In dem aktuellen Forschungsvorhaben Machine Learning Elektromigrationsparameter (MEL) sollen die Grundlagen für neue Softwaretools zur Bestimmung und Optimierung von Materialen in Bezug auf Elektromigration geschaffen werden. Der Effekt der Elektromigration limitiert Lebensdauer und Langzeitstabilität bis hin zum Versagen von Halbleiterbauelementen in der Mikrosensorik, Leistungselektronik sowie bei integrierten Schaltungen. Im Zuge fortschreitender Miniaturisierung gewinnt dieser Effekt einen größeren Einfluss, da die stromführenden Schichten bis in den einstelligen Nanometerbereich zusammenrücken und kritische Stromdichten immer schneller erreicht werden. Ein besseres Verständnis der physikalisch-chemischen Prozesse und ihrer Vorhersagbarkeit wird den Weg zu neuen Entwicklungen und Optimierungen ebnen. Eine gezielte Materialauswahl und geeignete Simulationen setzen die Kenntnis vieler Parameter voraus. In einem ersten Schritt sollen Parameter wie die Aktivierungsenergie und die effektive Ionenladung mittels Machine Learning Verfahren und – soweit vorhanden – Datenbank-Parametern ermittelt werden. Sie bilden die Basis für ausgewählte Simulationstools wie FEM- oder moleküldynamische Simulationen. Anschließend werden diese Ergebnisse experimentell verifiziert. Hierbei liegt der Fokus auf der Entwicklung von Voids – also kleiner Hohlräume – und der Beobachtung von deren Veränderungen. Als elektrisch leitfähige Materialien werden unter anderem Molybdändisilicid (MOSi2), Titan und verschiedene Lotpasten getestet.
Die beschriebenen Forschungs- und Entwicklungsarbeiten wurden im Forschungsprojekt „Machine Learning Elektromigrationsparameter“ (MEL) durch das Bundesministerium für Wirtschaft und Energie (BMWE) gefördert.
FKZ: 49VF240040
