基于机器学习原子间势的 IGZO 中氢迁移的原子级洞察：将原子扩散与器件性能关联
材料科学
2025-08-28 v1
摘要
理解氢扩散对于提高氧化物薄膜晶体管（TFT）的可靠性和性能至关重要，其中氢在载流子调制和偏压不稳定性中发挥关键作用。在本工作中，我们使用机器学习原子间势分子动力学（MLIP-MD）模拟研究了非晶 IGZO（-IGZO）和 轴取向晶体 IGZO（CAAC-IGZO）中的氢扩散。我们通过微调通用预训练 MLIP SevenNet-0 构建了精确的相特异性 MLIP，并针对涵盖氢相关构型和扩散环境的综合数据集验证了模型。氢扩散率在 650–1700 K 范围内进行评估，结果表明由于玻璃态基质，-IGZO 在 750 K 以上 mobility 增强，而低温下的扩散受刚性网络限制。扩散率的阿伦尼乌斯外推表明，-IGZO 中的氢可在 300–400 K 下于 秒内到达沟道/绝缘体界面，这可能有助于负偏压应力引起的器件退化。轨迹分析揭示，-IGZO 中的长程扩散由氢跳跃和翻转机制共同实现。在 CAAC-IGZO 中，氢表现出高面内扩散率，但由于沿 轴的高能垒，面外传输受到严重限制。CAAC-IGZO 中有限的垂直扩散表明其对偏压不稳定性的影响极小。本工作通过利用大规模 MLIP-MD 模拟，桥接了氧化物 TFT 中原子级氢传输机制与器件级性能。
引用
@article{arxiv.2508.19674,
title = {Atomistic insights into hydrogen migration in IGZO from machine-learning interatomic potential: linking atomic diffusion to device performance},
author = {Hyunsung Cho and Minseok Moon and Jaehoon Kim and Eunkyung Koh and Hyeon-Deuk Kim and Rokyeon Kim and Gyehyun Park and Seungwu Han and Youngho Kang},
journal= {arXiv preprint arXiv:2508.19674},
year = {2025}
}
备注
13 pages, 9 figures, Supplementary information included as ancillary file (+15 pages)