नोबेल पुरस्कार पछि CVD टेक्नोलोजी नवीनता

हालै, २०२४ को भौतिकशास्त्रको नोबेल पुरस्कारको घोषणाले कृत्रिम बुद्धिमत्ताको क्षेत्रमा अभूतपूर्व ध्यान ल्याएको छ। अमेरिकी वैज्ञानिक जोन जे. हपफिल्ड र क्यानाडाका वैज्ञानिक जेफ्री ई. हिन्टनको अनुसन्धानले आजको जटिल भौतिक विज्ञानमा नयाँ अन्तर्दृष्टि प्रदान गर्न मेसिन लर्निङ उपकरणहरू प्रयोग गर्दछ। यो उपलब्धिले आर्टिफिसियल इन्टेलिजेन्स टेक्नोलोजीमा एक महत्वपूर्ण कोसेढुङ्गा मात्र होइन, भौतिक विज्ञान र कृत्रिम बुद्धिमत्ताको गहिरो एकीकरणलाई पनि हेराल्ड गर्दछ।

Ⅰ भौतिकशास्त्रमा रासायनिक वाष्प निक्षेप (CVD) प्रविधिको महत्त्व र चुनौतीहरू

भौतिक विज्ञानमा रासायनिक वाष्प निक्षेप (CVD) प्रविधिको महत्व बहुआयामिक छ। यो एक महत्त्वपूर्ण सामग्री तयारी प्रविधि मात्र होइन, तर भौतिक विज्ञान अनुसन्धान र अनुप्रयोगको विकासलाई बढावा दिन पनि महत्त्वपूर्ण भूमिका खेल्छ। CVD प्रविधिले आणविक र आणविक स्तरहरूमा सामग्रीको वृद्धिलाई ठीकसँग नियन्त्रण गर्न सक्छ। चित्र 1 मा देखाइए अनुसार, यो प्रविधिले ठोस सतहमा ग्यास वा वाष्पयुक्त पदार्थहरूलाई ठोस निक्षेपहरू उत्पन्न गर्न रासायनिक प्रतिक्रिया गरेर विभिन्न उच्च-प्रदर्शन पातलो फिल्महरू र नानोस्ट्रक्चर गरिएको सामग्रीहरू उत्पादन गर्दछ। यो सूक्ष्म संरचना र सामग्रीको म्याक्रोस्कोपिक गुणहरू बीचको सम्बन्धलाई बुझ्न र अन्वेषण गर्न भौतिक विज्ञानमा महत्त्वपूर्ण छ, किनभने यसले वैज्ञानिकहरूलाई विशेष संरचना र रचनाहरू भएका सामग्रीहरू अध्ययन गर्न अनुमति दिन्छ, र त्यसपछि तिनीहरूको भौतिक गुणहरू गहिरो रूपमा बुझ्न सक्छ।

दोस्रो, CVD टेक्नोलोजी अर्धचालक उपकरणहरूमा विभिन्न कार्यात्मक पातलो फिल्महरू तयार गर्नको लागि एक प्रमुख प्रविधि हो। उदाहरणका लागि, CVD सिलिकन एकल क्रिस्टल एपिटेक्सियल तहहरू, III-V अर्धचालकहरू जस्तै ग्यालियम आर्सेनाइड र II-VI अर्धचालक एकल क्रिस्टल एपिटेक्सी, र विभिन्न डोपेड अर्धचालक एकल क्रिस्टल एपिटेक्सियल फिल्महरू, पोलीक्रिस्टलाइन सिलिकन फिल्महरू, आदि जम्मा गर्न प्रयोग गर्न सकिन्छ। र संरचनाहरू आधुनिक इलेक्ट्रोनिक उपकरणहरू र ओप्टोइलेक्ट्रोनिकको आधार हुन् उपकरणहरू। थप रूपमा, CVD टेक्नोलोजीले भौतिक विज्ञान अनुसन्धान क्षेत्रहरू जस्तै अप्टिकल सामग्री, सुपरकन्डक्टिंग सामग्री, र चुम्बकीय सामग्रीहरूमा पनि महत्त्वपूर्ण भूमिका खेल्छ। CVD टेक्नोलोजी मार्फत, विशिष्ट अप्टिकल गुणहरू भएका पातलो फिल्महरूलाई अप्टोइलेक्ट्रोनिक उपकरणहरू र अप्टिकल सेन्सरहरूमा प्रयोगको लागि संश्लेषित गर्न सकिन्छ।

चित्र १ CVD प्रतिक्रिया स्थानान्तरण चरणहरू

एकै समयमा, CVD टेक्नोलोजीले व्यावहारिक अनुप्रयोगहरूमा केही चुनौतीहरूको सामना गर्दछ², जस्तै:

✔ उच्च तापमान र उच्च दबाव अवस्था: CVD सामान्यतया उच्च तापक्रम वा उच्च दबावमा गर्न आवश्यक छ, जसले प्रयोग गर्न सकिने सामग्रीको प्रकारलाई सीमित गर्छ र ऊर्जा खपत र लागत बढाउँछ।

✔ प्यारामिटर संवेदनशीलता: CVD प्रक्रिया प्रतिक्रिया अवस्थाहरूमा अत्यन्तै संवेदनशील छ, र साना परिवर्तनहरूले पनि अन्तिम उत्पादनको गुणस्तरलाई असर गर्न सक्छ।

✔ CVD प्रणाली जटिल छ: CVD प्रक्रिया सीमा अवस्थाहरूप्रति संवेदनशील छ, ठूलो अनिश्चितताहरू छन्, र नियन्त्रण गर्न र दोहोर्याउन गाह्रो छ, जसले सामग्री अनुसन्धान र विकासमा कठिनाइहरू निम्त्याउन सक्छ।

Ⅱ। रासायनिक वाष्प निक्षेप (CVD) प्रविधि र मेसिन लर्निङ

यी कठिनाइहरूको सामना गर्दै, मेसिन लर्निङ, एक शक्तिशाली डेटा विश्लेषण उपकरणको रूपमा, CVD क्षेत्रमा केही समस्याहरू समाधान गर्ने सम्भावना देखाएको छ। CVD प्रविधिमा मेसिन लर्निङको प्रयोगका उदाहरणहरू निम्न छन्:

(1) CVD वृद्धि भविष्यवाणी

मेसिन लर्निङ एल्गोरिदमहरू प्रयोग गरेर, हामी प्रयोगात्मक डेटाको ठूलो मात्राबाट सिक्न सक्छौं र विभिन्न परिस्थितिहरूमा CVD वृद्धिको नतिजाहरू भविष्यवाणी गर्न सक्छौं, जसले गर्दा प्रयोगात्मक प्यारामिटरहरूको समायोजनलाई मार्गदर्शन गर्दछ। चित्र २ मा देखाइए अनुसार, सिंगापुरको नान्याङ टेक्नोलोजिकल युनिभर्सिटीको अनुसन्धान टोलीले दुई-आयामी सामग्रीहरूको CVD संश्लेषणलाई मार्गदर्शन गर्न मेसिन लर्निङमा वर्गीकरण एल्गोरिदम प्रयोग गर्‍यो। प्रारम्भिक प्रयोगात्मक डेटाको विश्लेषण गरेर, तिनीहरूले मोलिब्डेनम डाइसल्फाइड (MoS2) को विकास अवस्थाको सफलतापूर्वक भविष्यवाणी गरे, प्रयोगात्मक सफलता दरमा उल्लेखनीय सुधार गर्दै र प्रयोगहरूको संख्या घटाउँदै।

चित्र २ मेसिन लर्निङले सामग्रीको संश्लेषणलाई मार्गदर्शन गर्छ

(a) भौतिक अनुसन्धान र विकासको अपरिहार्य अंश: भौतिक संश्लेषण।

(b) वर्गीकरण मोडेलले रासायनिक वाष्प निक्षेपलाई दुई-आयामी सामग्री (शीर्ष) को संश्लेषण गर्न मद्दत गर्दछ; रिग्रेसन मोडेलले सल्फर-नाइट्रोजन डोपेड फ्लोरोसेन्ट क्वान्टम डट्स (तल) को हाइड्रोथर्मल संश्लेषण गाईड गर्दछ।

अर्को अध्ययनमा (चित्र 3), मेसिन लर्निङ CVD प्रणालीमा ग्राफिनको वृद्धि ढाँचा विश्लेषण गर्न प्रयोग गरिएको थियो। ग्रेफिनको साइज, कभरेज, डोमेन घनत्व, र पक्ष अनुपात स्वचालित रूपमा एक क्षेत्र प्रस्ताव कन्भोलुसनल न्यूरल नेटवर्क (R-CNN) को विकास गरेर मापन र विश्लेषण गरियो, र त्यसपछि कृत्रिम तंत्रिका नेटवर्कहरू (ANN) र समर्थन भेक्टर मेशिनहरू (सपोर्ट भेक्टर मेसिनहरू) प्रयोग गरेर सरोगेट मोडेलहरू विकास गरियो। SVM) CVD प्रक्रिया चर र मापन विशिष्टताहरू बीचको सम्बन्ध अनुमान गर्न। यो दृष्टिकोणले ग्राफिन संश्लेषणको नक्कल गर्न सक्छ र ठूलो अनाजको आकार र कम डोमेन घनत्वको साथ इच्छित आकारविज्ञानको साथ ग्राफिन संश्लेषणको लागि प्रयोगात्मक अवस्थाहरू निर्धारण गर्न सक्छ, धेरै समय र लागत बचत गर्दछ² ³

चित्र ३ मेशिन लर्निङले CVD प्रणालीहरूमा ग्राफिन वृद्धि ढाँचाहरूको भविष्यवाणी गर्छ

(२) स्वचालित CVD प्रक्रिया

अधिक सटीक नियन्त्रण र उच्च उत्पादन दक्षता प्राप्त गर्न वास्तविक समयमा CVD प्रक्रियामा मापदण्डहरू निगरानी र समायोजन गर्न स्वचालित प्रणालीहरू विकास गर्न मेसिन लर्निङ प्रयोग गर्न सकिन्छ। चित्र 4 मा देखाइए अनुसार, Xidian विश्वविद्यालयको अनुसन्धान टोलीले CVD डबल-लेयर दुई-आयामी सामग्रीहरूको रोटेशन कोण पहिचान गर्ने कठिनाइलाई पार गर्न गहिरो शिक्षा प्रयोग गर्यो। तिनीहरूले CVD द्वारा तयार पारिएको MoS2 को कलर स्पेस सङ्कलन गरे र MoS2 को मोटाई सही र द्रुत रूपमा पहिचान गर्न सिमेन्टिक सेग्मेन्टेसन कन्भोलुसनल न्यूरल नेटवर्क (CNN) लागू गरे, र त्यसपछि CVD-बढाइएको रोटेशन कोणको सही भविष्यवाणी प्राप्त गर्न दोस्रो CNN मोडेललाई तालिम दिए। डबल-लेयर TMD सामग्री। यस विधिले नमूना पहिचानको दक्षता मात्र सुधार गर्दैन, तर सामग्री विज्ञानको क्षेत्रमा गहिरो शिक्षाको प्रयोगको लागि नयाँ प्रतिमान पनि प्रदान गर्दछ।⁴.

चित्र 4 गहिरो सिकाइ विधिहरूले डबल-लेयर दुई-आयामी सामग्रीहरूको कुनाहरू पहिचान गर्दछ

सन्दर्भहरू:

(1) गुओ, Q.-M.; किन, जेड-एच। आणविक निर्माणमा वाष्प निक्षेप प्रविधिको विकास र प्रयोग। एक्टा फिजिका सिनिका २०२१, ७० (२), ०२८१०१-०२८१०१-०२८१०१-०२८११५। DOI: 10.7498/aps.70.20201436।

(२) यी, के.; लिउ, डी।; चेन, एक्स; याङ, जे; वेई, डी।; लिउ, वाई; Wei, D. एप्लिकेसनका लागि द्वि-आयामी सामग्रीहरूको प्लाज्मा-बढाइएको रासायनिक वाष्प निक्षेप। रासायनिक अनुसन्धान 2021, 54 (4), 1011-1022 को लेखा। DOI: 10.1021/acs.accounts.0c00757।

(३) ह्वाङ, जी.; किम, टी।; शिन, जे; शिन, एन; Hwang, S. CVD graphene विश्लेषणको लागि मेशिन सिकाइ: SEM छविहरूको मापनदेखि सिमुलेशनसम्म। औद्योगिक र ईन्जिनियरिङ् रसायन विज्ञान को जर्नल 2021, 101, 430-444। DOI: https://doi.org/10.1016/j.jiec.2021.05.031।

(4) Hou, B.; वू, जे; Qiu, D. Y. व्यक्तिगत कोहन-शाम राज्यहरूको अनसुपरवाइज्ड लर्निंग: धेरै-शारीरिक प्रभावहरूको डाउनस्ट्रीम भविष्यवाणीहरूको लागि व्याख्यायोग्य प्रतिनिधित्व र परिणामहरू। २०२४; p arXiv:2404.14601।