社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

西北工业大学ACS Mater. Lett. | 液相辅助空间限域化学气相沉积+机器学习,实现大面积p型WS2的可控制备

X-MOL资讯 • 2 月前 • 70 次点击  

英文原题:High-Performance p-Type Field-Effect Transistor Based on WS2 Monolayer Prepared by Liquid-Phase-Assisted Space-Confined CVD

通讯作者:冯丽萍(西北工业大学)

作者:Xiao Yu, Li-ping Feng,* Lingfeng Jia, Xin Zhang, Yunjia Huang, Pengfei Liu, Xitong Wang, Yulong Yang, Dongming Sun, and Ting Yu 

在二维半导体向亚纳米制程冲刺的当下,过渡金属硫族化合物(TMDCs)因其原子级厚度与可调控带隙被视为“后硅时代”明星材料,然而主流WS2件始终受困于n型导电与低迁移率,难以构建互补型逻辑器件。西北工业大学冯丽萍教授团队提出“液相辅助空间限域化学气相沉积(LASCVD)+机器学习”双轮驱动策略,在不引入任何外来掺杂剂的前提下,一步合成出475 μm 的p型WS2单晶,并由此构筑高性能场效应晶体管,空穴迁移率高达46.87 cm2/V•s,开关比 105稳定性与重复性俱佳,为二维 CMOS 集成提供了全新思路。

图1. (a)通过LASCVD法生长WS2纳米片的示意图;(b)空间限制法中SiO2/Si堆叠的示意图;(c)本实验中使用的机器学习流程图;(d-e)GBDT回归中WS2纳米片的MDS和NN指标特征重要性:(d)MDS;(e)NN;(f)根据GBDT回归的优化图。生长参数已优化两次。两个指标分别是NN(横坐标)和MDS(纵坐标);(g)通过CVD合成的纳米片在优化前后的代表性OM图像。未优化的OM图像(图的顶部),一次迭代优化后的OM图像(图的中部),以及两次迭代优化后的OM图像(图的底部)。


图1直观展示了LASCVD的独特之处:氨水与WO3前驱体在液相中形成配位络合物,熔点骤降,反应温度窗口被拉宽;随后SiO2/Si 衬底堆叠出仅100 μm的狭缝空间,抑制湍流与副反应,确保单层厚度均匀、晶界笔直。更关键的是,该团队将机器学习嵌入工艺优化循环:78组正交实验涵盖氩气流速、硫温、升温速率等8个参数,以最大晶畴尺寸(MDS)和单位面积形核数(NN)为输出,利用GBDT模型抽丝剥茧,发现氩气流速与硫加热温度对MDS贡献最大,而前驱体浓度与氩气流速共同决定NN。经过两轮迭代后,各工艺参数被优化,光学显微镜照片中晶畴由最初的“星罗棋布”变为“一镜到底”,视场中呈现475 μm的单晶WS2,为后续器件制作提供了材料平台。

图2. WS2 单层纳米片的透射电子显微镜(TEM)表征:(a)WS2单层纳米片的低倍率 TEM 图像;(b)高分辨率TEM图像;(c)微区的高分辨率TEM放大图像;插图是Fourier变换图像;(d)选区电子衍射(SEAD)图像;(e-g)不同功率下WS2单层的光致发光(PL)光谱及其解卷积拟合:(e)50 μW;(f)100 μW;(g)200 μW;(h-j)WS2纳米片中含有的元素:(i)W元素;(j)S元素;(k-l)WS2单层纳米片的X射线光电子能谱(XPS)表征:(k)W的窄扫描光谱;(l)S的窄扫描光谱;(m-n)WS2单层纳米片的高角度环形暗场扫描透射电子显微镜(HAADF-STEM)图像:(m)大面积STEM图像;(n)图(m)中黄色框的放大图像。


图2是WS2的多维度表征。球差校正高角环形暗场扫描透射电镜(HAADF-STEM)在原子尺度下捕捉到W空位亮点——原本应呈蜂窝状排布的W原子阵列中突然出现“黑洞”,缺失比例经统计约为7%,对应的W:S原子比为0.89:2;X射线光电子能谱(XPS)窄扫同样未见 WO3质峰,却清晰分辨出W 4f与S 2p的化学位移。变功率光致发光光谱(PL)进一步揭示了空位的电子学效应:在50 μW、100 μW、200 μW三种激发功率下,中性激子(XA峰的占比始终高于文献报道的n型WS2中的XA峰,表明WS2晶体内部空穴浓度占优;缺陷态DTA的出现则直接对应W空位在带隙中引入的受主能级。拉曼光谱中LA(M)峰强度的增强也佐证了缺陷的存在。密度泛函理论计算显示,当4×4超胞中移除一个W原子后,价带顶附近出现局域杂质态,费米能级下移,空穴成为多数载流子,且随着空位浓度增加,价带顶能量进一步降低,空穴输运势垒持续减小。

图3.(a)测试器件的光学显微镜图像;(b)测试电路图;(c-f)基于WS2的场效应晶体管的特性曲线:(c)不同VGS压下的输出特性曲线;(d)不同VDS压下的转移特性曲线;(e)不同VDS下的半对数坐标转移特性曲线;(f)迁移率和开/关比的统计。


该团队以p型WS2为有源层,制备了场效应晶体管。电学测试结果如图3所示。输出特性曲线在不同栅压下均呈线性,证实了W S2与电极的接触电阻很低;转移特性曲线随栅压负向扫描电流陡增,阈值电压左移,呈现p型开关特性。统计6批次50余个器件,最高值达46.87 cm2/V•s,开关比稳定在105量级,空气中存放30天性能衰减<5%,远优于此前通过化学掺杂、界面电荷转移或静电调控获得的p型 WS2。与掺杂相比,本工作制备的p型 WS2,其空穴迁移率提升2–3倍,且无需掺杂剂引入额外散射中心,工艺更为简洁、可控、可扩展。


从机理到工艺再到器件,该研究以“空位工程”取代“杂质工程”,让缺陷成为性能增益而非累赘。机器学习精准锁定生长窗口,空间限域抑制副反应,液相络合降低反应能垒,三位一体协同放大W空位效应,最终实现大面积p型WS2的可控制备。该制备工艺不仅适用于WS2,对MoS2、WSe2其他TMDC的制备具有重要的指导意义,为构建低功耗、柔性、互补型逻辑器件提供了坚实的材料与工艺基石。


相关研究成果发表在ACS Materials Letters,该项研究工作由西北工业大学、中国科学院金属研究所、武汉大学共同完成,西北工业大学为第一完成单位,冯丽萍教授担任本论文的通讯作者。作者感谢国家重点研发计划(2021YFA1200800)、国家自然科学基金(62375227)和陕西省自然科学基础研究计划项目(2025JC-QYCX-059)的资助。


原文(扫描或长按二维码,识别后直达原文页面):

High-Performance p-Type Field-Effect Transistor Based on WS2 Monolayer Prepared by Liquid-Phase-Assisted Space-Confined CVD

Xiao Yu, Li-ping Feng,* Lingfeng Jia, Xin Zhang, Yunjia Huang, Pengfei Liu, Xitong Wang, Yulong Yang, Dongming Sun, and Ting Yu 

ACS Materials Lett. 20257, 8, 2749–2757

https://doi.org/10.1021/acsmaterialslett.5c00566

Published July 1, 2025

Copyright © 2025 American Chemical Society


(本稿件来自ACS Publications


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/186838