相关实验视频
Updated: May 1, 2026
12:35
Atomically Traceable Nanostructure Fabrication
Published on: July 17, 2015
8.7K
无形Si3N4的HF蚀刻过程的原子模拟使用机器学习潜力
Changho Hong1, Sangmin Oh1, Hyungmin An1
1Department of Materials Science and Engineering and Research Institute of Advanced Materials, Seoul National University, Seoul 08826, Republic of Korea.
ACS applied materials & interfaces
|August 28, 2024
概括
这项研究引入了一个神经网络潜力 (NNP),用于精确的化蚀刻与化的原子模拟. 这种计算框架能够精确分析蚀刻过程,改善半导体设备的设计.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 半导体物理 半导体物理
背景情况:
- 对于先进的半导体设备来说,对干蚀的原子学理解至关重要.
- 分子动力学 (MD) 模拟很强大,但受到蚀刻不可靠的力场的限制.
- 需要精确模拟无形Si3N4用HF蚀刻的情况.
研究的目的:
- 开发一个精确的神经网络潜力 (NNP) 用于无形Si3N4与HF分子蚀刻的原子模拟.
- 建立一个计算框架,用于从原子模拟到连续模型的规模桥梁.
- 为了使半导体蚀刻工艺的设计更加精确和高效.
主要方法:
- 开发一个神经网络潜力 (NNP),在各种数据集上进行训练,包括基线,反应特异性和一般结构.
- 通过与密度函数理论 (DFT) 结果进行比较,对NNP的代精细化.
- 使用训练有素的NNP来分析蚀刻现象,执行MD模拟.
- 基于MD模拟输出的连续模型的开发.
主要成果:
- 经过训练的NNP准确地模拟了无形Si3N4与HF在原子级别的蚀刻.
- 模拟显示了关键的蚀刻工艺:优先喷,表面修饰,蚀刻产量和值能量.
- MD模拟提供了蚀刻产品分布的详细分析.
- 一个衍生连续模型有效地复制了MD模拟的表面组成.
结论:
- 开发的NNP和计算框架有助于精确的原子蚀刻模拟.
- 这种方法可以实现尺度桥梁,将原子细节与连续性行为连接起来.
- 这项工作为增强半导体设备设计和制造精度铺平了道路.
