在现代微电子与信息技术的不断发展中,材料的宏观性能越来越依赖于纳米尺度甚至原子尺度的微观结构。最近由劳伦斯伯克利国家实验室(Berkeley Lab)与乔治华盛顿大学联合领导的一项研究,确认了半导体中存在短程有序(short‑range order, SRO)的原子邻域,并揭示这些局部结构对电子性能尤其是带隙的显著影响。这一发现不仅丰富了我们对半导体物理的理解,也为通过原子级别设计材料以实现新型微电子器件开启了新的路径。研究团队采用了能量过滤的四维扫描透射电子显微镜(energy‑filtered 4D‑STEM)和机器学习势模型相结合的方法,首次在实验上直接识别出一系列重复出现的原子结构模体,并通过模拟与实验比对确定其对应关系。对从事半导体设计、量子器件和光电技术的科研人员与工程师而言,这一成果具有重要的指导意义和应用前景。 半导体是由周期性晶格构成的材料,但实际合成过程中往往掺入少量其它元素以调节性能。
在传统观念中,这些稀有掺杂原子会随机分布于基体中,不形成有序结构。然而短程有序概念指出,即便在没有长期周期性排列的条件下,局部原子邻域仍可能出现偏好的排列方式,从而在纳米尺度上改变电子能带、光学吸收与载流子输运等关键性能。理论上对SRO的预言已有若干报道,但缺乏直接的实验表征一直是阻碍领域进展的瓶颈。来自伯克利和乔治华盛顿大学的团队通过技术创新与跨学科合作,提供了明确的证据,证明在以锗为主成分、少量掺入锡和硅的合金中,原子确实形成有限尺度的有序邻域,每一种邻域对应独特的衍射信号与电子结构变化。 研究的技术关键之一是能量过滤的4D‑STEM。这种方法将扫描透射电子显微镜和电子衍射技术结合,通过在样品不同位置采集衍射图谱,得到一个四维数据集:空间坐标加上衍射空间信息。
早期直接使用4D‑STEM在处理强衬度的基体元素信号时难以分辨掺杂原子的弱衍射特征。研究中首作者利用能量过滤器对电子束进行能量选择,从而增强了来自掺杂原子的信号对比度,使得原本被遮蔽的微弱衍射模式得以观测。这一改进使得实验数据中开始出现重复的、可归类的衍射图样,提示存在有限尺寸且结构独特的原子模体。 即便有了清晰的衍射图像,直接从衍射模式回推具体原子排列仍存在复杂性。为了解码这些图样,研究者借助预训练的神经网络对大量衍射图像进行分类,成功识别出六种反复出现的结构模体。为了确证这些模体对应的实际原子构型,团队转而利用机器学习势(machine‑learning potential)建立高精度的原子间相互作用模型,这些模型在保留第一性原理精度的同时大幅提高了模拟规模,使得几百万原子的系统成为可能。
利用这种方法,研究者在理论上构建出多种可能的原子邻域结构,并对它们进行模拟4D‑STEM,最终找到与实验衍射模体一一匹配的结构答案。 这一实验与建模的无缝结合具有重要意义。首先,它为直接观测和识别半导体中SRO结构提供了新的范式,解决了以往由于信号微弱、热运动和缺陷影响而难以区分的问题。其次,从功能角度看,原子邻域的不同排列会导致局域能带的改变,尤其是带隙的调制。带隙是半导体最关键的参数之一,决定了材料的导电性、光吸收边缘和器件工作频段。短程有序通过在纳米尺度上引入局域化电子态或改变晶格对称性,能够实现对带隙的精细调控,这为设计专门用途的半导体材料提供了一条新的思路。
潜在应用领域非常广泛。量子计算器件对材料有极高的要求,既需要低噪声和长相干时间,又往往需要特殊的能带结构和拓扑性质。通过在原子尺度上精确控制SRO模体的类型、密度与排列,有望在材料内部实现预设的局域能带结构或拓扑相,进而为拓扑量子比特或自旋电子器件提供新的材料平台。在光电器件方面,短程有序可以用来调整吸收光谱的形状与边界,从而实现更高效的光探测器或特定波段的光电转换器。在神经形态计算与类脑硬件领域,局域不均匀性和可控的能带变化可用于构建具有非线性响应与记忆效应的材料单元,推动新型计算架构的发展。此外,国防与敏感探测领域对高性能红外探测与高灵敏度光学器件的需求,也可能通过SRO工程得到提升。
将短程有序从科学发现转化为工程可控的功能,依然面临多重挑战。首先是可控的合成与工艺路径问题。现有材料合成方法如分子束外延、化学气相沉积与离子注入等,需要发展新的工艺参数设计和热处理工序,以便在宏观尺度上重复地产生目标SRO模体而不是随机分布。其次是表征的尺度化问题。能量过滤4D‑STEM为局域结构提供了极高的识别能力,但要在生产线上进行快速在线检测或对大面积晶圆进行统计学评估,还需要将这些高端显微技术与更快捷的表征方法结合起来,例如同步X射线散射、高通量电子探测或机器学习辅助的光学指纹识别等。再次,器件集成方面需要理解SRO与电极、界面及应力场的相互作用,确保在实际器件工作条件下局域结构能够稳定存在并发挥预期功能。
值得一提的是,机器学习在此次研究中扮演了桥梁与放大器的角色。一方面,神经网络用于衍射图像的自动分类,大幅提高了数据处理效率并减少人为判读误差。另一方面,机器学习势模型使得在原子尺度上进行大规模并具有第一性原理精度的模拟成为可能,为实验结果提供了明确的结构解释。未来,随着更多实验数据的积累,基于深度学习的反向设计将可能实现从目标电子性能自动生成最有可能的SRO结构及相应的工艺参数,真正将材料设计推向"原子级确定性"的阶段。 政策与科研框架方面,此类研究得益于多学科、跨机构的协同合作以及大型科研设施的支持。DOE的µ‑Atoms能源前沿研究中心以及伯克利实验室的分子制造设施提供了技术平台和计算资源,使得高能电子显微技术与大规模计算相互补充。
未来鼓励更多公共与私营部门的合作,将有助于推动基础发现向产业化转化,加速新型半导体材料与器件的落地。 面向未来,研究者们已经开始探索如何通过人为调控短程有序来实现可编程的电子功能。这包括通过温度、应力或化学势梯度诱导SRO重排,利用纳米模板或自组装策略在晶体生长早期控制原子间相互作用,从而在材料内部"植入"所需的原子邻域。更为前沿的方向是结合原位表征技术,在材料生长或器件工作过程中实时观测并反馈控制SRO的形成,最终实现原子级别的工艺闭环控制。 总的来看,原子邻域与短程有序的发现与识别为半导体材料科学打开了新的维度。通过精密的电子显微学和先进的计算建模相结合,科学家们得以揭示并理解那些隐藏在宏观均匀表象下的纳米尺度结构。
短程有序不仅是一个基础科学问题,它更是一把可以调节电子世界的钥匙。未来当我们学会在材料中稳定、可控地"摆放"这些原子模体时,微电子器件的性能与功能将迎来新的跃迁,从量子计算到光电探测,从拓扑材料到类脑计算,原子邻域工程都有可能成为下一代信息技术的重要推动力。 。
