CN112016676A - 一种神经网络模型预测的半导体薄膜工艺参数优化系统 - Google Patents
一种神经网络模型预测的半导体薄膜工艺参数优化系统 Download PDFInfo
- Publication number
- CN112016676A CN112016676A CN202010833547.5A CN202010833547A CN112016676A CN 112016676 A CN112016676 A CN 112016676A CN 202010833547 A CN202010833547 A CN 202010833547A CN 112016676 A CN112016676 A CN 112016676A
- Authority
- CN
- China
- Prior art keywords
- semiconductor film
- growth
- sample
- cavity
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
- H01L21/67207—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提出了一种神经网络模型预测的半导体薄膜工艺参数优化系统。本发明包括集成多种在线监测功能的神经网络模型预测的半导体薄膜工艺参数优化装置。本发明结合半导体薄膜质量特征向量、人工标定的质量等级构建半导体薄膜质量训练集并进行训练,得到训练后半导体薄膜质量等级预测神经网络模型;通过半导体薄膜质量训练集对生长工艺参数预测神经网络模型进行训练,得到训练后生长工艺参数预测神经网络模型;进一步通过半导体薄膜质量等级预测神经网络模型、生长工艺参数预测神经网络模型优化半导体薄膜样品的生长工艺参数特征向量,使样品生长达到半导体薄膜样品质预定等级。实现生长条件优化,低位错密度,低缺陷高质量外延半导体薄膜的生长。
Description
技术领域
本发明属于外延半导体薄膜生长技术领域,尤其涉及一种神经网络模型预测的半导体薄膜工艺参数优化系统。
背景技术
无论是氮化物、碳化硅、金刚石等基材料的LD、LED还是功率电子器件,它们的性能优劣高度依赖对半导体薄膜材料生长过程的品质控制。在半导体薄膜材料生长过程中,在线监测技术作为控制生长过程的前提,是半导体材料生长技术的重要组成部分。要达到生长膜的均匀性、重复性、可控性、低缺陷等要求,在材料生长过程中,需要对反应温度、样品翘曲、生长速度、气体流量、气体压力等直接影响材料性能的参数进行精确控制。
半导体薄膜材料生长中能量的吸收、传递、转换机制以及缺陷的产生、演化、调控涉及电子密度(等离子体)、原子、分子等动力学。目前,关于半导体薄膜生长中缺陷的监测与调控已开展一定的研究,并取得部分成果。但是,主要集中在理论分析方面,缺乏实验数据和相应的测试手段。材料生长过程本质上是微观结构的演变过程,结构变化取决于化学键的形成和断裂以及原子的重排过程,空穴和间隙原子、位错等结构演变发生在原子振动周期的时间尺度,大约几百飞秒。这种时间尺度的原子运动最终决定了材料的成型(相变)过程及功能。因此需要采用多种更先进的测量手段来在线表征这些微观的变化过程,使我们从本质上认识材料生长的过程,从而更科学的优化材料生长工艺,寻找更好的生长方式。
目前国际市场上的设备只针对温度、膜厚、翘曲、应力这些参数的测量,在线荧光光谱和拉曼监测技术、X射线衍射仪测量技术在实验室已经有所应用,但在生产设备上的使用还未见报导。质谱仪、原子力显微镜、超快反射式高能电子衍射仪等未见集成于材料生长设备的报道。飞行质谱仪可以检测生长腔内气体的成分,可以分别根据颗粒物质谱特征进行化学组成表征、颗粒物的窄气动力学直径对颗粒物进行分类,实现颗粒分类;也可以同时对颗粒的大小与颗粒化学成分组合进行分类;建立主要化学成分和颗粒粒径之间的对应关系。可以分别分析在检测范围内,不同颗粒直径范围的数浓度随时间变化。可以根据其变化趋势准确反映出某一时间内发生的特殊变化,分析某种化学成分随时间的变化;特别重要的是可实现颗粒物中重金属的实时在线分析,是当前不可替代的方法。
生长腔里的气体组分对衬底及外延半导体薄膜的生长质量起着决定性的作用,气体组分的实时监控可以帮我们更好理解气相沉积过程中发生的化学反应及其随时间的变化,掌握其反应机理,优化生长参数。但是目前并未有集成质谱仪在线监测的半导体薄膜材料生长设备。
另一种重要的测量仪器反射式高能电子衍射仪是分子束外延设备的标配测量设备,通过电子的衍射图案可以实时观测半导体薄膜的生长过程和生长模式,但无法捕获材料结构的瞬间变化信息。
原子力显微镜是测量半导体薄膜表面形貌尤其是亚纳米级起伏的常用设备,目前都是在离线状态下进行的测量。
发明内容
本发明的目的是提供一种集成超快反射式高能电子衍射仪,利用周期性测量和周期性生长的同步技术和时域切分技术,进行对材料周期性生长过程中结构信息的瞬态测量的装置,同时还集成其它多种在线监测仪器及利用人工智能优化调控方法,实现高质量半导体薄膜材料、器件的生长方法及装置。本发明覆盖了元素、物质、晶格等与缺陷直接相关的信息的监测以及半导体薄膜厚度、粗糙度等半导体薄膜信息的监测。同时通过监测系统内部温度,系统分析,优化生长条件,减小位错密度,实现低缺陷外延半导体薄膜的生长。将超快反射式高能电子衍射仪的探测周期和半导体薄膜的生长周期进行精确同步及时域同步切分,从而实现非可逆过程的积分测量,实现半导体薄膜生长过程中周期性缺陷形成的探测复合生长系统,提供研究半导体薄膜生长质量的新方法,可对监测数据进行记录,分类,形成大数据库,通过人工智能控制方法对生长工艺参数进行实时调节优化,异常情况进行实时报警。
为实现上述目的,本发明装置采用的技术方案是一种神经网络模型预测的半导体薄膜工艺参数优化装置,包括:
化学气相沉积系统、进样室、机械手传送腔、分子束外延系统、高低温循环腔、第二质谱仪、原子力显微镜、第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪、第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪;
半导体薄膜生长时,样品的衬底由所述进样室放入,通过所述机械手传送室将样品传送至所述化学气相沉积系统中生长腔进行生长,或通过所述机械手传送室将样品传送至所述分子束外延系统中生长腔进行生长,并可从第一生长腔或第二生长腔传送至进样室;所述化学气相沉积系统中生长腔定义为第一生长腔,所述分子束外延系统中生长腔定义为第二生长腔;
所述第二质谱仪与所述原子力显微镜分别与机械手传送腔密封连接,样品经腔内机械手及传输系统进行传递。
所述高低温循环腔与所述机械手传送系统密封连接。
所述的化学气相沉积系统,分子束外延系统、高低温循环腔、第二质谱仪、原子力显微镜均围绕所述机械手传送腔放置。
所述进样室置于所述化学气相沉积系统与所述机械手传送腔的中间,所述的化学气相沉积系统中生长腔、进样室、连接机械手传送腔依次密封连接;所述机械手传送腔分别与所述的所述分子束外延系统中生长腔、高低温循环腔、第二质谱仪依次密封连接;所述第二质谱仪与所述原子力显微镜密封连接;所述化学气相沉积系统中生长腔分别与所述的第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪依次连接;
作为优选,所述第一多功能光谱仪置于所述化学气相沉积系统中生长腔外,激发光与样品反射荧光分别通过所述化学气相沉积系统中生长腔上密封透明窗口进行传输;
所述第一质谱仪置于所述化学气相沉积系统中生长腔外,通过所述化学气相沉积系统中生长腔上可控密封阀门抽取样本气体进行测量;
所述第一X射线衍射仪安装于所述化学气相沉积系统中生长腔外,并通过所述化学气相沉积系统中生长腔上密封透明窗口入射到被测样品表面,其第一X射线衍射仪的接收器密封安装于所述化学气相沉积系统中生长腔上;
所述第一温度测试仪利用单相机比色测温系统,实时监测于所述化学气相沉积系统中生长腔内的温度,测试不同位置的温度,所述第一温度测试仪置于所述化学气相沉积系统中生长腔内进行测试;
所述第一翘曲测试仪置于所述化学气相沉积系统中生长腔上方,通过密封透明窗口射入扫描激光进行测量,对样品生长中的翘曲进行在线/原位监测;
所述分子束外延系统中生长腔分别与所述的第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪依次连接;
作为优选,所述第二多功能光谱仪置于所述分子束外延系统中生长腔外,激发光与反射荧光分别通过所述分子束外延系统中生长腔上的透明窗口进行传输,第二多功能光谱仪的探测器位于所述分子束外延系统中生长腔的下方;
所述第二X射线衍射仪安装于所述分子束外延系统中生长腔外,并通过密封透射窗口入射到样品表面,安装于所述分子束外延系统中生长腔密封窗口外并贴近透明窗口,;
所述第二X射线衍射仪的X射线发射装置与接收装置对称安装于样品在第二生长腔内放置处的侧下方所述分子束外延系统中生长腔的腔壁上,保证X射线成小角度(小于50°)入射样品上;
所述第二温度测试仪利用单相机比色测温系统,置于所述分子束外延系统中生长腔内进行测试,实时监测所述分子束外延系统中生长腔体内的温度,测试不同位置的温度;
所述第二翘曲测试仪,置于所述分子束外延系统中生长腔外对样品生长中的翘曲进行在线/原位监测,置于所述分子束外延系统中生长腔上方,通过密封透明窗口,射入扫描激光进行测量;
所述第二温度测试仪与所述第二翘曲测试仪优先安装方位为样品生长位置的正对面;
所述超快反射式高能电子衍射仪安装于所述分子束外延系统中生长腔外,与腔体密封连接,同时通过所述分子束外延系统中生长腔上的透明传输窗口进行测量;
所述超快反射式高能电子衍射仪的高能电子发射器与高能电子接收器分别对称安装于样品在第二生长腔内放置位置的两侧,电子小角度略入射于样品,确保入射角小于5°;
所述的第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪围绕安装于所述分子束外延系统中生长腔的周围。
所述数据采集卡分别与所述的第一质谱仪、第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪、第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪依次连接;所述数据采集卡与所述上位机连接;
所述进样室用于放入待生长样品的衬底。
所述机械手传送腔用于在集成的各个腔体和系统间传递样品。
所述分子束外延系统通过分子束外延生长腔实现样品生长。
所述高低温循环腔用于对样品进行高温或者低温退火,降低样品的半导体薄膜应力。
所述原子力显微镜用于对样品的表面形貌及力曲线进行测量,得到样品的表面粗糙度和强度。
作为优选,所述第一温度测试仪用于采集第一温度,所述第二温度测试仪用于采集第二温度;所述第一翘曲测试仪用于采集第一不平度,所述第二翘曲测试仪用于采集第二不平度;所述第一X射线衍射仪用于采集第一表面粗糙度、第一半导体薄膜厚度以及第一半峰宽,所述第二X射线衍射仪用于采集第二表面粗糙度、第二半导体薄膜厚度以及第二半峰宽;所述第一多功能光谱仪用于采集第一特征光谱值、第一拉曼平移谱值以及第一E2半峰宽,所述第二多功能光谱仪用于采集第二特征光谱值、第二拉曼平移谱值以及第二E2半峰宽;所述第一质谱仪用于采集第一物质元素及占比,所述第二质谱仪用于采集第二物质元素及占比;所述超快反射式高能电子衍射仪用于采集晶格超快电子衍射图像;
作为优选,所述数据采集卡根据所述上位机控制,将采集的第一温度、第一不平度、第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽、第一特征光谱值、第一拉曼平移谱值、第一E2半峰宽、第一物质元素及占比、第二温度、第二不平度、第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽、第二特征光谱值、第二拉曼平移谱值、第二E2半峰宽、第二物质元素及占比、晶格超快电子衍射图像作为人工智能的输入数据,传输至所述上位机。
本发明的方法为一种神经网络模型预测的半导体薄膜工艺参数方法:
步骤1:由上位机通过控制采集卡进行数据采集,通过采集的数据构建半导体薄膜质量特征向量,结合人工标定方法得到人工标定的的半导体薄膜质量等级,结合半导体薄膜质量特征向量、半导体薄膜质量等级构建半导体薄膜质量训练集;
步骤2:通过半导体薄膜质量训练集对半导体薄膜质量等级预测神经网络模型进行训练,得到训练后半导体薄膜质量等级预测神经网络模型;
步骤3:建立半导体薄膜样品的生长工艺参数特征向量,构建半导体薄膜生长质量工艺参数训练集,通过半导体薄膜质量训练集对生长工艺参数预测神经网络模型进行训练,得到训练后生长工艺参数预测神经网络模型;
步骤4:预定半导体薄膜样品质量等级输入上位机,上位机通过控制采集卡进行数据采集,通过采集的数据通过步骤1半导体薄膜样品质量特征向量,通过训练后半导体薄膜质量等级预测神经网络模型预测得到半导体薄膜样品质量等级,通过步骤3初始化半导体薄膜样品的生长工艺参数特征向量,将预定半导体薄膜样品质量等级、半导体薄膜样品质量等级、半导体薄膜样品的生长工艺参数特征向量通过训练后生长工艺参数预测神经网络模型,得到优化半导体薄膜样品的生长工艺参数特征向量,半导体薄膜样品的生长达到半导体薄膜样品质量预定的等级。
作为优选,步骤1所述半导体薄膜质量特征向量包括:第一温度、第一不平度、第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽、第一特征光谱值、第一拉曼平移谱值、第一E2半峰宽、第一物质元素及占比、第二温度、第二不平度、第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽、第二特征光谱值、第二拉曼平移谱值、第二E2半峰宽、第二物质元素及占比、晶格超快电子衍射图像;
步骤1所述半导体薄膜质量特征向量定义为:
Zi=(Xi,1,Xi,2,Xi,3,Xi,4,Xi,5,Xi,6,Xi,7,Xi,8,Xi,9,Yi,1,Yi,2,Yi,3,Yi,4,Yi,5,Yi,6,Yi,7,Yi,8,Yi,9,Yi,10)i∈[1,M]
其中,Zi表示为第i个半导体薄膜质量特征向量,M为半导体薄膜质量特征向量的数量;
其中,第i个半导体薄膜质量特征向量中所述第一温度定义为Xi,1、第i个半导体薄膜质量特征向量中所述第一不平度定义为Xi,2、第i个半导体薄膜质量特征向量中所述第一表面粗糙度定义为Xi,3、第i个半导体薄膜质量特征向量中所述第一半导体薄膜厚度定义为Xi,4、第i个半导体薄膜质量特征向量中所述第一半峰宽定义为Xi,5、第i个半导体薄膜质量特征向量中所述第一特征光谱值定义为Xi,6、第i个半导体薄膜质量特征向量中所述第一拉曼平移谱值定义为Xi,7、第i个半导体薄膜质量特征向量中所述第一E2半峰宽定义为Xi,8、第i个半导体薄膜质量特征向量中所述第一物质元素及占比定义为Xi,9;
其中,第i个半导体薄膜质量特征向量中所述第二温度定义为Yi,1、第i个半导体薄膜质量特征向量中所述第二不平度定义为Yi,2、第i个半导体薄膜质量特征向量中所述第二表面粗糙度定义为Yi,3、第i个半导体薄膜质量特征向量中所述第二半导体薄膜厚度定义为Yi,4、第i个半导体薄膜质量特征向量中所述第二半峰宽定义为Yi,5、第i个半导体薄膜质量特征向量中所述第二特征光谱值定义为Yi,6、第i个半导体薄膜质量特征向量中所述第二拉曼平移谱值定义为Yi,7、第i个半导体薄膜质量特征向量中所述第二E2半峰宽定义为Yi,8、所述第二物质元素及占比定义为Yi,9、第i个半导体薄膜质量特征向量中所述晶格超快电子衍射图像定义为Yi,10;
所述第一温度测试仪用于采集所述第一温度,所述第二温度测试仪用于采集所述第二温度;
所述第一翘曲测试仪用于采集所述第一不平度,所述第二翘曲测试仪用于采集所述第二不平度;
所述第一X射线衍射仪用于采集所述的第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽,所述第二X射线衍射仪用于采集所述的第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽;
所述第一多功能光谱仪用于采集所述的第一特征光谱值、第一拉曼平移谱值、第一E2半峰宽,所述第二多功能光谱仪用于采集所述的第二特征光谱值、第二拉曼平移谱值、第二E2半峰宽;
所述第一质谱仪用于采集所述第一物质元素及占比,所述第二质谱仪用于采集所述第二物质元素及占比;
所述超快反射式高能电子衍射仪用于采集晶格超快电子衍射图像;
步骤1所述结合人工标定方法得到人工标定的的半导体薄膜质量等级为:
将Zi通过人工标定方法得到第i个半导体薄膜质量特征向量对应样品生长质量等级为:
Li i∈[1,M]
Li=(Vi,1,Vi,2,Vi,3,Vi,4,Vi,5,Vi,6,Vi,7,Vi,8,Vi,9,Ui,1,Ui,2,Ui,3,Ui,4,Ui,5,Ui,6,Ui,7,Ui,8,Ui,9,Ui,10)i∈[1,M]
其中,Li i∈[1,M]为第i个半导体薄膜质量特征向量对应人工标定的样品生长质量等级向量,M为半导体薄膜质量特征向量的数量,Li∈[1,N],N表示人工标定的半导体薄膜生长质量等级的数量即共计N个等级,N为正整数。
其中,第Li级人工标定的半导体薄膜生长质量等级中对应的半导体薄膜质量特征向量中,所述第一温度定义为Vi,1、第一不平度定义为Vi,2、第一表面粗糙度定义为Vi,3、第一半导体薄膜厚度定义为Vi,4、第一半峰宽定义为Vi,5、第一特征光谱值定义为Vi,6、第一拉曼平移谱值定义为Vi,7、第一E2半峰宽定义为Vi,8、第一物质元素及占比定义为Vi,9;
其中,第Li级人工标定的半导体薄膜生长质量等级中对应的半导体薄膜质量特征向量中,所述第二温度定义为Ui,1、第二不平度定义为Ui,2、第二表面粗糙度定义为Ui,3、第二半导体薄膜厚度定义为Ui,4、第二半峰宽定义为Ui,5、第二特征光谱值定义为Ui,6、第二拉曼平移谱值定义为Ui,7、第二E2半峰宽定义为Ui,8、第二物质元素及占比定义为Ui,9、晶格超快电子衍射图像定义为Ui,10;
步骤1所述结合半导体薄膜质量特征向量、半导体薄膜质量等级构建半导体薄膜质量训练集为:
datai={Zi,Li}i∈[1,M]
其中,datai半导体薄膜质量训练集中第i个训练样本,M为半导体薄膜质量特征向量的数量;
作为优选,步骤2中所述通过半导体薄膜质量训练集对半导体薄膜质量等级预测神经网络模型进行训练,具体为:
将半导体薄膜质量训练集中每个训练样本作为半导体薄膜质量等级预测神经网络模型的输入数据:
即将datai作为半导体薄膜质量等级预测神经网络模型的输入数,datai={Zi,Li}i∈[1,M];
输出为半导体薄膜质量等级预测神经网络模型预测的半导体薄膜质量等级,将预测的半导体薄膜质量等级与人工标定的质量等级通过损失函数进行优化并计算,当损失函数输出为最小值时,即得到神经网络模型的优化参数以构建训练后半导体薄膜质量等级预测神经网络模型;
步骤2中所述训练后半导体薄膜质量等级预测神经网络模型的结构为:RBF神经网络;
步骤2中所述训练后半导体薄膜质量等级预测神经网络模型的损失函数模型为:
[(Xi,j-Vi,j)/Vi,j],i∈[1,M];j∈[1,9];[(Yi,j-Ui,j)/Ui,j],i∈[1,M];j∈[1,10]。
所述损失函数模型的参数寻优方法为:利用RBF神经网络以损失函数输出的向量的中每个元素小于0.1做为优化目标,对参数进行寻优。其中Xi,j、Yi,j、Vi,j、Ui,j、为前面所定义向量。
将采集的数据构建半导体薄膜质量特征向量通过训练后神经网络,以预测半导体薄膜的质量等级。
作为优选,步骤3所述建立半导体薄膜的生长工艺参数特征向量为:
Tp=[Sp,1,Sp,2,Sp,3,Sp,4,Sp,5,Kp,1,Kp,2,Kp,3,Kp,4,Kp,5],p∈[1,P];
其中,p为i半导体薄膜的经历的不同生长工艺参数的生长次数,工艺参数变化p次,最后的被测量评估的半导体薄膜样本i的半导体薄膜质量是P次工艺参数生长的效果迭代,Tp为生长工艺循环中的第p次生长,所述第一生长腔温度定义为Sp,1、第一元生长腔素比例定义为Sp,2、第一生长腔元素发射速度定义为Sp,3、第一生长腔腔内压强定义为Sp,4,第一生长腔生长时长定义为Sp,5;第二生长腔温度定义为Kp,1、第二生长腔元素比例定义为Kp,2、第二生长腔元素发射速度定义为Kp,3、第二生长腔腔内压强定义为Kp,4,第二生长腔生长时长定义为Kp,5;
步骤3所述构建半导体薄膜生长质量工艺参数训练集为:
步骤3结合M个半导体薄膜生长样本中第i个样本,第p次生长后的半导体薄膜质量等级向量、p次迭代半导体薄膜的生长工艺参数特征向量集、及p+1次生长工艺参数向量、P+1次生长后的质量等级向量构建半导体薄膜生长质量工艺参数训练集为:
datai,p+1={Li,p,Ti,1,Ti,2,Ti,3……Ti,P,Li,p+1},i∈[1,M],p∈[1,P]
步骤3中所述通过半导体薄膜质量训练集对生长工艺参数预测神经网络模型进行训练,具体为:
将半导体薄膜生长质量工艺参数训练集中每个训练样本作为生长工艺参数预测神经网络模型的输入数据,即将datai,p+1作为神经网络模型的输入数据,
datai,p+1={Li,p,Ti,1,Ti,2,Ti,3......Ti,P,Li,p+1};i∈[1,M],p∈[1,P]
输出为神经网络模型预测的半导体薄膜样本第j+1次的生长工艺参数特征向量,将预测的半导体薄膜质量等级与人工标定的质量等级通过损失函数进行优化并计算,当损失函数输出为最小值时,即得到神经网络模型的优化参数以构建训练后神经网络模型;通过M个样本训练,建立第p+1次半导体薄膜生长预测质量等级特征向量Lp+1、半导体薄膜生长腔生长工艺参数T1,T2,T3......TP及Lp的优化生成的神经网络模型。
本发明的有益效果:本发明覆盖了系统内部温度、元素、物质、晶格等与缺陷直接相关的信息的监测以及半导体薄膜厚度、粗糙度等半导体薄膜信息的监测。同时通过监测,预测半导体薄膜生长质量,利用神经网络进行生长工艺参数的人工智能调控,优化生长条件,实现低位错密度,低缺陷高质量外延半导体薄膜的生长。将超快激光的探测周期和半导体薄膜的生长周期进行精确同步及时域同步切分,从而实现非可逆过程的积分测量,实现半导体薄膜生长过程中周期性缺陷形成的探测。
附图说明
图1:本发明装置结构示意图;
图中,1-化学气相沉积系统、2-分子束外延系统、3-进样室、4-机械手传送腔、5-高低温循环腔、6-原子力显微镜、7-第一温度测试仪、8-第一多功能光谱仪、9-第一X射线衍射仪、10-第一翘曲测试仪、11-第一质谱仪、12-第二X射线衍射仪;13-第二多功能光谱仪、14-超快反射式高能电子衍射仪、15-第二翘曲测试仪、16-第二温度测试仪、17-第二质谱仪;
图2:本发明方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明的装置结构示意图。一种基于化学气相沉积系统与分子束外延系统的复合半导体材料生长检测系统,包括:
化学气相沉积系统1、进样室3、机械手传送腔4、分子束外延系统2、高低温循环腔5、第二质谱仪17、原子力显微镜6、第一温度测试仪7、第一多功能光谱仪8、第一X射线衍射仪9、第一翘曲测试仪10、第一质谱仪11、第二温度测试仪16、第二多功能光谱仪13、第二X射线衍射仪12、第二翘曲测试仪15、超快反射式高能电子衍射仪14;
半导体薄膜生长时,样品的衬底由所述进样室3放入,通过所述机械手传送室4将样品传送至所述化学气相沉积系统1中生长腔进行生长,或通过所述机械手传送室4将样品传送至所述分子束外延系统2中生长腔进行生长,所述化学气相沉积系统1中生长腔定义为第一生长腔,所述分子束外延系统2中生长腔定义为第二生长腔,并可从第一生长腔或第二生长腔传送至进样室3;
所述第二质谱仪17与所述原子力显微镜6分别与机械手传送腔4密封连接,样品经腔内机械手及传输系统进行传递。
所述高低温循环腔5与所述机械手传送腔4密封连接。
所述的化学气相沉积系统1,分子束外延系统2、高低温循环腔5、第二质谱仪17、原子力显微镜6均围绕所述机械手传送腔4放置。
所述进样室3置于所述化学气相沉积系统1与所述机械手传送腔4的中间,所述的化学气相沉积系统1中生长腔、进样室、连接机械手传送腔依次密封连接;所述机械手传送腔分别与所述的所述分子束外延系统2中生长腔、高低温循环腔5、第二质谱仪17依次密封连接;所述第二质谱仪17与所述原子力显微镜6密封连接;所述化学气相沉积系统1中生长腔分别与所述的第一温度测试仪7、第一多功能光谱仪8、第一X射线衍射仪9、第一翘曲测试仪10、第一质谱仪11依次连接;
所述第一多功能光谱仪8置于所述化学气相沉积系统1中生长腔外,激发光与样品反射荧光分别通过所述化学气相沉积系统中生长腔上密封透明窗口进行传输;本实施例重中的多功能光谱仪为激光诱导光谱监测装置,当激发波长小于氮化物材料本征波长时,光子的能量大于该材料的禁带宽度,将出现辐射复合,即光致发光现象。如果材料中不存在缺陷,那么导带上的电子和价带上的空穴直接复合,称为带边复合,此时所发出光的能量就等于材料的禁带宽度。如果材料中存在缺陷,那么缺陷会在材料禁带中间引入深能级,即禁带中心复合能级,产生杂质能级发光。通过激发并探测III族氮化物材料的光致发光光谱,判断带边复合发光谱和中心能级复合发光谱的相对强度,可以定性的分析缺陷态密度的相对大小。本发明将激光诱导光谱测试仪置于生长腔外,激发光与反射荧光分别通过生长腔上的透明窗口进行传输,并通过一系列的信号提取去除背景光生长腔内的红外辐射等杂散光,达到激发荧光光谱的探测,实现对薄膜成分、缺陷、均匀性、薄膜厚度的在线监测。
所述第一质谱仪11置于所述化学气相沉积系统中生长腔外,为激光质谱仪,通过激光激发材料离子化并进入质谱仪进行质谱分析,通过所述化学气相沉积系统中生长腔上可控密封阀门抽取样本气体进行测量;也可以测试CVD生长设备腔壁上的寄生物质,用于分析腔壁上的物质成分;
所述第一X射线衍射仪9安装于所述化学气相沉积系统1中生长腔外,并通过所述化学气相沉积系统1中生长腔上密封透明窗口入射到被测样品表面,其第一X射线衍射仪9的接收器密封安装于所述化学气相沉积系统1中生长腔上;第一X射线衍射仪9在特定的角度入射于外延半导体薄膜表面,并以特定的角度接收,通过在生长过程中测试半导体薄膜表面的反射率的变化来反映外延半导体薄膜厚度的变化和表面粗糙度。实现外延半导体薄膜生长的原位X射线表征测试技术,包括X射线衍射,X射线CTR散射(晶体截断面),和X射线反射率等,在线\原位监测生长半导体薄膜的晶格结构,从而监测缺陷的生长过程,为设备优化降低缺陷进行指导。同时可用于监测残余应力,样品薄膜厚度。
所述第一温度测试仪7利用单相机比色测温系统,实时监测于所述化学气相沉积系统1中生长腔内的温度,测试不同位置的温度,所述第一温度测试仪置于所述化学气相沉积系统1中生长腔内进行测试;
所述第一翘曲测试仪10置于所述化学气相沉积系统1中生长腔上方,通过密封透明窗口射入扫描激光进行测量,对样品生长中的翘曲进行在线/原位监测;第一翘曲测试仪10采用激光翘曲测量仪。
所述分子束外延系统1中生长腔分别与所述的第二温度测试仪16、第二多功能光谱仪13、第二X射线衍射仪12、第二翘曲测试仪15、超快反射式高能电子衍射仪14依次连接;
所述第二多功能光谱仪13置于所述分子束外延系统2中生长腔外,激发光与反射荧光分别通过所述分子束外延系统2中生长腔上的透明窗口进行传输,第二多功能光谱仪13的探测器位于所述分子束外延系统2中生长腔的下方;本实施例重中的多功能光谱仪13为激光诱导光谱监测装置。
所述第二X射线衍射仪12安装于所述分子束外延系统2中生长腔外,并通过密封透射窗口入射到样品表面,安装于所述分子束外延系统2中生长腔密封窗口外并贴近透明窗口,;
所述第二X射线衍射仪12的X射线发射装置与接收装置对称安装于样品在第二生长腔内放置处的侧下方所述分子束外延系统2中生长腔的腔壁上,保证X射线成小角度(小于50°)入射样品上;通过在生长过程中测试半导体薄膜表面的反射率的变化来反映外延半导体薄膜厚度的变化和表面粗糙度。实现外延半导体薄膜生长的原位X射线表征测试技术,包括X射线衍射,X射线CTR散射(晶体截断面),和X射线反射率等,在线\原位监测生长半导体薄膜的晶格结构,从而监测缺陷的生长过程,为设备优化降低缺陷进行指导。同时可用于监测残余应力,样品薄膜厚度。
所述第二温度测试仪16利用单相机比色测温系统,置于所述分子束外延系统中生长腔内进行测试,实时监测所述分子束外延系统中生长腔体内的温度,测试不同位置的温度;
所述第二翘曲测试仪16,置于所述分子束外延系统中生长腔外对样品生长中的翘曲进行在线/原位监测,置于所述分子束外延系统中生长腔上方,通过密封透明窗口,射入扫描激光进行测量;第二翘曲测试仪15采用激光翘曲测量仪。
所述第二温度测试仪16与所述第二翘曲测试仪15优先安装方位为样品生长位置的正对面;
所述超快反射式高能电子衍射仪14安装于所述分子束外延系统2中生长腔外,与腔体密封连接,同时通过所述分子束外延系统2中生长腔上的透明传输窗口进行测量;
所述超快反射式高能电子衍射仪14的高能超快电子发射器与高能电子接收器分别对称安装于样品在第二生长腔内放置位置的两侧,电子小角度略入射于样品,确保入射角小于5°;但不排除普通RHEED;利用超快RHEED进行半导体薄膜材料生长过程的在线监测,可以实现高时空分辨的测量,测量半导体薄膜生长过程中的吸附及解吸附等过程。超快RHEED测量过程中为了实现瞬态结构的积分测量,将超快激光的探测周期和薄膜的生长周期进行精确同步及时域同步切分,从而实现非可逆过程的积分测量,实现薄膜生长过程中周期性缺陷形成的探测。
所述的第二温度测试仪16、第二多功能光谱仪13、第二X射线衍射仪12、第二翘曲测试仪15、超快反射式高能电子衍射仪14围绕安装于所述分子束外延系统2中生长腔的周围。
所述数据采集卡分别与所述的第一质谱仪11、第一温度测试仪7、第一多功能光谱仪8、第一X射线衍射仪9、第一翘曲测试仪10、第一质谱仪11、第二温度测试仪16、第二多功能光谱仪13、第二X射线衍射仪12、第二翘曲测试仪15、超快反射式高能电子衍射仪14依次连接;所述数据采集卡与所述上位机连接;
所述进样室3用于放入待生长样品的衬底。
所述机械手传送腔4用于在集成的各个腔体和系统间传递样品。
所述分子束外延系统2通过分子束外延生长腔实现样品生长。
所述高低温循环腔5用于对样品进行高温或者低温退火,降低样品的半导体薄膜应力。
所述原子力显微镜6用于对样品的表面形貌及力曲线进行测量,得到样品的表面粗糙度和强度。
所述第一温度测试仪7用于采集第一温度,所述第二温度测试仪16用于采集第二温度;所述第一翘曲测试仪10用于采集第一不平度,所述第二翘曲测试仪15用于采集第二不平度;所述第一X射线衍射仪9用于采集第一表面粗糙度、第一半导体薄膜厚度以及第一半峰宽,所述第二X射线衍射仪12用于采集第二表面粗糙度、第二半导体薄膜厚度以及第二半峰宽;所述第一多功能光谱仪8用于采集第一特征光谱值、第一拉曼平移谱值以及第一E2半峰宽,所述第二多功能光谱仪13用于采集第二特征光谱值、第二拉曼平移谱值以及第二E2半峰宽;所述第一质谱仪11用于采集第一物质元素及占比,所述第二质谱仪17用于采集第二物质元素及占比;所述超快反射式高能电子衍射仪14用于采集晶格超快电子衍射图像;
所述数据采集卡根据所述上位机控制,将采集的第一温度、第一不平度、第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽、第一特征光谱值、第一拉曼平移谱值、第一E2半峰宽、第一物质元素及占比、第二温度、第二不平度、第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽、第二特征光谱值、第二拉曼平移谱值、第二E2半峰宽、第二物质元素及占比、晶格超快电子衍射图像作为人工智能的输入数据,传输至所述上位机。
所述化学气相沉积系统1选型为:自制单片4英寸样品金属有机化合物化学气相沉淀;
所述进样室3选型为:自制带手套箱的真空进样室;
所述机械手传送腔4选型为自研具有双向传送功能带有吸附功能的机械手;
所述分子束外延系统2选型为自研4英寸样品分子束外延生长系统;
所述高低温循环腔5选型为高温可到1000℃低温为-20℃的高低温循环腔;
所述第二质谱仪17选型为定制激光诱导质谱仪;
所述原子力显微镜6选型为定制的真空腔原子力显微镜;
所述第一温度测试仪7选型为比色测温仪;
所述第一多功能光谱仪8选型为激光诱导光谱仪;
所述第一X射线衍射仪9选型为定制的转靶高功率X射线衍射仪;
所述第一翘曲测试仪10选型为激光翘曲测量仪;
所述第一质谱仪11选型为激光诱导光谱仪;
所述第二温度测试仪16选型为;
所述第二多功能光谱仪13选型为;
所述第二X射线衍射仪12选型为;
所述第二翘曲测试仪15选型为比色测温仪;
所述超快反射式高能电子衍射仪14选型为定制的反射式高能超快电子衍射仪。
本发明具体实施方式以氮化铝作为半导体薄膜样品。
下面结合图1至图2,介绍本发明的具体实施方式为:其中训练样本为50个,样本人工标定的等级为50级。
步骤1:由上位机通过控制采集卡进行数据采集,通过采集的数据构建半导体薄膜质量特征向量,结合人工标定方法得到人工标定的的半导体薄膜质量等级,结合半导体薄膜质量特征向量、半导体薄膜质量等级构建半导体薄膜质量训练集;
步骤1所述半导体薄膜质量特征向量包括:第一温度、第一不平度、第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽、第一特征光谱值、第一拉曼平移谱值、第一E2半峰宽、第一物质元素及占比、第二温度、第二不平度、第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽、第二特征光谱值、第二拉曼平移谱值、第二E2半峰宽、第二物质元素及占比、晶格超快电子衍射图像;
步骤1所述半导体薄膜质量特征向量定义为:
Zi=(Xi,1,Xi,2,Xi,3,Xi,4,Xi,5,Xi,6,Xi,7,Xi,8,Xi,9,Yi,1,Yi,2,Yi,3,Yi,4,Yi,5,Yi,6,Yi,7,Yi,8,Yi,9,Yi,10)i∈[1,M]
其中,Zi表示为第i个半导体薄膜质量特征向量,M为半导体薄膜质量特征向量的数量,本实施例为50个样本;
其中,第i个半导体薄膜质量特征向量中所述第一温度定义为Xi,1、第i个半导体薄膜质量特征向量中所述第一不平度定义为Xi,2、第i个半导体薄膜质量特征向量中所述第一表面粗糙度定义为Xi,3、第i个半导体薄膜质量特征向量中所述第一半导体薄膜厚度定义为Xi,4、第i个半导体薄膜质量特征向量中所述第一半峰宽定义为Xi,5、第i个半导体薄膜质量特征向量中所述第一特征光谱值定义为Xi,6、第i个半导体薄膜质量特征向量中所述第一拉曼平移谱值定义为Xi,7、第i个半导体薄膜质量特征向量中所述第一E2半峰宽定义为Xi,8、第i个半导体薄膜质量特征向量中所述第一物质元素及占比定义为Xi,9;
其中,第i个半导体薄膜质量特征向量中所述第二温度定义为Yi,1、第i个半导体薄膜质量特征向量中所述第二不平度定义为Yi,2、第i个半导体薄膜质量特征向量中所述第二表面粗糙度定义为Yi,3、第i个半导体薄膜质量特征向量中所述第二半导体薄膜厚度定义为Yi,4、第i个半导体薄膜质量特征向量中所述第二半峰宽定义为Yi,5、第i个半导体薄膜质量特征向量中所述第二特征光谱值定义为Yi,6、第i个半导体薄膜质量特征向量中所述第二拉曼平移谱值定义为Yi,7、第i个半导体薄膜质量特征向量中所述第二E2半峰宽定义为Yi,8、所述第二物质元素及占比定义为Yi,9、第i个半导体薄膜质量特征向量中所述晶格超快电子衍射图像定义为Yi,10;
所述第一温度测试仪用于采集所述第一温度,所述第二温度测试仪用于采集所述第二温度;
所述第一翘曲测试仪用于采集所述第一不平度,所述第二翘曲测试仪用于采集所述第二不平度;
所述第一X射线衍射仪用于采集所述的第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽,所述第二X射线衍射仪用于采集所述的第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽;
所述第一多功能光谱仪用于采集所述的第一特征光谱值、第一拉曼平移谱值、第一E2半峰宽,所述第二多功能光谱仪用于采集所述的第二特征光谱值、第二拉曼平移谱值、第二E2半峰宽;
所述第一质谱仪用于采集所述第一物质元素及占比,所述第二质谱仪用于采集所述第二物质元素及占比;
所述超快反射式高能电子衍射仪用于采集晶格超快电子衍射图像;
步骤1所述结合人工标定方法得到人工标定的的半导体薄膜质量等级为:
将Zi通过人工标定方法得到第i个半导体薄膜质量特征向量对应样品生长质量等级为:
Li i∈[1,M]
Li=(Vi,1,Vi,2,Vi,3,Vi,4,Vi,5,Vi,6,Vi,7,Vi,8,Vi,9,Ui,1,Ui,2,Ui,3,Ui,4,Ui,5,Ui,6,Ui,7,Ui,8,Ui,9,Ui,10)i∈[1,M]
其中,Li i∈[1,M]为第i个半导体薄膜质量特征向量对应人工标定的样品生长质量等级向量,M为半导体薄膜质量特征向量的数量,Li∈[1,N],N表示人工标定的半导体薄膜生长质量等级的数量即共计N个等级,N为正整数,本实施例中分为50个等级。
其中,第Li级人工标定的半导体薄膜生长质量等级中对应的半导体薄膜质量特征向量中,所述第一温度定义为Vi,1、第一不平度定义为Vi,2、第一表面粗糙度定义为Vi,3、第一半导体薄膜厚度定义为Vi,4、第一半峰宽定义为Vi,5、第一特征光谱值定义为Vi,6、第一拉曼平移谱值定义为Vi,7、第一E2半峰宽定义为Vi,8、第一物质元素及占比定义为Vi,9;
其中,第Li级人工标定的半导体薄膜生长质量等级中对应的半导体薄膜质量特征向量中,所述第二温度定义为Ui,1、第二不平度定义为Ui,2、第二表面粗糙度定义为Ui,3、第二半导体薄膜厚度定义为Ui,4、第二半峰宽定义为Ui,5、第二特征光谱值定义为Ui,6、第二拉曼平移谱值定义为Ui,7、第二E2半峰宽定义为Ui,8、第二物质元素及占比定义为Ui,9、晶格超快电子衍射图像定义为Ui,10;
步骤1所述结合半导体薄膜质量特征向量、半导体薄膜质量等级构建半导体薄膜质量训练集为:
datai={Zi,Li}i∈[1,M]
其中,datai半导体薄膜质量训练集中第i个训练样本,M为半导体薄膜质量特征向量的数量,此实施例M=50;
步骤2:通过半导体薄膜质量训练集对半导体薄膜质量等级预测神经网络模型进行训练,得到训练后半导体薄膜质量等级预测神经网络模型;
步骤2中所述通过半导体薄膜质量训练集对半导体薄膜质量等级预测神经网络模型进行训练,具体为:
将半导体薄膜质量训练集中每个训练样本作为半导体薄膜质量等级预测神经网络模型的输入数据:
即将datai作为半导体薄膜质量等级预测神经网络模型的输入数,datai={Zi,Li}i∈[1,M];
输出为半导体薄膜质量等级预测神经网络模型预测的半导体薄膜质量等级,将预测的半导体薄膜质量等级与人工标定的质量等级通过损失函数进行优化并计算,当损失函数输出为最小值时,即得到神经网络模型的优化参数以构建训练后半导体薄膜质量等级预测神经网络模型;
步骤2中所述训练后半导体薄膜质量等级预测神经网络模型的结构为:RBF神经网络;
步骤2中所述训练后半导体薄膜质量等级预测神经网络模型的损失函数模型为:
[(Xi,j-Vi,j)/Vi,j],i∈[1,M];j∈[1,9];[(Yi,j-Ui,j)/Ui,j],i∈[1,M];j∈[1,10]。
所述损失函数模型的参数寻优方法为:利用RBF神经网络以损失函数输出的向量的中每个元素小于0.1做为优化目标,对参数进行寻优。其中Xi,j、Yi,j、Vi,j、Ui,j、为前面所定义向量。
将采集的数据构建半导体薄膜质量特征向量通过训练后神经网络,以预测半导体薄膜的质量等级。
步骤3:建立半导体薄膜样品的生长工艺参数特征向量,构建半导体薄膜生长质量工艺参数训练集,通过半导体薄膜质量训练集对生长工艺参数预测神经网络模型进行训练,得到训练后生长工艺参数预测神经网络模型;
步骤3所述建立半导体薄膜的生长工艺参数特征向量为:
Tp=[Sp,1,Sp,2,Sp,3,Sp,4,Sp,5,Kp,1,Kp,2,Kp,3,Kp,4,Kp,5],p∈[1,P];
其中,p为i半导体薄膜的经历的不同生长工艺参数的生长次数,工艺参数变化p次,最后的被测量评估的半导体薄膜样本i的半导体薄膜质量是P次工艺参数生长的效果迭代,Tp为生长工艺循环中的第p次生长,所述第一生长腔温度定义为Sp,1、第一生长腔元素比例定义为Sp,2、第一生长腔元素发射速度定义为Sp,3、第一生长腔腔内压强定义为Sp,4,第一生长腔生长时长定义为Sp,5;第二生长腔温度定义为Kp,1、第二生长腔元素比例定义为Kp,2、第二生长腔元素发射速度定义为Kp,3、第二生长腔腔内压强定义为Kp,4,第二生长腔生长时长定义为Kp,5;
步骤3所述构建半导体薄膜生长质量工艺参数训练集为:
步骤3结合M个半导体薄膜生长样本中第i个样本,第p次生长后的半导体薄膜质量等级向量、p次迭代半导体薄膜的生长工艺参数特征向量集、及p+1次生长工艺参数向量、P+1次生长后的质量等级向量构建半导体薄膜生长质量工艺参数训练集为:
datai,p+1={Li,p,Ti,1,Ti,2,Ti,3......Ti,P,Li,p+1};i∈[1,M],p∈[1,P]
步骤3中所述通过半导体薄膜质量训练集对生长工艺参数预测神经网络模型进行训练,具体为:
将半导体薄膜生长质量工艺参数训练集中每个训练样本作为生长工艺参数预测神经网络模型的输入数据,即将datai,p+1作为神经网络模型的输入数据,
datai,p+1={Li,p,Ti,1,Ti,2,Ti,3......Ti,P,Li,p+1};i∈[1,M],p∈[1,P]
输出为神经网络模型预测的半导体薄膜样本第j+1次的生长工艺参数特征向量,将预测的半导体薄膜质量等级与人工标定的质量等级通过损失函数进行优化并计算,当损失函数输出为最小值时,即得到神经网络模型的优化参数以构建训练后神经网络模型;通过50个样本训练,建立第p+1次半导体薄膜生长预测质量等级特征向量Lp+1、半导体薄膜生长腔生长工艺参数T1,T2,T3......TP及Lp的优化生成的神经网络模型。
步骤4:预定半导体薄膜样品质量等级输入上位机,上位机通过控制采集卡进行数据采集,通过采集的数据通过步骤1半导体薄膜样品质量特征向量,通过训练后半导体薄膜质量等级预测神经网络模型预测得到半导体薄膜样品质量等级,通过步骤3初始化半导体薄膜样品的生长工艺参数特征向量,将预定半导体薄膜样品质量等级、半导体薄膜样品质量等级、半导体薄膜样品的生长工艺参数特征向量通过训练后生长工艺参数预测神经网络模型,得到优化半导体薄膜样品的生长工艺参数特征向量,半导体薄膜样品的生长达到半导体薄膜样品质量预定的等级。
具体为AlN薄膜在(0001)蓝宝石平片上面外延生长的,蓝宝石平片斜切角度为0.2°,TMAl和NH3分别作为Al和N的源。最开始第一生长腔设置温度为1150℃氢气环境下被刻蚀清洗,然后降温到750°NH3与TMAl元素比为20:1;NH3流量为3000sccm,TMAl流量为150sccm,生长5分钟。之后升温到1200°,生长30分钟,后降温至950°生长1小时。然后传送至第二生长腔,升温至1270°进行MT-AlN的生长,生长时间为1小时,Al流量为500sccm,N元素流量为500sccm,Al元素与N元素的比例为1:1。初始生长工艺参数为:
T1=[750℃,1:1,3000sccm、150sccm,5min,101.kPa,0,0,0,0,0]
T2=[1200℃,1:1,3000sccm、150sccm,30min,101.kPa,0,0,0,0,0]
T3=[1200℃,1:1,3000sccm、150sccm,60min,101.kPa,1270,1:1,500sccm、500sccm,10E-7,30min]
样品在T2次生长后第一生长腔测试设备进行原位测量,测量数据传递给上位机;样品在T3次生长后第二生长腔测试设备进行原位测量,测试数据传送至上位机,通过预测模型对样品质量进行预测,等级为10;通过神经网络优化生长工艺参数T4后,继续进行生长;此后每次生长完成后进行测量和质量等级鉴定,工艺优化继续进行生长,直至满足质量50级的样品质量要求。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种神经网络模型预测的半导体薄膜工艺参数优化装置,其特征在于,包括:
化学气相沉积系统、进样室、机械手传送腔、分子束外延系统、高低温循环腔、第二质谱仪、原子力显微镜、第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪、第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪;
半导体薄膜生长时,样品的衬底由所述进样室放入,通过所述机械手传送室将样品传送至所述化学气相沉积系统中生长腔进行生长,或通过所述机械手传送室将样品传送至所述分子束外延系统中生长腔进行生长,并可从第一生长腔或第二生长腔传送至进样室;所述化学气相沉积系统中生长腔定义为第一生长腔,所述分子束外延系统中生长腔定义为第二生长腔;
所述第二质谱仪与所述原子力显微镜分别与机械手传送腔密封连接,样品经腔内机械手及传输系统进行传递;
所述高低温循环腔与所述机械手传送系统密封连接;
所述的化学气相沉积系统,分子束外延系统、高低温循环腔、第二质谱仪、原子力显微镜均围绕所述机械手传送腔放置;
所述进样室置于所述化学气相沉积系统与所述机械手传送腔的中间,所述的化学气相沉积系统中生长腔、进样室、连接机械手传送腔依次密封连接;所述机械手传送腔分别与所述的所述分子束外延系统中生长腔、高低温循环腔、第二质谱仪依次密封连接;所述第二质谱仪与所述原子力显微镜密封连接;所述化学气相沉积系统中生长腔分别与所述的第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪依次连接;
作为优选,所述第一多功能光谱仪置于所述化学气相沉积系统中生长腔外,激发光与样品反射荧光分别通过所述化学气相沉积系统中生长腔上密封透明窗口进行传输;
所述第一质谱仪置于所述化学气相沉积系统中生长腔外,通过所述化学气相沉积系统中生长腔上可控密封阀门抽取样本气体进行测量;
所述第一X射线衍射仪安装于所述化学气相沉积系统中生长腔外,并通过所述化学气相沉积系统中生长腔上密封透明窗口入射到被测样品表面,其第一X射线衍射仪的接收器密封安装于所述化学气相沉积系统中生长腔上;
所述第一温度测试仪利用单相机比色测温系统,实时监测于所述化学气相沉积系统中生长腔内的温度,测试不同位置的温度,所述第一温度测试仪置于所述化学气相沉积系统中生长腔内进行测试;
所述第一翘曲测试仪置于所述化学气相沉积系统中生长腔上方,通过密封透明窗口射入扫描激光进行测量;
所述分子束外延系统中生长腔分别与所述的第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪依次连接;
所述第二多功能光谱仪置于所述分子束外延系统中生长腔外,激发光与反射荧光分别通过所述分子束外延系统中生长腔上的透明窗口进行传输,第二多功能光谱仪的探测器位于所述分子束外延系统中生长腔的下方;
所述第二X射线衍射仪安装于所述分子束外延系统中生长腔外,并通过密封透射窗口入射到样品表面,安装于所述分子束外延系统中生长腔密封窗口外并贴近透明窗口,;
所述第二X射线衍射仪的X射线发射装置与接收装置对称安装于样品在第二生长腔内放置处的侧下方所述分子束外延系统中生长腔的腔壁上;
所述第二温度测试仪利用单相机比色测温系统,置于所述分子束外延系统中生长腔内进行测试,实时监测所述分子束外延系统中生长腔体内的温度,测试不同位置的温度;
所述第二翘曲测试仪,置于所述分子束外延系统中生长腔外对样品生长中的翘曲进行在线/原位监测,置于所述分子束外延系统中生长腔上方,通过密封透明窗口,射入扫描激光进行测量;
所述第二温度测试仪与所述第二翘曲测试仪优先安装方位为样品生长位置的正对面;
所述超快反射式高能电子衍射仪安装于所述分子束外延系统中生长腔外,与腔体密封连接,同时通过所述分子束外延系统中生长腔上的透明传输窗口进行测量;
所述超快反射式高能电子衍射仪的高能电子发射器与高能电子接收器分别对称安装于样品在第二生长腔内放置位置的两侧;
所述的第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪围绕安装于所述分子束外延系统中生长腔的周围;
所述数据采集卡分别与所述的第一质谱仪、第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪、第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪依次连接;所述数据采集卡与所述上位机连接。
2.根据权利要求1所述的神经网络模型预测的半导体薄膜工艺参数优化装置,其特征在于:
所述进样室用于放入待生长样品的衬底;
所述机械手传送腔用于在集成的各个腔体和系统间传递样品;
所述分子束外延系统通过分子束外延生长腔实现样品生长;
所述高低温循环腔用于对样品进行高温或者低温退火,降低样品的半导体薄膜应力;
所述原子力显微镜用于对样品的表面形貌及力曲线进行测量,得到样品的表面粗糙度和强度;
所述第一温度测试仪用于采集第一温度,所述第二温度测试仪用于采集第二温度;所述第一翘曲测试仪用于采集第一不平度,所述第二翘曲测试仪用于采集第二不平度;所述第一X射线衍射仪用于采集第一表面粗糙度、第一半导体薄膜厚度以及第一半峰宽,所述第二X射线衍射仪用于采集第二表面粗糙度、第二半导体薄膜厚度以及第二半峰宽;所述第一多功能光谱仪用于采集第一特征光谱值、第一拉曼平移谱值以及第一E2半峰宽,所述第二多功能光谱仪用于采集第二特征光谱值、第二拉曼平移谱值以及第二E2半峰宽;所述第一质谱仪用于采集第一物质元素及占比,所述第二质谱仪用于采集第二物质元素及占比;所述超快反射式高能电子衍射仪用于采集晶格超快电子衍射图像;
所述数据采集卡根据所述上位机控制,将采集的第一温度、第一不平度、第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽、第一特征光谱值、第一拉曼平移谱值、第一E2半峰宽、第一物质元素及占比、第二温度、第二不平度、第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽、第二特征光谱值、第二拉曼平移谱值、第二E2半峰宽、第二物质元素及占比、晶格超快电子衍射图像作为人工智能的输入数据,传输至所述上位机。
3.一种根据权利要求1所述的神经网络模型预测的半导体薄膜工艺参数优化装置进行神经网络模型预测的半导体薄膜工艺参数优化方法,其特征在于,包括以下步骤:
步骤1:由上位机通过控制采集卡进行数据采集,通过采集的数据构建半导体薄膜质量特征向量,结合人工标定方法得到人工标定的的半导体薄膜质量等级,结合半导体薄膜质量特征向量、半导体薄膜质量等级构建半导体薄膜质量训练集;
步骤2:通过半导体薄膜质量训练集对半导体薄膜质量等级预测神经网络模型进行训练,得到训练后半导体薄膜质量等级预测神经网络模型;
步骤3:建立半导体薄膜样品的生长工艺参数特征向量,构建半导体薄膜生长质量工艺参数训练集,通过半导体薄膜质量训练集对生长工艺参数预测神经网络模型进行训练,得到训练后生长工艺参数预测神经网络模型;
步骤4:预定半导体薄膜样品质量等级输入上位机,上位机通过控制采集卡进行数据采集,通过采集的数据通过步骤1半导体薄膜样品质量特征向量,通过训练后半导体薄膜质量等级预测神经网络模型预测得到半导体薄膜样品质量等级,通过步骤3初始化半导体薄膜样品的生长工艺参数特征向量,将预定半导体薄膜样品质量等级、半导体薄膜样品质量等级、半导体薄膜样品的生长工艺参数特征向量通过训练后生长工艺参数预测神经网络模型,得到优化半导体薄膜样品的生长工艺参数特征向量,半导体薄膜样品的生长达到半导体薄膜样品质量预定的等级。
4.根据权利要求1所述的神经网络模型预测的半导体薄膜工艺参数优化方法,其特征在于:
步骤1所述半导体薄膜质量特征向量包括:第一温度、第一不平度、第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽、第一特征光谱值、第一拉曼平移谱值、第一E2半峰宽、第一物质元素及占比、第二温度、第二不平度、第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽、第二特征光谱值、第二拉曼平移谱值、第二E2半峰宽、第二物质元素及占比、晶格超快电子衍射图像;
步骤1所述半导体薄膜质量特征向量定义为:
Zi=(Xi,1,Xi,2,Xi,3,Xi,4,Xi,5,Xi,6,Xi,7,Xi,8,Xi,9,Yi,1,Yi,2,Yi,3,Yi,4,Yi,5,Yi,6,Yi,7,Yi,8,Yi,9,Yi,10)i∈[1,M]
其中,Zi表示为第i个半导体薄膜质量特征向量,M为半导体薄膜质量特征向量的数量;
其中,第i个半导体薄膜质量特征向量中所述第一温度定义为Xi,1、第i个半导体薄膜质量特征向量中所述第一不平度定义为Xi,2、第i个半导体薄膜质量特征向量中所述第一表面粗糙度定义为Xi,3、第i个半导体薄膜质量特征向量中所述第一半导体薄膜厚度定义为Xi,4、第i个半导体薄膜质量特征向量中所述第一半峰宽定义为Xi,5、第i个半导体薄膜质量特征向量中所述第一特征光谱值定义为Xi,6、第i个半导体薄膜质量特征向量中所述第一拉曼平移谱值定义为Xi,7、第i个半导体薄膜质量特征向量中所述第一E2半峰宽定义为Xi,8、第i个半导体薄膜质量特征向量中所述第一物质元素及占比定义为Xi,9;
其中,第i个半导体薄膜质量特征向量中所述第二温度定义为Yi,1、第i个半导体薄膜质量特征向量中所述第二不平度定义为Yi,2、第i个半导体薄膜质量特征向量中所述第二表面粗糙度定义为Yi,3、第i个半导体薄膜质量特征向量中所述第二半导体薄膜厚度定义为Yi,4、第i个半导体薄膜质量特征向量中所述第二半峰宽定义为Yi,5、第i个半导体薄膜质量特征向量中所述第二特征光谱值定义为Yi,6、第i个半导体薄膜质量特征向量中所述第二拉曼平移谱值定义为Yi,7、第i个半导体薄膜质量特征向量中所述第二E2半峰宽定义为Yi,8、所述第二物质元素及占比定义为Yi,9、第i个半导体薄膜质量特征向量中所述晶格超快电子衍射图像定义为Yi,10;
所述第一温度测试仪用于采集所述第一温度,所述第二温度测试仪用于采集所述第二温度;
所述第一翘曲测试仪用于采集所述第一不平度,所述第二翘曲测试仪用于采集所述第二不平度;
所述第一X射线衍射仪用于采集所述的第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽,所述第二X射线衍射仪用于采集所述的第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽;
所述第一多功能光谱仪用于采集所述的第一特征光谱值、第一拉曼平移谱值、第一E2半峰宽,所述第二多功能光谱仪用于采集所述的第二特征光谱值、第二拉曼平移谱值、第二E2半峰宽;
所述第一质谱仪用于采集所述第一物质元素及占比,所述第二质谱仪用于采集所述第二物质元素及占比;
所述超快反射式高能电子衍射仪用于采集晶格超快电子衍射图像;
步骤1所述结合人工标定方法得到人工标定的的半导体薄膜质量等级为:
将Zi通过人工标定方法得到第i个半导体薄膜质量特征向量对应样品生长质量等级为:
Li i∈[1,M]
Li=(Vi,1,Vi,2,Vi,3,Vi,4,Vi,5,Vi,6,Vi,7,Vi,8,Vi,9,Ui,1,Ui,2,Ui,3,Ui,4,Ui,5,Ui,6,Ui,7,Ui,8,Ui,9,Ui,10)i∈[1,M]
其中,Li i∈[1,M]为第i个半导体薄膜质量特征向量对应人工标定的样品生长质量等级向量,M为半导体薄膜质量特征向量的数量,Li∈[1,N],N表示人工标定的半导体薄膜生长质量等级的数量即共计N个等级,N为正整数;
其中,第Li级人工标定的半导体薄膜生长质量等级中对应的半导体薄膜质量特征向量中,所述第一温度定义为Vi,1、第一不平度定义为Vi,2、第一表面粗糙度定义为Vi,3、第一半导体薄膜厚度定义为Vi,4、第一半峰宽定义为Vi,5、第一特征光谱值定义为Vi,6、第一拉曼平移谱值定义为Vi,7、第一E2半峰宽定义为Vi,8、第一物质元素及占比定义为Vi,9;
其中,第Li级人工标定的半导体薄膜生长质量等级中对应的半导体薄膜质量特征向量中,所述第二温度定义为Ui,1、第二不平度定义为Ui,2、第二表面粗糙度定义为Ui,3、第二半导体薄膜厚度定义为Ui,4、第二半峰宽定义为Ui,5、第二特征光谱值定义为Ui,6、第二拉曼平移谱值定义为Ui,7、第二E2半峰宽定义为Ui,8、第二物质元素及占比定义为Ui,9、晶格超快电子衍射图像定义为Ui,10;
步骤1所述结合半导体薄膜质量特征向量、半导体薄膜质量等级构建半导体薄膜质量训练集为:
datai={Zi,Li}i∈[1,M]
其中,datai半导体薄膜质量训练集中第i个训练样本,M为半导体薄膜质量特征向量的数量。
5.根据权利要求1所述的神经网络模型预测的半导体薄膜工艺参数优化方法,其特征在于:
步骤2中所述通过半导体薄膜质量训练集对半导体薄膜质量等级预测神经网络模型进行训练,具体为:
将半导体薄膜质量训练集中每个训练样本作为半导体薄膜质量等级预测神经网络模型的输入数据:
即将datai作为半导体薄膜质量等级预测神经网络模型的输入数,
datai={Zi,Li}i∈[1,M];
输出为半导体薄膜质量等级预测神经网络模型预测的半导体薄膜质量等级,将预测的半导体薄膜质量等级与人工标定的质量等级通过损失函数进行优化并计算,当损失函数输出为最小值时,即得到神经网络模型的优化参数以构建训练后半导体薄膜质量等级预测神经网络模型;
步骤2中所述训练后半导体薄膜质量等级预测神经网络模型的结构为:RBF神经网络;
步骤2中所述训练后半导体薄膜质量等级预测神经网络模型的损失函数模型为:
[(Xi,j-Vi,j)/Vi,j],i∈[1,M];j∈[1,9];[(Yi,j-Ui,j)/Ui,j],i∈[1,M];j∈[1,10];
所述损失函数模型的参数寻优方法为:利用RBF神经网络以损失函数输出的向量的中每个元素小于0.1做为优化目标,对参数进行寻优,其中Xi,j、Yi,j、Vi,j、Ui,j、为前面所定义向量;
将采集的数据构建半导体薄膜质量特征向量通过训练后神经网络,以预测半导体薄膜的质量等级。
6.根据权利要求1所述的神经网络模型预测的半导体薄膜工艺参数优化方法,其特征在于:
步骤3所述建立半导体薄膜的生长工艺参数特征向量为:
Tp=[Sp,1,Sp,2,Sp,3,Sp,4,Sp,5,Kp,1,Kp,2,Kp,3,Kp,4,Kp,5],p∈[1,P];
其中,p为i半导体薄膜的经历的不同生长工艺参数的生长次数,工艺参数变化p次,最后的被测量评估的半导体薄膜样本i的半导体薄膜质量是P次工艺参数生长的效果迭代,Tp为生长工艺循环中的第p次生长,所述第一生长腔温度定义为Sp,1、第一元生长腔素比例定义为Sp,2、第一生长腔元素发射速度定义为Sp,3、第一生长腔腔内压强定义为Sp,4,第一生长腔生长时长定义为Sp,5;第二生长腔温度定义为Kp,1、第二生长腔元素比例定义为Kp,2、第二生长腔元素发射速度定义为Kp,3、第二生长腔腔内压强定义为Kp,4,第二生长腔生长时长定义为Kp,5;
步骤3所述构建半导体薄膜生长质量工艺参数训练集为:
步骤3结合M个半导体薄膜生长样本中第i个样本,第p次生长后的半导体薄膜质量等级向量、p次迭代半导体薄膜的生长工艺参数特征向量集、及p+1次生长工艺参数向量、P+1次生长后的质量等级向量构建半导体薄膜生长质量工艺参数训练集为:
datai,p+1={Li,p,Ti,1,Ti,2,Ti,3......Ti,P,Li,p+1};i∈[1,M],p∈[1,P]
步骤3中所述通过半导体薄膜质量训练集对生长工艺参数预测神经网络模型进行训练,具体为:
将半导体薄膜生长质量工艺参数训练集中每个训练样本作为生长工艺参数预测神经网络模型的输入数据,即将datai,p+1作为神经网络模型的输入数据,
datai,p+1={Li,p,Ti,1,Ti,2,Ti,3......Ti,P,Li,p+1};i∈[1,M],p∈[1,P]
输出为神经网络模型预测的半导体薄膜样本第j+1次的生长工艺参数特征向量,将预测的半导体薄膜质量等级与人工标定的质量等级通过损失函数进行优化并计算,当损失函数输出为最小值时,即得到神经网络模型的优化参数以构建训练后神经网络模型;通过M个样本训练,建立第p+1次半导体薄膜生长预测质量等级特征向量Lp+1、半导体薄膜生长腔生长工艺参数T1,T2,T3......TP及Lp的优化生成的神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833547.5A CN112016676B (zh) | 2020-08-18 | 2020-08-18 | 一种神经网络模型预测的半导体薄膜工艺参数优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010833547.5A CN112016676B (zh) | 2020-08-18 | 2020-08-18 | 一种神经网络模型预测的半导体薄膜工艺参数优化系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016676A true CN112016676A (zh) | 2020-12-01 |
CN112016676B CN112016676B (zh) | 2021-07-02 |
Family
ID=73504928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010833547.5A Active CN112016676B (zh) | 2020-08-18 | 2020-08-18 | 一种神经网络模型预测的半导体薄膜工艺参数优化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016676B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112301322A (zh) * | 2020-12-21 | 2021-02-02 | 上海陛通半导体能源科技股份有限公司 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
CN113035697A (zh) * | 2021-05-31 | 2021-06-25 | 新磊半导体科技(苏州)有限公司 | 一种高电子迁移率器件外延生长工艺参数的优化方法 |
CN115458422A (zh) * | 2022-09-06 | 2022-12-09 | 中国科学院半导体研究所 | 基于机器学习的半导体工艺过程控制方法 |
TWI795155B (zh) * | 2021-12-30 | 2023-03-01 | 財團法人工業技術研究院 | 建立製程預測模型的方法及系統 |
CN115983738A (zh) * | 2023-03-21 | 2023-04-18 | 广东仁懋电子有限公司 | 一种用于提升氮化镓制备效率方法和装置 |
CN116046078A (zh) * | 2023-03-31 | 2023-05-02 | 东莞市楷德精密机械有限公司 | 一种半导体清洗设备的故障监测预警方法及系统 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1335043A (zh) * | 1998-12-17 | 2002-02-06 | 个人化学第-乌普萨拉有限公司 | 进行化学反应的微波装置和方法 |
CN1655325A (zh) * | 2003-12-26 | 2005-08-17 | 佳能系统集成有限公司 | 工序和质量关系的模型生成装置及模型生成方法 |
CN104535528A (zh) * | 2014-11-26 | 2015-04-22 | 东南大学 | Bp神经网络实时提取tdlas气体吸收光谱吸光度的方法 |
CN105225979A (zh) * | 2014-06-19 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种半导体器件制程预测系统和方法 |
CN106521459A (zh) * | 2016-08-17 | 2017-03-22 | 中山大学 | 一种mocvd设备生长均匀性工艺参数的优化方法 |
CN107369635A (zh) * | 2017-06-06 | 2017-11-21 | 上海集成电路研发中心有限公司 | 一种基于深度学习的智能半导体装备系统 |
US20180047850A1 (en) * | 2012-10-12 | 2018-02-15 | Semiconductor Energy Laboratory Co., Ltd. | Method for Manufacturing Semiconductor Device and Manufacturing Apparatus of Semiconductor Device |
WO2018226468A1 (en) * | 2017-06-08 | 2018-12-13 | Lam Research Corporation | Systems and methods for transformer coupled plasma pulsing with transformer coupled capacitive tuning switching |
US20190057304A1 (en) * | 2018-10-15 | 2019-02-21 | Amrita MATHURIYA | In-memory analog neural cache |
CN109726810A (zh) * | 2017-10-31 | 2019-05-07 | 三星电子株式会社 | 蚀刻效果预测方法和确定人工神经网络的输入参数的方法 |
CN109852947A (zh) * | 2019-02-22 | 2019-06-07 | 武汉大学 | 一种包含拉曼光谱原位测量腔的化学气相沉积装置 |
US20190304849A1 (en) * | 2018-03-27 | 2019-10-03 | Streammosaic, Inc. | Selective inclusion/exclusion of semiconductor chips in accelerated failure tests |
CN110398205A (zh) * | 2019-07-05 | 2019-11-01 | 武汉大学 | 一种化学气相沉积监控系统及方法 |
KR20200035331A (ko) * | 2018-09-26 | 2020-04-03 | 가부시키가이샤 코쿠사이 엘렉트릭 | 기판 처리 장치, 반도체 장치의 제조 방법 및 기록 매체 |
CN111177970A (zh) * | 2019-12-10 | 2020-05-19 | 浙江大学 | 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法 |
CN111209609A (zh) * | 2018-11-21 | 2020-05-29 | 长鑫存储技术有限公司 | 生产参数确定方法及装置、系统、存储介质和电子设备 |
CN210719047U (zh) * | 2019-10-17 | 2020-06-09 | 武汉大学 | 一种封装模块翘曲变形及缺陷的在线监测装置 |
CN111339724A (zh) * | 2020-02-21 | 2020-06-26 | 全芯智造技术有限公司 | 用于生成数据处理模型和版图的方法、设备和存储介质 |
CN111349914A (zh) * | 2020-04-09 | 2020-06-30 | 武汉大学 | 可在线/原位监测的微波等离子体化学气相沉积设备 |
-
2020
- 2020-08-18 CN CN202010833547.5A patent/CN112016676B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1335043A (zh) * | 1998-12-17 | 2002-02-06 | 个人化学第-乌普萨拉有限公司 | 进行化学反应的微波装置和方法 |
CN1655325A (zh) * | 2003-12-26 | 2005-08-17 | 佳能系统集成有限公司 | 工序和质量关系的模型生成装置及模型生成方法 |
US20180047850A1 (en) * | 2012-10-12 | 2018-02-15 | Semiconductor Energy Laboratory Co., Ltd. | Method for Manufacturing Semiconductor Device and Manufacturing Apparatus of Semiconductor Device |
CN105225979A (zh) * | 2014-06-19 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种半导体器件制程预测系统和方法 |
CN104535528A (zh) * | 2014-11-26 | 2015-04-22 | 东南大学 | Bp神经网络实时提取tdlas气体吸收光谱吸光度的方法 |
CN106521459A (zh) * | 2016-08-17 | 2017-03-22 | 中山大学 | 一种mocvd设备生长均匀性工艺参数的优化方法 |
CN107369635A (zh) * | 2017-06-06 | 2017-11-21 | 上海集成电路研发中心有限公司 | 一种基于深度学习的智能半导体装备系统 |
WO2018226468A1 (en) * | 2017-06-08 | 2018-12-13 | Lam Research Corporation | Systems and methods for transformer coupled plasma pulsing with transformer coupled capacitive tuning switching |
CN109726810A (zh) * | 2017-10-31 | 2019-05-07 | 三星电子株式会社 | 蚀刻效果预测方法和确定人工神经网络的输入参数的方法 |
US20190304849A1 (en) * | 2018-03-27 | 2019-10-03 | Streammosaic, Inc. | Selective inclusion/exclusion of semiconductor chips in accelerated failure tests |
KR20200035331A (ko) * | 2018-09-26 | 2020-04-03 | 가부시키가이샤 코쿠사이 엘렉트릭 | 기판 처리 장치, 반도체 장치의 제조 방법 및 기록 매체 |
US20190057304A1 (en) * | 2018-10-15 | 2019-02-21 | Amrita MATHURIYA | In-memory analog neural cache |
CN111209609A (zh) * | 2018-11-21 | 2020-05-29 | 长鑫存储技术有限公司 | 生产参数确定方法及装置、系统、存储介质和电子设备 |
CN109852947A (zh) * | 2019-02-22 | 2019-06-07 | 武汉大学 | 一种包含拉曼光谱原位测量腔的化学气相沉积装置 |
CN110398205A (zh) * | 2019-07-05 | 2019-11-01 | 武汉大学 | 一种化学气相沉积监控系统及方法 |
CN210719047U (zh) * | 2019-10-17 | 2020-06-09 | 武汉大学 | 一种封装模块翘曲变形及缺陷的在线监测装置 |
CN111177970A (zh) * | 2019-12-10 | 2020-05-19 | 浙江大学 | 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法 |
CN111339724A (zh) * | 2020-02-21 | 2020-06-26 | 全芯智造技术有限公司 | 用于生成数据处理模型和版图的方法、设备和存储介质 |
CN111349914A (zh) * | 2020-04-09 | 2020-06-30 | 武汉大学 | 可在线/原位监测的微波等离子体化学气相沉积设备 |
Non-Patent Citations (4)
Title |
---|
BO YANG 等: "Analysis of improving the edge quality and growth rate of single-crystal diamond growth using a substrate holder", 《ROYAL SOCIETY OF CHEMISTRY》 * |
QIJUN WANG 等: "Simulation-Based Development of a New Cylindrical-Cavity Microwave-Plasma Reactor for Diamond-Film Synthesis", 《CRYTALS》 * |
章领 等: "薄膜生产工艺收卷精度优化控制仿真", 《计算机仿真》 * |
范丽琴: "基于神经网络的AZO薄膜制备工艺参数的正交优化设计", 《化工新型材料第》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112301322A (zh) * | 2020-12-21 | 2021-02-02 | 上海陛通半导体能源科技股份有限公司 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
CN112301322B (zh) * | 2020-12-21 | 2021-04-13 | 上海陛通半导体能源科技股份有限公司 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
CN113035697A (zh) * | 2021-05-31 | 2021-06-25 | 新磊半导体科技(苏州)有限公司 | 一种高电子迁移率器件外延生长工艺参数的优化方法 |
TWI795155B (zh) * | 2021-12-30 | 2023-03-01 | 財團法人工業技術研究院 | 建立製程預測模型的方法及系統 |
CN115458422A (zh) * | 2022-09-06 | 2022-12-09 | 中国科学院半导体研究所 | 基于机器学习的半导体工艺过程控制方法 |
CN115983738A (zh) * | 2023-03-21 | 2023-04-18 | 广东仁懋电子有限公司 | 一种用于提升氮化镓制备效率方法和装置 |
CN116046078A (zh) * | 2023-03-31 | 2023-05-02 | 东莞市楷德精密机械有限公司 | 一种半导体清洗设备的故障监测预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112016676B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016676B (zh) | 一种神经网络模型预测的半导体薄膜工艺参数优化系统 | |
CN109852947B (zh) | 一种包含拉曼光谱原位测量腔的化学气相沉积装置 | |
CN110931399A (zh) | 一种多种检测功能的rie半导体材料刻蚀装置 | |
US9136184B2 (en) | In situ optical diagnostic for monitoring or control of sodium diffusion in photovoltaics manufacturing | |
WO2014035344A1 (en) | Apparatus and method of producing diamond | |
Kanata et al. | Raman and x‐ray scattering from ultrafine semiconductor particles | |
CN110923674A (zh) | 一种拉曼光谱仪监控反馈式化学气相沉积系统及应用 | |
CN117109456B (zh) | 氮化物同质外延的原位检测系统及方法 | |
JP5895818B2 (ja) | SiC単結晶の評価方法およびそれを適用したSiC単結晶の製造方法 | |
EP0454499A2 (en) | Method for evaluating a lithium niobate thin film and apparatus for preparing the same | |
CN103196773B (zh) | 一种在线测量pld薄膜化学计量比及各成分质量的装置 | |
CN116377569A (zh) | 具有多种在线原位监测功能的脉冲激光沉积装备 | |
US20030082834A1 (en) | Non-contacting deposition control of chalcopyrite thin films | |
CN206408285U (zh) | 一种材料的生长测试一体化系统 | |
Muthmann et al. | Monitoring of the growth of microcrystalline silicon by plasma‐enhanced chemical vapor deposition using in‐situ Raman spectroscopy | |
Pistor et al. | In Situ Real‐Time Characterization of Thin‐Film Growth | |
CN106756810A (zh) | 一种材料的生长测试一体化系统 | |
Ma et al. | Thin film WSe2 for use as a photovoltaic absorber material | |
CN203178154U (zh) | 一种在线测量pld薄膜化学计量比及各成分质量的装置 | |
CN111175256A (zh) | 一种利用光致发光对钙钛矿薄膜检测的设备及其监测方法 | |
CN116791193A (zh) | 一种用于mbe的智能生长系统及其使用方法 | |
KR102574604B1 (ko) | 반도체/디스플레이 플라즈마 화학증착공정 모니터링 전용 실시간 온도편차 보정 발광분광분석시스템 | |
Brasfield | Chemical vapor deposition of heteroepitaxial boron phosphide thin films | |
Batyrev et al. | Spectral photoresistive effect of the field in CdS crystals at low temperatures | |
Schmidegg et al. | In-Situ Growth Monitoring and On-Line Composition Determination of MOCVD GaN by Spectroscopic Ellipsometry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |