နိုဘယ်ဆု၏နောက်ကွယ်မှ CVD နည်းပညာဆန်းသစ်တီထွင်မှု

မကြာသေးမီကရူပဗေဒရှိနိုဘယ်ဆုရှင်ဆုရှင် 2024 ယောက်၏ကြေငြာချက်သည်မကြုံစဖူးထောက်လှမ်းရေးနယ်ပယ်ကိုမကြုံစဖူးအာရုံစိုက်မှုဖြစ်စေခဲ့သည်။ အမေရိကန်သိပ္ပံပညာရှင်ဂျွန်ဂျီဒိုးနှင့်ကနဒေါသိပ္ပံပညာရှင် Geofffrey E. Hinton တို့၏သုတေသနသည်ယနေ့ရှုပ်ထွေးသောရူပဗေဒအသစ်များသို့ထိုးထွင်းသိမြင်မှုအသစ်များပေးရန်စက်သင်ယူမှုဆိုင်ရာကိရိယာများကိုအသုံးပြုသည်။ ဤအောင်မြင်မှုသည်အတုထောက်လှမ်းရေးနည်းပညာအတွက်အရေးကြီးသောမှတ်တိုင်တစ်ခုသာမဟုတ်ဘဲရူပဗေဒနှင့်အတုဥာဏ်ရည်ကိုပေါင်းစပ်ထားခြင်းဖြစ်သည်။

ⅰ။ ရူပဗေဒတွင်ဓာတုအခိုးအငွေ့စုဆောင်းမှု (CVD) နည်းပညာ၏အရေးပါမှုနှင့်စိန်ခေါ်မှုများ

ရူပဗေဒဆိုင်ရာဓာတုအငွေ့စုဆောင်းမှု (CVD) နည်းပညာ၏အရေးပါမှုသည်ဘက်ပေါင်းစုံဖြစ်သည်။ ၎င်းသည်အရေးကြီးသောပစ္စည်းပြင်ဆင်ခြင်းနည်းပညာတစ်ခုသာမကရူပဗေဒသုတေသနနှင့်လျှောက်လွှာများဖွံ့ဖြိုးတိုးတက်ရေးအတွက်အဓိကအခန်းကဏ် plays မှပါ 0 င်သည်။ CVD နည်းပညာသည်အက်တမ်နှင့်မော်လီကျူးအဆင့်ဆင့်ရှိပစ္စည်းများကြီးထွားမှုကိုအတိအကျထိန်းချုပ်နိုင်သည်။ ပုံ 1 မှာပြထားတဲ့အတိုင်း, ဒီနည်းပညာဟာစွမ်းဆောင်ရည်မြင့်ပါးလွှာတဲ့ရုပ်ရှင်တွေ, နာတာချိန်နယ်မြေများကိုဓာတုဗေဒဆိုင်ရာသိုလှောင်ထားသည့်ပစ္စည်းအမျိုးမျိုးကိုဖြစ်ပေါ်စေသည်။ ၎င်းသည် microstructure နှင့် macroscopic ဂုဏ်သတ္တိများအကြားဆက်နွယ်မှုများကိုနားလည်သဘောပေါက်ခြင်းနှင့်စူးစမ်းလေ့လာခြင်းအတွက်ရူပဗေဒတွင်အလွန်အရေးကြီးသည်,

ဒုတိယအချက်မှာ CVD နည်းပညာသည် Semiconductor ကိရိယာများတွင်အမျိုးမျိုးသောအလုပ်လုပ်သောပါးလွှာသောရုပ်ရှင်များကိုပြင်ဆင်ရန်အဓိကနည်းပညာဖြစ်သည်။ ဥပမာအားဖြင့် CVD သည် Silicon SicyStal Epitaxial Epitaxial Examaxial Layers များ, ii-vi semiconductor symartucial crystal crystal crystal crystal crystal crystal crystal crystal crystal figxon ရုပ်ရှင်များစသည်တို့ကို အသုံးပြု. အသုံးပြုသည်။ optoelectronic ကိရိယာများ။ ထို့အပြင် CVD နည်းပညာသည်ရူပဗေဒဆိုင်ရာသုတေသနနယ်ပယ်များတွင် optical ပစ္စည်းများ, superconducte ပစ္စည်းများနှင့်သံလိုက်ပစ္စည်းများကဲ့သို့သောရူပဗေဒသုတေသနနယ်ပယ်များတွင်အရေးကြီးသောအခန်းကဏ် plays မှပါ 0 င်သည်။ CVD နည်းပညာဖြင့်တိကျသော optical ဂုဏ်သတ္တိများနှင့်အတူပါးလွှာသောရုပ်ရှင်များကို optoelelectronic devices များနှင့် optical အာရုံခံကိရိယာများအတွက်အသုံးပြုရန်အတွက်ဖန်တီးနိုင်ပါသည်။

ပုံ 1 CVD တုံ့ပြန်မှုလွှဲပြောင်းမှုအဆင့်

တစ်ချိန်တည်းမှာပင် CVD နည်းပညာသည်လက်တွေ့ကျသော application များတွင်စိန်ခေါ်မှုများအချို့နှင့်ရင်ဆိုင်နေရသည်။

✔ မြင့်မားသောအပူချိန်နှင့်မြင့်မားသောဖိအားအခြေအနေများဖြေ - CVD သည်များသောအားဖြင့်အပူချိန်မြင့်မားခြင်းသို့မဟုတ်ဖိအားမြင့်မားခြင်းများပြုလုပ်ရန်လိုအပ်ပြီးစွမ်းအင်သုံးစွဲမှုနှင့်ကုန်ကျစရိတ်ကိုတိုးမြှင့်နိုင်သောပစ္စည်းများအမျိုးအစားများကိုကန့်သတ်ထားသည်။

✔ parameter သည် sensitivity ကို- CVD လုပ်ငန်းစဉ်သည်တုံ့ပြန်မှုအခြေအနေများနှင့်အလွန်အမင်းအထိခိုက်မခံပါ။ သေးငယ်သောအပြောင်းအလဲများပင်နောက်ဆုံးပေါ်ထုတ်ကုန်၏အရည်အသွေးကိုအကျိုးသက်ရောက်နိုင်သည်။

✔ CVD စနစ်သည်ရှုပ်ထွေးသည်- CVD လုပ်ငန်းစဉ်သည်နယ်နိမိတ်အခြေအနေများအပေါ်အထိခိုက်မခံပါ။

ⅱ။ ဓာတုအငွေ့အခိုးအငွေ့ (CVD) နည်းပညာနှင့်စက်သင်ယူမှု

ဤအခက်အခဲများနှင့်ရင်ဆိုင်ရခြင်းဖြင့်စက်ခြင်းကိုအစွမ်းထက်သောဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းကိရိယာတစ်ခုအနေဖြင့် CVD Field တွင်ပြ problems နာအချို့ကိုဖြေရှင်းရန်အလားအလာကိုပြသခဲ့သည်။ အောက်တိုဘာသည် CVD နည်းပညာတွင်စက်လေ့လာမှုကိုလျှောက်လွှာတင်ခြင်းဥပမာများဖြစ်သည်။

(1) CVD ကြီးထွားမှုကိုကြိုတင်ခန့်မှန်းခြင်း

algorithms ကိုလေ့လာခြင်းကိုအသုံးပြုခြင်းဖြင့်ကျွန်ုပ်တို့သည်စမ်းသပ်အချက်အလက်အမြောက်အများမှသင်ယူနိုင်ပြီးကွဲပြားခြားနားသောအခြေအနေများတွင် CVD တိုးတက်မှုနှုန်းကိုလေ့လာနိုင်သည်။ ပုံ 2 တွင်ဖော်ပြထားသည့်အတိုင်းစင်ကာပူရှိနန်ယန်းနည်းပညာတက္ကသိုလ်သုတေသနအဖွဲ့သည် CVD ၏ CVD ပေါင်းစပ်မှုများကိုလမ်းညွှန်ပေးသည့် CVD Syntherses ကိုလမ်းညွှန်ပေးရန် SCGORMMM ကိုအသုံးပြုခဲ့သည်။ အစောပိုင်းစမ်းသပ်အချက်အလက်များကိုခွဲခြမ်းစိတ်ဖြာခြင်းအားဖြင့်သူတို့သည် Molybdenum disulfide (MOS2) ၏ကြီးထွားမှုအခြေအနေများ (MOS2) ၏တိုးတက်မှုအခြေအနေများကိုအောင်မြင်စွာကြိုတင်ဟောကိန်းထုတ်ခဲ့ပြီးစမ်းသပ်မှုအောင်မြင်မှုနှုန်းကိုသိသိသာသာတိုးတက်စေပြီးစမ်းသပ်မှုအရေအတွက်ကိုလျှော့ချခြင်း။

ပုံ 2 စက်ကိုလေ့လာခြင်းလမ်းညွှန်များကိုပေါင်းစပ်ခြင်း

(က) ပစ္စည်းသုတေသနနှင့်ဖွံ့ဖြိုးတိုးတက်မှုဆိုင်ရာမရှိမဖြစ်လိုအပ်သောအစိတ်အပိုင်း - ပစ္စည်းပေါင်းစပ်ခြင်း။

(ခ) အရွယ်အစားနှစ်လုံးလုံးရှိသောပစ္စည်းများ (ထိပ်) ကိုဖန်တီးရန် Classification Model သည်ဓာတုအခိုးအငွေ့ကိုအလေးထားသည်။ Regression မော်ဒယ်လ်များသည်ဆာလဖာ - နိုက်ထရိုဂျင်ကို hydrogetal suldrogen dots (အောက်ခြေ)) doped fluorescent dots (အောက်ခြေ)) ။

အခြားလေ့လာမှုတစ်ခုတွင် (ပုံ 3) တွင်စက်ခြင်းကို CVD စနစ်ရှိကြီးထွားမှုပုံစံကိုခွဲခြမ်းစိတ်ဖြာရန်အသုံးပြုခဲ့သည်။ CVD Processal Neural Neural Neural Neural Neural ကွန်ယက် (အန်းကွန်ယက်) ကို သုံး. cvd process neural neural neural neural neural neural neural neural neurnings (art) နှင့်တိုင်းတာမှုဆိုင်ရာဆက်စပ်မှုကို အသုံးပြု. အ 0 တ်အထည်မော်ဒယ်များ (svm) ကို အသုံးပြု. အငှားမော်ဒယ်များ (SVM) ကိုတီထွင်ခဲ့သည်။ ဤချဉ်းကပ်မှုသည်ဂရပ်ဖစ်ပေါင်းစပ်မှုကိုတုပနိုင်ပြီးဂရော့စ်အရွယ်အစားရှိပြီးကြီးမားသောဒိုမိန်းသိပ်သည်းမှုနည်းပါးသောအချိန်နှင့်ကုန်ကျစရိတ်များစွာကိုစုဆောင်းခြင်းကိုပြုလုပ်ရန်အတွက်ဂရပ်ဖစ်ပေါင်းစပ်ခြင်းအတွက်စမ်းသပ်မှုကိုဆုံးဖြတ်နိုင်သည်

ပုံ 3 စက်သင်ယူမှုသည် CVD စနစ်များတွင် graphene တိုးတက်မှုပုံစံများကိုခန့်မှန်းထားသည်

(2) အလိုအလျောက် CVD လုပ်ငန်းစဉ်

စက်ကိုလေ့လာရန်နှင့်ထုတ်လုပ်မှုပိုမိုမြင့်မားစေရန်အတွက် CVD လုပ်ငန်းစဉ်ရှိ Parameterser ကိုစောင့်ကြည့်လေ့လာရန်နှင့်ချိန်ညှိရန်အတွက်အလိုအလျောက်စနစ်များကိုတီထွင်ရန်စက်ကိုလေ့လာရန်အသုံးပြုနိုင်သည်။ ပုံ 4 မှာပြထားတဲ့အတိုင်း Xidian တက္ကသိုလ်မှသုတေသနအဖွဲ့သည် CVD Double Layer နှစ်ခု -late-layer နှစ်ခု -late-layer two artications များကိုဖော်ထုတ်ရန်အခက်အခဲများကိုကျော်လွှားရန်နက်ရှိုင်းသောသင်ယူမှုကိုအသုံးပြုခဲ့သည်။ ၎င်းတို့သည် CVD မှပြင်ဆင်ထားသည့် MOS2 ၏အရောင်နေရာကိုစုဆောင်းပြီး Semd-GRAWS TMD TMD ပစ္စည်းများ၏အလှည့်ထောင့်များ၏တိကျသောကြိုတင်ခန့်မှန်းချက်ကိုရရှိရန်ဒုတိယ CNN Model ကိုအသုံးပြုခဲ့သည်။ ဤနည်းလမ်းသည်နမူနာဖော်ထုတ်ခြင်း၏ထိရောက်မှုကိုတိုးတက်စေသည်မဟုတ်ဘဲပစ္စည်းများသိပ္ပံပညာ၏လယ်ပြင်၌နက်ရှိုင်းသောလေ့လာမှုကိုလျှောက်လွှာတင်ရန်အတွက်ပါရာဒိုင်းအသစ်တစ်ခုကိုထောက်ပံ့ပေးသည်⁴.

ပုံ 4 နက်ရှိုင်းသောသင်ယူမှုနည်းလမ်းများသည်နှစ်ဆအလွှာနှစ်လုံးရှိသောပုံစံများကို double-layer နှစ်ခု၏ထောင့်များကိုဖော်ထုတ်သည်

ကိုးကားခြင်း:

(1) Guo, q. -m ။ ; qin, z.-h. အက်တမ်ထုတ်လုပ်မှုတွင်အငွေ့အစစ်ခံနည်းပညာဖွံ့ဖြိုးတိုးတက်မှုနှင့်လျှောက်လွှာ။ Acta Thirtica Sinica 2021, 70 (2), 0281011-0281011-028101-02811115 ။ 2: 10.7498 / aps.70.2020146 ။

(2) yi, k ။ ; liu, d ။ ; Chen, x ။ ; ယန်, ည။ ; wei, d ။ ; liu, y ။ ; application များအတွက်နှစ်ရှုထောင်ပစ္စည်းများအတွက် D. Plasma-Enhanced ဓာတုအငွေ့အခိုးအငွေ့များကို Wei ။ 2021, 54 (4), 1011-1022 ၏ဓာတုသုတေသနမှတ်တမ်းများ။ DOI: 10.1021 / acs.accounts.0c00757 ။

(3) hwang, g ။ ; ကင်, T ။ ; Shin, J ။ ; Shin, n ။ ; CVD Conflatene Analysis အတွက် Hwang, S. စက်များ - တိုင်းတာခြင်းမှ SEM ရုပ်ပုံများကို Semult မှ Simulation မှ Simulation သို့ပြုလုပ်ခြင်းမှ။ စက်မှုနှင့်အင်ဂျင်နီယာဓာတုဗေဒဆိုင်ရာဂျာနယ် 2021, 101, 430-444 ။ DOI: https://doi.org/10.1016/j.jiec.2021.05.031 ။

(4) Hou, ခ။ ; ဝူ, j ။ ; Kohn-Mam ပြည်နယ်များကို Qiu Y. D. Y. မှေးမှိန်သည်။ 2024; P arxiv: 2404.14601 ။