综述：基于二维材料的设备的机器学习

《Materials Science and Engineering: B》：Machine learning for 2D material–based devices

本文综述了机器学习（ML）在二维材料电子器件研发中的应用，重点探讨ML在优化二维材料生长工艺、辅助材料表征及加速器件设计中的关键作用。研究揭示了ML通过分析大规模实验数据、自动化实验参数设计及性能预测，有效解决二维材料制备复杂度高、实验成本大等问题，为未来材料与器件工程提供了创新路径。

　　随着科技的快速发展，二维材料（2D materials）正逐渐成为下一代电子器件的核心组成部分。这些材料以其原子级别的厚度、优异的电学、力学和光学特性，为电子器件的小型化、能效提升以及新型功能应用提供了前所未有的机遇。从超薄晶体管到神经形态和量子器件，二维材料展现出广泛的应用前景。然而，如何在实际器件制造过程中优化这些材料的性能，仍然是一个复杂且资源密集的挑战。这主要是因为二维材料的合成、加工和集成涉及庞大的参数空间，使得传统的实验方法难以高效地探索和优化所有可能的条件组合。

在这一背景下，机器学习（Machine Learning, ML）作为一种关键的人工智能（Artificial Intelligence, AI）技术，正迅速成为推动二维材料电子器件发展的强大工具。机器学习能够从大量的实验数据中提取有价值的信息，并在高通量实验中实现决策的自动化。通过这种方式，研究人员可以更快速地理解材料的行为，优化制造工艺，从而加速新型电子器件的研发进程。本文将重点探讨机器学习在二维材料研究中的应用，包括材料生长优化、材料表征以及器件设计等方面，旨在全面展示机器学习与二维材料之间的协同关系，同时指出当前的发展现状、面临的挑战以及未来的潜力。

在电子工业中，硅基互补金属氧化物半导体（CMOS）技术一直是信息产业的基石。根据摩尔定律，芯片上的晶体管数量每18个月大约翻一番，从而不断减小晶体管的尺寸。这种晶体管数量的指数增长极大地提升了计算机的处理能力。然而，随着晶体管尺寸的缩小，漏电流增加，伴随着亚阈值摆幅和栅极电压的上升，载流子迁移率下降，热导率减少。这些现象的根本原因在于，当晶体管尺寸减小后，表面积与体积的比例增加，使得界面缺陷对材料的影响更加显著。尽管通过应变硅和鳍式场效应晶体管（FinFET）等技术，硅基CMOS已经成功突破了0.18微米和12纳米的关键节点，但当前最先进的3纳米晶体管制造工艺无疑正在接近物理极限。在这一尺度下，沟道长度仅略大于40个原子，导致显著的量子效应，这些效应引入了电子传输的不确定性，使晶体管的可靠性逐步下降。因此，迫切需要一场技术变革，而新兴材料则提供了新的可能性。其中，二维材料因其独特的层状结构而脱颖而出，这种结构避免了悬键的存在，可能实现更优异的电子性能。

二维材料通常由单层或少数原子层组成，层间主要依靠范德华力而非共价键结合。这些材料因其独特的物理和化学性质而受到广泛关注，其特性在三维体材料中并不常见。例如，石墨烯是二维材料家族中最著名的成员，它于2004年首次被成功分离出来，自那时起，二维材料家族不断扩展，包括过渡金属二硫化物、黑磷等。二维材料的超薄特性、高比表面积以及卓越的电学、力学和光学性能，使其在柔性电子、量子计算等多个领域展现出显著优势。此外，这些材料的高度可调性，通过化学修饰或不同层的堆叠形成异质结构，为设计新型高性能、低功耗电子器件提供了广阔的空间。除了传统的逻辑器件，二维材料在存储器、射频器件、传感器、谷电子器件、忆阻器、柔性电子器件以及可穿戴传感器等领域也展现出巨大的潜力。

然而，基于二维材料的器件开发仍然面临诸多挑战。其中，制造工艺的复杂性、材料的稳定性以及与现有硅基制造技术的集成，是研究和工业界必须解决的主要障碍。器件的制备过程包括二维材料的生长、表征以及后续的器件制造和集成。每个阶段都涉及多个相互关联、相互依赖的工艺和参数，这大大增加了整个制备流程的复杂性。这种复杂性需要研究人员具备深厚的专业知识，并投入大量时间和资金，以探索和优化广泛的过程设计空间。其中，二维材料的生长是整个制备流程的基础，它需要在化学气相沉积（CVD）或其他合成技术中精确控制条件，以获得高质量的材料。例如，石墨烯的生长对温度、气氛和基底选择等变量非常敏感，微小的调整可能会显著影响最终材料的质量。因此，如何优化这些生长条件，是实现高质量二维材料的关键所在。

材料表征在纳米器件制造过程中同样至关重要。准确的表征能够为研究人员提供关于纳米材料的物理、化学和电学性质的关键信息，这些信息对于预测材料在实际应用中的行为具有重要意义。此外，材料表征还能帮助研究人员识别和消除材料中的缺陷和不一致性，从而提高器件的可重复性和可扩展性。传统的材料表征方法通常依赖于高分辨率显微镜、光谱分析等技术，但这些方法往往耗时较长，且对实验条件的要求较高。随着机器学习技术的发展，越来越多的研究开始尝试将机器学习应用于材料表征领域，以提高表征的效率和准确性。例如，机器学习可以通过对大量表征数据的分析，自动识别材料的缺陷模式，预测材料的性能，并为优化材料的生长和加工条件提供指导。

在二维材料器件设计方面，机器学习同样发挥着重要作用。二维半导体材料因其超薄的特性，对环境条件和复杂的制造工艺非常敏感，尤其是在顶部界面。当设计顶部栅极（Top-Gate, TG）场效应晶体管（Field-Effect Transistor, FET）时，制造步骤之间紧密相连，每个步骤都受到前一步骤结果的影响。这种相互依赖性使得二维半导体材料的制造过程比传统体半导体更加复杂，因此需要借助机器学习技术来优化设计流程。机器学习可以通过对大量实验数据的分析，预测材料在不同条件下的性能表现，并为设计最优的器件结构提供支持。此外，机器学习还可以帮助研究人员识别材料在制造过程中的关键参数，从而减少实验次数，提高研发效率。

近年来，机器学习在材料科学领域的应用日益广泛，涵盖多个方面，如材料预测、性能优化、缺陷识别等。随着自动化实验设备和高通量实验技术的发展，实验成本和时间得到了显著降低，使得研究人员能够进行更多的实验，并积累更丰富的数据。这些数据为机器学习模型的训练和优化提供了坚实的基础，使得机器学习能够更加准确地预测材料的行为，并为优化制造工艺提供指导。因此，机器学习正逐步成为推动二维材料电子器件发展的重要工具。

在二维材料研究中，机器学习的应用主要包括三个方面：一是优化二维材料的生长过程，二是辅助材料表征，三是加速器件设计。在生长优化方面，机器学习可以用于预测最佳的生长条件，例如温度、压力、基底选择等，从而提高材料的质量和一致性。在材料表征方面，机器学习可以用于分析大量的显微镜和光谱数据，识别材料的缺陷模式，并预测其性能表现。在器件设计方面，机器学习可以用于优化器件的结构参数，提高器件的性能，并预测其在不同条件下的行为。通过这些应用，机器学习不仅能够提高二维材料电子器件的研发效率，还能提高其性能和可靠性。

此外，机器学习在二维材料研究中的应用还面临一些挑战。例如，如何处理大量的实验数据，如何提高模型的预测准确性，以及如何确保模型的可解释性。这些问题需要研究人员不断探索和改进机器学习算法，以适应二维材料研究的特殊需求。同时，机器学习模型的训练和优化需要大量的高质量数据，这在实际应用中可能面临数据获取的困难。因此，如何建立一个高效的数据采集和处理系统，是推动机器学习在二维材料研究中应用的重要课题。

总的来说，机器学习正在成为推动二维材料电子器件发展的重要工具。通过优化材料的生长过程、辅助材料表征以及加速器件设计，机器学习能够显著提高二维材料电子器件的研发效率和性能表现。随着机器学习技术的不断进步，其在二维材料研究中的应用也将不断拓展，为未来的电子器件开发提供更多可能性。因此，探索机器学习与二维材料的协同关系，对于推动下一代电子器件的发展具有重要意义。