🔬 물리학

Machine-learned potentials link vacancy-dependent copper transport to post-implantation profiles in silicon

본 연구는 머신러닝 기반의 딥 포텐셜 프레임워크를 활용하여 공공 의존적 구리 이동이 실리콘 내 이온 주입 후 재분포를 어떻게 지배하는지 입증하며, 이를 통해 전통적인 방식보다 훨씬 더 정확한 어닐링된 깊이 프로파일 예측 모델을 제시한다.

원저자: Mingzhu Liu, Yiwen Su, Xinzhong Wang, Jiashu Chen

게시일 2026-10-21

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mingzhu Liu, Yiwen Su, Xinzhong Wang, Jiashu Chen

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

실리콘은 현대 세계의 조용한 토대이자, 스마트폰에서 태양광 패널에 이르기까지 모든 것을 구동하는 결정질 재료입니다. 이러한 장치들이 작동하기 위해서는 실리콘이 순수해야 하지만, 실리콘은 미세한 침입자들로부터 끊임없이 위협받고 있습니다. 컴퓨터 칩을 연결하는 전선에서 전기를 효율적으로 전달하는 능력 덕분에 귀하게 대접받는 금속인 구리는, 만약 실리콘 내부로 흘러 들어갈 경우 위험한 오염 물질이 됩니다. 아주 적은 양의 구리라도 결정 격자 사이를 헤집고 다닐 수 있으며, 이는 장치의 고장이나 에너지 누설을 일으키는 전기적 지름길(쇼트)을 만들어냅니다. 문제는 구리가 특히 제조 과정 중 열을 받을 때 놀라운 속도로 이동하며, 결코 혼자 움직이지 않는다는 점입니다. 구리는 결정 구조 내의 빈 공간인 공공(vacancy)과 상호작용하는데, 이 공공은 마치 함정이나 은신처와 같은 역할을 합니다. 구리가 실리콘 내에서 정확히 어떻게 이동하고, 어디에 걸리며, 어떻게 퍼져 나가는지를 이해하는 것은 더 빠르고 신뢰할 수 있는 전자 제품을 만들려는 엔지니어들에게 매우 중요하지만, 이 과정은 규모가 너무 작고 움직임이 너무 빨라 현미경으로 직접 관찰하는 것이 거의 불가능합니다.

이 수수께끼를 풀기 위해 중앙 남부 대학교(Central South University)와 홍콩 폴리텍 대학교(The Hong Kong Polytechnic University)의 연구진은 강력한 컴퓨터 시뮬레이션 조합에 의지했습니다. 그들은 원자가 어떻게 행동하는지 추측하는 기존의 단순화된 모델에 의존하지 않았습니다. 대신, 그들은 머신러닝이라 불리는 방법을 사용하여 실리콘과 구리 원자를 이용한 새롭고 매우 정밀한 디지털 모델을 구축했습니다. 이 접근 방식은 컴퓨터 프로그램이 사용 가능한 가장 정밀한 물리 계산으로부터 원자 간 상호작용의 규칙을 직접 학습하도록 하여, 원자의 움직임을 거의 완벽하게 예측할 수 있는 '딥 포텐셜(deep potential)'을 생성할 수 있게 해주었습니다. 이 도구를 손에 넣은 연구진은 구리의 전체 여정을 시뮬레이션했습니다. 첫째로 제조 과정에서 구리가 실리콘 안으로 어떻게 강제로 주입되는지, 둘째로 재료를 수리하기 위해 가열할 때 구리가 어떻게 퍼져 나가는지를 시뮬레이션했습니다.

연구진은 구리 이온이 실리콘 속으로 발사되는 순간, 즉 이온 주입(ion implantation) 과정을 시뮬레이션하는 것으로 시작했습니다. 현실 세계에서 이 과정은 재료 깊숙이 구리 원자들이 불균일하고 불규칙하게 분포된 상태를 만듭니다. 연구팀의 새로운 시뮬레이션은 이전 방식들보다 훨씬 더 정밀하게 실제 측정값과 일치하는 방식으로 이 초기 상태를 포착해 냈습니다. 그다음, 연구진은 시뮬레이션된 실리콘을 가상의 오븐에 넣어 구리가 어떻게 재분배되는지 확인하기 위해 가열했습니다. 결정 내에 빈 공간이 없는 상태에서 구리 원자들은 저항 없이 자유롭게 이곳저곳을 누볐습니다. 시뮬레이션 결과, 이 원자들은 단 0.185 전자볼트(eV)의 에너지 장벽을 가지고 결정 격자의 특정 위치 사이를 이동할 수 있음을 보여주었으며, 이 값은 가장 신뢰할 수 있는 이론적 예측치와 일치했습니다. 이는 디지털 모델이 다음 단계의 더 복잡한 과정을 수행하기에 충분히 정확하다는 것을 확인시켜 주었습니다.

진정한 발견은 연구진이 실리콘 결정에 빈 공간, 즉 공공을 도입했을 때 일어났습니다. 실제 세계에서 구리 주입 과정은 종종 이러한 공공을 생성하지만, 그 정확한 수와 위치를 파악하기는 어렵습니다. 연구팀은 공공의 개수가 없는 상태부터 8개까지 각각 다른 숫자의 빈 공간을 포함하는 네 가지 버전의 시뮬레이션을 만들었습니다. 그들은 각 시나리오에서 8개의 구리 원자가 어떻게 움직이는지 관찰했습니다. 결과는 놀라웠습니다. 공공이 없는 결정에서는 구리가 빠르고 균일하게 움직였습니다. 하지만 공기가 도입되자마자 행동이 완전히 바뀌었습니다. 구리 원자들이 걸려들기 시작한 것입니다. 어떤 원자들은 한동안 빠르게 이동하다가 빈 공간으로 뛰어들어 그곳에 머물렀고, 사실상 갇혀 버렸습니다. 공공이 많아질수록 더 많은 구리 원자가 갇혔으며, 전체적인 집단의 이동 속도는 느려졌습니다.

이러한 포획 효과는 단순한 모델들이 놓쳤던 복잡하고 혼합된 행동을 만들어냈습니다. 공공이 많은 시뮬레이션에서 구리 원자들은 균일한 집단으로 움직이지 않았습니다. 대신, 일부는 여전히 빠르게 달리고 있는 반면 다른 일부는 움직이지 않고 가만히 기다리고 있었습니다. 이는 구리의 평균 속도를 크게 떨어뜨렸으며, 구리가 퍼져 나가는 방식 또한 불규칙하고 예측 불가능하게 만들었습니다. 연구진은 이러한 함정의 존재가 구리가 이동하는 데 필요한 겉보기 에너지를 변화시켜, 구리가 어떤 면에서는 더 쉽게 움직이는 것처럼 보이게 하면서도 실제로는 뒤에서 붙잡히고 있다는 사실을 발견했습니다. 시뮬레이션은 구리가 '빠르게 움직이는 자유로운 여행자'와 '결함의 포로가 된 정지된 죄수' 사이를 끊임없이 오가고 있음을 보여주었습니다.

이 미시적인 행동이 실제와 일치하는지 확인하기 위해, 연구팀은 실제 실리콘 샘플에서 채취한 실제 측정값과 최종 결과를 비교했습니다. 그들은 가열 후 구리가 얼마나 깊이 침투하고 얼마나 퍼졌는지를 살펴보았습니다. 새로운 머신러닝 접근 방식은 업계에서 사용하는 표준 방식보다 구리 분포의 형태를 훨씬 더 높은 정확도로 예측했습니다. 이 모델은 주요 클러스터뿐만 아니라, 주요 집단에서 멀리 떨어진 곳까지 떠돌아다닌 희미하고 얇은 구리 원자의 흔적(tail)까지 정확하게 설명해 냈습니다. 이 오염의 꼬리는 주요 클러스터가 닿지 않는 칩의 민감한 부분까지 도달할 수 있기 때문에 특히 위험합니다. 새로운 방식은 기존 기술에 비해 이러한 프로파일(profile)을 예측하는 오차를 거의 절반으로 줄였으며, 이는 구리와 공공 사이의 특정한 '춤'을 고려하는 것이 정확한 그림을 그리는 데 필수적임을 입증했습니다.

본 연구는 구리 오염을 제어하기 위해서 엔지니어들이 단순히 온도나 초기 구리 양만을 고려해서는 안 된다고 결론짓습니다. 그들은 실리콘 내부의 빈 공간이라는 숨겨진 지형을 반드시 이해해야 합니다. 구리는 단순히 확산되는 것이 아니라, 제조 과정에서 생성된 결함에 전적으로 의존하여 갇히고, 풀려나고, 다시 갇히는 복잡한 순환 과정을 거칩니다. 이 미세한 원자 단위의 상호작용을 실제 장치에서 보이는 대규모 패턴과 연결함으로써, 이 새로운 프레임워크는 구리 손상을 예측하고 방지할 수 있는 더 명확한 경로를 제시합니다. 이는 제조 과정 중 공공의 생성을 정교하게 관리함으로써, 제조업체들이 실리콘의 순도를 유지하여 차세대 기술을 구동할 수 있도록 할 수 있음을 시사합니다.

기술 요약: 머신러닝 기반 포텐셜을 통한 공공(Vacancy) 의존적 구리 수송과 실리콘 내 이온 주입 프로파일의 연결

문제 정의
구리(Cu) 오염은 첨단 집적 회로 및 관통 실리콘 비아(through-silicon vias)를 포함한 실리콘(Si) 소자에 심각한 신뢰성 위협을 가한다. 이동성이 높은 격자 간(interstitial) 구리는 실리콘 격자를 통해 빠르게 확산되어, 접합 성능을 저하시키고 누설 전류를 증가시키는 전기적 활성 결함, 석출물 및 실리사이드 상을 형성할 수 있다. 격자 결함, 특히 실리콘 공공(vacancy)과의 상호작용은 격자 간 구리의 고유한 빠른 확산을 복잡하게 만든다. 공공은 운동학적 트랩(kinetic trap) 역할을 하여 이동성이 높은 격자 간 구리를 부동(immobile)의 치환형(substitutional) 구성이나 복합체로 변환시킨다. 현재의 실험적 방법(예: SIMS)은 공간적으로 평균화된 프로파일을 제공하지만, 개별적인 포획 및 방출 이벤트를 분해하여 보여주지는 못한다. 반면, 전통적인 원자론적 시뮬레이션은 트레이드오프에 직면한다. 밀도 범함수 이론(DFT)은 정확성을 제공하지만 작은 시스템과 짧은 시간 척도로 제한되며, 고전적 분자 동역학(MD)은 복잡한 Cu-결함 에너지론을 정확하게 설명하기 위한 전이성(transferability)이 부족하다. 따라서 기초적인 Cu 이동 메커니즘과 공공 의존적 수송을 연결하여 이온 주입 후의 깊이 프로파일을 정확하게 예측할 수 있는 프레임워크가 필요하다.

방법론
저자들은 DFT 정보가 포함된 이온 주입 시뮬레이션과 대규모 분자 동역학을 위한 능동 학습된 딥 포텐셜(Deep Potential, DP) 모델을 통합한 멀티스케일 프레임워크를 개발하였다.

딥 포텐셜 구축: DP-GEN 동시 학습 스킴을 사용하여 딥 뉴럴 네트워크 포텐셜 앙상블을 훈련시켰다. 훈련 데이터셋에는 격자 간 및 치환형 Cu 구성, 공공을 포함하는 구조, 그리고 셀 변형 및 무작위 섭동에 의해 증강된 이동 경로가 포함되었다. 모델의 불확실성이 수렴할 때까지 추가적인 DFT 라벨링을 위해 불확실한 구성을 식별하는 방식으로 모델을 반복적으로 정교화하였다.
검증: DP 모델의 정확성을 Si-Cu 시스템(Si64Cu, Si63Cu, Si62Cu2)에 대한 독립적인 DFT 데이터셋에 대해 엄격하게 테스트하였다. 또한, 이동 장벽과 공공 포획 에너지론을 비교하기 위해 DFT와 훈련된 DP를 모두 사용한 넉지드 엘라스틱 밴드(Nudged-Elastic-Band, NEB) 계산을 수행하였다.
이온 주입 및 어닐링 시뮬레이션:
- 이온 주입: DFT-MD를 사용하여 70 keV Cu 이온을 실리콘에 주입함으로써, 사전 정의된 도펀트 분포를 가정하지 않고 원자 수준으로 해상된 초기 구성을 생성하였다.
- 확산: 훈련된 DP 모델을 통해 600~1400 K 범위에서 대규모 DeePMD 시뮬레이션(실리콘 4,096개 원자 + 구리 8개 원자)을 수행하였다. 공공 농도의 영향을 분리하기 위해 0, 2, 4, 또는 8개의 실리콘 공가를 포함하는 네 가지 서로 다른 시스템을 모델링하였다.
- 분석: 열적 어닐링 전후의 Cu 깊이 프로파일을 생성하여 이차 이온 질량 분석법(SIMS) 실험 데이터 및 기존의 몬테카를로/이차 충돌 근사 + 키네틱 몬테카를로(MC/BCA+KMC) 워크플로우와 비교하였다.

주요 결과

모델 정확도: DP 모델은 다양한 Cu-Si 환경에서 RMSE 3.16–3.71 meV/atom의 에너지와 35.10–88.30 meV/Å의 힘을 재현하였다.
이동 및 포획 에너지론:
- 사면체 자리 사이의 격자 간 Cu에 대한 DP 계산된 이동 장벽은 0.192 eV로, DFT 값인 0.185 eV와 밀접하게 일치하였다.
- 공공 포획은 매우 발열적이다. 격자 간 Cu에서 치환형 Cu로의 전이( $Cu_i + V_{Si} \rightarrow Cu_s$ )는 약 2.5 eV를 방출하며, 이는 공공이 강력한 에너지 싱크임을 확인시켜 준다.
- 모델은 Cu-공공 복합체 형성(예: $\langle Cu_s, Cu_i \rangle + V_{Si} \rightarrow \langle Cu_s, Cu_s \rangle$ )의 에너지론을 정확하게 재현한다.
공공 의존적 수송:
- 공공이 없는 실리콘에서 계산된 활성화 에너지는 0.202 eV이며, 이는 실험적인 고유 확산 값과 일치한다.
- 공공 농도가 증가함에 따라( $V_2, V_4, V_8$ ), 앙상블 평균 확산 계수는 감소하며, 겉보기 활성화 에너지는 각각 0.168, 0.087, 0.083 eV로 떨어진다.
- 원자 해상 궤적은 빠른 격자 간 이동과 공공 관련 상태에서의 장기 체류 사이의 경쟁을 보여준다. 공공이 풍부한 시스템에서 아레니우스 피팅 품질( $R^2$ )의 저하는 단일 활성화 장벽이 이동성 및 포획된 Cu 원자들의 불균질한 집단을 설명할 수 없음을 나타낸다.
프로파일 예측:
- DFT-MD+DP 프레임워크는 MC/BCA+KMC 워크플로우보다 Cu 깊이 프로파일 예측 성능이 현저히 우수하다.
- 전체 프로파일(0–900 Å)에 대해, DP 방법은 다양한 어닐링 온도에서 MC/BCA+KMC 대비 평균 정규화 제곱근 평균 제곱 오차(NRMSE)를 47–61% 감소시켰다.
- 개선은 표면 근처 영역(0–200 Å)과 저농도 확산 꼬리 부분(700–900 Å) 모두에서 관찰되었다. DP 프로파일은 실험적 꼬리 재고의 약 90%를 유지한 반면, MC/BCA+KMC 프로파일은 73–79%만을 유지하였다.

의의 및 주장
본 논문은 기초적인 Cu-결함 상호작용을 측정 가능한 거시적 재분포와 성공적으로 연결하는 제1원리 기반 프레임워크를 제공한다고 주장한다. 저자들은 딥 포텐셜(DP) 모델을 결합하여 다음과 같은 점을 입증하였다:

메커니즘적 통찰: 공공 집단은 Cu 재분포를 제어하는 핵심 요소로서, 단일 확산 계수로 포착할 수 없는 공간적으로 불균질한 역학을 생성하고 이동성 Cu 분율을 억제한다.
예측 능력: 이 프레임의는 이온 주입 유도 결함과 어닐링 조건을 공동으로 평가할 수 있는 경로를 제공한다. 이는 특히 결함 포획과 방출이 중요한 저농도 꼬리 부분에서 기존 MC/BCA+KMC 방법보다 더 정확한 Cu 오염 프로파일 예측을 제공한다.
방법론적 발전: 본 연구는 능동 학습 DP 모델이 작은 규모의 DFT 에너지론과 대규모 공정 관련 시뮬레이션 사이의 간극을 메울 수 있음을 검증하였으며, 이를 통해 고정된 이동 이벤트 목록을 규정하지 않고도 복잡한 비평형 환경에서의 결함 매개 확산을 연구할 수 있게 한다.

저자들은 본 프레임워크가 프로파일 예측을 개선하긴 하지만, 반복적인 포획 및 방출 이벤트의 역학을 완전히 해결하기 위해서는 더 긴 시뮬레이션이 필요하다는 점을 언급하며 신중한 입장을 유지한다. 저자들은 이 연구를 기존 KMC 모델의 보완적 능력으로 위치시키며, 특히 실리콘 공정에서 진화하는 결함 구성 및 상관관계가 있는 Cu-공공 상호작용 문제를 다루고 있다.

유사한 논문