노벨상 뒤의 CVD 기술 혁신

최근 2024 년 노벨 물리학상 발표는 인공 지능 분야에 전례없는 관심을 가져 왔습니다. 미국 과학자 John J. Hopfield와 캐나다 과학자 인 Geoffrey E. Hinton의 연구는 기계 학습 도구를 사용하여 오늘날의 복잡한 물리학에 대한 새로운 통찰력을 제공합니다. 이 성과는 인공 지능 기술에서 중요한 이정표를 표시 할뿐만 아니라 물리와 인공 지능의 깊은 통합을 예고합니다.

ⅰ. 물리학의 화학 증기 증착 (CVD) 기술의 중요성과 도전

물리학에서 화학 증기 증착 (CVD) 기술의 중요성은 다면적이다. 중요한 재료 준비 기술 일뿐 만 아니라 물리 연구 및 응용의 개발을 촉진하는 데 중요한 역할을합니다. CVD 기술은 원자 및 분자 수준에서 물질의 성장을 정확하게 제어 할 수 있습니다. 도 1에 도시 된 바와 같이,이 기술은 고체 표면의 기체 또는 기상 물질을 화학적으로 반응하여 고체 퇴적물을 생성함으로써 다양한 고성능 박막 및 나노 구조화 된 물질을 생성한다. 이는 과학자들이 특정 구조와 구성으로 재료를 연구 한 다음 물리적 특성을 깊이 이해할 수 있기 때문에 물질의 미세 구조와 거시적 특성 사이의 관계를 이해하고 탐색하는 데 중요합니다.

둘째, CVD 기술은 반도체 장치에서 다양한 기능성 박막을 준비하는 핵심 기술입니다. 예를 들어, CVD는 실리콘 단결정 에피 택셜 층, 갈륨 아르 세 나이드 및 II-VI 반도체 단일 결정 에피 택시와 같은 III-V 반도체를 재배하는 데 사용될 수 있으며, 다양한 도핑 된 반도체 단결정 제외 필름, 폴리 크라이 슈타틴 실리콘 필름 등을 퇴적시킨다. 또한 CVD 기술은 또한 광학 재료, 초전도 재료 및 자기 재료와 같은 물리 연구 분야에서 중요한 역할을합니다. CVD 기술을 통해 특정 광학적 특성을 갖는 박막은 광전자 장치 및 광학 센서에 사용하기 위해 합성 될 수 있습니다.

그림 1 CVD 반응 전달 단계

동시에 CVD 기술은 다음과 같은 실제 응용 프로그램에 몇 가지 과제에 직면 해 있습니다.

✔ 고온 및 고압 조건: CVD는 일반적으로 고온 또는 고압에서 수행해야하므로 사용될 수있는 재료의 유형을 제한하고 에너지 소비 및 비용을 증가시킵니다.

✔ 매개 변수 감도: CVD 공정은 반응 조건에 매우 민감하며, 작은 변화조차도 최종 제품의 품질에 영향을 줄 수 있습니다.

✔ CVD 시스템은 복잡합니다: CVD 프로세스는 경계 조건에 민감하고 불확실성이 크며 제어 및 반복하기가 어렵 기 때문에 재료 연구 및 개발에 어려움이 생길 수 있습니다.

ⅱ. 화학 증기 증착 (CVD) 기술 및 기계 학습

이러한 어려움에 직면 한 기계 학습은 강력한 데이터 분석 도구로서 CVD 필드에서 일부 문제를 해결할 수있는 잠재력을 보여주었습니다. 다음은 CVD 기술에서 기계 학습을 적용하는 예입니다.

(1) CVD 성장 예측

머신 러닝 알고리즘을 사용하여 많은 양의 실험 데이터에서 배우고 다른 조건에서 CVD 성장 결과를 예측하여 실험 매개 변수의 조정을 안내합니다. 그림 2에서 볼 수 있듯이 싱가포르 Nanyang Technological University의 연구팀은 기계 학습의 분류 알고리즘을 사용하여 2 차원 재료의 CVD 합성을 안내했습니다. 초기 실험 데이터를 분석함으로써, 그들은 몰리브덴 이황화 (MOS2)의 성장 조건을 성공적으로 예측하여 실험 성공률을 크게 향상시키고 실험 수를 줄였습니다.

그림 2 머신 러닝은 재료 합성을 안내합니다

(a) 재료 연구 및 개발의 필수 부분 : 재료 합성.

(b) 분류 모델은 화학 증기 증착을 2 차원 재료 (상단)를 합성하는 데 도움이된다. 회귀 모델은 황 질소 도핑 형광 양자점 (하단)의 열수 합성을 안내합니다.

다른 연구 (도 3)에서 기계 학습을 사용하여 CVD 시스템에서 그래 핀의 성장 패턴을 분석했습니다. 그래 핀의 크기, 적용 범위, 도메인 밀도 및 종횡비는 지역 제안 컨볼 루션 신경망 (R-CNN)을 개발하여 자동으로 측정하고 분석 한 다음, 인공 신경망 (ANN)과지지 벡터 기계 (SVM)를 사용하여 대리 모델을 개발하여 CVD 프로세스 변수와 측정 된 구체화 간의 상관 관계를 추론했습니다. 이 접근법은 그래 핀 합성을 시뮬레이션하고 큰 입자 크기와 낮은 도메인 밀도를 갖는 원하는 형태로 그래 핀을 합성하기위한 실험 조건을 결정하여 많은 시간과 비용 ²을 절약 할 수 있습니다.

그림 3 머신 러닝은 CVD 시스템의 그래 핀 성장 패턴을 예측합니다.

(2) 자동 CVD 프로세스

머신 러닝을 사용하여 CVD 프로세스의 매개 변수를 실시간으로 모니터링하고 조정하여보다 정확한 제어 및 더 높은 생산 효율성을 달성하기 위해 자동화 된 시스템을 개발하는 데 사용될 수 있습니다. 그림 4에서 볼 수 있듯이 Xidian University의 연구팀은 딥 러닝을 사용하여 CVD 이중층 2 차원 재료의 회전 각도를 식별하는 데 어려움을 극복했습니다. 이들은 CVD에 의해 제조 된 MOS2의 색 공간을 수집하고 Semantic Segmentation Convolutional Neural Network (CNN)를 적용하여 MOS2의 두께를 정확하고 신속하게 식별 한 다음 두 번째 CNN 모델을 교육하여 CVD-Grown 이중층 TMD 재료의 회전 각도를 정확하게 예측했습니다. 이 방법은 샘플 식별의 효율성을 향상시킬뿐만 아니라 재료 과학 분야에서 딥 러닝의 적용을위한 새로운 패러다임을 제공합니다.⁴.

그림 4 딥 러닝 방법 이중층 2 차원 재료의 모서리를 식별

참조:

(1) Guo, Q.-M.; 진, Z.-H. 원자 제조에서 증기 증착 기술의 개발 및 적용. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. 둘 : 10.7498/aps.70.20201436.

(2) Yi, K.; Liu, D.; 첸, X.; 양, J.; Wei, D.; Liu, Y.; Wei, D. 적용을위한 2 차원 재료의 혈장 강화 화학 증기 증착. 화학 연구의 설명 2021, 54 (4), 1011-1022. doi : 10.1021/acs.accounts.0c00757.

(3) 황, G.; Kim, T.; 신, J.; 신, n.; Hwang, S. CVD 그래 핀 분석을위한 Machine 학습 : 측정에서 SEM 이미지 시뮬레이션까지. 산업 및 공학 화학 저널 2021, 101, 430-444. doi : https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B.; Wu, J.; Qiu, D. Y. 개별 Kohn-Sham 상태에 대한 감독되지 않은 학습 : 많은 바디 효과의 다운 스트림 예측에 대한 해석 가능한 표현 및 결과. 2024; P arxiv : 2404.14601.