Innovation technologique CVD derrière le prix Nobel

Récemment, l'annonce du prix Nobel de physique 2024 a attiré une attention sans précédent sur le domaine de l'intelligence artificielle. La recherche du scientifique américain John J. Hopfield et du scientifique canadien Geoffrey E. Hinton utilise des outils d'apprentissage automatique pour fournir de nouvelles informations sur la physique complexe d'aujourd'hui. Cette réalisation marque non seulement une étape importante dans la technologie de l'intelligence artificielle, mais annonce également l'intégration profonde de la physique et de l'intelligence artificielle.

Ⅰ. L'importance et les défis de la technologie de dépôt de vapeur chimique (CVD) en physique

L'importance de la technologie de dépôt chimique de vapeur (CVD) en physique est multiforme. Il s'agit non seulement d'une technologie importante de préparation des matériaux, mais joue également un rôle clé dans la promotion du développement de la recherche et de l'application en physique. La technologie des MCV peut contrôler avec précision la croissance des matériaux aux niveaux atomique et moléculaire. Comme le montre la figure 1, cette technologie produit une variété de films minces à haute performance et de matériaux nanostructurés en réagissant chimiquement des substances gazeuses ou vaporeuses sur la surface solide pour générer des dépôts solides1. Ceci est crucial en physique pour comprendre et explorer la relation entre la microstructure et les propriétés macroscopiques des matériaux, car elle permet aux scientifiques d'étudier des matériaux avec des structures et des compositions spécifiques, puis de comprendre profondément leurs propriétés physiques.

Deuxièmement, la technologie CVD est une technologie clé pour préparer divers films minces fonctionnels dans les appareils semi-conducteurs. Par exemple, les MCV peuvent être utilisées pour cultiver des couches épitaxiales monocristallines en silicium, des semi-conducteurs III-V tels que l'arséniure de gallium et l'épitaxie monocristalline à semi-conducteur II-VI, les films épitaxiaux monocristalliers dopés, les films épitaxiaux en siliconstal moderne, etc. De plus, la technologie CVD joue également un rôle important dans les domaines de recherche physique tels que les matériaux optiques, les matériaux supraconducteurs et les matériaux magnétiques. Grâce à la technologie des MCV, des films minces avec des propriétés optiques spécifiques peuvent être synthétisées pour une utilisation dans des dispositifs optoélectroniques et des capteurs optiques.

Figure 1 étapes de transfert de réaction CVD

Dans le même temps, la technologie CVD est confrontée à certains défis dans les applications pratiques², comme:

✔ Température élevée et conditions de haute pression: Les MCV doivent généralement être effectuées à haute température ou à haute pression, ce qui limite les types de matériaux qui peuvent être utilisés et augmentent la consommation d'énergie et le coût.

✔ Sensibilité au paramètre: Le processus de MCV est extrêmement sensible aux conditions de réaction, et même de petits changements peuvent affecter la qualité du produit final.

✔ Le système CVD est complexe: Le processus de MCV est sensible aux conditions aux limites, a de grandes incertitudes et est difficile à contrôler et à répéter, ce qui peut entraîner des difficultés de recherche et de développement matériel.

Ⅱ. Technologie des dépôts de vapeur chimique (CVD) et apprentissage automatique

Face à ces difficultés, l'apprentissage automatique, en tant qu'outil d'analyse de données puissant, a montré le potentiel de résoudre certains problèmes dans le champ CVD. Voici des exemples de l'application de l'apprentissage automatique dans la technologie des MCV:

(1) prédire la croissance des MCT

À l'aide d'algorithmes d'apprentissage automatique, nous pouvons apprendre d'une grande quantité de données expérimentales et prédire les résultats de la croissance des MCV dans différentes conditions, guidant ainsi l'ajustement des paramètres expérimentaux. Comme le montre la figure 2, l'équipe de recherche de la Nanyang Technological University à Singapour a utilisé l'algorithme de classification dans l'apprentissage automatique pour guider la synthèse des MCV de matériaux bidimensionnels. En analysant les données expérimentales précoces, ils ont prédit avec succès les conditions de croissance du disulfure de molybdène (MOS2), améliorant considérablement le taux de réussite expérimental et réduisant le nombre d'expériences.

Figure 2 Guides d'apprentissage automatique Synthèse du matériel

(a) Une partie indispensable de la recherche et du développement matériel: synthèse matérielle.

(b) le modèle de classification aide le dépôt chimique de vapeur à synthétiser des matériaux bidimensionnels (en haut); Le modèle de régression guide la synthèse hydrothermale des points quantiques fluorescents dopés en soufre-azote (en bas).

Dans une autre étude (figure 3), l'apprentissage automatique a été utilisé pour analyser le modèle de croissance du graphène dans le système CVD. La taille, la couverture, la densité du domaine et le rapport d'aspect du graphène ont été automatiquement mesurés et analysés en développant un réseau neuronal convolutionnel de la proposition de région (R-CNN), puis des modèles de substitution ont été développés en utilisant des réseaux neuronaux artificiels (ANN) et des machines vectorielles de support (SVM) pour déduire la corrélation entre les variables de processus CVD et les spécifications mesurées. Cette approche peut simuler la synthèse du graphène et déterminer les conditions expérimentales pour synthétiser le graphène avec une morphologie souhaitée avec une grande taille de grain et une faible densité de domaine, ce qui permet d'économiser beaucoup de temps et de coût² ³

Figure 3 L'apprentissage automatique prédit les modèles de croissance du graphène dans les systèmes de MCV

(2) processus de MCV automatisé

L'apprentissage automatique peut être utilisé pour développer des systèmes automatisés pour surveiller et ajuster les paramètres du processus de MCV en temps réel pour obtenir un contrôle plus précis et une efficacité de production plus élevée. Comme le montre la figure 4, une équipe de recherche de l'université Xidian a utilisé l'apprentissage en profondeur pour surmonter la difficulté d'identifier l'angle de rotation des matériaux bidimensionnels à double couche CVD. Ils ont collecté l'espace colorimétrique de MOS2 préparé par CVD et ont appliqué un réseau neuronal convolutionnel de segmentation sémantique (CNN) pour identifier avec précision et rapidement l'épaisseur de MOS2, puis ont formé un deuxième modèle CNN pour obtenir une prévision précise de l'angle de rotation des matériaux TMD à double couche CVD. Cette méthode améliore non seulement l'efficacité de l'identification des échantillons, mais fournit également un nouveau paradigme pour l'application de l'apprentissage en profondeur dans le domaine de la science des matériaux⁴.

Figure 4 Méthodes d'apprentissage en profondeur Identifier les coins des matériaux bidimensionnels à double couche

Références:

(1) Guo, Q.-M.; Qin, Z.-H. Développement et application de la technologie de dépôt de vapeur dans la fabrication atomique. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Deux: 10.7498 / APS.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Dépôt de vapeur chimique amélioré par plasma de matériaux bidimensionnels pour les applications. Comptes de recherche chimique 2021, 54 (4), 1011-1022. Doi: 10.1021 / acs.account.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Machine Learnings pour l'analyse du graphène CVD: de la mesure à la simulation des images SEM. Journal of Industrial and Engineering Chemistry 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Apprentissage non supervisé des états individuels de Kohn-Sham: représentations interprétables et conséquences pour les prédictions en aval des effets à plusieurs corps. 2024; P Arxiv: 2404.14601.