AI-driven computational study of Atomic Layer Deposition growth of gallium nitride

Abstract

Semiconductors are a class of materials used in numerous fields in modern technology. Some of the applications of semiconductors include power and optoelectronics, renewable energy systems and electric vehicles. Power devices are used for conversion and control of electrical power, which is more and more relevant with the rise of electrification, and increased utilization of renewable energy sources. As a more efficient alternative to traditional Si-based semiconductor devices, wide band gap semiconductor materials are offering great promise due to their higher power levels, frequencies, and operating temperatures. Gallium nitride (GaN) is a such wide band gap semiconductor material, used for applications in optoelectronics and power electronics. To ensure sufficient quality and performance, these high-power and high-temperature devices require manufacturing processes to be controllable in the atomic scale, which can be achieved by depositing thin films one atom layer at a time via a process called atomic layer deposition (ALD). In ALD, small molecules called precursors are used to facilitate surface growth on a substrate via sequential adsorption on the surface sites. Optimizing the ALD process requires fundamental knowledge of the chemical interactions and spatial arrangements taking place between the precursor and surface during adsorption. There can be numerous possible precursors and surface reactions for any given material, which is why utilizing computational methods, such as density functional theory (DFT), and Bayesian optimization machine learning, is a viable tool to accelerate the research and optimize the deposition process. The focus of this work was to study the adsorption of a single ALD precursor molecule gallium trichloride (GaCl3) onto a GaN(0001) surface, using DFT to determine the adsorption energies of different molecule-surface configurations, combined with a Bayesian optimization structure search (BOSS), a machine learning method. The function of BOSS was to sample the configurational structure space, and identify the molecule configurations that minimize the adsorption energy of the system. These minimum energy structures were then further analysed with computational methods to determine their electronic properties and adsorption mechanism. The BOSS study found five unique local minima configurations for the molecule-surface system in the desired ALD temperature range. In one of the five cases the adsorbate remained as GaCl3, while in the rest of the four cases the precursor dissociated into fragments. The global minimum configuration consisted of a GaCl fragment adsorbed on the nitrogen top site of the GaN(0001) surface, with two Cl atoms dissociated to separate gallium top and bridge sites. The global minimum structure had an adsorption energy of -7.24 eV, indicating the adsorption was very energetically favourable. The adsorption energy values for the other four local minima ranged from -6.84 to -6.18 eV. The bonding between the adsorbate and surface was further analysed with atom-projected density of states (pDOS), and Mulliken partial charges. pDOS indicated that GaCl3 will chemisorb to the GaN(0001) surface, which is also suggested by the large negative magnitude of the adsorption energy values. Mulliken analysis indicated that there is significant charge transfer between the adsorbed molecule and the surface, but further research is needed to locate the exact surface atoms participating in the bonding.

Puolijohteet ovat luokka materiaaleja, joita käytetään lukuisissa nykyteknologian sovelluksissa, kuten opto- ja tehoelektroniikassa, uusiutuvan energian teknologioissa ja sähköajoneuvoissa. Tehoelektroniikalla on tärkeä rooli sähkötehon muuntamisessa ja kontrolloimisessa, mikä on erityisen tärkeää sähköistämisen ja uusiutuvien energialähteiden käytön yleistyessä yhteiskunnassa. Leveän energiavyön puolijohteet ovat tehokkaampi vaihtoehto perinteisille piipohjaisille tehoelektroniikkalaitteille niiden teho-, taajuus- ja lämpöominaisuuksien vuoksi. Galliumnitridi (GaN) on leveän energiavyön puolijohteisiin kuuluva materiaali, jota käytetään muun muassa opto- ja tehoelektroniikan sovelluksissa. Yhä haastavampien käyttöolosuhteiden vuoksi tehoelektroniikassa käytettävien puolijohdekomponenttien on oltava laadultaan ja ominaisuuksiltaan optimoituja, minkä vuoksi niiden valmistusmenetelmien on oltava hallittavissa atomitasolta lähtien. Yksi tällainen menetelmä puolijohdekalvojen valmistukseen on atomikerroskasvatus (atomic layer deposition, ALD), jossa materiaalia kerrostetaan yksi atomikerros kerrallaan halutun paksuuden saavuttamiseksi. ALD-prosessissa hyödynnetään lähtöaineina pienmolekyylejä, jotka adsorptoituvat halutulle pinnalle. Yksityiskohtainen käsitys lähtöainemolekyylin ja pinnan välisistä kemiallisista vuorovaikutuksista ja niiden avaruudellisesta asettumisesta on välttämätöntä ALD-prosessin optimoinnissa. Mahdollisten eri lähtöaineiden ja niiden pintareaktioiden suuresta määrästä johtuen laskennallisten menetelmien, kuten tiheysfunktionaaliteorian (density functional theory, DFT) ja koneoppimismetodeihin kuuluvan Bayesialaisen optimoinnin, käyttöönotto on hyödyllinen ratkaisu kokeellisten menetelmien lisäksi tutkimuksen nopeuttamiseksi ja kerrostumisprosessin optimoimiseksi. Tämän opinnäytetyön tarkoituksena oli tutkia yksittäisen ALD-lähtöainemolekyylin, galliumtrikloridin (GaCl3), adsorptiota GaN(0001)-pinnalle käyttämällä tiheysfunktionaaliteoriaa eri molekyyli-pinta-konfiguraatioiden adsorptioenergioiden määrittämiseen, sekä Bayesialaista optimointia hyödyntävää BOSS-koneoppimismenetelmää adsorptionenergian minimoivien konfiguraatioiden löytämiseen. Löydettyjä minimienergiarakenteita analysoitiin lopuksi laskennallisilla menetelmillä niiden elektronisten ominaisuuksien ja adsorptiokäyttäytymisen määrittämiseksi. Tärkeimpinä tämän työn tuloksina BOSS-menetelmän avulla löydettiin viisi ainutlaatuista lokaalia minimikonfiguraatiota molekyyli-pinta-systeemille tarkastellulla ALD-lämpötila-alueella. GaCl3 dissosioitui adsorption seurauksena neljässä tapauksessa viidestä minimikonfiguraatiosta. Globaali minimikonfiguraatio koostui typpiatomin kohdalle adsorptoituneesta GaCl-fragmentista, sekä kahdesta dissosioituneesta klooriatomista galliumatomin ja galliumsillan kohdalla. Tämän minimikonfiguraation adsorptioenergia oli -7.24 eV. Neljän muun havaitun minimin adsorptioenergiat olivat -6.84, -6.82, -6.45 ja -6.18 eV. Sidosmuodostusta ja varauksen jakautumista adsorptoituneiden fragmenttien ja pinnan välillä tutkittiin atomiprojektoidun tilatiheyden, sekä Mullikenin osittaisvarausanalyysin avulla. Tilatiheyksien perusteella GaCl3 sitoutui GaN(0001) pinnalle kemisorption kautta, ja osittaisvaraukset osoittivat, että pinnan atomit luovuttavat varausta adsorptoituneelle molekyylille, mutta varauksensiirron tarkemmat yksityiskohdat vaativat vielä lisää tutkimusta.