नोबेल पुरस्कार के पीछे सीवीडी प्रौद्योगिकी नवाचार

हाल ही में, भौतिकी में 2024 नोबेल पुरस्कार की घोषणा ने कृत्रिम बुद्धिमत्ता के क्षेत्र पर अभूतपूर्व ध्यान दिया है। अमेरिकी वैज्ञानिक जॉन जे। हॉपफील्ड और कनाडाई वैज्ञानिक जेफ्री ई। हिंटन का शोध आज के जटिल भौतिकी में नई अंतर्दृष्टि प्रदान करने के लिए मशीन लर्निंग टूल्स का उपयोग करता है। यह उपलब्धि न केवल कृत्रिम बुद्धिमत्ता प्रौद्योगिकी में एक महत्वपूर्ण मील का पत्थर है, बल्कि भौतिकी और कृत्रिम बुद्धिमत्ता के गहरे एकीकरण को भी बताती है।

Ⅰ। भौतिकी में रासायनिक वाष्प जमाव (सीवीडी) प्रौद्योगिकी का महत्व और चुनौतियां

भौतिकी में रासायनिक वाष्प जमाव (सीवीडी) प्रौद्योगिकी का महत्व बहुमुखी है। यह न केवल एक महत्वपूर्ण सामग्री तैयारी तकनीक है, बल्कि भौतिकी अनुसंधान और अनुप्रयोग के विकास को बढ़ावा देने में भी महत्वपूर्ण भूमिका निभाता है। सीवीडी तकनीक परमाणु और आणविक स्तरों पर सामग्रियों के विकास को ठीक से नियंत्रित कर सकती है। जैसा कि चित्र 1 में दिखाया गया है, यह तकनीक ठोस जमा 1 उत्पन्न करने के लिए ठोस सतह पर रासायनिक रूप से गैसीय या वाष्पशील पदार्थों को प्रतिक्रिया करके विभिन्न प्रकार के उच्च-प्रदर्शन वाली पतली फिल्मों और नैनोस्ट्रक्चर सामग्री का उत्पादन करती है। यह भौतिकी में सामग्री के माइक्रोस्ट्रक्चर और मैक्रोस्कोपिक गुणों के बीच संबंध को समझने और खोजने के लिए महत्वपूर्ण है, क्योंकि यह वैज्ञानिकों को विशिष्ट संरचनाओं और रचनाओं के साथ सामग्री का अध्ययन करने की अनुमति देता है, और फिर उनके भौतिक गुणों को गहराई से समझता है।

दूसरे, सीवीडी तकनीक अर्धचालक उपकरणों में विभिन्न कार्यात्मक पतली फिल्मों को तैयार करने के लिए एक महत्वपूर्ण तकनीक है। उदाहरण के लिए, सीवीडी का उपयोग सिलिकॉन सिंगल क्रिस्टल एपिटैक्सियल लेयर्स, III-V अर्धचालक जैसे गैलियम आर्सेनाइड और II-VI सेमीकंडक्टर सिंगल क्रिस्टल एपिटैक्सी को उगाने के लिए किया जा सकता है, और विभिन्न डोपेड सेमीकंडक्टर सिंगल क्रिस्टल एपिटैक्सियल फिल्म्स, पॉलीक्रिस्टलिन सिलिकॉन फिल्मों को जमा करते हैं और इसके अलावा, सीवीडी तकनीक भौतिकी अनुसंधान क्षेत्रों जैसे ऑप्टिकल सामग्री, सुपरकंडक्टिंग सामग्री और चुंबकीय सामग्री में भी एक महत्वपूर्ण भूमिका निभाती है। सीवीडी तकनीक के माध्यम से, विशिष्ट ऑप्टिकल गुणों वाली पतली फिल्मों को ऑप्टोइलेक्ट्रोनिक उपकरणों और ऑप्टिकल सेंसर में उपयोग के लिए संश्लेषित किया जा सकता है।

चित्रा 1 सीवीडी प्रतिक्रिया हस्तांतरण चरण

उसी समय, सीवीडी तकनीक व्यावहारिक अनुप्रयोगों में कुछ चुनौतियों का सामना करती है, जैसे: जैसे:

✔ उच्च तापमान और उच्च दबाव की स्थिति: सीवीडी को आमतौर पर उच्च तापमान या उच्च दबाव पर किया जाना चाहिए, जो उन सामग्रियों के प्रकारों को सीमित करता है जिनका उपयोग किया जा सकता है और ऊर्जा की खपत और लागत को बढ़ाता है।

✔ पैरामीटर संवेदनशीलता: सीवीडी प्रक्रिया प्रतिक्रिया की स्थिति के लिए बेहद संवेदनशील है, और यहां तक ​​कि छोटे परिवर्तन अंतिम उत्पाद की गुणवत्ता को प्रभावित कर सकते हैं।

✔ सीवीडी प्रणाली जटिल है: सीवीडी प्रक्रिया सीमा स्थितियों के प्रति संवेदनशील है, बड़ी अनिश्चितताएं हैं, और इसे नियंत्रित करना और दोहराना मुश्किल है, जिससे सामग्री अनुसंधान और विकास में कठिनाइयाँ हो सकती हैं।

Ⅱ। रासायनिक वाष्प जमाव (सीवीडी) प्रौद्योगिकी और मशीन सीखने

इन कठिनाइयों का सामना करते हुए, मशीन लर्निंग, एक शक्तिशाली डेटा विश्लेषण उपकरण के रूप में, सीवीडी क्षेत्र में कुछ समस्याओं को हल करने की क्षमता दिखाई गई है। सीवीडी प्रौद्योगिकी में मशीन सीखने के अनुप्रयोग के उदाहरण निम्नलिखित हैं:

(1) सीवीडी विकास की भविष्यवाणी करना

मशीन लर्निंग एल्गोरिदम का उपयोग करते हुए, हम बड़ी मात्रा में प्रयोगात्मक डेटा से सीख सकते हैं और विभिन्न परिस्थितियों में सीवीडी विकास के परिणामों की भविष्यवाणी कर सकते हैं, जिससे प्रयोगात्मक मापदंडों के समायोजन का मार्गदर्शन किया जा सकता है। जैसा कि चित्र 2 में दिखाया गया है, सिंगापुर में नानयांग टेक्नोलॉजिकल यूनिवर्सिटी की शोध टीम ने दो-आयामी सामग्रियों के सीवीडी संश्लेषण को निर्देशित करने के लिए मशीन लर्निंग में वर्गीकरण एल्गोरिथ्म का उपयोग किया। प्रारंभिक प्रयोगात्मक डेटा का विश्लेषण करके, उन्होंने सफलतापूर्वक मोलिब्डेनम डाइसल्फ़ाइड (MOS2) की वृद्धि की स्थिति की भविष्यवाणी की, प्रयोगात्मक सफलता दर में काफी सुधार किया और प्रयोगों की संख्या को कम किया।

चित्रा 2 मशीन सीखने के मार्गदर्शन सामग्री संश्लेषण

(ए) सामग्री अनुसंधान और विकास का एक अपरिहार्य हिस्सा: सामग्री संश्लेषण।

(बी) वर्गीकरण मॉडल दो-आयामी सामग्री (शीर्ष) को संश्लेषित करने के लिए रासायनिक वाष्प जमाव में मदद करता है; प्रतिगमन मॉडल सल्फर-नाइट्रोजन डोपेड फ्लोरोसेंट क्वांटम डॉट्स (नीचे) के हाइड्रोथर्मल संश्लेषण का मार्गदर्शन करता है।

एक अन्य अध्ययन (चित्रा 3) में, मशीन लर्निंग का उपयोग सीवीडी प्रणाली में ग्राफीन के विकास पैटर्न का विश्लेषण करने के लिए किया गया था। ग्राफीन के आकार, कवरेज, डोमेन घनत्व और पहलू अनुपात को स्वचालित रूप से मापा गया था और एक क्षेत्र प्रस्ताव कन्व्यूशनल न्यूरल नेटवर्क (आर-सीएनएन) को विकसित करके विश्लेषण किया गया था, और फिर सीवीडी प्रक्रिया वैरिएबल्स और माप (एसवीएम) को कृत्रिम तंत्रिका नेटवर्क (एएनएन) और समर्थन वेक्टर मशीनों (एसवीएम) का उपयोग करके सरोगेट मॉडल विकसित किए गए थे। यह दृष्टिकोण ग्राफीन संश्लेषण का अनुकरण कर सकता है और बड़े अनाज के आकार और कम डोमेन घनत्व के साथ वांछित आकृति विज्ञान के साथ ग्राफीन को संश्लेषित करने के लिए प्रयोगात्मक स्थितियों का निर्धारण कर सकता है, बहुत समय और लागत की बचत करता है।

चित्रा 3 मशीन लर्निंग सीवीडी सिस्टम में ग्राफीन विकास पैटर्न की भविष्यवाणी करता है

(२) स्वचालित सीवीडी प्रक्रिया

मशीन लर्निंग का उपयोग अधिक सटीक नियंत्रण और उच्च उत्पादन दक्षता प्राप्त करने के लिए वास्तविक समय में सीवीडी प्रक्रिया में मापदंडों की निगरानी और समायोजित करने के लिए स्वचालित प्रणालियों को विकसित करने के लिए किया जा सकता है। जैसा कि चित्र 4 में दिखाया गया है, Xidian विश्वविद्यालय की एक शोध टीम ने सीवीडी डबल-लेयर दो-आयामी सामग्री के रोटेशन कोण की पहचान करने की कठिनाई को दूर करने के लिए गहरी सीख का उपयोग किया। उन्होंने CVD द्वारा तैयार MOS2 के रंग स्थान को एकत्र किया और MOS2 की मोटाई की सही पहचान करने के लिए एक सिमेंटिक सेगमेंटेशन कन्व्यूशनल न्यूरल नेटवर्क (CNN) को लागू किया, और फिर CVD-Grown डबल-लेयर टीएमडी सामग्री के रोटेशन कोण की सटीक भविष्यवाणी को प्राप्त करने के लिए एक दूसरे CNN मॉडल को प्रशिक्षित किया। यह विधि न केवल नमूना पहचान की दक्षता में सुधार करती है, बल्कि सामग्री विज्ञान के क्षेत्र में गहरी सीखने के आवेदन के लिए एक नया प्रतिमान भी प्रदान करती है⁴.

चित्रा 4 गहरी सीखने के तरीके डबल-लेयर द्वि-आयामी सामग्री के कोनों की पहचान करते हैं

संदर्भ:

(1) गुओ, क्यू.-एम ।; किन, जेड.एच. परमाणु विनिर्माण में वाष्प जमाव प्रौद्योगिकी का विकास और अनुप्रयोग। एक्टा फिजिका सिनिका 2021, 70 (2), 028101-028101-028101-028115। दो: 10.7498/aps.70.20201436।

(२) यी, के ।; लियू, डी ।; चेन, एक्स ।; यांग, जे।; वेई, डी ।; लियू, वाई।; वेई, डी। प्लाज्मा-संवर्धित रासायनिक वाष्प अनुप्रयोगों के लिए दो-आयामी सामग्री का बयान। रासायनिक अनुसंधान 2021, 54 (4), 1011-1022 के खाते। Doi: 10.1021/acs.accounts.0c00757।

(३) ह्वांग, जी।; किम, टी।; शिन, जे।; शिन, एन ।; ह्वांग, एस। सीवीडी ग्राफीन विश्लेषण के लिए मशीन सीखना: माप से लेकर एसईएम छवियों के सिमुलेशन तक। जर्नल ऑफ़ इंडस्ट्रियल एंड इंजीनियरिंग केमिस्ट्री 2021, 101, 430-444। Doi: https://doi.org/10.1016/j.jiec.2021.05.031।

(४) हो, बी ।; वू, जे।; QIU, D. Y. व्यक्तिगत Kohn-Sham राज्यों की अनचाहे सीखने के लिए: कई-शरीर प्रभावों की डाउनस्ट्रीम भविष्यवाणियों के लिए व्याख्यात्मक प्रतिनिधित्व और परिणाम। 2024; पी arxiv: 2404.14601।