นวัตกรรมเทคโนโลยี CVD เบื้องหลังรางวัลโนเบล

เมื่อเร็วๆ นี้ การประกาศรางวัลโนเบลสาขาฟิสิกส์ประจำปี 2024 ได้ก่อให้เกิดความสนใจอย่างที่ไม่เคยมีมาก่อนในด้านปัญญาประดิษฐ์ การวิจัยของนักวิทยาศาสตร์ชาวอเมริกัน John J. Hopfield และนักวิทยาศาสตร์ชาวแคนาดา Geoffrey E. Hinton ใช้เครื่องมือการเรียนรู้ของเครื่องเพื่อให้ข้อมูลเชิงลึกใหม่ๆ เกี่ยวกับฟิสิกส์ที่ซับซ้อนในปัจจุบัน ความสำเร็จนี้ไม่เพียงแต่เป็นก้าวสำคัญในเทคโนโลยีปัญญาประดิษฐ์เท่านั้น แต่ยังเป็นการประกาศถึงการบูรณาการเชิงลึกระหว่างฟิสิกส์และปัญญาประดิษฐ์อีกด้วย

Ⅰ. ความสำคัญและความท้าทายของเทคโนโลยีการสะสมไอสารเคมี (CVD) ในวิชาฟิสิกส์

ความสำคัญของเทคโนโลยีการสะสมไอสารเคมี (CVD) ในวิชาฟิสิกส์มีหลายแง่มุม ไม่เพียงแต่เป็นเทคโนโลยีการเตรียมวัสดุที่สำคัญเท่านั้น แต่ยังมีบทบาทสำคัญในการส่งเสริมการพัฒนาการวิจัยและการประยุกต์ทางฟิสิกส์อีกด้วย เทคโนโลยี CVD สามารถควบคุมการเติบโตของวัสดุในระดับอะตอมและโมเลกุลได้อย่างแม่นยำ ดังแสดงในรูปที่ 1 เทคโนโลยีนี้ผลิตฟิล์มบางประสิทธิภาพสูงและวัสดุที่มีโครงสร้างนาโน โดยการทำปฏิกิริยาทางเคมีกับสารก๊าซหรือไอบนพื้นผิวของแข็งเพื่อสร้างตะกอนที่เป็นของแข็ง1 นี่เป็นสิ่งสำคัญในวิชาฟิสิกส์ในการทำความเข้าใจและสำรวจความสัมพันธ์ระหว่างโครงสร้างจุลภาคและคุณสมบัติมหภาคของวัสดุ เนื่องจากช่วยให้นักวิทยาศาสตร์สามารถศึกษาวัสดุที่มีโครงสร้างและองค์ประกอบเฉพาะ จากนั้นจึงเข้าใจคุณสมบัติทางกายภาพของวัสดุอย่างลึกซึ้ง

ประการที่สอง เทคโนโลยี CVD เป็นเทคโนโลยีสำคัญในการเตรียมฟิล์มบางเชิงฟังก์ชันต่างๆ ในอุปกรณ์เซมิคอนดักเตอร์ ตัวอย่างเช่น CVD สามารถใช้ในการปลูกชั้น epitaxy ผลึกเดี่ยวของซิลิคอน, สารกึ่งตัวนำ III-V เช่น แกลเลียมอาร์เซไนด์ และ epitaxy ผลึกเดี่ยวของเซมิคอนดักเตอร์ II-VI และฝากฟิล์ม epitaxial ผลึกเดี่ยวของเซมิคอนดักเตอร์เจือต่างๆ, ฟิล์มซิลิคอนโพลีคริสตัลไลน์ เป็นต้น วัสดุเหล่านี้ และโครงสร้างเป็นพื้นฐานของอุปกรณ์อิเล็กทรอนิกส์และอุปกรณ์ออปโตอิเล็กทรอนิกส์สมัยใหม่ นอกจากนี้ เทคโนโลยี CVD ยังมีบทบาทสำคัญในสาขาการวิจัยฟิสิกส์ เช่น วัสดุเชิงแสง วัสดุตัวนำยิ่งยวด และวัสดุแม่เหล็ก ด้วยเทคโนโลยี CVD ฟิล์มบางที่มีคุณสมบัติทางแสงเฉพาะสามารถสังเคราะห์เพื่อใช้ในอุปกรณ์ออปโตอิเล็กทรอนิกส์และเซ็นเซอร์ออปติคัลได้

รูปที่ 1 ขั้นตอนการถ่ายโอนปฏิกิริยา CVD

ในเวลาเดียวกัน เทคโนโลยี CVD เผชิญกับความท้าทายบางประการในการใช้งานจริง² เช่น:

✔ สภาวะอุณหภูมิสูงและความดันสูง: CVD มักจะต้องทำที่อุณหภูมิสูงหรือแรงดันสูง ซึ่งเป็นการจำกัดประเภทของวัสดุที่สามารถใช้ได้ และเพิ่มการใช้พลังงานและต้นทุน

✔ ความไวของพารามิเตอร์: กระบวนการ CVD มีความไวอย่างยิ่งต่อสภาวะของปฏิกิริยา และการเปลี่ยนแปลงแม้เพียงเล็กน้อยก็อาจส่งผลต่อคุณภาพของผลิตภัณฑ์ขั้นสุดท้ายได้

✔ ระบบ CVD มีความซับซ้อน: กระบวนการ CVD มีความอ่อนไหวต่อเงื่อนไขขอบเขต มีความไม่แน่นอนสูง และควบคุมและทำซ้ำได้ยาก ซึ่งอาจนำไปสู่ความยากลำบากในการวิจัยและพัฒนาวัสดุ

Ⅱ. เทคโนโลยีการสะสมไอสารเคมี (CVD) และการเรียนรู้ของเครื่อง

เมื่อเผชิญกับความยากลำบากเหล่านี้ การเรียนรู้ของเครื่องในฐานะเครื่องมือวิเคราะห์ข้อมูลที่ทรงพลัง ได้แสดงให้เห็นถึงศักยภาพในการแก้ปัญหาบางอย่างในสาขา CVD ต่อไปนี้เป็นตัวอย่างการประยุกต์ใช้การเรียนรู้ของเครื่องในเทคโนโลยี CVD:

(1) ทำนายการเติบโตของ CVD

เมื่อใช้อัลกอริธึมการเรียนรู้ของเครื่อง เราสามารถเรียนรู้จากข้อมูลการทดลองจำนวนมาก และคาดการณ์ผลลัพธ์ของการเติบโตของ CVD ภายใต้เงื่อนไขที่แตกต่างกัน จึงเป็นแนวทางในการปรับพารามิเตอร์การทดลอง ดังที่แสดงในรูปที่ 2 ทีมวิจัยของมหาวิทยาลัยเทคโนโลยีนันยางในสิงคโปร์ใช้อัลกอริทึมการจำแนกประเภทในการเรียนรู้ของเครื่องเพื่อเป็นแนวทางในการสังเคราะห์ CVD ของวัสดุสองมิติ ด้วยการวิเคราะห์ข้อมูลการทดลองตั้งแต่เนิ่นๆ พวกเขาคาดการณ์สภาวะการเจริญเติบโตของโมลิบดีนัมไดซัลไฟด์ (MoS2) ได้สำเร็จ ซึ่งช่วยปรับปรุงอัตราความสำเร็จของการทดลองได้อย่างมีนัยสำคัญ และลดจำนวนการทดลองลงได้อย่างมาก

รูปที่ 2 การเรียนรู้ของเครื่องเป็นแนวทางในการสังเคราะห์วัสดุ

(a) ส่วนที่ขาดไม่ได้ของการวิจัยและพัฒนาวัสดุ: การสังเคราะห์วัสดุ

(b) แบบจำลองการจำแนกประเภทช่วยในการสะสมไอสารเคมีเพื่อสังเคราะห์วัสดุสองมิติ (บนสุด); แบบจำลองการถดถอยเป็นแนวทางในการสังเคราะห์ความร้อนใต้พิภพของจุดควอนตัมเรืองแสงที่เจือด้วยซัลเฟอร์-ไนโตรเจน (ด้านล่าง)

ในการศึกษาอื่น (รูปที่ 3) การเรียนรู้ของเครื่องถูกนำมาใช้ในการวิเคราะห์รูปแบบการเติบโตของกราฟีนในระบบ CVD ขนาด ความครอบคลุม ความหนาแน่นของโดเมน และอัตราส่วนภาพของกราฟีนถูกวัดและวิเคราะห์โดยอัตโนมัติโดยการพัฒนาโครงข่ายประสาทเทียมแบบหมุนวนข้อเสนอระดับภูมิภาค (R-CNN) จากนั้นแบบจำลองตัวแทนก็ได้รับการพัฒนาโดยใช้โครงข่ายประสาทเทียม (ANN) และเครื่องเวกเตอร์ที่รองรับ ( SVM) เพื่ออนุมานความสัมพันธ์ระหว่างตัวแปรกระบวนการ CVD และข้อกำหนดเฉพาะที่วัดได้ วิธีการนี้สามารถจำลองการสังเคราะห์กราฟีนและกำหนดเงื่อนไขการทดลองสำหรับการสังเคราะห์กราฟีนด้วยสัณฐานวิทยาที่ต้องการด้วยขนาดเกรนขนาดใหญ่และความหนาแน่นของโดเมนต่ำ ช่วยประหยัดเวลาและต้นทุนได้มาก² ³

รูปที่ 3 การเรียนรู้ของเครื่องทำนายรูปแบบการเติบโตของกราฟีนในระบบ CVD

(2) กระบวนการ CVD อัตโนมัติ

การเรียนรู้ของเครื่องสามารถใช้ในการพัฒนาระบบอัตโนมัติเพื่อตรวจสอบและปรับพารามิเตอร์ในกระบวนการ CVD แบบเรียลไทม์เพื่อให้ได้รับการควบคุมที่แม่นยำยิ่งขึ้นและประสิทธิภาพการผลิตที่สูงขึ้น ดังที่แสดงในรูปที่ 4 ทีมวิจัยจากมหาวิทยาลัย Xidian ใช้การเรียนรู้เชิงลึกเพื่อเอาชนะความยากลำบากในการระบุมุมการหมุนของวัสดุสองมิติสองชั้น CVD พวกเขารวบรวมปริภูมิสีของ MoS2 ที่จัดทำโดย CVD และใช้โครงข่ายประสาทเทียมแบบ semantic Semantic Segmentation Convolutional Neural Network (CNN) เพื่อระบุความหนาของ MoS2 ได้อย่างแม่นยำและรวดเร็ว จากนั้นจึงฝึกฝนโมเดล CNN ตัวที่สองเพื่อให้คาดการณ์มุมการหมุนของ CVD ได้อย่างแม่นยำ วัสดุ TMD สองชั้น วิธีการนี้ไม่เพียงแต่ปรับปรุงประสิทธิภาพของการระบุตัวอย่างเท่านั้น แต่ยังเป็นกระบวนทัศน์ใหม่สำหรับการประยุกต์ใช้การเรียนรู้เชิงลึกในสาขาวัสดุศาสตร์อีกด้วย⁴.

รูปที่ 4 วิธีการเรียนรู้เชิงลึกระบุมุมของวัสดุสองมิติสองชั้น

อ้างอิง:

(1) กัว คิว.-ม.; ฉิน, Z.-H. การพัฒนาและการประยุกต์ใช้เทคโนโลยีการสะสมไอในการผลิตอะตอม แอ็กต้า ฟิสิกา ซินิกา 2021, 70 (2), 028101-028101-028101-028115. ดอย: 10.7498/aps.70.20201436.

(2) ยี ก.; หลิว ด.; เฉิน เอ็กซ์.; หยางเจ.; เหว่ย ด.; หลิวย.; Wei, D. การสะสมไอสารเคมีที่ปรับปรุงด้วยพลาสมาของวัสดุสองมิติสำหรับการใช้งาน บัญชีการวิจัยทางเคมี 2021, 54 (4), 1011-1022. ดอย: 10.1021/acs.accounts.0c00757

(3) ฮวาง จี.; คิม ต.; ชิน เจ.; ชิน น.; Hwang, S. การเรียนรู้ของเครื่องสำหรับการวิเคราะห์กราฟีน CVD: จากการวัดไปจนถึงการจำลองภาพ SEM วารสารเคมีอุตสาหกรรมและวิศวกรรมศาสตร์ 2564, 101, 430-444. ดอย: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) โฮ บ.; วูเจ.; Qiu, D. Y. การเรียนรู้แบบไม่มีผู้ดูแลของรัฐ Kohn-Sham ส่วนบุคคล: การเป็นตัวแทนและผลที่ตามมาที่ตีความได้สำหรับการทำนายปลายน้ำของผลกระทบต่อร่างกายจำนวนมาก 2024; หน้า arXiv:2404.14601.