नोबेल पुरस्कार के पीछे सीवीडी प्रौद्योगिकी नवाचार

हाल ही में, भौतिकी में 2024 के नोबेल पुरस्कार की घोषणा ने कृत्रिम बुद्धिमत्ता के क्षेत्र पर अभूतपूर्व ध्यान आकर्षित किया है। अमेरिकी वैज्ञानिक जॉन जे. होपफील्ड और कनाडाई वैज्ञानिक जेफ्री ई. हिंटन का शोध आज की जटिल भौतिकी में नई अंतर्दृष्टि प्रदान करने के लिए मशीन लर्निंग टूल्स का उपयोग करता है। यह उपलब्धि न केवल कृत्रिम बुद्धिमत्ता प्रौद्योगिकी में एक महत्वपूर्ण मील का पत्थर है, बल्कि भौतिकी और कृत्रिम बुद्धिमत्ता के गहन एकीकरण की भी शुरुआत करती है।

Ⅰ. भौतिकी में रासायनिक वाष्प जमाव (सीवीडी) प्रौद्योगिकी का महत्व और चुनौतियाँ

भौतिकी में रासायनिक वाष्प जमाव (सीवीडी) तकनीक का महत्व बहुआयामी है। यह न केवल एक महत्वपूर्ण सामग्री तैयार करने वाली तकनीक है, बल्कि भौतिकी अनुसंधान और अनुप्रयोग के विकास को बढ़ावा देने में भी महत्वपूर्ण भूमिका निभाती है। सीवीडी तकनीक परमाणु और आणविक स्तर पर सामग्रियों के विकास को सटीक रूप से नियंत्रित कर सकती है। जैसा कि चित्र 1 में दिखाया गया है, यह तकनीक ठोस जमाव उत्पन्न करने के लिए ठोस सतह पर गैसीय या वाष्पशील पदार्थों पर रासायनिक प्रतिक्रिया करके विभिन्न प्रकार की उच्च प्रदर्शन वाली पतली फिल्में और नैनोसंरचित सामग्री का उत्पादन करती है। भौतिक विज्ञान में सामग्रियों की सूक्ष्म संरचना और स्थूल गुणों के बीच संबंधों को समझने और तलाशने के लिए यह महत्वपूर्ण है, क्योंकि यह वैज्ञानिकों को विशिष्ट संरचनाओं और रचनाओं वाली सामग्रियों का अध्ययन करने और फिर उनके भौतिक गुणों को गहराई से समझने की अनुमति देता है।

दूसरे, सेमीकंडक्टर उपकरणों में विभिन्न कार्यात्मक पतली फिल्में तैयार करने के लिए सीवीडी तकनीक एक महत्वपूर्ण तकनीक है। उदाहरण के लिए, सीवीडी का उपयोग सिलिकॉन सिंगल क्रिस्टल एपिटैक्सियल परतों, III-V सेमीकंडक्टर जैसे गैलियम आर्सेनाइड और II-VI सेमीकंडक्टर सिंगल क्रिस्टल एपिटैक्सि को विकसित करने और विभिन्न डोप्ड सेमीकंडक्टर सिंगल क्रिस्टल एपिटैक्सियल फिल्मों, पॉलीक्रिस्टलाइन सिलिकॉन फिल्मों आदि को जमा करने के लिए किया जा सकता है। और संरचनाएं आधुनिक इलेक्ट्रॉनिक उपकरणों और ऑप्टोइलेक्ट्रॉनिक उपकरणों का आधार हैं। इसके अलावा, सीवीडी तकनीक ऑप्टिकल सामग्री, सुपरकंडक्टिंग सामग्री और चुंबकीय सामग्री जैसे भौतिकी अनुसंधान क्षेत्रों में भी महत्वपूर्ण भूमिका निभाती है। सीवीडी तकनीक के माध्यम से, विशिष्ट ऑप्टिकल गुणों वाली पतली फिल्मों को ऑप्टोइलेक्ट्रॉनिक उपकरणों और ऑप्टिकल सेंसर में उपयोग के लिए संश्लेषित किया जा सकता है।

चित्र 1 सीवीडी प्रतिक्रिया स्थानांतरण चरण

साथ ही, सीवीडी तकनीक को व्यावहारिक अनुप्रयोगों में कुछ चुनौतियों का सामना करना पड़ता है, जैसे:

✔ उच्च तापमान और उच्च दबाव की स्थिति: सीवीडी को आमतौर पर उच्च तापमान या उच्च दबाव पर करने की आवश्यकता होती है, जो उपयोग की जाने वाली सामग्रियों के प्रकारों को सीमित करता है और ऊर्जा की खपत और लागत को बढ़ाता है।

✔ पैरामीटर संवेदनशीलता: सीवीडी प्रक्रिया प्रतिक्रिया स्थितियों के प्रति बेहद संवेदनशील है, और यहां तक ​​​​कि छोटे परिवर्तन भी अंतिम उत्पाद की गुणवत्ता को प्रभावित कर सकते हैं।

✔ सीवीडी प्रणाली जटिल है: सीवीडी प्रक्रिया सीमा स्थितियों के प्रति संवेदनशील है, इसमें बड़ी अनिश्चितताएं हैं, और इसे नियंत्रित करना और दोहराना मुश्किल है, जिससे सामग्री अनुसंधान और विकास में कठिनाइयां हो सकती हैं।

Ⅱ. रासायनिक वाष्प जमाव (सीवीडी) प्रौद्योगिकी और मशीन लर्निंग

इन कठिनाइयों का सामना करते हुए, एक शक्तिशाली डेटा विश्लेषण उपकरण के रूप में मशीन लर्निंग ने सीवीडी क्षेत्र में कुछ समस्याओं को हल करने की क्षमता दिखाई है। सीवीडी प्रौद्योगिकी में मशीन लर्निंग के अनुप्रयोग के उदाहरण निम्नलिखित हैं:

(1) सीवीडी वृद्धि की भविष्यवाणी करना

मशीन लर्निंग एल्गोरिदम का उपयोग करके, हम बड़ी मात्रा में प्रयोगात्मक डेटा से सीख सकते हैं और विभिन्न परिस्थितियों में सीवीडी वृद्धि के परिणामों की भविष्यवाणी कर सकते हैं, जिससे प्रयोगात्मक मापदंडों के समायोजन का मार्गदर्शन किया जा सकता है। जैसा कि चित्र 2 में दिखाया गया है, सिंगापुर में नानयांग टेक्नोलॉजिकल यूनिवर्सिटी की शोध टीम ने दो-आयामी सामग्रियों के सीवीडी संश्लेषण को निर्देशित करने के लिए मशीन लर्निंग में वर्गीकरण एल्गोरिदम का उपयोग किया। प्रारंभिक प्रायोगिक डेटा का विश्लेषण करके, उन्होंने मोलिब्डेनम डाइसल्फ़ाइड (MoS2) की वृद्धि स्थितियों की सफलतापूर्वक भविष्यवाणी की, जिससे प्रयोगात्मक सफलता दर में काफी सुधार हुआ और प्रयोगों की संख्या कम हो गई।

चित्र 2 मशीन लर्निंग सामग्री संश्लेषण का मार्गदर्शन करती है

(ए) सामग्री अनुसंधान और विकास का एक अनिवार्य हिस्सा: सामग्री संश्लेषण।

(बी) वर्गीकरण मॉडल द्वि-आयामी सामग्रियों (शीर्ष) को संश्लेषित करने के लिए रासायनिक वाष्प जमाव में मदद करता है; प्रतिगमन मॉडल सल्फर-नाइट्रोजन डोप्ड फ्लोरोसेंट क्वांटम डॉट्स (नीचे) के हाइड्रोथर्मल संश्लेषण का मार्गदर्शन करता है।

एक अन्य अध्ययन (चित्र 3) में, सीवीडी प्रणाली में ग्राफीन के विकास पैटर्न का विश्लेषण करने के लिए मशीन लर्निंग का उपयोग किया गया था। ग्राफीन के आकार, कवरेज, डोमेन घनत्व और पहलू अनुपात को स्वचालित रूप से मापा गया और एक क्षेत्र प्रस्ताव कन्वेन्शनल न्यूरल नेटवर्क (आर-सीएनएन) विकसित करके विश्लेषण किया गया, और फिर कृत्रिम तंत्रिका नेटवर्क (एएनएन) और सपोर्ट वेक्टर मशीनों का उपयोग करके सरोगेट मॉडल विकसित किए गए ( एसवीएम) सीवीडी प्रक्रिया चर और मापी गई विशिष्टताओं के बीच संबंध का अनुमान लगाने के लिए। यह दृष्टिकोण ग्राफीन संश्लेषण का अनुकरण कर सकता है और बड़े अनाज के आकार और कम डोमेन घनत्व के साथ वांछित आकृति विज्ञान के साथ ग्राफीन को संश्लेषित करने के लिए प्रयोगात्मक स्थितियों को निर्धारित कर सकता है, जिससे बहुत समय और लागत की बचत होती है² ³

चित्र 3 मशीन लर्निंग सीवीडी सिस्टम में ग्राफीन विकास पैटर्न की भविष्यवाणी करता है

(2) स्वचालित सीवीडी प्रक्रिया

अधिक सटीक नियंत्रण और उच्च उत्पादन दक्षता प्राप्त करने के लिए वास्तविक समय में सीवीडी प्रक्रिया में मापदंडों की निगरानी और समायोजन के लिए स्वचालित सिस्टम विकसित करने के लिए मशीन लर्निंग का उपयोग किया जा सकता है। जैसा कि चित्र 4 में दिखाया गया है, ज़िडियन विश्वविद्यालय की एक शोध टीम ने सीवीडी डबल-लेयर दो-आयामी सामग्रियों के रोटेशन कोण की पहचान करने की कठिनाई को दूर करने के लिए गहन शिक्षण का उपयोग किया। उन्होंने CVD द्वारा तैयार किए गए MoS2 के रंग स्थान को एकत्र किया और MoS2 की मोटाई को सटीक और त्वरित रूप से पहचानने के लिए एक सिमेंटिक सेगमेंटेशन कनवल्शनल न्यूरल नेटवर्क (CNN) लागू किया, और फिर CVD-विकसित के रोटेशन कोण की सटीक भविष्यवाणी प्राप्त करने के लिए एक दूसरे CNN मॉडल को प्रशिक्षित किया। डबल-लेयर टीएमडी सामग्री। यह विधि न केवल नमूना पहचान की दक्षता में सुधार करती है, बल्कि सामग्री विज्ञान के क्षेत्र में गहन शिक्षण के अनुप्रयोग के लिए एक नया प्रतिमान भी प्रदान करती है।⁴.

चित्र 4 गहन शिक्षण विधियाँ डबल-लेयर द्वि-आयामी सामग्री के कोनों की पहचान करती हैं

संदर्भ:

(1) गुओ, क्यू.-एम.; क़िन, ज़ेड-एच. परमाणु विनिर्माण में वाष्प जमाव प्रौद्योगिकी का विकास और अनुप्रयोग। एक्टा फिजिका सिनिका 2021, 70 (2), 028101-028101-028101-028115। डीओआई: 10.7498/एपीएस.70.20201436।

(2) यी, के.; लियू, डी.; चेन, एक्स.; यांग, जे.; वेई, डी.; लियू, वाई.; वेई, डी. अनुप्रयोगों के लिए द्वि-आयामी सामग्रियों का प्लाज्मा-संवर्धित रासायनिक वाष्प जमाव। रासायनिक अनुसंधान के खाते 2021, 54 (4), 1011-1022। डीओआई: 10.1021/acs.accounts.0c00757।

(3) ह्वांग, जी.; किम, टी.; शिन, जे.; शिन, एन.; ह्वांग, एस. सीवीडी ग्राफीन विश्लेषण के लिए मशीन लर्निंग: माप से लेकर एसईएम छवियों के अनुकरण तक। जर्नल ऑफ़ इंडस्ट्रियल एंड इंजीनियरिंग केमिस्ट्री 2021, 101, 430-444। डीओआई: https://doi.org/10.1016/j.jiec.2021.05.031।

(4) होउ, बी.; वू, जे.; किउ, डी. वाई. व्यक्तिगत कोह्न-शाम राज्यों की अनसुपरवाइज्ड लर्निंग: कई-शारीरिक प्रभावों की डाउनस्ट्रीम भविष्यवाणियों के लिए व्याख्या योग्य प्रतिनिधित्व और परिणाम। 2024; पी arXiv:2404.14601.