L'innovation technologique CVD derrière le prix Nobel

Récemment, l’annonce du prix Nobel de physique 2024 a attiré une attention sans précédent sur le domaine de l’intelligence artificielle. Les recherches du scientifique américain John J. Hopfield et du scientifique canadien Geoffrey E. Hinton utilisent des outils d'apprentissage automatique pour fournir de nouvelles connaissances sur la physique complexe d'aujourd'hui. Cette réalisation marque non seulement une étape importante dans la technologie de l’intelligence artificielle, mais annonce également l’intégration profonde de la physique et de l’intelligence artificielle.

Ⅰ. L'importance et les défis de la technologie de dépôt chimique en phase vapeur (CVD) en physique

L’importance de la technologie du dépôt chimique en phase vapeur (CVD) en physique comporte de multiples facettes. Il s'agit non seulement d'une technologie importante de préparation des matériaux, mais elle joue également un rôle clé dans la promotion du développement de la recherche et de ses applications en physique. La technologie CVD peut contrôler avec précision la croissance des matériaux aux niveaux atomique et moléculaire. Comme le montre la figure 1, cette technologie produit une variété de films minces et de matériaux nanostructurés hautes performances en faisant réagir chimiquement des substances gazeuses ou vaporeuses sur la surface solide pour générer des dépôts solides1. Ceci est crucial en physique pour comprendre et explorer la relation entre la microstructure et les propriétés macroscopiques des matériaux, car cela permet aux scientifiques d’étudier des matériaux avec des structures et des compositions spécifiques, puis de comprendre en profondeur leurs propriétés physiques.

Deuxièmement, la technologie CVD est une technologie clé pour préparer diverses couches minces fonctionnelles dans les dispositifs semi-conducteurs. Par exemple, le CVD peut être utilisé pour faire croître des couches épitaxiales monocristallines de silicium, des semi-conducteurs III-V tels que l'arséniure de gallium et l'épitaxie monocristalline semi-conductrice II-VI, et déposer divers films épitaxiaux monocristallins semi-conducteurs dopés, films de silicium polycristallin, etc. et les structures sont à la base des appareils électroniques et optoélectroniques modernes. En outre, la technologie CVD joue également un rôle important dans les domaines de recherche en physique tels que les matériaux optiques, les matériaux supraconducteurs et les matériaux magnétiques. Grâce à la technologie CVD, des films minces dotés de propriétés optiques spécifiques peuvent être synthétisés pour être utilisés dans des dispositifs optoélectroniques et des capteurs optiques.

Figure 1 : étapes de transfert de la réaction CVD

Dans le même temps, la technologie CVD est confrontée à certains défis dans les applications pratiques², tels que :

✔ Conditions de température et de pression élevées: Le CVD doit généralement être réalisé à haute température ou haute pression, ce qui limite les types de matériaux pouvant être utilisés et augmente la consommation d'énergie et les coûts.

✔ Sensibilité des paramètres: Le processus CVD est extrêmement sensible aux conditions de réaction, et même de petits changements peuvent affecter la qualité du produit final.

✔ Le système CVD est complexe: Le processus CVD est sensible aux conditions aux limites, comporte de grandes incertitudes et est difficile à contrôler et à répéter, ce qui peut entraîner des difficultés dans la recherche et le développement de matériaux.

Ⅱ. Technologie de dépôt chimique en phase vapeur (CVD) et apprentissage automatique

Face à ces difficultés, l’apprentissage automatique, en tant qu’outil puissant d’analyse de données, a montré le potentiel de résoudre certains problèmes dans le domaine des CVD. Voici des exemples d’application de l’apprentissage automatique dans la technologie CVD :

(1) Prédire la croissance des maladies cardiovasculaires

Grâce aux algorithmes d’apprentissage automatique, nous pouvons apprendre d’une grande quantité de données expérimentales et prédire les résultats de la croissance des maladies cardiovasculaires dans différentes conditions, guidant ainsi l’ajustement des paramètres expérimentaux. Comme le montre la figure 2, l'équipe de recherche de l'Université technologique de Nanyang à Singapour a utilisé l'algorithme de classification en apprentissage automatique pour guider la synthèse CVD de matériaux bidimensionnels. En analysant les premières données expérimentales, ils ont réussi à prédire les conditions de croissance du bisulfure de molybdène (MoS2), améliorant considérablement le taux de réussite expérimentale et réduisant le nombre d'expériences.

Figure 2. Synthèse matérielle des guides d’apprentissage automatique

(a) Un élément indispensable de la recherche et du développement des matériaux : la synthèse des matériaux.

(b) Le modèle de classification aide le dépôt chimique en phase vapeur à synthétiser des matériaux bidimensionnels (en haut) ; le modèle de régression guide la synthèse hydrothermale de points quantiques fluorescents dopés au soufre-azote (en bas).

Dans une autre étude (Figure 3), l'apprentissage automatique a été utilisé pour analyser le modèle de croissance du graphène dans le système CVD. La taille, la couverture, la densité de domaine et le rapport hauteur/largeur du graphène ont été automatiquement mesurés et analysés en développant un réseau neuronal convolutif de proposition de région (R-CNN), puis des modèles de substitution ont été développés à l'aide de réseaux neuronaux artificiels (ANN) et de machines vectorielles de support ( SVM) pour déduire la corrélation entre les variables du processus CVD et les spécifications mesurées. Cette approche peut simuler la synthèse du graphène et déterminer les conditions expérimentales pour synthétiser du graphène avec une morphologie souhaitée avec une grande taille de grain et une faible densité de domaine, ce qui permet d'économiser beaucoup de temps et d'argent² ³

Figure 3 L'apprentissage automatique prédit les modèles de croissance du graphène dans les systèmes CVD

(2) Processus CVD automatisé

L'apprentissage automatique peut être utilisé pour développer des systèmes automatisés permettant de surveiller et d'ajuster les paramètres du processus CVD en temps réel afin d'obtenir un contrôle plus précis et une efficacité de production plus élevée. Comme le montre la figure 4, une équipe de recherche de l'Université de Xidian a utilisé l'apprentissage profond pour surmonter la difficulté d'identifier l'angle de rotation des matériaux bidimensionnels à double couche CVD. Ils ont collecté l'espace colorimétrique de MoS2 préparé par CVD et appliqué un réseau neuronal convolutif (CNN) de segmentation sémantique pour identifier avec précision et rapidement l'épaisseur de MoS2, puis ont formé un deuxième modèle CNN pour obtenir une prédiction précise de l'angle de rotation du MoS2 cultivé par CVD. Matériaux TMD double couche. Cette méthode améliore non seulement l'efficacité de l'identification des échantillons, mais fournit également un nouveau paradigme pour l'application de l'apprentissage profond dans le domaine de la science des matériaux.⁴.

Figure 4 Les méthodes d'apprentissage profond identifient les coins des matériaux bidimensionnels à double couche

Références:

(1) Guo, Q.-M. ; Qin, Z.-H. Développement et application de la technologie de dépôt en phase vapeur dans la fabrication atomique. Acta Physica Sinica 2021, 70 (2), 028101-028101-028101-028115. DOI : 10.7498/aps.70.20201436.

(2) Yi, K. ; Liu, D. ; Chen, X. ; Yang, J. ; Wei, D. ; Liu, Y. ; Wei, D. Dépôt chimique en phase vapeur amélioré par plasma de matériaux bidimensionnels pour applications. Comptes de recherche chimique 2021, 54 (4), 1011-1022. DOI : 10.1021/acs.accounts.0c00757.

(3) Hwang, G. ; Kim, T. ; Shin, J. ; Shin, N. ; Hwang, S. Apprentissages automatiques pour l'analyse du graphène CVD : de la mesure à la simulation d'images SEM. Journal de chimie industrielle et d'ingénierie 2021, 101, 430-444. DOI : https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B. ; Wu, J. ; Qiu, D. Y. Apprentissage non supervisé des états individuels de Kohn-Sham : représentations et conséquences interprétables pour les prédictions en aval des effets à plusieurs corps. 2024 ; par arXiv:2404.14601.