Inovasi Teknologi CVD Dibalik Hadiah Nobel

Baru-baru ini, pengumuman Hadiah Nobel Fisika tahun 2024 telah membawa perhatian yang belum pernah terjadi sebelumnya pada bidang kecerdasan buatan. Penelitian ilmuwan Amerika John J. Hopfield dan ilmuwan Kanada Geoffrey E. Hinton menggunakan alat pembelajaran mesin untuk memberikan wawasan baru tentang fisika kompleks saat ini. Pencapaian ini tidak hanya menandai tonggak penting dalam teknologi kecerdasan buatan, namun juga menandai integrasi mendalam antara fisika dan kecerdasan buatan.

Ⅰ. Signifikansi dan Tantangan Teknologi Deposisi Uap Kimia (CVD) dalam Fisika

Pentingnya teknologi deposisi uap kimia (CVD) dalam fisika memiliki banyak segi. Ini tidak hanya merupakan teknologi persiapan material yang penting, tetapi juga memainkan peran penting dalam mendorong pengembangan penelitian dan penerapan fisika. Teknologi CVD secara tepat dapat mengontrol pertumbuhan material pada tingkat atom dan molekul. Seperti yang ditunjukkan pada Gambar 1, teknologi ini menghasilkan berbagai film tipis berkinerja tinggi dan bahan berstruktur nano dengan mereaksikan zat gas atau uap secara kimia pada permukaan padat untuk menghasilkan endapan padat1. Hal ini penting dalam fisika untuk memahami dan mengeksplorasi hubungan antara struktur mikro dan sifat makroskopis suatu material, karena memungkinkan para ilmuwan mempelajari material dengan struktur dan komposisi tertentu, dan kemudian memahami secara mendalam sifat fisiknya.

Kedua, teknologi CVD merupakan teknologi kunci untuk menyiapkan berbagai film tipis fungsional dalam perangkat semikonduktor. Misalnya, CVD dapat digunakan untuk menumbuhkan lapisan epitaksi kristal tunggal silikon, semikonduktor III-V seperti galium arsenida dan epitaksi kristal tunggal semikonduktor II-VI, dan menyimpan berbagai film epitaksi kristal tunggal semikonduktor yang didoping, film silikon polikristalin, dll. dan strukturnya adalah dasar dari perangkat elektronik modern dan perangkat optoelektronik. Selain itu, teknologi CVD juga berperan penting dalam bidang penelitian fisika seperti material optik, material superkonduktor, dan material magnetik. Melalui teknologi CVD, film tipis dengan sifat optik tertentu dapat disintesis untuk digunakan pada perangkat optoelektronik dan sensor optik.

Gambar 1 Langkah-langkah transfer reaksi CVD

Pada saat yang sama, teknologi CVD menghadapi beberapa tantangan dalam penerapan praktis², seperti:

✔ Kondisi suhu dan tekanan tinggi: CVD biasanya perlu dilakukan pada suhu atau tekanan tinggi, yang membatasi jenis bahan yang dapat digunakan serta meningkatkan konsumsi energi dan biaya.

✔ Sensitivitas parameter: Proses CVD sangat sensitif terhadap kondisi reaksi, dan bahkan perubahan kecil pun dapat mempengaruhi kualitas produk akhir.

✔ Sistem CVD itu rumit: Proses CVD sensitif terhadap kondisi batas, memiliki ketidakpastian yang besar, dan sulit dikendalikan dan diulangi, yang dapat menyebabkan kesulitan dalam penelitian dan pengembangan material.

Ⅱ. Teknologi Deposisi Uap Kimia (CVD) dan Pembelajaran Mesin

Menghadapi kesulitan-kesulitan ini, pembelajaran mesin, sebagai alat analisis data yang kuat, telah menunjukkan potensi untuk memecahkan beberapa masalah di bidang CVD. Berikut contoh penerapan machine learning pada teknologi CVD:

(1) Memprediksi pertumbuhan CVD

Dengan menggunakan algoritme pembelajaran mesin, kita dapat belajar dari sejumlah besar data eksperimen dan memprediksi hasil pertumbuhan CVD dalam kondisi berbeda, sehingga memandu penyesuaian parameter eksperimen. Seperti yang ditunjukkan pada Gambar 2, tim peneliti dari Nanyang Technological University di Singapura menggunakan algoritma klasifikasi dalam pembelajaran mesin untuk memandu sintesis CVD material dua dimensi. Dengan menganalisis data eksperimen awal, mereka berhasil memprediksi kondisi pertumbuhan molibdenum disulfida (MoS2), sehingga secara signifikan meningkatkan tingkat keberhasilan eksperimen dan mengurangi jumlah eksperimen.

Gambar 2 Pembelajaran mesin memandu sintesis materi

(a) Bagian tak terpisahkan dari penelitian dan pengembangan material: sintesis material.

(b) Model klasifikasi membantu pengendapan uap kimia untuk mensintesis bahan dua dimensi (atas); model regresi memandu sintesis hidrotermal titik kuantum fluoresen yang didoping sulfur-nitrogen (bawah).

Dalam penelitian lain (Gambar 3), pembelajaran mesin digunakan untuk menganalisis pola pertumbuhan graphene dalam sistem CVD. Ukuran, cakupan, kepadatan domain, dan rasio aspek graphene secara otomatis diukur dan dianalisis dengan mengembangkan jaringan saraf konvolusional proposal wilayah (R-CNN), dan kemudian model pengganti dikembangkan menggunakan jaringan saraf tiruan (ANN) dan mesin vektor pendukung ( SVM) untuk menyimpulkan korelasi antara variabel proses CVD dan spesifikasi yang diukur. Pendekatan ini dapat mensimulasikan sintesis graphene dan menentukan kondisi percobaan untuk mensintesis graphene dengan morfologi yang diinginkan dengan ukuran butir besar dan kepadatan domain rendah, menghemat banyak waktu dan biaya² ³

Gambar 3 Pembelajaran mesin memprediksi pola pertumbuhan graphene dalam sistem CVD

(2) Proses CVD otomatis

Pembelajaran mesin dapat digunakan untuk mengembangkan sistem otomatis untuk memantau dan menyesuaikan parameter dalam proses CVD secara real time untuk mencapai kontrol yang lebih tepat dan efisiensi produksi yang lebih tinggi. Seperti yang ditunjukkan pada Gambar 4, tim peneliti dari Universitas Xidian menggunakan pembelajaran mendalam untuk mengatasi kesulitan mengidentifikasi sudut rotasi material dua dimensi lapis ganda CVD. Mereka mengumpulkan ruang warna MoS2 yang disiapkan oleh CVD dan menerapkan jaringan saraf konvolusional segmentasi semantik (CNN) untuk mengidentifikasi ketebalan MoS2 secara akurat dan cepat, dan kemudian melatih model CNN kedua untuk mencapai prediksi akurat dari sudut rotasi yang dikembangkan oleh CVD. bahan TMD lapis ganda. Metode ini tidak hanya meningkatkan efisiensi identifikasi sampel, tetapi juga memberikan paradigma baru penerapan deep learning di bidang ilmu material.⁴.

Gambar 4 Metode pembelajaran mendalam mengidentifikasi sudut-sudut materi dua dimensi lapisan ganda

Referensi:

(1) Guo, Q.-M.; Qin, Z.-H. Pengembangan dan penerapan teknologi pengendapan uap dalam pembuatan atom. 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. Deposisi Uap Kimia yang Ditingkatkan Plasma dari Bahan Dua Dimensi untuk Aplikasi. Catatan Penelitian Kimia 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Pembelajaran mesin untuk analisis graphene CVD: Dari pengukuran hingga simulasi gambar SEM. Jurnal Kimia Industri dan Teknik 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. Pembelajaran Tanpa Pengawasan di Negara Bagian Kohn-Sham: Representasi dan Konsekuensi yang Dapat Ditafsirkan untuk Prediksi Hilir dari Efek Banyak Tubuh. 2024; hal arXiv:2404.14601.