对在化上的粘附特性进行原子学的洞察,使用带有机器学习的原子间潜力的定向分子动力学
Eunseog Cho1, Won-Joon Son2, Eunae Cho3
1CSE Team, Samsung Electronics, 1 Samsungjeonja-ro, Hwaseong-si, Gyeonggi-do, 18448, Republic of Korea. eunseog.cho@samsung.com.
Scientific reports
|October 10, 2023
概括
提高半导体可靠性需要了解金属互连粘附. 本研究使用机器学习模拟来预测/化粘附强度和故障模式,揭示最佳沉积以提高设备性能.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 半导体设备物理 半导体设备物理
背景情况:
- 半导体设备的小型化需要提高金属互连的可靠性.
- 了解原子层面的界面粘附对于预测故障模式和强度至关重要.
- 当前的方法需要普遍适用的计算方法来处理各种接口属性.
研究的目的:
- 开发一种计算方法,从理论上理解金属连接器的粘附特性.
- 为了研究在化 (W/TiN) 接口上的的粘附性质.
- 根据接口特性和面向方向来预测粘合强度和故障模式.
主要方法:
- 利用了由机器学习驱动的分子动力学模拟的方向盘,利用了原子间潜力.
- 进行拉动和滑动测试,以分析故障模式和粘合强度.
- 研究了具有不同化 (TiN) 面向的W/TiN接口.
主要成果:
- 在拉力下观察到富含Ti (111) 和 (001) TiN面的粘合故障 (接口分离).
- 凝聚性失败 (粉破坏) 发生在富含N的 (111) TiN面上.
- 附着强度在富含N的 (111) 面最强,在富含Ti的 (111) 面最弱.
结论:
- 开发的基于机器学习的分子动力学方法有效地预测了W/TiN接口的粘附特性.
- 面向显著影响故障模式和粘合强度.
- 在富含N的 (111) TiN面上优化沉积可提高附着强度,从而提高半导体可靠性.
