नोबेल पुरस्कारामागील सीव्हीडी तंत्रज्ञान नावीन्य

अलीकडेच, भौतिकशास्त्रातील 2024 च्या नोबेल पुरस्काराच्या घोषणेने कृत्रिम बुद्धिमत्तेच्या क्षेत्राकडे अभूतपूर्व लक्ष वेधले आहे. अमेरिकन वैज्ञानिक जॉन जे. हॉपफिल्ड आणि कॅनेडियन वैज्ञानिक जेफ्री ई. हिंटन यांनी आजच्या जटिल भौतिकशास्त्रात नवीन अंतर्दृष्टी प्रदान करण्यासाठी मशीन लर्निंग टूल्सचा वापर केला. ही उपलब्धी केवळ कृत्रिम बुद्धिमत्ता तंत्रज्ञानाचा एक महत्त्वाचा टप्पा नाही तर भौतिकशास्त्र आणि कृत्रिम बुद्धिमत्तेचे सखोल एकत्रीकरण देखील दर्शवितो.

Ⅰ. भौतिकशास्त्रातील रासायनिक वाष्प जमा (सीव्हीडी) तंत्रज्ञानाचे महत्त्व आणि आव्हाने

भौतिकशास्त्रातील रासायनिक वाष्प जमा (सीव्हीडी) तंत्रज्ञानाचे महत्त्व बहु -प्रतिरोधक आहे. हे केवळ एक महत्त्वाचे भौतिक तयारी तंत्रज्ञान नाही तर भौतिकशास्त्र संशोधन आणि अनुप्रयोगाच्या विकासास प्रोत्साहन देण्यासाठी देखील महत्त्वपूर्ण भूमिका बजावते. सीव्हीडी तंत्रज्ञान अणू आणि आण्विक स्तरावर सामग्रीच्या वाढीवर तंतोतंत नियंत्रण ठेवू शकते. आकृती 1 मध्ये दर्शविल्याप्रमाणे, हे तंत्रज्ञान घन साठा 1 तयार करण्यासाठी घन पृष्ठभागावर रासायनिकरित्या वायू किंवा वाष्पशील पदार्थांवर रासायनिक प्रतिक्रिया देऊन विविध प्रकारचे उच्च-कार्यक्षमता पातळ चित्रपट आणि नॅनोस्ट्रक्चर केलेल्या सामग्रीचे उत्पादन करते. मायक्रोस्ट्रक्चर आणि सामग्रीच्या मॅक्रोस्कोपिक गुणधर्मांमधील संबंध समजून घेण्यासाठी आणि अन्वेषण करण्यासाठी भौतिकशास्त्रात हे महत्त्वपूर्ण आहे, कारण यामुळे शास्त्रज्ञांना विशिष्ट संरचना आणि रचनांसह सामग्रीचा अभ्यास करण्याची आणि नंतर त्यांचे भौतिक गुणधर्म गंभीरपणे समजू शकतात.

दुसरे म्हणजे, सीव्हीडी तंत्रज्ञान सेमीकंडक्टर डिव्हाइसमध्ये विविध फंक्शनल पातळ चित्रपट तयार करण्यासाठी एक महत्त्वाचे तंत्रज्ञान आहे. उदाहरणार्थ, सीव्हीडीचा वापर सिलिकॉन सिंगल क्रिस्टल एपिटॅक्सियल थर, गॅलियम आर्सेनाइड आणि II-VI सेमीकंडक्टर सिंगल क्रिस्टल एपिटॅक्सी सारख्या आयआयआय-व्ही सेमीकंडक्टर, आणि विविध डोप्ड सेमीकंडक्टर सिंगल क्रिस्टल एपिटेक्सियल फिल्म, पॉलीक्रिस्टलिन सिलिकॉन फिल्म्स इ. याव्यतिरिक्त, सीव्हीडी तंत्रज्ञान ऑप्टिकल मटेरियल, सुपरकंडक्टिंग मटेरियल आणि मॅग्नेटिक मटेरियल सारख्या भौतिकशास्त्र संशोधन क्षेत्रात देखील महत्त्वपूर्ण भूमिका बजावते. सीव्हीडी तंत्रज्ञानाद्वारे, विशिष्ट ऑप्टिकल गुणधर्मांसह पातळ चित्रपट ऑप्टोइलेक्ट्रॉनिक डिव्हाइस आणि ऑप्टिकल सेन्सरमध्ये वापरण्यासाठी एकत्रित केले जाऊ शकतात.

आकृती 1 सीव्हीडी प्रतिक्रिया हस्तांतरण चरण

त्याच वेळी, सीव्हीडी तंत्रज्ञानास व्यावहारिक अनुप्रयोगांमध्ये काही आव्हानांचा सामना करावा लागतो, जसे की:

✔ उच्च तापमान आणि उच्च दाब परिस्थिती: सीव्हीडी सहसा उच्च तापमान किंवा उच्च दाबाने चालविणे आवश्यक आहे, जे वापरल्या जाणार्‍या सामग्रीचे प्रकार मर्यादित करते आणि उर्जा वापर आणि खर्च वाढवते.

✔ पॅरामीटर संवेदनशीलता: सीव्हीडी प्रक्रिया प्रतिक्रियेच्या परिस्थितीशी अत्यंत संवेदनशील आहे आणि अगदी लहान बदल देखील अंतिम उत्पादनाच्या गुणवत्तेवर परिणाम करू शकतात.

✔ सीव्हीडी सिस्टम जटिल आहे: सीव्हीडी प्रक्रिया सीमा परिस्थितीशी संवेदनशील आहे, मोठ्या प्रमाणात अनिश्चितता आहे आणि नियंत्रित करणे आणि पुनरावृत्ती करणे कठीण आहे, ज्यामुळे भौतिक संशोधन आणि विकासामध्ये अडचणी येऊ शकतात.

Ⅱ. रासायनिक वाष्प जमा (सीव्हीडी) तंत्रज्ञान आणि मशीन लर्निंग

या अडचणींचा सामना करीत, मशीन लर्निंग, एक शक्तिशाली डेटा विश्लेषण साधन म्हणून, सीव्हीडी क्षेत्रातील काही समस्या सोडविण्याची क्षमता दर्शविली आहे. खाली सीव्हीडी तंत्रज्ञानामध्ये मशीन लर्निंगच्या वापराची उदाहरणे खालीलप्रमाणे आहेत:

(१) सीव्हीडी वाढीचा अंदाज

मशीन लर्निंग अल्गोरिदम वापरुन, आम्ही मोठ्या प्रमाणात प्रयोगात्मक डेटावरून शिकू शकतो आणि वेगवेगळ्या परिस्थितीत सीव्हीडी वाढीच्या परिणामाचा अंदाज लावू शकतो, ज्यामुळे प्रायोगिक पॅरामीटर्सच्या समायोजनाचे मार्गदर्शन होते. आकृती 2 मध्ये दर्शविल्याप्रमाणे, सिंगापूरमधील नानयांग टेक्नोलॉजिकल युनिव्हर्सिटीच्या संशोधन पथकाने द्विमितीय सामग्रीच्या सीव्हीडी संश्लेषणास मार्गदर्शन करण्यासाठी मशीन लर्निंगमध्ये वर्गीकरण अल्गोरिदम वापरला. सुरुवातीच्या प्रायोगिक डेटाचे विश्लेषण करून, त्यांनी मोलिब्डेनम डिसल्फाइड (एमओएस 2) च्या वाढीच्या परिस्थितीचा यशस्वीरित्या अंदाज केला, प्रायोगिक यश दरात लक्षणीय सुधारणा केली आणि प्रयोगांची संख्या कमी केली.

आकृती 2 मशीन लर्निंग मटेरियल संश्लेषण मार्गदर्शक

(अ) भौतिक संशोधन आणि विकासाचा एक अपरिहार्य भाग: सामग्री संश्लेषण.

(बी) वर्गीकरण मॉडेल द्विमितीय सामग्री (शीर्ष) संश्लेषित करण्यासाठी रासायनिक वाष्प जमा करण्यास मदत करते; रीग्रेशन मॉडेल सल्फर-नायट्रोजन डोप्ड फ्लोरोसेंट क्वांटम डॉट्स (तळाशी) चे हायड्रोथर्मल संश्लेषण मार्गदर्शन करते.

दुसर्‍या अभ्यासामध्ये (आकृती 3), मशीन लर्निंगचा वापर सीव्हीडी सिस्टममधील ग्राफीनच्या वाढीच्या पद्धतीचे विश्लेषण करण्यासाठी केला गेला. आकार, कव्हरेज, डोमेन घनता आणि ग्राफीनचे आस्पेक्ट रेशियो स्वयंचलितपणे मोजले गेले आणि एक प्रदेश प्रस्ताव कॉन्व्होल्यूशनल न्यूरल नेटवर्क (आर-सीएनएन) विकसित करून विश्लेषण केले गेले आणि नंतर सीव्हीडी प्रक्रियेच्या परिवर्तनांच्या आणि मोजमापांच्या विशिष्टतेचे अनुमान काढण्यासाठी कृत्रिम न्यूरल नेटवर्क (एएनएन) आणि समर्थन वेक्टर मशीन (एसव्हीएम) वापरून सरोगेट मॉडेल विकसित केले गेले. हा दृष्टिकोन ग्राफीन संश्लेषणाचे अनुकरण करू शकतो आणि मोठ्या धान्य आकार आणि कमी डोमेन घनतेसह इच्छित मॉर्फोलॉजीसह ग्राफीनचे संश्लेषण करण्यासाठी प्रायोगिक परिस्थिती निर्धारित करू शकतो, ज्यामुळे बराच वेळ आणि खर्चाची बचत होते.

आकृती 3 मशीन लर्निंग सीव्हीडी सिस्टममधील ग्राफीन वाढीच्या नमुन्यांचा अंदाज लावते

(२) स्वयंचलित सीव्हीडी प्रक्रिया

अधिक अचूक नियंत्रण आणि उच्च उत्पादन कार्यक्षमता प्राप्त करण्यासाठी मशीन लर्निंगचा वापर सीव्हीडी प्रक्रियेमध्ये पॅरामीटर्सचे परीक्षण आणि समायोजित करण्यासाठी स्वयंचलित सिस्टम विकसित करण्यासाठी केला जाऊ शकतो. आकृती 4 मध्ये दर्शविल्याप्रमाणे, झिडियन विद्यापीठाच्या एका संशोधन पथकाने सीव्हीडी डबल-लेयर द्विमितीय सामग्रीचे रोटेशन कोन ओळखण्याच्या अडचणीवर मात करण्यासाठी खोल शिक्षणाचा वापर केला. त्यांनी सीव्हीडीद्वारे तयार केलेल्या एमओएस 2 ची रंग जागा गोळा केली आणि एमओएस 2 ची जाडी अचूकपणे आणि द्रुतपणे ओळखण्यासाठी सिमेंटिक सेगमेंटेशन कॉन्व्होल्यूशनल न्यूरल नेटवर्क (सीएनएन) लागू केले आणि नंतर सीव्हीडी-उगवलेल्या डबल-लेयर टीएमडी सामग्रीच्या रोटेशन कोनाचे अचूक अंदाज प्राप्त करण्यासाठी दुसरे सीएनएन मॉडेल प्रशिक्षण दिले. ही पद्धत केवळ नमुना ओळखण्याची कार्यक्षमता सुधारत नाही तर मटेरियल सायन्सच्या क्षेत्रात सखोल शिक्षणाच्या वापरासाठी एक नवीन प्रतिमान देखील प्रदान करते⁴.

आकृती 4 सखोल शिक्षण पद्धती डबल-लेयर द्विमितीय सामग्रीचे कोपरा ओळखतात

संदर्भ:

(1) गुओ, प्र. एम .; किन, झेड. एच. अणु उत्पादनात वाष्प जमा तंत्रज्ञानाचा विकास आणि अनुप्रयोग. अ‍ॅक्टिया फिजिका सिनिका 2021, 70 (2), 028101-028101-028101-028115. दोन: 10.7498/एपीएस .70.20201436.

(२) यी, के .; लिऊ, डी .; चेन, एक्स .; यांग, जे .; वे, डी .; लिऊ, वाय .; WEI, D. अनुप्रयोगांसाठी द्विमितीय सामग्रीचे प्लाझ्मा-वर्धित रासायनिक वाष्प जमा. रासायनिक संशोधन 2021, 54 (4), 1011-1022 चे खाती. Doi: 10.1021/acs.accounts.0c00757.

()) ह्वांग, जी .; किम, टी .; शिन, जे .; शिन, एन .; ह्वांग, एस. सीव्हीडी ग्राफीन विश्लेषणासाठी मशीन शिकणे: मोजमाप ते एसईएम प्रतिमांच्या सिम्युलेशनपर्यंत. औद्योगिक आणि अभियांत्रिकी रसायनशास्त्र जर्नल 2021, 101, 430-444. Doi: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) हौ, बी .; वू, जे .; क्यूयू, डी. वाय. वैयक्तिक कोहान-शॅमचे नि: संदिग्ध शिक्षण: अनेक-शरीराच्या प्रभावांच्या डाउनस्ट्रीम भविष्यवाणीसाठी अर्थ लावण्यायोग्य प्रतिनिधित्व आणि परिणाम. 2024; पी आर्क्सिव्ह: 2404.14601.