Silisyum üzerine yalıtkan ve gömülü oksit katmanlarında oksijenin yeniden dağılımı ve ısıl taşıma üzerine derin öğrenme modellemesi

Günlük elektroniğe bunun önemi neden büyük

Akıllı telefonlardan veri merkezlerine kadar, birçok hızlı ve enerji verimli çip, “silisyum üzerine yalıtkan” adı verilen özel bir tür silisyum levhaya dayanır. Bu levhalarda, ultra ince bir silisyum tabakası, ısıyı ve elektriksel gürültüyü kontrol altında tutmaya yardımcı olan cam benzeri gömülü bir katmanın üzerinde yer alır. Bu yapıları oluşturmak, oksijeni sıcak silisyumun derinliklerine sokmayı ve ardından malzemeler arasındaki sınır boyunca ısının nasıl geçtiğini yönetmeyi gerektirir. Bu özetin arkasındaki makale, gelişmiş yapay zekânın hem gizli oksijen desenlerini hem de gömülü arayüzlerde ısının akışını nasıl tahmin edebileceğini gösteriyor; bu da geleceğin yüksek performanslı elektroniği için güçlü yeni bir tasarım aracı sunuyor.

Çipler gizli cam katmanlar üzerine nasıl inşa ediliyor

Modern silisyum‑üzerine‑yalıtkan levhalar genellikle büyük dozda oksijen iyonlarının sıcak silisyuma çarptırılması ve ardından levhanın çok yüksek sıcaklıklarda pişirilmesiyle üretilir. Bu işlem sırasında oksijen atomları yeniden düzenlenir ve sonunda üst cihaz tabakası ile alttaki toplu silisyum arasında gömülü bir silisyum dioksit—yani “yalıtkan”—katmanı oluşturur. Bu katmanların kesin kalınlığı ve keskinliği çok önemlidir: çok ince veya çok pürüzlü olursa transistörler aşırı ısınır veya arızalanır; çok kalın olursa çipin soğutulması zorlaşır ve üretim maliyeti artar. Sorun şu ki, ısıtma sırasında oksijen atomları gömülü bölgeden sürekli olarak içeri ve dışarı hareket eder ve şimdiye dek onların tam olarak nereye yerleşeceğini ve bunun ısıl taşıma üzerindeki etkisini kesin olarak öngörmek zor olmuştur.

Atomları kuantum fiziği gibi görebilmesi için bir modele öğretmek

Yazarlar kuantum düzeyinde doğru fizikle derin öğrenmeyi birleştiren bir hesaplama çerçevesi kuruyor. İlk olarak, fabrikadaki implantasyon adımını taklit ederek bireysel oksijen iyonlarının silisyuma çarpıp durduğu anları izlemek için zorlayıcı kuantum tabanlı simülasyonlar kullanıyorlar. Bu atomik anlık görüntüler daha sonra tam kuantum hesaplamalarının vereceği aynı kuvvetleri ve enerjileri yeniden üretecek şekilde eğitilen derin potansiyel adlı bir makine öğrenimi modeline besleniyor. Eğitildikten sonra, bu model kuantum yöntemlerine kıyasla çok daha hızlı çalışabiliyor ve neredeyse aynı doğruluğu koruyor. Oksijen atomlarının silisyum ve silisyum dioksit boyunca çok daha uzun zamanlarda ve daha büyük bölgelerde nasıl yayıldığını izleyebiliyor.

Fırın adımını yeniden oynatmak ve gerçek levhalarla eşleştirmek

Bu hızlı ama dengeli modelle araştırmacılar, implantasyon sonrası levhaların oksijenin yeniden dağılımına ve gömülü oksit tabakasının büyümesine izin vermek için pişirildiği yüksek sıcaklıklı “annealing” aşamasını simüle ediyorlar. Hesaplamaları, levha derinliğine göre ayrıntılı oksijen yoğunluk profilleri üretiyor. Çoğunlukla silisyumdan çoğunlukla okside geçişi işaretleyen kritik bir oksijen düzeyi seçerek yüzey silisyum film ve gömülü oksit tabakasının öngörülen kalınlıklarını belirleyebiliyorlar. Ardından bu tahminleri farklı implantasyon enerjileri, dozları ve ısıl döngüler altında üretilmiş gerçek levha ölçümleriyle karşılaştırıyorlar. Sekiz örnek levha genelinde, simüle edilen ve ölçülen katman kalınlıkları genellikle yüzde beşten daha az farklılık gösteriyor; bu da modelin nihai cihaz yapısını belirleyen kilit atomik hareketleri yakaladığını gösteriyor.

Görünmez bir sınırdan ısının nasıl geçtiğine yakından bakmak

Yapıların ötesinde, ekip kristalin silisyum ile amorf silisyum dioksit arasındaki sınır boyunca ısının nasıl aktığını da ele alıyor—bu, çip soğutmasını sınırlayabilecek bir darboğazdır. Kendi derin öğrenme potansiyellerini özel bir ısı akışı simülasyonunun içinde kullanarak atomik olarak keskin, idealize bir arayüz oluşturuyor ve ısının bir taraftan diğer tarafa akmasını sağlıyorlar. Sınırdaki sıcaklık sıçramasını ve kararlı ısı akısını ölçerek arayüz ısıl direncini — arayüzün ısıyı ne kadar engellediğinin bir ölçüsünü — çıkarıyorlar. Tahmin edilen değerleri, özellikle bu karışık kristal‑ve‑cam sınırı için, daha önceki basit ampirik modellere dayanan simülasyonlara kıyasla deneysel ölçümlerle daha yakın uyum gösteriyor.

Geleceğin çip tasarımı için bunun anlamı

Genel olarak çalışma, karmaşık çok adımlı bir üretim tarifini, üretim seçimlerini—örneğin oksijen dozu, implantasyon enerjisi ve annealing sıcaklığı—hem katman kalınlığı hem de ısıl akış davranışıyla doğrudan ilişkilendiren sanal bir laboratuvara çeviriyor. Uzman olmayanlar için ana çıkarım, yapay zekânın kuantum düzeyindeki verilerle dikkatle eğitildiğinde bireysel atomların nasıl hareket ettiğini ve bu hareketin tam ölçekli cihazların performansını nasıl şekillendirdiğini güvenilir şekilde izleyebilmesidir. Bu yaklaşım, silisyum‑üzerine‑yalıtkan teknolojilerinin daha akılcı tasarımını vaat ediyor; mühendislerin gömülü katmanları ve ısıl arayüzleri maliyetli levha üretimine geçmeden önce bilgisayar ekranında ince ayarlamalarına yardımcı olacak.

Atıf: 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

Anahtar kelimeler: silisyum üzerine yalıtkan, oksijen difüzyonu, derin öğrenme simülasyonu, ısıl arayüz direnci, moleküler dinamik