Modellazione con deep learning della ridistribuzione dell’ossigeno e del trasporto termico nel silicio on insulator e negli strati di ossido sepolto

Perché è importante per l’elettronica di tutti i giorni

Dagli smartphone ai data center, molti chip veloci e a elevata efficienza energetica si basano su un particolare tipo di wafer di silicio chiamato “silicio on insulator”. In questi wafer, uno strato di silicio ultra‑sottile giace sopra uno strato sepolto simile a vetro che aiuta a controllare calore e disturbi elettrici. La costruzione di queste strutture richiede di introdurre ossigeno nel silicio a temperature elevate e poi gestire come il calore attraversa i confini tra i materiali. Il lavoro dietro questo sommario mostra come l’intelligenza artificiale avanzata possa prevedere sia i modelli nascosti di ossigeno sia il modo in cui il calore fluisce a questi interfacce sepolte, offrendo un nuovo e potente strumento di progettazione per l’elettronica ad alte prestazioni del futuro.

Come si costruiscono i chip su strati di vetro nascosti

I wafer moderni silicon‑on‑insulator sono spesso realizzati sparando una grande dose di ioni di ossigeno nel silicio caldo, quindi sottoponendo il wafer a trattamenti termici ad altissime temperature. Durante questo trattamento, gli atomi di ossigeno si riordinano e alla fine formano uno strato sepolto di biossido di silicio — l’“isolante” — tra il sottile strato di dispositivo superficiale e il silicio massiccio sottostante. Lo spessore esatto e la netthezza di questi strati sono cruciali: troppo sottili o troppo irregolari e i transistor si surriscaldano o guastano; troppo spessi e il chip diventa più difficile da raffreddare e più costoso da produrre. Il problema è che gli atomi di ossigeno si muovono continuamente dentro e fuori la regione sepolta durante il riscaldamento, e fino a ora è stato molto difficile prevedere con precisione dove si stabiliranno e come ciò influenzi il trasporto del calore.

Addestrare un modello a vedere gli atomi come nella fisica quantistica

Gli autori costruiscono un quadro computazionale che unisce una fisica accurata a livello quantistico con il deep learning. Innanzitutto utilizzano simulazioni esigenti basate sulla meccanica quantistica per osservare singoli ioni di ossigeno che urtano il silicio e si arrestano, imitando il passo di impiantazione in fabbrica. Questi istantanee atomiche alimentano poi un modello di apprendimento automatico, chiamato deep potential, che viene addestrato a riprodurre le stesse forze ed energie che produrrebbero i calcoli quantistici completi. Una volta addestrato, questo modello può funzionare molto più rapidamente dei metodi quantistici pur mantenendo quasi la stessa accuratezza. Può seguire gli atomi di ossigeno mentre vagano attraverso silicio e biossido di silicio per tempi molto più lunghi e regioni molto più estese di quanto sarebbe altrimenti fattibile.

Riprogrammare il passaggio del forno e confrontarsi con wafer reali

Con questo modello veloce ma accurato, i ricercatori simulano la fase di “annealing” ad alta temperatura, quando i wafer impiantati vengono cotti per permettere la ridistribuzione dell’ossigeno e la crescita dello strato di ossido sepolto. I loro calcoli producono profili dettagliati di concentrazione di ossigeno in funzione della profondità all’interno del wafer. Scegliendo un livello critico di ossigeno che segna la transizione dal predominio di silicio al predominio di ossido, possono leggere gli spessori previsti del film di silicio superficiale e dell’ossido sepolto. Confrontano quindi queste previsioni con misure su wafer reali prodotti con molteplici energie di impiantazione, dosi e cicli termici. Su otto wafer campione, gli spessori simulati e misurati differiscono tipicamente di meno del cinque percento, dimostrando che il modello cattura i principali movimenti atomici che definiscono la struttura finale del dispositivo.

Ingrandire come il calore attraversa un confine invisibile

Oltre alla struttura, il team affronta anche il modo in cui il calore si muove attraverso il confine tra il silicio cristallino e il biossido di silicio amorfo — un collo di bottiglia che può limitare il raffreddamento del chip. Usando il loro potential basato sul deep learning all’interno di un tipo speciale di simulazione del flusso di calore, creano un’interfaccia idealizzata e atomisticamente netta e spingono calore da un lato all’altro. Misurando lo scarto di temperatura al confine e il flusso di calore stazionario, estraggono la resistenza termica di interfaccia, una misura di quanto l’interfaccia ostacola il calore. Il valore previsto si allinea più da vicino con le misure sperimentali rispetto a simulazioni precedenti basate su modelli empirici più semplici, soprattutto per questo complesso confine misto cristallo‑vetro.

Cosa significa per la progettazione futura dei chip

Nel complesso, lo studio trasforma una ricetta di produzione complessa e a più fasi in un laboratorio virtuale che collega le scelte di fabbricazione — come dose di ossigeno, energia di impiantazione e temperatura di annealing — direttamente sia allo spessore degli strati sia al comportamento del flusso termico. Per i non specialisti, la conclusione chiave è che l’intelligenza artificiale, quando è addestrata con cura su dati a livello quantistico, può tracciare in modo affidabile come si muovono singoli atomi e come quel movimento modella le prestazioni di dispositivi su scala reale. Questo approccio promette una progettazione più razionale delle tecnologie silicon‑on‑insulator, aiutando gli ingegneri a mettere a punto strati sepolti e interfacce termiche su schermo prima di affrontare costose produzioni di wafer.

Citazione: 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

Parole chiave: silicio on insulator, diffusione dell’ossigeno, simulazione con deep learning, resistenza termica di interfaccia, dinamica molecolare