实验室彭俊彪教授团队：溶液法制备Mo-Pr共掺In₂O₃薄膜晶体管的迁移率与稳定性提升研究

基于 In₂O₃ 的TFTs具有高迁移率，但其栅偏压稳定性和光照稳定性不佳。稀土掺杂可以提高稳定性，但会牺牲迁移率，可通过共掺杂补偿。机器学习可根据少量数据预测最佳工艺参数，避免了试错法的盲目性。

近日，华南理工大学发光材料与器件全国重点实验室的彭俊彪、宁洪龙和姚日晖教授课题组为了在保持稀土掺杂金属氧化物半导体TFT稳定性的同时提升迁移率，设计了 InPrMoO TFTs，其展现出优异的电学性能。构建了集成物理模型与机器学习的多目标预测模型，预测最佳工艺参数。预测结果经实验验证，大部分薄膜性能的相对误差小于 5%。最终制备的 TFT 展现出μsat = 13.5cm²/V·s, Ion/Ioff = 3.82 × 10⁶, SS =0.40 V/dec 的性能，效率优于传统试错法，有望拓展机器学习技术在氧化物TFT性能优化的应用。

论文旨在解决MOTFT中迁移率与稳定性之间长期存在的权衡难题。其核心难点在于：VO作为本征施主可提升载流子浓度和迁移率，但过量VO在光照或电场作用下易被激发为深能级缺陷，导致NBIS等条件下Vth漂移严重，稳定性恶化；单一元素掺杂虽可改善某一方面性能，却牺牲迁移率。传统试错法优化工艺参数效率低下，难以应对多变量强耦合的非线性系统。

针对上述难点，研究提出Mo-Pr共掺杂并引入机器学习辅助优化。Mo⁶⁺具有高氧结合能和小离子半径其掺入可强化In-O网络、抑制VO生成，并提供额外电子补偿因VO减少导致的载流子损失；同时。Pr³⁺则通过电荷转移跃迁将入射光能转化为非辐射弛豫或红光发射，抑制光生载流子对稳定性的影响。二者协同作用，在0.8 mol% Mo掺杂时实现最优平衡，由此制备的TFT展现出优异综合性能。

图1 研究设计示意图

研究构建了融合物理模型与机器学习的多目标优化框架。基于450组实验数据，采用KNN算法扩展数据集以增强泛化能力，并利用LGBM建立薄膜性能与工艺参数间的非线性映射关系。模型成功预测最优工艺条件，实验验证显示多数薄膜特性预测相对误差低于5%。TFT性能进一步提升。研究不仅通过共掺杂机制突破了迁移率-稳定性权衡取舍，更建立了数据驱动的高效开发范式。

相关研究成果以“Enhanced Mobility and Stability inSolution-Processed Mo–Pr Co-Doped In2O3 TFTs Guided byMachine Learning Optimization”为题发表在Electron上，其中通讯作者为宁洪龙、姚日晖教授，第一作者为程伟鑫硕士生。该研究工作得到了广东省璀璨行动(CC/XM-202401ZJ0201)、国家自然科学基金(62174057)、广东省自然科学基金(2024A1515012216,2023A1515011026)等科研项目的资助。

原文链接：https://doi.org/10.1002/elt2.70020