Đổi mới công nghệ CVD đằng sau Giải thưởng Nobel

Gần đây, thông báo về Giải thưởng Nobel vật lý năm 2024 đã gây chú ý chưa từng có vào lĩnh vực trí tuệ nhân tạo. Nghiên cứu của nhà khoa học người Mỹ John J. Hopfield và nhà khoa học Canada Geoffrey E. Hinton sử dụng các công cụ học máy để cung cấp những hiểu biết mới về vật lý phức tạp ngày nay. Thành tích này không chỉ đánh dấu một cột mốc quan trọng trong công nghệ trí tuệ nhân tạo, mà còn báo hiệu sự tích hợp sâu sắc của vật lý và trí tuệ nhân tạo.

. Ý nghĩa và thách thức của công nghệ lắng đọng hơi hóa học (CVD) trong vật lý

Tầm quan trọng của công nghệ lắng đọng hơi hóa học (CVD) trong vật lý là nhiều mặt. Nó không chỉ là một công nghệ chuẩn bị vật liệu quan trọng, mà còn đóng một vai trò quan trọng trong việc thúc đẩy sự phát triển của nghiên cứu và ứng dụng vật lý. Công nghệ CVD có thể kiểm soát chính xác sự tăng trưởng của vật liệu ở cấp độ nguyên tử và phân tử. Như được hiển thị trong Hình 1, công nghệ này tạo ra một loạt các màng mỏng hiệu suất cao và vật liệu cấu trúc nano bằng các chất phản ứng hóa học hoặc các chất hơi trên bề mặt rắn để tạo ra các trầm tích rắn1. Điều này rất quan trọng trong vật lý để hiểu và khám phá mối quan hệ giữa cấu trúc vi mô và tính chất vĩ mô của vật liệu, bởi vì nó cho phép các nhà khoa học nghiên cứu các vật liệu với các cấu trúc và chế phẩm cụ thể, và sau đó hiểu sâu về tính chất vật lý của chúng.

Thứ hai, công nghệ CVD là một công nghệ quan trọng để chuẩn bị các màng mỏng chức năng khác nhau trong các thiết bị bán dẫn. Ví dụ, CVD có thể được sử dụng để phát triển các lớp epiticular tinh thể đơn, các chất bán dẫn III-V như gallium arsenide và II-VI bán dẫn đơn tinh thể tinh thể đơn và các cấu trúc của các cấu trúc tinh thể. Ngoài ra, công nghệ CVD cũng đóng một vai trò quan trọng trong các lĩnh vực nghiên cứu vật lý như vật liệu quang học, vật liệu siêu dẫn và vật liệu từ tính. Thông qua công nghệ CVD, các màng mỏng có tính chất quang cụ thể có thể được tổng hợp để sử dụng trong các thiết bị quang điện tử và cảm biến quang học.

Hình 1 Các bước chuyển phản ứng CVD

Đồng thời, công nghệ CVD phải đối mặt với một số thách thức trong các ứng dụng thực tế, chẳng hạn như:

✔ Nhiệt độ cao và điều kiện áp suất cao: CVD thường cần được thực hiện ở nhiệt độ cao hoặc áp suất cao, điều này hạn chế các loại vật liệu có thể được sử dụng và tăng tiêu thụ năng lượng và chi phí.

✔ Độ nhạy của tham số: Quá trình CVD cực kỳ nhạy cảm với các điều kiện phản ứng và ngay cả những thay đổi nhỏ cũng có thể ảnh hưởng đến chất lượng của sản phẩm cuối cùng.

✔ Hệ thống CVD phức tạp: Quá trình CVD rất nhạy cảm với các điều kiện biên, có độ không chắc chắn lớn và rất khó kiểm soát và lặp lại, điều này có thể dẫn đến những khó khăn trong nghiên cứu và phát triển vật liệu.

. Công nghệ lắng đọng hơi hóa học (CVD) và học máy

Đối mặt với những khó khăn này, học máy, như một công cụ phân tích dữ liệu mạnh mẽ, đã cho thấy tiềm năng giải quyết một số vấn đề trong trường CVD. Sau đây là các ví dụ về ứng dụng học máy trong công nghệ CVD:

(1) Dự đoán tăng trưởng CVD

Sử dụng các thuật toán học máy, chúng ta có thể học hỏi từ một lượng lớn dữ liệu thử nghiệm và dự đoán kết quả tăng trưởng CVD trong các điều kiện khác nhau, do đó hướng dẫn việc điều chỉnh các thông số thử nghiệm. Như được hiển thị trong Hình 2, nhóm nghiên cứu của Đại học Công nghệ Nanyang ở Singapore đã sử dụng thuật toán phân loại trong học máy để hướng dẫn tổng hợp CVD các vật liệu hai chiều. Bằng cách phân tích dữ liệu thử nghiệm sớm, họ dự đoán thành công các điều kiện tăng trưởng của molypdenum disulfide (MOS2), cải thiện đáng kể tốc độ thành công thực nghiệm và giảm số lượng thí nghiệm.

Hình 2 Hướng dẫn học máy tổng hợp vật liệu

(a) Một phần không thể thiếu của nghiên cứu và phát triển vật liệu: Tổng hợp vật liệu.

(b) mô hình phân loại giúp lắng đọng hơi hóa học để tổng hợp các vật liệu hai chiều (trên cùng); Mô hình hồi quy hướng dẫn tổng hợp thủy nhiệt của các chấm lượng tử huỳnh quang pha tạp lưu huỳnh (dưới cùng).

Trong một nghiên cứu khác (Hình 3), học máy được sử dụng để phân tích mô hình tăng trưởng của graphene trong hệ thống CVD. Kích thước, độ bao phủ, mật độ miền và tỷ lệ khung hình của graphene được tự động đo và phân tích bằng cách phát triển mạng lưới thần kinh tích chập đề xuất vùng (R-CNN), và sau đó các mô hình thay thế được phát triển bằng mạng lưới thần kinh nhân tạo (ANN) và các máy vectơ hỗ trợ (SVM). Cách tiếp cận này có thể mô phỏng tổng hợp graphene và xác định các điều kiện thí nghiệm để tổng hợp graphene với hình thái mong muốn với kích thước hạt lớn và mật độ miền thấp, tiết kiệm rất nhiều thời gian và chi phí ³

Hình 3 Học máy dự đoán các mẫu tăng trưởng graphene trong các hệ thống CVD

(2) Quá trình CVD tự động

Học máy có thể được sử dụng để phát triển các hệ thống tự động để giám sát và điều chỉnh các tham số trong quy trình CVD trong thời gian thực để đạt được kiểm soát chính xác hơn và hiệu quả sản xuất cao hơn. Như được hiển thị trong Hình 4, một nhóm nghiên cứu từ Đại học Xidian đã sử dụng học tập sâu để vượt qua khó khăn trong việc xác định góc xoay của các vật liệu hai lớp hai lớp CVD. Họ đã thu thập không gian màu của MOS2 do CVD chuẩn bị và áp dụng mạng lưới thần kinh tích chập phân đoạn ngữ nghĩa (CNN) để xác định chính xác và nhanh chóng xác định độ dày của MOS2, sau đó đào tạo mô hình CNN thứ hai để đạt được dự đoán chính xác về góc quay của các vật liệu TMD hai lớp CVD. Phương pháp này không chỉ cải thiện hiệu quả nhận dạng mẫu mà còn cung cấp một mô hình mới cho việc áp dụng học tập sâu trong lĩnh vực khoa học vật liệu⁴.

Hình 4 Phương pháp học sâu Xác định các góc của vật liệu hai chiều hai lớp

Tài liệu tham khảo:

(1) Guo, Q.-M .; Qin, Z.-H. Phát triển và ứng dụng công nghệ lắng đọng hơi trong sản xuất nguyên tử. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Hai: 10.7498/APS.70.20201436.

(2) Yi, K .; Liu, d .; Chen, x .; Yang, J .; Wei, D .; Liu, y .; Wei, D. Sự lắng đọng hơi hóa học tăng cường huyết tương của vật liệu hai chiều cho các ứng dụng. Tài khoản nghiên cứu hóa học 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G .; Kim, T .; Shin, J .; Shin, n .; Hwang, S. Học máy để phân tích graphene CVD: Từ đo đến mô phỏng hình ảnh SEM. Tạp chí Hóa học Công nghiệp và Kỹ thuật 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B .; Wu, J .; Qiu, D. Y. Học không được giám sát về các quốc gia Kohn-Sham riêng lẻ: Các đại diện và hậu quả có thể hiểu được cho các dự đoán hạ nguồn của các hiệu ứng nhiều cơ thể. 2024; P arxiv: 2404.14601.