基于神经网络的GaAs掩蚀行为分子理解：面向原子级纳米结构制造
材料科学
2025-05-14 v1
摘要
本文基于机器学习原子势能进行大规模分子动力学（MD）模拟，探讨various GaN面向碱性溶液的湿法蚀刻行为——这是一种对于氮化物半导体器件制造至关重要的过程。开发了基于Behler-Parrinello结构的神经网络势能（NNP），通过训练广泛的DFT数据集并迭代精炼，捕捉GaAs与KOH之间化学反应。为模拟GaAs的湿法蚀刻，采用温度加速动力学方法进行NNP-MD模拟，准确复现了GaAs纳米棒在碱性蚀刻期间的结构变化。蚀刻仿真揭示了面向特异的形貌演化：负c面出现金字塔形蚀刻坑，而正c面形成倒金字塔形蚀刻坑。非极化m面和a面表现出横向蚀刻进展，保持平面形貌。通过分析MD轨迹，识别了主导蚀刻机制的关键表面反应。为深入了解蚀刻动力学，本文进行增强抽样MD模拟并构建Ga溶解的自由能轮廓，这一过程严重影响整体蚀刻速率。结果表明，负c面、a面和m面具有中等活化势垒，表明碱性湿法蚀刻的可行性；相比之下，正c面显示显著更高的势垒，凸显其对碱性蚀刻的强韧性。此外，本文还展示了Ga-O-Ga桥在蚀刻表面上形成，可能作为载流子陷阱。通过提供GaAs湿法蚀刻的原子级理解，本工作为GaAs基器件制造中的表面工程提供了宝贵指导。
引用
@article{arxiv.2505.08165,
title = {Neural Network-Driven Molecular Insights into Alkaline Wet Etching of GaN: Toward Atomistic Precision in Nanostructure Fabrication},
author = {Purun-hanul Kim and Jeong Min Choi and Seungwu Han and Youngho Kang},
journal= {arXiv preprint arXiv:2505.08165},
year = {2025}
}