機械学習ポテンシャルで可能になったβ-Ga2O3系ヘテロ界面における熱輸送の多重スケール解析：クロススケールパラメータ

将来の電子機器で冷却が重要な理由

スマートフォン、電力変換器、データセンターがより高性能になるにつれて、発熱も増えています。小さく激しく動作するチップから効率的に熱を逃がすことは、より良い電子機器を実現するうえで最大の障害の一つになりつつあります。本研究は、新興半導体であるβ‑ガリウム酸化物で作られたデバイスを、さまざまな熱拡散材の上に置くことでいかに冷却できるかを調べます。原子スケールからデバイス全体まで熱の流れを追う一連の計算を用い、論理上では最良のヒートシンクが実際には最良とは限らないこと、そして材料が接する薄い接合層が性能を左右しうることを明らかにしています。

原子からデバイス全体へ熱を追う

研究者たちは、原子、ナノ構造、完全なチップという三つの世界を結ぶ「多重スケール」モデリング枠組みを構築しました。最小スケールでは、β‑ガリウム酸化物と候補となる三つの基板材料—シリコン、炭化ケイ素、ダイヤモンド—の原子振動と相互作用を量子レベルの計算で調べました。次に、これらの高コストな計算を大幅に短時間で模倣する機械学習ポテンシャル（賢い力場）を学習させました。これにより、原子振動として運ばれる熱がβ‑ガリウム酸化物と各基板の接合部をどのように流れるかを追う大規模な分子動力学シミュレーションを実行できるようになりました。最後に、その結果をデバイス全体の有限要素モデルに取り込み、温度上昇、許容電力、機械的応力を予測しました。

最良のヒートシンクが接合で遅れる場合

熱伝導率が極めて高いことで知られるダイヤモンドが理想的な基板だと予想するのは自然です。ところがシミュレーションは驚くべき結果を示しました。熱境界抵抗（界面を越える際の熱の通りにくさ）は、β‑ガリウム酸化物／ダイヤモンドの組合せで最も高く、β‑ガリウム酸化物／シリコンの組合せで最も低く、炭化ケイ素はその中間でした。同時に、この境界抵抗は温度が上がると低下し、バルク結晶で通常見られる振る舞いとは逆でした。各材料の振動スペクトル（いわば振動の“指紋”）を解析すると、シリコンの振動がβ‑ガリウム酸化物と最も重なりが大きく、熱を運ぶ振動（フォノン）が接合を越えやすいことが分かりました。ダイヤモンドの振動は特に高周波側で合致が悪く、より複雑で効率の低い散乱過程を必要とするため、界面での抵抗が高くなります。

結晶方位と変わる熱のボトルネック

β‑ガリウム酸化物自身は異方的であり、熱を伝える能力は結晶方位に強く依存します。シミュレーションは、β‑ガリウム酸化物層が特定の方向（(010) および (001)）で切断されたデバイススタックが、他の切り方に比べて界面抵抗が低く熱拡散性が良いことを示しました。こうした詳細な界面特性をフルデバイスモデルに組み込むと、状況はより複雑になります。シリコンのような低導熱基板では、主なボトルネックは基板のバルクにあり、結晶方位を変えても影響は限定的です。基板の熱伝導が良くなる（シリコン→炭化ケイ素→ダイヤモンド）につれて、基板バルクの制約は小さくなり、界面の重要性が増します。ダイヤモンド基板のデバイスでは、接合が総温度上昇を支配することがあり、最大許容電力の方位依存差は概ね40％に達する可能性があります。

冷却性能と機械的ひずみのバランス

研究はまた、これらの積層構造で熱によって生じる機械的応力の蓄積も追跡しています。冷却性が良いことが自動的に応力が低いことを意味するわけではありません。たとえばダイヤモンド基板を用いるデバイスは全体的により低温で動作しますが、格子間隔や熱膨張の不一致に起因して、β‑ガリウム酸化物の結晶方位に敏感な応力分布を示します。熱をよく広げる方位の中には、界面に応力を集中させ長期信頼性を脅かすものもあります。したがって設計者は基板と結晶切断の選択において、熱除去と機械的堅牢性のバランスを取る必要があります。

次世代パワーチップへの示唆

原子レベルの物理、ナノスケールの界面、フルデバイス挙動を結びつけることで、本研究は高出力β‑ガリウム酸化物エレクトロニクスの冷却が単に最も高導熱な基板を選べばよい話ではないことを示しています。薄い界面層、その温度依存の抵抗、そして能動層の結晶方位がすべて重要な役割を果たします。シミュレーションは、界面を精密に設計し機械的応力を管理すれば、ダイヤモンド基板のスタックはシリコンと比べて許容電力を二倍以上にできる可能性を示唆しています。β‑ガリウム酸化物に限らず、ここで示された多重スケール手法は、複雑な材料の組合せから成るより冷却性と信頼性の高いデバイス設計のための一般的なロードマップを提供します。

引用: 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

キーワード: 熱管理, ガリウム酸化物デバイス, 界面での熱流, 機械学習シミュレーション, パワーエレクトロニクス冷却