劉子瑜 / 工研院材化所
因應新興創能、儲能以及電動系統的發展，電動車、5G基建、快充對高功率/低損耗元件之需求，已成為寬能隙半導體發展之重要推動引擎，其中碳化矽更因其材料特性成為發展焦點。若能利用AI技術輔助SiC生產鏈中的製程優化或是特性預測，將能大幅縮短材料開發的時間或加速找到最佳製程參數。本文將介紹目前國際上已應用AI技術於碳化矽材料開發之案例，包含晶界特性預測、長晶製程、晶圓缺陷檢測與元件製程參數模型建立等應用。
【內文精選】
化合物半導體—碳化矽簡介
因應新興創能、儲能以及電動系統的發展，電動車、5G基建、快充對高功率/低損耗元件之需求，已成為寬能隙半導體發展之重要推動引擎，亦使得高功率元件的開發成為目前電子元件發展的焦點。第一代半導體材料(Si)載子傳輸速度慢、單一功能、無法發光；第二代化合物半導體材料(GaAs、InP)因直接能隙及高電子遷移率，可製作高性能毫米波元件及紅光發光，主要應用於射頻、移動、感測和高速通訊等；而第三代寬能隙半導體材料(SiC、GaN)能隙(Eg)大，具有高功率和熱穩定的特性，廣泛用於發光元件、轉能元件等。其中SiC的電子能隙可達3.26 eV，比起傳統的第一代和第二代材料，具有更高的崩潰電場。除此之外，作為元件的基板，熱傳導係數也是高頻高功率元件很重要的性質之一，SiC的熱傳導係數皆高於矽以及氮化鎵。綜上所述，SiC具備高功率、耐高壓、耐高溫等特性，以及高的熱傳導係數，成為高功率元件基板的重點選擇之一。
材料領域的AI
材料AI應用的面向包含整個產品開發歷程當中之材料設計、製造、產品測試，還有使用壽命驗證階段，將各階段中所有資訊，轉成大量的數據，搭配物理化學背景理論、產業知識，萃取出數據當中的重要特徵，並藉由選擇適當的演算法來獲得數學函式，進行經驗留存和未來應用的預測，如圖二。
圖二、材料AI的應用面向
AI技術於化合物半導體碳化矽材料領域之可能應用
1. 化合物半導體—碳化矽材料產業鏈為何需要AI？
最近，碳化矽的晶圓製造完成了艱難的轉型，從4吋進展到6吋晶圓。然而，低缺陷密度SiC晶片的生長仍然非常具有挑戰性。由於碳化矽需要在高溫環境下生長，並維持其高剛性和化學穩定性，SiC晶片中含有高密度的晶體和表面缺陷，導致基板的品質不良，這也連帶地造成隨後被覆上的磊晶層品質堪慮。因此若能利用AI技術輔助SiC生產鏈中的製程優化或是特性預測，將能大幅縮短材料開發的時間或加速找到最佳製程參數。
2. 碳化矽材料應用AI技術之國際研究
(3) 利用深度學習加速碳化矽材料發展與鑑定
此Balkas團隊利用深度學習為SiC提供一種非破壞性的準確缺陷計數方法，該方法可以在大批量製造環境中實施。採用非破壞性的鑑定方法，可以讓晶圓在被鑑定後仍然在隨後的製程中使用，大大降低了成本。在此研究中，Balkas團隊結合了蝕刻缺陷資訊，能夠從PL-NDT 成像中進行缺陷類型的分類以及缺陷位置的精確定位。他們首先利用同步輻射X光形貌術去對經過選擇性蝕刻的4H-SiC基板進行缺陷鑑定，以獲得大量的缺陷數據，並以此數據利用深度學習演算法(Deep Convolutional Neural Networks; DCNN)進行AI建模，並藉由關聯同一樣品從同步輻射X光形貌術所得到的缺陷類型、位置和數量再去做修正。
工研院應用AI技術在SiC材料的研發能量與未來展望
由於大尺寸碳化矽晶圓生產的技術尚未成熟，目前量產的碳化矽晶圓僅為6吋，8吋以上的晶圓仍處於研發階段，相比起成熟的矽晶圓仍有極大的成長空間。在台灣，生產碳化矽晶圓的產業尚未成形，所以掌握晶圓生產的設備和生長參數極為重要。碳化矽晶圓的生長有三種方法︰物理氣相傳輸(Physical Vapor Transport; PVT)、化學氣相沉積(Chemical Vapor Deposition; CVD)和液相成長(Top-seeded Solution Growth; TSSG)，其中PVT的操作成本、技術複雜度和有毒物質的使用率均為最低。而當中影響長晶品質最重要的參數即是坩堝幾何設計與材料選擇、粉末的品質和堆填方法。目前工研院材料與化工研究所也已投入模擬與AI技術在碳化矽長晶的研究，如圖九。過去的長晶優化，皆為利用直接實驗法憑經驗值進行調參，一輪長晶製程長達數十小時以上，需於長晶製程結束後破壞坩堝才能取出SiC晶體確認長晶之成功或失敗---以上為部分節錄資料，完整內容請見下方附檔。
圖九、工研院材化所投入模擬與AI技術在碳化矽長晶的研究
★本文節錄自《工業材料雜誌》425期，更多資料請見下方附檔。