In modernen Leistungselektronikbauelementen findet Siliziumkarbid (SiC) aufgrundseiner größeren Bandlücke und der damit einhergehenden höheren Durchbruchsfeldstärke im Vergleich zu Silizium, einen breiten Anwendungsbereich. Aluminium wird typischerweise wegen seiner relativ niedrigen Ionisierungsenergie als p-Dotierstoff verwendet. Aufgrund der geringen thermischen Diffusion von Al in SiC werden die Fremdatome mittels Ionenimplantation eingebracht und anschließend wird der Kristall unter der Anwendung von hohen Temperaturen ausgeheilt. Selbst nach dem Ausheilprozess existieren verschiedene Punktdefekte und Defektcluster im Material, die die elektrischen Eigenschaften des Systems durch die nicht vollständig aktivierten Al Atome beeinflussen. Um die zugrunde liegenden Aktivierungsmechanismen besser zu verstehen, liefernatomistische Simulationen wertvolle Erkenntnisse.Neuere Studien legen nahe, dass Kohlenstoff-Zwischengitteratome und -Leerstellen thermisch stabile Komplexe mit Al bilden und dadurch dessen elektrische Aktivierung verhindern können. Zusätzlich können Silizium-Zwischengitteratome bereits aktive Al-Atome durch einen Kick-out-Mechanismus deaktivieren. Im Gegensatz dazu können Kohlenstoff-Antisite-Defekte durch Al-Zwischengitteratome aus dem Siliziumgitter verdrängt werden, was potenziell zur Aktivierung des Dotierstoffes führt. Das Auftreten größerer Defektcluster während des Implantationsprozesses verkompliziert die Defektlandschaft zusätzlich.Molekulardynamik-Simulationen (MD) bieten einen Ansatz zur Untersuchung derEntwicklung solcher Defekte und Cluster während und nach dem Implantationsprozess. Da solche MD-Simulationen eine große Anzahl von Energie- und Kraftberechnungen erfordern, würde die Dichtefunktionaltheorie (DFT) zwar grundsätzlich eine sehr genaue Beschreibung des Systems liefern, ist jedoch aufgrund ihres hohen Rechenaufwands nicht praktikabel. In dieser Arbeit werden verschiedene interatomare Potenziale auf Basis des maschinellen Lernens entwickelt und mit DFT-Referenzdaten verglichen, umsowohl eine hohe Genauigkeit als auch eine rechnerisch effiziente Bestimmung der Kräfte zu erreichen.Die Ergebnisse zeigen, dass das Gaußsche Approximationspotential (GAP) sowohlrealistisches dynamisches Verhalten als auch präzise Punktdefekteigenschaften reproduzieren kann, sofern die Hyperparameter sorgfältig angepasst wurden. Moment Tensor Potentiale (MTP) hingegen reproduzieren allgemeine Struktur- und Dynamikeigenschaften recht gut, haben aber Schwierigkeiten, Punktdefekte präzise zu beschreiben. MTP-Modelle sind jedoch um Größenordnungen schneller als das GAP. Kürzlich entwickelte GPU-beschleunigte Multi-Task-Modelle zeigen eine gute Genauigkeit für alle untersuchten Eigenschaften bei gleichzeitig vergleichbarer Geschwindigkeit wie das MTP.
Robert Stella (Wed,) studied this question.