நோபல் பரிசுக்கு பின்னால் சிவிடி தொழில்நுட்ப கண்டுபிடிப்பு

சமீபத்தில், 2024 இயற்பியலுக்கான நோபல் பரிசு அறிவிப்பு செயற்கை நுண்ணறிவு துறையில் முன்னோடியில்லாத கவனத்தை ஈர்த்துள்ளது. அமெரிக்க விஞ்ஞானி ஜான் ஜே. ஹாப்ஃபீல்ட் மற்றும் கனேடிய விஞ்ஞானி ஜெஃப்ரி இ. ஹிண்டன் ஆகியோரின் ஆராய்ச்சி இன்றைய சிக்கலான இயற்பியலில் புதிய நுண்ணறிவுகளை வழங்க இயந்திர கற்றல் கருவிகளைப் பயன்படுத்துகிறது. இந்த சாதனை செயற்கை நுண்ணறிவு தொழில்நுட்பத்தில் ஒரு முக்கிய மைல்கல்லை குறிப்பது மட்டுமல்லாமல், இயற்பியல் மற்றும் செயற்கை நுண்ணறிவின் ஆழமான ஒருங்கிணைப்பையும் குறிக்கிறது.

Ⅰ இயற்பியலில் இரசாயன நீராவி படிவு (CVD) தொழில்நுட்பத்தின் முக்கியத்துவம் மற்றும் சவால்கள்

இயற்பியலில் இரசாயன நீராவி படிவு (CVD) தொழில்நுட்பத்தின் முக்கியத்துவம் பன்முகத்தன்மை கொண்டது. இது ஒரு முக்கியமான பொருள் தயாரிப்பு தொழில்நுட்பம் மட்டுமல்ல, இயற்பியல் ஆராய்ச்சி மற்றும் பயன்பாட்டின் வளர்ச்சியை மேம்படுத்துவதில் முக்கிய பங்கு வகிக்கிறது. CVD தொழில்நுட்பம் அணு மற்றும் மூலக்கூறு மட்டங்களில் பொருட்களின் வளர்ச்சியை துல்லியமாக கட்டுப்படுத்த முடியும். படம் 1 இல் காட்டப்பட்டுள்ளபடி, இந்த தொழில்நுட்பமானது திடமான மேற்பரப்பில் வாயு அல்லது ஆவியான பொருட்களை வேதியியல் ரீதியாக வினைபுரிந்து திட வைப்புகளை உருவாக்குவதன் மூலம் பல்வேறு உயர் செயல்திறன் கொண்ட மெல்லிய படங்கள் மற்றும் நானோ கட்டமைக்கப்பட்ட பொருட்களை உருவாக்குகிறது1. பொருட்களின் நுண் கட்டமைப்பு மற்றும் மேக்ரோஸ்கோபிக் பண்புகளுக்கு இடையிலான உறவைப் புரிந்துகொள்வதற்கும் ஆராய்வதற்கும் இது இயற்பியலில் முக்கியமானது, ஏனெனில் இது விஞ்ஞானிகளை குறிப்பிட்ட கட்டமைப்புகள் மற்றும் கலவைகளைக் கொண்ட பொருட்களைப் படிக்க அனுமதிக்கிறது, பின்னர் அவற்றின் இயற்பியல் பண்புகளை ஆழமாகப் புரிந்துகொள்ள அனுமதிக்கிறது.

இரண்டாவதாக, CVD தொழில்நுட்பம் குறைக்கடத்தி சாதனங்களில் பல்வேறு செயல்பாட்டு மெல்லிய படங்களை தயாரிப்பதற்கான ஒரு முக்கிய தொழில்நுட்பமாகும். எடுத்துக்காட்டாக, சிலிக்கான் சிங்கிள் கிரிஸ்டல் எபிடாக்சியல் லேயர்கள், III-V செமிகண்டக்டர்களான காலியம் ஆர்சனைடு மற்றும் II-VI செமிகண்டக்டர் சிங்கிள் கிரிஸ்டல் எபிடாக்ஸி, மற்றும் பல்வேறு டோப் செமிகண்டக்டர் சிங்கிள் கிரிஸ்டல் எபிடாக்சியல் பிலிம்கள், பாலிகிரிஸ்டலின் சிலிக்கான் பிலிம்கள் போன்றவற்றை டெபாசிட் செய்ய CVD பயன்படுத்தப்படலாம். மற்றும் கட்டமைப்புகள் நவீன மின்னணு சாதனங்கள் மற்றும் ஆப்டோ எலக்ட்ரானிக் சாதனங்களின் அடிப்படையாகும். கூடுதலாக, ஆப்டிகல் பொருட்கள், சூப்பர் கண்டக்டிங் பொருட்கள் மற்றும் காந்தப் பொருட்கள் போன்ற இயற்பியல் ஆராய்ச்சி துறைகளிலும் CVD தொழில்நுட்பம் முக்கிய பங்கு வகிக்கிறது. CVD தொழில்நுட்பத்தின் மூலம், குறிப்பிட்ட ஒளியியல் பண்புகளைக் கொண்ட மெல்லிய பிலிம்களை ஆப்டோ எலக்ட்ரானிக் சாதனங்கள் மற்றும் ஆப்டிகல் சென்சார்களில் பயன்படுத்த ஒருங்கிணைக்க முடியும்.

படம் 1 CVD எதிர்வினை பரிமாற்ற படிகள்

அதே நேரத்தில், CVD தொழில்நுட்பம் நடைமுறை பயன்பாடுகளில் சில சவால்களை எதிர்கொள்கிறது.

✔ உயர் வெப்பநிலை மற்றும் உயர் அழுத்த நிலைமைகள்: CVD பொதுவாக அதிக வெப்பநிலை அல்லது உயர் அழுத்தத்தில் மேற்கொள்ளப்பட வேண்டும், இது பயன்படுத்தக்கூடிய பொருட்களின் வகைகளை கட்டுப்படுத்துகிறது மற்றும் ஆற்றல் நுகர்வு மற்றும் செலவை அதிகரிக்கிறது.

✔ அளவுரு உணர்திறன்: CVD செயல்முறை எதிர்வினை நிலைமைகளுக்கு மிகவும் உணர்திறன் கொண்டது, மேலும் சிறிய மாற்றங்கள் கூட இறுதி தயாரிப்பின் தரத்தை பாதிக்கலாம்.

✔ சிவிடி அமைப்பு சிக்கலானது: CVD செயல்முறை எல்லை நிலைமைகளுக்கு உணர்திறன் கொண்டது, பெரிய நிச்சயமற்ற தன்மைகளைக் கொண்டுள்ளது, மேலும் கட்டுப்படுத்துவது மற்றும் மீண்டும் செய்வது கடினம், இது பொருள் ஆராய்ச்சி மற்றும் மேம்பாட்டில் சிக்கல்களுக்கு வழிவகுக்கும்.

Ⅱ. இரசாயன நீராவி படிவு (CVD) தொழில்நுட்பம் மற்றும் இயந்திர கற்றல்

இந்த சிரமங்களை எதிர்கொள்ளும், இயந்திர கற்றல், ஒரு சக்திவாய்ந்த தரவு பகுப்பாய்வு கருவியாக, CVD துறையில் சில சிக்கல்களைத் தீர்க்கும் திறனைக் காட்டியுள்ளது. CVD தொழில்நுட்பத்தில் இயந்திர கற்றலின் பயன்பாட்டின் எடுத்துக்காட்டுகள் பின்வருமாறு:

(1) CVD வளர்ச்சியை முன்னறிவித்தல்

இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்தி, அதிக அளவிலான சோதனைத் தரவுகளிலிருந்து நாம் கற்றுக் கொள்ளலாம் மற்றும் வெவ்வேறு நிலைமைகளின் கீழ் CVD வளர்ச்சியின் முடிவுகளைக் கணிக்க முடியும், இதன் மூலம் சோதனை அளவுருக்களின் சரிசெய்தலுக்கு வழிகாட்டலாம். படம் 2 இல் காட்டப்பட்டுள்ளபடி, சிங்கப்பூரில் உள்ள நன்யாங் தொழில்நுட்பப் பல்கலைக்கழகத்தின் ஆராய்ச்சிக் குழு, இரு பரிமாணப் பொருட்களின் CVD தொகுப்புக்கு வழிகாட்ட இயந்திரக் கற்றலில் வகைப்படுத்தல் வழிமுறையைப் பயன்படுத்தியது. ஆரம்பகால சோதனைத் தரவை பகுப்பாய்வு செய்வதன் மூலம், அவர்கள் மாலிப்டினம் டைசல்பைட்டின் (MoS2) வளர்ச்சி நிலைமைகளை வெற்றிகரமாக கணித்துள்ளனர், இது சோதனை வெற்றி விகிதத்தை கணிசமாக மேம்படுத்துகிறது மற்றும் சோதனைகளின் எண்ணிக்கையைக் குறைக்கிறது.

படம் 2 இயந்திர கற்றல் பொருள் தொகுப்புக்கு வழிகாட்டுகிறது

(அ) ​​பொருள் ஆராய்ச்சி மற்றும் மேம்பாட்டின் ஒரு தவிர்க்க முடியாத பகுதி: பொருள் தொகுப்பு.

(b) வகைப்பாடு மாதிரி இரசாயன நீராவி படிவு இரு பரிமாண பொருட்களை (மேல்) ஒருங்கிணைக்க உதவுகிறது; பின்னடைவு மாதிரியானது சல்பர்-நைட்ரஜன் டோப் செய்யப்பட்ட ஃப்ளோரசன்ட் குவாண்டம் புள்ளிகளின் (கீழே) நீர் வெப்ப தொகுப்புக்கு வழிகாட்டுகிறது.

மற்றொரு ஆய்வில் (படம் 3), சிவிடி அமைப்பில் கிராபெனின் வளர்ச்சி முறையை ஆய்வு செய்ய இயந்திர கற்றல் பயன்படுத்தப்பட்டது. கிராபெனின் அளவு, கவரேஜ், டொமைன் அடர்த்தி மற்றும் விகித விகிதம் ஆகியவை பிராந்திய முன்மொழிவு கன்வல்யூஷனல் நியூரல் நெட்வொர்க் (R-CNN) உருவாக்குவதன் மூலம் தானாகவே அளவிடப்பட்டு பகுப்பாய்வு செய்யப்பட்டன, பின்னர் செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ANN) மற்றும் ஆதரவு திசையன் இயந்திரங்களைப் பயன்படுத்தி மாற்று மாதிரிகள் உருவாக்கப்பட்டன. SVM) CVD செயல்முறை மாறிகள் மற்றும் அளவிடப்பட்ட விவரக்குறிப்புகளுக்கு இடையே உள்ள தொடர்பை ஊகிக்க. இந்த அணுகுமுறை கிராபெனின் தொகுப்பை உருவகப்படுத்துகிறது மற்றும் பெரிய தானிய அளவு மற்றும் குறைந்த டொமைன் அடர்த்தியுடன் கிராபெனை ஒருங்கிணைப்பதற்கான சோதனை நிலைமைகளை தீர்மானிக்க முடியும், இது நிறைய நேரத்தையும் செலவையும் மிச்சப்படுத்துகிறது³

படம் 3 இயந்திர கற்றல் CVD அமைப்புகளில் கிராபெனின் வளர்ச்சி முறைகளை முன்னறிவிக்கிறது

(2) தானியங்கு CVD செயல்முறை

CVD செயல்பாட்டில் உள்ள அளவுருக்களை நிகழ்நேரத்தில் கண்காணித்து சரிசெய்ய தானியங்கி அமைப்புகளை உருவாக்க இயந்திர கற்றல் பயன்படுத்தப்படலாம். படம் 4 இல் காட்டப்பட்டுள்ளபடி, சி.வி.டி இரட்டை அடுக்கு இரு பரிமாணப் பொருட்களின் சுழற்சிக் கோணத்தை அடையாளம் காண்பதில் உள்ள சிரமத்தை சமாளிக்க, ஜிடியன் பல்கலைக்கழகத்தைச் சேர்ந்த ஒரு ஆராய்ச்சிக் குழு ஆழ்ந்த கற்றலைப் பயன்படுத்தியது. அவர்கள் CVD ஆல் தயாரிக்கப்பட்ட MoS2 இன் வண்ண இடத்தைச் சேகரித்து, MoS2 இன் தடிமனைத் துல்லியமாகவும் விரைவாகவும் அடையாளம் காண ஒரு சொற்பொருள் பிரிவு கன்வல்யூஷனல் நியூரல் நெட்வொர்க் (CNN) ஐப் பயன்படுத்தினர், பின்னர் CVD- வளர்ந்த சுழற்சியின் கோணத்தின் துல்லியமான கணிப்பை அடைய இரண்டாவது CNN மாதிரியைப் பயிற்றுவித்தனர். இரட்டை அடுக்கு டிஎம்டி பொருட்கள். இந்த முறை மாதிரி அடையாளத்தின் செயல்திறனை மேம்படுத்துவது மட்டுமல்லாமல், பொருள் அறிவியல் துறையில் ஆழ்ந்த கற்றலைப் பயன்படுத்துவதற்கான ஒரு புதிய முன்னுதாரணத்தையும் வழங்குகிறது.⁴.

படம் 4 ஆழமான கற்றல் முறைகள் இரட்டை அடுக்கு இரு பரிமாண பொருட்களின் மூலைகளை அடையாளம் காண்கின்றன

குறிப்புகள்:

(1) குவோ, கே.-எம்.; கின், Z.-H. அணு உற்பத்தியில் நீராவி படிவு தொழில்நுட்பத்தின் வளர்ச்சி மற்றும் பயன்பாடு. ஆக்டா பிசிகா சினிகா 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) யி, கே.; லியு, டி.; சென், எக்ஸ்.; யாங், ஜே.; வெய், டி.; லியு, ஒய்.; வெய், டி. பிளாஸ்மா-மேம்படுத்தப்பட்ட இரசாயன நீராவி பயன்பாடுகளுக்கான இரு பரிமாணப் பொருட்களின் படிவு. வேதியியல் ஆராய்ச்சி கணக்குகள் 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) ஹ்வாங், ஜி.; கிம், டி.; ஷின், ஜே.; ஷின், என்.; Hwang, S. CVD கிராபெனின் பகுப்பாய்விற்கான இயந்திர கற்றல்: SEM படங்களின் அளவீடு முதல் உருவகப்படுத்துதல் வரை. ஜர்னல் ஆஃப் இன்டஸ்ட்ரியல் அண்ட் இன்ஜினியரிங் கெமிஸ்ட்ரி 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) ஹௌ, பி.; வூ, ஜே.; Qiu, D. Y. தனிப்பட்ட கோன்-ஷாம் மாநிலங்களின் மேற்பார்வை செய்யப்படாத கற்றல்: பல உடல் விளைவுகளின் கீழ்நிலை கணிப்புகளுக்கான விளக்கமான பிரதிநிதித்துவங்கள் மற்றும் விளைவுகள். 2024; p arXiv:2404.14601.