تلفیق هوش مصنوعی و فیزیک: نوآوری فناوری CVD پشت جایزه نوبل

اعلام اخیر جایزه نوبل فیزیک 2024 توجه بی سابقه ای را به حوزه هوش مصنوعی جلب کرده است. تحقیقات انجام شده توسط دانشمند آمریکایی جان جی. هاپفیلد و دانشمند کانادایی جفری ای. هینتون از ابزارهای یادگیری ماشین برای ارائه بینش جدیدی در مورد دنیای پیچیده فیزیک امروزی استفاده کرده است. این دستاورد نه تنها نقطه عطف مهمی در فناوری هوش مصنوعی است، بلکه خبر از یکپارچگی عمیق بین فیزیک و هوش مصنوعی نیز می دهد.

اهمیت رسوب بخار شیمیایی (CVD) در فیزیک چیست و با چه چالش هایی مواجه است؟

فناوری رسوب بخار شیمیایی (CVD)اهمیت چندوجهی در فیزیک دارد و به عنوان یک تکنیک آماده سازی مواد حیاتی عمل می کند و در عین حال نقش اساسی در پیشرفت تحقیقات و کاربردها در علوم فیزیکی ایفا می کند. CVD امکان کنترل دقیق رشد مواد در سطوح اتمی و مولکولی را فراهم می کند. همانطور که در شکل 1 نشان داده شده است، این تکنیک شامل مواد گازی یا فاز بخار است که تحت واکنش‌های شیمیایی روی سطوح جامد قرار می‌گیرند تا رسوبات جامد را تشکیل دهند، در نتیجه انواع فیلم‌ها و مواد نانوساختار با کارایی بالا تولید می‌شوند. این قابلیت در فیزیک برای درک و کاوش رابطه بین ریزساختار مواد و خواص ماکروسکوپی آنها حیاتی است، زیرا به دانشمندان اجازه می دهد موادی را با ساختارها و ترکیبات خاص مطالعه کنند و در نتیجه به بینش عمیقی در مورد خواص فیزیکی آنها دست یابند.

علاوه بر این،تکنولوژی CVDیک روش کلیدی برای تولید فیلم های کاربردی مختلف در دستگاه های نیمه هادی است. به عنوان مثال، می توان از آن برای رشد استفاده کردلایه های اپیتاکسیال تک کریستالی سیلیکونینیمه هادی های III-V مانند آرسنید گالیم، و لایه های اپی تک کریستال نیمه هادی II-VI، و همچنین لایه های اپیتاکسیال نیمه هادی تک کریستالی دوپ شده و لایه های پلی سیلیکونی را رسوب می دهند. این مواد و ساختارها شالوده دستگاه های الکترونیکی و نوری الکترونیکی مدرن را تشکیل می دهند. علاوه بر این، فناوری CVD نقش مهمی در زمینه های تحقیقاتی مانند مواد نوری، مواد ابررسانا و مواد مغناطیسی ایفا می کند. با استفاده از CVD می توان لایه های نازک با خواص نوری خاص را برای کاربرد در دستگاه های الکترونیک نوری و حسگرهای نوری سنتز کرد.

علیرغم مزایایی که دارد، فناوری CVD در کاربردهای عملی با چالش های متعددی مواجه است، مانند:

شرایط دمای بالا و فشار بالا: CVD اغلب به دما یا فشار بالا نیاز دارد، که انواع مواد قابل استفاده را محدود می کند و مصرف انرژی و هزینه ها را افزایش می دهد.

حساسیت به پارامترها: فرآیند CVD به شرایط واکنش بسیار حساس است، حتی تغییرات جزئی نیز به طور بالقوه بر کیفیت محصول نهایی تأثیر می گذارد.

پیچیدگی سیستم‌های CVD: این فرآیند به شرایط مرزی حساس است، عدم قطعیت قابل‌توجهی را نشان می‌دهد و می‌تواند به‌طور تکرارپذیر کنترل آن دشوار باشد، که به طور بالقوه توسعه مواد را پیچیده می‌کند.

چگونهفناوری رسوب بخار شیمیایی (CVD).از یادگیری ماشینی سود می برید؟

در مواجهه با این چالش ها، یادگیری ماشین، به عنوان یک ابزار قدرتمند تجزیه و تحلیل داده، پتانسیل را در پرداختن به برخی از این مسائل در زمینه CVD نشان داده است. در اینجا مواردی از کاربردهای یادگیری ماشین در فناوری CVD آورده شده است:

(1) پیش‌بینی رشد CVD: الگوریتم‌های یادگیری ماشینی می‌توانند از داده‌های تجربی گسترده برای پیش‌بینی نتایج رشد CVD تحت شرایط مختلف بیاموزند و در نتیجه تنظیم پارامترهای تجربی را هدایت کنند. همانطور که در شکل 1 نشان داده شده است، یک تیم تحقیقاتی در دانشگاه فناوری نانیانگ در سنگاپور از الگوریتم های طبقه بندی در یادگیری ماشین برای هدایت سنتز CVD مواد دو بعدی استفاده کردند. با تجزیه و تحلیل داده های تجربی اولیه، آنها با موفقیت شرایط رشد دی سولفید مولیبدن (MoS2) را پیش بینی کردند که به طور قابل توجهی میزان موفقیت آزمایش ها را بهبود بخشید و تعداد آزمایش ها را کاهش داد.

شکل 1: سنتز مواد با هدایت یادگیری ماشینی. (الف) بخش ضروری توسعه مواد: سنتز مواد. (ب) مدل های طبقه بندی سنتز رسوب شیمیایی بخار (CVD) مواد دو بعدی (بالا) را تسهیل می کند. مدل‌های رگرسیون سنتز هیدروترمال گوگرد و نقاط کوانتومی فلورسنت آغشته به نیتروژن (پایین) را هدایت می‌کنند.

در مطالعه دیگری، همانطور که در شکل 2 نشان داده شده است، از یادگیری ماشینی برای تجزیه و تحلیل الگوهای رشد گرافن در سیستم های CVD استفاده شد. با توسعه شبکه‌های عصبی کانولوشنال پیشنهادی منطقه (R-CNN)، محققان توانستند به طور خودکار اندازه، پوشش، تراکم دامنه و نسبت ابعاد گرافن را اندازه‌گیری و تجزیه و تحلیل کنند. پس از آن، شبکه‌های عصبی مصنوعی (ANN) و ماشین‌های بردار پشتیبان (SVM) برای توسعه مدل‌های جایگزین برای استنباط همبستگی بینفرآیند CVDمتغیرها و مشخصات اندازه گیری شده این روش شبیه سازی سنتز گرافن را قادر می سازد و شرایط آزمایشی لازم برای تولید گرافن با اندازه دانه های بزرگ و چگالی دامنه کم را تعیین می کند و در نتیجه در زمان و هزینه های قابل توجهی صرفه جویی می کند.

شکل 2: پیش بینی یادگیری ماشینی الگوهای رشد گرافن در سیستم های CVD

(2) فرآیند CVD خودکار: یادگیری ماشینی را می توان برای توسعه سیستم های خودکار استفاده کرد که پارامترها را در زمان واقعی در طول فرآیند CVD نظارت و تنظیم می کند و به کنترل دقیق تر و راندمان تولید بالاتر دست می یابد. همانطور که در شکل 3 نشان داده شده است، یک تیم تحقیقاتی از دانشگاه Xidian از یادگیری عمیق برای غلبه بر چالش تشخیص زاویه چرخش مواد دو بعدی دولایه تهیه شده توسط CVD استفاده کردند. با جمع‌آوری فضای رنگی MoS2 آماده‌شده با CVD و استفاده از شبکه‌های عصبی کانولوشنال تقسیم‌بندی معنایی (CNN)، آن‌ها توانستند ضخامت MoS2 را به‌طور دقیق و سریع شناسایی کنند. آنها سپس مدل دوم CNN را برای پیش‌بینی دقیق زاویه چرخش مواد TMD دولایه که توسط CVD رشد می‌کنند، آموزش دادند. این روش نه تنها کارایی شناسایی نمونه را بهبود بخشید، بلکه الگوی جدیدی برای کاربرد یادگیری عمیق در زمینه علم مواد ارائه کرد.

شکل 3: رویکرد یادگیری عمیق برای شناسایی زاویه چرخش مواد دو بعدی دولایه

چشم انداز

اعلام جایزه نوبل بار دیگر به ما یادآوری می کند که ادغام هوش مصنوعی و فیزیک نوآوری ها و پیشرفت های بیشتری را به همراه خواهد داشت. از آنجایی که فناوری یادگیری ماشین به پیشرفت خود ادامه می دهد، دلیلی برای این باور داریمتکنولوژی رسوب بخار شیمیاییدر آینده با فرصت های توسعه جدیدی روبرو خواهد شد. همه اینها منادی طلوع عصر جدیدی است که در آن همگرایی فناوری و علم راه های وسیع تری را برای اکتشاف باز خواهد کرد.

Semicorex ارائه می دهدگرافیت پوشش SiC/TaCومواد سرامیکی از طریق فرآیند رسوب بخار شیمیایی (CVD).. اگر سؤالی دارید یا نیاز به جزئیات بیشتری دارید، لطفاً در تماس با ما دریغ نکنید.

تلفن تماس 86-13567891907

ایمیل: sales@semicorex.com