Inovasi Teknologi CVD Di Balik Hadiah Nobel

Baru -baru ini, pengumuman Hadiah Nobel dalam Fisika 2024 telah membawa perhatian yang belum pernah terjadi sebelumnya ke bidang kecerdasan buatan. Penelitian ilmuwan Amerika John J. Hopfield dan ilmuwan Kanada Geoffrey E. Hinton menggunakan alat pembelajaran mesin untuk memberikan wawasan baru tentang fisika kompleks saat ini. Prestasi ini tidak hanya menandai tonggak penting dalam teknologi kecerdasan buatan, tetapi juga menandai integrasi fisika dan kecerdasan buatan yang mendalam.

Ⅰ. Pentingnya dan Tantangan Teknologi Deposisi Uap Kimia (CVD) dalam Fisika

Signifikansi teknologi uap kimia (CVD) dalam fisika beragam. Ini bukan hanya teknologi persiapan material yang penting, tetapi juga memainkan peran kunci dalam mempromosikan pengembangan penelitian dan aplikasi fisika. Teknologi CVD secara tepat dapat mengontrol pertumbuhan bahan pada tingkat atom dan molekul. Seperti yang ditunjukkan pada Gambar 1, teknologi ini menghasilkan berbagai film tipis berkinerja tinggi dan bahan berstrukturnano dengan zat gas atau uap yang bereaksi secara kimia pada permukaan padat untuk menghasilkan endapan padat1. Ini sangat penting dalam fisika untuk memahami dan mengeksplorasi hubungan antara struktur mikro dan sifat makroskopis bahan, karena memungkinkan para ilmuwan untuk mempelajari bahan dengan struktur dan komposisi tertentu, dan kemudian memahami sifat fisiknya secara mendalam.

Kedua, teknologi CVD adalah teknologi utama untuk mempersiapkan berbagai film tipis fungsional di perangkat semikonduktor. Sebagai contoh, CVD dapat digunakan untuk menumbuhkan lapisan epitaksis kristal tunggal silikon, semikonduktor III-V seperti gallium arsenide dan II-VI semikonduktor, epitaksi kristal tunggal, dan film-film silicon yang didoping. Selain itu, teknologi CVD juga memainkan peran penting dalam bidang penelitian fisika seperti bahan optik, bahan superkonduktor, dan bahan magnetik. Melalui teknologi CVD, film tipis dengan sifat optik spesifik dapat disintesis untuk digunakan pada perangkat optoelektronik dan sensor optik.

Gambar 1 Langkah Transfer Reaksi CVD

Pada saat yang sama, teknologi CVD menghadapi beberapa tantangan dalam aplikasi praktis², seperti:

✔ Suhu tinggi dan kondisi tekanan tinggi: CVD biasanya perlu dilakukan pada suhu tinggi atau tekanan tinggi, yang membatasi jenis bahan yang dapat digunakan dan meningkatkan konsumsi dan biaya energi.

✔ Sensitivitas parameter: Proses CVD sangat sensitif terhadap kondisi reaksi, dan bahkan perubahan kecil dapat mempengaruhi kualitas produk akhir.

✔ Sistem CVD kompleks: Proses CVD sensitif terhadap kondisi batas, memiliki ketidakpastian yang besar, dan sulit dikendalikan dan diulang, yang dapat menyebabkan kesulitan dalam penelitian dan pengembangan material.

Ⅱ. Teknologi dan Pembelajaran Mesin Chemical Vapor Deposition (CVD)

Dihadapkan dengan kesulitan -kesulitan ini, pembelajaran mesin, sebagai alat analisis data yang kuat, telah menunjukkan potensi untuk menyelesaikan beberapa masalah di bidang CVD. Berikut ini adalah contoh dari penerapan pembelajaran mesin dalam teknologi CVD:

(1) Memprediksi pertumbuhan CVD

Menggunakan algoritma pembelajaran mesin, kita dapat belajar dari sejumlah besar data eksperimental dan memprediksi hasil pertumbuhan CVD dalam kondisi yang berbeda, sehingga memandu penyesuaian parameter eksperimental. Seperti yang ditunjukkan pada Gambar 2, tim peneliti Universitas Teknologi Nanyang di Singapura menggunakan algoritma klasifikasi dalam pembelajaran mesin untuk memandu sintesis CVD bahan dua dimensi. Dengan menganalisis data eksperimental awal, mereka berhasil memprediksi kondisi pertumbuhan molibdenum disulfide (MOS2), secara signifikan meningkatkan tingkat keberhasilan eksperimental dan mengurangi jumlah percobaan.

Gambar 2 Pembelajaran mesin memandu sintesis material

(a) Bagian yang sangat diperlukan dari penelitian dan pengembangan material: sintesis material.

(B) Model klasifikasi membantu deposisi uap kimia untuk mensintesis bahan dua dimensi (atas); Model regresi memandu sintesis hidrotermal dari titik-titik kuantum fluoresen sulfur-nitrogen (bawah).

Dalam penelitian lain (Gambar 3), pembelajaran mesin digunakan untuk menganalisis pola pertumbuhan graphene dalam sistem CVD. Ukuran, cakupan, kepadatan domain, dan rasio aspek graphene secara otomatis diukur dan dianalisis dengan mengembangkan proposal wilayah Convolutional Neural Network (R-CNN), dan kemudian model pengganti dikembangkan menggunakan jaringan saraf buatan antara variasi proses dan mesin vektor. Pendekatan ini dapat mensimulasikan sintesis graphene dan menentukan kondisi eksperimental untuk mensintesis graphene dengan morfologi yang diinginkan dengan ukuran butir besar dan kepadatan domain rendah, menghemat banyak waktu dan biaya ²

Gambar 3 Pembelajaran mesin memprediksi pola pertumbuhan graphene dalam sistem CVD

(2) Proses CVD Otomatis

Pembelajaran mesin dapat digunakan untuk mengembangkan sistem otomatis untuk memantau dan menyesuaikan parameter dalam proses CVD secara real time untuk mencapai kontrol yang lebih tepat dan efisiensi produksi yang lebih tinggi. Seperti yang ditunjukkan pada Gambar 4, tim peneliti dari Universitas Xidian menggunakan pembelajaran yang mendalam untuk mengatasi kesulitan mengidentifikasi sudut rotasi bahan dua dimensi-lapis CVD. Mereka mengumpulkan ruang warna MOS2 yang disiapkan oleh CVD dan menerapkan jaringan saraf konvolusional segmentasi semantik (CNN) untuk secara akurat dan dengan cepat mengidentifikasi ketebalan MOS2, dan kemudian dilatih model CNN kedua untuk mencapai prediksi akurat dari sudut rotasi bahan TMD pelepan ganda CVD. Metode ini tidak hanya meningkatkan efisiensi identifikasi sampel, tetapi juga menyediakan paradigma baru untuk penerapan pembelajaran yang mendalam di bidang ilmu material⁴.

Gambar 4 Metode pembelajaran mendalam mengidentifikasi sudut-sudut bahan dua dimensi lapis ganda

Referensi:

(1) Guo, Q.-M.; Qin, Z.-H. Pengembangan dan penerapan teknologi deposisi uap dalam manufaktur atom. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. Dua: 10.7498/APS.70.20201436.

(2) Yi, K.; Liu, D.; Chen, X.; Yang, J.; Wei, D.; Liu, Y.; Wei, D. Deposisi uap kimia yang ditingkatkan plasma dari bahan dua dimensi untuk aplikasi. Akun Penelitian Kimia 2021, 54 (4), 1011-1022. Doi: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Pembelajaran Mesin untuk Analisis Graphene CVD: Dari pengukuran hingga simulasi gambar SEM. Jurnal Kimia Industri dan Teknik 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Pembelajaran tanpa pengawasan dari negara-negara Kohn-Sham: representasi dan konsekuensi yang dapat ditafsirkan untuk prediksi hilir efek banyak tubuh. 2024; P ARXIV: 2404.14601.