الابتكار التكنولوجي CVD وراء جائزة نوبل

في الآونة الأخيرة ، جلب إعلان جائزة نوبل في الفيزياء 2024 في الفيزياء اهتمامًا غير مسبوق إلى مجال الذكاء الاصطناعي. يستخدم بحث العالم الأمريكي جون ج. هوبفيلد والعالم الكندي جيفري إي هينتون أدوات التعلم الآلي لتوفير رؤى جديدة في الفيزياء المعقدة اليوم. هذا الإنجاز لا يمثل فقط علامة فارقة مهمة في تكنولوجيا الذكاء الاصطناعي ، ولكن أيضًا يعرّض التكامل العميق للفيزياء والذكاء الاصطناعي.

ⅰ. أهمية وتحديات تقنية ترسيب البخار الكيميائي (CVD) في الفيزياء

أهمية تكنولوجيا ترسيب البخار الكيميائي (CVD) في الفيزياء متعددة الجوانب. إنها ليست تقنية إعداد المواد المهمة فحسب ، بل تلعب أيضًا دورًا رئيسيًا في تعزيز تطوير أبحاث الفيزياء والتطبيق. يمكن أن تتحكم تقنية CVD بدقة في نمو المواد على المستويات الذرية والجزيئية. كما هو موضح في الشكل 1 ، تنتج هذه التكنولوجيا مجموعة متنوعة من الأفلام الرقيقة عالية الأداء والمواد النانوية من خلال مواد غازية أو تبخير كيميائيًا على السطح الصلب لتوليد رواسب صلبة 1. هذا أمر بالغ الأهمية في الفيزياء لفهم واستكشاف العلاقة بين البنية المجهرية والخصائص العيانية للمواد ، لأنها تتيح للعلماء دراسة المواد مع هياكل وتراكيب محددة ، ثم فهم خصائصهم الفيزيائية بعمق.

ثانياً ، تعد تقنية CVD تقنية رئيسية لإعداد أفلام رقيقة وظيفية مختلفة في أجهزة أشباه الموصلات. على سبيل المثال ، يمكن استخدام الأمراض القلبية الوعائية لزراعة الطبقات الفوقية البلورية الواحدة السيليكون ، وأشباه الموصلات III-V مثل أرسينيد الغاليوم و II-VI أشباه الموصلات الواحدة الكريستانية epitaxy ، وإيداع العديد من المواد والهيكلات من أشباه الموصلات المتداخلة. بالإضافة إلى ذلك ، تلعب تقنية CVD أيضًا دورًا مهمًا في مجالات أبحاث الفيزياء مثل المواد البصرية والمواد الموصلة الفائقة والمواد المغناطيسية. من خلال تقنية CVD ، يمكن تصنيع أفلام رقيقة ذات خصائص بصرية محددة للاستخدام في الأجهزة الإلكترونية الضوئية وأجهزة الاستشعار البصرية.

الشكل 1 خطوات نقل رد فعل CVD

في الوقت نفسه ، تواجه تقنية CVD بعض التحديات في التطبيقات العملية ، مثل:

✔ ارتفاع درجة الحرارة وظروف الضغط العالي: عادة ما يجب تنفيذ CVD عند درجة حرارة عالية أو ضغط مرتفع ، مما يحد من أنواع المواد التي يمكن استخدامها وزيادة استهلاك الطاقة والتكلفة.

✔ حساسية المعلمة: عملية الأمراض القلبية الوعائية حساسة للغاية لظروف التفاعل ، وحتى التغييرات الصغيرة قد تؤثر على جودة المنتج النهائي.

✔ نظام CVD معقد: عملية الأمراض القلبية الوعائية حساسة لظروف الحدود ، ولها أوجه عدم اليقين كبيرة ، ويصعب السيطرة عليها وتكرارها ، مما قد يؤدي إلى صعوبات في البحث والتطوير المادي.

ⅱ. ترسب البخار الكيميائي (CVD) التكنولوجيا والتعلم الآلي

في مواجهة هذه الصعوبات ، أظهر التعلم الآلي ، كأداة قوية لتحليل البيانات ، القدرة على حل بعض المشكلات في حقل الأمراض القلبية الوعائية. فيما يلي أمثلة على تطبيق التعلم الآلي في تقنية CVD:

(1) توقع نمو الأمراض القلبية الوعائية

باستخدام خوارزميات التعلم الآلي ، يمكننا أن نتعلم من كمية كبيرة من البيانات التجريبية والتنبؤ بنتائج نمو الأمراض القلبية الوعائية في ظل ظروف مختلفة ، وبالتالي توجيه تعديل المعلمات التجريبية. كما هو مبين في الشكل 2 ، استخدم فريق البحث في جامعة Nanyang التكنولوجية في سنغافورة خوارزمية التصنيف في التعلم الآلي لتوجيه تخليق الأمراض القلبية الوعائية للمواد ثنائية الأبعاد. من خلال تحليل البيانات التجريبية المبكرة ، تنبأوا بنجاح بظروف نمو ثاني كبريتيد الموليبدينوم (MOS2) ، مما يحسن بشكل كبير معدل النجاح التجريبي وتقليل عدد التجارب.

الشكل 2 الشكل 2 أدلة التعلم الآلي توليف المواد

(أ) جزء لا غنى عنه من البحث والتطوير المادي: تخليق المواد.

(ب) يساعد نموذج التصنيف على ترسب البخار الكيميائي لتجميع المواد ثنائية الأبعاد (أعلى) ؛ يرشط نموذج الانحدار التوليف الحراري المائي من النقاط الكمية الفلورية المخدرة للكبريت النيتروجين (أسفل).

في دراسة أخرى (الشكل 3) ، تم استخدام التعلم الآلي لتحليل نمط نمو الجرافين في نظام الأمراض القلبية الوعائية. تم قياس وتحليل حجم وتغطية وكثافة المجال ونسبة العرض إلى الارتفاع من الجرافين وتحليله من خلال تطوير شبكة عصبية تلافيفية اقتراح المنطقة (R-CNN) ، ثم تم تطوير نماذج بديلة باستخدام الشبكات العصبية الاصطناعية (ANN) وآلات المتجهات الدعم (SVM) لاستنتاج الارتباط بين متغيرات عملية CVD والمحددة المقاس. يمكن أن يحاكي هذا النهج تخليق الجرافين ويحدد الظروف التجريبية لتوليف الجرافين مع مورفولوجيا مرغوبة ذات حجم كبير للحبوب وكثافة المجال المنخفضة ، مما يوفر الكثير من الوقت والتكلفة ² ³

يتنبأ الشكل 3 بالتعلم الآلي أنماط نمو الجرافين في أنظمة الأمراض القلبية الوعائية

(2) عملية CVD الآلية

يمكن استخدام التعلم الآلي لتطوير الأنظمة الآلية لمراقبة المعلمات وضبطها في عملية الأمراض القلبية الوعائية في الوقت الفعلي لتحقيق تحكم أكثر دقة وكفاءة إنتاج أعلى. كما هو مبين في الشكل 4 ، استخدم فريق بحث من جامعة Xidian التعلم العميق للتغلب على صعوبة تحديد زاوية الدوران للمواد ثنائية الأبعاد ذات الأبعاد ذات الأبعاد. قاموا بجمع مساحة لون MOS2 التي أعدها CVD وقاموا بتطبيق شبكة عصبية تلافيفية للتجزئة الدلالية (CNN) لتحديد سماكة MOS2 بدقة وسرعة ، ثم قاموا بتدريب نموذج CNN الثاني لتحقيق تنبؤ دقيق لزاوية الدوران لمواد TMD مزدوجة CVD. هذه الطريقة لا تحسن فقط كفاءة تحديد العينة ، ولكنها توفر أيضًا نموذجًا جديدًا لتطبيق التعلم العميق في مجال علوم المواد⁴.

الشكل 4 الشكل 4 طرق التعلم العميق تحدد زوايا المواد ثنائية الأبعاد مزدوجة الطبقة

مراجع:

(1) Guo ، Q.-M. ؛ Qin ، Z.-H. تطوير وتطبيق تكنولوجيا ترسب البخار في التصنيع الذري. Acta Physica Sinica 2021 ، 70 (2) ، 028101-028101-028101-028115. الثاني: 10.7498/APS.70.20201436.

(2) يي ، ك. ليو ، د. تشن ، س. يانغ ، ج. وي ، د. ليو ، ص. Wei ، D. ترسب البخار الكيميائي المعزز بالبلازما للمواد ثنائية الأبعاد للتطبيقات. حسابات البحوث الكيميائية 2021 ، 54 (4) ، 1011-1022. doi: 10.1021/acs.accounts.0c00757.

(3) هوانغ ، ز. كيم ، ت. شين ، ج. شين ، ن. Hwang ، S. Machine Learings for CVD Graphene Analysis: من القياس إلى محاكاة صور SEM. مجلة الكيمياء الصناعية والهندسية 2021 ، 101 ، 430-444. doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) هو ، ب. وو ، ج. Qiu ، D. Y. التعلم غير الخاضع للإشراف للمنصات الفردية Kohn-Sham: تمثيلات ونتائج يمكن تفسيرها على التنبؤات في مجرى النهر لتأثيرات العديد من الجسم. 2024 ؛ P Arxiv: 2404.14601.