Nobel Ödülünün Arkasındaki CVD Teknolojisi İnovasyonu

Son zamanlarda, 2024 Nobel Fizik Ödülü'nün açıklanması, yapay zeka alanına eşi benzeri görülmemiş bir ilgi uyandırdı. Amerikalı bilim adamı John J. Hopfield ve Kanadalı bilim adamı Geoffrey E. Hinton'un araştırması, günümüzün karmaşık fiziğine yeni bakış açıları sağlamak için makine öğrenimi araçlarını kullanıyor. Bu başarı, yapay zeka teknolojisinde önemli bir kilometre taşı olmasının yanı sıra fizik ve yapay zekanın derin entegrasyonunu da müjdeliyor.

Ⅰ. Fizikte Kimyasal Buhar Biriktirme (CVD) Teknolojisinin Önemi ve Zorlukları

Kimyasal buhar biriktirme (CVD) teknolojisinin fizikteki önemi çok yönlüdür. Bu sadece önemli bir malzeme hazırlama teknolojisi değil, aynı zamanda fizik araştırma ve uygulamasının gelişimini teşvik etmede de önemli bir rol oynamaktadır. CVD teknolojisi, malzemelerin büyümesini atomik ve moleküler düzeyde hassas bir şekilde kontrol edebilir. Şekil 1'de gösterildiği gibi, bu teknoloji, katı birikintiler1 oluşturmak için katı yüzey üzerindeki gaz veya buhar halindeki maddeleri kimyasal olarak reaksiyona sokarak çeşitli yüksek performanslı ince filmler ve nanoyapılı malzemeler üretir. Bu, fizikte malzemelerin mikroyapısı ile makroskobik özellikleri arasındaki ilişkiyi anlamak ve keşfetmek için çok önemlidir, çünkü bilim adamlarının belirli yapılara ve bileşimlere sahip malzemeleri incelemesine ve ardından bunların fiziksel özelliklerini derinlemesine anlamalarına olanak tanır.

İkinci olarak CVD teknolojisi, yarı iletken cihazlarda çeşitli fonksiyonel ince filmler hazırlamak için önemli bir teknolojidir. Örneğin CVD, silikon tek kristal epitaksiyel katmanları, galyum arsenit ve II-VI yarı iletken tek kristal epitaksi gibi III-V yarı iletkenleri büyütmek ve çeşitli katkılı yarı iletken tek kristal epitaksiyel filmleri, polikristalin silikon filmleri vb. biriktirmek için kullanılabilir. Bu malzemeler ve yapılar modern elektronik cihazların ve optoelektronik cihazların temelini oluşturur. Ayrıca CVD teknolojisi optik malzemeler, süper iletken malzemeler ve manyetik malzemeler gibi fizik araştırma alanlarında da önemli bir rol oynamaktadır. CVD teknolojisi sayesinde, optoelektronik cihazlarda ve optik sensörlerde kullanılmak üzere belirli optik özelliklere sahip ince filmler sentezlenebilir.

Şekil 1 CVD reaksiyon transfer adımları

Aynı zamanda CVD teknolojisi pratik uygulamalarda² bazı zorluklarla karşı karşıyadır:

✔ Yüksek sıcaklık ve yüksek basınç koşulları: CVD'nin genellikle yüksek sıcaklıkta veya yüksek basınçta gerçekleştirilmesi gerekir; bu da kullanılabilecek malzeme türlerini sınırlandırır ve enerji tüketimini ve maliyetini artırır.

✔ Parametre duyarlılığı: CVD prosesi 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 malzeme araştırma ve geliştirmesinde zorluklara yol açabilir.

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

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

(1) CVD büyümesini tahmin etmek

Makine öğrenimi algoritmalarını kullanarak büyük miktarda deneysel veriden öğrenebilir ve farklı koşullar altında CVD büyümesinin sonuçlarını tahmin edebilir, böylece deneysel parametrelerin ayarlanmasına rehberlik edebiliriz. Şekil 2'de gösterildiği gibi, Singapur'daki Nanyang Teknoloji Üniversitesi'nin araştırma ekibi, iki boyutlu malzemelerin CVD sentezine rehberlik etmek için makine öğreniminde sınıflandırma algoritmasını kullandı. Erken deneysel verileri analiz ederek, molibden disülfürün (MoS2) büyüme koşullarını başarılı bir şekilde tahmin ettiler, deneysel başarı oranını önemli ölçüde artırdılar ve deney sayısını azalttılar.

Şekil 2 Makine öğrenimi malzeme sentezine rehberlik ediyor

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

(b) Sınıflandırma modeli, iki boyutlu malzemeleri sentezlemek için kimyasal buhar biriktirmeye yardımcı olur (üstte); regresyon modeli, kükürt-nitrojen katkılı floresan kuantum noktalarının (altta) hidrotermal sentezini yönlendirir.

Başka bir çalışmada (Şekil 3), CVD sistemindeki grafenin büyüme modelini analiz etmek için makine öğrenimi kullanıldı. Grafenin boyutu, kapsamı, etki alanı yoğunluğu ve en boy oranı, bir bölge önerili evrişimli sinir ağı (R-CNN) geliştirilerek otomatik olarak ölçülüp analiz edildi ve ardından yapay sinir ağları (ANN) ve destek vektör makineleri kullanılarak yedek modeller geliştirildi. SVM), CVD proses değişkenleri ile ölçülen spesifikasyonlar arasındaki korelasyonu ortaya çıkarmak için kullanılır. Bu yaklaşım, grafen sentezini simüle edebilir ve büyük tane boyutu ve düşük alan yoğunluğu ile istenen morfolojiye sahip grafeni sentezlemek için deneysel koşulları belirleyebilir ve böylece çok fazla zaman ve maliyet tasarrufu sağlar² ³

Şekil 3 Makine öğrenimi, CVD sistemlerinde grafen büyüme modellerini tahmin ediyor

(2) Otomatik CVD süreci

Daha hassas kontrol ve daha yüksek üretim verimliliği elde etmek amacıyla CVD sürecindeki parametreleri gerçek zamanlı olarak izlemek ve ayarlamak için otomatik sistemler geliştirmek amacıyla makine öğrenimi kullanılabilir. Şekil 4'te gösterildiği gibi, Xidian Üniversitesi'nden bir araştırma ekibi, CVD çift katmanlı iki boyutlu malzemelerin dönüş açısını tanımlamanın zorluğunun üstesinden gelmek için derin öğrenmeyi kullandı. CVD tarafından hazırlanan MoS2'nin renk uzayını topladılar ve MoS2'nin kalınlığını doğru ve hızlı bir şekilde belirlemek için semantik segmentasyonlu evrişimli sinir ağını (CNN) uyguladılar ve ardından CVD'de yetiştirilenlerin dönüş açısının doğru tahminini elde etmek için ikinci bir CNN modelini eğittiler. çift ​​katmanlı TMD malzemeleri. Bu yöntem yalnızca numune tanımlamanın verimliliğini artırmakla kalmıyor, aynı zamanda malzeme bilimi alanında derin öğrenmenin uygulanması için yeni bir paradigma sağlıyor.⁴.

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

Referanslar:

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

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Uygulamalara Yönelik İki Boyutlu Malzemelerin Plazmayla 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 öğrenimi: 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 Durumlarının Denetimsiz Öğrenimi: Çok Cisim Etkilerinin Aşağı Yöndeki Tahminleri için Yorumlanabilir Gösterimler ve Sonuçlar. 2024; p arXiv:2404.14601.