DE102020100565A1

DE102020100565A1 - Verfahren zum Abscheiden von Schichten

Info

Publication number: DE102020100565A1
Application number: DE102020100565.2A
Authority: DE
Inventors: Martin Dauelsberg; Jörg Beckers; Markus Lünenbürger; Thomas Schmitt
Original assignee: Aixtron SE
Current assignee: Aixtron SE
Priority date: 2020-01-13
Filing date: 2020-01-13
Publication date: 2021-07-15

Abstract

Die Erfindung betrifft ein Verfahren zum Abscheiden einer eine Vielzahl von übereinander angeordneten Schichten mit unterschiedlichen Eigenschaften aufweisenden Schichtenfolgen, wobei in darauffolgenden Bearbeitungsschritten die Schichtenfolgen zu optoelektronischen Bauelementen (1) weiterverarbeitet werden, wobei die optoelektronischen Bauelemente (1) charakteristische Eigenschaften aufweisen, die von den Dicken und den Zusammensetzungen der Schichten abhängen, wobei während des Abscheidens oder nach dem Abscheiden der Schichten Spektren aufgenommen werden und wobei die Bauelemente (1) entsprechend ihren charakteristischen Eigenschaften in Klassen eingeteilt werden. Um bereits nach dem Abscheiden der Schichtstruktur eine Voraussage über die Qualität der Schichtstruktur machen zu können, wird vorgeschlagen, dass in einer Lernphase nach der Fertigung einer Vielzahl von Bauelementen (1) die jeweiligen Spektren durch logische Zuordnung jeweils zu einer Klasse markiert werden und durch Mustererkennung quantifizierbare Attribute der Spektren und Korrelationsfunktionen gefunden werden, wobei die Korrelationsfunktionen so gewählt sind, dass sie die im Spektrum quantifizierten Attribute der zugeordneten Klasse zuordnen, und dass in einer Nutzungsphase bereits unmittelbar nach dem oder beim Abscheiden der Schichtenfolge Werte der Attribute des beim Abscheiden aufgenommenen Spektrums ermittelt werden und mittels der Korrelationsfunktionen unter Verwendung der Werte eine Klassen berechnet wird.

Description

Gebiet der Technik
Die Erfindung betrifft ein Verfahren zum Abscheiden einer eine Vielzahl von übereinander angeordneten Schichten mit unterschiedliche optische Eigenschaften aufweisenden Schichtenfolgen, wobei in darauffolgenden Bearbeitungsschritten die Schichtenfolgen zu optoelektronischen Bauelementen weiterverarbeitet werden, wobei die optoelektronischen Bauelemente charakteristische Eigenschaften aufweisen, die von den Dicken und den Zusammensetzungen der Schichten abhängen, wobei während des Abscheidens oder nach dem Abscheiden der Schichten Spektren aufgenommen werden und wobei die Bauelemente entsprechend ihren charakteristischen Eigenschaften in Klassen eingeteilt werden.
Stand der Technik
Beim Abscheiden von Halbleiterschichtstrukturen wird der Abscheideprozess durch optische Sensoren überwacht. Die EP 2 916 103 A1 beschreibt ein Verfahren, mit dem die aktuelle Wachstumsrate beim epitaktischen Abscheiden einer Schicht auf einem Substrat optisch analysiert wird. Die DE 69 225 117 T2 beschreibt einen Apparat zur Messung der Dicke von dünnen Filmen, wobei ein Rechner mit einem optischen Messinstrument zusammenwirkt. Die EP 0 631 106 A2 beschreibt das Aufbereiten von Reflektanzspektren, die zur Beobachtung des Wachstums einer Halbleiterschicht aufgenommen werden mittels Fouriertransformation. Zum Stand der Technik gehören ferner die US 6 020 968 , US 6 048 742 , US 6 410 347 , US 6 573 999 , US 6 885 467 , US 7 019 844 , US 7 049156 , US 7 854 824 , US 8 369 978 , US 8 551 791 und US 10 249 544 . Vorrichtungen zum Abscheiden von Halbleiterschichten sind darüber hinaus bekannt aus den EP 2 518 180 A2 und US 2003/0233768 A1 .
Bei der Abscheidung von oberflächenemittierenden Halbleiterlasern VCSEL wird eine Vielzahl von dünnen Schichten übereinander abgeschieden, die einen ersten Reflektor ausbilden. Auf den ersten Reflektor werden mehrere, einen aktiven Bereich ausbildende Schichten abgeschieden, die zudem eine mittlere Oxidschicht aufweisen. Auf den aktiven Bereich wird wiederum eine Vielzahl von dünnen Schichten übereinander abgeschieden, die einen zweiten Reflektor ausbilden. Der aktive Bereich zwischen den beiden Reflektoren bildet eine Kavität. Bei der Verwendung der Schichtenfolge als Laser hat der aktive Bereich die Funktion eines Resonators. Die Oxidschicht bildet ein kreisförmiges Fenster zur Modenselektion. Allein die Reflektoren können aus 30 bis 70 Einzelschichten bestehen. Die Oxidschicht (Aluminiumoxid) wird dadurch erzeugt, dass eine sehr dünne AlGaAs-Schicht mit sehr hohem Aluminiumgehalt (98 Prozent) epitaktisch abgeschieden wird. In einem späteren Prozessschritt, bei einer Vereinzelung der abgeschiedenen Elemente werden die Kantenflächen der AlGaAs-Schicht nass-chemisch oxidiert. Während des Oxidationsprozesses entsteht ein kreisförmiges AlGaAS-Fenster mit einem definierten Durchmesser. Beim Betrieb der Schichtenfolge als Laser fungiert das Fenster als Modenselektor. Nach der epitaktischen Fertigung der VCSEL-Struktur wird ihre Eignung für den weiteren Prozess geprüft. In den weiteren Prozessschritten wird die Schichtenfolge zu einem optoelektronischen Bauelement weiterverarbeitet. Die Schichtenfolge wird insbesondere zu einem Oberflächen-emittieren Halbleiterlaser weiterverarbeitet. Bei der Prüfung der Schichtstruktur kann sie einer Spektralreflektanzmessung unterzogen werden. Dabei wird die Reflektanz von Licht an der Oberfläche der Schichtstruktur gemessen. Die Reflektanz ist dabei als das Verhältnis der Intensität des reflektierten Lichts zur Intensität des einfallenden Lichtes für einen relevanten Wellenlängenbereich definiert. Sie wird insbesondere in Form eines Spektrums gemessen. Aus dem Spektrum können Stopbandparameter, beispielsweise das sogenannte Stopband-Plateau oder der Fabry-Perot-Dip bestimmt werden. Diese beiden Parameter geben die Güte des von den Reflektoren gebildeten Bragg-Spiegels wieder. Für die Funktionsweise des zu fertigenden Lasers ist das Einhalten der Werte einiger, insbesondere die Schichten betreffenden Parameter, wie Schichtdicke oder Schichtzusammensetzung, von hoher Bedeutung. Die Schichtdicken der Einzelschichten des Bragg-Spiegels (DBR) dürfen maximal 1 Prozent vom Sollwert abweichen. Auch muss der Aluminiumgehalt der AlGaAs-Schicht auf plus minus 1 Prozent genau kontrolliert werden. Die Emissionswellenlänge und die Dicke der Resonatorkavität und die Reflektoren müssen sorgfältig aufeinander abgestimmt sein. Die genannten Parameter müssen in eng gefassten Spezifikationen auch bei aufeinander folgenden Produktionsläufen gehalten werden.
Aufgrund der oben genannten Anforderungen an die Präzision der Schichtdicken und Schichtzusammensetzungen für eine Struktur mit eine sehr hohen Zahl an Einzelschichten ergeben sich zahlreiche Aufgaben für die Prozesskontrolle im Produktionsbetrieb. Während die Abstimmung der Dicke und Zusammensetzung der Einzelschichten der gesamten Struktur sowie das Erreichen der geforderten Homogenität auf dem gesamten Wafer durch aufwändige Prozessentwicklung und -feinabstimmung („Tuning“) heute erzielt werden kann, bereitet die Stabilität und Reproduzierbarkeit der Ergebnisse im laufenden Produktionsbetrieb Schwierigkeiten. Oft sind die Ursachen für eine Nichtreproduzierbarkeit nicht ohne weiteres erkennbar. Ein Nachstellen der Prozessbedingungen auf der Basis von Reflektanzspektren muss durchgeführt werden. Dabei bedarf es viel Erfahrung, die Höhe der Korrektur der Prozessparameter des MOCVD-Prozesses zu ermitteln, um das Reflektanzspektrum wieder in den Sollbereich zu führen. Oftmals ist nicht ersichtlich, welcher Bereich in der komplexen Bauelementstruktur für eine Abweichung verantwortlich ist.
Ein besonderes Problem stellt die Prozesskontrolle der AlGaAs-Schicht für die Oxidierung dar. Es gibt kein bekanntes Verfahren, um den Al-Gehalt einer hoch-Al-haltigem AlGaAs-Schicht von nur ca. 30 nm (20 ... 50 nm) Dicke in-situ oder nach dem Prozess (ex-situ) unterhalb des darauffolgenden Schichten zerstörungsfrei zu bestimmen. Für optische in-situ Verfahren, die auf der Ausnutzung von Interferenz beruhen, ist die Schichtdicke im Verhältnis zur verwendeten Wellenlänge (400 ... 1000 nm) zu gering. Das führt dazu, dass erst in einer sehr späten Phase bei der Herstellung der Laser erkannt wird, ob die Größe des kreisförmigen Fensters im erforderlichen Toleranzbereich liegt (über die Ausprägung der Lasermoden etwa).
Eine weitere Begrenzung des bestehenden Vorgehens der Charakterisierung der VCSEL Struktur durch Reflektanzspektroskopie nach der Herstellung der Schichtenfolge, (nach dem Run) liegt darin, dass die Daten nicht während oder unmittelbar nach dem Run und im Kontrollsystem der Epitaxieanlage verfügbar sind, wie etwa bei in-situ Messtechnikverfahren. Bei der in-situ Messung werden Messdaten von der Waferoberfläche während des Runs in Echtzeit erfasst. Ex-situ Messdaten sind in der Praxis nicht mehr einfach mit anlagenspezifischen Daten verknüpfbar.
Es ist vorteilhaft, während eines VCSEL Runs in-situ die Reflektanz der Waferoberfläche bei senkrechtem Einfallswinkel an einem festen Ort zeitabhängig zu erfassen, um frühzeitig eine Information für die Prozessentwicklung oder Qualitätskontrolle in der Produktion zu erlangen. Reflektanzmessungen können sowohl bei einzelnen diskreten Wellenlängen durchgeführt werden oder in Form einer Spektralanalyse mit Weißlicht, dessen reflektierte Komponenten in einem Spektrometer analysiert werden.
Ein Problem beim Einsatz von in-situ Reflektanzmessungen besteht darin, dass bei Wachstumstemperatur die Spektren gegenüber Raumtemperatur im Wellenlängenbereich etwas verschoben und verzerrt sind. Damit kann aus den in-situ Daten nicht auf die für die Funktionsweise des Lasers kritischen Parametergrößen des Spektrums, wie Stopbandposition, Fabry-Perot-Resonanz usw. geschlossen werden. Im oberen Abschnitt eines typischen, über die Zeit aufgenommenen Spektrogramms zu sehen, wie nach dem Ende des epitaktischen Wachstums nach beispielsweise 6000 sec die Reflektanzspektren mit fortschreitender Abkühlung der Struktur in Richtung blau verschoben werden. Ein anderes Problem von in-situ Messungen ist, dass der Rückschluss auf die Eigenschaften des Lasers nicht einfach möglich ist, wenn die Schichtstruktur noch unvollständig ist. Andererseits besteht ein hoher Anreiz zum Rückgriff auf in-situ Reflektanzspektren, weil im Prinzip eine Abweichung der kritischen Parameter einem bestimmten Stadium in der Abscheidung der VCSEL-Bauelementstruktur zugeordnet werden könnte.
Zusammenfassend ist es für die Prozesskontrolle sehr attraktiv, die in den spektralen Mustern enthaltenen aber nicht durch einfache Herleitung erreichbaren Informationen über die zu erwartenden Kenngrößen der Bauelemente bereits während des Abscheidungsprozesses oder unmittelbar danach aufzudecken und für die Klassifikation oder Adaption der Prozessbedingungen und Rezeptparameter zu verwerten.
Zusammenfassung der Erfindung
Der Erfindung liegt die Aufgabe zugrunde, Maßnahmen anzugeben, mit denen bereits zum Zeitpunkt der Abscheidung der Schichtstrukturen, also dem Abschluss des epitaktischen Abscheideprozesses Voraussagen über die Tauglichkeit der abgeschiedenen Schichtenfolge für die Herstellung eines Bauelementes gemacht werden können.
Gelöst wird die Aufgabe durch die in den Ansprüchen angegebene Erfindung, wobei die Unteransprüche nicht nur vorteilhafte Weiterbildungen der im Hauptanspruch angegebenen Erfindung, sondern auch eigenständige Lösungen der Aufgabe sind.
Die Erfindung betrifft die Verwendung der Methode des maschinellen Lernens beim Abscheiden von Schichtenfolgen, die eine Vielzahl von einzelnen Schichten aufweisen. Die Methode des maschinellen Lernens wird insbesondere beim Abscheiden von Schichtenfolgen und insbesondere Schichtenfolgen für optoelektronische Bauelemente in einem CVD-Reaktor verwendet. In einer Lernphase wird aus Messwerten, die beim Abscheiden der Schichtenfolge an den Schichtenfolgen aufgenommen werden, ein Datenpool erzeugt. An den Schichtenfolgen werden Eigenschaften gemessen, die Klassen zugeordnet werden. Jede abgeschiedene Schichtenfolge, die für den Datenpool verwendet wird, liefert somit einen Datensatz aus ein oder mehreren Messwerten, die beispielsweise Spektren sein können. Jeder Datensatz ist logisch mit einer Klasse verknüpft. Mit der Methode des maschinellen Lernens (Machine Learning), beispielsweise einer prädiktiven, statistischen Modellierung wird anhand der Messwerte und der mit ihnen logisch verknüpften Klassen über einen Algorithmus eine Vorhersagefunktion erzeugt. Mit dieser Vorhersagefunktion kann in einer Nutzungsphase aus beim Abscheiden einer Schichtenfolge aufgenommenen Messwerten die Klasse vorhergesagt werden. Bei der Herstellung eines VCSEL-Lasers ist eine wesentliche Eigenschaft der Aluminiumgehalt einer in der aktiven Zone angeordneten etwa 30 nm dicken Schicht, deren Aluminiumgehalt im Bereich zwischen 97 und 99 Prozent oder auch mehr liegt. Der Al-Gehalt muss bis auf 0,1 Prozent konstant gehalten werden. Die die Reflektoren ausbildenden Schichten haben eine Schichtdicke im Bereich zwischen 40 nm und 60 nm. Die Eigenschaften dieser Schichten sind technologisch nicht direkt bestimmbar. Sie sollen mit der erfindungsgemäßen Methode indirekt bestimmt werden.
Zunächst und im Wesentlichen wird vorgeschlagen, dass die während des Abscheidens aufgenommenen Spektren, bei denen es sich bevorzugt um Reflektanzspektren handelt, verwendet werden, um Klassen zu berechnen. Bei den Klassen kann es sich im einfachsten Fall um zwei Klassen handeln, nämlich für die Herstellung eines Bauelementes tauglich oder für die Herstellung eines Bauelementes nicht tauglich. Die Klassen können aber auch feiner unterteilt sein. Beispielsweise können taugliche Bauelemente in verschiedene Qualitätsklassen zugeordnet werden. Mit dem erfindungsgemäßen Verfahren sollen bereits bei oder nach der Herstellung der Schichtstruktur Voraussagen gemacht werden, welcher Klasse das spätere Bauelement zugehört. Schichtstrukturen, die beispielsweise der Klasse „nicht tauglich“ angehören, können dann direkt entsorgt werden. Das erfindungsgemäße Verfahren beinhaltet eine Lernphase und eine Nutzungsphase. Während der Lernphase können aus historischen Daten, nämlich in der Vergangenheit bei der Fertigung von Schichtstrukturen aufgenommenen Reflektanzspektren Attribute identifiziert werden. Es können zudem Korrelationsfunktionen gesucht werden, die die Attribute einer Klasse zuordnen. Es kann sich dabei um die Klasse handeln, der das aus der Schichtstruktur gefertigte Bauelement zugehörig ist. Während der Nutzungsphase werden aus den Reflektanzspektren Werte für die in der Lernphase identifizierten Attribute ermittelt. Mittels der Korrelationsfunktionen werden aus den Werten der Attribute die Klassen berechnet. Als Datenbasis wird während eines Runs, bei dem es sich um einen Abscheideprozess einer Schichtenfolge handelt, die Reflektanz spektral und zeitlich aufgelöst, an zumindest einem festen Ort auf dem Substrat während des Schichtwachstums gemessen, etwa indem bei senkrechtem Einfallswinkel reflektiertes Weißlicht mit einem Spektrometer in seine spektralen Bestandteile aufgeteilt wird. Dabei wird die Intensität des von der Oberfläche reflektierten Lichts in Abhängigkeit der Wellenlänge gemessen. Da sich während der Messung der Reflektanzspektren die Schichtanzahl und die Schichtdicken ändern, enthält das Reflektanzspektrum periodische Strukturen. Die so gewonnenen Reflektanzdaten werden in Abhängigkeit von Wellenlänge und Zeit für die weitere Datenverarbeitung erfasst. Die Reflektanzdaten können für mehrere Messorte einzeln erfasst und gespeichert werden. Das Auffinden der Attribute und der Korrelationsfunktionen erfolgt in einer computergestützten Analyse der Spektrogramme beziehungsweise der den Spektrogrammen zugrunde liegenden Daten. Dabei werden die bekannten Methoden des „Machine learnings“ verwendet, wie sie etwa im Bereich der Mustererkennung zum Einsatz kommen. Mit den im vorgeschlagenen Verfahren gewonnenen Modellen können Vorhersagen über die Tauglichkeit der abgeschiedenen Halbleiterschichtstrukturen für die weitere Verarbeitung zum Bauelement bereits während des Abscheidens oder unmittelbar danach getroffen werden. Es erfolgt eine Analyse der Messdaten unter Verwendung prädikativer statistischer Modelle, mit der die Schichtstrukturen identifiziert werden können, die für die Weiterverarbeitung zum Bauelement geeignet beziehungsweise ungeeignet sind. Ein wesentlicher Teil der Lernphase ist die Validierung der gewonnenen Modelle, in der der durch das „Machine-learning-Verfahren“ gefundene Algorithmus auf seine Tauglichkeit geprüft wird.
Methoden zur Mustererkennung werden insbesondere im Lehrbuch „Bildverarbeitung und Objekterkennung“, Herbert Süße und Erik Rodner, beschrieben. Geeignete Methoden werden insbesondere auch für andere technische Zwecke in den EP 2 869 328 A1 , EP 1 246 121 B1 , EP 1 349 144 A2 , EP 2 842 075 B1 und WO 2017/173168 A1 beschrieben. Verfahren des maschinellen Lernens werden insbesondere in den DE 10 2019 106 996 A1 oder DE 11 2015 002 433 T5 beschrieben.
In einer Ausführungsvariante des Verfahrens wird von dem durch Machine Learning erstellten Modell eine Klassifikation durchgeführt, also eine automatisierte Bestimmung anhand eines während eines Runs aufgenommenen Reflektanzspektrogramms, ob die abgeschiedene Schichtstruktur bestimmten Kriterien genügt oder nicht. Diese Kriterien beziehen sich auf Parameter, die mit dem spezifischen Muster des Spektrogramms statistisch korreliert werden können, aber nicht ohne weiteres aus dem Muster direkt entnommen oder hergeleitet werden können. Bei den Kriterien kann es sich um Eigenschaften des Stopbands handeln, wie etwa der Position der Stopbandränder, d.h. die Wellenlänge, bei der die Raumtemperaturreflektanz der fertigen Struktur unter einen bestimmten Schwellwert (0,99; 0.98; 0.95; ...) fällt.
Bei der Erzeugung des statistischen Modells zur Klassifikation, dem „Trainieren“ des Algorithmus, bilden aufgenommene Spektraldaten von unterschiedlichen Runs die Grundlage. Bei den Runs für die Erzeugung der Trainingsdaten können Prozessbedingungen bewusst variiert werden, oder es werden bei nominal identischen Prozessbedingungen zufällige Variationen den Ergebnisse genutzt.
Bei dem hier vorgeschlagenen Verfahren, das auf Methoden der datenbasierten, statistischen Modellierung bzw. des Machine Learning fußt, wird keine Referenzstruktur herangezogen und bei der Anwendung des Verfahrens wird nicht die Ähnlichkeit oder der Grad der Übereinstimmung zu dieser Referenzstruktur in bestimmten Merkmalen ermittelt.
Der erste Schritt des vorgeschlagenen Verfahrens besteht in der Aufbereitung der Daten. Es kann sich um eine einfache Transformation handeln, um die Daten besser vergleichbar zu machen (wie etwa Koordinatenverschiebung, Normierung oder Skalierung), oder die Bereinigung um Artefakte und Ausreißer bei bestimmten Datensätzen. Die Reflektanzspektren können als Bilder ausgewertet werden. Dabei kann bei der Verwendung der Bildinformationen zur Mustererkennung eine Zerlegung in Pixel vorgenommen werden, wobei den Pixeln Farbwerte oder binären Werten zugeordnet werden. Die Zuweisung binärer Werte kann in Abhängigkeit von einem festen Schwellwert (z.B. R > 0.5, R > 0.7 usw.) erfolgen oder einem Schwellwert in Abhängigkeit von der jeweiligen Wellenlänge (etwa Median von R(lambda) etwa). In einer alternativen Herangehensweise kann die Aufbereitung der Daten auch in einer FourierTransformation der zeitabhängigen Reflektanzwerte für eine Reihe von Wellenlängen bestehen, um die teilweise Periodizität der Zeitabhängigkeit auszunutzen und ein mehr oder weniger diskretes Frequenzmuster zu generieren, das für die weitere Analyse besser geeignet ist.
In einem zweiten Schritt werden einzelne Spektrogramme aus den einzelnen Runs markiert je nachdem, ob die Ergebnisse des Runs bestimmte Kriterien erfüllen oder nicht. Diese Kriterien können sich auf die bei Raumtemperatur gemessenen Reflektanzspektren beziehen, also die Erfüllung bestimmter Kennwerte des Stopbands (SB-Ränder, SB-Mitte, FP-Dip) innerhalb bestimmter Fehlerintervalle. Die Kriterien können aber auch den Aluminiumgehalt der AlGaAs-Oxidationsschicht betreffen, der nicht direkt gemessen werden kann, ohne die Bauelementstruktur zu zerstören, sondern erst nach dem Oxidationsschritt bei der Laserfertigung etwa durch die beobachtbare Modenselektion des Lasers erkennbar wird. Als Kriterien für die Klassifikation können auch ursächliche Faktoren für eine Abweichung des Bauelements von der funktionalen Spezifikation dienen, indem etwa eine Analyse oder Charakterisierung des späteren Bauelements, zerstörungsfrei oder destruktiv, darauf schließen lässt, dass ein bestimmter Bereich der Bauelementstruktur fehlerhaft abgeschieden wurde, etwa wenn der untere Reflektor, (DBR) eine zu geringe mittlere Schichtdicke der Einzelschichten hat, oder die Kavität in der Dicke nicht mit der Emissionswellenlängen übereinstimmt. Auf diese Weise kann der Machine Learning Lösungsansatz dazu verwendet werden, bereits durch in-situ Messungen auf Faktoren für eine ursächliche Abweichung bei der epitaktischen Abscheidung der Bauelementschichtstruktur zu schließen (Inferenz).
Für jeden Datensatz (aufbereitetes Spektrogramm), der dem Rechner für die Modellerstellung „präsentiert“ wird, wird bei der Markierung angegeben, welcher Klasse er angehört. Neben dem einfachen Fall zweier Klassen (etwa: die Eigenschaften des Bauelements, insb. VCSELs, liegen innerhalb der Kriterien oder nicht) ist auch denkbar, mehrere Klassen zu definieren, die durch Art und Ausmaß der Abweichung voneinander abgegrenzt werden. Beispielsweise: Untere Stopbandkante liegt außerhalb des spezifizierten Bereichs usw. Neben diskreten Klassen gibt es Varianten der Vorgehensweise, bei der im Sinne einer statistischen Regression kontinuierliche Werte vorhergesagt werden.
In einem nächsten Schritt erfolgt die Merkmalsextrahierung, die in der Festlegung von Attributen der gemessenen und aufbereiteten spektralen Muster besteht. Auf Basis dieser Attribute nimmt der Algorithmus die Zuordnung zu einer Klasse vor. Die Attribute sind Eigenschaften der eingegebenen Spektraldaten bzw. Spektrogramme und nicht der resultierenden Bauelementcharakteristik (wie etwa die Kennwerte aus den ex-situ ermittelten Reflektanzspektren oder die Frequenz- und Modenselektion des fertigen Lasers). Es gibt jedoch eine statistische Korrelation zwischen den Attributen der Eingabedaten und den die finalen Bauelementeigenschaften charakterisierenden Kennwerten, die während die Lern- oder Trainingsphase des Algorithmus formal in einem statistischen Modell erfasst wird.
Die Merkmalsextrahierung und Festlegung der Attribute kann manuell erfolgen und in der anschließenden Testphase iterativ optimiert werden. Dieses Vorgehen hat seine Grenzen, wenn die relevanten Merkmalsattribute für den Fachmann nicht offensichtlich sind und verborgene Merkmale mit starker Korrelation zu den Bauelementprozessergebnissen dadurch unberücksichtigt bleiben. Die Anzahl der Merkmale kann in der Praxis oft unübersichtlich groß sein, einige zehn, einige hundert, oder gar einige tausend wie bei komplexer Bilderkennung (der „feature space“ ist entsprechend n-dimensional). Daher werden in der Praxis Verfahren verwendet, bei denen die Merkmalsextrahierung durch den Rechner automatisiert erfolgt. Derartige Verfahren sind Algorithmen aus dem Bereich der Künstlichen Neuronalen Netze. Bei der Mustererkennung aus Bilddaten kommen auch das sogenannte convolutional neural networks zum Einsatz. Hierzu können die bekannten Verfahren zur Mustererkennung in Bildern verwendet werden, die insbesondere in den oben genannten Quellen beschrieben werden.
Der Merkmalsraum, also die Menge der Attribute, anhand derer der Algorithmus die Zuordnung zu Klassen oder die statistische Regression durchführt, kann durch Variablen außerhalb der Reflektanzspektren erweitert werden, insbesondere um Größen, die von anderen Sensoren stammen (pyrometrisch gemessene Temperaturen auf den Wafern sowie an unterschiedlichen optisch zugänglichen Orten im Prozessraum, Drücke, Ventilstellungen, Massenflüsse, Bubblerdrücke und -temperaturen), oder die in sonstiger Weise den Maschinenzustand charakterisieren (Anzahl der Runs seit der letzten Wartung, Alter von Komponenten, usw.). Auf diese Weise kann in dem durch Machine Learning erzeugten Modell auch die Korrelation zwischen Prozessergebnissen und den Eingangsgrößen aus dem Rezept hergestellt werden und Korrekturen von Prozessbedingungen durch Stellgrößen im Prozessrezept vorgeschlagen werden.
Die Attribute können in einem n-dimensionalen Raum Vektoren aufspannen, wobei jedes Spektrum einem Vektor zugeordnet werden kann. Die Korrelationsfunktionen bilden diesen Vektor auf die zugeordnete Klasse ab. Die Korrelationsfunktionen können beispielsweise als Matrix interpretiert werden. Zur Ermittlung der Attribute beziehungsweise Korrelationsfunktionen können insbesondere die mathematischen Hilfsmittel der Ausgleichsrechnung (sowohl lineare als auch nicht lineare) des ko-varianten Fittings, der linearen Algebra und der Stochastik sowie der Tensorrechnung verwendet werden. Unter einer Korrelationsfunktion kann man im einfachsten Fall eine Funktion mit mehreren Argumenten verstehen, wobei die Argumente die Werte der Attribute sind, die in den Spektren ermittelt werden. Das Resultat der Funktionen kann die Klasse sein, der das Spektrum zuzuordnen ist. Das Resultat kann im einfachsten Fall ein Binärwert sein.
Der auf die Merkmalsextrahierung folgende nächste logische Schritt ist das Training des Algorithmus, die Lernphase. Der Algorithmus „erlernt“ das parametrisierbare statistische Modell anhand der angebotenen Datensätze von Spektrogrammen, indem die problemspezifischen Modellparameter vom Rechner durch Vergleich zwischen den Attributen und den Prozessergebnissen ermittelt werden, so dass die Korrelation bestmöglich ist und die Fehlerfunktion minimiert wird. Fehler bedeuten etwa bei Klassifizierungsaufgaben eine Zuordnung eines Datensatzes im Modell zu einer Klasse, der er in Wirklichkeit nicht angehört. Fehlerfunktionen können aber auch in komplizierterer Weise definiert werden mit der Berücksichtigung von Gewichtungen oder Abständen zwischen Vorhersage und tatsächlichen Daten.
Es kann sich eine Test- oder Trainingsphase anschließen. Das erzeugte statistische Modell wird mittels historischer Daten geprüft. Die insgesamt zur Verfügung stehenden historischen Daten werden hierzu aufgeteilt in solche, die zur Bestimmung der Attribute und Korrelationsfunktionen verwendet werden und solche, die zum Test des Modells verwendet werden.
Dazu wird die Menge der einzelnen Spektraldatensätze in zwei Gruppen aufgeteilt, Trainingsdaten und Testdaten, etwa in einem Verhältnis von 70 : 30 oder 80 : 20 oder andere. Anhand der Trainingsdaten hat der Algorithmus das statistische Modell „erlernt“. Es kann wichtig sein, das erzeugte Modell auf unabhängige Testdaten anzuwenden und den Vorhersagefehler zu schätzen, um etwa den häufigen Irrtum des sog. „overfitting“ des Modells an die Trainingsdaten zu erkennen und zu vermeiden. Training und Testen ist ein iterativer Prozess, bei dem Modellauswahl, Bestimmung der Hyperparameter (generische Modellparameter) und der eigentlichen (daten- und problemspezifischen) Parameter ermittelt und validiert werden. Es gibt Varianten von Teststrategien, wie die „cross validation“, bei der die Aufteilung in mehreren Durchläufen jeweils neu vorgenommen wird um die Vorhersagefähigkeit des Modells zu erhöhen. Wenn die Testdaten herangezogen werden, um die Hyperparameter zu optimieren (also letztlich Aspekte der Modellauswahl in die Lernphase einzubeziehen), erfolgt eine geeignete Aufteilung in drei Gruppen von Datensätzen, da Testdaten nicht mehr unabhängig vom Trainieren des Algorithmus sind. Die Validierung erfolgt dann mit einer dritten Teilmenge von Datensätzen, die bei der Modellerzeugung nicht eingeflossen sind.
Die Trainingsphase ist ein heuristischer Prozess, bei dem zum einen unterschiedliche Machine Learning Verfahren bzw. Algorithmen ausprobiert werden und je nach Eignung für dieses Problem ausgewählt werden, und bei dem zum anderen Modellparameter so abgestimmt werden, dass der Vorhersagefehler möglichst klein wird. Die Modellauswahl ist Teil der Entwicklung, so dass in der fertigen Lösung für den Einsatz in der Nutzungsphase ein bestimmter Algorithmus oder optionale Alternativen dem Nutzer angeboten werden. Die Feinabstimmung der Parameter, also das Trainieren des Algorithmus in einer Trainings- und Lernphase kann jedoch je nach spezifischer Kundenanwendung (bestimmter Typ von VCSEL) unterschiedlich aussehen und kann durch fortlaufend hinzukommende neue Datensätze während der Produktion erweitert werden, im Sinne des sog. „verstärkenden Lernens“ („reinforcement learning“).
Für die Machine Learning Modellierung kommen etwa in Entwicklungsumgebungen der open source Sprache Python verfügbare Programmbibliotheken wie TensorFlow und keras (von Google Inc.) oder PyTorch (von Facebook Inc.) zum Einsatz.
Von der Trainings- und Lernphase getrennt zu sehen ist die Nutzungsphase (deployment) während des Produktionsbetriebs.
In der Nutzungsphase werden für einzelne Runs Reflektanzspektrogramme gemessen und gespeichert sowie anschließend in definierter Weise weiterverarbeitet, wie bereits für die Trainingsphase beschrieben. Beispielhaft kann die Weiterverarbeitung in einer Fouriertransformation bestehen (Zerlegung der Spektren für feste Messwellenlängen in Frequenzanteile bezogen auf die Wachstumsdauer) oder in einer Zerlegung in Pixel für die Bildverarbeitung und Mustererkennung. Aus den Daten wird die Ausprägung der in der Lern- oder Trainingsphase ermittelten relevanten und teilweise abstrakten Merkmale ermittelt, um damit eine Vorhersage (Inferenz) durch die Anwendung des „gelernten“ statistischen Modells zu treffen. In einem geometrischen Bild können die Koordinaten des Datensatzes in dem „n-dimensionalen feature space“ bestimmt werden und die Nähe oder relative Lage zu Trainingsdaten beziehungsweise zu Trennflächen zwischen Klassen im „feature space“ mathematisch ermittelt werden. Die Vorhersage der Zugehörigkeit zu einer Klasse bei einem Klassifizierungsproblem entspricht etwa der Aussage, die zu erwartende VCSEL-Struktur liegt innerhalb oder außerhalb des Spezifikationsbereichs gemessen an bestimmten Kriterien. Bei Regressionsmodellen, die in der Trainingsphase erzeugt und deren Parameter anhand der Trainings- und Testdaten ermittelt worden sind, werden auf Basis der Eingabedaten stetige, kontinuierliche Werte und Fehlerabschätzungen vorhergesagt.
Eine Variante des Verfahrens besteht darin, für die Erzeugung der Eingabedaten keine kontinuierlichen Spektren (also mit kontinuierlicher Wellenlänge in einem bestimmten Intervall für die Reflektanzmessung) zu verwenden, sondern eine ausreichend hohe Anzahl an diskreten Wellenlängen (3, 7, ...), etwa 405 nm, 480 nm, 540 nm, 633 nm, 810 nm, 950 nm, 1020 nm, ... Der Vorteil: weniger Daten, bessere Qualität der Spektren durch höhere Lichtintensität; der Nachteil: der Pfad über die Bilderkennung (via Pixelzerlegung) ist hinfällig, es gilt der Weg über die Mustererkennung aus den über Fourierzerlegung gewonnenen Frequenzspektren. Das muss aus Machine Learning Perspektive und im Sinn der Datenreduktion kein Nachteil sein, im Gegenteil, die Anzahl erforderlicher Runs für das Training, die Komplexität der ML-Modelle ist bei der Bilderkennung so viel höher.
In einer weiteren Variante des Verfahrens besteht eine praktische Vereinfachung darin, für die Bewertungskriterien in Bezug auf die Eigenschaften des Stopbands (Wellenlängen von SB-Rändern, SB-Mitte, FP-Dip) während der Trainings- bzw. Lernphase nicht die bei Raumtemperatur ex-situ in einem von der MOCVD-Reaktorkammer separaten gemessene Spektren (Reflektanz über Wellenlänge) zu verwenden, sondern stattdessen das Spektrum, also die Abhängigkeit Reflektanz über die Wellenlänge nach dem Ende der Wachstumssequenz und nach dem Abkühlen des Reaktors kurz vor dem Entladen der Wafer zu verwenden. Die Verteilung kommt den ex-situ Daten bis auf eine temperaturbedingte Verschiebung oder Verzerrung (Entladetemperatur ist 30°C ... 60°C) relativ nahe, ist jedoch nicht identisch dazu. Der Nachteil des Vorgehens besteht in höheren Fehlerraten aufgrund des Trainierens des Algorithmus anhand von verzerrten Spektren. Der Vorteil und Nutzen besteht darin, dass insbesondere in der Entwicklungsphase die Vorauswahl von Algorithmen und modellspezifischen Parametern („Hyperparameter“) rascher und unkomplizierter erfolgen kann als wenn ex-situ Spektren herangezogen würden.
Eine weitere denkbare Erweiterung des Verfahrens besteht darin, dass der Algorithmus bereits nach wenigen DBR-Lagen „erkennt“, ob die Schichten des Stapels zu dünn oder zu dick sind, und im Sinne einer statistischen Regression während des Runs vorschlägt, welche Anpassung der Wachstumszeiten für die Einzelschichten erforderlich ist, damit die gewünschten Eigenschaften der jeweiligen DBR-Stapel erzielt werden, die von den Einzelschichtdicken in den DBRs abhängen. Das Vorgehen gleicht damit einer Feed-forward Regelung der Einzelschichtdicke, erfordert jedoch keine direkte Messung der Schichtdicke, die aufgrund der sehr geringen Schichtdicke (d « Wellenlänge) durch Interferometrie bei Verwendung nur einer oder wenigen Wellenlängen sehr schwierig ist.
Denkbare Erweiterungen gehen in Richtung der Nutzbarmachung des Verfahrens für die Prozesskontrolle bei der Produktion. Hier gibt es folgende zwei Aspekte:
Das Aussortieren und Verwerfen von Wafern oder Zonen auf den Wafern, die aufgrund der Klassifizierung durch den Machine Learning Algorithmus als außerhalb der spezifizierten Toleranzen liegend markiert wurden, im Rahmen des Qualitätsmanagements bei der Massenproduktion der Laserbauelemente. Das Aussortieren erfolgt bevorzugt vor der Weiterverarbeitung der Schichten zu Bauelementen und insbesondere unmittelbar nach dem Abscheiden der Schichtenfolgen. Alternativ dazu können die vorhergesagten Eigenschaften, die bei der Durchführung eines Runs gewonnen werden, genutzt werden, um die Rezeptparameter bei zukünftigen Runs zu korrigieren.
Die aktive Korrektur der Run-zu-Run Drift von kritischen Bauelementgrößen (Stopband-Werte), indem auf Grundlage des anhand von Daten trainierten Algorithmus quantitative Änderungen der Prozessbedingungen und Rezepteingabeparameter für die jeweils nachfolgenden Runs vorgeschlagen oder ausgeführt werden.
Mit dem erfindungsgemäßen Verfahren werden die während des gesamten Abscheideprozesses aufgenommenen Spektren verwendet, um bereits nach den epitaktischen Schritten solche Schichtstrukturen aussortieren zu können, die voraussichtlich nicht zu Bauelementen mit den geforderten Eigenschaften führen. Hierzu wird in einer Lernphase aus einer Vielzahl von in der Vergangenheit erstellten Reflektanzspektren ein Satz Attribute gewonnen. Attribute im Sinne der Erfindung können charakteristische Werte des Spektrums an charakteristischen Stellen sein. Attribute können aber auch charakteristische Werte einer Fouriertransformierten des Spektrums an charakteristischen Stellen im Fourier-Raum sein. In der Lernphase werden ferner Korrelationsfunktionen gewonnen, die die Eigenschaft besitzen, einen Satz Attribute auf an den fertigen Bauelementen ermittelten Eigenschaften abzubilden.
In der Nutzungsphase werden aus den beim Abscheiden aufgenommenen Spektren Werte für die zuvor festgelegten Parameter ermittelt. Aus diesen Werten werden mittels der zuvor gewonnenen Korrelationsfunktionen die Klassen berechnet. Diese kann mit den oben genannten Verfahren durchgeführt werden.
Figurenliste
Im Folgenden wird die Erfindung anhand von Ausführungsbeispielen näher erläutert. Es zeigen:

1 schematisch eine Schichtstruktur eines VCSEL-Lasers,
2 schematisch die Reflektanz des Stopbandes eines VDSEL-Lasers an bestimmten Positionen der Wellenlänge,
3 schematisch eine für das Durchführen des Verfahrens verwendete Vorrichtung in Form eines CVD-Reaktors, insbesondere MOCVD-Reaktors und
4 schematisch ein mit einem Spektrometer 10 aufgenommenes Spektrum, welches in der x-Achse die Wellenlänge und in der y-Achse die Zeit zeigt. Die Werte der zu den Zeiten beziehungsweise Wellenlängen aufgenommenen Reflektanzen sind durch aus der gewählten Schwarz-Weiß-Darstellung nicht ersichtliche Farben dargestellt,
5 ein Flussdiagramm zur Veranschaulichung der Arbeitsschritte,
6 schematisch die wesentlichen Elemente des maschinellen Lernens.

Beschreibung der Ausführungsformen
Die 3 zeigt die wesentlichen Elemente eines zum Abscheiden von Mehrschichtstrukturen verwendeten MOCVD-Reaktors mit einem im Gehäuse 9 sich eine Prozesskammer 16 befindet, die mittels eines Gaseinlassorganes 15 ein aus mehreren Bestandteilen bestehendes Prozessgas eingespeist wird. Bei dem Prozessgas kann es sich um metallorganische Verbindungen von Elementen der III-Hauptgruppe und Hydride von Elementen der V-Hauptgruppe handeln. Auf einem Suszeptor 13, der mittels einer Heizeinrichtung 14 beheizt wird, befinden sich die zu beschichtenden Substrate 7. Mittels eines Spektrometers 10 wird insbesondere die Reflektanz der Oberfläche des Substrates 7 an ein oder mehreren Stellen gemessen. Hierzu wird insbesondere ein weißer Lichtstrahl 11 erzeugt und im Wesentlichen senkrecht auf das Substrat 7 gebracht. Das reflektierte Licht 12 wird im Spektrometer 10 aufgenommen.
Ein typisches Spektrum einer VCSEL-Schichtstruktur zeigt symbolisch die 4. Über die Wellenlänge λ wird die Zeit t abgetragen. Die Reflektanz wird an jedem Punkt, der durch die Wellenlänge und die Zeit definiert ist, durch eine Farbkodierung dargestellt. Rot kann beispielsweise eine hohe Reflektanz (R = 1) und blau eine niedrige Reflektanz (R = 0) bedeuten. Dazwischen liegende Werte werden in der Art eines Regenbogens kodiert dargestellt. Es ergibt sich ein mit Farbpixeln darstellbares Bild, welches mit einer Bildverarbeitung, einer Mustererkennung oder dergleichen auswertbar ist.
Gemäß einem Aspekt der Erfindung wird eine in der 1 dargestellte Mehrschichtstruktur abgeschieden. Die Mehrschichtstruktur besitzt einen ersten aus einer Vielzahl von Schichten bestehenden Reflektor 2, einen zweiten, ebenfalls aus einer Vielzahl von Schichten bestehenden Reflektor 4. Es handelt sich jeweils um Bragg-Reflektoren. Zwischen den beiden Reflektoren 2, 4 befindet sich eine als Laser-Kavität wirkende Zone 3. In diesem aktiven Bereich wird in bekannter Weise Laser-Licht erzeugt, welches durch den oberen Reflektor 2 als Lichtstrahl 6 ausgekoppelt wird. Im Unterschied zu „klassischen“ Halbleiterlasern, die als Kantenemitter ausgebildet sind, wird bei einem VCSEL-Laser die Resonatorstruktur durch eine epitaktische Abscheidung einer Vielzahl von Schichten erzeugt.
Etwa in der Mitte der Kavität 3 (aktiver Bereich) befindet sich eine AlGaAs-Schicht, die einen sehr hohen Aluminiumgehalt besitzt und sehr dünn ist. Diese Schicht wird nach dem Abscheiden der Schichtstruktur nass-chemisch oxidiert, so dass ein kreisförmiges AlGaAs-Fenster mit einem definierten Durchmesser für die Moden-Selektion verbleibt. Das Substrat 7 kann eine Elektrode ausbilden. Die andere Elektrode 8 kann auf die oberste Schicht des Reflektors 2 aufgebracht sein.
Die 2 zeigt ein typisches Spektrum einer VCSEL-Struktur. Das ersichtliche Stopband-Plateau und der Fabry-Perot-dip 19 sind ein Ergebnis der Reflektoren 2, 3. Für die Funktionsweise des fertigen Lasers ist das Einhalten der Werte einiger Parameter und insbesondere der Stopband-Breite 18 und der Lage des Fabry-Perot-dips von Bedeutung.

Mit den eingangs beschriebenen Verfahren werden aus den in der 4 dargestellten Spektren, die zu jeder bei einem Run gefertigten Schichtstruktur aufgenommen werden können, Bilddateien erzeugt, die mittels der Methoden der Bildverarbeitung und der Muster- beziehungsweise Objekterkennung einer Analyse unterzogen werden. Die wesentlichen Komponenten der VCSEL-Struktur sind:

Komponente	Funktion
DBR (DBR = Distributed Bragg Reflector)	Spiegel zur Bildung des Resonators des Lasers
Kavität	Resonator, Frequenz- und Modenselektion
Aktive Schicht, Quantum Well	Emission des Laserlichts durch Elektrolumineszenz
Oxidschicht	Kreisförmiges Fenster zur Modenselektion
p- und n-Kontakte	Elektrische Anschlüsse

Die 5 zeigt ein Flussdiagramm zur Veranschaulichung der Arbeitsschritte bei der Erzeugung eines präditiven statistischen Modells unter Verwendung von Machine learning. In einem ersten Schritt werden die bei der Messung des Spektrums gewonnenen Rohdaten aufbereitet. Hierzu wird ein Spektrum oder ein Fourier-transformiertes Spektrum erzeugt. Die zu den Spektren zugehörigen Schichtstrukturen werden zu Bauelementen weiterverarbeitet und diese in Klassen aufgeteilt. Es erfolgt eine Markierung der Spektren als geeignet oder nicht geeignet. Nach einer Merkmalsextrahierung werden Merkmale in zwei Gruppen aufgeteilt, die zum Training beziehungsweise zur Fehlerschätzung verwendet werden.
Im Fertigungsprozess werden in derselben Weise zunächst Rohdaten aus der Messung gewonnen, die Daten aufbereitet und Arbeitsdaten erzeugt. Mit den Arbeitsdaten erfolgt dann aber die Inferenz. Es wird eine Vorhersage über die zu erwartenden Eigenschaften der abgeschiedenen Schichtfolge gemacht. Die Inferenz kann eine Fehlerschätzung beinhalten. Abhängig von dem Ergebnis der Inferenz erfolgt dann die Weiterverarbeitung beziehungsweise eine Prozesskontrolle.
An den so gefertigten Bauelementen werden zum Abschluss Messungen vorgenommen. Die Ergebnisse dieser Messungen verfeinern das Datenmodell, indem unter Verwendung der aufgenommenen Spektren und der damit korrelierenden Klassen die Attribute beziehungsweise Korrelationsfunktionen verfeinert oder verbessert werden können.
Die 6 zeigt schematisch den Ablauf des erfindungsgemäßen Verfahrens. I zeigt einen Datenpool bestehend aus einer Vielzahl von Spektren S1, S2...Sn und jeweils zugehörigen Eigenschaften E1, E2...En. Die Spektren werden kontinuierlich während des Wachstums an einer Schichtenfolge aufgenommen, wobei die Schichtenfolgen mit gleichartigen Prozessen mit identischen oder gegebenenfalls leicht veränderten Prozessparametern durchgeführt werden. Die Spektren können vorab aufbereitet werden. Es können beispielsweise Fourier-Analysen durchgeführt werden. Ein Algorithmus A ermittelt mittels einer Regressionsanalyse (prädiktiver statischer Modellierung) in einer Lernphase aus diesem Datenpool Vorhersagefunktion Vm. II zeigt eine Nutzungsphase, bei der die in der Lernphase gewonnene Vorhersagefunktion aus einem beim Abscheiden einer Schichtenfolge gemessenen Spektrum Sx eine Eigenschaft Ex vorhergesagt. III zeigt die Verwendung der in der Nutzungsphase gewonnenen Daten zur Aktualisierung der Vorhersagefunktion. Der Algorithmus A aktualisiert unter Verwendung des Spektrums Sx und der Eigenschaft die Vorhersagefunktion Vm.
Die Erfindung ermöglicht darüber hinaus eine Korrektur von Wachstumsbedingungen während eines Prozesses, also während des Abscheidens einer Mehrschichtstruktur. Durch eine in situ Messung des transienten Reflexionsspektrums können während des Abscheidens kontinuierlich Messwerte gewonnen werden, die kontinuierlich ausgewertet werden. Die Auswertung der Messwerte erfolgt somit während des Abscheideprozesses. Sie wird fortgesetzt bis zum vollständigen Abscheiden der Schicht. Während des Abscheidens erfolgt eine Auswertung des bis dato aufgenommenen Spektrums. Mit den oben geschilderten Methoden, des Erfassens und des Aufarbeitens der Messwerte, beispielsweise Fouriertransformation, können über eine geeignete Vorhersagefunktion Informationen gewonnen werden, wie korrigierend in den Abscheideprozess eingegriffen werden muss, beispielsweise durch Änderungen von Gasflüssen oder Temperaturen, um eine sich abzeichnende Fehlerhaftigkeit zu korrigieren. Dabei werden die Wachstumszeiten und die Gasflussraten der Ausgangsstoffe für die jeweiligen Einzelschichten erfasst. Bei der Korrektur werden Vorgaben insbesondere der Eigenschaften der Reflektoren berücksichtigt, beispielsweise die Stopband-Position, die Wellenlänge des FP-Dip oder die Höhe des Stopband-Plateaus. Die Vorhersagefunktion liefert Informationen, mit denen die Wachstumszeiten, die Gasflussraten gegenüber den Vorgaben des Rezeptes variiert werden können. Die Erfindung betrifft somit auch eine fortlaufende Echtzeitregelung der Schichtdicke der DBR-Einzelschichten während eines Runs.
Die vorstehenden Ausführungen dienen der Erläuterung der von der Anmeldung insgesamt erfassten Erfindungen, die den Stand der Technik zumindest durch die folgenden Merkmalskombinationen jeweils auch eigenständig weiterbilden, wobei zwei, mehrere oder alle dieser Merkmalskombinationen auch kombiniert sein können, nämlich:
Ein CVD-Verfahren, das gekennzeichnet ist durch die Verwendung der Methode des maschinellen Lernens zur Vorhersage der Eigenschaften der abgeschiedenen Schichten.
Ein Verfahren, das dadurch gekennzeichnet ist, dass in einer Lernphase aus beim Abscheiden der Schichtenfolgen an den Schichtenfolgen aufgenommenen Messwerten und nachfolgend an den Schichtenfolgen gemessenen Eigenschaften von einem Algorithmus des maschinellen Lernens eine Vorhersagefunktion erzeugt wird, die in einer Nutzungsphase aus beim Abscheiden einer Schichtenfolge aufgenommenen Messwerten Vorhersagen über die Eigenschaft der Schichtenfolge macht.
Ein Verfahren, das dadurch gekennzeichnet ist, dass die Messwerte optische Spektren sind und/oder dass die Messwerte Reflektanzspektren einer Beaufschlagung der jeweils obersten Schicht der Schichtenfolge mit Licht 11, insbesondere Weißlicht sind und/oder dass die Messwerte kontinuierlich während des Abscheidens zu mindestens einiger oder aller Schichten aufgenommen werden.
Ein Verfahren, das dadurch gekennzeichnet ist, dass die Messwerte an voneinander verschiedenen Stellen der Oberfläche der jeweils obersten Schicht der Schichtenfolge aufgenommen werden und/oder dass die Messwerte vor ihrer Verwendung durch die Methode des maschinellen Lernens aufbereitet werden.
Ein Verfahren, das dadurch gekennzeichnet ist, dass aus den Spektren Fouriertransformierte berechnet werden und/oder dass die Spektren durch eine Koordinatenverschiebung, durch eine Normierung, Skalierung, Bereinigung von Artefakten und/oder Entfernung von Ausreißern aufbereitet werden und/oder dass die Spektren Informationen über den zeitlichen Verlauf der Reflektanz der aktuellen Schichtoberfläche bei einer Vielzahl von Wellenlängen λ enthalten.
Ein Verfahren, das dadurch gekennzeichnet ist, dass die Schichtenfolgen in darauffolgenden Bearbeitungsschritten zu optoelektronischen Bauelementen 1 weiterverarbeitet werden, wobei die Eigenschaften an den Bauelementen 1 ermittelt werden und/oder dass die Eigenschaften von den Dicken und den Zusammensetzungen der Schichten abhängen.
Ein Verfahren, das dadurch gekennzeichnet ist, dass aus den zeitlichen Spektren ein aus Pixeln bestehendes Bild erzeugt wird, bei dem die Reflektanz zu einer Zeit und einer Wellenlänge λ durch eine Farbe dargestellt ist, wobei das Bild mittels der Methoden der Mustererkennung ausgewertet wird, um in der Lernphase die Vorhersagefunktion und in der Nutzungsphase die Eigenschaft zu gewinnen.
Ein Verfahren, das dadurch gekennzeichnet ist, dass in der Lernphase aus den in den vorangehenden Prozessen des Abscheidens einer Schichtenfolge aufgenommenen Messwerten und aus den nachfolgend bestimmten Eigenschaften Lern- und Testdatensätze gewonnen werden, mit denen die Vorhersagefunktion auf Zuverlässigkeit überprüft wird.
Ein Verfahren, das dadurch gekennzeichnet ist, dass die Vorhersagefunktion mit Hilfe des Algorithmus des maschinellen Lernens aus den in der Nutzungsphase gemessenen Messwerten und gemessenen Eigenschaften aktualisiert wird.
Ein Verfahren, das dadurch gekennzeichnet ist, dass zur Vorhersage der einer Schichtenfolge zugeordneten Eigenschaften zusätzlich Rezeptparameter, wie Flussraten der gasförmigen Ausgangsstoffe, Wachstumstemperatur, Temperatur des Substrates, auf dem die Schichtenfolge abgeschieden wird, Gasflüsse des Trägergases, Temperaturen an Oberflächen einer Prozesskammer, in der der Prozess durchgeführt wird, verwendet werden.
Ein Verfahren, das dadurch gekennzeichnet ist, dass die Eigenschaften die Schichtdicke oder die Zusammensetzung ein oder mehrerer Schichten, die optische oder elektrische Eigenschaft ein oder mehrerer Schichten sind und/oder dass die Schichtenfolge eine Laser-Struktur ist und die Eigenschaft eine Stopband-Position, eine Wellenlänge eines FP-Dip, eine Emissionswellenlänge des Lasers oder der Aluminiumgehalt einer Oxidationsschicht ist.
Ein Verfahren, das dadurch gekennzeichnet ist, dass das Bauelement 1 ein Oberflächen emittierender Halbleiterlaser, insbesondere ein VCSEL ist und/oder dass das Bauelement zwei aus mindestens 30 bis 70 Einzelschichten bestehende Spiegel 2, 3 und/oder eine dünne AlGaAs-Schicht 5 aufweist und/oder dass das Bauelement zumindest eine optisch aktive Quantenwellstruktur zur Emission von Laserlicht aufweist und/oder dass das Bauteil eine in eine Kavität eingebettete Quantenwellstruktur aufweist, die zwischen zwei Spiegeln 2, 3 angeordnet ist.
Ein Verfahren, das dadurch gekennzeichnet ist, dass die Schichtenfolge in einem MOCVD-Reaktor unter Verwendung metallorganischer III-Komponenten und V-Hydriden hergestellt werden.
Ein Verfahren, dass dadurch gekennzeichnet ist, dass während des Abscheidens der Schichtenfolge kontinuierlich Vorhersagen der Eigenschaften gemacht werden und bei einer sich abzeichnenden Abweichung der Eigenschaft von einem Sollwert korrigierend in den Wachstumsprozess eingegriffen wird und/oder dass die bei einem Run vorhergesagten Eigenschaften der abgeschiedenen Schichten verwendet werden, um die Rezeptparameter bei der Durchführung von zukünftigen Runs zu korrigieren und/oder dass Schichtenfolgen aufgrund der vorhergesagten Eigenschaften vor der Weiterverarbeitung zu optoelektronischen Bauelementen aussortiert werden.
Ein Verfahren, das dadurch gekennzeichnet ist, dass die Vorhersagefunktion durch logische Zuordnung der in der Lernphase aufgenommenen Spektren jeweils zu einer Eigenschaft und durch eine Mustererkennung quantifizierbarer Attribute der Spektren und Korrelationsfunktionen gefunden werden.
Alle offenbarten Merkmale sind (für sich, aber auch in Kombination untereinander) erfindungswesentlich. In die Offenbarung der Anmeldung wird hiermit auch der Offenbarungsinhalt der zugehörigen/beigefügten Prioritätsunterlagen (Abschrift der Voranmeldung) vollinhaltlich mit einbezogen, auch zu dem Zweck, Merkmale dieser Unterlagen in Ansprüche vorliegender Anmeldung mit aufzunehmen. Die Unteransprüche charakterisieren, auch ohne die Merkmale eines in Bezug genommenen Anspruchs, mit ihren Merkmalen eigenständige erfinderische Weiterbildungen des Standes der Technik, insbesondere um auf Basis dieser Ansprüche Teilanmeldungen vorzunehmen. Die in jedem Anspruch angegebene Erfindung kann zusätzlich ein oder mehrere der in der vorstehenden Beschreibung, insbesondere mit Bezugsziffern versehene und/oder in der Bezugsziffernliste angegebene Merkmale aufweisen. Die Erfindung betrifft auch Gestaltungsformen, bei denen einzelne der in der vorstehenden Beschreibung genannten Merkmale nicht verwirklicht sind, insbesondere soweit sie erkennbar für den jeweiligen Verwendungszweck entbehrlich sind oder durch andere technisch gleichwirkende Mittel ersetzt werden können.
Bezugszeichenliste

1: Bauelement
2: Reflektor
3: Kavität
4: Reflektor
5: Oxidschicht
6: Licht
7: Substrat
8: Elektrode
9: CVD-Reaktor
10: Spektrometer
11: weisses Licht
12: reflektiertes Licht
13: Suszeptor
14: Heizung
15: Gaseinlassorgan
16: Prozesskammer
17: Reflektionsspektrum
18: Stopband-Breite
19: Fabry-Perot-dip
t: Zeit
λ: Wellenlänge

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

EP 2916103 A1 [0002]
DE 69225117 T2 [0002]
EP 0631106 A2 [0002]
US 6020968 [0002]
US 6048742 [0002]
US 6410347 [0002]
US 6573999 [0002]
US 6885467 [0002]
US 7019844 [0002]
US 7049156 [0002]
US 7854824 [0002]
US 8369978 [0002]
US 8551791 [0002]
US 10249544 [0002]
EP 2518180 A2 [0002]
US 2003/0233768 A1 [0002]
EP 2869328 A1 [0014]
EP 1246121 B1 [0014]
EP 1349144 A2 [0014]
EP 2842075 B1 [0014]
WO 2017/173168 A1 [0014]
DE 102019106996 A1 [0014]
DE 112015002433 T5 [0014]

Claims

Verfahren zum Abscheiden einer Vielzahl von übereinander angeordneten Schichten mit unterschiedlichen Schichteigenschaften aufweisenden Schichtenfolgen, gekennzeichnet durch die Verwendung der Methode des maschinellen Lernens zur Vorhersage der Eigenschaften der abgeschiedenen Schichten.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in einer Lernphase aus beim Abscheiden der Schichtenfolgen an den Schichtenfolgen aufgenommenen Messwerten und nachfolgend an den Schichtenfolgen gemessenen Eigenschaften von einem Algorithmus des maschinellen Lernens eine Vorhersagefunktion erzeugt wird, die in einer Nutzungsphase aus beim Abscheiden einer Schichtenfolge aufgenommenen Messwerten Vorhersagen über die Eigenschaft der Schichtenfolge macht.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Messwerte optische Spektren sind und/oder dass die Messwerte Reflektanzspektren einer Beaufschlagung der jeweils obersten Schicht der Schichtenfolge mit Licht (11'), insbesondere Weißlicht sind und/oder dass die Messwerte kontinuierlich während des Abscheidens zu mindestens einiger oder aller Schichten aufgenommen werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Messwerte an voneinander verschiedenen Stellen der Oberfläche der jeweils obersten Schicht der Schichtenfolge aufgenommen werden und/oder dass die Messwerte vor ihrer Verwendung durch die Methode des maschinellen Lernens aufbereitet werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass aus den Spektren Fouriertransformierte berechnet werden und/oder dass die Spektren durch eine Koordinatenverschiebung, durch eine Normierung, Skalierung, Bereinigung von Artefakten und/oder Entfernung von Ausreißern aufbereitet werden und/oder dass die Spektren Informationen über den zeitlichen Verlauf der Reflektanz der aktuellen Schichtoberfläche bei einer Vielzahl von Wellenlängen λ enthalten.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Schichtenfolgen in darauffolgenden Bearbeitungsschritten zu optoelektronischen Bauelementen (1) weiterverarbeitet werden, wobei die Eigenschaften an den Bauelementen (1) ermittelt werden und/oder dass die Eigenschaften von den Dicken und den Zusammensetzungen der Schichten abhängen.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass aus den zeitlichen Spektren ein aus Pixeln bestehendes Bild erzeugt wird, bei dem die Reflektanz zu einer Zeit und einer Wellenlänge (λ) durch eine Farbe dargestellt ist, wobei das Bild mittels der Methoden der Mustererkennung ausgewertet wird, um in der Lernphase die Vorhersagefunktion und in der Nutzungsphase die Eigenschaft zu gewinnen.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in der Lernphase aus den in den vorangehenden Prozessen des Abscheidens einer Schichtenfolge aufgenommenen Messwerten und aus den nachfolgend bestimmten Eigenschaften Lern- und Testdatensätze gewonnen werden, mit denen die Vorhersagefunktion auf Zuverlässigkeit überprüft wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Vorhersagefunktion mit Hilfe des Algorithmus des maschinellen Lernens aus den in der Nutzungsphase gemessenen Messwerten und gemessenen Eigenschaften aktualisiert wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Vorhersage der einer Schichtenfolge zugeordneten Eigenschaften zusätzlich Rezeptparameter, wie Flussraten der gasförmigen Ausgangsstoffe, Wachstumstemperatur, Temperatur des Substrates, auf dem die Schichtenfolge abgeschieden wird, Gasflüsse des Trägergases, Temperaturen an Oberflächen einer Prozesskammer, in der der Prozess durchgeführt wird, verwendet werden.
Verfahren einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Eigenschaften die Schichtdicke oder die Zusammensetzung ein oder mehrerer Schichten, die optische oder elektrische Eigenschaft ein oder mehrerer Schichten sind und/oder dass die Schichtenfolge eine Laser-Struktur ist und die Eigenschaft eine Stopband-Position, eine Wellenlänge eines FP-Dip, eine Emissionswellenlänge des Lasers oder der Aluminiumgehalt einer Oxidationsschicht ist.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Bauelement (1) ein oberflächenemittierender Halbleiterlaser, insbesondere ein VCSEL ist und/oder dass das Bauelement zwei aus mindestens 30 bis 70 Einzelschichten bestehende Spiegel (2, 3) und/oder eine dünne AlGaAs-Schicht (5) aufweist und/oder dass das Bauelement zumindest eine optisch aktive Quantenwellstruktur zur Emission von Laserlicht aufweist und/oder dass das Bauteil eine in eine Kavität eingebettete Quantenwellstruktur aufweist, die zwischen zwei Spiegeln (2, 3) angeordnet ist.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Schichtenfolge in einem MOCVD-Reaktor unter Verwendung metallorganischer III-Komponenten und V-Hydriden hergestellt werden.
Verfahren einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass während des Abscheidens der Schichtenfolge kontinuierlich Vorhersagen der Eigenschaften gemacht werden und bei einer sich abzeichnenden Abweichung der Eigenschaft von einem Sollwert korrigierend in den Wachstumsprozess eingegriffen wird und/oder dass die bei einem Run vorhergesagten Eigenschaften der abgeschiedenen Schichten verwendet werden, um die Rezeptparameter bei der Durchführung von zukünftigen Runs zu korrigieren und/oder dass Schichtenfolgen aufgrund der vorhergesagten Eigenschaften vor der Weiterverarbeitung zu optoelektronischen Bauelementen aussortiert werden.
Verfahren einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Vorhersagefunktion durch logische Zuordnung der in der Lernphase aufgenommenen Spektren jeweils zu einer Eigenschaft und durch eine Mustererkennung quantifizierbarer Attribute der Spektren und Korrelationsfunktionen gefunden werden.
Verfahren, gekennzeichnet durch eines oder mehrere der kennzeichnenden Merkmale eines der vorhergehenden Ansprüche.