Đổi mới công nghệ CVD đằng sau giải thưởng Nobel

Mới đây, việc công bố giải Nobel Vật lý 2024 đã gây sự chú ý chưa từng có đối với lĩnh vực trí tuệ nhân tạo. Nghiên cứu của nhà khoa học người Mỹ John J. Hopfield và nhà khoa học người Canada Geoffrey E. Hinton sử dụng các công cụ học máy để cung cấp những hiểu biết mới về vật lý phức tạp ngày nay. Thành tựu này không chỉ đánh dấu một cột mốc quan trọng trong công nghệ trí tuệ nhân tạo mà còn báo trước sự tích hợp sâu sắc giữa vật lý và trí tuệ nhân tạo.

Ⅰ. Ý nghĩa và thách thức của công nghệ lắng đọng hơi hóa học (CVD) trong vật lý

Tầm quan trọng của công nghệ lắng đọng hơi hóa học (CVD) trong vật lý là rất nhiều mặt. Nó không chỉ là một công nghệ chuẩn bị vật liệu quan trọng mà còn đóng vai trò then chốt trong việc thúc đẩy sự phát triển của nghiên cứu và ứng dụng vật lý. Công nghệ CVD có thể kiểm soát chính xác sự phát triển của vật liệu ở cấp độ nguyên tử và phân tử. Như được hiển thị trong Hình 1, công nghệ này tạo ra nhiều loại màng mỏng và vật liệu cấu trúc nano hiệu suất cao bằng cách phản ứng hóa học với các chất khí hoặc hơi trên bề mặt rắn để tạo ra cặn rắn1. Điều này rất quan trọng trong vật lý để hiểu và khám phá mối quan hệ giữa cấu trúc vi mô và tính chất vĩ mô của vật liệu, bởi vì nó cho phép các nhà khoa học nghiên cứu vật liệu có cấu trúc và thành phần cụ thể, sau đó hiểu sâu sắc các tính chất vật lý của chúng.

Thứ hai, công nghệ CVD là công nghệ chủ chốt để chuẩn bị các màng mỏng chức năng khác nhau trong các thiết bị bán dẫn. Ví dụ, CVD có thể được sử dụng để phát triển các lớp epiticular đơn tinh thể silicon, các chất bán dẫn III-V như gallium arsenide và epitaxy đơn tinh thể bán dẫn II-VI, và lắng đọng các màng epiticular đơn tinh thể bán dẫn pha tạp khác nhau, màng silicon đa tinh thể, v.v. và cấu trúc là nền tảng của các thiết bị điện tử và thiết bị quang điện tử hiện đại. Ngoài ra, công nghệ CVD còn đóng vai trò quan trọng trong các lĩnh vực nghiên cứu vật lý như vật liệu quang học, vật liệu siêu dẫn, vật liệu từ tính. Thông qua công nghệ CVD, các màng mỏng có đặc tính quang học cụ thể có thể được tổng hợp để sử dụng trong các thiết bị quang điện tử và cảm biến quang học.

Hình 1 Các bước chuyển phản ứng CVD

Đồng thời, công nghệ CVD phải đối mặt với một số thách thức trong ứng dụng thực tế2, chẳng hạn như:

✔ Điều kiện nhiệt độ cao và áp suất cao: CVD thường cần được thực hiện ở nhiệt độ cao hoặc áp suất cao, điều này hạn chế các loại vật liệu có thể được sử dụng và làm tăng mức tiêu thụ năng lượng cũng như chi phí.

✔ Độ nhạy tham số: Quá trình CVD cực kỳ nhạy cảm với các điều kiện phản ứng và ngay cả những thay đổi nhỏ cũng có thể ảnh hưởng đến chất lượng của sản phẩm cuối cùng.

✔ Hệ thống CVD phức tạp: Quá trình CVD rất nhạy cảm với các điều kiện biên, có độ không đảm bảo lớn, khó kiểm soát và lặp lại, điều này có thể dẫn đến khó khăn trong nghiên cứu và phát triển vật liệu.

Ⅱ. Công nghệ lắng đọng hơi hóa học (CVD) và học máy

Đối mặt với những khó khăn này, học máy, với tư cách là một công cụ phân tích dữ liệu mạnh mẽ, đã cho thấy tiềm năng giải quyết một số vấn đề trong lĩnh vực CVD. Sau đây là ví dụ về ứng dụng học máy trong công nghệ CVD:

(1) Dự đoán tăng trưởng CVD

Sử dụng thuật toán học máy, chúng ta có thể học hỏi từ một lượng lớn dữ liệu thực nghiệm và dự đoán kết quả tăng trưởng CVD trong các điều kiện khác nhau, từ đó hướng dẫn điều chỉnh các thông số thực nghiệm. Như được hiển thị trong Hình 2, nhóm nghiên cứu của Đại học Công nghệ Nanyang ở Singapore đã sử dụng thuật toán phân loại trong học máy để hướng dẫn tổng hợp CVD của vật liệu hai chiều. Bằng cách phân tích dữ liệu thử nghiệm ban đầu, họ đã dự đoán thành công các điều kiện phát triển của molybdenum disulfide (MoS2), cải thiện đáng kể tỷ lệ thành công của thử nghiệm và giảm số lượng thử nghiệm.

Hình 2 Machine learning hướng dẫn tổng hợp tài liệu

(a) Một phần không thể thiếu trong nghiên cứu và phát triển vật liệu: tổng hợp vật liệu.

(b) Mô hình phân loại giúp lắng đọng hơi hóa học để tổng hợp vật liệu hai chiều (trên cùng); mô hình hồi quy hướng dẫn tổng hợp thủy nhiệt các chấm lượng tử huỳnh quang pha tạp lưu huỳnh-nitơ (phía dưới).

Trong một nghiên cứu khác (Hình 3), học máy được sử dụng để phân tích mô hình phát triển của graphene trong hệ thống CVD. Kích thước, phạm vi bao phủ, mật độ miền và tỷ lệ khung hình của graphene được đo và phân tích tự động bằng cách phát triển mạng nơ-ron tích chập đề xuất vùng (R-CNN), sau đó các mô hình thay thế được phát triển bằng mạng nơ-ron nhân tạo (ANN) và máy vectơ hỗ trợ ( SVM) để suy ra mối tương quan giữa các biến của quá trình CVD và các thông số kỹ thuật được đo. Phương pháp này có thể mô phỏng quá trình tổng hợp graphene và xác định các điều kiện thí nghiệm để tổng hợp graphene có hình thái mong muốn với kích thước hạt lớn và mật độ miền thấp, tiết kiệm nhiều thời gian và chi phí2 ³

Hình 3 Học máy dự đoán mô hình tăng trưởng graphene trong hệ thống CVD

(2) Quy trình CVD tự động

Học máy có thể được sử dụng để phát triển các hệ thống tự động nhằm giám sát và điều chỉnh các thông số trong quy trình CVD theo thời gian thực nhằm đạt được khả năng kiểm soát chính xác hơn và hiệu quả sản xuất cao hơn. Như được hiển thị trong Hình 4, một nhóm nghiên cứu từ Đại học Xidian đã sử dụng phương pháp học sâu để khắc phục khó khăn trong việc xác định góc quay của vật liệu hai chiều CVD. Họ đã thu thập không gian màu của MoS2 do CVD chuẩn bị và áp dụng mạng thần kinh tích chập phân đoạn ngữ nghĩa (CNN) để xác định chính xác và nhanh chóng độ dày của MoS2, sau đó huấn luyện mô hình CNN thứ hai để đạt được dự đoán chính xác về góc quay của CVD phát triển vật liệu TMD hai lớp. Phương pháp này không chỉ nâng cao hiệu quả nhận dạng mẫu mà còn cung cấp mô hình mới cho ứng dụng deep learning trong lĩnh vực khoa học vật liệu⁴.

Hình 4 Phương pháp học sâu xác định các góc của vật liệu hai chiều hai lớp

Tài liệu tham khảo:

(1) Quách, Q.-M.; Tần, Z.-H. Phát triển và ứng dụng công nghệ lắng đọng hơi trong chế tạo nguyên tử. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. DOI: 10.7498/aps.70.20201436.

(2) Yi, K.; Lưu, D.; Chen, X.; Dương, J.; Ngụy, D.; Lưu, Y.; Wei, D. Sự lắng đọng hơi hóa học tăng cường bằng plasma của vật liệu hai chiều cho các ứng dụng. Tài khoản Nghiên cứu Hóa học 2021, 54 (4), 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) Hwang, G.; Kim, T.; Shin, J.; Shin, N.; Hwang, S. Học máy để phân tích graphene CVD: Từ đo lường đến mô phỏng ảnh SEM. Tạp chí Hóa học Công nghiệp và Kỹ thuật 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hầu, B.; Ngô, J.; Qiu, D. Y. Học tập không có giám sát của các trạng thái Kohn-Sham riêng lẻ: Các biểu hiện và hậu quả có thể giải thích được đối với các dự đoán xuôi dòng về tác động của nhiều cơ thể. 2024; p arXiv:2404.14601.