiului de rotație al materialelor bi-straturilor bidimensionale

Outlook

Anunțul premiului Nobel ne reamintește încă o dată că integrarea inteligenței artificiale și a fizicii va aduce mai multe inovații și descoperiri. Pe măsură ce tehnologia învățării automate continuă să avanseze, avem motive să credem astatehnologia depunerii chimice de vaporiva întâlni noi oportunități de dezvoltare în viitor. Toate acestea anunță zorii unei noi ere, în care convergența tehnologiei și științei va deschide căi mai largi de explorare.

Oferte Semicorexgrafit de acoperire SiC/TaCşimateriale ceramice prin procesul de depunere chimică în vapori (CVD).. Dacă aveți întrebări sau aveți nevoie de detalii suplimentare, vă rugăm să nu ezitați să ne contactați.

Numărul de telefon de contact +86-13567891907

E-mail: sales@semicorex.com