基于神经网络势函数的CHxFy离子等离子体蚀刻中SiO2/Si3N4刻蚀-沉积转变机制原子尺度研究

本综述系统阐述了基于神经网络势函数（NNP）的原子尺度模拟方法在等离子体蚀刻（Plasma Etching）领域的突破性应用。研究通过气相-表面采样（Vapor-to-Surface Sampling）技术构建高精度势函数，揭示了CHxFy离子轰击下SiO2与Si3N4表面碳膜形成与选择性蚀刻（Selective Etching）的微观机制，为半导体制造工艺优化提供了关键理论支撑。

　　

Section snippets

Training protocol

我们的训练流程延续了先前工作的整体框架[55]：首先利用基础结构和通用数据集构建初始神经网络势函数（NNP），随后通过小尺度蚀刻分子动力学（MD）模拟进行迭代优化。本研究的关键创新在于完全摒弃了反应特异性数据集，转而通过改变组分和密度多样性来扩充通用数据集——采用我们称为"气相-表面采样"（Vapor-to-Surface, VtS）的新策略。

Validation of NNP

探究碳膜形成机制的前提是确保模拟能够准确复现离子束实验结果。我们通过对比训练集中NNP与密度泛函理论（DFT）的能量/力预测结果，以及NNP分子动力学轨迹中反应能量的DFT验证，确认了势函数在热力学和动力学层面的一致性。进一步与实验数据对比显示，NNP成功预测了蚀刻速率（etch yield）、碳膜厚度随离子剂量（ion dose）的变化规律，以及不同离子能量（ion energy）下的表面组分分布。

Conclusion

本研究开发的神经网络势函数（NNP）成功实现了对SiO₂和Si₃N₄体系氟碳等离子体蚀刻过程的精准建模。通过包含气相-表面采样在内的多密度高温分子动力学采样，训练集覆盖了从基底到氟碳膜的广泛原子环境。迭代训练进一步提升了NNP对瞬态表面反应的描述能力。模拟结果与实验数据高度吻合，揭示了SiO₂中挥发性碳氧副产物导致的选择性蚀刻机制，以及Si₃N₄中非挥发性碳氮化合物引发的碳膜累积规律。该计算框架为等离子体表面改性提供了原子尺度见解，并为多尺度工艺建模奠定了坚实基础。