实验中，我们使用深紫外紫外光照射来研究不同酸碱度电解质中的湿法蚀刻过程。因此，我们能够首次在 PEC 蚀刻工艺中解决氧化物生长和氮化镓溶解的问题。我们将快速蚀刻速度归因于深紫外光增强的氮化镓氧化溶解和电解质中氧化还原水平的有效载流子注入。
对于深紫外光下氮化镓的等离子体化学蚀刻，实验使用了 253.7 纳米汞柱线源。为了避免加热问题，照明强度保持在 10 毫瓦 / 平方厘米。利用短光路来避免电解质中的紫外线诱导吸收，电解液通过将 85% 的磷酸 (H3PO4) 或氢氧化钾颗粒溶解在去离子水或乙醇中来制备。使用经过校准的 Jenco 6071TH 酸度计测量电解质的 pH 值，范围为 2 1 至 15 。
图 1 显示了在 pH53 的 H3PO4 电解液中 1 小时 PEC 处理的氮化镓的扫描电镜照片。沿氮化镓生长方向可以清楚地看到针状微晶的生长。这些微晶在可见光下是透明的，可以单独溶解在 2 M 氢氧化钾溶液中等等结果。
结合上述信息，我们考虑了氮化镓的 PEC 蚀刻的两步反应模型。当用 253.7nm 汞柱线光源照射时，首先通过与自由水分子的反应，在氮化镓上形成氧化镓的氧化物层。在此过程中， GaN/ 电解质界面上的 UV 激发的热载流子有多余的能量来进入水中的 h1/h2 和一氧化二氢 /O2 氧化还原水平，并增强氧化过程。氧化层随后溶解在适当 pH 浓度的碱或酸中。
最后显示在图 4 中的是 PEC 蚀刻 GaN 样品的 SEM 显微照片，侧壁中显示的垂直条纹是由于在蚀刻过程中转移到氮化镓中的铂掩模上的条纹。它们通常在蚀刻工艺中观察到，但是可以通过优化金属剥离工艺来改善。
综上所述，我们探讨了利用不同 pH 值的氢氧化钾和磷酸电解质和 253.7nmHg 线源对氮化镓的两性 PEC 蚀刻并提出了一个结合氧化溶解机制的两步反应模型来解释氮化镓在室温下的 uv 增强的湿式化学蚀刻。
导读：本文总结了二维材料/宽禁带材料异质结构的制备方法和能带对齐理论；介绍了铁电极化场和压电应力效应在二维/铁电异质结构中的应用；列举了二维/宽禁带半导体异质结构在探测器、场效应晶体管、光催化和气体传感器领域的研究进展；最后，总结了二维/宽禁带材料异质结构目前存在的问题，并展望了其未来发展方向。
综述背景
综述简介
北京邮电大学吴真平副教授，香港理工大学郝建华教授等以“Hybrid heterostructures and devices based on two-dimensional layers and wide bandgap materials”为题在《Materials Today Nano》发表了邀请综述文章。
论文链接：
https://www.sciencedirect.com/science/article/pii/S2588842020300213
该综述首先介绍了2D/WBG材料异质结构的制备方法，并详细探讨了2D/WBG异质结构的能带对齐理论。接下来，文章系统回顾了铁电极化场和压电应力效应在2D/铁电异质结构中的应用，并列举了2D/宽禁带半导体异质结构在探测器、场效应晶体管、光催化和气体传感器领域的研究进展，最后探讨了目前该领域的研究进展和存在研究难点，并对未来的研究方向提出了见解。
图1、常见二维材料、宽禁带半导体和铁电体的能带示意图。
图2、（a）BP-ZnO异质结示意图。（b）化学气相沉积法制备MoSe2工艺示意图。（c）GaN衬底和第3相MoSe2薄膜的照片。（d）单层MoS2/单层WSe2/GaN（上）和少层MoS2/GaN（下）的AFM图像。（e）蓝宝石衬底上生长的晶圆级MoS2薄膜的光学图像和横截面TEM图像。（f）MoS2/GaN（0001）的横截面TEM图像。
图3、（a）2D/WBG-vdW异质结构的原子结构和各种能带排列示意图：（b）欧姆接触，（c）肖特基接触，（d）I型跨骑，（e）II型交错，（f）III型错层。
图4、用PBE（左下区域）和HSE06（右上区域）计算的vdW异质结构能带排列表。绿色、红色和蓝色分别表示I型、II型和III型异质结构类型。两个彩色方框表示两种不同类型的机会相等。
图5、基于二维材料和铁电材料的异质结构。（a）石墨烯的输运性质。插图显示了石墨烯/PZT异质结构的示意图。（b）石墨烯在空气和真空中的输运特性。（c）基于MoS2和BTO的FTJ的I-V特性。（d）随电压变化的电阻开/关比。
图6、基于二维材料和压电PMN-PT的异质结构。（a）石墨烯/MoS2/PMN-PT异质结构示意图。（b）压电双轴应变在0 0.2%范围内调谐的MoS2的PL谱。（c）WSe2/PMN-PT异质结构示意图。（d）在PMN-PT上施加电场从 20-20kv/cm调谐的SPE的微PL谱。（e）PMN-PT上 20和20kv/cm电场调谐的SPE的微PL光谱。
图7、光电探测器。石墨烯/Ga2O3肖特基结光电探测器的结构图（a），在不同光强下的光响应（b）和光谱选择特性（c）。自组装石墨烯/GaN异质结探测器示意图（d），在360 nm光照条件下测量的I-V曲线（e）和光谱选择特性（f）。WS2/GaN光电探测器示意图（g）,器件的响应度和比探测率与光强度的函数关系（h）和紫外成像结果（i）。
图8、场效应晶体管。Ga2O3/WSe2结场效应晶体管示意图（a），器件的传输和跨导特性（b），器件的击穿电压可达144 V（c）。垂直Ga2O3/石墨烯势垒晶体管开关器件示意图（d），器件的关态击穿电压（e），器件击穿电场与其他报道的功率器件的比较（f）。E/D双型石墨烯/Ga2O3 MESFET示意图（g），直接耦合场效应晶体管逻辑逆变器（h），逻辑逆变器的电压传输特性（i）。
图9、气体传感器。MoS2/GaN气体传感器示意图（a）,反向偏压下氢气氛围下器件的能带图变化（b），不同温度下器件对氢气浓度测试的灵敏度（c）。rGO/AlGaN/GaN气体传感器原理图（d），在正偏压条件下，器件在NO2、NH3和SO2气氛中的能带图变化示意图（e），传感器气体浓度依赖响应曲线（f）。
图10、杂化异质结构中二维材料的形态。（a）GaN上MoSe2层的SEM图像。（b）GaN外延晶体上MoS2单层三角形的扫描电镜。GaN/AlGaN/GaN上生长的MoS2的TEM图像亮场（c），暗场（d），和选区电子衍射（SAED）图（e）。
结论与展望
综上，本综述系统讨论了2D/WBG异质结构的制备、能带结构设计和相关应用。虽然2D/WBG混合vdW异质结构在电子、光电子器件领域已经展现出优异的性能，但仍存在许多挑战和机遇。
1、目前研究的2D材料和WBG材料种类仍很少，以石墨烯为主，仍需要 探索 其他2D材料在本领域的应用。
2、铁电、压电材料目前仍只用于提供极化和应力来调控2D材料的物理特性，其耦合效应尚未完全理解。
3、制备获得高质量晶圆尺寸的2D/WBG混合异质结构是实现器件产业化的最大技术瓶颈。
首发于微信公众号《有三AI》
【模型解读】历数GAN的5大基本结构
生成对抗网络是近几年来无监督学习领域里最大的进展，被誉为下一代深度学习，不管是研究热度还是论文数量，已经逼近甚至超越传统判别式的CNN架构。
这一次我们简单介绍一下生成对抗网络的主流模型结构，从一个生成器一个判别器到多个生成器多个判别器。
作者 | 言有三
编辑 | 言有三
我们这一期文章不打算从头开始讲述GAN，所以如果大家没有相关基础的，就先看一下我们上一期GAN的介绍。
【技术综述】有三说GANs（上）
一个基本的用于生成图像的GAN的结构就是这样的。
Generator就是生成器，它输入噪声，输出产生的图像。通常噪声就是一个一维的向量，经过reshape为二维图像，然后利用若干个反卷积层来学习上采样。
如全卷积的DCGAN模型[1]，输入就是1*100的向量，然后经过一个全连接层学习，reshape到4*4*1024的张量，再经过4个上采样的反卷积网络，生成64*64的图。
Discrimator就是普通的CNN分类器，输入真实样本或者生成的假样本进行分类，在DCGAN中也是4个卷积层。
采用多个判别器[2]的好处带来了类似于boosting的优势，训练一个过于好的判别器，会损坏生成器的性能，这是GAN面临的一个大难题。如果能够训练多个没有那么强的判别器，然后进行boosting，可以取得不错的效果，甚至连dropout技术都可以应用进来。
多个判别器还可以相互进行分工，比如在图像分类中，一个进行粗粒度的分类，一个进行细粒度的分类。在语音任务中，各自用于不同声道的处理。
一般来说，生成器相比判别器要完成的任务更难，因为它要完成数据概率密度的拟合，而判别器只需要进行判别，导致影响GAN性能的一个问题就是模式坍塌，即生成高度相似的样本。
采用多个生成器单个判别器的方法，可以有效地缓解这个问题。
从上图结构可以看出，多个生成器采用同样的结构，在网络的浅层还共享权重。
在利用GAN进行半监督的图像分类任务时，判别器需要同时担任两个角色，即判别生成的假样本，以及预测类别，这对判别器提出了较高的要求。通过增加一个分类器可以分担判别器的工作量，即将捕捉样本和标签的条件分布这一任务交给生成器和分类器，而判别器只专注于区分真实样本和生成的样本。
这一类结构以Triple Generative Adversarial Nets为代表，下图是它的网络结构。
多个生成器和多个判别器就又有几种。
5.1 级联结构[5]
早期以DCGAN为代表的网络生成的图片分辨率太低，质量不够好，都不超过100×100，在32×32或者64×64左右。这是因为难以一次性学习到生成高分辨率的样本，收敛过程容易不稳定。
类似的问题在图像分割，目标检测中都存在。在目标检测中，级联网络被广泛使用，即采用从粗到精的方法依次改进检测器的性能。在图像分割中进行上采样时也采用学习小倍率的放大而不是大倍率的方法，如利用两个2倍上采样替换一个4倍的上采样，不仅可以增强网络的表达能力，还降低了学习难度。
基于此，金字塔GAN结构被提出并广泛使用，它参考图像领域里面的金字塔结构由粗到精一步一步生成图像，并添加残差进行学习。
上图就是它的结构，从低分辨率z3开始，逐级提升，最终生成I0，这是一个金字塔形状的结构，以下符号较多用图片代替。
5.2 并行与循环结构[6]
GAN有一大应用就是风格化，实现两个域之间的风格互换，以CycleGAN[6]为典型代表。它包含了多个生成器和多个判别器。Cycle的典型结构如下：
X和Y分别表示两个域的图像，可知这里存在两个生成器G和F，分别用于从X到Y的生成和Y到X到生成，包含两个判别器，分别是Dx和Dy。而损失本身也增加了一个循环损失，感兴趣读者可以去细读文章。
另外在cross domain学习中也常用到多判别器多生成器多结构，分别学习不同的域。而且各个域的判别器和生成器通常会共享一些权重，如下图是CoGAN[7]的网络结构。
另外还有一些零零散散的结构，比如3D GAN，RNN GAN，由于都是上面这几类的变种，不再统一介绍。
[1] Radford A, Metz L, Chintala S, et al. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks[J]. international conference on learning representations, 2016.
[2] Durugkar I P, Gemp I, Mahadevan S, et al. Generative Multi-Adversarial Networks[J]. international conference on learning representations, 2017.
[3] Ghosh A, Kulharia V, Namboodiri V P, et al. Multi-Agent Diverse Generative Adversarial Networks[J]. computer vision and pattern recognition, 2018: 8513-8521.
[4] Chongxuan L I, Xu T, Zhu J, et al. Triple Generative Adversarial Nets[J]. neural information processing systems, 2017: 4088-4098.
[5] Denton E L, Chintala S, Szlam A, et al. Deep generative image models using a Laplacian pyramid of adversarial networks[J]. neural information processing systems, 2015: 1486-1494.
[6] Zhu J, Park T, Isola P, et al. Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks[J]. international conference on computer vision, 2017: 2242-2251.
[7] Liu M, Tuzel O. Coupled Generative Adversarial Networks[J]. neural information processing systems, 2016: 469-477.
本系列的完整目录：
【模型解读】从LeNet到VGG，看卷积+池化串联的网络结构
【模型解读】network in network中的1*1卷积，你懂了吗
【模型解读】GoogLeNet中的inception结构，你看懂了吗
【模型解读】说说移动端基准模型MobileNets
【模型解读】pooling去哪儿了？
【模型解读】resnet中的残差连接，你确定真的看懂了？
【模型解读】“不正经”的卷积神经网络
【模型解读】“全连接”的卷积网络，有什么好？
【模型解读】从“局部连接”回到“全连接”的神经网络
【模型解读】深度学习网络只能有一个输入吗
【模型解读】从2D卷积到3D卷积，都有什么不一样
【模型解读】浅析RNN到LSTM
欢迎分享，转载请注明来源：夏雨云
微信扫一扫
支付宝扫一扫
评论列表（0条）