نمذجة التعلم العميق لإعادة توزيع الأكسجين والنقل الحراري في السيلكون على العازل وطبقات الأكسيد المدفون

لماذا هذا يهم في الإلكترونيات اليومية

من الهواتف الذكية إلى مراكز البيانات، تعتمد العديد من الرقائق السريعة وذات الكفاءة الطاقية العالية على نوع خاص من شرائح السليكون يُسمى «السليكون على العازل». في هذه الشرائح، تستقر طبقة رقيقة جداً من السليكون فوق طبقة مدفونة شبيهة بالزجاج تساعد في التحكم بالحرارة والضوضاء الكهربائية. تتطلب عملية بناء هذه البُنى دفع الأكسجين إلى عمق السليكون الساخن ثم إدارة كيفية تسرب الحرارة عبر الحدود بين المواد. الورقة العلمية الموجزة هنا تُظهر كيف يمكن للذكاء الاصطناعي المتقدم أن يتنبأ بأنماط الأكسجين المخفية وبطريقة تدفق الحرارة عبر هذه الواجهات المدفونة، مقدمًا أداة تصميم قوية للإلكترونيات عالية الأداء المستقبلية.

كيف تُبنى الرقائق على طبقات زجاجية مخفية

غالبًا ما تُصنع رقائق السليكون على العازل الحديثة عن طريق قذف جرعات كبيرة من أيونات الأكسجين إلى السليكون الساخن، ثم خبز الشريحة عند درجات حرارة مرتفعة جداً. خلال هذه المعالجة، تعيد ذرات الأكسجين ترتيب نفسها وفي النهاية تشكل طبقة مدفونة من ثاني أكسيد السليكون — «العازل» — بين طبقة الجهاز السطحية والسليكون الكتلي الأسفل. إن السماكة والدقة الحادة لهذه الطبقات حاسمتان: إذا كانت رقيقة جدًا أو خَشنة، فإن الترانزستورات ترتفع حرارتها أو تفشل؛ وإن كانت سميكة جدًا، يصعب تبريد الشريحة وتزداد كلفة تصنيعها. المشكلة أن ذرات الأكسجين تتحرك باستمرار داخل وخارج المنطقة المدفونة أثناء التسخين، وحتى الآن كان من الصعب جدًا التنبؤ بدقة بمواقعها النهائية وكيف يؤثر ذلك على نقل الحرارة.

تعليم نموذج ليرى الذرات كما في الفيزياء الكمومية

يبني المؤلفون إطارًا حاسوبيًا يدمج فيزياء دقيقة على مستوى الكم مع التعلم العميق. أولًا، يستخدمون محاكيات مكلفة مبنية على أسس كمومية لمراقبة أيونات الأكسجين الفردية وهي تصطدم بالسليكون وتستقر، مقلدةً خطوة الحقن في المصانع. ثم تُغذى هذه اللقطات الذرية إلى نموذج تعلم آلي يُدعى «القدر العميق» (deep potential)، يُدرّب لإعادة إنتاج نفس القوى والطاقة التي تعطيها الحسابات الكمومية الكاملة. بمجرد تدريبه، يمكن لهذا النموذج أن يعمل أسرع بكثير من طرق الكم مع الاحتفاظ بدقة تقارب الدقة الكمومية. يمكنه تتبع ذرات الأكسجين أثناء تجوالها عبر السليكون وثاني أكسيد السليكون على أزمنة ومساحات أكبر بكثير مما هو ممكن بالطرق التقليدية.

إعادة تشغيل خطوة الفرن ومضاهاة الشرائح الحقيقية

بوجود هذا النموذج السريع والدقيق، يحاكي الباحثون مرحلة «التلدين» ذات الحرارة العالية، عندما تُخبز الشرائح الملقحة لتمكين إعادة توزيع الأكسجين ونمو طبقة الأكسيد المدفونة. تنتج حساباتهم ملفات تفصيلية لتركيز الأكسجين كدالة للعمق داخل الشريحة. باختيار مستوى حرج من الأكسجين يحدد الانتقال من سطحيًا إلى أغلبه أكسيد، يمكنهم قراءة سماكات طبقة السليكون السطحية وطبقة الأكسيد المدفونة المتوقعة. ثم يقارنون هذه التنبؤات بقياسات من شرائح حقيقية صُنعت تحت طاقات حقن وجرعات ودورات حرارية متنوعة. عبر ثماني شرائح عينية، تختلف السماكات المتوقعة عن المقاسة عادةً بأقل من خمسة بالمئة، مما يدل على أن النموذج يلتقط الحركات الذرية الرئيسية التي تحدد بنية الجهاز النهائية.

تكبير كيفية عبور الحرارة لحدود غير مرئية

بعيدًا عن البنية، يتناول الفريق أيضًا كيفية انتقال الحرارة عبر الحد بين السليكون البلوري وثاني أكسيد السليكون غير المتبلور — عنق زجاجي يمكن أن يقيّد تبريد الرقاقة. باستخدام قدرهم المدعوم بالتعلم العميق داخل نوع خاص من محاكاة تدفق الحرارة، ينشئون واجهة مثالية حادة على المستوى الذري ويدفعون الحرارة من جهة إلى أخرى. بقياس قفزة درجة الحرارة عند الحد وتدفق الحرارة الثابت، يستخلصون مقاومة الواجهة الحرارية، مقياس لقدرة الواجهة على عرقلة الحرارة. تتوافق القيمة المتوقعة لديهم أكثر مع القياسات التجريبية مقارنة بمحاكاة سابقة اعتمدت نماذج تجريبية أبسط، لا سيما لهذه الواجهة المختلطة بين البلورة والزجاج.

ماذا يعني هذا لتصميم الرقائق في المستقبل

بشكل عام، تحول الدراسة وصفة تصنيع معقدة متعددة الخطوات إلى مختبر افتراضي يربط اختيارات التصنيع — مثل جرعة الأكسجين، طاقة الحقن، ودرجة حرارة التلدين — مباشرةً بكل من سماكة الطبقة وسلوك تدفق الحرارة. للقراء غير المتخصصين، الخلاصة الأساسية هي أن الذكاء الاصطناعي، عندما يتم تدريبه بعناية على بيانات بمستوى كمومي، يمكنه تتبع حركة الذرات الفردية بثقة وكيف تشكل هذه الحركة أداء الأجهزة على مقياس كامل. يوعد هذا النهج بتصميم أكثر عقلانية لتقنيات السليكون على العازل، مما يساعد المهندسين على ضبط الطبقات المدفونة والواجهات الحرارية على شاشة الحاسوب قبل الالتزام بتشغيلات شرائح مكلفة.

الاستشهاد: Yan, X., Liu, M., Cheng, W. et al. Deep learning modeling of oxygen redistribution and thermal transport in silicon on insulator and buried oxide layers. Commun Mater 7, 80 (2026). https://doi.org/10.1038/s43246-026-01130-z

الكلمات المفتاحية: السيلكون على العازل, انتشار الأكسجين, محاكاة التعلم العميق, مقاومة الواجهة الحرارية, الديناميكا الجزيئية