在2nm以下技术节点三维集成电路晶体管制造中，内侧墙、沟道释放、介质隔离等关键环节亟需突破高精度刻蚀工艺，以实现尺寸微缩和器件效能提升。当特征尺寸进入纳米尺度时，刻蚀反应截面呈现显著的尺寸效应，反应截面和缺陷等微观物理现象难以通过传统表征手段获取，现有刻蚀模型虽能预测宏观形貌演变，但在纳米尺度存在根本性局限。如何结合前沿人工智能技术，实现从原子级精度模拟刻蚀动力学过程，理解其微观结构演变过程，进而预测并优化宏观工艺参数以实现目标器件性能，是人工智能赋能集成电路先进制造的关键科学问题。

图1：工艺-器件仿真优化回路、特征尺度与原子尺度模拟方法对比。

针对上述问题，中国科学院微电子研究所EDA中心陈睿研究员与先导中心李俊杰正高级工程师合作，首次将机器学习势函数（Machine Learning Potential，MLP）分子动力学推演方法引入集成电路刻蚀工艺仿真领域，从原子尺度深入探究刻蚀机理，并利用机器学习势实现宏观刻蚀轮廓的大尺度推演。本研究面向环栅（GAA）器件超晶格结构的横向选择性刻蚀工艺场景，引入工艺物理约束，结合神经网络演化算法，构建了机器学习势函数。该势函数具备与密度泛函理论（DFT）计算结果高度吻合的模拟结果。

图2：机器学习势函数的构建与迭代优化工作流程。

图3：（左）基于DFT方法的刻蚀中间产物及反应表面原子位能信息；

（右）基于MLP方法的反应表面二维势能面与DFT结果对比。

采用该势函数模拟Si/SiO2变厚度多叠层结构的横向选择性刻蚀工艺，成功实现了60万原子级大体系的分子动力学刻蚀轮廓推演。同时，本研究在微电子所8吋先导工艺平台上完成了相应结构的流片实验，并结合透射电子显微镜（TEM）表征，验证了仿真结果的正确性。通过与传统的反应力场分子动力学（ReaxFF MD）仿真方法对比，本方法实现了约45倍的计算效率提升。

图4：（a）、（b）刻蚀轮廓仿真与实验结果；（c）MLP与ReaxFF在CPU、GPU平台的计算耗时对比。

相关成果以“First large-scale (68×25×5 nm3) atomistic modeling for accurate and efficient etching process based on machine learning molecular dynamics (MLMD)”为题在第70届国际电子器件大会（IEDM 2024）上进行了口头报告。中国科学院微电子研究所EDA中心冯泽萌助理工程师、博士研究生呼子义、余童助理工程师为共同第一作者，微电子所EDA中心陈睿研究员、先导中心李俊杰正高级工程师为共同通讯作者。研究工作得到了中国科学院战略性A类先导专项、国家自然科学基金、中国科学院国际伙伴计划等项目支持。