Спој АИ и физике: ЦВД технолошке иновације иза Нобелове награде

Недавно проглашење Нобелове награде за физику за 2024. привукло је пажњу без преседана на област вештачке интелигенције. Истраживање које су спровели амерички научник Јохн Ј. Хопфиелд и канадски научник Геоффреи Е. Хинтон користило је алате за машинско учење како би пружило нове увиде у сложени свет физике данас. Ово достигнуће не само да означава важну прекретницу у технологији вештачке интелигенције, већ и најављује дубоку интеграцију између физике и вештачке интелигенције.

Који је значај хемијског таложења паре (ЦВД) у физици и са којим изазовима се суочава?

Технологија хемијског таложења паре (ЦВД).има вишеструки значај у физици, служећи као кључна техника припреме материјала док игра суштинску улогу у унапређењу истраживања и примене у физичким наукама. ЦВД омогућава прецизну контролу над растом материјала на атомском и молекуларном нивоу. Као што је илустровано на слици 1, ова техника укључује супстанце у гасовитој или парној фази које пролазе хемијске реакције на чврстим површинама да би се формирале чврсте наслаге, чиме се производе различити филмови високих перформанси и наноструктурирани материјали. Ова способност је од виталног значаја у физици за разумевање и истраживање односа између микроструктура материјала и њихових макроскопских својстава, јер омогућава научницима да проучавају материјале са специфичним структурама и композицијама, чиме стичу дубински увид у њихова физичка својства.

Штавише,ЦВД технологијаје кључна метода за производњу различитих функционалних филмова у полупроводничким уређајима. На пример, може се користити за растсилицијумски монокристални епитаксијални слојеви, ИИИ-В полупроводници као што су галијум арсенид, и ИИ-ВИ полупроводнички монокристални епи-слојеви, као и депоновани различити допирани полупроводнички монокристални епитаксијални филмови и полисилицијумски филмови. Ови материјали и структуре чине основу савремених електронских и оптоелектронских уређаја. Поред тога, ЦВД технологија игра значајну улогу у истраживачким пољима као што су оптички материјали, суперпроводни материјали и магнетни материјали. Коришћењем ЦВД-а, танки филмови са специфичним оптичким својствима могу се синтетизовати за примену у оптоелектронским уређајима и оптичким сензорима.

Упркос својим предностима, ЦВД технологија се суочава са неколико изазова у практичним применама, као што су:

Услови високе температуре и високог притиска: ЦВД често захтева високе температуре или притиске, ограничавајући врсте материјала који се могу користити и повећавајући потрошњу енергије и трошкове.

Осетљивост на параметре: ЦВД процес је изузетно осетљив на услове реакције, са чак и малим варијацијама које потенцијално утичу на квалитет финалног производа.

Сложеност ЦВД система: Процес је осетљив на граничне услове, показује значајну несигурност и може бити тешко контролисати поновљиво, што потенцијално компликује развој материјала.

Хов ДоесТехнологија хемијског таложења паре (ЦВД).Да ли имате користи од машинског учења?

Суочено са овим изазовима, машинско учење, као моћан алат за анализу података, показало је потенцијал у решавању неких од ових проблема у области КВБ. Ево случајева апликација машинског учења у ЦВД технологији:

(1) Предвиђање раста КВБ: Алгоритми машинског учења могу да уче из обимних експерименталних података да предвиде исходе раста КВБ у различитим условима, усмеравајући на тај начин прилагођавање експерименталних параметара. Као што је приказано на слици 1, истраживачки тим са технолошког универзитета Нанианг у Сингапуру користио је класификационе алгоритме у машинском учењу да би водио ЦВД синтезу дводимензионалних материјала. Анализом раних експерименталних података, они су успешно предвидели услове раста молибден дисулфида (МоС2), значајно побољшавајући стопу успеха експеримената и смањујући број испитивања.

Слика 1: Синтеза материјала вођена машинским учењем. (а) Неопходан део развоја материјала: синтеза материјала. (б) Класификациони модели олакшавају синтезу дводимензионалних материјала хемијским таложењем из паре (ЦВД) (горе); регресиони модели воде хидротермалну синтезу флуоресцентних квантних тачака допираних сумпором и азотом (доле).

У другој студији, као што је приказано на слици 2, машинско учење је коришћено за анализу образаца раста графена у ЦВД системима. Развојем конволуционих неуронских мрежа (Р-ЦНН), истраживачи су били у могућности да аутоматски измере и анализирају величину, покривеност, густину домена и однос ширине и висине графена. Након тога, вештачке неуронске мреже (АНН) и машине за векторе подршке (СВМ) су коришћене за развој сурогат модела да би се закључила корелација измеђуЦВД процеспроменљиве и измерене спецификације. Овај метод омогућава симулацију синтезе графена и одређује експерименталне услове неопходне за производњу графена са великим величинама зрна и малом густином домена, чиме се значајно штеди време и трошкови.

Слика 2: Предвиђање образаца раста графена помоћу машинског учења у ЦВД системима

(2) Аутоматизовани ЦВД процес: Машинско учење се може користити за развој аутоматизованих система који прате и прилагођавају параметре у реалном времену током ЦВД процеса, постижући прецизнију контролу и већу ефикасност производње. Као што је приказано на слици 3, истраживачки тим са Универзитета Ксидијан користио је дубоко учење да би превазишао изазов препознавања угла ротације двослојних дводимензионалних материјала припремљених од стране ЦВД-а. Сакупљањем простора боја МоС2 припремљеног за ЦВД и применом конволуционих неуронских мрежа семантичке сегментације (ЦНН), били су у могућности да прецизно и брзо идентификују дебљину МоС2. Затим су обучили други ЦНН модел да прецизно предвиде угао ротације двослојних ТМД материјала узгојених ЦВД-ом. Овај метод не само да је побољшао ефикасност идентификације узорака већ је такође обезбедио нову парадигму за примену дубоког учења у области науке о материјалима.

Слика 3: Приступ дубоког учења за идентификацију угла ротације двослојних дводимензионалних материјала

Оутлоок

Проглашење Нобелове награде још једном подсећа да ће интеграција вештачке интелигенције и физике донети више иновација и открића. Како технологија машинског учења наставља да напредује, имамо разлога да верујемо у тотехнологија хемијског таложења паромнаићи ће на нове развојне могућности у будућности. Све ово најављује зору нове ере, где ће конвергенција технологије и науке отворити шире путеве за истраживање.

Семицорек нудиСиЦ/ТаЦ премаз графитикерамичких материјала кроз процес хемијског таложења из паре (ЦВД).. Ако имате било каквих питања или су вам потребни додатни детаљи, не устручавајте се да нас контактирате.

Контакт телефон # +86-13567891907

Емаил: салес@семицорек.цом