Inovação tecnológica CVD por trás do Prêmio Nobel

Recentemente, o anúncio do Prémio Nobel da Física de 2024 trouxe uma atenção sem precedentes ao campo da inteligência artificial. A pesquisa do cientista americano John J. Hopfield e do cientista canadense Geoffrey E. Hinton usa ferramentas de aprendizado de máquina para fornecer novos insights sobre a física complexa de hoje. Esta conquista não só marca um marco importante na tecnologia de inteligência artificial, mas também anuncia a profunda integração da física e da inteligência artificial.

Ⅰ. O significado e os desafios da tecnologia de deposição química de vapor (CVD) em física

A importância da tecnologia de deposição química de vapor (CVD) na física é multifacetada. Não é apenas uma importante tecnologia de preparação de materiais, mas também desempenha um papel fundamental na promoção do desenvolvimento da pesquisa e aplicação da física. A tecnologia CVD pode controlar com precisão o crescimento de materiais nos níveis atômico e molecular. Conforme mostrado na Figura 1, esta tecnologia produz uma variedade de filmes finos de alto desempenho e materiais nanoestruturados por meio da reação química de substâncias gasosas ou vaporosas na superfície sólida para gerar depósitos sólidos1. Isto é crucial na física para compreender e explorar a relação entre a microestrutura e as propriedades macroscópicas dos materiais, porque permite aos cientistas estudar materiais com estruturas e composições específicas e, então, compreender profundamente as suas propriedades físicas.

Em segundo lugar, a tecnologia CVD é uma tecnologia chave para a preparação de vários filmes finos funcionais em dispositivos semicondutores. Por exemplo, CVD pode ser usado para cultivar camadas epitaxiais de cristal único de silício, semicondutores III-V, como arsenieto de gálio e epitaxia de cristal único semicondutor II-VI, e depositar vários filmes epitaxiais de cristal único semicondutores dopados, filmes de silício policristalino, etc. e as estruturas são a base dos modernos dispositivos eletrônicos e dispositivos optoeletrônicos. Além disso, a tecnologia CVD também desempenha um papel importante em campos de pesquisa física, como materiais ópticos, materiais supercondutores e materiais magnéticos. Através da tecnologia CVD, filmes finos com propriedades ópticas específicas podem ser sintetizados para uso em dispositivos optoeletrônicos e sensores ópticos.

Figura 1 Etapas de transferência de reação CVD

Ao mesmo tempo, a tecnologia CVD enfrenta alguns desafios em aplicações práticas², tais como:

✔ Condições de alta temperatura e alta pressão: A CVD geralmente precisa ser realizada em alta temperatura ou alta pressão, o que limita os tipos de materiais que podem ser usados ​​e aumenta o consumo e o custo de energia.

✔ Sensibilidade do parâmetro: O processo CVD é extremamente sensível às condições de reação e mesmo pequenas alterações podem afetar a qualidade do produto final.

✔ O sistema CVD é complexo: O processo CVD é sensível às condições de contorno, tem grandes incertezas e é difícil de controlar e repetir, o que pode levar a dificuldades na pesquisa e desenvolvimento de materiais.

Ⅱ. Tecnologia de deposição química de vapor (CVD) e aprendizado de máquina

Diante dessas dificuldades, o aprendizado de máquina, como poderosa ferramenta de análise de dados, tem mostrado potencial para resolver alguns problemas na área de DCV. A seguir estão exemplos de aplicação de aprendizado de máquina na tecnologia CVD:

(1) Previsão do crescimento de DCV

Usando algoritmos de aprendizado de máquina, podemos aprender com uma grande quantidade de dados experimentais e prever os resultados do crescimento de DCV sob diferentes condições, orientando assim o ajuste dos parâmetros experimentais. Conforme mostrado na Figura 2, a equipe de pesquisa da Universidade Tecnológica de Nanyang, em Cingapura, usou o algoritmo de classificação em aprendizado de máquina para orientar a síntese CVD de materiais bidimensionais. Ao analisar os primeiros dados experimentais, eles previram com sucesso as condições de crescimento do dissulfeto de molibdênio (MoS2), melhorando significativamente a taxa de sucesso experimental e reduzindo o número de experimentos.

Figura 2 O aprendizado de máquina orienta a síntese de materiais

(a) Uma parte indispensável da pesquisa e desenvolvimento de materiais: síntese de materiais.

(b) O modelo de classificação auxilia a deposição química de vapor para sintetizar materiais bidimensionais (topo); modelo de regressão orienta a síntese hidrotérmica de pontos quânticos fluorescentes dopados com enxofre e nitrogênio (parte inferior).

Em outro estudo (Figura 3), o aprendizado de máquina foi utilizado para analisar o padrão de crescimento do grafeno no sistema CVD. O tamanho, cobertura, densidade de domínio e proporção de aspecto do grafeno foram automaticamente medidos e analisados ​​​​pelo desenvolvimento de uma rede neural convolucional proposta de região (R-CNN) e, em seguida, modelos substitutos foram desenvolvidos usando redes neurais artificiais (RNA) e máquinas de vetores de suporte ( SVM) para inferir a correlação entre as variáveis ​​do processo CVD e as especificações medidas. Esta abordagem pode simular a síntese de grafeno e determinar as condições experimentais para sintetizar grafeno com uma morfologia desejada com tamanho de grão grande e baixa densidade de domínio, economizando muito tempo e custo² ³

Figura 3 O aprendizado de máquina prevê padrões de crescimento de grafeno em sistemas CVD

(2) Processo CVD automatizado

O aprendizado de máquina pode ser usado para desenvolver sistemas automatizados para monitorar e ajustar parâmetros no processo de CVD em tempo real para obter um controle mais preciso e maior eficiência de produção. Conforme mostrado na Figura 4, uma equipe de pesquisa da Universidade Xidian usou aprendizado profundo para superar a dificuldade de identificar o ângulo de rotação de materiais bidimensionais de camada dupla CVD. Eles coletaram o espaço de cores do MoS2 preparado por CVD e aplicaram uma rede neural convolucional de segmentação semântica (CNN) para identificar com precisão e rapidez a espessura do MoS2 e, em seguida, treinaram um segundo modelo de CNN para obter uma previsão precisa do ângulo de rotação do crescimento de CVD. materiais TMD de camada dupla. Este método não só melhora a eficiência da identificação de amostras, mas também fornece um novo paradigma para a aplicação de aprendizagem profunda no campo da ciência dos materiais.⁴.

Figura 4 Métodos de aprendizagem profunda identificam os cantos de materiais bidimensionais de camada dupla

Referências:

(1) Guo, Q.-M.; Qin, Z.-H. Desenvolvimento e aplicação de tecnologia de deposição de vapor na fabricação atômica. Acta Física 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. Deposição de vapor químico aprimorada por plasma de materiais bidimensionais para aplicações. Contas de Pesquisa Química 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Aprendizado de máquina para análise de grafeno CVD: Da medição à simulação de imagens SEM. Jornal de Química Industrial e de Engenharia 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Aprendizagem não supervisionada de estados individuais de Kohn-Sham: representações interpretáveis ​​e consequências para previsões posteriores de efeitos de muitos corpos. 2024; p arXiv:2404.14601.