Machine learning force field for dynamic oxidation of silicon

Abstract

Die vorliegende Diplomarbeit widmet sich der Entwicklung eines interatomaren Potentials auf Basis von Machine Learning (ML) zur dynamischen Simulation der thermischen Oxidation von Silizium. Als Grundlage für dieses Potential dient das textit{Gaussian Approximation Potential} (GAP), ein erfolgreicher ML Algorithmus, der speziell zur Entwicklung von interatomaren Potentialen für Molekulardynamik-Simulationen (MD) entworfen wurde.Silizium (Si) in Verbindung mit seinem nativen Oxid SiO2 hat seit Jahrzehnten eine zentrale Bedeutung in der Halbleitertechnologie. Die fortschreitende Miniaturisierung der dort eingesetzten Bauelemente erfordert genaues Verständnis des komplexen Oxidationsprozesses bis hin zur atomaren Ebene. Da andere Methoden zur Simulation der thermischen Oxidation von Silizium entweder an Genauigkeitsmängeln (klassische Kraftfelder) oder an der rechnerischen Durchführbarkeit (ab-initio MD) scheitern, bieten interatomare maschinell gelernte Potenziale eine vielversprechende Alternative, um diese Einschränkungen zu überwinden.Durch den Einsatz von ML werden die herkömmlichen Simulationsmethoden um eine höchst effiziente Variante erweitert. Das GAP-Modell wird mit Daten aus der hochkomplexen und genauen Dichtefunktionaltheorie (DFT) trainiert. Daher verspricht der Einsatz eines auf DFT-Daten trainierten GAPs in MD-Simulationen enorme Einsparungen bei der erforderlichen Rechenleistung bei nahezu gleicher Genauigkeit.Das Hauptziel dieser Arbeit besteht darin, ein zuverlässiges GAP zu entwickeln, welches MD Simulationen von größeren Systemen auf längeren Zeitskalen ermöglicht. Die Ergebnisse dieser Arbeit erlauben das Generieren von realistischen Si/SiO2 Grenzflächen und geben Einblicke in die Oxidationskinetik sowie den atomaren Aufbau dieses Materialsystems.

This master's thesis is dedicated to the development of an interatomic potential based on machine learning (ML) for the dynamic simulation of the thermal oxidation of silicon.This potential is based on the textit{Gaussian Approximation Potential} (GAP), a successful ML algorithm specifically designed to develop interatomic potentials for molecular dynamics (MD) simulations.Silicon (Si) in combination with its native oxide SiO2 has been of central importance in semiconductor technology for decades. The progressive miniaturization of the devices used in this field requires a precise understanding of the complex oxidation process at the atomic level. Since other methods suffer from shortcomings in accuracy (classical force fields) or computational feasibility (ab-initio MD) when simulating the thermal oxidation of Si, ML interatomic potentials offer a promising alternative to overcome these limitations.The use of ML adds a highly efficient variant to conventional simulation methods. The GAP model is trained with data from the highly complex and accurate density functional theory (DFT). Therefore, the employment of a GAP trained on DFT data in MD simulations promises enormous savings in the required computing power while maintaining almost the same accuracy.The main goal of this thesis is to develop a reliable GAP that allows MD simulations of larger systems on longer time scales. The results allow the generation of realistic Si/SiO2 interfaces and provide insights into the oxidation kinetics as well as the atomic structure of this material system.