A félvezetők atomi környezetei új utat nyitnak a mikroelektronika tervezésében

Az eszközödet tápláló apró chipekben az atomok saját titkos mintázatokat alkotnak. A Lawrence Berkeley Nemzeti Laboratórium és a George Washington Egyetem csapata bebizonyította, hogy a félvezetőkben lévő atomok egyedi lokális elrendezéseket hoznak létre. Ezek az elrendezések megváltoztatják, hogyan kezeli az anyag az elektromosságot.

A Science című folyóiratban megjelent tanulmányuk megalapozza az egyedi félvezetők fejlesztését. Ezek segíthetik a kvantumszámítógépeket és a fényalapú technológiákat a védelemben.

Atom szinten a félvezetők kristályokként működnek. Különböző elemekből épülnek fel ismétlődő rácsokban. Legtöbbjük egy fő elemre, valamint mások apró darabkáira támaszkodik. Ezek a kis adalékok nem ismétlődnek az egészben. Mégis, hogy hogyan helyezkednek el a közeli szomszédok közelében, évekig rejtély maradt.

Vajon ezek a ritka darabkák csak véletlenszerűen szétszóródnak a fő atomok között, ahogy az anyag kialakul? Vagy az atomok kiválasztják a kedvenc helyeiket, mint például a más anyagokban megfigyelhető rövid távú rendezettség? A korábbi eszközök nem tudtak elég közel vagy elég tisztán eljutni ahhoz, hogy ellenőrizzék a kis kristályfoltokat, és közvetlenül meghatározzák ezt a sorrendet.

„Ez egy kulcsfontosságú tudományos rejtély. A rövid távú rendezettség nagyban megváltoztatja egy anyag tulajdonságait. Mások matematikai úton találgatták a félvezetőknél. De ez az első igazi betekintés ezekbe a rendezett zónákba” – mondta Andrew Minor, a kutatás társvezetője. Ő vezeti a Berkeley Laboratórium Molekuláris Öntödéjében található Nemzeti Elektronmikroszkópos Központot. Emellett anyagtudományt is tanít a Kaliforniai Egyetemen, Berkeley-ben.

Csoportja csatlakozik a félvezetők gyártásához szükséges atomrendezettség manipulálásával foglalkozó központhoz, vagyis a µ-atomokhoz. Ez az Energiaügyi Minisztérium központja, amely a félvezetők atomelrendezéseit vizsgálja. „Ezek az eredmények izgalmasak számunkra. A lokális rendezettségtől eltérő tulajdonság a sávrés. Ez a legfontosabb tulajdonság az apró elektronikák esetében. Ez határozza meg az elektronikus viselkedést” – tette hozzá Minor.

A nagy győzelem akkor jött el, amikor Lilian Vogl, aki akkoriban posztdoktor volt Minor laboratóriumában, beolvasott egy germánium mintát. Ón és szilícium nyomait tartalmazta. A mintában 4D-STEM-et használt, egy új elektronmikroszkópos módszert a csapattól. Az első vizsgálatok elmosták az ón és a szilícium gyenge nyomait a tiszta germánium erős nyomai között. Ezért egy energiaszűrőt adott hozzá a kontraszt fokozása érdekében.

Ahogy friss adatok töltötték be a képernyőjét, Vogl azonnal látta. A gyenge jelek élesebbek lettek. A mintázatok ismétlődtek. Végül is az atomok a rendet részesítik előnyben.

To check her results and figure out what the patterns showed, Vogl gathered extra data using energy-filtering 4D-STEM. She ran a trained neural network to group the diffraction images. This tool spotted six common patterns tied to specific atom setups in the material. Yet the Berkeley Lab group could not pin down the true atomic forms behind those patterns. For help with their data, they reached out to partners in the µ-Atoms project at George Washington University. That group was led by co-lead author Tianshu Li, a professor in Civil and Environmental Engineering.

Li’s team built a fast and precise machine-learning model. It could handle millions of atoms in the material’s layout. This let Vogl run fake 4D-STEM tests on various atom setups. She kept going until the simulations matched the patterns from real data.

„It’s amazing how models and tests team up to reveal short-range order patterns for the first time,” said Li. His group had earlier forecast short-range order and its effects. They also helped spark this research.

„Spotting short-range order in tests is tough. Finding its patterns is even harder. These signals often hide behind flaws or atom shifts at room temperature. Before this, no one knew how to pull them apart. Our study marks the start of a bigger aim.”

Shunda Chen, a scientist in Li’s lab who made the model, added, „These models mix machine learning with basic physics math. They copy lab steps with great detail. They spot patterns that would stay out of sight.”

Other µ-Atoms members at the University of Arkansas and Sandia National Labs have started follow-up tests. They are learning how these short-range patterns shape the semiconductor’s electric traits. The team expects to tweak the patterns soon. This could lead to fresh devices and ways to make them.

„We can now stretch limits past what we know by building semiconductors atom by atom,” said Vogl. She now heads the Environmental & Analytical Electron Microscopy Group at the Max Planck Institute for Sustainable Materials.

„We are starting a new time for tech at the atom level. This lets us place short-range patterns on purpose. It can shape energy bands in ways that touch many fields, from quantum materials to brain-like chips to light sensors.”