Multiskalige Untersuchung des Wärmetransports an β-Ga2O3-basierten Heteroschnittstellen mittels Machine-Learning-Potential: transskalare Parameter

Warum Kühlung für zukünftige Elektronik wichtig ist

Während unsere Telefone, Wechselrichter und Rechenzentren leistungsfähiger werden, erwärmen sie sich auch stärker. Wärme aus winzigen, stark belasteten Chips abzuleiten, wird zu einem der größten Hindernisse für bessere Elektronik. Diese Studie untersucht, wie sich Geräte aus dem aufkommenden Halbleiter β‑Galliumnitrid durch das Aufbringen auf verschiedene wärmeverteilende Materialien kühlen lassen. Mithilfe einer Kette von Computersimulationen, die Wärme von einzelnen Atomen bis zu kompletten Geräten verfolgen, zeigen die Autoren, dass der auf dem Papier beste Wärmeleiter in der Praxis nicht unbedingt am besten abschneidet — und dass die dünne Grenzschicht, an der zwei Materialien aufeinandertreffen, die Leistung entscheidend beeinflussen kann.

Wärme von Atomen bis zu ganzen Geräten verfolgen

Die Forschenden entwickelten ein „multiskaliges“ Modellierungsframework, das drei Bereiche verknüpft: Atome, Nanostrukturen und komplette Chips. Auf der kleinsten Skala nutzten sie quantenmechanische Rechnungen, um zu untersuchen, wie Atome in β‑Galliumnitrid und in drei Kandidat‑Substraten — Silizium, Siliziumkarbid und Diamant — schwingen und wechselwirken. Anschließend trainierten sie ein Machine‑Learning-Potential, eine Art intelligentes Kraftfeld, das diese aufwändigen Rechnungen mit deutlich geringerem Rechenaufwand nachbildet. Das ermöglichte große Molekulardynamik‑Simulationen, die verfolgen, wie Wärme, übertragen als atomare Schwingungen, über die Grenzfläche fließt, an der β‑Galliumnitrid auf jedes Substrat trifft. Schließlich speisten sie diese Ergebnisse in Finite‑Elemente‑Modelle ganzer Geräteaufbauten ein, um Temperaturanstieg, Leistungsfähigkeit und mechanische Spannungen vorherzusagen.

Wenn der beste Wärmeleiter an der Grenzfläche gebremst wird

Man könnte erwarten, dass Diamant, berühmt für seine extrem hohe Wärmeleitfähigkeit, das ideale Substrat ist. Überraschenderweise zeigen die Simulationen, dass der thermische Grenzwiderstand — die Schwierigkeit, die Wärme beim Überqueren der Schnittstelle erfährt — beim Paar β‑Galliumnitrid/Diamant am höchsten ist und beim Paar β‑Galliumnitrid/Silizium am niedrigsten, mit Siliziumkarbid dazwischen. Gleichzeitig sinkt dieser Grenzwiderstand mit steigender Temperatur, das Gegenteil dessen, was üblicherweise in Volumenkristallen beobachtet wird. Durch die Analyse der schwingungsbasierten „Fingerabdrücke“ jedes Materials stellt das Team fest, dass das Schwingungsspektrum von Silizium am besten mit dem von β‑Galliumnitrid überlappt, wodurch es für wärmetragende Schwingungen leichter wird, die Schnittstelle zu überqueren. Die Schwingungen des Diamanten, besonders im hochfrequenten Bereich, passen schlecht zusammen und erfordern komplexere, weniger effiziente Streuprozesse, was den Widerstand an der Grenzfläche erhöht.

Kristallrichtung und die Verschiebung des thermischen Flaschenhalses

β‑Galliumnitrid ist selbst anisotrop: seine Wärmeleitfähigkeit hängt stark von der Kristallrichtung ab. Die Simulationen zeigen, dass Geräteaufbauten, bei denen die β‑Galliumnitrid‑Schicht entlang bestimmter Richtungen ((010) und (001)) ausgerichtet ist, geringere Grenzwiderstände und bessere Wärmeverteilung aufweisen als andere Schnitte. Wenn diese detaillierten Grenzflächeneigenschaften in Vollgeräte‑Modelle eingehen, wird das Bild nuancierter. Bei niedrig leitfähigen Substraten wie Silizium ist der Hauptengpass das Substratvolumen, und eine Änderung der Kristallorientierung hat nur eine geringe Wirkung. Je besser das Substrat Wärme leitet — beim Wechsel von Silizium über Siliziumkarbid zu Diamant — desto weniger begrenzt das Volumen des Substrats und desto wichtiger wird die Schnittstelle. In diamantenbasierten Geräten kann die Grenzfläche den gesamten Temperaturanstieg dominieren, und orientationsabhängige Unterschiede in der maximal sicheren Leistung können sich auf etwa vierzig Prozent belaufen.

Gleichgewicht zwischen Kühlleistung und mechanischer Belastung

Die Studie verfolgt außerdem, wie wärmebedingte mechanische Spannungen in diesen geschichteten Strukturen entstehen. Bessere Kühlung bedeutet nicht automatisch geringere Spannungen. Geräte mit Diamantsubstraten laufen beispielsweise insgesamt kühler, zeigen aber Spannungsmuster, die empfindlich von der Orientierung des β‑Galliumnitrid‑Kristalls abhängen — bedingt durch Unterschiede in Gitterabständen und thermischer Ausdehnung. Manche Orientierungen, die Wärme effizient verteilen, konzentrieren gleichzeitig Spannungen an der Grenzfläche, was die Langzeitzuverlässigkeit gefährden kann. Designer müssen daher die Wärmeabfuhr gegen mechanische Robustheit abwägen, wenn sie sowohl Substrat als auch Kristallschnitt wählen.

Was das für nächste Generationen von Leistungschips bedeutet

Indem atomare Physik, nanoskalige Schnittstellen und das Verhalten kompletter Geräte verknüpft werden, zeigt diese Arbeit, dass die Kühlung leistungsstarker β‑Galliumnitrid‑Elektronik nicht allein durch die Wahl des leitfähigsten Substrats entschieden wird. Die dünne Grenzschicht, ihr temperaturabhängiger Widerstand und die Kristallorientierung der aktiven Schicht spielen alle eine entscheidende Rolle. Die Simulationen legen nahe, dass diamantbasierte Aufbauten die zulässige Leistung gegenüber Silizium mehr als verdoppeln könnten — vorausgesetzt, ihre Schnittstellen werden sorgfältig ausgelegt und mechanische Spannungen kontrolliert. Über β‑Galliumnitrid hinaus bietet der hier demonstrierte multiskalige Ansatz eine allgemeine Roadmap zum Entwurf kühlerer, zuverlässigerer Geräte aus komplexen Materialkombinationen.

Zitation: Sun, Z., Qi, Z., Song, Y. et al. Multiscale investigation of thermal transport in β-Ga₂O₃-based heterointerfaces enabled by machine learning potential: cross-scale parameter. npj Comput Mater 12, 130 (2026). https://doi.org/10.1038/s41524-026-02007-y

Schlüsselwörter: thermisches Management, Galliumnitridgeräte, Wärmefluss an Schnittstellen, Machine-Learning-Simulationen, Kühlung in Leistungselektronik