L'innovazione tecnologica CVD dietro il Premio Nobel

Recentemente, l’annuncio del Premio Nobel per la Fisica 2024 ha attirato un’attenzione senza precedenti sul campo dell’intelligenza artificiale. La ricerca dello scienziato americano John J. Hopfield e dello scienziato canadese Geoffrey E. Hinton utilizza strumenti di apprendimento automatico per fornire nuove informazioni sulla complessa fisica di oggi. Questo risultato non solo segna un’importante pietra miliare nella tecnologia dell’intelligenza artificiale, ma preannuncia anche la profonda integrazione tra fisica e intelligenza artificiale.

Ⅰ. Il significato e le sfide della tecnologia di deposizione chimica in fase vapore (CVD) in fisica

Il significato della tecnologia di deposizione chimica in fase vapore (CVD) in fisica è multiforme. Non è solo un'importante tecnologia di preparazione dei materiali, ma svolge anche un ruolo chiave nel promuovere lo sviluppo della ricerca e delle applicazioni della fisica. La tecnologia CVD può controllare con precisione la crescita dei materiali a livello atomico e molecolare. Come mostrato nella Figura 1, questa tecnologia produce una varietà di film sottili e materiali nanostrutturati ad alte prestazioni facendo reagire chimicamente sostanze gassose o vaporose sulla superficie solida per generare depositi solidi1. Ciò è fondamentale in fisica per comprendere ed esplorare la relazione tra la microstruttura e le proprietà macroscopiche dei materiali, perché consente agli scienziati di studiare materiali con strutture e composizioni specifiche, e quindi di comprenderne profondamente le proprietà fisiche.

In secondo luogo, la tecnologia CVD è una tecnologia chiave per la preparazione di vari film sottili funzionali nei dispositivi a semiconduttore. Ad esempio, CVD può essere utilizzato per far crescere strati epitassiali a cristallo singolo di silicio, semiconduttori III-V come arseniuro di gallio ed epitassia a cristallo singolo semiconduttore II-VI e depositare vari film epitassiali a cristallo singolo semiconduttore drogati, film di silicio policristallino, ecc. Questi materiali e le strutture sono la base dei moderni dispositivi elettronici e dei dispositivi optoelettronici. Inoltre, la tecnologia CVD svolge un ruolo importante anche nei campi di ricerca fisica come i materiali ottici, i materiali superconduttori e i materiali magnetici. Attraverso la tecnologia CVD, è possibile sintetizzare film sottili con proprietà ottiche specifiche da utilizzare in dispositivi optoelettronici e sensori ottici.

Figura 1 Fasi di trasferimento della reazione CVD

Allo stesso tempo, la tecnologia CVD deve affrontare alcune sfide nelle applicazioni pratiche², come ad esempio:

✔ Condizioni di alta temperatura e alta pressione: La CVD solitamente deve essere eseguita ad alta temperatura o alta pressione, il che limita i tipi di materiali che possono essere utilizzati e aumenta il consumo energetico e i costi.

✔ Sensibilità dei parametri: Il processo CVD è estremamente sensibile alle condizioni di reazione e anche piccoli cambiamenti possono influenzare la qualità del prodotto finale.

✔ Il sistema CVD è complesso: Il processo CVD è sensibile alle condizioni al contorno, presenta grandi incertezze ed è difficile da controllare e ripetere, il che può portare a difficoltà nella ricerca e nello sviluppo dei materiali.

Ⅱ. Tecnologia di deposizione chimica in fase vapore (CVD) e machine learning

Di fronte a queste difficoltà, l’apprendimento automatico, in quanto potente strumento di analisi dei dati, ha mostrato il potenziale per risolvere alcuni problemi nel campo della CVD. Di seguito sono riportati esempi di applicazione dell'apprendimento automatico nella tecnologia CVD:

(1) Previsione della crescita della CVD

Utilizzando algoritmi di apprendimento automatico, possiamo imparare da una grande quantità di dati sperimentali e prevedere i risultati della crescita delle CVD in diverse condizioni, guidando così la regolazione dei parametri sperimentali. Come mostrato nella Figura 2, il gruppo di ricerca della Nanyang Technological University di Singapore ha utilizzato l'algoritmo di classificazione nell'apprendimento automatico per guidare la sintesi CVD di materiali bidimensionali. Analizzando i primi dati sperimentali, hanno previsto con successo le condizioni di crescita del disolfuro di molibdeno (MoS2), migliorando significativamente il tasso di successo sperimentale e riducendo il numero di esperimenti.

Figura 2 L'apprendimento automatico guida la sintesi dei materiali

(a) Una parte indispensabile della ricerca e dello sviluppo dei materiali: la sintesi dei materiali.

(b) Il modello di classificazione aiuta la deposizione di vapori chimici per sintetizzare materiali bidimensionali (in alto); il modello di regressione guida la sintesi idrotermale di punti quantici fluorescenti drogati con zolfo e azoto (in basso).

In un altro studio (Figura 3), l’apprendimento automatico è stato utilizzato per analizzare il modello di crescita del grafene nel sistema CVD. Le dimensioni, la copertura, la densità del dominio e le proporzioni del grafene sono state misurate e analizzate automaticamente sviluppando una rete neurale convoluzionale proposta di regione (R-CNN), quindi sono stati sviluppati modelli surrogati utilizzando reti neurali artificiali (ANN) e macchine vettoriali di supporto ( SVM) per dedurre la correlazione tra le variabili del processo CVD e le specifiche misurate. Questo approccio può simulare la sintesi del grafene e determinare le condizioni sperimentali per sintetizzare il grafene con la morfologia desiderata con granulometria grande e bassa densità di domini, risparmiando molto tempo e costi² ³

Figura 3 L'apprendimento automatico prevede i modelli di crescita del grafene nei sistemi CVD

(2) Processo CVD automatizzato

L’apprendimento automatico può essere utilizzato per sviluppare sistemi automatizzati per monitorare e regolare i parametri nel processo CVD in tempo reale per ottenere un controllo più preciso e una maggiore efficienza produttiva. Come mostrato nella Figura 4, un gruppo di ricerca dell'Università di Xidian ha utilizzato il deep learning per superare la difficoltà di identificare l'angolo di rotazione dei materiali bidimensionali a doppio strato CVD. Hanno raccolto lo spazio colore di MoS2 preparato da CVD e applicato una rete neurale convoluzionale di segmentazione semantica (CNN) per identificare in modo accurato e rapido lo spessore di MoS2, quindi hanno addestrato un secondo modello CNN per ottenere una previsione accurata dell'angolo di rotazione del MoS2 cresciuto da CVD materiali TMD a doppio strato. Questo metodo non solo migliora l’efficienza dell’identificazione dei campioni, ma fornisce anche un nuovo paradigma per l’applicazione del deep learning nel campo della scienza dei materiali⁴.

Figura 4 I metodi di deep learning identificano gli angoli di materiali bidimensionali a doppio strato

Riferimenti:

(1) Guo, Q.-M.; Qin, Z.-H. Sviluppo e applicazione della tecnologia di deposizione da vapore nella produzione atomica. Acta Physica Sinica 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. Deposizione chimica da vapore potenziata dal plasma di materiali bidimensionali per applicazioni. Conti della ricerca chimica 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Apprendimento automatico per l'analisi del grafene CVD: dalla misurazione alla simulazione delle immagini SEM. Giornale di chimica industriale e ingegneristica 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Apprendimento non supervisionato dei singoli stati Kohn-Sham: rappresentazioni interpretabili e conseguenze per le previsioni a valle degli effetti a molti corpi. 2024; p arXiv:2404.14601.