Experimental and Computational Investigation of Thermal Conductivity in Porous Silicon: Doping-Dependent Performance of Molecular Dynamics and Physics- Informed Neural Networks

Silicon is de stille ruggengraat van de moderne elektronica, het materiaal dat alles aandrijft, van smartphones tot zonnepanelen. In zijn vaste, kristallijne vorm is silicium een uitstekende warmtegeleider, wat vaak een probleem is voor ingenieurs die proberen te voorkomen dat minuscule computerchips oververhit raken. Echter, wanneer silicium wordt getransformeerd in een sponsachtig materiaal gevuld met kleine gaatjes, daalt het vermogen om warmte te geleiden drastisch. Dit poreuze silicium wordt een thermische isolator, een eigenschap die het ongelooflijk waardevol maakt voor het creëren van efficiëntere energie-oogstapparaten en voor het vasthouden van warmte waar het nodig is. De uitdaging voor wetenschappers is altijd geweest om precies te voorspellen hoe goed dit materiaal zal werken. Het antwoord hangt af van een complexe mix van factoren: hoeveel gaatjes er in het materiaal zitten, hoe groot die gaatjes zijn en hoe de siliciumatomen rondom hen zijn gerangschikt. Omdat de structuur enorm kan variëren afhankelijk van hoe het materiaal wordt gemaakt, schiet een eenvoudige formule vaak tekort om het volledige beeld te vatten, waardoor ingenieurs moeten gissen in plaats van berekenen.

Een team van onderzoekers aan de Taras Shevchenko Nationale Universiteit van Kiev heeft deze onzekerheid aangepakt door een uitgebreide brug te bouwen tussen de microscopische wereld van atomen en de macroscopische wereld van warmtestroom. Ze vertrouwden niet op slechts één methode om het puzzelstukje op te lossen. In plaats daarvan combineerden ze drie verschillende benaderingen: experimenten uit de echte wereld, computersimulaties die individuele atomen volgen, en een nieuw type kunstmatige intelligentie die ontworpen is om de wetten van de fysica te leren. De onderzoekers begonnen met het maken van hun eigen monsters van poreus silicium. Ze namen standaard siliciumwafers en gebruikten een chemisch bad met een elektrische stroom om materiaal weg te etsen, waardoor een sponsachtige structuur achterbleef. Door de sterkte van de elektrische stroom zorgvuldig aan te passen, konden ze de dichtheid van de gaatjes controleren, waardoor lagen met een porositeit variërend van 48 procent tot 75 procent ontstonden. Om te zien wat ze hadden gemaakt, bekeken ze de monsters onder krachtige microscopen, waarbij werd onthuld dat de gaatjes duidelijke kolommen vormden die door het materiaal liepen, een vorm die kenmerkend is voor het zwaar gedoteerde silicium waarmee ze begonnen.

Om te meten hoe goed deze materialen warmte geleidden, gebruikte het team een techniek genaamd fotoakoestische meting. Ze wierpen een gemoduleerde laserstraal op het silicium, waardoor het oppervlak snel opwarmde en weer afkoelde. Deze ritmische verhitting creëerde geluidsgolven in de lucht boven het monster, die een gevoelige microfoon kon detecteren. Door de sterkte en timing van deze geluidsgolven te analyseren, konden de onderzoekers de exacte thermische geleidbaarheid van de poreuze laag berekenen zonder deze aan te raken. Ze ontdekten dat de warmtetransport niet alleen draaide om het aantal gaatjes, maar fundamenteel werd bepaald door de initiële doping van de siliciumwafer. Het dopingsniveau bepaalde of de interne structuur een willekeurig, sponsachtig netwerk vormde of een meer georganiseerde, kolomvormige structuur. Dit structurele verschil betekende dat dezelfde hoeveelheid porositeit tot zeer verschillende thermische gedrachten kon leiden, afhankelijk van het startmateriaal.

Om de fysica achter deze metingen te begrijpen, maakten de onderzoekers gebruik van twee verschillende computationele modellen. Eerst gebruikten ze moleculaire dynamica-simulaties, die fungeren als een hogesnelheidsfilm van bewegende en botsende atomen. Deze methode is uitstekend voor het observeren van hoe warmte door minuscule, specifieke structuren reist waar de grenzen van de gaatjes de warmtedragende trillingen, ook wel fononen genoemd, verstrooien. De simulaties toonden aan dat voor de zwaar gedoteerde, kolomvormige monsters, deze verstrooiing op atomaire schaal de dominante factor was die de warmtestroom verminderde. Echter, deze methode is te traag om grote, complexe netwerken te modelleren. Hiervoor gebruikten het team Physics-Informed Neural Networks, een vorm van kunstmatige intelligentie die leert om warmtevergelijkingen op te lossen door de fundamentele wetten van de thermodynamica aangeleerd te krijgen. Deze aanpak stelde hen in staat om de complexe, willekeurige paden van warmte door de poreuze spons te modelleren, waarbij ze vastlegden hoe warmte door het gehele netwerk stroomt in plaats van slechts door een klein fragment.

De resultaten van deze gecombineerde inspanningen gaven een duidelijk beeld van waarom eerdere studies soms van mening verschilden. De onderzoekers ontdekten dat de thermische eigenschappen werden bepaald door de ladingsdragerconcentratie van het oorspronkelijke siliciumkristal, die de vorm van de poriën controleerde. In licht gedoteerd silicium vormden de poriën een willekeurige, labyrintische structuur die het zeer moeilijk maakte voor warmte om een pad te vinden, wat leidde tot een snelle daling van de geleidbaarheid. In contrast hiermee vormde het zwaar gedoteerde silicium kolomachtige structuren die fungeerden als thermische snelwegen, waardoor warmte gemakkelijker kon bewegen ondanks de vele gaatjes. De moleculaire dynamica-simulaties kwamen overeen met het gedrag van deze kolomvormige, zwaar gedoteerde monsters, terwijl de neurale netwerkmodellen uitblonken in het voorspellen van het gedrag van de willekeurige, sponsachtige structuren die te vinden zijn bij lichtere doping. Door hun experimentele gegevens te combineren met deze simulaties en bestaande literatuur, gebruikten de onderzoekers een wiskundige techniek genaamd symbolische regressie om een enkele, verenigde formule af te leiden. Deze formule voorspelt nauwkeurig de thermische geleidbaarheid van poreus silicium op basis van de porositeit en temperatuur, en dekt een breed bereik van kamertemperatuur tot 900 Kelvin.

Dit werk doet meer dan alleen een nieuw getal leveren dat ingenieurs kunnen gebruiken; het lost langdurige verwarring in het vakgebied op door aan te tonen dat de geschiedenis van het materiaal ertoe doet. Dezelfde porositeit kan verschillende resultaten opleveren, afhankelijk van hoe het materiaal is gegroeid. De hybride aanpak van het team, die de beweging van individuele atomen verbindt met de warmtestroom door een heel materiaal, biedt een betrouwbaar instrument voor het ontwerpen van betere thermische isolatie en thermo-elektrische apparaten. Hun definitieve formule, die werkt over een breed bereik van temperaturen en gatendichtheden, maakt nauwkeurige voorspellingen mogelijk zonder de noodzaak van dure en tijdrovende experimenten voor elk nieuw ontwerp. Door te verduidelijken hoe structuur en doping interageren om warmte te beheersen, legt dit onderzoek een solide fundament voor de volgende generatie siliciumgebaseerde technologieën, waardoor wordt gewaarborgd dat warmte precies daar wordt beheerd waar het nodig is.