利用深度学习模拟硅绝缘体上硅及埋置氧化层中的氧重分布与热传输

这对日常电子设备为何重要

从智能手机到数据中心，许多高速且能效高的芯片都依赖一种称为“硅绝缘体上硅”（silicon on insulator，SOI）的特殊硅片。在这些硅片中，一层极薄的硅位于一层埋置的、类玻璃的氧化层之上，从而有助于控制热量和电噪声。构建这些结构需要将氧深度驱入高温硅中，然后管理热量如何穿越材料之间的边界。本文总结所述的论文展示了先进的人工智能如何预测隐蔽的氧分布以及埋置界面处的热流动，为未来高性能电子器件提供了一种强大的新型设计工具。

芯片如何在隐形玻璃层上构建

现代的硅绝缘体上硅晶片通常通过向高温硅中注入大量氧离子，然后在非常高的温度下回火来制造。在此处理过程中，氧原子重新排列并最终形成一层埋置的二氧化硅层——即“绝缘层”——位于表面器件层与下方体硅之间。这些层的精确厚度和界面锋利度至关重要：太薄或太粗糙，会导致晶体管过热或失效；太厚，则芯片更难散热且制造成本更高。问题在于，氧原子在加热过程中不断进出埋置区，直到现在，人们很难精确预测它们最终会在哪里以及这如何影响热传输。

教会模型以量子物理般的视角“看”原子

作者构建了一个将量子精确物理与深度学习相结合的计算框架。首先，他们使用要求很高的基于量子的模拟来观察单个氧离子撞入硅并停止的过程，模拟工厂中的注入步骤。这些原子级快照随后用来训练一种称为深势（deep potential）的机器学习模型，使其复现完整量子计算所产生的力和能量。训练完成后，该模型运行速度大大超过量子方法，同时保持几乎相同的精度。它可以跟踪氧原子在硅和二氧化硅中迁移的过程，覆盖比传统量子计算可行的更长时间尺度和更大空间尺度。

重现炉内工艺并验证真实晶片

借助这一既快速又精确的模型，研究人员模拟了高温“退火”阶段，在此阶段植入的晶片在加热下使氧重新分布并使埋置氧化层生长。他们的计算产生了晶片内部随深度变化的详细氧浓度剖面。通过选择标示从主要为硅到主要为氧化物转变的临界氧含量，研究者可以读取预测的表面硅膜和埋置氧化层的厚度。然后，他们将这些预测值与在多种注入能量、剂量和热循环条件下制造的真实晶片测量结果进行比较。在八个样品晶片中，模拟与测量的层厚通常相差不到5%，表明模型捕捉到了定义最终器件结构的关键原子运动。

放大观察热量如何穿越一条隐形边界

除了结构之外，团队还研究了热量如何跨越晶体硅与非晶二氧化硅之间的边界——这是限制芯片散热的瓶颈之一。他们在特殊的热流模拟中使用深度学习势，构建了理想化的原子级尖锐界面，并从一侧向另一侧驱动热流。通过测量界面处的温度跃迁和稳定热通量，他们提取了界面热阻 —— 即界面阻挡热传递的程度。他们预测的数值比基于更简单经验模型的早期模拟与实验测量的吻合度更高，尤其是在这种混合晶体与玻璃边界的复杂情形下。

这对未来芯片设计意味着什么

总体而言，该研究将一个复杂的多步骤制造配方转化为一个虚拟实验室，将工艺选择（例如氧剂量、注入能量和退火温度）直接连接到层厚和热流行为。对于非专业读者，关键结论是：在以量子级数据谨慎训练下，人工智能能够可靠地追踪单个原子的运动以及这些运动如何塑造整器件的性能。这种方法有望在计算机上更理性地设计硅绝缘体上硅技术，帮助工程师在投入昂贵晶片制造之前调整埋置层和热界面特性。

引用: 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

关键词: 硅绝缘体上硅, 氧扩散, 深度学习模拟, 热界面阻抗, 分子动力学