【专利解密】宁波国际提出非晶态材料制备新方法

1.【专利解密】宁波国际提出非晶态材料制备新方法；
2.ITC宣布将对SK Innovation与LG Chem诉讼进行复审！；
3.微软发布可每日更换必应壁纸的官方应用；
4.特斯拉收购初创公司 专注自动驾驶“深度神经网络”

1.【专利解密】宁波国际提出非晶态材料制备新方法；

【嘉德点评】宁波国际材料基因工程研究院有限公司提出的此种制备方法，在较短时间内，较低温度下即可完成非晶态材料制备，大大降低了非晶态材料的制备成本，提高了制备效率。

集微网消息，新材料技术被视为“发明之母”和“产业粮食”，就在近日国内高校在《自然》（Nature）杂志上发表了关于非晶态材料的相关研究成果，再次将非晶态材料推向了半导体研究的热点。

非晶态材料是有序度介于晶体和液体之间的一种聚集态材料，非晶态材料不像晶态物质那样具有完善的近程和远程有序，而是不存在长程有序，仅具有近程有序。非晶态材料制备需要解决两个问题：其一是必须形成原子或分子混乱排列的状态，再者必须将非晶态材料热力学上的亚稳态在一定的温度范围内保存下来，使之不向晶态转变。

在非晶态前驱体制备过程中，由于采用多层膜体系会在其不同材料界面上发生扩散和结晶成核两种过程，一旦成核便不易进一步扩散。但如果不控制所制备薄膜的厚度于扩散-结晶临界厚度以下，则无法避免热处理过程中中间化合物的产生，阻碍扩散的完全，这就需要额外的实验探索不同薄膜材料扩散-结晶的临界厚度，以便实验时控制所制备薄膜沉积临界厚度，增加了实验工作量，降低了实验效率。

为了解决上述问题，早在16年宁波国际材料基因工程研究院有限公司就申请了一项名为“一种非晶态材料制备方法”的发明专利（申请号：201610050104.2），申请人为宁波国际材料基因工程研究院有限公司。

该专利提供了一种实验效率高、仅通过简单的材料沉积过程和低温热处理过程即可完成多种材料的均匀混合，进而完成非晶态材料制备的制备方法。

图1 非晶态材料制备方法的流程图

上图1是本专利提出的非晶态材料制备方法的流程图，由于非晶态材料种类繁多，这里我们以铁-硼-铝(Fe-B-Al)非晶态合金材料的制备方法为例进行说明。在Fe-B-Al非晶态合金材料的制备过程中，对于Fe、Al材料，我们通过磁控溅射方法进行薄膜沉积，而对于B材料，我们选择电子束蒸发法进行薄膜沉积。

首先，在真空环境下，调节Fe材料沉积源的沉积功率，同时调节Fe材料沉积源与基片之间的间距，通过磁控溅射方法在基片上进行Fe材料薄膜沉积，保证基片上沉积的该层Fe材料薄膜厚度远小于Fe材料的扩散-结晶临界厚度，最后使得Fe材料薄膜的厚度为1 .5nm。

随之调节B材料沉积源的沉积功率，同时调节B材料沉积源与基片之间的间距，通过电子束蒸发的方法在Fe材料薄膜上进行B材料薄膜沉积，并且保证基片上沉积的该层B材料薄膜厚度远小于B材料的扩散-结晶临界厚度。

在制备Al材料薄膜时，采用和Fe材料薄膜相同的制备方法，只是期望得到的Al材料薄膜的厚度是在1.8nm左右。

最后，依次循环上述操作，直至沉积的Fe-B-Al薄膜总厚度达到要求厚度，从而制成FeB-Al-Fe-B-Al…超晶格结构多层膜样品。在普通水冷装置的控制下，将上述Fe-B-Al-Fe-B-Al…超晶格结构多层膜样品的制备过程放置在室温条件下进行。然后再将所制备的Fe-B-Al-Fe-B-Al…超晶格结构多层膜样品放置在100℃的环境中、大气压下进行3小时的热处理，即可完成Fe-B-Al非晶态样品的制备。

宁波国际材料基因工程研究院有限公司提出的此种制备方法，在较短时间内，较低温度下即可完成非晶态材料制备，大大降低了非晶态材料的制备成本，提高了制备效率。

国际上，美国、日本、德国等国家纷纷投入大量资金支持非晶态材料的研究，推动产业发展。而我国科研工作者也紧跟世界发展前沿，在非晶态领域的多个方向都取得了突破性进展，科研成果颇丰。希望在不久的将来，会有更多的非晶态材料应用在实际生活中，也希望我国半导体新材料的研究再创辉煌。

关于嘉德

深圳市嘉德知识产权服务有限公司由曾在华为等世界500强企业工作多年的知识产权专家、律师、专利代理人组成，熟悉中欧美知识产权法律理论和实务，在全球知识产权申请、布局、诉讼、许可谈判、交易、运营、标准专利协同创造、专利池建设、展会知识产权、跨境电商知识产权、知识产权海关保护等方面拥有丰富的经验。

（校对/holly）

2.ITC宣布将对SK Innovation与LG Chem诉讼进行复审！；

集微网消息，据韩联社报道，美国国际贸易委员会（ITC）当地时间17日宣布，接受SK Innovation对与LG Chem诉讼进行复审的请求。

据了解，2月14日，ITC做出了对SK Innovation的违约判决，如果该决定不变，SK Innovation将被禁止向美国出口电池、模块、包装以及相关零部件和材料。

此后，SK Innovation表示:“我们未能在法庭上提出令人信服的证据，因此我们将重新审议这一判决，并遵循上诉程序，将在我司法律团队和律师事务所进行最终审查后，决定是否提出上诉。”

LG Chem与SK Innovation之间的恩怨由来已久。去年4月，LG Chem以SK Innovation侵犯电池模块、封装制程相关的商业机密为由，向美国地方法院提起诉讼。

不过，值得注意的是，即便进行复审，ITC的审查结果也很少有被撤销的先例。

业内人士表示，无论最终结果如何，LG Chem与SK Innovation都可能会在协商之后达成协议。

据悉，ITC将在今年10月作出最终裁决。（校对/团团）

3.微软发布可每日更换必应壁纸的官方应用；

微软旗下必应（Bing）搜索引擎的一大特色，就是主页上每日呈现的精美壁纸。如果你很想将它自动同步地设置成 Windows 10 操作系统的桌面壁纸，那不妨考虑下该公司新推出的官方应用。简而言之，这款程序能够解放粉丝们的双手，从此告别必须亲自浏览必应主页来收集壁纸的烦恼。

这款程序也可以说是“千呼万唤始出来”了。

如预期的那样，这款程序会建议将必应设置为默认主页和默认搜索引擎。不过觉得没有必要，请记得在安装时取消这两个选项。cnbeta

4.特斯拉收购初创公司 专注自动驾驶“深度神经网络”

网易科技讯4月18日消息，据外媒报道，特斯拉收购计算机视觉初创公司DeepScale的交易开始收获回报，通过收购完整团队开始为这家电动汽车制造商提供新的专利。

2019年年底，有消息称特斯拉收购了位于旧金山湾区的初创公司DeepScale，该公司专注于开发自动驾驶汽车的“深度神经网络”，收购金额未披露。DeepScale专注于计算节能的深度学习系统，这也是特斯拉关注的重点领域，特斯拉决定设计自己的电脑芯片来驱动自动驾驶软件。有猜测称，特斯拉收购这个团队是为了加速其机器学习的发展。

现在，特斯拉公布了名为“用扩充数据训练机器模型的系统和方法”的新专利，我们也看到了这笔收购带来的成果。这项专利的发明者包括DeepScale的三名成员，分别是马修·库珀(Matthew Cooper)、帕拉斯·贾因(Paras Jain)和哈西姆兰·辛格·西杜(Harsimran Singh Sidhu)。

目前在特斯拉旗下工作的DeepScale团队正在尝试申请的这个系统，它与利用几个不同传感器观测场景的数据来训练神经网络有关，比如特斯拉司机辅助驾驶系统Autopilot传感器阵列中的八个摄像头。

特斯拉在专利申请中描述了这种情况的困难：“在典型的机器学习应用中，数据可以通过多种方式进行扩充，以避免过度拟合用于获取训练数据的捕获设备的特征模型。例如，在用于训练计算机模型的典型图像集中，图像可能代表许多不同捕获环境的对象，这些环境具有与被捕获对象相关的不同传感器特征。例如，这样的图像可以通过不同的传感器特性来捕获，就像不同的尺度、焦距、镜头类型、预处理或后处理、软件环境以及传感器阵列硬件等等。这些传感器在不同的外部参数方面也可能有所不同，例如成像传感器的位置和方向相对于捕获图像时的环境。所有这些不同类型的传感器特性都会导致所捕获的图像在图像集中呈现不同的形式，使正确地训练计算机模型变得更加困难。”

对此，特斯拉团队总结了他们应对这个问题的解决方案：

第一个部分是用于训练预测计算机模型一组参数的方法。该实施例可以包括：1）识别由一组摄像头捕获的图像，该图像被附加到一个或多个图像收集系统中；2）对于图像集合中的每一幅图像，识别该图像的训练输出；3）对于该组图像中的一幅或多幅图像，通过以下特定步骤生成增强图像：通过用维护图像的摄像头属性的图像操纵功能修改图像来为该组图像生成增强图像，并将该增强训练图像与该图像的训练输出相关联；4）训练预测计算机模型的该组参数以基于包括该图像和该组增强图像的图像训练集来预测训练输出。

第二部分包括具有一个或多个处理器和存储指令的非暂时性计算机存储介质系统，该指令在由一个或多个处理器执行时，会使处理器执行相关操作，这些操作包括：1）识别由一组摄像头捕获的、同时附着到一个或多个图像采集系统的图像集合；2）对于所述图像集合中的每幅图像，识别图像的训练输出；3）对于该组图像中的一幅或多幅图像，通过以下步骤为一组图像生成增强图像：通过用维护图像的摄像头属性的图像处理函数修改图像来为该组图像生成增强图像，并将该增强训练图像与该图像的训练输出相关联；4）训练预测计算机模型的参数集来预测基于图像训练集的训练输出，包括图像和增强图像集。

第三部分以包括具有供处理器执行指令的非暂时性计算机可读介质，该指令在由处理器执行时使得处理器能够：1）识别由一组摄像头捕获的、同时附着到一个或多个图像采集系统的一组图像；2）对于该组图像中的每幅图像，识别该图像的训练输出；3）对于该组图像中的一幅或多幅图像，通过以下步骤为一组图像生成增强图像：通过用维持图像的摄像头属性的图像操作功能修改图像来为一组图像生成增强图像，并将增强的训练图像与图像的训练输出相关联；4）训练计算机模型以学习基于包括图像和该组增强图像的图像训练集来预测训练输出。

正如之前报道的那样，特斯拉正在经历“对特斯拉Autopilot的重大基础性重写”。作为重写的一部分，首席执行官埃隆·马斯克(Elon Musk)表示：“神经网络正在吸收越来越多的问题。”

新专利中还将包括一个标签系统，马斯克称3D标签将改变游戏规则：汽车进入有八个摄像头的场景，画一条路，然后你可以用3D标记那条路。这种用多个摄像头训练机器学习系统的新方法，就像特斯拉的Autopilot一样，带有附加数据，可以成为Autopilot更新的一部分。