ການປະສົມປະສານຂອງ AI ແລະຟີຊິກ: ນະວັດຕະກໍາເຕັກໂນໂລຢີ CVD ທີ່ຢູ່ເບື້ອງຫຼັງລາງວັນ Nobel

ການປະກາດເມື່ອບໍ່ດົນມານີ້ຂອງລາງວັນໂນແບລດ້ານຟີຊິກສາດປີ 2024 ໄດ້ນໍາເອົາຄວາມສົນໃຈທີ່ບໍ່ເຄີຍມີມາກ່ອນໃນພາກສະຫນາມຂອງປັນຍາປະດິດ. ການຄົ້ນຄວ້າທີ່ດໍາເນີນໂດຍນັກວິທະຍາສາດອາເມລິກາ John J. Hopfield ແລະນັກວິທະຍາສາດຊາວການາດາ Geoffrey E. Hinton ໄດ້ນໍາໃຊ້ເຄື່ອງມືການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອສະຫນອງຄວາມເຂົ້າໃຈໃຫມ່ໃນໂລກສະລັບສັບຊ້ອນຂອງຟີຊິກໃນມື້ນີ້. ຜົນສຳເລັດນີ້ບໍ່ພຽງແຕ່ເປັນຂີດໝາຍທີ່ສຳຄັນໃນເທັກໂນໂລຍີ AI ເທົ່ານັ້ນ ແຕ່ຍັງເປັນການບອກເຖິງການເຊື່ອມໂຍງຢ່າງເລິກເຊິ່ງລະຫວ່າງຟີຊິກ ແລະປັນຍາປະດິດ.

ຄວາມສໍາຄັນຂອງການປ່ອຍອາຍພິດທາງເຄມີ (CVD) ໃນຟີຊິກແມ່ນຫຍັງແລະມັນປະເຊີນກັບສິ່ງທ້າທາຍແນວໃດ?

ເຕັກ​ໂນ​ໂລ​ຊີ​ການ​ປ່ອຍ​ອາຍ​ພິດ​ທາງ​ເຄ​ມີ (CVD​)​ຖືຄວາມສໍາຄັນຫຼາຍດ້ານໃນຟີຊິກ, ເປັນເຕັກນິກການກະກຽມວັດສະດຸທີ່ສໍາຄັນໃນຂະນະທີ່ມີບົດບາດສໍາຄັນໃນຄວາມກ້າວຫນ້າຂອງການຄົ້ນຄວ້າແລະການນໍາໃຊ້ໃນວິທະຍາສາດທາງດ້ານຮ່າງກາຍ. CVD ຊ່ວຍໃຫ້ການຄວບຄຸມທີ່ຊັດເຈນກ່ຽວກັບການເຕີບໂຕຂອງວັດສະດຸໃນລະດັບປະລໍາມະນູແລະໂມເລກຸນ. ດັ່ງທີ່ໄດ້ສະແດງຢູ່ໃນຮູບທີ 1, ເຕັກນິກນີ້ກ່ຽວຂ້ອງກັບທາດອາຍແກັສ ຫຼື ໄອເຟດທີ່ເກີດປະຕິກິລິຍາທາງເຄມີເທິງພື້ນຜິວແຂງເພື່ອສ້າງເປັນເງິນຝາກແຂງ, ດັ່ງນັ້ນຈຶ່ງຜະລິດຮູບເງົາທີ່ມີປະສິດຕິພາບສູງ ແລະ ວັດສະດຸໂຄງສ້າງນາໂນຫຼາກຫຼາຍຊະນິດ. ຄວາມສາມາດນີ້ມີຄວາມສໍາຄັນໃນຟີຊິກສໍາລັບຄວາມເຂົ້າໃຈແລະການສໍາຫຼວດຄວາມສໍາພັນລະຫວ່າງໂຄງສ້າງຈຸລະພາກຂອງວັດສະດຸແລະຄຸນສົມບັດ macroscopic ຂອງມັນ, ຍ້ອນວ່າມັນຊ່ວຍໃຫ້ນັກວິທະຍາສາດສຶກສາວັດສະດຸທີ່ມີໂຄງສ້າງແລະອົງປະກອບສະເພາະ, ດັ່ງນັ້ນຈຶ່ງໄດ້ຮັບຄວາມເຂົ້າໃຈເລິກເຊິ່ງກ່ຽວກັບຄຸນສົມບັດທາງກາຍະພາບຂອງພວກເຂົາ.

ນອກຈາກນັ້ນ,ເຕັກໂນໂລຊີ CVDເປັນວິທີການທີ່ສໍາຄັນສໍາລັບການຜະລິດຮູບເງົາທີ່ເປັນປະໂຫຍດຕ່າງໆໃນອຸປະກອນ semiconductor. ສໍາລັບຕົວຢ່າງ, ມັນສາມາດຖືກນໍາໃຊ້ເພື່ອການຂະຫຍາຍຕົວຊັ້ນ epitaxial ຊັ້ນດຽວຂອງຊິລິຄອນ, III-V semiconductors ເຊັ່ນ gallium arsenide, ແລະ II-VI semiconductor ຊັ້ນດຽວ crystal epi-crystal, ເຊັ່ນດຽວກັນກັບເງິນຝາກຕ່າງໆ doped semiconductor ຮູບເງົາ crystal epitaxial ດຽວໄປເຊຍກັນແລະ polysilicon films. ວັດສະດຸແລະໂຄງສ້າງເຫຼົ່ານີ້ເປັນພື້ນຖານຂອງອຸປະກອນເອເລັກໂຕຣນິກແລະ optoelectronic ທີ່ທັນສະໄຫມ. ນອກຈາກນັ້ນ, ເຕັກໂນໂລຊີ CVD ມີບົດບາດສໍາຄັນໃນຂົງເຂດການຄົ້ນຄວ້າເຊັ່ນ: ອຸປະກອນ optical, ອຸປະກອນການ superconducting, ແລະວັດສະດຸແມ່ເຫຼັກ. ໂດຍການນໍາໃຊ້ CVD, ຮູບເງົາບາງໆທີ່ມີຄຸນສົມບັດ optical ສະເພາະສາມາດຖືກສັງເຄາະສໍາລັບຄໍາຮ້ອງສະຫມັກໃນອຸປະກອນ optoelectronic ແລະເຊັນເຊີ optical.

ເຖິງວ່າຈະມີຂໍ້ໄດ້ປຽບຂອງມັນ, ເຕັກໂນໂລຢີ CVD ປະເຊີນກັບສິ່ງທ້າທາຍຫຼາຍຢ່າງໃນການປະຕິບັດຕົວຈິງ, ເຊັ່ນ:

ສະພາບອຸນຫະພູມສູງແລະຄວາມກົດດັນສູງ: CVD ມັກຈະຕ້ອງການອຸນຫະພູມຫຼືຄວາມກົດດັນສູງ, ຈໍາກັດປະເພດຂອງວັດສະດຸທີ່ສາມາດນໍາໃຊ້ໄດ້ແລະເພີ່ມການໃຊ້ພະລັງງານແລະຄ່າໃຊ້ຈ່າຍ.

ຄວາມອ່ອນໄຫວຕໍ່ກັບພາລາມິເຕີ: ຂະບວນການ CVD ແມ່ນມີຄວາມອ່ອນໄຫວທີ່ສຸດຕໍ່ເງື່ອນໄຂການຕິກິຣິຍາ, ເຖິງວ່າຈະມີການປ່ຽນແປງເລັກນ້ອຍທີ່ອາດຈະສົ່ງຜົນກະທົບຕໍ່ຄຸນນະພາບຂອງຜະລິດຕະພັນສຸດທ້າຍ.

ຄວາມຊັບຊ້ອນຂອງລະບົບ CVD: ຂະບວນການແມ່ນມີຄວາມອ່ອນໄຫວຕໍ່ກັບເງື່ອນໄຂຊາຍແດນ, ສະແດງໃຫ້ເຫັນຄວາມບໍ່ແນ່ນອນທີ່ສໍາຄັນ, ແລະສາມາດຍາກທີ່ຈະຄວບຄຸມການແຜ່ພັນ, ການພັດທະນາວັດສະດຸທີ່ສັບສົນ.

ເຮັດແນວໃດເທັກໂນໂລຍີການຖິ້ມອາຍຂອງອາຍສານເຄມີ (CVD).ໄດ້ຮັບຜົນປະໂຫຍດຈາກການຮຽນຮູ້ເຄື່ອງຈັກ?

ປະເຊີນຫນ້າກັບສິ່ງທ້າທາຍເຫຼົ່ານີ້, ການຮຽນຮູ້ເຄື່ອງຈັກ, ເປັນເຄື່ອງມືການວິເຄາະຂໍ້ມູນທີ່ມີປະສິດທິພາບ, ໄດ້ສະແດງໃຫ້ເຫັນທ່າແຮງໃນການແກ້ໄຂບັນຫາເຫຼົ່ານີ້ຢູ່ໃນພາກສະຫນາມ CVD. ນີ້ແມ່ນກໍລະນີຂອງຄໍາຮ້ອງສະຫມັກການຮຽນຮູ້ເຄື່ອງຈັກໃນເຕັກໂນໂລຢີ CVD:

(1) ການຄາດເດົາການເຕີບໂຕຂອງ CVD: ສູດການຄິດໄລ່ການຮຽນຮູ້ເຄື່ອງຈັກສາມາດຮຽນຮູ້ຈາກຂໍ້ມູນການທົດລອງຢ່າງກວ້າງຂວາງເພື່ອຄາດຄະເນຜົນໄດ້ຮັບການຂະຫຍາຍຕົວຂອງ CVD ພາຍໃຕ້ເງື່ອນໄຂຕ່າງໆ, ດັ່ງນັ້ນການຊີ້ນໍາການປັບຕົວກໍານົດການທົດລອງ. ດັ່ງທີ່ໄດ້ອະທິບາຍໄວ້ໃນຮູບທີ 1, ທີມວິໄຈຂອງມະຫາວິທະຍາໄລເທັກໂນໂລຍີ Nanyang ໃນສິງກະໂປໄດ້ໃຊ້ລະບົບການຈັດປະເພດໃນການຮຽນຮູ້ຂອງເຄື່ອງຈັກເພື່ອແນະນຳການສັງເຄາະ CVD ຂອງວັດສະດຸສອງມິຕິ. ໂດຍການວິເຄາະຂໍ້ມູນການທົດລອງໃນຕອນຕົ້ນ, ພວກເຂົາເຈົ້າປະສົບຜົນສໍາເລັດຄາດຄະເນເງື່ອນໄຂການເຕີບໂຕຂອງ molybdenum disulfide (MoS2), ປັບປຸງອັດຕາຜົນສໍາເລັດຂອງການທົດລອງຢ່າງຫຼວງຫຼາຍແລະຫຼຸດຜ່ອນຈໍານວນການທົດລອງ.

ຮູບທີ 1: ການສັງເຄາະວັດສະດຸຄູ່ມືການຮຽນຮູ້ເຄື່ອງຈັກ. (a) ພາກສ່ວນໜຶ່ງທີ່ຂາດບໍ່ໄດ້ຂອງການພັດທະນາວັດສະດຸ: ການສັງເຄາະວັດສະດຸ. (b) ຮູບແບບການຈັດປະເພດ ອໍານວຍຄວາມສະດວກໃຫ້ແກ່ການສັງເຄາະທາດອາຍພິດທາງເຄມີ (CVD) ຂອງວັດສະດຸສອງມິຕິລະດັບ (ເທິງ); ຮູບແບບການຖົດຖອຍນໍາພາການສັງເຄາະ hydrothermal ຂອງຊູນຟູຣິກແລະໄນໂຕຣເຈນ doped fluorescent ຈຸດ quantum (ລຸ່ມ).

ໃນການສຶກສາອື່ນ, ດັ່ງທີ່ສະແດງຢູ່ໃນຮູບທີ 2, ການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ຖືກຈ້າງເພື່ອວິເຄາະຮູບແບບການຂະຫຍາຍຕົວຂອງ graphene ພາຍໃນລະບົບ CVD. ໂດຍການພັດທະນາເຄືອຂ່າຍ neural convolutional (R-CNN), ນັກຄົ້ນຄວ້າສາມາດວັດແທກແລະວິເຄາະຂະຫນາດ, ການຄຸ້ມຄອງ, ຄວາມຫນາແຫນ້ນຂອງໂດເມນແລະອັດຕາສ່ວນຂອງ graphene ໂດຍອັດຕະໂນມັດ. ຕໍ່ມາ, ເຄືອຂ່າຍ neural ທຽມ (ANN) ແລະເຄື່ອງ vector ສະຫນັບສະຫນູນ (SVM) ໄດ້ຖືກນໍາໃຊ້ເພື່ອພັດທະນາຕົວແບບຕົວແທນເພື່ອ deduce ການພົວພັນລະຫວ່າງ.ຂະບວນການ CVDຕົວແປແລະການວັດແທກສະເພາະ. ວິທີການນີ້ເຮັດໃຫ້ການຈໍາລອງການສັງເຄາະ graphene ແລະກໍານົດເງື່ອນໄຂການທົດລອງທີ່ຈໍາເປັນສໍາລັບການຜະລິດ graphene ທີ່ມີຂະຫນາດເມັດຂະຫນາດໃຫຍ່ແລະຄວາມຫນາແຫນ້ນຂອງໂດເມນຕ່ໍາ, ດັ່ງນັ້ນການປະຫຍັດເວລາແລະຄ່າໃຊ້ຈ່າຍທີ່ສໍາຄັນ.

ຮູບທີ 2: ການຄາດຄະເນການຮຽນຮູ້ຂອງເຄື່ອງຈັກຂອງຮູບແບບການຂະຫຍາຍຕົວຂອງ Graphene ໃນລະບົບ CVD

(2) ຂະບວນການ CVD ອັດຕະໂນມັດ: ການຮຽນຮູ້ເຄື່ອງຈັກສາມາດຖືກນໍາໃຊ້ເພື່ອພັດທະນາລະບົບອັດຕະໂນມັດທີ່ຕິດຕາມແລະປັບຕົວກໍານົດການໃນເວລາທີ່ແທ້ຈິງໃນລະຫວ່າງຂະບວນການ CVD, ບັນລຸການຄວບຄຸມທີ່ຊັດເຈນແລະປະສິດທິພາບການຜະລິດທີ່ສູງຂຶ້ນ. ດັ່ງທີ່ສະແດງຢູ່ໃນຮູບທີ 3, ທີມງານຄົ້ນຄ້ວາຈາກມະຫາວິທະຍາໄລ Xidian ໄດ້ນໍາໃຊ້ການຮຽນຮູ້ເລິກເຊິ່ງເພື່ອເອົາຊະນະສິ່ງທ້າທາຍໃນການຮັບຮູ້ມຸມຫມຸນຂອງວັດສະດຸສອງມິຕິສອງຊັ້ນທີ່ກະກຽມໂດຍ CVD. ໂດຍການເກັບກໍາພື້ນທີ່ສີຂອງ MoS2 ທີ່ກະກຽມ CVD ແລະນໍາໃຊ້ເຄືອຂ່າຍ neural segmentation convolutional (CNN), ພວກເຂົາສາມາດກໍານົດຄວາມຫນາຂອງ MoS2 ໄດ້ຢ່າງຖືກຕ້ອງແລະໄວ. ຫຼັງຈາກນັ້ນພວກເຂົາໄດ້ຝຶກອົບຮົມແບບຈໍາລອງ CNN ທີສອງເພື່ອຄາດຄະເນມຸມຫມຸນຂອງວັດສະດຸ TMD bilayer ທີ່ປູກໂດຍ CVD. ວິທີການນີ້ບໍ່ພຽງແຕ່ປັບປຸງປະສິດທິພາບການກໍານົດຕົວຢ່າງເທົ່ານັ້ນ, ແຕ່ຍັງໄດ້ໃຫ້ຄໍາຂວັນໃຫມ່ສໍາລັບການນໍາໃຊ້ການຮຽນຮູ້ເລິກໃນຂົງເຂດວິທະຍາສາດວັດສະດຸ.

ຮູບທີ 3: ວິທີການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງສໍາລັບການກໍານົດມຸມຫມຸນຂອງວັດສະດຸສອງມິຕິ Bilayer

ການຄາດຄະເນ

ການປະກາດຂອງລາງວັນໂນແບລອີກຄັ້ງຫນຶ່ງເຕືອນພວກເຮົາວ່າການລວມຕົວຂອງປັນຍາປະດິດແລະຟີຊິກຈະເຮັດໃຫ້ມີນະວັດຕະກໍາແລະຄວາມກ້າວຫນ້າຫຼາຍຂຶ້ນ. ເນື່ອງຈາກເທັກໂນໂລຍີການຮຽນຮູ້ຂອງເຄື່ອງຈັກສືບຕໍ່ກ້າວໄປຂ້າງໜ້າ, ພວກເຮົາມີເຫດຜົນທີ່ຈະເຊື່ອແບບນັ້ນເຕັກ​ໂນ​ໂລ​ຊີ​ການ​ປ່ອຍ​ອາຍ​ແກ​ັ​ສ​ເຄ​ມີ​ຈະພົບກັບໂອກາດການພັດທະນາໃຫມ່ໃນອະນາຄົດ. ທັງໝົດນີ້ບອກເຖິງອາລຸນຂອງຍຸກໃໝ່, ບ່ອນທີ່ການເຕົ້າໂຮມກັນຂອງເທັກໂນໂລຍີ ແລະວິທະຍາສາດຈະເປີດຊ່ອງທາງໃຫ້ກວ້າງກວ່າໃນການສຳຫຼວດ.

ຂໍ້ສະເໜີ SemicorexSiC/TaC coating graphiteແລະວັດສະດຸເຊລາມິກ ໂດຍຜ່ານຂະບວນການປ່ອຍອາຍພິດທາງເຄມີ (CVD).. ຖ້າທ່ານມີຄໍາຖາມໃດໆຫຼືຕ້ອງການລາຍລະອຽດເພີ່ມເຕີມ, ກະລຸນາຢ່າລັງເລທີ່ຈະຕິດຕໍ່ກັບພວກເຮົາ.

ເບີໂທຕິດຕໍ່ #+86-13567891907

ອີເມວ: sales@semicorex.com