Моделирование глубокого обучения перераспределения кислорода и теплового переноса в слоях silicon on insulator и скрытом оксиде

Почему это важно для повседневной электроники

От смартфонов до центров обработки данных — многие быстрые и энергоэффективные чипы опираются на особый тип кремниевых подложек, называемых «silicon on insulator». В таких подложках очень тонкий слой кремния расположен поверх скрытого стеклообразного слоя, который помогает контролировать тепло и электрические помехи. Создание этих структур требует посадки кислорода глубоко в горячий кремний и последующего управления тем, как тепло пересекает границы между материалами. Статья, лежащая в основе этого обзора, показывает, как передние методы искусственного интеллекта могут предсказать как скрытые профили распределения кислорода, так и характер теплопереноса на этих скрытых интерфейсах, предлагая мощный новый инструмент проектирования для будущей высокопроизводительной электроники.

Как на чипах строят скрытые стеклянные слои

Современные wafer‑структуры silicon‑on‑insulator часто получают, вводя огромную дозу ионов кислорода в нагретый кремний, а затем отпекая подложку при очень высоких температурах. В ходе этой обработки атомы кислорода перераспределяются и в конечном счёте формируют скрытый слой диоксида кремния — «изолятора» — между верхним функциональным слоем и массивным кремнием внизу. Точная толщина и резкость таких слоёв критичны: слишком тонкий или слишком шероховатый слой приводит к перегреву или отказам транзисторов; слишком толстый — усложняет охлаждение и повышает стоимость изготовления. Проблема в том, что атомы кислорода постоянно перемещаются внутрь и наружу скрытого региона во время нагрева, и до сих пор было очень трудно точно предсказать, где они окажутся и как это повлияет на теплоперенос.

Обучение модели «видеть» атомы как квантовая физика

Авторы создают вычислительную схему, сочетающую квантово‑точную физику и глубокое обучение. Сначала они используют ресурсоёмкие квантовые симуляции, чтобы проследить, как отдельные ионы кислорода врезаются в кремний и останавливаются, имитируя этап имплантации на заводе. Эти атомные снимки затем питают модель машинного обучения, называемую deep potential, которая обучается воспроизводить те же силы и энергии, что и полные квантовые расчёты. После обучения такая модель работает намного быстрее квантовых методов при почти той же точности. Она может проследить движение атомов кислорода по кремнию и диоксиду кремния на существенно больших временнЫх и пространственных масштабах, чем это было бы возможно иначе.

Повтор печного этапа и сопоставление с реальными пластинами

Имея в распоряжении быструю и точную модель, исследователи симулируют высокотемпературный этап «отжига», когда имплантированные пластины отпекают, чтобы кислород перераспределился и скрытый оксидный слой вырос. Их расчёты дают подробные профили концентрации кислорода по глубине пластины. Выбирая критический уровень кислорода, который отмечает переход от преимущественно кремния к преимущественно оксиду, они считывают предсказанные толщины поверхностной кремниевой плёнки и скрытого оксида. Затем эти предсказания сравнивают с измерениями реальных подложек, изготовленных при различных энергиях имплантации, дозах и термических режимах. Для восьми образцов моделируемые и измеренные толщины слоёв обычно различаются менее чем на пять процентов, что показывает, что модель захватывает ключевые атомные перемещения, определяющие конечную структуру устройства.

Приближение к тому, как тепло пересекает невидимую границу

Помимо структуры, команда изучает также, как тепло проходит через границу между кристаллическим кремнием и аморфным диоксидом кремния — узкое место, ограничивающее охлаждение чипа. Используя свой deep‑learning potential внутри особого типа симуляции теплового потока, они создают идеализированный, атомарно резкий интерфейс и направляют тепло с одной стороны на другую. Измеряя скачок температуры на границе и установившийся тепловой поток, они определяют тепловое сопротивление интерфейса — меру того, насколько сильно интерфейс препятствует теплопередаче. Их предсказанное значение лучше согласуется с экспериментальными измерениями, чем более ранние симуляции на основе упрощённых эмпирических моделей, особенно для этой сложной границы «кристалл‑и‑стекло».

Что это значит для будущего проектирования чипов

В целом исследование превращает сложный многослойный производственный рецепт в виртуальную лабораторию, которая напрямую связывает выборы изготовления — такие как доза кислорода, энергия имплантации и температура отжига — с толщиной слоёв и поведением теплового потока. Для неспециалистов ключевая мысль в том, что искусственный интеллект, аккуратно обученный на данных квантового уровня, может надежно отслеживать движение отдельных атомов и то, как это движение формирует характеристики полноразмерных устройств. Такой подход обещает более рациональное проектирование технологий silicon‑on‑insulator, помогая инженерам тонко настраивать скрытые слои и тепловые интерфейсы на экране компьютера прежде, чем запускать дорогостоящие партии пластин.

Цитирование: 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

Ключевые слова: silicon on insulator, диффузия кислорода, симуляция глубокого обучения, тепловое сопротивление интерфейса, молекулярная динамика