ЦВД технологија иновација иза Нобелове награде

Недавно је најава 2024. Нобелове награде у физици донела невиђену пажњу на поље вештачке интелигенције. Истраживање америчког научника Јохна Ј. Хопфиелд-а и Канадског научника Геоффреи Е. Хинтон користи алате за учење машине како би пружио нове увиде у данашњу сложену физику. Ово постигнуће не само да означава важну прекретницу у технологији вештачке интелигенције, већ и најављују дубоку интеграцију физике и вештачке интелигенције.

Ⅰ. Значај и изазови хемијске таложење паре (ЦВД) технологије у физици

Значај хемијске таложење паре (ЦВД) технологија у физици је вишеструка. То није само важна технологија за припрему материјала, већ такође игра кључну улогу у промоцији развоја истраживања физике и примене. ЦВД технологија може прецизно контролисати раст материјала на атомским и молекуларним нивоима. Као што је приказано на слици 1, ова технологија производи различите танке филмове високих перформанси хемијски реакцијом гасовитих или вапонских супстанци на чврстој површини за стварање чврстих депозита1. Ово је пресудно у физици за разумевање и истраживање односа између микроструктуре и макроскопских својстава материјала, јер омогућава научницима да проучавају материјале са одређеним структурама и композицијама, а затим дубоко разумеју њихова физичка својства.

Друго, ЦВД технологија је кључна технологија за припрему различитих функционалних танких филмова у полуводичким уређајима. На пример, ЦВД се може користити за узгој силиконских једноструких кристалних слојева, ИИИ-В полуводичи као што су галијум арсенид и ии-ви полуводичка јединствена кристална епитакса и депоновање различитих полуводичких једноструких кристалних епитаксија, поликристалне силицијумске филмове итд. Ови материјали и структуре су основа модерних електронских уређаја и оптоелектронских уређаја. Поред тога, ЦВД технологија такође игра важну улогу у физичким истраживачким областима као што су оптички материјали, суперпроводни материјали и магнетни материјали. Кроз ЦВД технологију, танке филмове са специфичним оптичким својствима могу се синтетизовати за употребу у оптоелектронским уређајима и оптичким сензорима.

Слика 1 кораци за пренос реакције ЦВД-а

Истовремено, ЦВД технологија се суочава са неким изазовима у практичним апликацијама², као што су:

✔ Високе температуре и услови високог притиска: ЦВД обично треба да се спроведе на високом температуру или високим притиском, који ограничава врсте материјала које се могу користити и повећава потрошњу енергије и трошкове.

✔ Осетљивост параметара: Процес ЦВД је изузетно осетљив на реакционе услове, па чак и мале промене могу утицати на квалитет коначног производа.

✔ ЦВД систем је сложен: Процес ЦВД је осетљив на граничне услове, има велике несигурности и тешко је контролисати и поновити, што може довести до потешкоћа у материјалном истраживању и развоју.

Ⅱ. Хемијска таложење паре (ЦВД) технологија и учење машина

Суочени са овим потешкоћама, машинским учењем, као моћно алат за анализу података показало је потенцијал да реши неке проблеме у области ЦВД-а. Следе примјери примене машинског учења у ЦВД технологији:

(1) Предвиђање раста ЦВД-а

Користећи алгоритме за учење машине, можемо да учимо од великог износа експерименталних података и предвиђамо резултате раста ЦВД-а у различитим условима, чиме се води прилагођавање експерименталних параметара. Као што је приказано на слици 2, истраживачки тим Нанианг Тецхнолошког универзитета у Сингапуру користио је алгоритам класификације у машинском учењу да води ЦВД синтезу дводимензионалних материјала. Анализом раних експерименталних података, успешно су предвиђали услове раста молибдена дисулфида (МС2), значајно побољшање брзине експерименталне успеха и смањење броја експеримената.

Слика 2 Синтеза материјала за учење машина

(а) Неопходан део материјалних истраживања и развоја: синтеза материјала.

(б) Модел класификације помаже таложивању хемијских паре да синтетише дводимензионалне материјале (топ); Регрессион Модел води хидротермалну синтезу сумпор-азота допиране флуоресцентне квантне тачке (дно).

У другој студији (слика 3), машинско учење коришћено је за анализу обрасца раста графике у ЦВД систему. Величина, покривеност, густина домена и аспекта Графикон аутоматски су мерена и анализирана развојем конвенционалној неуронској мрежи региона (Р-ЦНН), а затим су сурогат модели развијени коришћењем вештачких неуронских мрежа (СвМ) да закључују корелацију између променљивих процеса ЦВД-а и измерених спецификација. Овај приступ може симулирати синтезу графине и одредити експерименталне услове за синтезе графикон са жељеном морфологијом са великом величином од жита и малу густину домена, штедећи доста времена и коштања м² ³

Слика 3 Учење машине предвиђа графичке обрасце раста у системима ЦВД-а

(2) Аутоматизовани процес ЦВД-а

Машинско учење се може користити за развој аутоматизованих система за праћење и прилагођавање параметара у процесу ЦВД у реалном времену како би се постигло прецизнија контрола и већа ефикасност производње. Као што је приказано на слици 4, истраживачки тим од Ксидиан Университи користило је дубоко учење да би превазишао потешкоће у препознавању угао ротације ЦВД двослојне дводимензионалне материјале. Прикупили су простор у боји МС2 припремили ЦВД и применили су семантичку конвулутну неуронску мрежу (ЦНН) како би тачно и брзо идентификовале дебљину МОД-а, а затим је обучила други ЦНН модел да би постигла тачно предвиђање угао ротационог ТМД материјала. Ова метода не само да побољшава ефикасност идентификације узорка, али такође пружа нову парадигму за примену дубоког учења у области науке о материјалима⁴.

Слика 4 Методе дубоког учења идентификују углове двослојне дводимензионалне материјале

Референце:

(1) ГУО, ТУЖИЛАЦ ГРУМ - ПИТАЊЕ: М.; Кин, З.-Х. Развој и примена технологије уклањања паре у производњи атомске. Ацта Пхисица Синик 2021, 70 (2), 028101-028101-028101-028115. Два: 10.7498 / АПС.70.20201436.

(2) Ии, К.; ЛИУ, Д.; Цхен, Кс.; Ианг, Ј.; Веи, Д.; Лиу, И.; Веи, Д. ПЛАСМА-појачана таложење паре на дводимензионалне материјале за примене. Рачуни хемијских истраживања 2021, 54 (4), 1011-1022. Дои: 10.1021 / АЦС.Аццоунтс.0Ц00757.

(3) Хванг, Г.; Ким, Т.; Схин, Ј.; Схин, Н.; Хванг, С. Машина сазнања за ЦВД ГРАФФЕНЕ АНАЛИЗЕ: Од мерења до симулације сем слика. Часопис за индустријску и инжењерску хемију 2021, 101, 430-444. Дои: хттпс: //дои.орг/10.1016/ј.јиец.2021.05.031.

(4) Хоу, Б.; ВУ, Ј.; Киу, Д. И. Незавршено учење појединачних држава Кохн-Схам-а: препчавајуће представљање и последице за низводно предвиђања многих ефеката многих тела. 2024; П АРКСИВ: 2404.14601.