Επιταξία νιτριδίου του γαλλίουεισέρχεται σε ένα νέο στάδιο της κατασκευής ημιαγωγών.

Για χρόνια, η ποιότητα GaN epi-wafer εξαρτάται σε μεγάλο βαθμό από προσεκτικά βελτιστοποιημένες συνταγές ανάπτυξης, έμπειρους μηχανικούς διεργασιών και συνεχή παρακολούθηση των συνθηκών του αντιδραστήρα. Ακόμη και μικρές αποκλίσεις στη θερμοκρασία του υποστρώματος, στην πίεση του θαλάμου, στην αναλογία ροής III/V ή στην ανακατασκευή της επιφάνειας μπορούν να επηρεάσουν την ποιότητα του τελικού κρυστάλλου.

Η τεχνητή νοημοσύνη αρχίζει να αλλάζει αυτή την προσέγγιση.

Αντί να βασίζονται μόνο σε σταθερές συνταγές, οι νέες πλατφόρμες επιταξίας συνδυάζουν δεδομένα RHEED σε πραγματικό χρόνο, πληροφορίες αισθητήρων εξοπλισμού και αλγόριθμους μηχανικής μάθησης για τον εντοπισμό συνθηκών ανάπτυξης, τον εντοπισμό ανωμαλιών και τελικά την προσαρμογή των παραμέτρων της διαδικασίας κατά την επιταξιακή ανάπτυξη.

Ένα πρόσφατο παράδειγμα προέρχεται από την IVWorks της Νότιας Κορέας, η οποία ανέφερε τον Σεπτέμβριο του 2026 ότι το σύστημα παραγωγής GaN epi-wafer χρησιμοποιεί μοντέλα τεχνητής νοημοσύνης για να αναλύσει τη διάθλαση ηλεκτρονίων ανάκλασης υψηλής ενέργειας ή RHEED, μαζί με δεδομένα εξοπλισμού MBE. Η εταιρεία λέει ότι έχει συγκεντρώσει περισσότερα από 330 εκατομμύρια σημεία δεδομένων διεργασίας χρονοσειρών και πάνω από 30 TB δεδομένων RHEED από το 2019.

Αυτή η εξέλιξη υπογραμμίζει μια ευρύτερη τάση: Η επιταξία GaN κινείται από την αυτοματοποίηση που βασίζεται σε συνταγές προς την παραγωγή με γνώμονα τα δεδομένα και την όλο και πιο αυτόνομη κατασκευή.

Γιατί το GaN Epitaxy είναι δύσκολο να ελεγχθεί

Οι συσκευές GaN χρησιμοποιούνται σε εφαρμογές που κυμαίνονται από επικοινωνίες ραδιοσυχνοτήτων έως ηλεκτρονικά ισχύος υψηλής συχνότητας.

Ωστόσο, η ηλεκτρική απόδοση της τελικής συσκευής εξαρτάται σε μεγάλο βαθμό από την επιταξιακή ποιότητα.

Σημαντικά χαρακτηριστικά GaN epi-wafer περιλαμβάνουν:

• Ομοιομορφία πάχους στρώσης
• Τραχύτητα επιφάνειας
• Πυκνότητα κρυσταλλικού ελαττώματος
• Ποιότητα διεπαφής
• Συγκέντρωση φορέα
• Κινητικότητα ηλεκτρονίων
• Αντίσταση φύλλου
• Διαρροή buffer
• Στρες γκοφρέτας
• Γκοφρέτα φιόγκο
• Πυκνότητα σωματιδίων

Αυτές οι παράμετροι επηρεάζονται από πολλές αλληλεπιδρώντες συνθήκες ανάπτυξης.

Κατά τη διάρκεια της Επιτάξεως Μοριακής Δέσμης, για παράδειγμα, οι μηχανικοί πρέπει να ελέγχουν μεταβλητές όπως:

• Θερμοκρασία υποστρώματος
• Ροή γαλλίου
• Ροή αζώτου
• Ρυθμός ανάπτυξης
• Πίεση θαλάμου
• Συνθήκες πλάσματος
• Ροή ντόπινγκ
• Χρόνος ανάπτυξης
• Ανακατασκευή επιφάνειας

Η δυσκολία είναι ότι αυτές οι μεταβλητές δεν είναι ανεξάρτητες.

Η αλλαγή της θερμοκρασίας μπορεί να επηρεάσει την κινητικότητα της επιφάνειας, την αποτελεσματικότητα της ενσωμάτωσης και τον ρυθμό ανάπτυξης ταυτόχρονα.

Μια μικρή απόκλιση που φαίνεται ασήμαντη σε επίπεδο εξοπλισμού μπορεί τελικά να προκαλέσει μετρήσιμες διαφορές στην ηλεκτρική απόδοση του πλακιδίου.

Αυτός είναι ένας λόγος για τον οποίο η παρακολούθηση διεργασιών που βασίζεται σε AI προσελκύει την προσοχή.

Τι είναι το RHEED;

Ανάκλαση Η περίθλαση ηλεκτρονίων υψηλής ενέργειας είναι μια από τις πιο χρήσιμες τεχνικές επί τόπου παρακολούθησης για το MBE.

Κατά τη διάρκεια της επιταξιακής ανάπτυξης, μια δέσμη ηλεκτρονίων υψηλής ενέργειας χτυπά την επιφάνεια του πλακιδίου σε μια πολύ ρηχή γωνία.

Τα ηλεκτρόνια αλληλεπιδρούν με την κρυσταλλική επιφάνεια και δημιουργούν ένα σχέδιο περίθλασης.

Οι μηχανικοί μπορούν να χρησιμοποιήσουν αυτό το μοτίβο για να λάβουν πληροφορίες σχετικά με την επιφάνεια κατά την ανάπτυξη χωρίς να αφαιρέσουν τη γκοφρέτα από τον αντιδραστήρα.

Η RHEED μπορεί να παρέχει πληροφορίες σχετικά με:

• Ανακατασκευή επιφάνειας
• Κρυστάλλινη παραγγελία
• Λειτουργία ανάπτυξης
• Τραχύτητα επιφάνειας
• Σχηματισμός στρώματος
• Επιταξιακές μεταβάσεις

Διαφορετικές συνθήκες επιφάνειας παράγουν διαφορετικά σχήματα περίθλασης.

Μια λεία δισδιάστατη επιφάνεια συχνά παράγει σχετικά έντονες ραβδώσεις, ενώ η τραχύτητα ή ο τρισδιάστατος σχηματισμός νησίδων μπορεί να αλλάξει σημαντικά το μοτίβο περίθλασης.

Παραδοσιακά, οι έμπειροι χειριστές ερμηνεύουν αυτά τα μοτίβα οπτικά.

Αυτή η προσέγγιση λειτουργεί, αλλά έχει περιορισμούς.

Το πρόβλημα με την ερμηνεία RHEED μόνο για τον άνθρωπο

Μια σύγχρονη εκτέλεση επιταξίας μπορεί να δημιουργήσει έναν τεράστιο όγκο πληροφοριών RHEED.

Μια κάμερα μπορεί να καταγράφει συνεχώς μοτίβα περίθλασης σε όλη τη διαδικασία ανάπτυξης.

Οι ανθρώπινοι χειριστές δεν μπορούν να αναλύσουν ρεαλιστικά κάθε πλαίσιο ποσοτικά.

Ορισμένες αλλαγές μπορεί επίσης να συμβούν πριν γίνουν εμφανείς οπτικά.

Η μηχανική μάθηση προσφέρει μια διαφορετική προσέγγιση.

Αντί να ζητήσουν από έναν μηχανικό να ερμηνεύσει μεμονωμένες εικόνες, τα συστήματα τεχνητής νοημοσύνης μπορούν να αναλύσουν ολόκληρες ακολουθίες εικόνων RHEED και να εντοπίσουν ανεπαίσθητες αλλαγές σε:

• Ενταση
• Πλάτος ράβδου
• Σχηματισμός κηλίδων
• Γεωμετρία περίθλασης
• Χρονική εξέλιξη
• Σταθερότητα μοτίβου

Έρευνα που δημοσιεύτηκε στο Journal of Vacuum Science & Technology Μια ανάλυση μηχανικής μάθησης των εικόνων RHEED κατά τη διάρκεια της ανάπτυξης MBE που θα μπορούσε να εντοπίσει αλλαγές στα καθεστώτα εναπόθεσης εν κινήσει. Η ροή εργασιών ανάλυσης σχεδιάστηκε για να λειτουργεί σε λιγότερο από ένα δευτερόλεπτο, απεικονίζοντας τη δυνατότητα τα δεδομένα RHEED να γίνουν μέρος του ελέγχου ανάδρασης σε πραγματικό χρόνο και όχι απλώς ένα εργαλείο παρακολούθησης.

Από την παρακολούθηση RHEED στον έλεγχο διαδικασίας AI

Η σημαντική αλλαγήείναιόχι απλώς χρησιμοποιώντας AI για την ταξινόμηση εικόνων.

Ο μεγαλύτερος στόχος είναι ο έλεγχος διαδικασίας κλειστού βρόχου.

Ένα απλοποιημένο αυτόνομο σύστημα επιταξίας μπορεί να λειτουργήσει ως εξής:

Κάμερα RHEED
↓
Ανάλυση εικόνας σε πραγματικό χρόνο
↓
Μοντέλο μηχανικής μάθησης
↓
Ταξινόμηση κατάστασης ανάπτυξης
↓
Απόφαση διαδικασίας
↓
Ρύθμιση παραμέτρων MBE
↓
Νέα απάντηση RHEED

Στη συνέχεια ο κύκλος επαναλαμβάνεται.

Αυτό επιτρέπει στο σύστημα ανάπτυξης να ανταποκρίνεται στην πραγματική κατάσταση της γκοφρέτας αντί να ακολουθεί τυφλά μια προκαθορισμένη συνταγή.

Για παράδειγμα, ένα μοντέλο θα μπορούσε ενδεχομένως να ανιχνεύσει ότι μια επιφάνεια αρχίζει να μεταβαίνει από την ομαλή ανάπτυξη στρώμα προς στρώμα προς ανεπιθύμητο σχηματισμό νησίδων.

Ο ελεγκτής διεργασίας θα μπορούσε στη συνέχεια να αξιολογήσει εάν πρέπει να ρυθμιστούν παράμετροι όπως η θερμοκρασία του υποστρώματος ή η ροή υλικού.

Αυτή η έννοια περιγράφεται όλο και περισσότερο ως αυτόνομη επιταξία ή αυτοοδηγούμενη επιταξία.

AI-Controlled GaN MBE Manufacturing

Η ανακοίνωση του IVWorks του Σεπτεμβρίου 2026 παρέχει ένα βιομηχανικό παράδειγμα GaN.

Σύμφωνα με την εταιρεία, η πλατφόρμα επιταξίας AI συνδυάζει πληροφορίες RHEED με δεδομένα εξοπλισμού χρονοσειρών, όπως θερμοκρασία και πίεση.

Τα μοντέλα τεχνητής νοημοσύνης αξιολογούν την κατάσταση ανάπτυξης και ανιχνεύουν ανωμαλίες, ενώ το πλαίσιο αυτοματισμού MBE χειρίζεται λειτουργίες όπως φόρτωση πλακιδίων, επιταξιακή ανάπτυξη και εκφόρτωση. Η δηλωμένη κατεύθυνση είναι προς τη μείωση της ανθρώπινης παρέμβασης και τη βελτίωση της σταθερότητας της παραγωγής.

Αυτό είναι σημαντικό γιατί η βιομηχανική επιταξία είναι διαφορετική από την εργαστηριακή ανάπτυξη.

Η μαζική παραγωγή απαιτεί επαναληψιμότητα σε:

• Πολλαπλές γκοφρέτες
• Πολλαπλές διαδρομές ανάπτυξης
• Διαφορετικοί χειριστές
• Μεγάλες περίοδοι λειτουργίας του εξοπλισμού
• Κύκλοι προληπτικής συντήρησης
• Κύκλοι αντικατάστασης αναλώσιμων

Μια εξαιρετική μονή γκοφρέτα δεν αρκεί.

Ένας εμπορικός προμηθευτής epi-wafer χρειάζεται γκοφρέτα σταθερής απόδοσης μετά από γκοφρέτα.

Πώς η τεχνητή νοημοσύνη θα μπορούσε να βελτιώσει την ομοιομορφία GaN Epi-Wafer

Η ομοιομορφία είναι μια από τις πιο σημαντικές προδιαγραφές για τις εμπορικές γκοφρέτες GaN epi.

Ανάλογα με τη δομή της συσκευής, οι πελάτες μπορούν να αξιολογήσουν:

• Επιταξιακή ομοιομορφία πάχους
• Ομοιομορφία αντίστασης φύλλου
• Ομοιομορφία συγκέντρωσης φορέα
• Ομοιομορφία κινητικότητας
• Ομοιομορφία σύνθεσης Al
• Μορφολογία επιφανειών
• Γκοφρέτα φιόγκο

Για ένα μικρό δείγμα έρευνας, μερικές φορές μπορεί να είναι αποδεκτές τοπικές παραλλαγές.

Για γκοφρέτες παραγωγής 100mm, 150mm ή 200mm, μπορούν να επηρεάσουν άμεσα την απόδοση της συσκευής.

Ο έλεγχος διαδικασίας AI μπορεί ενδεχομένως να βελτιώσει την ομοιομορφία με διάφορους τρόπους.

1. Ανίχνευση μετατόπισης ανάπτυξης νωρίτερα

Οι αντιδραστήρες MBE δεν παραμένουν απολύτως αμετάβλητοι.

Οι συνθήκες μπορεί να αλλάξουν λόγω:

• Εξάντληση της πηγής
• Επικάλυψη θαλάμου
• Παλαίωση εξοπλισμού
• Αλλαγές βαθμονόμησης θερμοκρασίας
• Παραλλαγή πηγής πλάσματος
• Ιστορικό συντήρησης

Μια σταθερή συνταγή μπορεί επομένως να παράγει ελαφρώς διαφορετικά αποτελέσματα μετά από πολλούς κύκλους ανάπτυξης.

Συνδυάζοντας δεδομένα RHEED με δεδομένα αισθητήρων εξοπλισμού, τα συστήματα τεχνητής νοημοσύνης μπορεί να ανιχνεύσουν ολίσθηση νωρίτερα από τη συμβατική στατιστική παρακολούθηση.

2. Προσδιορισμός μη φυσιολογικών κρατών ανάπτυξης

Ένα μη φυσιολογικό μοτίβο RHEED μπορεί να υποδεικνύει ότι η επιφάνεια εισέρχεται σε ένα ανεπιθύμητο καθεστώς ανάπτυξης.

Η έγκαιρη ανίχνευση επιτρέπει στο σύστημα να επισημάνει τη γκοφρέτα ή ενδεχομένως να προσαρμόσει τη διαδικασία πριν το ελάττωμα γίνει σοβαρό.

3. Μείωση της παραλλαγής εκτέλεσης σε εκτέλεση

Μια σημαντική πρόκληση για την κατασκευή είναι η διατήρηση των ίδιων ηλεκτρικών χαρακτηριστικών μεταξύ των παρτίδων.

Τα μοντέλα μηχανικής μάθησης μπορούν να συγκρίνουν την τρέχουσα εκτέλεση με μεγάλα ιστορικά σύνολα δεδομένων και να εντοπίσουν αποκλίσεις από προηγούμενες επιτυχημένες τροχιές ανάπτυξης.

Αυτό θα μπορούσε να βοηθήσει στη βελτίωση της επαναληψιμότητας run-to-run.

AI και Έλεγχος τραχύτητας επιφάνειας

Η μορφολογία της επιφάνειας επηρεάζει έντονα την κατασκευή της συσκευής GaN.

Η κακή ποιότητα επιφάνειας μπορεί να επηρεάσει:

• Λιθογραφία
• Μεταλλικές επαφές
• Σχηματισμός πύλης
• Ποιότητα διεπαφής
• Αξιοπιστία συσκευής

Το RHEED είναι ιδιαίτερα πολύτιμο επειδή παρακολουθεί την επιφάνεια του κρυστάλλου απευθείας κατά την ανάπτυξη.

Η ανάλυση RHEED με τη βοήθεια μηχανικής μάθησης έχει ήδη δείξει ότι οι πληροφορίες περίθλασης μπορούν να συσχετιστούν με σημαντικούς δείκτες ποιότητας φιλμ σε πειραματικά συστήματα MBE.

Για παράδειγμα, μια μελέτη του 2025 για την ανάπτυξη του GaSe MBE έδειξε ότι η ενσωμάτωση χαρακτηριστικών που προέρχονται από το RHEED βελτίωσαν τα μοντέλα μηχανικής μάθησης που χρησιμοποιούνται για την πρόβλεψη μετρήσεων ποιότητας κρυστάλλων, υποστηρίζοντας την ευρύτερη έννοια του συνδυασμού της επί τόπου περίθλασης με δεδομένα διεργασίας για βελτιστοποίηση επιταξίας.

Το συγκεκριμένο υλικό σε εκείνη τη μελέτη δεν ήταν GaN, επομένως το ποσοτικό μοντέλο δεν μπορεί απλώς να μεταφερθεί στην παραγωγή GaN. Ωστόσο, η προσέγγιση δείχνει πώς οι πληροφορίες RHEED μπορούν να γίνουν μια μηχανικά αναγνώσιμη μεταβλητή διαδικασίας και όχι μόνο μια οπτική διαγνωστική.

Μείωση ελαττωμάτων και απόδοση

Η απόδοση είναι τελικά ένας από τους πιο σημαντικούς λόγους για την εισαγωγή προηγμένου ελέγχου διαδικασίας.

Τα επιταξιακά ελαττώματα GaN μπορεί να περιλαμβάνουν:

• Εξαρθρήματα σπειρώματος
• Επιφανειακά κοιλώματα
• Λόφοι
• Ρωγμές
• Σωματίδια
• Ελαττώματα διεπαφής
• Τοπική τραχύτητα
• Ανομοιόμορφο ντόπινγκ

Δεν μπορεί να εξαλειφθεί κάθε ελάττωμα μέσω της τεχνητής νοημοσύνης.

Πολλά προέρχονται από θεμελιώδεις περιορισμούς υποστρώματος και ετεροεπιταξίας.

Ωστόσο, η τεχνητή νοημοσύνη μπορεί να βοηθήσει στη μείωση των ελαττωμάτων που σχετίζονται με την αστάθεια της διαδικασίας.

Για παράδειγμα, εάν ένας συγκεκριμένος συνδυασμός εξέλιξης προτύπου RHEED, μετατόπισης θερμοκρασίας και πίεσης θαλάμου συσχετίζεται επανειλημμένα με κακά αποτελέσματα μετά την ανάπτυξη, το μοντέλο μπορεί να μάθει αυτή τη σχέση.

Οι μελλοντικές σειρές παραγωγής θα μπορούσαν στη συνέχεια να επισημάνουν παρόμοιες συνθήκες πριν ολοκληρωθεί η γκοφρέτα.

Ο στόχος δεν είναι η τεχνητή νοημοσύνη να αλλάξει τους νόμους της ανάπτυξης των κρυστάλλων.

Είναι να κρατήσει τη διαδικασία ανάπτυξης μέσα σε ένα στενότερο και πιο επαναλαμβανόμενο παράθυρο διαδικασίας.

Γιατί έχουν σημασία τα ιστορικά δεδομένα

Η ελεγχόμενη από AI επιταξία εξαρτάται σε μεγάλο βαθμό από την ποιότητα των δεδομένων.

Ένα μοντέλο που έχει εκπαιδευτεί σε μικρό μόνο αριθμό δοκιμών ανάπτυξης μπορεί να μην κατανοεί επαρκείς συνθήκες διαδικασίας για να λάβει αξιόπιστες αποφάσεις.

Αυτό εξηγεί γιατί τα μεγάλα ιστορικά σύνολα δεδομένων είναι πολύτιμα.

Χρήσιμες πληροφορίες μπορεί να περιλαμβάνουν:

• Βίντεο RHEED
• Θερμοκρασία υποστρώματος
• Πίεση θαλάμου
• Ροή υλικού
• Ισχύς πλάσματος
• Ρυθμός ανάπτυξης
• Θερμοκρασία πηγής
• Χρόνος ανάπτυξης
• Ιστορικό συντήρησης

Ο χαρακτηρισμός μετά την ανάπτυξη μπορεί στη συνέχεια να συνδεθεί με αυτά τα αρχεία διαδικασίας.

Τα παραδείγματα περιλαμβάνουν:

• XRD
• AFM
• Μέτρηση αίθουσας
• Χαρτογράφηση αντίστασης φύλλου
• Φωτοφωταύγεια
• Επιφανειακή επιθεώρηση
• Χαρτογράφηση πάχους

Αυτό δημιουργεί μια σχέση μεταξύ:

Συνθήκες διεργασίας → επιτόπια συμπεριφορά επιφάνειας → τελική ποιότητα γκοφρέτας

Μόλις είναι διαθέσιμα αρκετά αξιόπιστα δεδομένα, το σύστημα μπορεί να αρχίσει να βρίσκει σχέσεις που μπορεί να είναι δύσκολο να εντοπιστούν με μη αυτόματο τρόπο.

Από τον Αυτοματισμό στον Αυτόνομο Επιτάξιο

Ο παραδοσιακός αυτοματισμός ημιαγωγών ακολουθεί προκαθορισμένες οδηγίες.

Για παράδειγμα:

Ρυθμίστε τη θερμοκρασία στο X.
Κλείστρο ανοιχτού κώδικα τη στιγμή Y.
Αναπτύξτε το στρώμα για Z λεπτά.

Η αυτόνομη κατασκευή προσθέτει ένα άλλο επίπεδο.

Αντί να εκτελεί μόνο εντολές, το σύστημα αξιολογεί την τρέχουσα συνθήκη διεργασίας πριν αποφασίσει τι θα συμβεί στη συνέχεια.

Πρόσφατη έρευνα έχει ήδη επιδείξει έννοιες MBE αυτόνομης οδήγησης χρησιμοποιώντας επιτόπου RHEED και μηχανική μάθηση με πληροφόρηση για τη φυσική. Μια μελέτη του 2026 περιέγραψε την πλατφόρμα SemiEpi, η οποία ενσωματώνει εξοπλισμό MBE, παρακολούθηση RHEED και έλεγχο ανάδρασης για την προσαρμογή της ανάπτυξης της ετεροδομής ημιαγωγών.

Προηγούμενη έρευνα έχει επίσης δείξει τον έλεγχο σε πραγματικό χρόνο με τη βοήθεια μηχανικής μάθησης της ανάπτυξης κβαντικών κουκκίδων InAs/GaAs χρησιμοποιώντας βίντεο RHEED ως είσοδο για αποφάσεις ανατροφοδότησης.

Αυτές οι επιδείξεις δεν είναι ισοδύναμες με την πλήρως αυτόνομη κατασκευή GaN μεγάλου όγκου, αλλά δείχνουν την τεχνική πορεία προς την ολοένα και πιο κλειστή επιταξία.

Τι δεν μπορεί να αντικαταστήσει το AI

Η τεχνητή νοημοσύνη δεν καταργεί την ανάγκη για επιστήμη των υλικών.

Η υψηλής ποιότητας επιταξία GaN εξακολουθεί να εξαρτάται από:

• Σχεδιασμός αντιδραστήρα
• Ποιότητα υποστρώματος
• Μηχανική buffer-layer
• Πηγή καθαρότητα
• Ποιότητα κενού
• Βαθμονόμηση θερμοκρασίας
• Σωστή προετοιμασία γκοφρέτας
• Έμπειρη ανάπτυξη διαδικασίας

Ένα μοντέλο τεχνητής νοημοσύνης που έχει εκπαιδευτεί σε ανεπαρκή δεδομένα διεργασίας δεν θα παράγει αυτόματα εξαιρετικούς κρυστάλλους GaN.

Η διαδικασία φυσικής ανάπτυξης εξακολουθεί να καθορίζει το τελικό υλικό.

Η τεχνητή νοημοσύνη παρέχει κυρίως έναν πιο ισχυρό τρόπο παρακολούθησης, ανάλυσης και ελέγχου αυτής της διαδικασίας.

Συνέπειες για τους αγοραστές GaN Epi-Wafer

Για πελάτες που αγοράζουν γκοφρέτες GaN epi, η ίδια η κατασκευή που ελέγχεται από AI δεν θα πρέπει να είναι το κύριο κριτήριο αποδοχής.

Η τελική προδιαγραφή γκοφρέτας παραμένει πιο σημαντική.

Μια RFQ GaN epi-wafer θα πρέπει να ορίζει σαφώς τις σχετικές παραμέτρους.

Μέγεθος γκοφρέτας

Οι κοινές επιλογές μπορεί να περιλαμβάνουν:

• 2 ιντσών
• 4 ιντσών
• 6 ιντσών
• 8 ιντσών

Υπόστρωμα

Οι πιθανές πλατφόρμες περιλαμβάνουν:

• GaN-on-Si
• GaN-on-SiC
• GaN-on-Sapphire
• Ελεύθερος GaN

Επιταξιακή Δομή

Τα παραδείγματα περιλαμβάνουν:

• Πρότυπο GaN
• AlGaN/GaN HEMT
• Δομή GaN power epi
• Δομή epi LED
• Προσαρμοσμένη ερευνητική επιταξία

Πάχος στρώσης

Καθορίστε το απαιτούμενο πάχος στρώσης και ανοχή όποτε είναι δυνατόν.

Ηλεκτρικές Ιδιότητες

Ανάλογα με την εφαρμογή, οι προδιαγραφές μπορεί να περιλαμβάνουν:

• Αντίσταση φύλλου
• Συγκέντρωση φορέα
• Κινητικότητα
• Διαρροή buffer
• Απαιτήσεις κατανομής

Ποιότητα Επιφανείας

Οι πελάτες μπορούν να προσδιορίσουν:

• RMS τραχύτητα
• Έλεγχος σωματιδίων
• Επιφανειακά κοιλώματα
• Όρια γρατσουνιών

Γεωμετρία γκοφρέτας

Για μεγαλύτερες γκοφρέτες, οι σημαντικές παράμετροι περιλαμβάνουν:

• TTV
• Τόξο
• Στημόνι

Ομοιομορφία

Για την κατασκευή συσκευών, η ομοιομορφία από το κέντρο προς την άκρη και την ομοιομορφία γκοφρέτας σε γκοφρέτα θα πρέπει να συζητείται χωριστά από τις μέσες τιμές.

Γιατί η ομοιομορφία έχει μεγαλύτερη σημασία καθώς οι γκοφρέτες GaN γίνονται μεγαλύτερες

Η βιομηχανία ημιαγωγών κινεί σταθερά την παραγωγή GaN προς μεγαλύτερες μορφές γκοφρέτας.

Καθώς η διάμετρος του πλακιδίου αυξάνεται, μια μικρή κλίση διαδικασίας μπορεί να επηρεάσει πολύ μεγαλύτερο αριθμό συσκευών.

Για παράδειγμα, παραλλαγές σε:

• Θερμοκρασία
• Ροή υλικού
• Πάχος στρώσης
• Σύνθεση
• Στρες

μπορεί να δημιουργήσει ακτινικές διαφορές κατά μήκος της γκοφρέτας.

Αυτός είναι ο λόγος για τον οποίο ο έλεγχος διαδικασίας βάσει δεδομένων γίνεται ολοένα και πιο πολύτιμος για επιταξία GaN 150mm και 200mm και δυνητικά μελλοντική παραγωγή μεγαλύτερης διαμέτρου.

Η οικονομική αξία της τεχνητής νοημοσύνης είναι επομένως στενά συνδεδεμένη με την κλίμακα γκοφρέτας.

Εάν ο βελτιωμένος έλεγχος διεργασίας μειώνει τη διακύμανση από γκοφρέτα σε γκοφρέτα ή αυξάνει το ποσοστό της χρησιμοποιήσιμης περιοχής γκοφρέτας, ο αντίκτυπος μπορεί να πολλαπλασιαστεί σε χιλιάδες συσκευές.

Το Epitaxy ελεγχόμενο με AI δεν εξαλείφει την επιθεώρηση

Ακόμη και μια εξαιρετικά αυτοματοποιημένη διαδικασία ανάπτυξης εξακολουθεί να απαιτεί χαρακτηρισμό μετά την ανάπτυξη.

Οι κρίσιμες γκοφρέτες GaN epi μπορεί να απαιτούν συνδυασμό:

• Επιφανειακή επιθεώρηση
• AFM
• XRD
• Μέτρηση αίθουσας
• Χαρτογράφηση αντίστασης φύλλου
• Χαρτογράφηση πάχους
• Οπτική επιθεώρηση
• Μέτρηση τόξου και στημονιού

Ως εκ τούτου, η ελεγχόμενη από τεχνητή νοημοσύνη ανάπτυξη και η μετρολογία μετά την ανάπτυξη θα πρέπει να θεωρούνται συμπληρωματικές.

Το σύστημα ανάπτυξης παρέχει πληροφορίες σε πραγματικό χρόνο.

Η τελική επιθεώρηση επαληθεύει εάν η γκοφρέτα πληροί τις προδιαγραφές του πελάτη.

The Future: Digital Twins και Self-Optimizing GaN Epitaxy

Η μακροπρόθεσμη κατεύθυνση της επιταξίας ημιαγωγών μπορεί να υπερβαίνει την απλή ανίχνευση ανωμαλιών.

Οι μελλοντικές πλατφόρμες θα μπορούσαν να συνδυάσουν:

• RHEED σε πραγματικό χρόνο
• Δεδομένα αισθητήρα αντιδραστήρα
• Ιστορικές βάσεις δεδομένων παραγωγής
• Μοντέλα βασισμένα στη φυσική
• Μηχανική μάθηση
• Αυτοματοποιημένος χαρακτηρισμός
• Ψηφιακά δίδυμα

Μια ψηφιακή αναπαράσταση της διαδικασίας της επιταξίας θα μπορούσε να συγκρίνει συνεχώς την προβλεπόμενη συμπεριφορά ανάπτυξης με τα πραγματικά δεδομένα του αντιδραστήρα.

Το σύστημα θα μπορούσε στη συνέχεια να βελτιστοποιήσει τις παραμέτρους της διαδικασίας για συγκεκριμένους στόχους όπως:

• Χαμηλότερη πυκνότητα ελαττώματος
• Χαμηλότερη τραχύτητα επιφάνειας
• Καλύτερη ομοιομορφία αντίστασης φύλλου
• Μειωμένο φιόγκο γκοφρέτας
• Υψηλότερη χρήση εξοπλισμού

Αυτό θα μπορούσε να είναι ιδιαίτερα πολύτιμο για την προσαρμοσμένη επιταξία GaN, όπου οι πελάτες απαιτούν διαφορετικές δομές συσκευών και ηλεκτρικές προδιαγραφές.

Σύναψη

Η επιταξία ελεγχόμενη από τεχνητή νοημοσύνη αλλάζει τον τρόπο με τον οποίο μπορεί να παρακολουθείται και να βελτιστοποιείται η παραγωγή GaN epi-wafer.

Το RHEED χρησιμεύει παραδοσιακά ως σημαντικό εργαλείο παρατήρησης σε πραγματικό χρόνο για την ανάπτυξη του MBE. Συνδυάζοντας εικόνες RHEED με δεδομένα μηχανικής μάθησης και αισθητήρων εξοπλισμού, οι κατασκευαστές μπορούν να μετατρέψουν αυτές τις πληροφορίες σε ένα πιο ποσοτικό σύστημα ελέγχου διαδικασίας.

Τα πιθανά οφέλη περιλαμβάνουν:

• Προηγούμενη ανίχνευση ανωμαλιών
• Βελτιωμένη συνοχή run-to-run
• Καλύτερη ομοιομορφία epi-wafer
• Μειωμένη απόκλιση διαδικασίας
• Πιο σταθερή παραγωγή
• Υψηλότερη αποτελεσματική απόδοση

Οι πρόσφατες βιομηχανικές εξελίξεις στην κατασκευή GaN και οι ακαδημαϊκές επιδείξεις του αυτοοδηγούμενου MBE δείχνουν ότι η επιταξία ημιαγωγών μετακινείται σταδιακά από την αυτοματοποίηση σταθερής συνταγής προς τον ολοένα και πιο αυτόνομο έλεγχο διαδικασίας.

Για τους πελάτες GaN epi-wafer, ωστόσο, οι πιο σημαντικοί παράγοντες παραμένουν οι μετρήσιμες προδιαγραφές υλικού: επιταξιακή δομή, ηλεκτρικές ιδιότητες, ποιότητα επιφάνειας, γεωμετρία πλακιδίων και ομοιομορφία γκοφρέτας σε γκοφρέτα.

Η τεχνητή νοημοσύνη δεν υποκαθιστά την επιταξία υψηλής ποιότητας GaN.

Η πραγματική του αξία βοηθά τους κατασκευαστές να επιτύχουν αυτή την ποιότητα με μεγαλύτερη συνέπεια, σε περισσότερες γκοφρέτες και με αυστηρότερο έλεγχο σε όλο και πιο περίπλοκες διαδικασίες ανάπτυξης ημιαγωγών.