الابتكار التكنولوجي CVD وراء جائزة نوبل

في الآونة الأخيرة، لفت الإعلان عن جائزة نوبل في الفيزياء لعام 2024 اهتمامًا غير مسبوق بمجال الذكاء الاصطناعي. يستخدم البحث الذي أجراه العالم الأمريكي جون جيه هوبفيلد والعالم الكندي جيفري إي هينتون أدوات التعلم الآلي لتقديم رؤى جديدة حول الفيزياء المعقدة اليوم. ولا يمثل هذا الإنجاز علامة فارقة مهمة في تكنولوجيا الذكاء الاصطناعي فحسب، بل يبشر أيضًا بالتكامل العميق بين الفيزياء والذكاء الاصطناعي.

Ⅰ. أهمية وتحديات تقنية ترسيب البخار الكيميائي (CVD) في الفيزياء

إن أهمية تقنية ترسيب البخار الكيميائي (CVD) في الفيزياء متعددة الأوجه. إنها ليست تقنية مهمة لإعداد المواد فحسب، ولكنها تلعب أيضًا دورًا رئيسيًا في تعزيز تطوير أبحاث وتطبيقات الفيزياء. يمكن لتقنية CVD التحكم بدقة في نمو المواد على المستوى الذري والجزيئي. كما هو موضح في الشكل 1، تنتج هذه التكنولوجيا مجموعة متنوعة من الأغشية الرقيقة عالية الأداء والمواد ذات البنية النانوية عن طريق التفاعل الكيميائي للمواد الغازية أو البخارية على السطح الصلب لتوليد رواسب صلبة. وهذا أمر بالغ الأهمية في الفيزياء لفهم واستكشاف العلاقة بين البنية المجهرية والخصائص العيانية للمواد، لأنه يسمح للعلماء بدراسة المواد ذات الهياكل والتركيبات المحددة، ومن ثم فهم خصائصها الفيزيائية بعمق.

ثانيًا، تعد تقنية CVD تقنية أساسية لتحضير الأغشية الرقيقة الوظيفية المختلفة في أجهزة أشباه الموصلات. على سبيل المثال، يمكن استخدام CVD لتنمية طبقات السيليكون الفوقي البلورية المفردة، وأشباه الموصلات III-V مثل زرنيخيد الغاليوم والطبقة الفوقية البلورية المفردة لأشباه الموصلات II-VI، وترسيب العديد من الأفلام الفوقي البلورية المفردة لأشباه الموصلات، وأفلام السيليكون متعدد البلورات، وما إلى ذلك. والهياكل هي أساس الأجهزة الإلكترونية الحديثة والأجهزة الإلكترونية البصرية. بالإضافة إلى ذلك، تلعب تقنية CVD أيضًا دورًا مهمًا في مجالات أبحاث الفيزياء مثل المواد البصرية والمواد فائقة التوصيل والمواد المغناطيسية. من خلال تقنية CVD، يمكن تصنيع أغشية رقيقة ذات خصائص بصرية محددة لاستخدامها في الأجهزة الإلكترونية البصرية وأجهزة الاستشعار البصرية.

الشكل 1: خطوات نقل رد فعل الأمراض القلبية الوعائية

وفي الوقت نفسه، تواجه تقنية الأمراض القلبية الوعائية بعض التحديات في التطبيقات العملية²، مثل:

✔ ارتفاع درجة الحرارة وظروف الضغط العالي: عادة ما يتم إجراء عمليات القلب والأوعية الدموية عند درجة حرارة عالية أو ضغط مرتفع، مما يحد من أنواع المواد التي يمكن استخدامها ويزيد من استهلاك الطاقة والتكلفة.

✔ حساسية المعلمة: تعتبر عملية الأمراض القلبية الوعائية حساسة للغاية لظروف التفاعل، وحتى التغييرات الصغيرة قد تؤثر على جودة المنتج النهائي.

✔ نظام الأمراض القلبية الوعائية معقد: إن عملية الأمراض القلبية الوعائية حساسة للظروف الحدودية، ولديها قدر كبير من عدم اليقين، ويصعب السيطرة عليها وتكرارها، مما قد يؤدي إلى صعوبات في البحث والتطوير المادي.

Ⅱ. تكنولوجيا ترسيب البخار الكيميائي (CVD) والتعلم الآلي

وفي مواجهة هذه الصعوبات، أظهر التعلم الآلي، باعتباره أداة قوية لتحليل البيانات، القدرة على حل بعض المشاكل في مجال الأمراض القلبية الوعائية. وفيما يلي أمثلة لتطبيق التعلم الآلي في تكنولوجيا الأمراض القلبية الوعائية:

(1) التنبؤ بنمو الأمراض القلبية الوعائية

باستخدام خوارزميات التعلم الآلي، يمكننا التعلم من كمية كبيرة من البيانات التجريبية والتنبؤ بنتائج نمو الأمراض القلبية الوعائية في ظل ظروف مختلفة، وبالتالي توجيه تعديل المعلمات التجريبية. كما هو مبين في الشكل 2، استخدم فريق البحث من جامعة نانيانغ التكنولوجية في سنغافورة خوارزمية التصنيف في التعلم الآلي لتوجيه تخليق الأمراض القلبية الوعائية للمواد ثنائية الأبعاد. ومن خلال تحليل البيانات التجريبية المبكرة، نجحوا في التنبؤ بظروف نمو ثاني كبريتيد الموليبدينوم (MoS2)، مما أدى إلى تحسين معدل النجاح التجريبي بشكل كبير وتقليل عدد التجارب.

الشكل 2: التعلم الآلي يوجه تركيب المواد

(أ) جزء لا غنى عنه من البحث والتطوير المادي: تركيب المواد.

(ب) يساعد نموذج التصنيف على ترسيب البخار الكيميائي لتركيب مواد ثنائية الأبعاد (أعلى)؛ يرشد نموذج الانحدار التوليف الحراري المائي للنقاط الكمومية الفلورية المخدرة بالكبريت والنيتروجين (أسفل).

وفي دراسة أخرى (الشكل 3)، تم استخدام التعلم الآلي لتحليل نمط نمو الجرافين في نظام الأمراض القلبية الوعائية. تم قياس وتحليل الحجم والتغطية وكثافة المجال ونسبة العرض إلى الارتفاع للجرافين تلقائيًا من خلال تطوير شبكة عصبية تلافيفية مقترحة للمنطقة (R-CNN)، ثم تم تطوير نماذج بديلة باستخدام الشبكات العصبية الاصطناعية (ANN) وآلات المتجهات الداعمة ( SVM) لاستنتاج العلاقة بين متغيرات عملية الأمراض القلبية الوعائية والمواصفات المقاسة. يمكن لهذا الأسلوب محاكاة تخليق الجرافين وتحديد الظروف التجريبية لتوليف الجرافين بالشكل المطلوب مع حجم حبيبي كبير وكثافة مجال منخفضة، مما يوفر الكثير من الوقت والتكلفة² ³

الشكل 3: يتنبأ التعلم الآلي بأنماط نمو الجرافين في أنظمة الأمراض القلبية الوعائية

(2) عملية الأمراض القلبية الوعائية الآلية

يمكن استخدام التعلم الآلي لتطوير أنظمة آلية لمراقبة وضبط المعلمات في عملية CVD في الوقت الفعلي لتحقيق تحكم أكثر دقة وكفاءة إنتاج أعلى. كما هو موضح في الشكل 4، استخدم فريق بحث من جامعة شيديان التعلم العميق للتغلب على صعوبة تحديد زاوية دوران المواد CVD مزدوجة الطبقة ثنائية الأبعاد. لقد جمعوا مساحة اللون لـ MoS2 التي أعدتها CVD وطبقوا شبكة عصبية تلافيفية للتجزئة الدلالية (CNN) لتحديد سمك MoS2 بدقة وسرعة، ثم قاموا بتدريب نموذج CNN ثانٍ لتحقيق تنبؤ دقيق لزاوية دوران CVD المزروعة مواد TMD مزدوجة الطبقة. لا تعمل هذه الطريقة على تحسين كفاءة تحديد العينات فحسب، بل توفر أيضًا نموذجًا جديدًا لتطبيق التعلم العميق في مجال علم المواد⁴.

الشكل 4: تحدد طرق التعلم العميق زوايا المواد ثنائية الطبقة ثنائية الأبعاد

مراجع:

(1) قوه، Q.-M.؛ تشين، Z.-H. تطوير وتطبيق تكنولوجيا ترسيب البخار في التصنيع الذري. اكتا فيزيكا سينيكا 2021، 70 (2)، 028101-028101-028101-028115. دوى: 10.7498/aps.70.20201436.

(2) يي، ك.؛ ليو، د.؛ تشن، العاشر. يانغ، J.؛ وي، د.؛ ليو، Y.؛ وي، د. ترسيب البخار الكيميائي المعزز بالبلازما للمواد ثنائية الأبعاد للتطبيقات. حسابات البحوث الكيميائية 2021، 54 (4)، 1011-1022. DOI: 10.1021/acs.accounts.0c00757.

(3) هوانج، جي؛ كيم، ت.؛ شين، J.؛ شين، ن.؛ Hwang، S. التعلم الآلي لتحليل الجرافين CVD: من القياس إلى محاكاة صور SEM. مجلة الكيمياء الصناعية والهندسية 2021، 101، 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) هو، ب.؛ وو، J.؛ Qiu, D. Y. التعلم غير الخاضع للرقابة لحالات كوهن-شام الفردية: تمثيلات وعواقب قابلة للتفسير للتنبؤات النهائية لتأثيرات العديد من الجسم. 2024؛ ص أرخايف:2404.14601.