ノーベル賞の背後にあるCVD技術革新

最近、2024 年のノーベル物理学賞の発表により、人工知能の分野にかつてないほどの注目が集まりました。アメリカの科学者ジョン J. ホップフィールドとカナダの科学者ジェフリー E. ヒントンの研究は、機械学習ツールを使用して、今日の複雑な物理学に対する新たな洞察を提供します。この成果は、人工知能テクノロジーにおける重要なマイルストーンを示すだけでなく、物理学と人工知能の深い統合の先駆けでもあります。

Ⅰ．物理学における化学気相成長 (CVD) 技術の重要性と課題

物理学における化学蒸着 (CVD) 技術の重要性は多面的です。これは重要な材料調製技術であるだけでなく、物理学の研究と応用の発展を促進する上で重要な役割を果たします。 CVD 技術は、材料の成長を原子および分子レベルで正確に制御できます。この技術は、図1に示すように、固体表面上で気体や蒸気の物質を化学反応させて固体堆積物を生成し、さまざまな高性能薄膜やナノ構造材料を作製する技術です1。これは、科学者が特定の構造と組成を持つ材料を研究し、その物理的特性を深く理解できるようになるため、材料の微細構造と巨視的特性の関係を理解および探索するために物理学において非常に重要です。

次に、CVD技術は、半導体デバイスの各種機能性薄膜を作製するためのキーテクノロジーです。例えば、ＣＶＤは、シリコン単結晶エピタキシャル層、ガリウム砒素などのＩＩＩ－Ｖ族半導体、ＩＩ－ＶＩ族半導体単結晶エピタキシーの成長、各種ドープ半導体単結晶エピタキシャル膜、多結晶シリコン膜などの堆積に使用できる。そしてその構造は現代の電子デバイスと光電子デバイスの基礎です。また、CVD技術は光学材料、超電導材料、磁性材料などの物理研究分野でも重要な役割を果たしています。 CVD 技術により、光電子デバイスや光センサーで使用するために、特定の光学特性を備えた薄膜を合成できます。

図 1 CVD 反応の転移ステップ

同時に、CVD テクノロジーは実際の応用において次のようないくつかの課題に直面しています²。

✔ 高温高圧条件: CVD は通常、高温または高圧で実行する必要があるため、使用できる材料の種類が制限され、エネルギー消費とコストが増加します。

✔ パラメータの感度: CVD プロセスは反応条件に非常に敏感であり、わずかな変化でも最終製品の品質に影響を与える可能性があります。

✔ CVD装置は複雑: CVD プロセスは境界条件に敏感で、不確実性が大きく、制御や繰り返しが難しいため、材料の研究開発が困難になる可能性があります。

Ⅱ．化学蒸着 (CVD) テクノロジーと機械学習

これらの困難に直面して、機械学習は強力なデータ分析ツールとして、CVD 分野のいくつかの問題を解決できる可能性を示しています。以下は、CVD テクノロジーにおける機械学習の応用例です。

(1) CVDの成長予測

機械学習アルゴリズムを使用すると、大量の実験データから学習し、さまざまな条件下での CVD 成長の結果を予測できるため、実験パラメーターの調整をガイドできます。図 2 に示すように、シンガポールの南洋理工大学の研究チームは、機械学習の分類アルゴリズムを使用して、2 次元材料の CVD 合成をガイドしました。初期の実験データを分析することで、二硫化モリブデン (MoS2) の成長条件を予測することに成功し、実験の成功率を大幅に向上させ、実験回数を削減しました。

図 2 機械学習が材料合成をガイドする

(a) 材料の研究開発に不可欠な部分である材料合成。

(b) 分類モデルは、化学蒸着による二次元材料の合成に役立ちます (上)。回帰モデルは、硫黄窒素ドープ蛍光量子ドットの水熱合成をガイドします (下)。

別の研究 (図 3) では、機械学習を使用して CVD システムにおけるグラフェンの成長パターンを分析しました。領域提案畳み込みニューラル ネットワーク (R-CNN) を開発することで、グラフェンのサイズ、カバレッジ、ドメイン密度、アスペクト比が自動的に測定および分析され、人工ニューラル ネットワーク (ANN) とサポート ベクター マシンを使用してサロゲート モデルが開発されました ( SVM) を使用して、CVD プロセス変数と測定された仕様の間の相関関係を推測します。このアプローチでは、グラフェン合成をシミュレーションし、粒径が大きくドメイン密度が低い、望ましい形態のグラフェンを合成するための実験条件を決定することができ、時間とコストを大幅に節約できます² ³

図 3 機械学習は CVD システムにおけるグラフェンの成長パターンを予測します

(2) CVDプロセスの自動化

機械学習を使用して、CVD プロセスのパラメータをリアルタイムで監視および調整する自動システムを開発し、より正確な制御とより高い生産効率を実現できます。図4に示すように、西甸大学の研究チームは深層学習を使用して、CVD二層二次元材料の回転角度を特定する困難を克服しました。彼らは、CVD によって準備された MoS2 の色空間を収集し、セマンティック セグメンテーション畳み込みニューラル ネットワーク (CNN) を適用して MoS2 の厚さを正確かつ迅速に特定し、次に 2 番目の CNN モデルをトレーニングして、CVD で成長させた MoS2 の回転角度の正確な予測を実現しました。二層TMD素材。この方法は、サンプル識別の効率を向上させるだけでなく、材料科学分野における深層学習の応用に新しいパラダイムを提供します。⁴.

図 4 ディープラーニング手法により 2 層の 2 次元素材の角を識別する

参考文献:

(1) 郭 Q.-M.秦、Z.-H.原子製造における蒸着技術の開発と応用。 Acta Physica Sinica 2021、70 (2)、028101-028101-028101-028115。 DOI: 10.7498/aps.70.20201436。

(2) Yi, K.リュー、D.チェン、X。ヤン、J.ウェイ、D。リュウ、Y. Wei, D. アプリケーションのための二次元材料のプラズマ化学蒸着。化学研究報告書 2021、54 (4)、1011-1022。 DOI: 10.1021/acs.accounts.0c00757。

(3) ファン・G.キム、T。シン、Ｊ．シン、N. Hwang, S. CVD グラフェン分析のための機械学習: SEM 画像の測定からシミュレーションまで。工業工学化学ジャーナル 2021、101、430-444。 DOI: https://doi.org/10.1016/j.jiec.2021.05.031。

(4) ホウ、B.ウー、J. Qiu, D. Y. 個々のコーン・シャム状態の教師なし学習: 多体効果の下流予測のための解釈可能な表現と結果。 2024年; arXiv:2404.14601。