CVD နည်းပညာ ဆန်းသစ်တီထွင်မှု နိုဘယ်ဆုနောက်ကွယ်

မကြာသေးမီက 2024 ခုနှစ် ရူပဗေဒ နိုဘယ်လ်ဆု ကြေငြာချက်သည် ဉာဏ်ရည်တုနယ်ပယ်တွင် မကြုံစဖူး အာရုံစိုက်လာခဲ့သည်။ အမေရိကန်သိပ္ပံပညာရှင် John J. Hopfield နှင့် Canadian သိပ္ပံပညာရှင် Geoffrey E. Hinton တို့၏ သုတေသနပြုမှုသည် ယနေ့ခေတ်ရှုပ်ထွေးသော ရူပဗေဒဆိုင်ရာ ထိုးထွင်းသိမြင်မှုအသစ်များကို ပေးစွမ်းရန် စက်သင်ယူမှုကိရိယာများကို အသုံးပြုသည်။ ဤအောင်မြင်မှုသည် ဉာဏ်ရည်တုနည်းပညာတွင် အရေးကြီးသော မှတ်တိုင်တစ်ခုအဖြစ်သာမက ရူပဗေဒနှင့် ဉာဏ်ရည်တု၏ နက်နဲသောပေါင်းစပ်မှုကိုလည်း ဖော်ပြသည်။

Ⅰ။ ရူပဗေဒတွင် ဓာတုအငွေ့များ ပေါက်ကြားမှု (CVD) နည်းပညာ၏ ထင်ရှားမှုနှင့် စိန်ခေါ်မှုများ

ရူပဗေဒတွင် ဓာတုငွေ့ထုတ်လွှတ်ခြင်း (CVD) နည်းပညာ၏ အဓိပ္ပါယ်မှာ ဘက်စုံဖြစ်သည်။ ၎င်းသည် အရေးကြီးသော ပစ္စည်းပြင်ဆင်မှုနည်းပညာတစ်ခုသာမက ရူပဗေဒသုတေသနနှင့် အသုံးချမှုဖွံ့ဖြိုးတိုးတက်ရေးကို မြှင့်တင်ရာတွင် အဓိကအခန်းကဏ္ဍမှ ပါဝင်ပါသည်။ CVD နည်းပညာသည် အက်တမ်နှင့် မော်လီကျူးအဆင့်တွင် ပစ္စည်းများ၏ ကြီးထွားမှုကို တိကျစွာ ထိန်းချုပ်နိုင်သည်။ ပုံ 1 တွင်ပြထားသည့်အတိုင်း၊ ဤနည်းပညာသည် အစိုင်အခဲမျက်နှာပြင်ပေါ်ရှိ ဓာတ်ငွေ့ သို့မဟုတ် အငွေ့ပျံသည့်အရာများကို ဓာတုဗေဒနည်းဖြင့်တုံ့ပြန်ခြင်းဖြင့် စွမ်းဆောင်ရည်မြင့်ပါးလွှာသောရုပ်ရှင်များနှင့် နာနိုဖွဲ့စည်းပုံဆိုင်ရာပစ္စည်းများကို ထုတ်လုပ်သည်။ ၎င်းသည် သိပ္ပံပညာရှင်များအား သီးခြားဖွဲ့စည်းပုံများနှင့် ပေါင်းစပ်မှုများပါရှိသော ပစ္စည်းများကို လေ့လာနိုင်စေသောကြောင့် သေးငယ်သောဖွဲ့စည်းပုံနှင့် မက်ခရိုစကုပ်ဂုဏ်သတ္တိများအကြား ဆက်နွယ်မှုကို နားလည်ခြင်းနှင့် စူးစမ်းလေ့လာခြင်းအတွက် ရူပဗေဒတွင် အလွန်အရေးကြီးပါသည်။

ဒုတိယအနေဖြင့်၊ CVD နည်းပညာသည် ဆီမီးကွန်ဒတ်တာစက်များတွင် အမျိုးမျိုးသော ပါးလွှာသော ရုပ်ရှင်များကို ပြင်ဆင်ခြင်းအတွက် အဓိကနည်းပညာတစ်ခုဖြစ်သည်။ ဥပမာအားဖြင့်၊ CVD ကို silicon single crystal epitaxial အလွှာများ၊ gallium arsenide နှင့် II-VI semiconductor single crystal epitaxy ကဲ့သို့သော III-V semiconductor များနှင့် doped semiconductor single crystal epitaxial films၊ polycrystalline silicon films စသည်တို့ကို အမျိုးမျိုးသော doped semiconductor အဖြစ် အပ်နှံအသုံးပြုနိုင်ပါသည်။ တည်ဆောက်ပုံများသည် ခေတ်မီအီလက်ထရွန်နစ်ကိရိယာများနှင့် optoelectronic ကိရိယာများ၏ အခြေခံဖြစ်သည်။ ထို့အပြင် CVD နည်းပညာသည် optical material၊ superconducting materials နှင့် magnetic material ကဲ့သို့သော ရူပဗေဒသုတေသနနယ်ပယ်များတွင် အရေးပါသောအခန်းကဏ္ဍမှ ပါဝင်ပါသည်။ CVD နည်းပညာအားဖြင့်၊ တိကျသော optical ဂုဏ်သတ္တိရှိသော ပါးလွှာသော ဖလင်များကို optoelectronic စက်များနှင့် optical sensors များတွင် အသုံးပြုရန်အတွက် ပေါင်းစပ်ဖန်တီးနိုင်ပါသည်။

ပုံ 1 CVD တုံ့ပြန်မှု လွှဲပြောင်းခြင်း အဆင့်များ

တစ်ချိန်တည်းမှာပင်၊ CVD နည်းပညာသည် လက်တွေ့အသုံးချမှု²တွင် စိန်ခေါ်မှုအချို့ကို ရင်ဆိုင်နေရသည်။

✔ မြင့်မားသောအပူချိန်နှင့် မြင့်မားသောဖိအားအခြေအနေများ: CVD ကို အများအားဖြင့် မြင့်မားသော အပူချိန် သို့မဟုတ် ဖိအားမြင့်မားသောနေရာတွင် ပြုလုပ်ရန် လိုအပ်ပြီး ၎င်းသည် အသုံးပြုနိုင်သည့် ပစ္စည်းအမျိုးအစားများကို ကန့်သတ်ကာ စွမ်းအင်သုံးစွဲမှုနှင့် ကုန်ကျစရိတ်ကို တိုးမြင့်စေပါသည်။

✔ အတိုင်းအတာ အာရုံခံနိုင်စွမ်း: CVD လုပ်ငန်းစဉ်သည် တုံ့ပြန်မှုအခြေအနေများအတွက် အလွန်အကဲဆတ်ပြီး သေးငယ်သောပြောင်းလဲမှုများပင်လျှင် နောက်ဆုံးထုတ်ကုန်၏ အရည်အသွေးကို ထိခိုက်စေနိုင်ပါသည်။

✔ CVD စနစ်သည် ရှုပ်ထွေးသည်။: CVD လုပ်ငန်းစဉ်သည် နယ်နိမိတ်အခြေအနေများအတွက် ထိလွယ်ရှလွယ်ဖြစ်ပြီး မသေချာမရေရာမှုများရှိကာ ထိန်းချုပ်ရန်နှင့် ထပ်ခါတလဲလဲပြုလုပ်ရန် ခက်ခဲကာ ပစ္စည်းသုတေသနနှင့် ဖွံ့ဖြိုးတိုးတက်မှုအတွက် အခက်အခဲများဖြစ်ပေါ်စေနိုင်သည်။

Ⅱ Chemical Vapor Deposition (CVD) နည်းပညာနှင့် စက်သင်ယူခြင်း။

အဆိုပါအခက်အခဲများနှင့်ရင်ဆိုင်ရသောအခါတွင်၊ အားကောင်းသောဒေတာခွဲခြမ်းစိတ်ဖြာမှုကိရိယာတစ်ခုအနေဖြင့်စက်သင်ယူခြင်းသည် CVD နယ်ပယ်တွင်အချို့သောပြဿနာများကိုဖြေရှင်းရန်အလားအလာကိုပြသခဲ့သည်။ အောက်ပါတို့သည် CVD နည်းပညာတွင် စက်သင်ယူခြင်း၏ အသုံးချပုံဥပမာများဖြစ်သည်။

(၁) CVD တိုးတက်မှုကို ခန့်မှန်းခြင်း။

စက်သင်ယူခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များကို အသုံးပြုခြင်းဖြင့် ကျွန်ုပ်တို့သည် စမ်းသပ်ဒေတာအများအပြားမှ သင်ယူနိုင်ပြီး မတူညီသောအခြေအနေများအောက်တွင် CVD တိုးတက်မှုရလဒ်များကို ခန့်မှန်းနိုင်ကာ စမ်းသပ်မှုအတိုင်းအတာများကို ချိန်ညှိမှုကို လမ်းညွှန်ပေးနိုင်သည်။ ပုံ 2 တွင်ပြထားသည့်အတိုင်း၊ Singapore ရှိ Nanyang Technological University ၏ သုတေသနအဖွဲ့သည် machine learning တွင် classification algorithm ကိုအသုံးပြုပြီး two-dimensional material များ၏ CVD ပေါင်းစပ်မှုကို လမ်းညွှန်ရန် လမ်းညွှန်ခဲ့ပါသည်။ အစောပိုင်း စမ်းသပ်မှုဒေတာကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့်၊ ၎င်းတို့သည် မိုလစ်ဘ်ဒင်နမ်ဒစ်ဆာလ်ဖိုင်ဒ် (MoS2) ၏ ကြီးထွားမှုအခြေအနေများကို အောင်မြင်စွာ ခန့်မှန်းနိုင်သည်၊၊ စမ်းသပ်အောင်မြင်မှုနှုန်းကို သိသိသာသာ တိုးတက်စေပြီး စမ်းသပ်မှုအရေအတွက်ကို လျှော့ချပေးသည်။

ပုံ 2 စက်သင်ယူခြင်းသည် ပစ္စည်းပေါင်းစပ်မှုကို လမ်းညွှန်သည်။

(က) ရုပ်ဝတ္ထုသုတေသနနှင့် ဖွံ့ဖြိုးတိုးတက်မှု၏ မရှိမဖြစ်လိုအပ်သော အစိတ်အပိုင်းတစ်ခု- ပစ္စည်းပေါင်းစပ်မှု။

(ခ) အမျိုးအစားခွဲခြားမှုပုံစံသည် ဓာတုအခိုးအငွေ့များ စုပုံလာစေရန် ကူညီပေးသည် (အပေါ်ပိုင်း)၊ ဆုတ်ယုတ်မှုပုံစံသည် ဆာလဖာ-နိုက်ထရိုဂျင် စွန်းထင်းနေသော ကွမ်တမ်အစက်များ (အောက်ခြေ) ၏ hydrothermal synthesis ကို လမ်းညွှန်သည်။

အခြားလေ့လာမှု (ပုံ 3) တွင် CVD စနစ်ရှိ ဂရပ်ဖင်း၏ ကြီးထွားမှုပုံစံကို ခွဲခြမ်းစိတ်ဖြာရန် စက်သင်ယူမှုကို အသုံးပြုခဲ့သည်။ အရွယ်အစား၊ လွှမ်းခြုံမှု၊ ဒိုမိန်းသိပ်သည်းဆနှင့် ဂရပ်ဖင်း၏ ရှုထောင့်အချိုးတို့ကို ဒေသဆိုင်ရာ အဆိုပြုချက် convolutional neural network (R-CNN) ကို တီထွင်ခြင်းဖြင့် အလိုအလျောက် တိုင်းတာပြီး ခွဲခြမ်းစိတ်ဖြာပြီးနောက် အငှားမော်ဒယ်များကို အာရုံကြောကွန်ရက်များ (ANN) နှင့် ပံ့ပိုးပေးသည့် vector စက်များ ( SVM) CVD လုပ်ငန်းစဉ် variable များနှင့် တိုင်းတာထားသော သတ်မှတ်ချက်များအကြား ဆက်စပ်မှုကို ခန့်မှန်းရန်။ ဤချဉ်းကပ်နည်းသည် graphene ပေါင်းစပ်မှုကို အတုယူနိုင်ပြီး ကြီးမားသော စပါးအရွယ်အစားနှင့် ဒိုမိန်းသိပ်သည်းဆနည်းပါးသော လိုချင်သောပုံစံဖြင့် graphene ပေါင်းစပ်မှုအတွက် စမ်းသပ်မှုအခြေအနေများကို ဆုံးဖြတ်နိုင်ပြီး အချိန်နှင့် ကုန်ကျစရိတ် ² ³ များစွာသက်သာစေသည်။

ပုံ 3 စက်သင်ယူခြင်းသည် CVD စနစ်များတွင် graphene ကြီးထွားမှုပုံစံများကို ခန့်မှန်းသည်။

(၂) အလိုအလျောက် CVD လုပ်ငန်းစဉ်

ပိုမိုတိကျသောထိန်းချုပ်မှုနှင့် ပိုမိုမြင့်မားသောထုတ်လုပ်မှုထိရောက်မှုရရှိရန် CVD လုပ်ငန်းစဉ်အတွင်း ကန့်သတ်ချက်များကို အချိန်နှင့်တပြေးညီ စောင့်ကြည့်ထိန်းညှိရန် အလိုအလျောက်စနစ်များကို တီထွင်ရန်အတွက် စက်သင်ယူမှုကို အသုံးပြုနိုင်သည်။ ပုံ 4 တွင်ပြသထားသည့်အတိုင်း Xidian University မှသုတေသနအဖွဲ့တစ်ဖွဲ့သည် CVD နှစ်လွှာနှစ်ဖက်မြင်ပစ္စည်းများ၏လည်ပတ်ထောင့်ကိုခွဲခြားသတ်မှတ်ရန်အခက်အခဲကိုကျော်လွှားရန်နက်နဲသောသင်ယူမှုကိုအသုံးပြုခဲ့သည်။ ၎င်းတို့သည် CVD မှပြင်ဆင်ထားသော MoS2 ၏အရောင်အာကာသကိုစုဆောင်းပြီး MoS2 ၏အထူကိုတိကျမြန်ဆန်စွာခွဲခြားသတ်မှတ်ရန်အတွက် semantic segmentation convolutional neural network (CNN) ကိုအသုံးပြုကာ CVD ကြီးထွားလာမှုထောင့်၏တိကျသောခန့်မှန်းချက်ရရှိစေရန်ဒုတိယ CNN မော်ဒယ်ကိုလေ့ကျင့်သင်ကြားပေးခဲ့သည်။ နှစ်ထပ် TMD ပစ္စည်းများ။ ဤနည်းလမ်းသည် နမူနာဖော်ထုတ်ခြင်း၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးရုံသာမက ပစ္စည်းများ သိပ္ပံနယ်ပယ်တွင် နက်နဲသောသင်ယူမှုကို အသုံးချခြင်းအတွက် ပါရာဒိုင်းအသစ်တစ်ခုလည်း ပေးပါသည်။⁴.

ပုံ 4 နက်ရှိုင်းသောသင်ယူမှုနည်းလမ်းများသည် နှစ်ထပ်အလွှာနှစ်ဘက်မြင်ပစ္စည်းများ၏ထောင့်များကိုခွဲခြားသတ်မှတ်သည်။

ကိုးကား:

(1) Guo, Q.-M.; Qin, Z.-H. အဏုမြူထုတ်လုပ်မှုတွင် အခိုးအငွေ့ထွက်ခြင်းနည်းပညာကို တီထွင်ခြင်းနှင့် အသုံးချခြင်း။ Acta Physica Sinica 2021၊ 70 (၂)၊၀၂၈၁၀၁-၀၂၈၁၀၁-၀၂၈၁၀၁-၀၂၈၁၁၅။ DOI- 10.7498/aps.70.20201436။

(၂) Yi, K.; Liu, D.; Chen, X.; ယန်, ဂျေ; ဝေဃ။; Liu, Y.; Wei, D. ပလာစမာ-မြှင့်တင်ထားသော ဓာတုအငွေ့များ စွန့်ပစ်ခြင်းအတွက် အသုံးချမှုများအတွက် နှစ်ဘက်မြင် ပစ္စည်းများ။ ဓာတုဗေဒ သုတေသန 2021၊ 54 (4)၊ 1011-1022။ DOI- 10.1021/acs.accounts.0c00757။

(၃) ဟွမ်ဂျီ၊ ကင်, T.; Shin, J.; Shin, N.; Hwang, S. CVD graphene ခွဲခြမ်းစိတ်ဖြာမှုအတွက် စက်သင်ယူမှုများ- တိုင်းတာခြင်းမှ SEM ပုံများ၏ သရုပ်ဖော်ခြင်းအထိ။ စက်မှုနှင့်အင်ဂျင်နီယာ ဓာတုဗေဒဂျာနယ် 2021၊ 101၊ 430-444။ DOI- https://doi.org/10.1016/j.jiec.2021.05.031။

(၄) Hou, B.; Wu, J.; Qiu, D. Y. တစ်ဦးချင်း Kohn-Sham ပြည်နယ်များ၏ ကြီးကြပ်မှုမရှိဘဲ သင်ယူခြင်း- များစွာသော ခန္ဓာကိုယ်အကျိုးသက်ရောက်မှုများ၏ အောက်ပိုင်းခန့်မှန်းချက်များအတွက် အဓိပ္ပာယ်ပြန်ဆိုနိုင်သော ကိုယ်စားပြုမှုများနှင့် အကျိုးဆက်များ။ 2024; p arXiv:2404.14601။