ນະວັດຕະກໍາເຕັກໂນໂລຢີ CVD ທີ່ຢູ່ເບື້ອງຫຼັງລາງວັນ Nobel

ຫວ່າງ​ມໍ່ໆ​ມາ​ນີ້, ການ​ປະກາດ​ລາງວັນ​ໂນ​ແບລ​ດ້ານ​ຟີ​ຊິກ​ປີ 2024 ​ໄດ້​ນຳ​ເອົາ​ຄວາມ​ສົນ​ໃຈ​ທີ່​ບໍ່​ເຄີຍ​ມີ​ມາ​ກ່ອນ​ມາ​ສູ່​ຂົງ​ເຂດ​ປັນຍາ​ປະດິດ. ການຄົ້ນຄວ້າຂອງນັກວິທະຍາສາດອາເມລິກາ John J. Hopfield ແລະນັກວິທະຍາສາດຊາວການາດາ Geoffrey E. Hinton ໃຊ້ເຄື່ອງມືການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອສະຫນອງຄວາມເຂົ້າໃຈໃຫມ່ກ່ຽວກັບຟີຊິກທີ່ສັບສົນໃນປະຈຸບັນ. ຜົນສຳເລັດດັ່ງກ່າວບໍ່ພຽງແຕ່ເປັນຂີດໝາຍອັນສຳຄັນໃນດ້ານເທັກໂນໂລຍີປັນຍາປະດິດເທົ່ານັ້ນ, ແຕ່ຍັງເປັນການບອກເຖິງການເຊື່ອມໂຍງຢ່າງເລິກເຊິ່ງຂອງຟີຊິກ ແລະປັນຍາປະດິດອີກດ້ວຍ.

Ⅰ. ຄວາມສໍາຄັນ ແລະສິ່ງທ້າທາຍຂອງເທັກໂນໂລຍີການຖິ້ມອາຍອາຍເຄມີ (CVD) ໃນຟີຊິກ

ຄວາມສໍາຄັນຂອງເຕັກໂນໂລຍີການປ່ອຍອາຍພິດທາງເຄມີ (CVD) ໃນຟີຊິກແມ່ນມີຫຼາຍຮູບແບບ. ມັນບໍ່ພຽງແຕ່ເປັນເທກໂນໂລຍີການກະກຽມວັດສະດຸທີ່ສໍາຄັນ, ແຕ່ຍັງມີບົດບາດສໍາຄັນໃນການສົ່ງເສີມການພັດທະນາຂອງການຄົ້ນຄວ້າຟີຊິກແລະຄໍາຮ້ອງສະຫມັກ. ເຕັກໂນໂລຊີ CVD ສາມາດຄວບຄຸມການຂະຫຍາຍຕົວຂອງວັດສະດຸໃນລະດັບປະລໍາມະນູແລະໂມເລກຸນໄດ້ຊັດເຈນ. ດັ່ງທີ່ສະແດງຢູ່ໃນຮູບທີ 1, ເທັກໂນໂລຍີນີ້ຜະລິດຮູບເງົາບາງໆທີ່ມີປະສິດຕິພາບສູງ ແລະ ວັດສະດຸໂຄງສ້າງນາໂນໂດຍການປະຕິກິລິຍາທາງເຄມີຂອງທາດອາຍແກັສ ຫຼື ໄອໃນພື້ນຜິວແຂງເພື່ອສ້າງເງິນຝາກແຂງ1. ນີ້ແມ່ນສິ່ງສໍາຄັນໃນຟີຊິກສໍາລັບຄວາມເຂົ້າໃຈແລະການສໍາຫຼວດຄວາມສໍາພັນລະຫວ່າງຈຸລະພາກແລະຄຸນສົມບັດ macroscopic ຂອງວັດສະດຸ, ເນື່ອງຈາກວ່າມັນອະນຸຍາດໃຫ້ນັກວິທະຍາສາດສຶກສາອຸປະກອນທີ່ມີໂຄງສ້າງແລະອົງປະກອບສະເພາະ, ແລະຫຼັງຈາກນັ້ນເຂົ້າໃຈຢ່າງເລິກເຊິ່ງກ່ຽວກັບຄຸນສົມບັດທາງກາຍະພາບຂອງມັນ.

ອັນທີສອງ, ເທກໂນໂລຍີ CVD ແມ່ນເຕັກໂນໂລຢີທີ່ສໍາຄັນສໍາລັບການກະກຽມຮູບເງົາບາງໆທີ່ເປັນປະໂຫຍດໃນອຸປະກອນ semiconductor. ສໍາລັບການຍົກຕົວຢ່າງ, CVD ສາມາດນໍາໃຊ້ເພື່ອປູກ silicon single crystal epitaxial layers, III-V semiconductors ເຊັ່ນ gallium arsenide ແລະ II-VI semiconductor single crystal epitaxy, ແລະຝາກຕ່າງໆ doped semiconductor single crystal epitaxial films, polycrystalline silicon films, ແລະອື່ນໆວັດສະດຸເຫຼົ່ານີ້. ແລະໂຄງສ້າງແມ່ນພື້ນຖານຂອງອຸປະກອນເອເລັກໂຕຣນິກທີ່ທັນສະໄຫມແລະອຸປະກອນ optoelectronic. ນອກຈາກນັ້ນ, ເຕັກໂນໂລຊີ CVD ຍັງມີບົດບາດສໍາຄັນໃນຂົງເຂດການຄົ້ນຄວ້າຟີຊິກເຊັ່ນ: ວັດສະດຸ optical, ວັດສະດຸ superconducting, ແລະວັດສະດຸແມ່ເຫຼັກ. ໂດຍຜ່ານເທກໂນໂລຍີ CVD, ຮູບເງົາບາງໆທີ່ມີຄຸນສົມບັດ optical ສະເພາະສາມາດຖືກສັງເຄາະສໍາລັບການນໍາໃຊ້ໃນອຸປະກອນ optoelectronic ແລະເຊັນເຊີ optical.

ຮູບທີ 1 ຂັ້ນຕອນການໂອນປະຕິກິລິຍາ CVD

ໃນເວລາດຽວກັນ, ເຕັກໂນໂລຢີ CVD ປະເຊີນກັບສິ່ງທ້າທາຍບາງຢ່າງໃນການປະຕິບັດຕົວຈິງ², ເຊັ່ນ:

✔ ອຸນຫະພູມສູງແລະເງື່ອນໄຂຄວາມກົດດັນສູງ: CVD ປົກກະຕິແລ້ວຕ້ອງໄດ້ຮັບການປະຕິບັດຢູ່ໃນອຸນຫະພູມສູງຫຼືຄວາມກົດດັນສູງ, ເຊິ່ງຈໍາກັດປະເພດຂອງວັດສະດຸທີ່ສາມາດນໍາໃຊ້ໄດ້ແລະເພີ່ມການໃຊ້ພະລັງງານແລະຄ່າໃຊ້ຈ່າຍ.

✔ ຄວາມອ່ອນໄຫວຂອງພາລາມິເຕີ: ຂະບວນການ CVD ແມ່ນມີຄວາມອ່ອນໄຫວທີ່ສຸດຕໍ່ເງື່ອນໄຂການຕິກິຣິຍາ, ແລະເຖິງແມ່ນວ່າການປ່ຽນແປງຂະຫນາດນ້ອຍອາດຈະມີຜົນກະທົບຕໍ່ຄຸນນະພາບຂອງຜະລິດຕະພັນສຸດທ້າຍ.

✔ ລະບົບ CVD ແມ່ນສັບສົນ: ຂະບວນການ CVD ມີຄວາມອ່ອນໄຫວຕໍ່ກັບເງື່ອນໄຂຂອງເຂດແດນ, ມີຄວາມບໍ່ແນ່ນອນຂະຫນາດໃຫຍ່, ແລະມີຄວາມຫຍຸ້ງຍາກໃນການຄວບຄຸມແລະເຮັດຊ້ໍາອີກ, ເຊິ່ງອາດຈະເຮັດໃຫ້ເກີດຄວາມຫຍຸ້ງຍາກໃນການຄົ້ນຄວ້າແລະການພັດທະນາວັດສະດຸ.

Ⅱ. ເທກໂນໂລຍີການຖິ້ມອາຍພິດທາງເຄມີ (CVD) ແລະການຮຽນຮູ້ເຄື່ອງຈັກ

ປະເຊີນຫນ້າກັບຄວາມຫຍຸ້ງຍາກເຫຼົ່ານີ້, ການຮຽນຮູ້ເຄື່ອງຈັກ, ເປັນເຄື່ອງມືການວິເຄາະຂໍ້ມູນທີ່ມີປະສິດທິພາບ, ໄດ້ສະແດງໃຫ້ເຫັນທ່າແຮງທີ່ຈະແກ້ໄຂບັນຫາບາງຢ່າງໃນພາກສະຫນາມ CVD. ຕໍ່ໄປນີ້ແມ່ນຕົວຢ່າງຂອງການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກໃນເຕັກໂນໂລຊີ CVD:

(1) ຄາດຄະເນການຂະຫຍາຍຕົວຂອງ CVD

ການນໍາໃຊ້ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ, ພວກເຮົາສາມາດຮຽນຮູ້ຈາກຈໍານວນຂະຫນາດໃຫຍ່ຂອງຂໍ້ມູນການທົດລອງແລະຄາດຄະເນຜົນໄດ້ຮັບຂອງການເຕີບໂຕຂອງ CVD ພາຍໃຕ້ເງື່ອນໄຂທີ່ແຕກຕ່າງກັນ, ດັ່ງນັ້ນການຊີ້ນໍາການປັບຕົວຂອງການທົດລອງ. ດັ່ງທີ່ສະແດງຢູ່ໃນຮູບທີ 2, ທີມວິໄຈຂອງມະຫາວິທະຍາໄລເທັກໂນໂລຍີ Nanyang ໃນສິງກະໂປໄດ້ໃຊ້ວິທີການຈັດປະເພດໃນການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອນໍາພາການສັງເຄາະ CVD ຂອງວັດສະດຸສອງມິຕິ. ໂດຍການວິເຄາະຂໍ້ມູນການທົດລອງໃນຕອນຕົ້ນ, ພວກເຂົາເຈົ້າປະສົບຜົນສໍາເລັດຄາດຄະເນເງື່ອນໄຂການເຕີບໂຕຂອງ molybdenum disulfide (MoS2), ປັບປຸງອັດຕາຄວາມສໍາເລັດຂອງການທົດລອງຢ່າງຫຼວງຫຼາຍແລະຫຼຸດຜ່ອນຈໍານວນການທົດລອງ.

ຮູບທີ 2 ການຮຽນຮູ້ເຄື່ອງຈັກແນະນຳການສັງເຄາະວັດສະດຸ

(a) ພາກສ່ວນໜຶ່ງທີ່ຂາດບໍ່ໄດ້ຂອງການຄົ້ນຄວ້າ ແລະ ພັດທະນາວັດສະດຸ: ການສັງເຄາະວັດສະດຸ.

(b) ຮູບແບບການຈັດປະເພດຊ່ວຍໃຫ້ການປ່ອຍອາຍພິດເຄມີເພື່ອສັງເຄາະວັດສະດຸສອງມິຕິ (ເທິງ); ຮູບແບບການຖົດຖອຍນໍາພາການສັງເຄາະ hydrothermal ຂອງ sulfur-nitrogen doped fluorescent ຈຸດ quantum (ລຸ່ມ).

ໃນການສຶກສາອື່ນ (ຮູບ 3), ການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ຖືກນໍາໃຊ້ເພື່ອວິເຄາະຮູບແບບການຂະຫຍາຍຕົວຂອງ graphene ໃນລະບົບ CVD. ຂະຫນາດ, ການຄຸ້ມຄອງ, ຄວາມຫນາແຫນ້ນຂອງໂດເມນ, ແລະອັດຕາສ່ວນຂອງ graphene ໄດ້ຖືກວັດແທກອັດຕະໂນມັດແລະການວິເຄາະໂດຍການພັດທະນາເຄືອຂ່າຍ neural proposal convolutional (R-CNN), ແລະຫຼັງຈາກນັ້ນແບບຈໍາລອງຕົວແທນໄດ້ຖືກພັດທະນາໂດຍໃຊ້ເຄືອຂ່າຍ neural ທຽມ (ANN) ແລະສະຫນັບສະຫນູນເຄື່ອງຈັກ vector ( SVM) ເພື່ອປະເມີນຄວາມກ່ຽວຂ້ອງກັນລະຫວ່າງຕົວແປຂະບວນການ CVD ແລະການວັດແທກສະເພາະ. ວິທີການນີ້ສາມາດຈໍາລອງການສັງເຄາະ graphene ແລະກໍານົດເງື່ອນໄຂການທົດລອງສໍາລັບການສັງເຄາະ graphene ກັບ morphology ທີ່ຕ້ອງການດ້ວຍຂະຫນາດເມັດຂະຫນາດໃຫຍ່ແລະຄວາມຫນາແຫນ້ນຂອງໂດເມນຕ່ໍາ, ປະຫຍັດເວລາແລະຄ່າໃຊ້ຈ່າຍຫຼາຍ² ³.

ຮູບທີ 3 ການຮຽນຮູ້ເຄື່ອງຈັກຄາດຄະເນຮູບແບບການຂະຫຍາຍຕົວຂອງ graphene ໃນລະບົບ CVD

(2) ຂະບວນການ CVD ອັດຕະໂນມັດ

ການຮຽນຮູ້ເຄື່ອງຈັກສາມາດຖືກນໍາໃຊ້ເພື່ອພັດທະນາລະບົບອັດຕະໂນມັດເພື່ອຕິດຕາມແລະປັບຕົວກໍານົດການໃນຂະບວນການ CVD ໃນເວລາທີ່ແທ້ຈິງເພື່ອບັນລຸການຄວບຄຸມທີ່ຊັດເຈນແລະປະສິດທິພາບການຜະລິດທີ່ສູງຂຶ້ນ. ດັ່ງທີ່ສະແດງຢູ່ໃນຮູບທີ 4, ທີມງານຄົ້ນຄ້ວາຈາກມະຫາວິທະຍາໄລ Xidian ໄດ້ນໍາໃຊ້ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງເພື່ອເອົາຊະນະຄວາມຫຍຸ້ງຍາກໃນການກໍານົດມຸມຫມຸນຂອງວັດສະດຸສອງຊັ້ນສອງຊັ້ນຂອງ CVD. ພວກເຂົາເຈົ້າເກັບກໍາພື້ນທີ່ສີຂອງ MoS2 ກະກຽມໂດຍ CVD ແລະນໍາໃຊ້ເຄືອຂ່າຍ neural segmentation convolutional (CNN) ເພື່ອກໍານົດຄວາມຫນາຂອງ MoS2 ຢ່າງຖືກຕ້ອງແລະໄວ, ແລະຫຼັງຈາກນັ້ນໄດ້ຝຶກອົບຮົມແບບຈໍາລອງ CNN ທີສອງເພື່ອບັນລຸການຄາດຄະເນທີ່ຖືກຕ້ອງຂອງມຸມຫມຸນຂອງ CVD ທີ່ປູກ. ວັດສະດຸ TMD ສອງຊັ້ນ. ວິທີການນີ້ບໍ່ພຽງແຕ່ປັບປຸງປະສິດທິພາບຂອງການກໍານົດຕົວຢ່າງ, ແຕ່ຍັງສະຫນອງການ paradigm ໃຫມ່ສໍາລັບການນໍາໃຊ້ການຮຽນຮູ້ເລິກໃນພາກສະຫນາມຂອງວັດສະດຸວິທະຍາສາດ.⁴.

ຮູບທີ 4 ວິທີການຮຽນຮູ້ແບບເລິກເຊິ່ງກໍານົດມຸມຂອງວັດສະດຸສອງຊັ້ນສອງຊັ້ນ

ເອກະສານອ້າງອີງ:

(1) Guo, Q.-M.; Qin, Z.-H. ການພັດທະນາແລະການ ນຳ ໃຊ້ເຕັກໂນໂລຢີການປ່ອຍອາຍພິດໃນການຜະລິດປະລໍາມະນູ. 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. plasma-Enhanced vapor ເຄມີ Deposition ຂອງວັດສະດຸສອງມິຕິສໍາລັບຄໍາຮ້ອງສະຫມັກ. ບັນຊີຂອງການຄົ້ນຄວ້າເຄມີ 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; ຊິນ, ນ.; Hwang, S. ການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການວິເຄາະ CVD graphene: ຈາກການວັດແທກເຖິງການຈໍາລອງຮູບພາບ SEM. ວາລະສານອຸດສາຫະກຳ ແລະ ວິສະວະກຳເຄມີ 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) ຮູ, ບ.; Wu, J.; Qiu, D. Y. ການຮຽນຮູ້ແບບບໍ່ມີການຄວບຄຸມຂອງແຕ່ລະລັດ Kohn-Sham: ການເປັນຕົວແທນທີ່ສາມາດແປໄດ້ ແລະຜົນສະທ້ອນຕໍ່ກັບການຄາດເດົາທາງລຸ່ມຂອງຜົນກະທົບຫຼາຍດ້ານຂອງຮ່າງກາຍ. 2024; p arXiv: 2404.14601.