నోబెల్ బహుమతి వెనుక CVD టెక్నాలజీ ఇన్నోవేషన్

ఇటీవల, భౌతిక శాస్త్రంలో 2024 నోబెల్ బహుమతి ప్రకటన కృత్రిమ మేధస్సు రంగంపై అపూర్వమైన దృష్టిని తీసుకువచ్చింది. అమెరికన్ శాస్త్రవేత్త జాన్ J. హాప్‌ఫీల్డ్ మరియు కెనడియన్ శాస్త్రవేత్త జియోఫ్రీ E. హింటన్ పరిశోధనలు నేటి సంక్లిష్ట భౌతిక శాస్త్రంలో కొత్త అంతర్దృష్టులను అందించడానికి యంత్ర అభ్యాస సాధనాలను ఉపయోగిస్తాయి. ఈ విజయం కృత్రిమ మేధస్సు సాంకేతికతలో ఒక ముఖ్యమైన మైలురాయిని మాత్రమే కాకుండా, భౌతిక శాస్త్రం మరియు కృత్రిమ మేధస్సు యొక్క లోతైన ఏకీకరణను కూడా తెలియజేస్తుంది.

Ⅰ. భౌతిక శాస్త్రంలో రసాయన ఆవిరి నిక్షేపణ (CVD) సాంకేతికత యొక్క ప్రాముఖ్యత మరియు సవాళ్లు

భౌతిక శాస్త్రంలో రసాయన ఆవిరి నిక్షేపణ (CVD) సాంకేతికత యొక్క ప్రాముఖ్యత బహుముఖంగా ఉంది. ఇది ముఖ్యమైన మెటీరియల్ తయారీ సాంకేతికత మాత్రమే కాదు, భౌతిక పరిశోధన మరియు అప్లికేషన్ అభివృద్ధిని ప్రోత్సహించడంలో కీలక పాత్ర పోషిస్తుంది. CVD సాంకేతికత పరమాణు మరియు పరమాణు స్థాయిలలో పదార్థాల పెరుగుదలను ఖచ్చితంగా నియంత్రించగలదు. మూర్తి 1లో చూపినట్లుగా, ఘన నిక్షేపాలను ఉత్పత్తి చేయడానికి ఘన ఉపరితలంపై వాయు లేదా ఆవిరి పదార్థాలను రసాయనికంగా స్పందించడం ద్వారా ఈ సాంకేతికత వివిధ రకాల అధిక-పనితీరు గల సన్నని చలనచిత్రాలు మరియు నానోస్ట్రక్చర్డ్ పదార్థాలను ఉత్పత్తి చేస్తుంది. మెటీరియల్స్ యొక్క మైక్రోస్ట్రక్చర్ మరియు మాక్రోస్కోపిక్ లక్షణాల మధ్య సంబంధాన్ని అర్థం చేసుకోవడానికి మరియు అన్వేషించడానికి ఇది భౌతిక శాస్త్రంలో కీలకమైనది, ఎందుకంటే ఇది నిర్దిష్ట నిర్మాణాలు మరియు కూర్పులతో పదార్థాలను అధ్యయనం చేయడానికి శాస్త్రవేత్తలను అనుమతిస్తుంది, ఆపై వాటి భౌతిక లక్షణాలను లోతుగా అర్థం చేసుకుంటుంది.

రెండవది, సెమీకండక్టర్ పరికరాలలో వివిధ ఫంక్షనల్ సన్నని ఫిల్మ్‌లను సిద్ధం చేయడానికి CVD సాంకేతికత కీలక సాంకేతికత. ఉదాహరణకు, సిలికాన్ సింగిల్ క్రిస్టల్ ఎపిటాక్సియల్ లేయర్‌లు, గ్యాలియం ఆర్సెనైడ్ మరియు II-VI సెమీకండక్టర్ సింగిల్ క్రిస్టల్ ఎపిటాక్సీ వంటి III-V సెమీకండక్టర్లను పెంచడానికి మరియు వివిధ డోప్డ్ సెమీకండక్టర్ సింగిల్ క్రిస్టల్ ఎపిటాక్సియల్ ఫిల్మ్‌లు, పాలీక్రిస్టలైన్ సిలికాన్ ఫిల్మ్‌లు మొదలైన వాటిని డిపాజిట్ చేయడానికి CVDని ఉపయోగించవచ్చు. మరియు నిర్మాణాలు ఆధునిక ఎలక్ట్రానిక్ పరికరాలు మరియు ఆప్టోఎలక్ట్రానిక్ పరికరాలకు ఆధారం. అదనంగా, ఆప్టికల్ మెటీరియల్స్, సూపర్ కండక్టింగ్ మెటీరియల్స్ మరియు మాగ్నెటిక్ మెటీరియల్స్ వంటి ఫిజిక్స్ రీసెర్చ్ ఫీల్డ్‌లలో CVD టెక్నాలజీ కూడా ముఖ్యమైన పాత్ర పోషిస్తుంది. CVD సాంకేతికత ద్వారా, ఆప్టోఎలక్ట్రానిక్ పరికరాలు మరియు ఆప్టికల్ సెన్సార్‌లలో ఉపయోగం కోసం నిర్దిష్ట ఆప్టికల్ లక్షణాలతో సన్నని చలనచిత్రాలను సంశ్లేషణ చేయవచ్చు.

మూర్తి 1 CVD ప్రతిచర్య బదిలీ దశలు

అదే సమయంలో, CVD సాంకేతికత ఆచరణాత్మక అనువర్తనాల్లో కొన్ని సవాళ్లను ఎదుర్కొంటుంది, అవి:

✔ అధిక ఉష్ణోగ్రత మరియు అధిక పీడన పరిస్థితులు: CVD సాధారణంగా అధిక ఉష్ణోగ్రత లేదా అధిక పీడనం వద్ద నిర్వహించవలసి ఉంటుంది, ఇది ఉపయోగించగల పదార్థాల రకాలను పరిమితం చేస్తుంది మరియు శక్తి వినియోగం మరియు వ్యయాన్ని పెంచుతుంది.

✔ పారామీటర్ సున్నితత్వం: CVD ప్రక్రియ ప్రతిచర్య పరిస్థితులకు చాలా సున్నితంగా ఉంటుంది మరియు చిన్న మార్పులు కూడా తుది ఉత్పత్తి నాణ్యతను ప్రభావితం చేయవచ్చు.

✔ CVD వ్యవస్థ సంక్లిష్టమైనది: CVD ప్రక్రియ సరిహద్దు పరిస్థితులకు సున్నితంగా ఉంటుంది, పెద్ద అనిశ్చితులను కలిగి ఉంటుంది మరియు నియంత్రించడం మరియు పునరావృతం చేయడం కష్టం, ఇది మెటీరియల్ పరిశోధన మరియు అభివృద్ధిలో ఇబ్బందులకు దారితీయవచ్చు.

Ⅱ. రసాయన ఆవిరి నిక్షేపణ (CVD) టెక్నాలజీ మరియు మెషిన్ లెర్నింగ్

ఈ ఇబ్బందులను ఎదుర్కొన్నప్పుడు, మెషీన్ లెర్నింగ్, శక్తివంతమైన డేటా విశ్లేషణ సాధనంగా, CVD ఫీల్డ్‌లోని కొన్ని సమస్యలను పరిష్కరించగల సామర్థ్యాన్ని చూపింది. CVD టెక్నాలజీలో మెషిన్ లెర్నింగ్ అప్లికేషన్ యొక్క ఉదాహరణలు క్రిందివి:

(1) CVD వృద్ధిని అంచనా వేయడం

మెషిన్ లెర్నింగ్ అల్గారిథమ్‌లను ఉపయోగించి, మేము పెద్ద మొత్తంలో ప్రయోగాత్మక డేటా నుండి నేర్చుకోవచ్చు మరియు వివిధ పరిస్థితులలో CVD పెరుగుదల ఫలితాలను అంచనా వేయవచ్చు, తద్వారా ప్రయోగాత్మక పారామితుల సర్దుబాటుకు మార్గనిర్దేశం చేయవచ్చు. మూర్తి 2లో చూపినట్లుగా, సింగపూర్‌లోని నాన్యాంగ్ టెక్నలాజికల్ యూనివర్శిటీ పరిశోధనా బృందం ద్విమితీయ పదార్థాల CVD సంశ్లేషణకు మార్గనిర్దేశం చేసేందుకు మెషిన్ లెర్నింగ్‌లో వర్గీకరణ అల్గారిథమ్‌ను ఉపయోగించింది. ప్రారంభ ప్రయోగాత్మక డేటాను విశ్లేషించడం ద్వారా, వారు మాలిబ్డినం డైసల్ఫైడ్ (MoS2) యొక్క వృద్ధి పరిస్థితులను విజయవంతంగా అంచనా వేశారు, ప్రయోగాత్మక విజయ రేటును గణనీయంగా మెరుగుపరిచారు మరియు ప్రయోగాల సంఖ్యను తగ్గించారు.

మూర్తి 2 మెషిన్ లెర్నింగ్ మెటీరియల్ సింథసిస్‌కు మార్గనిర్దేశం చేస్తుంది

(ఎ) మెటీరియల్ రీసెర్చ్ అండ్ డెవలప్‌మెంట్‌లో అనివార్యమైన భాగం: మెటీరియల్ సింథసిస్.

(b) వర్గీకరణ నమూనా రెండు-డైమెన్షనల్ పదార్థాలను సంశ్లేషణ చేయడానికి రసాయన ఆవిరి నిక్షేపణకు సహాయపడుతుంది (పైభాగం); రిగ్రెషన్ మోడల్ సల్ఫర్-నైట్రోజన్ డోప్డ్ ఫ్లోరోసెంట్ క్వాంటం చుక్కల (దిగువ) హైడ్రోథర్మల్ సంశ్లేషణకు మార్గనిర్దేశం చేస్తుంది.

మరొక అధ్యయనంలో (మూర్తి 3), CVD వ్యవస్థలో గ్రాఫేన్ వృద్ధి నమూనాను విశ్లేషించడానికి యంత్ర అభ్యాసం ఉపయోగించబడింది. గ్రాఫేన్ యొక్క పరిమాణం, కవరేజ్, డొమైన్ సాంద్రత మరియు కారక నిష్పత్తి స్వయంచాలకంగా ప్రాంత ప్రతిపాదన కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ (R-CNN) అభివృద్ధి చేయడం ద్వారా కొలుస్తారు మరియు విశ్లేషించబడతాయి, ఆపై కృత్రిమ న్యూరల్ నెట్‌వర్క్‌లు (ANN) మరియు సపోర్ట్ వెక్టర్ మెషీన్‌లను ఉపయోగించి సర్రోగేట్ నమూనాలు అభివృద్ధి చేయబడ్డాయి ( SVM) CVD ప్రాసెస్ వేరియబుల్స్ మరియు కొలిచిన స్పెసిఫికేషన్‌ల మధ్య సహసంబంధాన్ని ఊహించడం. ఈ విధానం గ్రాఫేన్ సంశ్లేషణను అనుకరిస్తుంది మరియు పెద్ద ధాన్యం పరిమాణం మరియు తక్కువ డొమైన్ సాంద్రతతో కావలసిన పదనిర్మాణ శాస్త్రంతో గ్రాఫేన్‌ను సంశ్లేషణ చేయడానికి ప్రయోగాత్మక పరిస్థితులను నిర్ణయించగలదు, చాలా సమయం మరియు ఖర్చును ఆదా చేస్తుంది³

మూర్తి 3 మెషిన్ లెర్నింగ్ CVD సిస్టమ్‌లలో గ్రాఫేన్ పెరుగుదల నమూనాలను అంచనా వేస్తుంది

(2) ఆటోమేటెడ్ CVD ప్రక్రియ

మరింత ఖచ్చితమైన నియంత్రణ మరియు అధిక ఉత్పత్తి సామర్థ్యాన్ని సాధించడానికి నిజ సమయంలో CVD ప్రక్రియలో పారామితులను పర్యవేక్షించడానికి మరియు సర్దుబాటు చేయడానికి ఆటోమేటెడ్ సిస్టమ్‌లను అభివృద్ధి చేయడానికి మెషిన్ లెర్నింగ్ ఉపయోగపడుతుంది. మూర్తి 4లో చూపినట్లుగా, సివిడి డబుల్-లేయర్ టూ-డైమెన్షనల్ మెటీరియల్స్ యొక్క భ్రమణ కోణాన్ని గుర్తించడంలో ఇబ్బందిని అధిగమించడానికి జిడియాన్ విశ్వవిద్యాలయం నుండి పరిశోధనా బృందం లోతైన అభ్యాసాన్ని ఉపయోగించింది. వారు CVD ద్వారా తయారు చేయబడిన MoS2 యొక్క రంగు స్థలాన్ని సేకరించి, MoS2 యొక్క మందాన్ని ఖచ్చితంగా మరియు త్వరగా గుర్తించడానికి సెమాంటిక్ సెగ్మెంటేషన్ కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ (CNN)ని వర్తింపజేసి, ఆపై CVD-పెరిగిన భ్రమణ కోణం యొక్క ఖచ్చితమైన అంచనాను సాధించడానికి రెండవ CNN మోడల్‌కు శిక్షణ ఇచ్చారు. డబుల్ లేయర్ TMD పదార్థాలు. ఈ పద్ధతి నమూనా గుర్తింపు సామర్థ్యాన్ని మెరుగుపరచడమే కాకుండా, మెటీరియల్ సైన్స్ రంగంలో లోతైన అభ్యాసం యొక్క అనువర్తనానికి కొత్త నమూనాను కూడా అందిస్తుంది.⁴.

మూర్తి 4 డీప్ లెర్నింగ్ పద్ధతులు డబుల్-లేయర్ టూ-డైమెన్షనల్ మెటీరియల్స్ యొక్క మూలలను గుర్తిస్తాయి

సూచనలు:

(1) గువో, Q.-M.; క్విన్, Z.-H. అణు తయారీలో ఆవిరి నిక్షేపణ సాంకేతికత అభివృద్ధి మరియు అప్లికేషన్. ఆక్టా ఫిజికా సినికా 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) యి, కె.; లియు, డి.; చెన్, X.; యాంగ్, J.; వీ, డి.; లియు, వై.; Wei, D. అప్లికేషన్స్ కోసం టూ-డైమెన్షనల్ మెటీరియల్స్ యొక్క ప్లాస్మా-మెరుగైన రసాయన ఆవిరి నిక్షేపణ. రసాయన పరిశోధన ఖాతాలు 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) హ్వాంగ్, జి.; కిమ్, టి.; షిన్, J.; షిన్, ఎన్.; హ్వాంగ్, S. CVD గ్రాఫేన్ విశ్లేషణ కోసం మెషిన్ లెర్నింగ్స్: SEM ఇమేజ్‌ల కొలత నుండి అనుకరణ వరకు. జర్నల్ ఆఫ్ ఇండస్ట్రియల్ అండ్ ఇంజనీరింగ్ కెమిస్ట్రీ 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) హౌ, బి.; వు, J.; Qiu, D. Y. అన్‌పర్వైజ్డ్ లెర్నింగ్ ఆఫ్ ఇండివిజువల్ కోహ్న్-షామ్ స్టేట్స్: ఇంటర్‌ప్రెటబుల్ రిప్రజెంటేషన్స్ అండ్ కన్సీక్వెన్సెస్ ఫర్ డౌన్‌స్ట్రీమ్ ప్రిడిక్షన్స్ ఆఫ్ మెనీ-బాడీ ఎఫెక్ట్స్. 2024; p arXiv:2404.14601.