নোবেল পুরস্কারের পিছনে সিভিডি প্রযুক্তি উদ্ভাবন

সম্প্রতি, পদার্থবিদ্যায় 2024 সালের নোবেল পুরস্কারের ঘোষণা কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে অভূতপূর্ব মনোযোগ এনেছে। আমেরিকান বিজ্ঞানী জন জে. হপফিল্ড এবং কানাডিয়ান বিজ্ঞানী জিওফ্রে ই. হিন্টনের গবেষণা আজকের জটিল পদার্থবিজ্ঞানে নতুন অন্তর্দৃষ্টি প্রদান করতে মেশিন লার্নিং টুল ব্যবহার করে৷ এই অর্জন শুধুমাত্র কৃত্রিম বুদ্ধিমত্তা প্রযুক্তিতে একটি গুরুত্বপূর্ণ মাইলফলক চিহ্নিত করে না, বরং পদার্থবিদ্যা এবং কৃত্রিম বুদ্ধিমত্তার গভীর একীকরণেরও সূচনা করে।

Ⅰ পদার্থবিদ্যায় রাসায়নিক বাষ্প জমা (সিভিডি) প্রযুক্তির তাৎপর্য এবং চ্যালেঞ্জ

পদার্থবিদ্যায় রাসায়নিক বাষ্প জমা (CVD) প্রযুক্তির তাৎপর্য বহুমুখী। এটি শুধুমাত্র একটি গুরুত্বপূর্ণ উপাদান প্রস্তুতি প্রযুক্তিই নয়, এটি পদার্থবিজ্ঞান গবেষণা এবং প্রয়োগের উন্নয়নে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে। সিভিডি প্রযুক্তি পারমাণবিক এবং আণবিক স্তরে পদার্থের বৃদ্ধিকে সুনির্দিষ্টভাবে নিয়ন্ত্রণ করতে পারে। চিত্র 1-এ দেখানো হয়েছে, এই প্রযুক্তিটি কঠিন আমানত তৈরি করতে কঠিন পৃষ্ঠের উপর বায়বীয় বা বাষ্পযুক্ত পদার্থের রাসায়নিকভাবে বিক্রিয়া করে উচ্চ-কার্যক্ষমতা সম্পন্ন পাতলা ফিল্ম এবং ন্যানোস্ট্রাকচার্ড পদার্থের বিভিন্ন ধরনের উত্পাদন করে। পদার্থবিজ্ঞানের মাইক্রোস্ট্রাকচার এবং ম্যাক্রোস্কোপিক বৈশিষ্ট্যগুলির মধ্যে সম্পর্ক বোঝার এবং অন্বেষণ করার জন্য এটি অত্যন্ত গুরুত্বপূর্ণ, কারণ এটি বিজ্ঞানীদের নির্দিষ্ট কাঠামো এবং রচনাগুলির সাথে উপাদানগুলি অধ্যয়ন করতে এবং তারপরে তাদের শারীরিক বৈশিষ্ট্যগুলি গভীরভাবে বুঝতে দেয়।

দ্বিতীয়ত, সিভিডি প্রযুক্তি সেমিকন্ডাক্টর ডিভাইসে বিভিন্ন কার্যকরী পাতলা ফিল্ম প্রস্তুত করার জন্য একটি মূল প্রযুক্তি। উদাহরণস্বরূপ, সিভিডি সিলিকন সিঙ্গেল ক্রিস্টাল এপিটাক্সিয়াল লেয়ার, III-V সেমিকন্ডাক্টর যেমন গ্যালিয়াম আর্সেনাইড এবং II-VI সেমিকন্ডাক্টর সিঙ্গেল ক্রিস্টাল এপিটাক্সি, এবং বিভিন্ন ডোপড সেমিকন্ডাক্টর সিঙ্গেল ক্রিস্টাল এপিটাক্সিয়াল ফিল্ম, পলিক্রিস্টালাইন সিলিকন ফিল্ম, ইত্যাদি জমা করতে ব্যবহার করা যেতে পারে। এবং কাঠামো আধুনিক ইলেকট্রনিক ডিভাইস এবং অপটোইলেক্ট্রনিকের ভিত্তি ডিভাইস এছাড়াও, সিভিডি প্রযুক্তি পদার্থবিদ্যা গবেষণা ক্ষেত্রে যেমন অপটিক্যাল উপকরণ, সুপারকন্ডাক্টিং উপকরণ এবং চৌম্বকীয় পদার্থের ক্ষেত্রেও গুরুত্বপূর্ণ ভূমিকা পালন করে। সিভিডি প্রযুক্তির মাধ্যমে, নির্দিষ্ট অপটিক্যাল বৈশিষ্ট্য সহ পাতলা ফিল্মগুলি অপটোইলেক্ট্রনিক ডিভাইস এবং অপটিক্যাল সেন্সরে ব্যবহারের জন্য সংশ্লেষিত করা যেতে পারে।

চিত্র 1 সিভিডি প্রতিক্রিয়া স্থানান্তর পদক্ষেপ

একই সময়ে, সিভিডি প্রযুক্তি ব্যবহারিক অ্যাপ্লিকেশনগুলিতে কিছু চ্যালেঞ্জের সম্মুখীন হয়², যেমন:

✔ উচ্চ তাপমাত্রা এবং উচ্চ চাপ অবস্থা: CVD সাধারণত উচ্চ তাপমাত্রা বা উচ্চ চাপে চালানোর প্রয়োজন হয়, যা ব্যবহার করা যেতে পারে এমন উপকরণের ধরন সীমিত করে এবং শক্তি খরচ ও খরচ বাড়ায়।

✔ পরামিতি সংবেদনশীলতা: CVD প্রক্রিয়া প্রতিক্রিয়া অবস্থার জন্য অত্যন্ত সংবেদনশীল, এবং এমনকি ছোট পরিবর্তন চূড়ান্ত পণ্যের গুণমানকে প্রভাবিত করতে পারে।

✔ সিভিডি সিস্টেম জটিল: CVD প্রক্রিয়া সীমানা অবস্থার প্রতি সংবেদনশীল, বড় অনিশ্চয়তা রয়েছে এবং নিয়ন্ত্রণ করা এবং পুনরাবৃত্তি করা কঠিন, যা উপাদান গবেষণা এবং উন্নয়নে অসুবিধার কারণ হতে পারে।

Ⅱ রাসায়নিক বাষ্প জমা (সিভিডি) প্রযুক্তি এবং মেশিন লার্নিং

এই অসুবিধাগুলির মুখোমুখি হয়ে, মেশিন লার্নিং, একটি শক্তিশালী ডেটা বিশ্লেষণের সরঞ্জাম হিসাবে, CVD ক্ষেত্রে কিছু সমস্যা সমাধানের সম্ভাবনা দেখিয়েছে। CVD প্রযুক্তিতে মেশিন লার্নিং প্রয়োগের উদাহরণ নিচে দেওয়া হল:

(1) সিভিডি বৃদ্ধির পূর্বাভাস

মেশিন লার্নিং অ্যালগরিদম ব্যবহার করে, আমরা প্রচুর পরিমাণে পরীক্ষামূলক ডেটা থেকে শিখতে পারি এবং বিভিন্ন অবস্থার অধীনে CVD বৃদ্ধির ফলাফলের ভবিষ্যদ্বাণী করতে পারি, যার ফলে পরীক্ষামূলক পরামিতিগুলির সামঞ্জস্যের পথ দেখা যায়। চিত্র 2-এ দেখানো হয়েছে, সিঙ্গাপুরের নানয়াং টেকনোলজিক্যাল ইউনিভার্সিটির গবেষণা দল দ্বি-মাত্রিক উপকরণের সিভিডি সংশ্লেষণকে গাইড করতে মেশিন লার্নিং-এ শ্রেণিবিন্যাস অ্যালগরিদম ব্যবহার করেছে। প্রাথমিক পরীক্ষামূলক তথ্য বিশ্লেষণ করে, তারা সফলভাবে মলিবডেনাম ডিসালফাইড (MoS2) এর বৃদ্ধির অবস্থার পূর্বাভাস দিয়েছে, পরীক্ষামূলক সাফল্যের হারকে উল্লেখযোগ্যভাবে উন্নত করেছে এবং পরীক্ষার সংখ্যা কমিয়েছে।

চিত্র 2 মেশিন লার্নিং উপাদান সংশ্লেষণ নির্দেশ করে

(a) উপাদান গবেষণা এবং উন্নয়নের একটি অপরিহার্য অংশ: উপাদান সংশ্লেষণ।

(b) শ্রেণীবিন্যাস মডেল দ্বি-মাত্রিক পদার্থ (শীর্ষ) সংশ্লেষিত করতে রাসায়নিক বাষ্প জমা করতে সাহায্য করে; রিগ্রেশন মডেল সালফার-নাইট্রোজেন ডোপড ফ্লুরোসেন্ট কোয়ান্টাম ডট (নীচে) এর হাইড্রোথার্মাল সংশ্লেষণ নির্দেশ করে।

অন্য একটি গবেষণায় (চিত্র 3), মেশিন লার্নিং সিভিডি সিস্টেমে গ্রাফিনের বৃদ্ধির ধরণ বিশ্লেষণ করতে ব্যবহৃত হয়েছিল। গ্রাফিনের আকার, কভারেজ, ডোমেন ঘনত্ব এবং আকৃতির অনুপাত স্বয়ংক্রিয়ভাবে একটি অঞ্চল প্রস্তাব কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (R-CNN) বিকাশের মাধ্যমে পরিমাপ এবং বিশ্লেষণ করা হয়েছিল, এবং তারপর কৃত্রিম নিউরাল নেটওয়ার্ক (ANN) এবং সমর্থন ভেক্টর মেশিনগুলি ব্যবহার করে সারোগেট মডেলগুলি তৈরি করা হয়েছিল। SVM) CVD প্রসেস ভেরিয়েবল এবং পরিমাপকৃত স্পেসিফিকেশনের মধ্যে পারস্পরিক সম্পর্ক অনুমান করতে। এই পদ্ধতিটি গ্রাফিন সংশ্লেষণকে অনুকরণ করতে পারে এবং বড় শস্যের আকার এবং কম ডোমেন ঘনত্ব সহ একটি পছন্দসই রূপবিদ্যার সাথে গ্রাফিন সংশ্লেষণের জন্য পরীক্ষামূলক শর্তগুলি নির্ধারণ করতে পারে, অনেক সময় এবং খরচ সাশ্রয় করে² ³

চিত্র 3 মেশিন লার্নিং সিভিডি সিস্টেমে গ্রাফিন বৃদ্ধির ধরণগুলির পূর্বাভাস দেয়

(2) স্বয়ংক্রিয় সিভিডি প্রক্রিয়া

মেশিন লার্নিং আরও সুনির্দিষ্ট নিয়ন্ত্রণ এবং উচ্চ উত্পাদন দক্ষতা অর্জনের জন্য রিয়েল টাইমে সিভিডি প্রক্রিয়ার পরামিতিগুলি নিরীক্ষণ এবং সামঞ্জস্য করার জন্য স্বয়ংক্রিয় সিস্টেম বিকাশ করতে ব্যবহার করা যেতে পারে। চিত্র 4 এ দেখানো হয়েছে, সিভিডি দ্বি-স্তর দ্বি-মাত্রিক উপকরণগুলির ঘূর্ণন কোণ সনাক্ত করার অসুবিধা কাটিয়ে উঠতে Xidian বিশ্ববিদ্যালয়ের একটি গবেষণা দল গভীর শিক্ষা ব্যবহার করেছে। তারা CVD দ্বারা প্রস্তুত করা MoS2 এর রঙের স্থান সংগ্রহ করে এবং MoS2 এর পুরুত্ব নির্ভুলভাবে এবং দ্রুত সনাক্ত করতে একটি শব্দার্থিক সেগমেন্টেশন কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (CNN) প্রয়োগ করে এবং তারপর CVD-এর ঘূর্ণন কোণের সঠিক ভবিষ্যদ্বাণী অর্জনের জন্য একটি দ্বিতীয় CNN মডেলকে প্রশিক্ষণ দেয়। ডবল-লেয়ার TMD উপকরণ। এই পদ্ধতিটি শুধুমাত্র নমুনা শনাক্তকরণের দক্ষতাই উন্নত করে না, বরং পদার্থ বিজ্ঞানের ক্ষেত্রে গভীর শিক্ষার প্রয়োগের জন্য একটি নতুন দৃষ্টান্তও প্রদান করে।⁴.

চিত্র 4 গভীর শিক্ষার পদ্ধতিগুলি দ্বি-স্তর দ্বি-মাত্রিক উপকরণগুলির কোণগুলি সনাক্ত করে

তথ্যসূত্র:

(1) গুও, Q.-M.; কিন, জেড.-এইচ. পারমাণবিক উত্পাদনে বাষ্প জমা প্রযুক্তির বিকাশ এবং প্রয়োগ। অ্যাক্টা ফিজিকা সিনিকা 2021, 70 (2), 028101-028101-028101-028115। DOI: 10.7498/aps.70.20201436।

(2) Yi, K.; লিউ, ডি.; চেন, এক্স।; ইয়াং, জে.; ওয়েই, ডি.; লিউ, ওয়াই.; ওয়েই, ডি. প্লাজমা-উন্নত রাসায়নিক বাষ্প জমা করা দ্বি-মাত্রিক পদার্থের অ্যাপ্লিকেশনের জন্য। রাসায়নিক গবেষণার হিসাব 2021, 54 (4), 1011-1022। DOI: 10.1021/acs.accounts.0c00757।

(3) হোয়াং, জি.; কিম, টি.; শিন, জে.; শিন, এন.; হোয়াং, এস. সিভিডি গ্রাফিন বিশ্লেষণের জন্য মেশিন লার্নিং: পরিমাপ থেকে এসইএম চিত্রের সিমুলেশন পর্যন্ত। জার্নাল অফ ইন্ডাস্ট্রিয়াল অ্যান্ড ইঞ্জিনিয়ারিং কেমিস্ট্রি 2021, 101, 430-444। DOI: https://doi.org/10.1016/j.jiec.2021.05.031।

(4) হাউ, বি.; উ, জে.; Qiu, D. Y. ব্যক্তিগত কোহন-শাম রাজ্যের অ-সুপারভাইজড লার্নিং: বহু-শারীরিক প্রভাবের ডাউনস্ট্রিম পূর্বাভাসের জন্য ব্যাখ্যাযোগ্য প্রতিনিধিত্ব এবং ফলাফল। 2024; p arXiv:2404.14601.