Yapay Zeka ve Fiziğin Birleşmesi: Nobel Ödülünün Arkasındaki CVD Teknolojik Yeniliği

2024 Nobel Fizik Ödülü'nün yakın zamanda duyurulması, yapay zeka alanına benzeri görülmemiş bir ilgi uyandırdı. Amerikalı bilim adamı John J. Hopfield ve Kanadalı bilim adamı Geoffrey E. Hinton tarafından yürütülen araştırma, günümüzün karmaşık fizik dünyasına yeni bakış açıları sağlamak için makine öğrenimi araçlarından yararlandı. Bu başarı, yalnızca yapay zeka teknolojisinde önemli bir dönüm noktasına işaret etmekle kalmıyor, aynı zamanda fizik ile yapay zeka arasında derin bir entegrasyonun da habercisi oluyor.

Fizikte Kimyasal Buhar Birikiminin (CVD) Önemi Nedir ve Karşılaştığı Zorluklar Nelerdir?

Kimyasal buhar biriktirme (CVD) teknolojisifizikte çok yönlü bir öneme sahiptir; önemli bir malzeme hazırlama tekniği olarak hizmet ederken, fizik bilimlerindeki araştırma ve uygulamaların ilerlemesinde önemli bir rol oynar. CVD, atomik ve moleküler seviyelerde malzeme büyümesi üzerinde hassas kontrol sağlar. Şekil 1'de gösterildiği gibi, bu teknik, katı birikintiler oluşturmak için katı yüzeyler üzerinde kimyasal reaksiyonlara giren gaz halindeki veya buhar fazındaki maddeleri içerir, böylece çeşitli yüksek performanslı filmler ve nanoyapılı malzemeler üretilir. Bu yetenek, fizikte malzemelerin mikro yapıları ile makroskobik özellikleri arasındaki ilişkiyi anlamak ve keşfetmek için hayati öneme sahiptir; çünkü bilim adamlarının belirli yapılara ve bileşimlere sahip malzemeleri incelemesine ve böylece bunların fiziksel özelliklerine ilişkin derinlemesine bilgiler kazanmasına olanak tanır.

Üstelik,CVD teknolojisiyarı iletken cihazlarda çeşitli fonksiyonel filmler üretmek için anahtar bir yöntemdir. Örneğin, büyümek için kullanılabilirsilikon tek kristal epitaksiyel katmanlar, galyum arsenit gibi III-V yarı iletkenler ve II-VI yarı iletken tek kristal epi-katmanların yanı sıra çeşitli katkılı yarı iletken tek kristal epitaksiyel filmler ve polisilikon filmler biriktirir. Bu malzemeler ve yapılar modern elektronik ve optoelektronik cihazların temelini oluşturur. Ayrıca CVD teknolojisi optik malzemeler, süper iletken malzemeler ve manyetik malzemeler gibi araştırma alanlarında önemli bir rol oynamaktadır. CVD kullanılarak, optoelektronik cihazlar ve optik sensörlerdeki uygulamalar için spesifik optik özelliklere sahip ince filmler sentezlenebilir.

Avantajlarına rağmen CVD teknolojisi pratik uygulamalarda aşağıdaki gibi çeşitli zorluklarla karşı karşıyadır:

Yüksek sıcaklık ve yüksek basınç koşulları: CVD sıklıkla yüksek sıcaklık veya basınç gerektirir, kullanılabilecek malzeme türleri sınırlanır ve enerji tüketimi ile maliyetler artar.

Parametrelere duyarlılık: CVD prosesi, reaksiyon koşullarına son derece duyarlıdır ve en küçük değişiklikler bile nihai ürünün kalitesini potansiyel olarak etkileyebilir.

CVD sistemlerinin karmaşıklığı: Proses sınır koşullarına duyarlıdır, önemli derecede belirsizlik gösterir ve tekrarlanabilir şekilde kontrol edilmesi zor olabilir, potansiyel olarak malzeme geliştirmeyi karmaşık hale getirebilir.

NasılKimyasal Buhar Biriktirme (CVD) TeknolojisiMakine Öğreniminden Yararlanmak mı?

Bu zorluklarla karşı karşıya kalan makine öğrenimi, güçlü bir veri analiz aracı olarak CVD alanındaki bu sorunların bazılarına çözüm bulma potansiyeli göstermiştir. CVD teknolojisindeki makine öğrenimi uygulamalarının örnekleri şunlardır:

(1) CVD Büyümesini Tahmin Etme: Makine öğrenimi algoritmaları, çeşitli koşullar altında CVD büyüme sonuçlarını tahmin etmek için kapsamlı deneysel verilerden öğrenebilir ve böylece deneysel parametrelerin ayarlanmasına rehberlik edebilir. Şekil 1'de gösterildiği gibi, Singapur'daki Nanyang Teknoloji Üniversitesi'ndeki bir araştırma ekibi, iki boyutlu malzemelerin CVD sentezine rehberlik etmek için makine öğreniminde sınıflandırma algoritmalarını kullandı. Erken deneysel verileri analiz ederek, molibden disülfürün (MoS2) büyüme koşullarını başarılı bir şekilde tahmin ederek deneylerin başarı oranını önemli ölçüde artırdı ve deneme sayısını azalttı.

Şekil 1: Makine Öğrenimi Rehberli Materyal Sentezi. (a) Materyal geliştirmenin vazgeçilmez bir parçası: materyal sentezi. (b) Sınıflandırma modelleri, iki boyutlu malzemelerin (üstte) kimyasal buhar biriktirme (CVD) sentezini kolaylaştırır; regresyon modelleri, kükürt ve nitrojen katkılı floresan kuantum noktalarının (altta) hidrotermal sentezini yönlendirir.

Başka bir çalışmada, Şekil 2'de gösterildiği gibi, CVD sistemleri içindeki grafen büyüme modellerini analiz etmek için makine öğrenimi kullanıldı. Araştırmacılar, bölge önerisi evrişimli sinir ağlarını (R-CNN) geliştirerek, grafenin boyutunu, kapsamını, alan yoğunluğunu ve en boy oranını otomatik olarak ölçüp analiz edebildiler. Daha sonra, yapay sinir ağları (YSA) ve destek vektör makineleri (SVM), aralarındaki korelasyonu ortaya çıkarmak için yedek modeller geliştirmek üzere kullanıldı.CVD sürecideğişkenler ve ölçülen özellikler. Bu yöntem, grafen sentezinin simülasyonunu mümkün kılar ve büyük tane boyutlarına ve düşük alan yoğunluğuna sahip grafen üretmek için gerekli deneysel koşulları belirler, böylece önemli ölçüde zaman ve maliyet tasarrufu sağlar.

Şekil 2: CVD Sistemlerinde Grafen Büyüme Modellerinin Makine Öğrenimi Tahmini

(2) Otomatik CVD Süreci: Makine öğrenimi, CVD süreci sırasında parametreleri gerçek zamanlı olarak izleyen ve ayarlayan, daha hassas kontrol ve daha yüksek üretim verimliliği sağlayan otomatik sistemler geliştirmek için kullanılabilir. Şekil 3'te gösterildiği gibi, Xidian Üniversitesi'nden bir araştırma ekibi, CVD tarafından hazırlanan iki katmanlı iki boyutlu malzemelerin dönme açısını tanıma zorluğunu aşmak için derin öğrenmeyi kullandı. CVD ile hazırlanan MoS2'nin renk uzayını toplayarak ve anlamsal bölümleme evrişimli sinir ağlarını (CNN) uygulayarak, MoS2'nin kalınlığını doğru ve hızlı bir şekilde tanımlayabildiler. Daha sonra CVD tarafından büyütülen iki katmanlı TMD malzemelerinin dönüş açısını kesin olarak tahmin etmek için ikinci bir CNN modelini eğittiler. Bu yöntem yalnızca numune tanımlama verimliliğini artırmakla kalmadı, aynı zamanda malzeme bilimi alanında derin öğrenmenin uygulanması için yeni bir paradigma sağladı.

Şekil 3: İki Katmanlı İki Boyutlu Malzemelerin Dönme Açısını Belirlemeye Yönelik Derin Öğrenme Yaklaşımı

Görünüm

Nobel Ödülü'nün açıklanması, yapay zeka ve fiziğin entegrasyonunun daha fazla yenilik ve atılımı beraberinde getireceğini bir kez daha hatırlatıyor bize. Makine öğrenimi teknolojisi ilerlemeye devam ettikçe buna inanmak için nedenimiz varkimyasal buhar biriktirme teknolojisigelecekte yeni gelişme fırsatlarıyla karşılaşacaklardır. Bütün bunlar, teknoloji ve bilimin yakınlaşmasının keşif için daha geniş yollar açacağı yeni bir çağın başlangıcını müjdeliyor.

Semicorex teklifleriSiC/TaC kaplama grafitiVeseramik malzemeler kimyasal buhar biriktirme (CVD) işlemi yoluyla. Herhangi bir sorunuz varsa veya ek ayrıntılara ihtiyacınız varsa, lütfen bizimle iletişime geçmekten çekinmeyin.

İletişim telefonu numarası +86-13567891907

E-posta: sales@semicorex.com