ນະວັດຕະກໍາເຕັກໂນໂລຢີ CVD ທີ່ຢູ່ເບື້ອງຫລັງລາງວັນໂນເບວ

ເມື່ອມໍ່ໆມານີ້, ການປະກາດຂອງປີ 2024 ລາງວັນໂນແບລຂະແຫນງຟີຊິກໄດ້ນໍາເອົາຄວາມສົນໃຈທີ່ບໍ່ເຄີຍມີມາກ່ອນໃນສະຫນາມຂອງປັນຍາປະດິດ. ການຄົ້ນຄວ້າວິທະຍາສາດຂອງນັກວິທະຍາສາດອາເມລິກາ John J. Hopfield ແລະນັກວິທະຍາສາດການາດາແລະການາດາໃຊ້ເຄື່ອງມືການຮຽນຮູ້ເຄື່ອງຈັກໃຫມ່ໃຫ້ແກ່ຟີຊິກໃນມື້ນີ້. ຜົນສໍາເລັດນີ້ບໍ່ພຽງແຕ່ຫມາຍເຖິງຈຸດສໍາຄັນສໍາຄັນໃນເຕັກໂນໂລຢີປັນຍາປອມ, ແຕ່ຍັງໄດ້ນໍາໃຊ້ການເຊື່ອມໂຍງກັບຟີຊິກແລະຄວາມສະຫຼາດປອມ.

ⅰ. ຄວາມສໍາຄັນແລະສິ່ງທ້າທາຍຂອງການຝາກເງິນທີ່ມີຄວາມຫມາຍຂອງສານເຄມີ (CVD) ໃນຟີຊິກສາດ

ຄວາມສໍາຄັນຂອງການຝາກເງິນຂອງ Vapor ເຄມີ (CVD) ເຕັກໂນໂລຢີໃນຟີຊິກສາດແມ່ນມີຫຼາຍ. ມັນບໍ່ພຽງແຕ່ແມ່ນເຕັກໂນໂລຢີອຸປະກອນທີ່ສໍາຄັນ, ແຕ່ຍັງມີບົດບາດສໍາຄັນໃນການສົ່ງເສີມການພັດທະນາການຄົ້ນຄວ້າຟີຊິກແລະການສະຫມັກ. ເຕັກໂນໂລຢີ CVD ສາມາດຄວບຄຸມການເຕີບໃຫຍ່ຂອງການເຕີບໃຫຍ່ຂອງວັດສະດຸຕ່າງໆໃນລະດັບປະລໍາມະນູແລະໂມເລກຸນ. ດັ່ງທີ່ສະແດງໃນຮູບ 1, ເຕັກໂນໂລຢີນີ້ຈະເຮັດໃຫ້ວັດສະດຸບາງໆທີ່ມີປະສິດຕິພາບສູງໂດຍສານເຄມີຫຼືສານເຄມີປະຕິກິລິຍາດ້ານຫນ້າແຂງເພື່ອສ້າງເງິນຝາກແຂງ. ນີ້ແມ່ນສິ່ງສໍາຄັນສໍາລັບຄວາມເຂົ້າໃຈແລະການຄົ້ນຫາຄວາມສໍາພັນລະຫວ່າງ microstruction ແລະຄຸນລັກສະນະຂອງວັດຖຸດິບ, ແລະຫຼັງຈາກນັ້ນເຂົ້າໃຈຄຸນສົມບັດທາງກາຍະພາບຂອງພວກເຂົາ.

ອັນທີສອງ, ເຕັກໂນໂລຢີ CVD ແມ່ນເຕັກໂນໂລຢີທີ່ສໍາຄັນສໍາລັບການກະກຽມຮູບເງົາບາງໆທີ່ມີປະໂຫຍດຫຼາຍໃນອຸປະກອນ semiconductor. ຍົກຕົວຢ່າງ, CVD ສາມາດໃຊ້ເພື່ອປູກຊິລິໂຄນດຽວ Silicon Seyitaxial, ແລະໂປແກມ SEMALCYSTALLING SEMALLAXIS ແລະ SEALCYSTALLE SEMALCYSTALLE SEMALLAXIS, ແລະວັດສະດຸແລະວັດສະດຸຕ່າງໆ. ອຸປະກອນຕ່າງໆ. ນອກຈາກນັ້ນ, ເຕັກໂນໂລຢີ CVD ຍັງມີບົດບາດສໍາຄັນໃນຂົງເຂດການຄົ້ນຄວ້າຟີຊິກເຊັ່ນວັດສະດຸ optical, ວັດສະດຸ superconducting, ແລະອຸປະກອນການແມ່ເຫຼັກ. ຜ່ານເຕັກໂນໂລຢີ CVD, ຮູບເງົາບາງໆທີ່ມີຄຸນລັກສະນະ optical ສະເພາະສາມາດຖືກສັງເຄາະສໍາລັບໃຊ້ໃນອຸປະກອນ optoelectronic ແລະເຊັນເຊີ optical.

ຮູບ 1 ຂັ້ນຕອນການໂອນຍ້າຍປະຕິກິລິຍາ CVD

ໃນຂະນະດຽວກັນ, ເທັກໂນໂລຢີ CVD ປະເຊີນກັບສິ່ງທ້າທາຍບາງຢ່າງໃນການນໍາໃຊ້ພາກປະຕິບັດຕົວຈິງ, ເຊັ່ນວ່າ:

✔ ອຸນຫະພູມສູງແລະສະພາບຄວາມກົດດັນສູງ: CVD ປົກກະຕິແລ້ວຕ້ອງໄດ້ປະຕິບັດໃນອຸນຫະພູມສູງຫຼືຄວາມກົດດັນສູງ, ເຊິ່ງຈໍາກັດປະເພດວັດສະດຸທີ່ສາມາດນໍາໃຊ້ແລະເພີ່ມກໍາລັງການຊົມໃຊ້ພະລັງງານແລະຄ່າໃຊ້ຈ່າຍ.

✔ ຄວາມອ່ອນໄຫວຂອງ Parameter: ຂະບວນການ CVD ມີຄວາມອ່ອນໄຫວຫຼາຍຕໍ່ເງື່ອນໄຂຕິກິຣິຍາ, ແລະແມ່ນແຕ່ການປ່ຽນແປງເລັກໆນ້ອຍໆກໍ່ອາດຈະສົ່ງຜົນກະທົບຕໍ່ຄຸນນະພາບຂອງຜະລິດຕະພັນສຸດທ້າຍ.

✔ ລະບົບ CVD ແມ່ນສັບສົນ: ຂະບວນການ CVD ມີຄວາມອ່ອນໄຫວຕໍ່ກັບສະພາບເຂດແດນ, ມີຄວາມບໍ່ແນ່ນອນ, ແລະຍາກທີ່ຈະຄວບຄຸມແລະເຮັດຊ້ໍາອີກ, ເຊິ່ງອາດຈະເຮັດໃຫ້ເກີດຄວາມຫຍຸ້ງຍາກໃນການຄົ້ນຄວ້າແລະພັດທະນາດ້ານວັດຖຸ.

ⅱ. ການຝາກເງິນທາງດ້ານ vapor ທາງເຄມີ (CVD) ແລະການຮຽນຮູ້ເຄື່ອງຈັກ

ປະເຊີນຫນ້າກັບຄວາມຫຍຸ້ງຍາກເຫຼົ່ານີ້, ການຮຽນຮູ້ເຄື່ອງຈັກ, ເປັນເຄື່ອງມືວິເຄາະຂໍ້ມູນທີ່ມີປະສິດທິພາບ, ໄດ້ສະແດງຄວາມສາມາດໃນການແກ້ໄຂບັນຫາບາງຢ່າງໃນພາກສະຫນາມ CVD. ຕໍ່ໄປນີ້ແມ່ນຕົວຢ່າງຂອງການນໍາໃຊ້ຂອງການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນເຕັກໂນໂລຢີ CVD:

(1) ການຄາດຄະເນການເຕີບໂຕຂອງ CVD

ການນໍາໃຊ້ສູດການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ພວກເຮົາສາມາດຮຽນຮູ້ຈາກຂໍ້ມູນການທົດລອງເປັນຈໍານວນຫຼວງຫຼາຍແລະຄາດເດົາຜົນຂອງການເຕີບໂຕຂອງ CVD ພາຍໃຕ້ເງື່ອນໄຂຕ່າງໆ, ເຮັດໃຫ້ການປັບຕົວຂອງຕົວກໍານົດການທົດລອງ. ດັ່ງທີ່ສະແດງໃນຮູບ 2, ທີມງານຄົ້ນຄວ້າຂອງມະຫາວິທະຍາໄລເຕັກໂນໂລຢີ Nanypore ທີ່ປະເທດສິງກະໂປໄດ້ນໍາໃຊ້ລະບົບການຮຽນຮູ້ໃນການຮຽນຮູ້ໃນການເຮັດວຽກຂອງເອກະສານຊີວະແມັດ. ໂດຍການວິເຄາະຂໍ້ມູນການທົດລອງຕົ້ນ, ພວກເຂົາໄດ້ທໍາລາຍສະພາບການຈະເລີນເຕີບໂຕຢ່າງສໍາເລັດຜົນຂອງ Molybdenum disulfide (Mos2), ການປັບປຸງອັດຕາຜົນສໍາເລັດໃນການທົດລອງແລະຫຼຸດຜ່ອນຈໍານວນການທົດລອງ.

ຮູບສະແດງ 2 ເຄື່ອງຮຽນການຮຽນຮູ້ເຄື່ອງຈັກ

(ກ) ສ່ວນທີ່ຂາດບໍ່ໄດ້ຂອງການຄົ້ນຄວ້າແລະພັດທະນາວັດສະດຸ: ການສັງເຄາະວັດສະດຸ.

(ຂ) ຕົວແບບການຈັດປະເພດຊ່ວຍໃນການຝາກເງິນສານເຄມີເພື່ອ sonthesize ວັດຖຸສອງມິຕິ (ດ້ານເທິງ); ຮູບແບບການປົກຄອງສໍາລັບການນໍາໃຊ້ Hydroghermal Synthesis ຂອງ sulfur-nitrogen doped ຈຸດ Quuorescent Dots (ລຸ່ມ).

ໃນການສຶກສາອີກຄັ້ງຫນຶ່ງ (ຮູບ 3), ການຮຽນຮູ້ເຄື່ອງແມ່ນໃຊ້ເພື່ອວິເຄາະແບບຟອມການເຕີບໂຕຂອງ graphene ໃນລະບົບ CVD. ຂະຫນາດ, ການຄຸ້ມຄອງ, ຄວາມຫນາແຫນ້ນຂອງໂດເມນ, ແລະການວິເຄາະແບບອັດຕະໂນມັດໄດ້ຖືກພັດທະນາໂດຍອັດຕະໂນມັດແລະການພັດທະນາ ວິທີການນີ້ສາມາດຈໍາລອງການສັງເຄາະ graphene ແລະກໍານົດສະພາບການທົດລອງທີ່ມີຂະຫນາດຂອງການສັງເຄາະດ້ວຍຄວາມຫນາແຫນ້ນແລະຄວາມຫນາແຫນ້ນຂອງໂດເມນທີ່ມີຄວາມຫນາແຫນ້ນແລະມີຄ່າໃຊ້ຈ່າຍຫຼາຍ³

ຮູບສະແດງ 3 ການຮຽນຮູ້ເຄື່ອງຄາດເດົາຮູບແບບການເຕີບໃຫຍ່ຂອງ Graphene ໃນລະບົບ CVD

(2) ຂະບວນການປະຈໍາເດືອນອັດຕະໂນມັດ

ການຮຽນຮູ້ເຄື່ອງສາມາດຖືກນໍາໃຊ້ເພື່ອພັດທະນາລະບົບອັດຕະໂນມັດເພື່ອຕິດຕາມແລະປັບຕົວພາລາໃນຂະບວນການທີ່ແທ້ຈິງເພື່ອບັນລຸການຄວບຄຸມທີ່ຊັດເຈນແລະປະສິດທິພາບການຜະລິດສູງກວ່າ. ດັ່ງທີ່ສະແດງໃນຮູບ 4, ທີມງານຄົ້ນຄ້ວາຈາກມະຫາວິທະຍາໄລ Xidian ໄດ້ໃຊ້ການຮຽນຢ່າງເລິກເຊິ່ງເພື່ອເອົາຊະນະມຸມຫມູນວຽນຂອງສອງຊັ້ນສອງຊັ້ນ. ພວກເຂົາໄດ້ເກັບກໍາພື້ນທີ່ສີຂອງ Mos2 ໄດ້ກະກຽມໂດຍ CVD ແລະຫຼັງຈາກນັ້ນໄດ້ຮັບການຄາດຄະເນຄວາມຫນາຂອງ Mos 2, ແລະໄດ້ຮັບການຄາດຄະເນຢ່າງຖືກຕ້ອງຂອງມຸມຫມູນວຽນຂອງວັດສະດຸຫມູນວຽນຂອງ CVD. ວິທີການນີ້ບໍ່ພຽງແຕ່ປັບປຸງປະສິດທິພາບຂອງປະສິດທິພາບຂອງຕົວຢ່າງຕົວຢ່າງ, ແຕ່ຍັງສະຫນອງຮູບແບບໃຫມ່ສໍາລັບການນໍາໃຊ້ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງໃນຂົງເຂດວັດສະດຸວິທະຍາສາດວັດສະດຸ⁴.

ຮູບ 4 ວິທີການຮຽນຮູ້ທີ່ເລິກເຊິ່ງໃນການລະບຸເອກະສານທີ່ມີສອງຊັ້ນສອງຊັ້ນ

ເອເນ:

(1) Guo, Q. -m; qin, z.-h. ການພັດທະນາແລະການນໍາໃຊ້ເທັກໂນໂລຢີເງິນຝາກ vapor ໃນການຜະລິດປະລະມານູ. Sinica PRICEA PROCICA ປີ 2021, 70 (2), 028101-028101-028101-028115. ສອງ: 10.7498 / APS.70.20201436.

(2) Yi, k; Liu, D ;; chen, x ;; Yang, J ;; Wei, D. ; LiU, Y ;; Wei, D. ການຝາກເງິນການຝາກເງິນສານເຄມີຂອງສານເຄມີຂອງວັດສະດຸສອງມິຕິສໍາລັບການສະຫມັກ. ບັນຊີຂອງການຄົ້ນຄວ້າທາງເຄມີ 2021, 54 (44), 1011-1022. DOI: 10.1021 / actioncount.0c00757.

(3) hwang, g; Kim, T ;; shin, j ;; shin, n.; HWANG, S. ການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການວິເຄາະຂອງ CVD Green: ຈາກການວັດແທກເພື່ອການຈໍາລອງຮູບພາບ sem. ວາລະສານຂອງເຄມີອຸດສາຫະກໍາແລະວິສະວະກໍາສາດ 2021, 101, 430-444. DOI: https://doi.org/10.1016/j.jiec.2021.05.031.

(4) Hou, B. ; Wu, J ;; ຈືຂໍ້ມູນການ, D. Y. ການຮຽນຮູ້ທີ່ບໍ່ໄດ້ຮັບການສັງເກດຂອງລັດ Kohn-Sham ລັດ Kohn-Sham: ການຕີຄວາມຕີຄວາມຫມາຍແລະຜົນສະທ້ອນສໍາລັບການຄາດຄະເນຂອງຮ່າງກາຍຂອງຮ່າງກາຍ. 2024; P ARXIV: 2404.14601.