Innovación en tecnología CVD detrás del Premio Nobel

Recientemente, el anuncio del Premio Nobel de Física 2024 ha atraído una atención sin precedentes al campo de la inteligencia artificial. La investigación del científico estadounidense John J. Hopfield y el científico canadiense Geoffrey E. Hinton utiliza herramientas de aprendizaje automático para proporcionar nuevos conocimientos sobre la compleja física actual. Este logro no sólo marca un hito importante en la tecnología de inteligencia artificial, sino que también presagia la profunda integración de la física y la inteligencia artificial.

Ⅰ. La importancia y los desafíos de la tecnología de deposición química de vapor (CVD) en física

La importancia de la tecnología de deposición química de vapor (CVD) en física es multifacética. No sólo es una importante tecnología de preparación de materiales, sino que también desempeña un papel clave en la promoción del desarrollo de la investigación y la aplicación de la física. La tecnología CVD puede controlar con precisión el crecimiento de materiales a nivel atómico y molecular. Como se muestra en la Figura 1, esta tecnología produce una variedad de películas delgadas de alto rendimiento y materiales nanoestructurados al hacer reaccionar químicamente sustancias gaseosas o vaporosas en la superficie sólida para generar depósitos sólidos1. Esto es crucial en física para comprender y explorar la relación entre la microestructura y las propiedades macroscópicas de los materiales, porque permite a los científicos estudiar materiales con estructuras y composiciones específicas y luego comprender en profundidad sus propiedades físicas.

En segundo lugar, la tecnología CVD es una tecnología clave para preparar diversas películas delgadas funcionales en dispositivos semiconductores. Por ejemplo, CVD se puede utilizar para hacer crecer capas epitaxiales de cristal único de silicio, semiconductores III-V como arseniuro de galio y epitaxia de cristal único de semiconductores II-VI, y depositar diversas películas epitaxiales de cristal único de semiconductores dopados, películas de silicio policristalino, etc. y las estructuras son la base de los dispositivos electrónicos y optoelectrónicos modernos. Además, la tecnología CVD también desempeña un papel importante en campos de investigación de la física, como los materiales ópticos, los materiales superconductores y los materiales magnéticos. Mediante la tecnología CVD, se pueden sintetizar películas delgadas con propiedades ópticas específicas para su uso en dispositivos optoelectrónicos y sensores ópticos.

Figura 1 Pasos de transferencia de reacción CVD

Al mismo tiempo, la tecnología CVD enfrenta algunos desafíos en aplicaciones prácticas², tales como:

✔ Condiciones de alta temperatura y alta presión.: La CVD generalmente debe realizarse a alta temperatura o alta presión, lo que limita los tipos de materiales que se pueden utilizar y aumenta el consumo y el costo de energía.

✔ Sensibilidad de parámetros: El proceso CVD es extremadamente sensible a las condiciones de reacción e incluso pequeños cambios pueden afectar la calidad del producto final.

✔ El sistema CVD es complejo: El proceso CVD es sensible a las condiciones límite, tiene grandes incertidumbres y es difícil de controlar y repetir, lo que puede generar dificultades en la investigación y el desarrollo de materiales.

Ⅱ. Tecnología de deposición química de vapor (CVD) y aprendizaje automático

Ante estas dificultades, el aprendizaje automático, como poderosa herramienta de análisis de datos, ha demostrado potencial para resolver algunos problemas en el campo de las ECV. Los siguientes son ejemplos de la aplicación del aprendizaje automático en la tecnología CVD:

(1) Predicción del crecimiento de ECV

Utilizando algoritmos de aprendizaje automático, podemos aprender de una gran cantidad de datos experimentales y predecir los resultados del crecimiento de CVD en diferentes condiciones, guiando así el ajuste de los parámetros experimentales. Como se muestra en la Figura 2, el equipo de investigación de la Universidad Tecnológica de Nanyang en Singapur utilizó el algoritmo de clasificación en aprendizaje automático para guiar la síntesis CVD de materiales bidimensionales. Al analizar los primeros datos experimentales, predijeron con éxito las condiciones de crecimiento del disulfuro de molibdeno (MoS2), mejorando significativamente la tasa de éxito experimental y reduciendo el número de experimentos.

Figura 2 Síntesis de material de guías de aprendizaje automático

(a) Una parte indispensable de la investigación y el desarrollo de materiales: la síntesis de materiales.

(b) El modelo de clasificación ayuda a la deposición química de vapor a sintetizar materiales bidimensionales (arriba); El modelo de regresión guía la síntesis hidrotermal de puntos cuánticos fluorescentes dopados con azufre y nitrógeno (abajo).

En otro estudio (Figura 3), se utilizó el aprendizaje automático para analizar el patrón de crecimiento del grafeno en el sistema CVD. El tamaño, la cobertura, la densidad de dominio y la relación de aspecto del grafeno se midieron y analizaron automáticamente mediante el desarrollo de una red neuronal convolucional de propuesta de región (R-CNN), y luego se desarrollaron modelos sustitutos utilizando redes neuronales artificiales (ANN) y máquinas de vectores de soporte ( SVM) para inferir la correlación entre las variables del proceso CVD y las especificaciones medidas. Este enfoque puede simular la síntesis de grafeno y determinar las condiciones experimentales para sintetizar grafeno con una morfología deseada con gran tamaño de grano y baja densidad de dominio, ahorrando mucho tiempo y costo² ³

Figura 3 El aprendizaje automático predice patrones de crecimiento del grafeno en sistemas CVD

(2) Proceso de CVD automatizado

El aprendizaje automático se puede utilizar para desarrollar sistemas automatizados para monitorear y ajustar parámetros en el proceso CVD en tiempo real para lograr un control más preciso y una mayor eficiencia de producción. Como se muestra en la Figura 4, un equipo de investigación de la Universidad de Xidian utilizó el aprendizaje profundo para superar la dificultad de identificar el ángulo de rotación de materiales bidimensionales de doble capa CVD. Recopilaron el espacio de color de MoS2 preparado por CVD y aplicaron una red neuronal convolucional (CNN) de segmentación semántica para identificar con precisión y rapidez el grosor de MoS2, y luego entrenaron un segundo modelo CNN para lograr una predicción precisa del ángulo de rotación de CVD. Materiales TMD de doble capa. Este método no sólo mejora la eficiencia de la identificación de muestras, sino que también proporciona un nuevo paradigma para la aplicación del aprendizaje profundo en el campo de la ciencia de materiales.⁴.

Figura 4 Los métodos de aprendizaje profundo identifican las esquinas de materiales bidimensionales de doble capa

Referencias:

(1) Guo, Q.-M.; Qin, Z.-H. Desarrollo y aplicación de la tecnología de deposición de vapor en la fabricación atómica. Acta Física Sínica 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. Deposición química de vapor mejorada con plasma de materiales bidimensionales para aplicaciones. Cuentas de la investigación química 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Aprendizaje automático para el análisis de grafeno CVD: de la medición a la simulación de imágenes SEM. Revista de Química Industrial y de Ingeniería 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Aprendizaje no supervisado de estados individuales de Kohn-Sham: representaciones interpretables y consecuencias para predicciones posteriores de efectos de muchos cuerpos. 2024; p arXiv:2404.14601.