由机器学习势驱动的β-Ga2O3基异质界面热传输多尺度研究：跨尺度参数

为何保持低温对未来电子设备至关重要

随着手机、功率转换器和数据中心性能的提升，它们产生的热量也随之增加。将热量从微小而高负载的芯片中移走，正成为提升电子设备性能的最大障碍之一。本研究考察了通过将新兴半导体β-氧化镓放置在不同散热材料上来冷却器件的策略。研究者使用一系列计算机模拟——从原子尺度到整机尺度——追踪热量流动，结果表明理论上最好的散热体在实际中未必是最佳选择，而且两种材料接触处的薄薄结界可以决定性能成败。

从原子到整机追踪热量

研究团队构建了一个“多尺度”建模框架，将三个层面联系起来：原子、纳米结构和完整芯片。在最小的尺度上，他们使用量子级别的计算来研究β-氧化镓以及三种候选衬底材料——硅、碳化硅和钻石——中原子的振动与相互作用。随后他们训练了一个机器学习势，一种智能力场，用以在大幅降低计算成本的同时模拟这些昂贵的量子计算。这使他们能够运行大规模分子动力学模拟，追踪以原子振动形式携带的热量如何穿越β-氧化镓与各衬底之间的界面。最后，他们将这些结果输入到整堆栈的有限元模型中，以预测温升、功率承载能力和机械应力。

当最佳散热体在界面处受阻

人们可能会认为以极高热导率著称的钻石应当是理想的衬底。出人意料的是，模拟显示β-氧化镓/钻石界面的热界面阻抗最高，而β-氧化镓/硅界面最低，碳化硅居中。同时，这种界面阻抗随温度升高而下降，这与体相晶体中通常观察到的现象相反。通过分析各材料的振动态“指纹”，团队发现硅的振动谱与β-氧化镓重叠最好，使得携热振动更容易跨越界面。钻石的振动谱，尤其是高频部分，匹配较差，需要更复杂且效率更低的散射过程，从而提高了界面处的阻抗。

晶向与热瓶颈的转移

β-氧化镓本身具有各向异性：其导热能力强烈依赖晶体取向。模拟结果表明，当β-氧化镓层沿某些晶向切割（如(010)和(001)面）时，界面阻抗较低且热扩散性能优于其他取向。将这些详尽的界面性质纳入整机模型后，情况变得更加复杂。对于像硅这样低导热的衬底，主要瓶颈是衬底的体相，改变晶向的影响仅为有限。随着衬底导热性能提高——从硅到碳化硅再到钻石——衬底体相的限制减弱，界面的重要性增加。在基于钻石的器件中，结界可能主导总体温升，且与取向相关的最大安全功率差异可达到大约四十个百分点。

在散热能力与机械应变之间权衡

研究还跟踪了这些层状结构中由热引起的机械应力如何积累。更好的散热并不必然意味着更低的应力。例如，使用钻石衬底的器件整体运行更凉，但应力分布敏感地依赖于β-氧化镓晶体的取向，原因在于晶格间距和热膨胀的不匹配。有些能够有效扩散热量的取向也会在界面处集中应力，可能威胁长期可靠性。因此设计者在选择衬底和晶体切割方向时，必须在热移除能力与机械稳健性之间进行权衡。

对下一代功率芯片的意义

通过将原子级物理、纳米尺度界面和整机行为联系起来，这项工作表明为高功率β-氧化镓电子器件降温并非仅是选择导热性最强的衬底那么简单。薄薄的界面层、其随温度变化的阻抗以及活性层的晶体取向都扮演关键角色。模拟表明，若精心工程化界面并管理机械应力，基于钻石的堆栈在允许的功率上可能比硅提高一倍以上。超越β-氧化镓，该多尺度方法为设计由复杂材料组合构成的、更冷更可靠的器件提供了一条通用路线图。

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

关键词: 热管理, 氧化镓器件, 界面热流, 机器学习模拟, 功率电子散热