CVD-Technologie-Innovation hinter dem Nobelpreis

Kürzlich hat die Bekanntgabe des Nobelpreises für Physik 2024 dem Bereich der künstlichen Intelligenz beispiellose Aufmerksamkeit geschenkt. Die Forschung des amerikanischen Wissenschaftlers John J. Hopfield und des kanadischen Wissenschaftlers Geoffrey E. Hinton nutzt Werkzeuge des maschinellen Lernens, um neue Einblicke in die komplexe Physik von heute zu liefern. Dieser Erfolg markiert nicht nur einen wichtigen Meilenstein in der Technologie der künstlichen Intelligenz, sondern kündigt auch die tiefe Integration von Physik und künstlicher Intelligenz an.

Ⅰ. Die Bedeutung und Herausforderungen der chemischen Gasphasenabscheidungstechnologie (CVD) in der Physik

Die Bedeutung der chemischen Gasphasenabscheidung (CVD) in der Physik ist vielfältig. Es ist nicht nur eine wichtige Materialvorbereitungstechnologie, sondern spielt auch eine Schlüsselrolle bei der Förderung der Entwicklung der physikalischen Forschung und Anwendung. Die CVD-Technologie kann das Wachstum von Materialien auf atomarer und molekularer Ebene präzise steuern. Wie in Abbildung 1 dargestellt, erzeugt diese Technologie eine Vielzahl hochleistungsfähiger dünner Filme und nanostrukturierter Materialien durch chemische Reaktion gas- oder dampfförmiger Substanzen auf der festen Oberfläche, um feste Ablagerungen zu erzeugen1. Dies ist in der Physik von entscheidender Bedeutung für das Verständnis und die Erforschung der Beziehung zwischen der Mikrostruktur und den makroskopischen Eigenschaften von Materialien, da es Wissenschaftlern ermöglicht, Materialien mit spezifischen Strukturen und Zusammensetzungen zu untersuchen und anschließend ihre physikalischen Eigenschaften tiefgreifend zu verstehen.

Zweitens ist die CVD-Technologie eine Schlüsseltechnologie zur Herstellung verschiedener funktioneller Dünnschichten in Halbleiterbauelementen. Beispielsweise kann CVD verwendet werden, um epitaktische Silizium-Einkristallschichten, III-V-Halbleiter wie Galliumarsenid und II-VI-Halbleiter-Einkristallepitaxie zu züchten und verschiedene dotierte Halbleiter-Einkristall-Epitaxiefilme, polykristalline Siliziumfilme usw. abzuscheiden. Diese Materialien und Strukturen sind die Grundlage moderner elektronischer Geräte und optoelektronischer Geräte. Darüber hinaus spielt die CVD-Technologie auch in physikalischen Forschungsbereichen wie optischen Materialien, supraleitenden Materialien und magnetischen Materialien eine wichtige Rolle. Mithilfe der CVD-Technologie können dünne Filme mit spezifischen optischen Eigenschaften für den Einsatz in optoelektronischen Geräten und optischen Sensoren synthetisiert werden.

Abbildung 1 CVD-Reaktionsübertragungsschritte

Gleichzeitig steht die CVD-Technologie in praktischen Anwendungen² vor einigen Herausforderungen, wie zum Beispiel:

✔ Bedingungen mit hoher Temperatur und hohem Druck: CVD muss normalerweise bei hoher Temperatur oder hohem Druck durchgeführt werden, was die Arten der verwendbaren Materialien einschränkt und den Energieverbrauch und die Kosten erhöht.

✔ Parameterempfindlichkeit: Der CVD-Prozess reagiert äußerst empfindlich auf die Reaktionsbedingungen und selbst kleine Änderungen können die Qualität des Endprodukts beeinträchtigen.

✔ Das CVD-System ist komplex: Der CVD-Prozess reagiert empfindlich auf Randbedingungen, weist große Unsicherheiten auf und ist schwer zu kontrollieren und zu wiederholen, was zu Schwierigkeiten bei der Materialforschung und -entwicklung führen kann.

Ⅱ. Chemische Gasphasenabscheidungstechnologie (CVD) und maschinelles Lernen

Angesichts dieser Schwierigkeiten hat maschinelles Lernen als leistungsstarkes Datenanalysetool gezeigt, dass es das Potenzial hat, einige Probleme im CVD-Bereich zu lösen. Im Folgenden finden Sie Beispiele für die Anwendung von maschinellem Lernen in der CVD-Technologie:

(1) Vorhersage des CVD-Wachstums

Mithilfe von Algorithmen für maschinelles Lernen können wir aus einer großen Menge experimenteller Daten lernen und die Ergebnisse des CVD-Wachstums unter verschiedenen Bedingungen vorhersagen und so die Anpassung experimenteller Parameter steuern. Wie in Abbildung 2 dargestellt, nutzte das Forschungsteam der Nanyang Technological University in Singapur den Klassifizierungsalgorithmus des maschinellen Lernens, um die CVD-Synthese zweidimensionaler Materialien zu steuern. Durch die Analyse früher experimenteller Daten gelang es ihnen, die Wachstumsbedingungen von Molybdändisulfid (MoS2) erfolgreich vorherzusagen, was die Erfolgsrate der Experimente deutlich verbesserte und die Anzahl der Experimente reduzierte.

Abbildung 2: Maschinelles Lernen steuert die Materialsynthese

(a) Ein unverzichtbarer Bestandteil der Materialforschung und -entwicklung: die Materialsynthese.

(b) Das Klassifizierungsmodell unterstützt die chemische Gasphasenabscheidung bei der Synthese zweidimensionaler Materialien (oben); Regressionsmodell steuert die hydrothermale Synthese von Schwefel-Stickstoff-dotierten fluoreszierenden Quantenpunkten (unten).

In einer anderen Studie (Abbildung 3) wurde maschinelles Lernen verwendet, um das Wachstumsmuster von Graphen im CVD-System zu analysieren. Die Größe, Abdeckung, Domänendichte und das Seitenverhältnis von Graphen wurden automatisch gemessen und analysiert, indem ein Region Proposal Convolutional Neural Network (R-CNN) entwickelt wurde. Anschließend wurden Ersatzmodelle unter Verwendung künstlicher neuronaler Netzwerke (ANN) und Support-Vektor-Maschinen entwickelt ( SVM), um die Korrelation zwischen CVD-Prozessvariablen und den gemessenen Spezifikationen abzuleiten. Dieser Ansatz kann die Graphensynthese simulieren und die experimentellen Bedingungen für die Synthese von Graphen mit einer gewünschten Morphologie mit großer Korngröße und geringer Domänendichte bestimmen, was viel Zeit und Kosten spart² ³

Abbildung 3: Maschinelles Lernen sagt Graphen-Wachstumsmuster in CVD-Systemen voraus

(2) Automatisierter CVD-Prozess

Durch maschinelles Lernen können automatisierte Systeme zur Überwachung und Anpassung von Parametern im CVD-Prozess in Echtzeit entwickelt werden, um eine präzisere Steuerung und eine höhere Produktionseffizienz zu erreichen. Wie in Abbildung 4 dargestellt, nutzte ein Forschungsteam der Universität Xidian Deep Learning, um die Schwierigkeit zu überwinden, den Rotationswinkel zweidimensionaler CVD-Doppelschichtmaterialien zu identifizieren. Sie sammelten den durch CVD erstellten Farbraum von MoS2 und wendeten ein semantisches Segmentierungs-Faltungs-Neuronales Netzwerk (CNN) an, um die Dicke von MoS2 genau und schnell zu identifizieren, und trainierten dann ein zweites CNN-Modell, um eine genaue Vorhersage des Rotationswinkels von CVD zu erreichen doppelschichtige TMD-Materialien. Diese Methode verbessert nicht nur die Effizienz der Probenidentifizierung, sondern bietet auch ein neues Paradigma für die Anwendung von Deep Learning im Bereich der Materialwissenschaften⁴.

Abbildung 4 Deep-Learning-Methoden identifizieren die Ecken zweischichtiger zweidimensionaler Materialien

Referenzen:

(1) Guo, Q.-M.; Qin, Z.-H. Entwicklung und Anwendung der Dampfabscheidungstechnologie in der Atomfertigung. 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. Plasmaverstärkte chemische Gasphasenabscheidung zweidimensionaler Materialien für Anwendungen. Accounts of Chemical Research 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Maschinelles Lernen für die CVD-Graphenanalyse: Von der Messung bis zur Simulation von REM-Bildern. 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. Unüberwachtes Lernen einzelner Kohn-Sham-Zustände: Interpretierbare Darstellungen und Konsequenzen für nachgelagerte Vorhersagen von Vielteilcheneffekten. 2024; p arXiv:2404.14601.