వార్తలు
ఉత్పత్తులు

నోబెల్ బహుమతి వెనుక సివిడి టెక్నాలజీ ఆవిష్కరణ

ఇటీవల, భౌతిక శాస్త్రంలో 2024 నోబెల్ బహుమతి ప్రకటన కృత్రిమ మేధస్సు రంగంపై అపూర్వమైన దృష్టిని తెచ్చిపెట్టింది. అమెరికన్ శాస్త్రవేత్త జాన్ జె. హాప్ఫీల్డ్ మరియు కెనడియన్ శాస్త్రవేత్త జాఫ్రీ ఇ. హింటన్ నేటి సంక్లిష్ట భౌతిక శాస్త్రంపై కొత్త అంతర్దృష్టులను అందించడానికి యంత్ర అభ్యాస సాధనాలను ఉపయోగిస్తుంది. ఈ సాధన కృత్రిమ మేధస్సు సాంకేతిక పరిజ్ఞానంలో ఒక ముఖ్యమైన మైలురాయిని గుర్తించడమే కాక, భౌతిక శాస్త్రం మరియు కృత్రిమ మేధస్సు యొక్క లోతైన ఏకీకరణను కూడా తెలియజేస్తుంది.


. భౌతిక శాస్త్రంలో రసాయన ఆవిరి నిక్షేపణ (సివిడి) సాంకేతిక పరిజ్ఞానం యొక్క ప్రాముఖ్యత మరియు సవాళ్లు


Simplified scheme of a CVD reactor for CNTs synthesys


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


రెండవది, సెమీకండక్టర్ పరికరాల్లో వివిధ ఫంక్షనల్ సన్నని చిత్రాలను సిద్ధం చేయడానికి సివిడి టెక్నాలజీ ఒక ముఖ్య సాంకేతికత. ఉదాహరణకు, సివిడి సిలికాన్ సింగిల్ క్రిస్టల్ ఎపిటాక్సియల్ పొరలు, III-V సెమీకండక్టర్లు, గల్లియం ఆర్సెనైడ్ మరియు II-VI సెమీకండక్టర్ సింగిల్ క్రిస్టల్ ఎపిటాక్సీ, మరియు వివిధ డోప్డ్ సెమీకండక్టర్ సింగిల్ క్రిస్టల్ ఎపిటాక్సియల్ ఫిల్మ్స్, ఈ ఆధునిక పదార్థాలు మరియు నిర్మాణాల యొక్క జపాలను జమ చేయడం. అదనంగా, ఆప్టికల్ మెటీరియల్స్, సూపర్ కండక్టింగ్ మెటీరియల్స్ మరియు అయస్కాంత పదార్థాలు వంటి భౌతిక పరిశోధన రంగాలలో సివిడి టెక్నాలజీ ముఖ్యమైన పాత్ర పోషిస్తుంది. సివిడి టెక్నాలజీ ద్వారా, నిర్దిష్ట ఆప్టికల్ లక్షణాలతో సన్నని చలనచిత్రాలను ఆప్టోఎలక్ట్రానిక్ పరికరాలు మరియు ఆప్టికల్ సెన్సార్లలో ఉపయోగించడానికి సంశ్లేషణ చేయవచ్చు.


CVD reaction transfer steps

మూర్తి 1 CVD ప్రతిచర్య బదిలీ దశలు


అదే సమయంలో, సివిడి టెక్నాలజీ ఆచరణాత్మక అనువర్తనాలలో కొన్ని సవాళ్లను ఎదుర్కొంటుంది: వంటివి:


అధిక ఉష్ణోగ్రత మరియు అధిక పీడన పరిస్థితులు: CVD సాధారణంగా అధిక ఉష్ణోగ్రత లేదా అధిక పీడనంలో నిర్వహించాల్సిన అవసరం ఉంది, ఇది ఉపయోగించగల పదార్థాల రకాలను పరిమితం చేస్తుంది మరియు శక్తి వినియోగం మరియు ఖర్చును పెంచుతుంది.

పారామితి సున్నితత్వం: CVD ప్రక్రియ ప్రతిచర్య పరిస్థితులకు చాలా సున్నితంగా ఉంటుంది మరియు చిన్న మార్పులు కూడా తుది ఉత్పత్తి యొక్క నాణ్యతను ప్రభావితం చేస్తాయి.

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


. కెమికల్ ఆవిరి డిపాజిషన్ (సివిడి) టెక్నాలజీ అండ్ మెషిన్ లెర్నింగ్


ఈ ఇబ్బందులను ఎదుర్కొంటున్న, యంత్ర అభ్యాసం, శక్తివంతమైన డేటా విశ్లేషణ సాధనంగా, సివిడి ఫీల్డ్‌లో కొన్ని సమస్యలను పరిష్కరించే సామర్థ్యాన్ని చూపించింది. సివిడి టెక్నాలజీలో యంత్ర అభ్యాసం యొక్క అనువర్తనానికి క్రింది ఉదాహరణలు:


(1) సివిడి వృద్ధిని అంచనా వేయడం

యంత్ర అభ్యాస అల్గోరిథంలను ఉపయోగించి, మేము పెద్ద మొత్తంలో ప్రయోగాత్మక డేటా నుండి నేర్చుకోవచ్చు మరియు వేర్వేరు పరిస్థితులలో CVD పెరుగుదల ఫలితాలను can హించవచ్చు, తద్వారా ప్రయోగాత్మక పారామితుల సర్దుబాటుకు మార్గనిర్దేశం చేస్తుంది. మూర్తి 2 లో చూపినట్లుగా, సింగపూర్‌లోని నాన్యాంగ్ టెక్నాలజీ విశ్వవిద్యాలయం యొక్క పరిశోధనా బృందం రెండు డైమెన్షనల్ పదార్థాల సివిడి సంశ్లేషణకు మార్గనిర్దేశం చేయడానికి యంత్ర అభ్యాసంలో వర్గీకరణ అల్గోరిథంను ఉపయోగించింది. ప్రారంభ ప్రయోగాత్మక డేటాను విశ్లేషించడం ద్వారా, వారు మాలిబ్డినం డైసల్ఫైడ్ (MOS2) యొక్క వృద్ధి పరిస్థితులను విజయవంతంగా icted హించారు, ప్రయోగాత్మక విజయ రేటును గణనీయంగా మెరుగుపరుస్తారు మరియు ప్రయోగాల సంఖ్యను తగ్గించారు.


Synthesis of machine learning guided materials

మూర్తి 2 మెషిన్ లెర్నింగ్ గైడ్స్ మెటీరియల్ సింథసిస్

(ఎ) మెటీరియల్ రీసెర్చ్ అండ్ డెవలప్‌మెంట్ యొక్క అనివార్యమైన భాగం: పదార్థ సంశ్లేషణ.

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



మరొక అధ్యయనంలో (మూర్తి 3), CVD వ్యవస్థలో గ్రాఫేన్ యొక్క పెరుగుదల నమూనాను విశ్లేషించడానికి యంత్ర అభ్యాసం ఉపయోగించబడింది. గ్రాఫేన్ యొక్క పరిమాణం, కవరేజ్, డొమైన్ డెన్సిటీ మరియు కారక నిష్పత్తి స్వయంచాలకంగా కొలుస్తారు మరియు ప్రాంత ప్రతిపాదన కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ (R-CNN) ను అభివృద్ధి చేయడం ద్వారా విశ్లేషించబడ్డాయి, ఆపై CVD ప్రక్రియ వేరియబుల్స్ మరియు కొలత ప్రత్యేకతల మధ్య పరస్పర సంబంధాన్ని అంచనా వేయడానికి కృత్రిమ న్యూరల్ నెట్‌వర్క్‌లు (ANN) మరియు మద్దతు వెక్టర్ మెషీన్లు (SVM) ఉపయోగించి సర్రోగేట్ నమూనాలు అభివృద్ధి చేయబడ్డాయి. ఈ విధానం గ్రాఫేన్ సంశ్లేషణను అనుకరించగలదు మరియు పెద్ద ధాన్యం పరిమాణం మరియు తక్కువ డొమైన్ సాంద్రతతో కావలసిన పదనిర్మాణంతో గ్రాఫేన్‌ను సంశ్లేషణ చేయడానికి ప్రయోగాత్మక పరిస్థితులను నిర్ణయించగలదు, చాలా సమయం మరియు ఖర్చులను ఆదా చేస్తుంది


Machine learning predicts graphene growth patterns in CVD systems

మూర్తి 3 మెషిన్ లెర్నింగ్ సివిడి వ్యవస్థలలో గ్రాఫేన్ వృద్ధి నమూనాలను అంచనా వేస్తుంది

(2) ఆటోమేటెడ్ సివిడి ప్రక్రియ

మరింత ఖచ్చితమైన నియంత్రణ మరియు అధిక ఉత్పత్తి సామర్థ్యాన్ని సాధించడానికి CVD ప్రక్రియలో పారామితులను నిజ సమయంలో పర్యవేక్షించడానికి మరియు సర్దుబాటు చేయడానికి స్వయంచాలక వ్యవస్థలను అభివృద్ధి చేయడానికి యంత్ర అభ్యాసాన్ని ఉపయోగించవచ్చు. మూర్తి 4 లో చూపినట్లుగా, జిడియన్ విశ్వవిద్యాలయానికి చెందిన ఒక పరిశోధనా బృందం సివిడి డబుల్-లేయర్ రెండు డైమెన్షనల్ మెటీరియల్స్ యొక్క భ్రమణ కోణాన్ని గుర్తించే ఇబ్బందులను అధిగమించడానికి లోతైన అభ్యాసాన్ని ఉపయోగించింది. వారు CVD తయారుచేసిన MOS2 యొక్క రంగు స్థలాన్ని సేకరించి, MOS2 యొక్క మందాన్ని ఖచ్చితంగా మరియు త్వరగా గుర్తించడానికి సెమాంటిక్ సెగ్మెంటేషన్ కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ (CNN) ను వర్తింపజేసారు, ఆపై CVD- పెరిగిన డబుల్-లేయర్ TMD పదార్థాల భ్రమణ కోణం యొక్క ఖచ్చితమైన అంచనాను సాధించడానికి రెండవ CNN మోడల్‌కు శిక్షణ ఇచ్చారు. ఈ పద్ధతి నమూనా గుర్తింపు యొక్క సామర్థ్యాన్ని మెరుగుపరచడమే కాక, మెటీరియల్స్ సైన్స్ రంగంలో లోతైన అభ్యాసం యొక్క అనువర్తనానికి కొత్త ఉదాహరణను కూడా అందిస్తుంది4.


Deep learning methods identify the corners of double-layer two-dimensional materials

మూర్తి 4 లోతైన అభ్యాస పద్ధతులు డబుల్-లేయర్ రెండు డైమెన్షనల్ మెటీరియల్స్ యొక్క మూలలను గుర్తిస్తాయి



సూచనలు:

(1) గువో, Q.-M.; QIN, Z.-H. అణు తయారీలో ఆవిరి నిక్షేపణ సాంకేతిక పరిజ్ఞానం యొక్క అభివృద్ధి మరియు అనువర్తనం. ఆక్టా ఫిజికా సైనికా 2021, 70 (2), 028101-028101-028101-028115. రెండు: 10.7498/aps.70.20201436.

(2) యి, కె.; లియు, డి.; చెన్, ఎక్స్.; యాంగ్, జె.; వీ, డి.; లియు, వై.; వీ, డి. ప్లాస్మా-మెరుగైన రసాయన ఆవిరి అనువర్తనాల కోసం రెండు డైమెన్షనల్ పదార్థాల నిక్షేపణ. కెమికల్ రీసెర్చ్ 2021, 54 (4), 1011-1022 యొక్క ఖాతాలు. Doi: 10.1021/acs.accounts.0c00757.

(3) హ్వాంగ్, జి.; కిమ్, టి.; షిన్, జె.; షిన్, ఎన్.; హ్వాంగ్, ఎస్. మెషిన్ లెర్నింగ్స్ ఫర్ సివిడి గ్రాఫేన్ అనాలిసిస్: కొలత నుండి సెమ్ చిత్రాల 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, జె.; క్యూ, డి. వై. వ్యక్తిగత కోహ్న్-షామ్ యొక్క పర్యవేక్షించబడని అభ్యాసం: అనేక-శరీర ప్రభావాల యొక్క దిగువ అంచనాల కోసం వివరించదగిన ప్రాతినిధ్యాలు మరియు పరిణామాలు. 2024; పి ఆర్క్సివ్: 2404.14601.


సంబంధిత వార్తలు
X
We use cookies to offer you a better browsing experience, analyze site traffic and personalize content. By using this site, you agree to our use of cookies. Privacy Policy
Reject Accept