نوبل انعام کے پیچھے CVD ٹیکنالوجی کی اختراع

حال ہی میں، فزکس کے 2024 کے نوبل انعام کے اعلان نے مصنوعی ذہانت کے شعبے پر بے مثال توجہ دلائی ہے۔ امریکی سائنسدان جان جے ہاپ فیلڈ اور کینیڈا کے سائنسدان جیفری ای ہنٹن کی تحقیق آج کی پیچیدہ طبیعیات میں نئی ​​بصیرت فراہم کرنے کے لیے مشین لرننگ ٹولز کا استعمال کرتی ہے۔ یہ کامیابی نہ صرف مصنوعی ذہانت کی ٹیکنالوجی میں ایک اہم سنگ میل کی نشاندہی کرتی ہے بلکہ طبیعیات اور مصنوعی ذہانت کے گہرے انضمام کی بھی نشاندہی کرتی ہے۔

Ⅰ طبیعیات میں کیمیائی بخارات جمع کرنے (CVD) ٹیکنالوجی کی اہمیت اور چیلنجز

طبیعیات میں کیمیائی بخارات جمع کرنے (CVD) ٹیکنالوجی کی اہمیت کثیر جہتی ہے۔ یہ نہ صرف مادی تیاری کی ایک اہم ٹیکنالوجی ہے بلکہ طبیعیات کی تحقیق اور اطلاق کی ترقی کو فروغ دینے میں بھی کلیدی کردار ادا کرتی ہے۔ CVD ٹیکنالوجی جوہری اور سالماتی سطحوں پر مواد کی نشوونما کو قطعی طور پر کنٹرول کر سکتی ہے۔ جیسا کہ شکل 1 میں دکھایا گیا ہے، یہ ٹکنالوجی ٹھوس سطح پر گیسی یا بخارات والے مادوں کا کیمیائی طور پر رد عمل کرتے ہوئے ٹھوس ذخائر پیدا کرنے کے لیے مختلف قسم کی اعلیٰ کارکردگی والی پتلی فلمیں اور نانو اسٹرکچرڈ مواد تیار کرتی ہے۔ یہ مادّے کی مائیکرو سٹرکچر اور میکروسکوپک خصوصیات کے درمیان تعلق کو سمجھنے اور دریافت کرنے کے لیے فزکس میں بہت اہم ہے، کیونکہ یہ سائنس دانوں کو مخصوص ڈھانچے اور کمپوزیشن والے مواد کا مطالعہ کرنے اور پھر ان کی جسمانی خصوصیات کو گہرائی سے سمجھنے کی اجازت دیتا ہے۔

دوم، سی وی ڈی ٹیکنالوجی سیمی کنڈکٹر ڈیوائسز میں مختلف فنکشنل پتلی فلموں کی تیاری کے لیے ایک اہم ٹیکنالوجی ہے۔ مثال کے طور پر، سی وی ڈی کا استعمال سلیکون سنگل کرسٹل ایپیٹیکسیل تہوں، III-V سیمی کنڈکٹرز جیسے گیلیم آرسنائیڈ اور II-VI سیمی کنڈکٹر سنگل کرسٹل ایپیٹیکسی، اور مختلف ڈوپڈ سیمی کنڈکٹر سنگل کرسٹل ایپیٹیکسیل فلموں، پولی کرسٹل لائن سلکان فلموں وغیرہ کو جمع کرنے کے لیے کیا جا سکتا ہے۔ اور ڈھانچے جدید الیکٹرانک آلات اور آپٹو الیکٹرانک کی بنیاد ہیں۔ آلات اس کے علاوہ، CVD ٹیکنالوجی طبیعیات کے تحقیقی شعبوں جیسے کہ نظری مواد، سپر کنڈکٹنگ مواد، اور مقناطیسی مواد میں بھی اہم کردار ادا کرتی ہے۔ CVD ٹیکنالوجی کے ذریعے، مخصوص نظری خصوصیات والی پتلی فلموں کو آپٹو الیکٹرانک آلات اور آپٹیکل سینسر میں استعمال کے لیے ترکیب کیا جا سکتا ہے۔

شکل 1 CVD ردعمل کی منتقلی کے مراحل

ایک ہی وقت میں، CVD ٹیکنالوجی کو عملی ایپلی کیشنز میں کچھ چیلنجز کا سامنا ہے، جیسے:

✔ اعلی درجہ حرارت اور ہائی پریشر کے حالات: CVD کو عام طور پر اعلی درجہ حرارت یا زیادہ دباؤ پر انجام دینے کی ضرورت ہوتی ہے، جو استعمال کیے جانے والے مواد کی اقسام کو محدود کرتا ہے اور توانائی کی کھپت اور لاگت کو بڑھاتا ہے۔

✔ پیرامیٹر کی حساسیت: CVD عمل رد عمل کے حالات کے لیے انتہائی حساس ہے، اور یہاں تک کہ چھوٹی تبدیلیاں بھی حتمی مصنوعات کے معیار کو متاثر کر سکتی ہیں۔

✔ سی وی ڈی سسٹم پیچیدہ ہے۔: CVD کا عمل حدود کے حالات کے لیے حساس ہے، بڑی غیر یقینی صورتحال ہے، اور اس پر قابو پانا اور دہرانا مشکل ہے، جس کی وجہ سے مادی تحقیق اور ترقی میں مشکلات پیدا ہو سکتی ہیں۔

Ⅱ کیمیائی بخارات جمع (CVD) ٹیکنالوجی اور مشین لرننگ

ان مشکلات کا سامنا کرتے ہوئے، مشین لرننگ، ایک طاقتور ڈیٹا تجزیہ ٹول کے طور پر، نے CVD فیلڈ میں کچھ مسائل کو حل کرنے کی صلاحیت ظاہر کی ہے۔ CVD ٹیکنالوجی میں مشین لرننگ کے اطلاق کی مثالیں درج ذیل ہیں:

(1) سی وی ڈی کی ترقی کی پیشن گوئی

مشین لرننگ الگورتھم کا استعمال کرتے ہوئے، ہم تجرباتی ڈیٹا کی ایک بڑی مقدار سے سیکھ سکتے ہیں اور مختلف حالات میں CVD کی ترقی کے نتائج کی پیشین گوئی کر سکتے ہیں، اس طرح تجرباتی پیرامیٹرز کی ایڈجسٹمنٹ کی رہنمائی کرتے ہیں۔ جیسا کہ شکل 2 میں دکھایا گیا ہے، سنگاپور میں نانیانگ ٹیکنولوجیکل یونیورسٹی کی ریسرچ ٹیم نے مشین لرننگ میں درجہ بندی الگورتھم کو دو جہتی مواد کی CVD ترکیب کی رہنمائی کے لیے استعمال کیا۔ ابتدائی تجرباتی اعداد و شمار کا تجزیہ کرکے، انہوں نے کامیابی کے ساتھ molybdenum disulfide (MoS2) کی ترقی کے حالات کی پیشن گوئی کی، تجرباتی کامیابی کی شرح کو نمایاں طور پر بہتر بنایا اور تجربات کی تعداد کو کم کیا۔

تصویر 2 مشین لرننگ مواد کی ترکیب کی رہنمائی کرتی ہے۔

(a) مادی تحقیق اور ترقی کا ایک ناگزیر حصہ: مادی ترکیب۔

(b) درجہ بندی کا ماڈل دو جہتی مواد (اوپر) کی ترکیب میں کیمیائی بخارات جمع کرنے میں مدد کرتا ہے۔ ریگریشن ماڈل سلفر نائٹروجن ڈوپڈ فلوروسینٹ کوانٹم ڈاٹس (نیچے) کی ہائیڈرو تھرمل ترکیب کی رہنمائی کرتا ہے۔

ایک اور تحقیق میں (شکل 3)، مشین لرننگ کا استعمال CVD سسٹم میں گرافین کے بڑھنے کے انداز کا تجزیہ کرنے کے لیے کیا گیا۔ گرافین کا سائز، کوریج، ڈومین کثافت، اور پہلو کا تناسب ریجن پروپوزل کنولوشنل نیورل نیٹ ورک (R-CNN) تیار کرکے خود بخود ماپا اور تجزیہ کیا گیا، اور پھر مصنوعی نیورل نیٹ ورکس (ANN) اور سپورٹ ویکٹر مشینوں (ANN) کا استعمال کرتے ہوئے سروگیٹ ماڈل تیار کیے گئے۔ SVM) CVD عمل کے متغیرات اور ماپا تصریحات کے درمیان ارتباط کا اندازہ لگانے کے لیے۔ یہ نقطہ نظر گرافین کی ترکیب کی تقلید کر سکتا ہے اور بڑے اناج کے سائز اور کم ڈومین کثافت کے ساتھ مطلوبہ شکل کے ساتھ گرافین کی ترکیب کے تجرباتی حالات کا تعین کر سکتا ہے، جس سے کافی وقت اور لاگت کی بچت ہوتی ہے² ³

تصویر 3 مشین لرننگ CVD سسٹمز میں گرافین کی ترقی کے نمونوں کی پیش گوئی کرتی ہے۔

(2) خودکار CVD عمل

مشین لرننگ کا استعمال خودکار نظام تیار کرنے کے لیے کیا جا سکتا ہے تاکہ CVD کے عمل میں پیرامیٹرز کو حقیقی وقت میں نگرانی اور ایڈجسٹ کیا جا سکے تاکہ زیادہ درست کنٹرول اور اعلیٰ پیداواری کارکردگی حاصل کی جا سکے۔ جیسا کہ شکل 4 میں دکھایا گیا ہے، Xidian یونیورسٹی کی ایک تحقیقی ٹیم نے CVD ڈبل لیئر دو جہتی مواد کی گردش کے زاویے کی شناخت کی دشواری پر قابو پانے کے لیے گہری تعلیم کا استعمال کیا۔ انہوں نے CVD کے ذریعہ تیار کردہ MoS2 کی کلر اسپیس کو اکٹھا کیا اور MoS2 کی موٹائی کو درست اور فوری طور پر شناخت کرنے کے لیے ایک سیمنٹک سیگمنٹیشن کنوولوشنل نیورل نیٹ ورک (CNN) کا اطلاق کیا، اور پھر CVD سے بڑھے ہوئے گردشی زاویے کی درست پیشین گوئی حاصل کرنے کے لیے دوسرے CNN ماڈل کو تربیت دی۔ ڈبل پرت TMD مواد. یہ طریقہ نہ صرف نمونے کی شناخت کی کارکردگی کو بہتر بناتا ہے بلکہ میٹریل سائنس کے میدان میں گہری تعلیم کے اطلاق کے لیے ایک نیا نمونہ بھی فراہم کرتا ہے۔⁴.

شکل 4 گہرے سیکھنے کے طریقے ڈبل لیئر دو جہتی مواد کے کونوں کی نشاندہی کرتے ہیں۔

حوالہ جات:

(1) گو، کیو ایم؛ کن، Z.-H. جوہری مینوفیکچرنگ میں بخارات جمع کرنے والی ٹیکنالوجی کی ترقی اور اطلاق۔ ایکٹا فزیکا سینیکا 2021، 70 (2)، 028101-028101-028101-028115۔ DOI: 10.7498/aps.70.20201436۔

(2) یی، کے۔ لیو، ڈی. چن، ایکس؛ یانگ، جے؛ وی، ڈی؛ لیو، وائی؛ Wei, D. ایپلی کیشنز کے لیے دو جہتی مواد کا پلازما سے بڑھا ہوا کیمیائی بخارات کا ذخیرہ۔ کیمیکل ریسرچ کے اکاؤنٹس 2021، 54 (4)، 1011-1022۔ DOI: 10.1021/acs.accounts.0c00757۔

(3) ہوانگ، جی؛ کم، ٹی. شن، جے؛ شن، این. ہوانگ، S. CVD گرافین تجزیہ کے لیے مشین لرننگ: پیمائش سے لے کر SEM امیجز کی نقل تک۔ جرنل آف انڈسٹریل اینڈ انجینئرنگ کیمسٹری 2021، 101، 430-444۔ DOI: https://doi.org/10.1016/j.jiec.2021.05.031۔

(4) ہو، بی۔ وو، جے؛ Qiu, D. Y. انفرادی کوہن-شام ریاستوں کی غیر زیر نگرانی سیکھنے: متعدد جسمانی اثرات کی بہاو کی پیشین گوئیوں کے لئے قابل تشریح نمائندگی اور نتائج۔ 2024; p arXiv:2404.14601۔