Эпитаксия нитрида галлиявступает в новый этап производства полупроводников.

В течение многих лет качество эпи-подложек GaN во многом зависело от тщательно оптимизированных рецептов выращивания, опытных инженеров-технологов и постоянного мониторинга условий реактора. Даже небольшие отклонения в температуре подложки, давлении в камере, соотношении потоков III/V или реконструкции поверхности могут повлиять на конечное качество кристалла.

Искусственный интеллект начинает менять этот подход.

Вместо того, чтобы полагаться только на фиксированные рецепты, новые платформы эпитаксии объединяют данные RHEED в реальном времени, информацию датчиков оборудования и алгоритмы машинного обучения для определения условий роста, обнаружения отклонений и, в конечном итоге, корректировки параметров процесса во время эпитаксиального роста.

Недавний пример — южнокорейская компания IVWorks, которая в сентябре 2026 года сообщила, что ее система производства эпипластин GaN использует модели искусственного интеллекта для анализа дифракции высокоэнергетических электронов при отражении (RHEED) вместе с данными оборудования MBE. Компания заявляет, что с 2019 года она накопила более 330 миллионов точек данных о процессах временных рядов и более 30 ТБ данных RHEED.

Это развитие подчеркивает более широкую тенденцию: эпитаксия GaN переходит от автоматизации на основе рецептов к управляемому данными и все более автономному производству.

Почему эпитаксию GaN трудно контролировать

Устройства GaN используются в самых разных приложениях: от радиочастотной связи до высокочастотной силовой электроники.

Однако электрические характеристики готового устройства сильно зависят от качества эпитаксии.

Важные характеристики GaN-эпи-подложки включают в себя:

• Равномерность толщины слоя
• Шероховатость поверхности
• Плотность дефектов кристалла
• Качество интерфейса
• Концентрация носителей
• Подвижность электронов
• Листовое сопротивление
• Утечка буфера
• Напряжение пластины
• Вафельный бантик
• Плотность частиц

На эти параметры влияют многие взаимодействующие условия роста.

Например, во время молекулярно-лучевой эпитаксии инженеры должны контролировать такие переменные, как:

• Температура подложки
• Галлиевый флюс
• Азотный поток
• Темпы роста
• Давление в камере
• Условия плазмы
• Легирующий поток
• Время роста
• Реконструкция поверхности

Трудность в том, что эти переменные не являются независимыми.

Изменение температуры может одновременно повлиять на подвижность поверхности, эффективность внедрения и скорость роста.

Небольшое отклонение, которое кажется незначительным на уровне оборудования, может в конечном итоге привести к измеримым различиям в электрических характеристиках пластины.

Это одна из причин, по которой мониторинг процессов на основе искусственного интеллекта привлекает внимание.

Что такое РЭИД?

Дифракция высокоэнергетических электронов на отражение является одним из наиболее полезных методов мониторинга МЛЭ на месте.

Во время эпитаксиального роста пучок высокоэнергетических электронов падает на поверхность пластины под очень малым углом.

Электроны взаимодействуют с поверхностью кристалла и создают дифракционную картину.

Инженеры могут использовать эту схему для получения информации о поверхности во время роста, не вынимая пластину из реактора.

RHEED может предоставить информацию, касающуюся:

• Реконструкция поверхности
• Кристаллический заказ
• Режим роста
• Шероховатость поверхности
• Формирование слоев
• Эпитаксиальные переходы

Различные условия поверхности создают разные дифракционные картины.

Гладкая двумерная поверхность часто дает относительно резкие полосы, тогда как шероховатость или образование трехмерных островков могут существенно изменить дифракционную картину.

Традиционно опытные операторы интерпретируют эти закономерности визуально.

Этот подход работает, но у него есть ограничения.

Проблема с интерпретацией RHEED, ориентированной только на человека

Современный цикл эпитаксии может генерировать огромное количество информации RHEED.

Камера может непрерывно регистрировать дифракционные картины на протяжении всего процесса роста.

Люди-операторы не могут реально проанализировать каждый кадр количественно.

Некоторые изменения также могут произойти до того, как они станут визуально очевидными.

Машинное обучение предлагает другой подход.

Вместо того, чтобы просить инженера интерпретировать отдельные изображения, системы искусственного интеллекта могут анализировать целые последовательности изображений RHEED и выявлять тонкие изменения в:

• Интенсивность
• Ширина полосы
• Образование пятен
• Дифракционная геометрия
• Временная эволюция
• Стабильность модели

Исследование, опубликованное в Журнале вакуумной науки и технологий, продемонстрировало анализ изображений RHEED во время роста MBE с помощью машинного обучения, который может «на лету» выявлять изменения в режимах осаждения. Рабочий процесс анализа был разработан так, чтобы выполняться менее чем за одну секунду, что иллюстрирует потенциал того, что данные RHEED могут стать частью управления с обратной связью в реальном времени, а не просто инструментом мониторинга.

От мониторинга RHEED к управлению процессами с помощью искусственного интеллекта

Важное изменениеявляетсяа не просто использование ИИ для классификации изображений.

Более крупная цель — управление процессом с обратной связью.

Упрощенная автономная система эпитаксии может работать следующим образом:

РЭИД-камера
↓
Анализ изображений в реальном времени
↓
Модель машинного обучения
↓
Классификация состояний роста
↓
Процессуальное решение
↓
Настройка параметров MBE
↓
Новый ответ RHEED

Затем цикл повторяется.

Это позволяет системе роста реагировать на фактическое состояние пластины, а не слепо следовать заранее заданному рецепту.

Например, модель потенциально может обнаружить, что поверхность начинает переходить от плавного роста слоя за слоем к образованию нежелательных островков.

Затем контроллер процесса мог оценить, следует ли корректировать такие параметры, как температура подложки или поток материала.

Эта концепция все чаще описывается как автономная эпитаксия или самоуправляемая эпитаксия.

Производство GaN MBE под управлением искусственного интеллекта

Анонс IVWorks в сентябре 2026 года представляет собой промышленный пример GaN.

По словам компании, ее платформа эпитаксии с использованием искусственного интеллекта объединяет информацию RHEED с временными данными оборудования, такими как температура и давление.

Модели искусственного интеллекта оценивают условия роста и обнаруживают аномалии, а система автоматизации MBE выполняет такие операции, как загрузка пластин, эпитаксиальный рост и выгрузка. Заявленное направление – снижение вмешательства человека и повышение стабильности производства.

Это важно, поскольку промышленная эпитаксия отличается от лабораторного выращивания.

Массовое производство требует повторяемости в:

• Несколько пластин
• Множественные прогоны роста
• Разные операторы
• Длительные сроки эксплуатации оборудования
• Циклы профилактического обслуживания
• Циклы замены расходных материалов

Одной превосходной пластины недостаточно.

Коммерческому поставщику эпи-подложек необходима стабильная производительность пластины за пластиной.

Как ИИ может улучшить однородность эпи-подложек GaN

Однородность — одна из наиболее важных характеристик коммерческих эпипластин GaN.

В зависимости от конструкции устройства клиенты могут оценить:

• Эпитаксиальная однородность толщины
• Равномерность сопротивления листа
• Равномерность концентрации носителей
• Единообразие мобильности
• Однородность состава Al
• Морфология поверхности
• Вафельный бантик

Для небольшой исследовательской выборки иногда могут быть приемлемы локальные вариации.

Для производственных пластин диаметром 100, 150 или 200 мм они могут напрямую влиять на производительность устройства.

Управление процессами с помощью ИИ потенциально может улучшить единообразие несколькими способами.

1. Раннее обнаружение отклонения роста

Реакторы MBE не остаются совершенно неизменными.

Условия могут меняться из-за:

• Истощение источника
• Камерное покрытие
• Старение оборудования
• Изменения калибровки температуры
• Вариант источника плазмы
• История обслуживания

Поэтому фиксированный рецепт может давать несколько разные результаты после многих циклов выращивания.

Объединив данные RHEED с данными датчиков оборудования, системы искусственного интеллекта могут обнаружить дрейф раньше, чем традиционный статистический мониторинг.

2. Выявление состояний аномального роста

Аномальная картина RHEED может указывать на то, что поверхность входит в нежелательный режим роста.

Раннее обнаружение позволяет системе пометить пластину или потенциально скорректировать процесс до того, как дефект станет серьезным.

3. Уменьшение вариаций от запуска к запуску

Основной производственной проблемой является поддержание одинаковых электрических характеристик между партиями.

Модели машинного обучения могут сравнивать текущие результаты с большими наборами исторических данных и выявлять отклонения от ранее успешных траекторий роста.

Это может помочь улучшить повторяемость от запуска к запуску.

Искусственный интеллект и контроль шероховатости поверхности

Морфология поверхности сильно влияет на изготовление устройств из GaN.

Плохое качество поверхности может повлиять на:

• Литография
• Металлические контакты
• Формирование ворот
• Качество интерфейса
• Надежность устройства

RHEED особенно ценен, поскольку он контролирует поверхность кристалла непосредственно во время роста.

Анализ RHEED с помощью машинного обучения уже продемонстрировал, что информацию о дифракции можно коррелировать с важными показателями качества пленки в экспериментальных системах MBE.

Например, исследование роста GaSe MBE в 2025 году показало, что включение функций, полученных из RHEED, улучшило модели машинного обучения, используемые для прогнозирования показателей качества кристалла, поддерживая более широкую концепцию объединения дифракции на месте с технологическими данными для оптимизации эпитаксии.

Конкретным материалом в этом исследовании не был GaN, поэтому количественную модель нельзя просто перенести на производство GaN. Однако этот подход демонстрирует, как информация RHEED может стать машиночитаемой переменной процесса, а не просто визуальной диагностикой.

Сокращение дефектов и выход продукции

Выход продукции, в конечном счете, является одной из наиболее важных причин для внедрения усовершенствованного управления процессом.

Эпитаксиальные дефекты GaN могут включать:

• Продвижение дислокаций
• Поверхностные ямы
• Хиллокс
• Трещины
• Частицы
• Дефекты интерфейса
• Локальная шероховатость
• Неравномерный допинг

Не каждый дефект можно устранить с помощью ИИ.

Многие из них возникают из-за фундаментальных ограничений субстрата и гетероэпитаксии.

Однако ИИ может помочь уменьшить дефекты, связанные с нестабильностью процесса.

Например, если определенная комбинация эволюции структуры RHEED, температурного дрейфа и давления в камере неоднократно коррелирует с плохими результатами после роста, модель может изучить эту взаимосвязь.

Будущие производственные циклы могут указать на аналогичные условия еще до того, как пластина будет завершена.

Целью ИИ не является изменение законов роста кристаллов.

Цель состоит в том, чтобы сохранить процесс роста в более узком и более повторяемом окне процесса.

Почему исторические данные имеют значение

Эпитаксия, управляемая искусственным интеллектом, во многом зависит от качества данных.

Модель, обученная лишь на небольшом количестве прогонов роста, может не понимать достаточных условий процесса для принятия надежных решений.

Это объясняет, почему большие наборы исторических данных так ценны.

Полезная информация может включать в себя:

• РЭИД видео
• Температура подложки
• Давление в камере
• Материальный поток
• Плазменная мощность
• Темпы роста
• Температура источника
• Время роста
• История обслуживания

Затем характеристики после роста можно связать с этими записями процесса.

Примеры включают в себя:

• рентгеноструктурный анализ
• АСМ
• Измерение зала
• Картирование сопротивления листа
• Фотолюминесценция
• Проверка поверхности
• Отображение толщины

Это создает отношения между:

Условия процесса → поведение поверхности на месте → конечное качество пластины

Как только будет доступно достаточно надежных данных, система может начать находить взаимосвязи, которые может быть сложно выявить вручную.

От автоматизации к автономной эпитаксии

Традиционная полупроводниковая автоматизация следует заранее заданным инструкциям.

Например:

Установите температуру X.
Затвор с открытым исходным кодом в момент времени Y.
Выращивайте слой в течение Z минут.

Автономное производство добавляет еще один уровень.

Вместо того, чтобы просто выполнять инструкции, система оценивает текущее состояние процесса, прежде чем решить, что должно произойти дальше.

Недавние исследования уже продемонстрировали концепции беспилотного MBE с использованием RHEED на месте и машинного обучения на основе физики. В исследовании 2026 года была описана платформа SemiEpi, которая объединяет оборудование MBE, мониторинг RHEED и управление с обратной связью для регулирования роста полупроводниковых гетероструктур.

Более ранние исследования также продемонстрировали контроль в реальном времени роста квантовых точек InAs/GaAs с помощью машинного обучения с использованием видео RHEED в качестве входных данных для принятия решений по обратной связи.

Эти демонстрации не эквивалентны полностью автономному производству GaN в больших объемах, но они показывают технический путь к все большей эпитаксии с замкнутым контуром.

Что ИИ не может заменить

ИИ не устраняет необходимость в материаловедении.

Качественная эпитаксия GaN по-прежнему зависит от:

• Проектирование реактора
• Качество подложки
• Разработка буферного слоя
• Исходная чистота
• Качество вакуума
• Калибровка температуры
• Правильная подготовка вафель
• Опыт разработки процессов

Модель искусственного интеллекта, обученная на плохих технологических данных, не будет автоматически производить превосходные кристаллы GaN.

Процесс физического роста по-прежнему определяет конечный материал.

ИИ в основном обеспечивает более мощный способ мониторинга, анализа и контроля этого процесса.

Последствия для покупателей GaN Epi-подложек

Для клиентов, приобретающих эпи-пластины GaN, само производство под управлением искусственного интеллекта не должно быть основным критерием приемки.

Окончательная спецификация пластины остается более важной.

В запросе предложений на эпипластину GaN должны быть четко определены соответствующие параметры.

Размер пластины

Общие варианты могут включать в себя:

• 2 дюйма
• 4 дюйма
• 6 дюймов
• 8 дюймов

Субстрат

Возможные платформы включают в себя:

• GaN-на-Si
• GaN-на-SiC
• GaN-на-сапфире
• Отдельно стоящий GaN

Эпитаксиальная структура

Примеры включают в себя:

• шаблон GaN
• АлГаН/ГаН HEMT
• Силовая эпиструктура GaN
• Светодиодная эпиструктура
• Индивидуальная исследовательская эпитаксия

Толщина слоя

По возможности указывайте требуемую толщину слоя и допуск.

Электрические свойства

В зависимости от применения технические характеристики могут включать:

• Листовое сопротивление
• Концентрация носителей
• Мобильность
• Утечка буфера
• Требования к разбивке

Качество поверхности

Клиенты могут указать:

• Среднеквадратическая шероховатость
• Контроль частиц
• Поверхностные ямы
• Скретч-лимиты

Геометрия пластины

Для пластин большего размера важными параметрами являются:

• ТТВ
• Поклон
• Деформация

Единообразие

При производстве устройств однородность от центра до края и от пластины к пластине следует рассматривать отдельно от средних значений.

Почему однородность имеет большее значение, поскольку пластины GaN становятся больше

Полупроводниковая промышленность постепенно переводит производство GaN в сторону более крупных форматов пластин.

По мере увеличения диаметра пластины небольшой градиент процесса может повлиять на гораздо большее количество устройств.

Например, вариации:

• Температура
• Материальный поток
• Толщина слоя
• Состав
• Стресс

может привести к радиальным различиям по всей пластине.

Вот почему управление процессом на основе данных становится все более ценным для эпитаксии GaN диаметром 150 и 200 мм и, возможно, в будущем для производства изделий большего диаметра.

Таким образом, экономическая ценность ИИ тесно связана с масштабом пластины.

Если улучшенное управление процессом уменьшит различия между пластинами или увеличит процент полезной площади пластины, эффект может быть увеличен на тысячи устройств.

Эпитаксия, управляемая искусственным интеллектом, не исключает необходимости контроля

Даже высокоавтоматизированный процесс роста по-прежнему требует характеристики после роста.

Для критически важных эпипластин GaN может потребоваться сочетание:

• Проверка поверхности
• АСМ
• рентгеноструктурный анализ
• Измерение зала
• Картирование сопротивления листа
• Отображение толщины
• Оптический контроль
• Измерение лука и основы

Таким образом, рост, контролируемый искусственным интеллектом, и метрология после роста должны рассматриваться как взаимодополняющие.

Система роста предоставляет информацию в режиме реального времени.

Заключительная проверка проверяет, соответствует ли пластина спецификации заказчика.

Будущее: цифровые двойники и самооптимизирующаяся эпитаксия GaN

Долгосрочное направление эпитаксии полупроводников может выйти за рамки простого обнаружения аномалий.

Будущие платформы могут сочетать в себе:

• РЭИД в реальном времени
• Данные датчика реактора
• Исторические производственные базы данных
• Модели, основанные на физике
• Машинное обучение
• Автоматизированная характеристика
• Цифровые двойники

Цифровое представление процесса эпитаксии могло бы непрерывно сравнивать прогнозируемое поведение роста с фактическими данными реактора.

Затем система может оптимизировать параметры процесса для конкретных целей, таких как:

• Меньшая плотность дефектов
• Меньшая шероховатость поверхности
• Улучшенная однородность сопротивления листа
• Уменьшенная вафельная дуга
• Более высокая загрузка оборудования

Это может быть особенно ценно для нестандартной эпитаксии GaN, где клиентам требуются различные конструкции устройств и электрические характеристики.

Заключение

Эпитаксия, управляемая искусственным интеллектом, меняет способы контроля и оптимизации производства эпитаксиальных пластин GaN.

RHEED традиционно служил важным инструментом наблюдения в реальном времени за ростом MBE. Объединив изображения RHEED с машинным обучением и данными датчиков оборудования, производители могут преобразовать эту информацию в более количественную систему управления процессом.

Потенциальные преимущества включают в себя:

• Более раннее обнаружение отклонений
• Улучшенная согласованность между запусками
• Улучшенная однородность эпипластин
• Уменьшение дрейфа процесса
• Более стабильное производство
• Более высокий эффективный выход

Недавние промышленные разработки в производстве GaN и академические демонстрации автономного MBE показывают, что эпитаксия полупроводников постепенно переходит от автоматизации фиксированных рецептов к все более автономному управлению процессом.

Однако для заказчиков эпитаксиальных пластин GaN наиболее важными факторами остаются измеримые характеристики материала: эпитаксиальная структура, электрические свойства, качество поверхности, геометрия пластины и однородность пластины к пластине.

ИИ не является заменой высококачественной эпитаксии GaN.

Его реальная ценность заключается в том, что он помогает производителям более последовательно достигать этого качества, используя большее количество пластин и более жестко контролируя все более сложные процессы выращивания полупроводников.