氮化镓（GaN）作为第三代宽禁带半导体材料，是制造高亮度发光二极管（LED）的核心材料，其应用市场预计将于2032年达到275亿美元，年均增长率超过9%。目前，硅（Si）因其低成本、大尺寸和成熟的加工工艺，成为GaN异质外延的理想衬底。然而，GaN与Si之间约16%的晶格失配导致外延质量下降，严重影响LED器件的光电性能与寿命。为此，氮化铝（AlN）作为缓冲层被广泛引入以调控GaN的生长取向，降低应力。问题在于，传统在Si上生长的AlN层几乎全为极性方向（AlN(0001)），其垂直于外延层方向的自发极化效应会导致电子和空穴分离，从而降低发光效率。此外，高极化界面还带来热阻上升，不利于LED器件在高功率下的稳定运行。尽管业界曾尝试通过使用高指数Si面（如Si(311)、Si(113)）以期获得半极性或非极性AlN，但实验尝试仍难以获得结构完整、界面热导优异的异质结构。因此，寻找低极化、低界面能、高热导的新型Si/AlN界面成为制约GaN-on-Si技术发展的关键瓶颈。

近日，复旦大学李晔飞与刘智攀课题组在《Nature Communications》（2025, 16, 4303）发表研究成果，提出了一种面向固体异质界面结构预测的增强型机器学习方法（ML-interface）。该方法在界面生成与能量评估两个核心环节均实现关键突破。在晶格匹配阶段，研究团队首次引入Hermite范数矩阵（Hermite Normal Form）算法，对传统的取向关系筛选流程进行了代数优化，使得大量高指数晶面之间的匹配关系得以系统、高效地枚举，显著扩展了搜索空间并提升了算法效率。在能量评估方面，作者基于课题组开发的人工智能大规模原子模拟LASP软件(www.lasphub.com)，构建了Si–Al–N三元体系多体矫正神经网络势能函数（many-body corrected neural network potential, G-MBNN），可精准描述界面复杂键合环境与长程相互作用。相较于传统机器学习势函数，G-MBNN通过显式引入多体修正项，显著提升了势能面的拟合精度，特别适用于存在阶梯、缺陷等非理想界面结构的识别与优化。

依托ML-interface方法，研究团队首次系统性地筛选了9530种潜在Si/AlN界面构型，最终锁定28个界面能低于2.2 J/m²的稳定构型。其中，(320)Si | |(221)AlN界面因其同时具备极低界面极化（0.20 C/m²）与优异界面热导（0.47 GW·m⁻²·K⁻¹）而脱颖而出，性能显著优于目前实验主流采用的(111)Si | |(0001)AlN界面（极化约1.3 C/m²，热导约0.35 GW·m⁻²·K⁻¹）。该界面之所以具有优异性能，源于其独特的阶梯匹配结构：(320)Si和(22̄41)AlN界面均由原子台阶构成，台阶高度和周期几乎一致（1.92 Å，约1 nm），使得界面原子可无重构匹配，形成无悬键的有序界面。进一步的非平衡分子动力学模拟（NEMD）表明，该界面具备目前已知Si/AlN体系中最高的声子耦合因子（S = 0.56），是其高界面热导的关键原因。此外，界面极化方向与AlN[0001]成18°夹角，有效削弱垂直极化场，是其低极化来源。

本研究展示了基于机器学习方法的半导体器件结构理性设计路径，为GaN-on-Si器件中高性能缓冲层的开发提供了新思路，也为多相固体界面材料的理论设计提供了范式。该工作得到国家自然科学基金、国家重点研发计划、上海市科委等项目支持，第一作者为复旦大学已毕业博士生李吉利（2024年），通讯作者为李晔飞教授和刘智攀教授。

论文链接：https://www.nature.com/articles/s41467-025-59613-5