नोबेल पारितोषिकाच्या मागे CVD तंत्रज्ञानाचा शोध

अलीकडेच, 2024 च्या भौतिकशास्त्रातील नोबेल पारितोषिकाच्या घोषणेने कृत्रिम बुद्धिमत्तेच्या क्षेत्राकडे अभूतपूर्व लक्ष वेधले आहे. अमेरिकन शास्त्रज्ञ जॉन जे. हॉपफिल्ड आणि कॅनेडियन शास्त्रज्ञ जेफ्री ई. हिंटन यांचे संशोधन आजच्या जटिल भौतिकशास्त्रात नवीन अंतर्दृष्टी देण्यासाठी मशीन लर्निंग टूल्स वापरते. हे यश केवळ कृत्रिम बुद्धिमत्ता तंत्रज्ञानातील एक महत्त्वाचा टप्पाच नाही तर भौतिकशास्त्र आणि कृत्रिम बुद्धिमत्तेच्या सखोल एकात्मतेची घोषणा करते.

Ⅰ भौतिकशास्त्रातील रासायनिक वाष्प निक्षेप (CVD) तंत्रज्ञानाचे महत्त्व आणि आव्हाने

भौतिकशास्त्रातील रासायनिक वाष्प निक्षेप (CVD) तंत्रज्ञानाचे महत्त्व बहुआयामी आहे. हे केवळ एक महत्त्वाचे साहित्य तयार करणारे तंत्रज्ञानच नाही तर भौतिकशास्त्र संशोधन आणि अनुप्रयोगाच्या विकासाला चालना देण्यातही महत्त्वाची भूमिका बजावते. CVD तंत्रज्ञान अणू आणि आण्विक स्तरावर सामग्रीच्या वाढीवर अचूकपणे नियंत्रण ठेवू शकते. आकृती 1 मध्ये दर्शविल्याप्रमाणे, हे तंत्रज्ञान विविध प्रकारचे उच्च-कार्यक्षमता पातळ फिल्म्स आणि नॅनोस्ट्रक्चर्ड सामग्री तयार करते ज्याद्वारे घन पृष्ठभागावर वायू किंवा बाष्पयुक्त पदार्थांची रासायनिक प्रतिक्रिया करून घनसाठा निर्माण होतो. भौतिकशास्त्रात सूक्ष्म रचना आणि सूक्ष्म रचना आणि सूक्ष्मदर्शक गुणधर्मांमधील संबंध समजून घेण्यासाठी आणि शोधण्यासाठी हे महत्त्वपूर्ण आहे, कारण ते वैज्ञानिकांना विशिष्ट संरचना आणि रचना असलेल्या सामग्रीचा अभ्यास करण्यास आणि नंतर त्यांचे भौतिक गुणधर्म खोलवर समजून घेण्यास अनुमती देते.

दुसरे म्हणजे, सेमीकंडक्टर उपकरणांमध्ये विविध कार्यात्मक पातळ फिल्म्स तयार करण्यासाठी CVD तंत्रज्ञान हे प्रमुख तंत्रज्ञान आहे. उदाहरणार्थ, CVD चा वापर सिलिकॉन सिंगल क्रिस्टल एपिटॅक्सियल लेयर्स, III-V सेमीकंडक्टर जसे की गॅलियम आर्सेनाइड आणि II-VI सेमीकंडक्टर सिंगल क्रिस्टल एपिटॅक्सी, आणि विविध डोपेड सेमीकंडक्टर सिंगल क्रिस्टल एपिटॅक्सियल फिल्म्स, पॉलीक्रिस्टलाइन सिलिकॉन फिल्म्स इत्यादी जमा करण्यासाठी केला जाऊ शकतो. आणि संरचना आधुनिक इलेक्ट्रॉनिक उपकरणे आणि ऑप्टोइलेक्ट्रॉनिकचा आधार आहेत उपकरणे याशिवाय, ऑप्टिकल मटेरियल, सुपरकंडक्टिंग मटेरियल आणि मॅग्नेटिक मटेरियल यांसारख्या भौतिकशास्त्र संशोधन क्षेत्रातही CVD तंत्रज्ञान महत्त्वाची भूमिका बजावते. CVD तंत्रज्ञानाद्वारे, विशिष्ट ऑप्टिकल गुणधर्म असलेल्या पातळ फिल्म्स ऑप्टोइलेक्ट्रॉनिक उपकरणे आणि ऑप्टिकल सेन्सरमध्ये वापरण्यासाठी संश्लेषित केल्या जाऊ शकतात.

आकृती 1 CVD प्रतिक्रिया हस्तांतरण चरण

त्याच वेळी, CVD तंत्रज्ञान व्यावहारिक अनुप्रयोगांमध्ये काही आव्हानांना सामोरे जात आहे², जसे की:

✔ उच्च तापमान आणि उच्च दाब परिस्थिती: CVD ला सामान्यतः उच्च तापमान किंवा उच्च दाबाने चालवण्याची आवश्यकता असते, ज्यामुळे वापरल्या जाणाऱ्या सामग्रीचे प्रकार मर्यादित होतात आणि ऊर्जेचा वापर आणि खर्च वाढतो.

✔ पॅरामीटर संवेदनशीलता: CVD प्रक्रिया प्रतिक्रिया परिस्थितीसाठी अत्यंत संवेदनशील आहे आणि अगदी लहान बदल देखील अंतिम उत्पादनाच्या गुणवत्तेवर परिणाम करू शकतात.

✔ CVD प्रणाली जटिल आहे: CVD प्रक्रिया सीमा परिस्थितींबाबत संवेदनशील आहे, मोठ्या अनिश्चितता आहेत आणि नियंत्रित करणे आणि पुनरावृत्ती करणे कठीण आहे, ज्यामुळे भौतिक संशोधन आणि विकासामध्ये अडचणी येऊ शकतात.

Ⅱ केमिकल वाफ डिपॉझिशन (CVD) तंत्रज्ञान आणि मशीन लर्निंग

या अडचणींचा सामना करताना, मशीन लर्निंग, एक शक्तिशाली डेटा विश्लेषण साधन म्हणून, CVD क्षेत्रातील काही समस्या सोडवण्याची क्षमता दर्शविली आहे. CVD तंत्रज्ञानामध्ये मशीन लर्निंगच्या वापराची खालील उदाहरणे आहेत:

(1) CVD वाढीचा अंदाज

मशीन लर्निंग अल्गोरिदम वापरून, आम्ही मोठ्या प्रमाणात प्रायोगिक डेटामधून शिकू शकतो आणि वेगवेगळ्या परिस्थितींमध्ये CVD वाढीच्या परिणामांचा अंदाज लावू शकतो, ज्यामुळे प्रायोगिक पॅरामीटर्सच्या समायोजनास मार्गदर्शन केले जाते. आकृती 2 मध्ये दर्शविल्याप्रमाणे, सिंगापूरमधील नानयांग टेक्नॉलॉजिकल युनिव्हर्सिटीच्या संशोधन पथकाने द्विमितीय सामग्रीच्या CVD संश्लेषणाचे मार्गदर्शन करण्यासाठी मशीन लर्निंगमध्ये वर्गीकरण अल्गोरिदमचा वापर केला. सुरुवातीच्या प्रायोगिक डेटाचे विश्लेषण करून, त्यांनी मॉलिब्डेनम डायसल्फाइड (MoS2) च्या वाढीच्या परिस्थितीचा यशस्वीपणे अंदाज लावला, प्रायोगिक यश दरात लक्षणीय सुधारणा केली आणि प्रयोगांची संख्या कमी केली.

आकृती 2 मशिन लर्निंग सामग्री संश्लेषणाचे मार्गदर्शन करते

(a) भौतिक संशोधन आणि विकासाचा एक अपरिहार्य भाग: भौतिक संश्लेषण.

(b) वर्गीकरण मॉडेल द्विमितीय पदार्थांचे (शीर्ष) संश्लेषण करण्यासाठी रासायनिक बाष्प जमा करण्यास मदत करते; रिग्रेशन मॉडेल सल्फर-नायट्रोजन डोपड फ्लोरोसेंट क्वांटम डॉट्स (तळाशी) च्या हायड्रोथर्मल संश्लेषणाचे मार्गदर्शन करते.

दुसऱ्या अभ्यासात (आकृती 3), मशीन लर्निंगचा वापर CVD प्रणालीमधील ग्राफीनच्या वाढीच्या पद्धतीचे विश्लेषण करण्यासाठी केला गेला. ग्रॅफीनचा आकार, कव्हरेज, डोमेन घनता आणि आस्पेक्ट रेशो स्वयंचलितपणे मोजण्यात आले आणि एक प्रदेश प्रस्ताव कंव्होल्युशनल न्यूरल नेटवर्क (R-CNN) विकसित करून विश्लेषण केले गेले, आणि नंतर कृत्रिम न्यूरल नेटवर्क (ANN) आणि सपोर्ट वेक्टर मशीन (एएनएन) वापरून सरोगेट मॉडेल विकसित केले गेले. SVM) CVD प्रक्रिया व्हेरिएबल्स आणि मोजलेले वैशिष्ट्य यांच्यातील सहसंबंध शोधण्यासाठी. हा दृष्टीकोन ग्राफीन संश्लेषणाचे अनुकरण करू शकतो आणि मोठ्या धान्य आकारासह आणि कमी डोमेन घनतेसह इच्छित आकारविज्ञानासह ग्राफीनचे संश्लेषण करण्यासाठी प्रायोगिक परिस्थिती निर्धारित करू शकतो, बराच वेळ आणि खर्च वाचतो² ³

आकृती 3 मशीन लर्निंग CVD सिस्टीममध्ये ग्राफीन वाढीच्या नमुन्यांचा अंदाज लावते

(2) स्वयंचलित CVD प्रक्रिया

अधिक अचूक नियंत्रण आणि उच्च उत्पादन कार्यक्षमता प्राप्त करण्यासाठी वास्तविक वेळेत सीव्हीडी प्रक्रियेत मापदंडांचे परीक्षण आणि समायोजन करण्यासाठी स्वयंचलित प्रणाली विकसित करण्यासाठी मशीन लर्निंगचा वापर केला जाऊ शकतो. आकृती 4 मध्ये दर्शविल्याप्रमाणे, Xidian विद्यापीठाच्या एका संशोधन संघाने CVD दुहेरी-स्तर द्विमितीय सामग्रीचा रोटेशन कोन ओळखण्याच्या अडचणीवर मात करण्यासाठी सखोल शिक्षणाचा वापर केला. त्यांनी CVD ने तयार केलेले MoS2 चे कलर स्पेस गोळा केले आणि MoS2 ची जाडी अचूकपणे आणि त्वरीत ओळखण्यासाठी सिमेंटिक सेगमेंटेशन कॉन्व्होल्युशनल न्यूरल नेटवर्क (CNN) लागू केले, आणि नंतर CVD-उगवलेल्या रोटेशन अँगलचे अचूक अंदाज साध्य करण्यासाठी दुसरे CNN मॉडेल प्रशिक्षित केले. दुहेरी-स्तर TMD साहित्य. ही पद्धत केवळ नमुना ओळखण्याची कार्यक्षमता सुधारत नाही, तर सामग्री विज्ञानाच्या क्षेत्रात सखोल शिक्षणाच्या वापरासाठी एक नवीन नमुना देखील प्रदान करते.⁴.

आकृती 4 सखोल शिक्षण पद्धती दुहेरी-स्तर द्विमितीय सामग्रीचे कोपरे ओळखतात

संदर्भ:

(1) गुओ, प्र.-एम.; किन, Z.-H. अणू उत्पादनात वाष्प निक्षेप तंत्रज्ञानाचा विकास आणि वापर. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) यी, के.; लिऊ, डी.; चेन, एक्स.; यांग, जे.; वेई, डी.; लिऊ, वाई.; वेई, डी. ॲप्लिकेशन्ससाठी द्विमितीय सामग्रीचे प्लाझ्मा-वर्धित रासायनिक वाफ जमा करणे. रासायनिक संशोधन 2021, 54 (4), 1011-1022 खाते. DOI: 10.1021/acs.accounts.0c00757.

(3) ह्वांग, जी.; किम, टी.; शिन, जे.; शिन, एन.; ह्वांग, एस. सीव्हीडी ग्राफीन विश्लेषणासाठी मशीन लर्निंग: मापन ते SEM प्रतिमांचे सिम्युलेशन. जर्नल ऑफ इंडस्ट्रियल अँड इंजिनीअरिंग केमिस्ट्री 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; वू, जे.; किउ, डी. वाय. वैयक्तिक कोहन-शॅम राज्यांचे अनसुपरवाइज्ड लर्निंग: अनेक-शारीरिक प्रभावांच्या डाउनस्ट्रीम अंदाजांसाठी व्याख्या करण्यायोग्य प्रतिनिधित्व आणि परिणाम. 2024; p arXiv:2404.14601.