Epitaksja azotku galu wkracza w nowy etap produkcji półprzewodników.
Przez lata jakość płytek epitaksjalnych GaN zależała w dużej mierze od starannie zoptymalizowanych receptur wzrostu, doświadczonych inżynierów procesów i ciągłego monitorowania warunków w reaktorze. Nawet niewielkie odchylenia w temperaturze podłoża, ciśnieniu w komorze, stosunku strumieni III/V lub rekonstrukcji powierzchni mogą wpływać na ostateczną jakość kryształu.
Sztuczna inteligencja zaczyna zmieniać to podejście.
Zamiast polegać wyłącznie na stałych recepturach, nowe platformy epitaksjalne łączą dane RHEED w czasie rzeczywistym, informacje z czujników sprzętu i algorytmy uczenia maszynowego w celu identyfikacji warunków wzrostu, wykrywania anomalii i ostatecznie dostosowywania parametrów procesu podczas wzrostu epitaksjalnego.
Niedawnym przykładem jest koreańska firma IVWorks, która we wrześniu 2026 roku poinformowała, że jej system produkcji płytek epitaksjalnych GaN wykorzystuje modele AI do analizy dyfrakcji elektronów szybkich o wysokiej energii (RHEED) wraz z danymi sprzętu MBE. Firma twierdzi, że od 2019 roku zgromadziła ponad 330 milionów punktów danych procesowych w szeregach czasowych i ponad 30 TB danych RHEED.
Ten rozwój podkreśla szerszy trend: epitaksja GaN przechodzi od automatyzacji opartej na recepturach w kierunku produkcji opartej na danych i coraz bardziej autonomicznej.
Urządzenia GaN są wykorzystywane w zastosowaniach od komunikacji RF po energoelektronikę wysokiej częstotliwości.
Jednak wydajność elektryczna gotowego urządzenia silnie zależy od jakości epitaksjalnej.
Ważne cechy płytek epitaksjalnych GaN obejmują:
Na te parametry wpływa wiele wzajemnie oddziałujących warunków wzrostu.
Podczas epitaksji z wiązki molekularnej (MBE), na przykład, inżynierowie muszą kontrolować zmienne takie jak:
Trudność polega na tym, że te zmienne nie są niezależne.
Zmiana temperatury może jednocześnie wpływać na mobilność powierzchniową, wydajność wbudowania i szybkość wzrostu.
Niewielkie odchylenie, które wydaje się nieistotne na poziomie sprzętu, może ostatecznie spowodować mierzalne różnice w wydajności elektrycznej płytki.
To jeden z powodów, dla których monitorowanie procesów oparte na AI przyciąga uwagę.
Dyfrakcja elektronów szybkich o wysokiej energii (RHEED) jest jedną z najbardziej użytecznych technik monitorowania in-situ dla MBE.
Podczas wzrostu epitaksjalnego wiązka elektronów o wysokiej energii pada na powierzchnię płytki pod bardzo małym kątem.
Elektrony oddziałują z powierzchnią kryształu i tworzą wzór dyfrakcyjny.
Inżynierowie mogą wykorzystać ten wzór do uzyskania informacji o powierzchni podczas wzrostu, bez wyjmowania płytki z reaktora.
RHEED może dostarczyć informacji związanych z:
Różne warunki powierzchniowe dają różne wzory dyfrakcyjne.
Gładka powierzchnia dwuwymiarowa często daje stosunkowo ostre prążki, podczas gdy chropowatość lub tworzenie się wysp trójwymiarowych może znacząco zmienić wzór dyfrakcyjny.
Tradycyjnie doświadczeni operatorzy interpretują te wzory wizualnie.
Takie podejście działa, ale ma swoje ograniczenia.
Nowoczesny proces epitaksjalny może generować ogromną ilość informacji RHEED.
Kamera może stale rejestrować wzory dyfrakcyjne przez cały proces wzrostu.
Operatorzy ludzcy nie są w stanie realistycznie analizować każdej klatki ilościowo.
Niektóre zmiany mogą również wystąpić, zanim staną się widoczne.
Uczenie maszynowe oferuje inne podejście.
Zamiast prosić inżyniera o interpretację poszczególnych obrazów, systemy AI mogą analizować całe sekwencje obrazów RHEED i identyfikować subtelne zmiany w:
Badania opublikowane w Journal of Vacuum Science & Technology A zademonstrowały analizę uczenia maszynowego obrazów RHEED podczas wzrostu MBE, która mogła identyfikować zmiany w reżimach osadzania w locie. Przepływ pracy analizy został zaprojektowany do działania w czasie krótszym niż jedna sekunda, ilustrując potencjał danych RHEED do stania się częścią kontroli sprzężenia zwrotnego w czasie rzeczywistym, a nie tylko narzędziem monitorującym.
Ważna zmiananie polega po prostu na wykorzystaniu AI do klasyfikacji obrazów.Większym celem jest kontrola procesu w pętli zamkniętej.
Uproszczony autonomiczny system epitaksjalny może działać w następujący sposób:
Kamera RHEED
↓
Nowa odpowiedź RHEED
↓
Nowa odpowiedź RHEED
↓
Nowa odpowiedź RHEED
↓
Nowa odpowiedź RHEED
↓
Nowa odpowiedź RHEED
↓
Nowa odpowiedź RHEED
Cykl następnie się powtarza.
Pozwala to systemowi wzrostu reagować na rzeczywisty stan płytki, zamiast ślepo podążać za z góry określonym przepisem.
Na przykład, model mógłby potencjalnie wykryć, że powierzchnia zaczyna przechodzić od gładkiego wzrostu warstwa po warstwie do niepożądanego tworzenia się wysp.
Kontroler procesu mógłby następnie ocenić, czy parametry takie jak temperatura podłoża lub strumień materiału powinny zostać dostosowane.
Ta koncepcja jest coraz częściej opisywana jako epitaksja autonomiczna lub epitaksja autonomiczna.
Produkcja GaN MBE sterowana przez AI
Według firmy, jej platforma epitaksjalna AI łączy informacje RHEED z danymi sprzętu w szeregach czasowych, takimi jak temperatura i ciśnienie.
Modele AI oceniają warunki wzrostu i wykrywają anomalie, podczas gdy jej framework automatyzacji MBE obsługuje operacje, w tym ładowanie płytek, wzrost epitaksjalny i rozładowywanie. Deklarowany kierunek to redukcja interwencji człowieka i poprawa stabilności produkcji.
Jest to ważne, ponieważ epitaksja przemysłowa różni się od wzrostu laboratoryjnego.
Produkcja masowa wymaga powtarzalności w zakresie:
Wielu płytek
Komercyjny dostawca płytek epitaksjalnych potrzebuje spójnej wydajności płytka po płytce.
Jak AI może poprawić jednorodność płytek epitaksjalnych GaN
W zależności od struktury urządzenia, klienci mogą oceniać:
Jednorodność grubości epitaksjalnej
W przypadku płytek produkcyjnych o średnicy 100 mm, 150 mm lub 200 mm, mogą one bezpośrednio wpływać na uzysk urządzeń.
Kontrola procesu AI może potencjalnie poprawić jednorodność na kilka sposobów.
1. Wcześniejsze wykrywanie dryfu wzrostu
Warunki mogą dryfować z powodu:
Wyczerpania źródła
Łącząc dane RHEED z danymi z czujników sprzętu, systemy AI mogą wykrywać dryf wcześniej niż konwencjonalne monitorowanie statystyczne.
2. Identyfikacja nieprawidłowych stanów wzrostu
Wczesne wykrycie pozwala systemowi oznaczyć płytkę lub potencjalnie dostosować proces, zanim defekt stanie się poważny.
3. Redukcja zmienności między procesami
Modele uczenia maszynowego mogą porównywać bieżący proces z dużymi historycznymi zbiorami danych i identyfikować odchylenia od poprzednio udanych trajektorii wzrostu.
Może to pomóc w poprawie powtarzalności między procesami.
AI i kontrola chropowatości powierzchni
Niska jakość powierzchni może wpływać na:
Litografię
Analiza RHEED wspomagana uczeniem maszynowym już wykazała, że informacje dyfrakcyjne można skorelować z ważnymi wskaźnikami jakości filmu w eksperymentalnych systemach MBE.
Na przykład, badanie z 2025 roku dotyczące wzrostu GaSe MBE wykazało, że włączenie cech pochodzących z RHEED poprawiło modele uczenia maszynowego używane do przewidywania metryk jakości kryształu, wspierając szerszą koncepcję łączenia dyfrakcji in-situ z danymi procesowymi w celu optymalizacji epitaksji.
Konkretny materiał w tym badaniu nie był GaN, więc ilościowy model nie może być po prostu przeniesiony do produkcji GaN. Jednak podejście to pokazuje, w jaki sposób informacje RHEED mogą stać się zmienną procesową możliwą do odczytu przez maszynę, a nie tylko diagnostyką wizualną.
Redukcja defektów i uzysk
Defekty epitaksjalne GaN mogą obejmować:
Dyslokacje nitkowate
Wiele z nich wynika z podstawowych ograniczeń podłoża i heteroepitaksji.
Jednak AI może pomóc w redukcji defektów związanych z niestabilnością procesu.
Na przykład, jeśli określona kombinacja ewolucji wzoru RHEED, dryfu temperatury i ciśnienia w komorze wielokrotnie koreluje z niskimi wynikami po wzroście, model może nauczyć się tej zależności.
Przyszłe procesy wzrostu mogą następnie oznaczać podobne warunki przed ukończeniem płytki.
Celem nie jest to, aby AI zmieniała prawa wzrostu kryształów.
Chodzi o utrzymanie procesu wzrostu w węższym i bardziej powtarzalnym oknie procesowym.
Dlaczego dane historyczne mają znaczenie
Model wytrenowany na niewielkiej liczbie procesów wzrostu może nie rozumieć wystarczająco dużo warunków procesowych, aby podejmować wiarygodne decyzje.
To wyjaśnia, dlaczego duże zbiory danych historycznych są cenne.
Przydatne informacje mogą obejmować:
Wideo RHEED
Przykłady obejmują:
Szablon GaN
Warunki procesowe → zachowanie powierzchni in-situ → ostateczna jakość płytki
Gdy dostępnych jest wystarczająco dużo wiarygodnych danych, system może zacząć znajdować zależności, które mogą być trudne do zidentyfikowania ręcznie.
Od automatyzacji do epitaksji autonomicznej
Na przykład:
Ustaw temperaturę na X.
Otwórz migawkę źródła o czasie Y.
Wzrost warstwy przez Z minut.
Produkcja autonomiczna dodaje kolejny poziom.
Zamiast tylko wykonywać instrukcje, system ocenia bieżący stan procesu przed podjęciem decyzji, co powinno się wydarzyć dalej.
Najnowsze badania wykazały już koncepcje samosterującej MBE z wykorzystaniem in-situ RHEED i uczenia maszynowego opartego na fizyce. Badanie z 2026 roku opisało platformę SemiEpi, która integruje sprzęt MBE, monitorowanie RHEED i kontrolę sprzężenia zwrotnego w celu dostosowania wzrostu heterostruktur półprzewodnikowych.
Wcześniejsze badania wykazały również wspomaganą uczeniem maszynowym kontrolę w czasie rzeczywistym wzrostu kropek kwantowych InAs/GaAs przy użyciu wideo RHEED jako wejścia do decyzji sprzężenia zwrotnego.
Te demonstracje nie są równoważne z w pełni autonomiczną produkcją GaN na dużą skalę, ale pokazują techniczną ścieżkę w kierunku coraz bardziej zamkniętej pętli epitaksji.
Czego AI nie może zastąpić
Wysokiej jakości epitaksja GaN nadal zależy od:
Projektu reaktora
Fizyczny proces wzrostu nadal decyduje o ostatecznym materiale.
AI głównie zapewnia potężniejszy sposób monitorowania, analizowania i kontrolowania tego procesu.
Implikacje dla kupujących płytki epitaksjalne GaN
Ostateczna specyfikacja płytki pozostaje ważniejsza.
Zapytanie ofertowe (RFQ) dotyczące płytek epitaksjalnych GaN powinno jasno określać odpowiednie parametry.
Rozmiar płytki
2 cale
GaN-on-Si
Szablon GaN
Właściwości elektryczne
Rezystancja powierzchniowa
Chropowatość RMS
TTV
Dlaczego jednorodność jest ważniejsza w miarę powiększania się płytek GaN
Wraz ze wzrostem średnicy płytki, niewielki gradient procesu może wpływać na znacznie większą liczbę urządzeń.
Na przykład, wahania w:
Temperaturze
Dlatego sterowanie procesem oparte na danych staje się coraz cenniejsze dla epitaksji GaN o średnicy 150 mm i 200 mm, a potencjalnie dla przyszłej produkcji o większej średnicy.
Wartość ekonomiczna AI jest zatem ściśle związana ze skalą płytki.
Jeśli ulepszona kontrola procesu zmniejsza zmienność między płytkami lub zwiększa procent użytecznej powierzchni płytki, wpływ ten może zostać zwielokrotniony na tysiącach urządzeń.
Epitaksja sterowana przez AI nie eliminuje inspekcji
Krytyczne płytki epitaksjalne GaN mogą wymagać kombinacji:
Inspekcja powierzchni
System wzrostu dostarcza informacji w czasie rzeczywistym.
Ostateczna inspekcja weryfikuje, czy płytka spełnia specyfikację klienta.
Przyszłość: Cyfrowe bliźniaki i samoptymalizująca się epitaksja GaN
Przyszłe platformy mogą łączyć:
RHEED w czasie rzeczywistym
System mógłby następnie optymalizować parametry procesu pod kątem określonych celów, takich jak:
Niższa gęstość defektów
Wniosek
RHEED tradycyjnie służył jako ważne narzędzie obserwacji w czasie rzeczywistym dla wzrostu MBE. Łącząc obrazy RHEED z uczeniem maszynowym i danymi z czujników sprzętu, producenci mogą przekształcić te informacje w bardziej ilościowy system kontroli procesu.
Potencjalne korzyści obejmują:
Wcześniejsze wykrywanie anomalii
Jednak dla klientów płytek epitaksjalnych GaN najważniejsze czynniki pozostają mierzalnymi specyfikacjami materiału: struktura epitaksjalna, właściwości elektryczne, jakość powierzchni, geometria płytki i jednorodność między płytkami.
AI nie jest substytutem wysokiej jakości epitaksji GaN.
Jej prawdziwa wartość polega na pomaganiu producentom w osiąganiu tej jakości w bardziej spójny sposób, na większej liczbie płytek i z większą kontrolą nad coraz bardziej złożonymi procesami wzrostu półprzewodników.
Epitaksja azotku galu wkracza w nowy etap produkcji półprzewodników.
Przez lata jakość płytek epitaksjalnych GaN zależała w dużej mierze od starannie zoptymalizowanych receptur wzrostu, doświadczonych inżynierów procesów i ciągłego monitorowania warunków w reaktorze. Nawet niewielkie odchylenia w temperaturze podłoża, ciśnieniu w komorze, stosunku strumieni III/V lub rekonstrukcji powierzchni mogą wpływać na ostateczną jakość kryształu.
Sztuczna inteligencja zaczyna zmieniać to podejście.
Zamiast polegać wyłącznie na stałych recepturach, nowe platformy epitaksjalne łączą dane RHEED w czasie rzeczywistym, informacje z czujników sprzętu i algorytmy uczenia maszynowego w celu identyfikacji warunków wzrostu, wykrywania anomalii i ostatecznie dostosowywania parametrów procesu podczas wzrostu epitaksjalnego.
Niedawnym przykładem jest koreańska firma IVWorks, która we wrześniu 2026 roku poinformowała, że jej system produkcji płytek epitaksjalnych GaN wykorzystuje modele AI do analizy dyfrakcji elektronów szybkich o wysokiej energii (RHEED) wraz z danymi sprzętu MBE. Firma twierdzi, że od 2019 roku zgromadziła ponad 330 milionów punktów danych procesowych w szeregach czasowych i ponad 30 TB danych RHEED.
Ten rozwój podkreśla szerszy trend: epitaksja GaN przechodzi od automatyzacji opartej na recepturach w kierunku produkcji opartej na danych i coraz bardziej autonomicznej.
Urządzenia GaN są wykorzystywane w zastosowaniach od komunikacji RF po energoelektronikę wysokiej częstotliwości.
Jednak wydajność elektryczna gotowego urządzenia silnie zależy od jakości epitaksjalnej.
Ważne cechy płytek epitaksjalnych GaN obejmują:
Na te parametry wpływa wiele wzajemnie oddziałujących warunków wzrostu.
Podczas epitaksji z wiązki molekularnej (MBE), na przykład, inżynierowie muszą kontrolować zmienne takie jak:
Trudność polega na tym, że te zmienne nie są niezależne.
Zmiana temperatury może jednocześnie wpływać na mobilność powierzchniową, wydajność wbudowania i szybkość wzrostu.
Niewielkie odchylenie, które wydaje się nieistotne na poziomie sprzętu, może ostatecznie spowodować mierzalne różnice w wydajności elektrycznej płytki.
To jeden z powodów, dla których monitorowanie procesów oparte na AI przyciąga uwagę.
Dyfrakcja elektronów szybkich o wysokiej energii (RHEED) jest jedną z najbardziej użytecznych technik monitorowania in-situ dla MBE.
Podczas wzrostu epitaksjalnego wiązka elektronów o wysokiej energii pada na powierzchnię płytki pod bardzo małym kątem.
Elektrony oddziałują z powierzchnią kryształu i tworzą wzór dyfrakcyjny.
Inżynierowie mogą wykorzystać ten wzór do uzyskania informacji o powierzchni podczas wzrostu, bez wyjmowania płytki z reaktora.
RHEED może dostarczyć informacji związanych z:
Różne warunki powierzchniowe dają różne wzory dyfrakcyjne.
Gładka powierzchnia dwuwymiarowa często daje stosunkowo ostre prążki, podczas gdy chropowatość lub tworzenie się wysp trójwymiarowych może znacząco zmienić wzór dyfrakcyjny.
Tradycyjnie doświadczeni operatorzy interpretują te wzory wizualnie.
Takie podejście działa, ale ma swoje ograniczenia.
Nowoczesny proces epitaksjalny może generować ogromną ilość informacji RHEED.
Kamera może stale rejestrować wzory dyfrakcyjne przez cały proces wzrostu.
Operatorzy ludzcy nie są w stanie realistycznie analizować każdej klatki ilościowo.
Niektóre zmiany mogą również wystąpić, zanim staną się widoczne.
Uczenie maszynowe oferuje inne podejście.
Zamiast prosić inżyniera o interpretację poszczególnych obrazów, systemy AI mogą analizować całe sekwencje obrazów RHEED i identyfikować subtelne zmiany w:
Badania opublikowane w Journal of Vacuum Science & Technology A zademonstrowały analizę uczenia maszynowego obrazów RHEED podczas wzrostu MBE, która mogła identyfikować zmiany w reżimach osadzania w locie. Przepływ pracy analizy został zaprojektowany do działania w czasie krótszym niż jedna sekunda, ilustrując potencjał danych RHEED do stania się częścią kontroli sprzężenia zwrotnego w czasie rzeczywistym, a nie tylko narzędziem monitorującym.
Ważna zmiananie polega po prostu na wykorzystaniu AI do klasyfikacji obrazów.Większym celem jest kontrola procesu w pętli zamkniętej.
Uproszczony autonomiczny system epitaksjalny może działać w następujący sposób:
Kamera RHEED
↓
Nowa odpowiedź RHEED
↓
Nowa odpowiedź RHEED
↓
Nowa odpowiedź RHEED
↓
Nowa odpowiedź RHEED
↓
Nowa odpowiedź RHEED
↓
Nowa odpowiedź RHEED
Cykl następnie się powtarza.
Pozwala to systemowi wzrostu reagować na rzeczywisty stan płytki, zamiast ślepo podążać za z góry określonym przepisem.
Na przykład, model mógłby potencjalnie wykryć, że powierzchnia zaczyna przechodzić od gładkiego wzrostu warstwa po warstwie do niepożądanego tworzenia się wysp.
Kontroler procesu mógłby następnie ocenić, czy parametry takie jak temperatura podłoża lub strumień materiału powinny zostać dostosowane.
Ta koncepcja jest coraz częściej opisywana jako epitaksja autonomiczna lub epitaksja autonomiczna.
Produkcja GaN MBE sterowana przez AI
Według firmy, jej platforma epitaksjalna AI łączy informacje RHEED z danymi sprzętu w szeregach czasowych, takimi jak temperatura i ciśnienie.
Modele AI oceniają warunki wzrostu i wykrywają anomalie, podczas gdy jej framework automatyzacji MBE obsługuje operacje, w tym ładowanie płytek, wzrost epitaksjalny i rozładowywanie. Deklarowany kierunek to redukcja interwencji człowieka i poprawa stabilności produkcji.
Jest to ważne, ponieważ epitaksja przemysłowa różni się od wzrostu laboratoryjnego.
Produkcja masowa wymaga powtarzalności w zakresie:
Wielu płytek
Komercyjny dostawca płytek epitaksjalnych potrzebuje spójnej wydajności płytka po płytce.
Jak AI może poprawić jednorodność płytek epitaksjalnych GaN
W zależności od struktury urządzenia, klienci mogą oceniać:
Jednorodność grubości epitaksjalnej
W przypadku płytek produkcyjnych o średnicy 100 mm, 150 mm lub 200 mm, mogą one bezpośrednio wpływać na uzysk urządzeń.
Kontrola procesu AI może potencjalnie poprawić jednorodność na kilka sposobów.
1. Wcześniejsze wykrywanie dryfu wzrostu
Warunki mogą dryfować z powodu:
Wyczerpania źródła
Łącząc dane RHEED z danymi z czujników sprzętu, systemy AI mogą wykrywać dryf wcześniej niż konwencjonalne monitorowanie statystyczne.
2. Identyfikacja nieprawidłowych stanów wzrostu
Wczesne wykrycie pozwala systemowi oznaczyć płytkę lub potencjalnie dostosować proces, zanim defekt stanie się poważny.
3. Redukcja zmienności między procesami
Modele uczenia maszynowego mogą porównywać bieżący proces z dużymi historycznymi zbiorami danych i identyfikować odchylenia od poprzednio udanych trajektorii wzrostu.
Może to pomóc w poprawie powtarzalności między procesami.
AI i kontrola chropowatości powierzchni
Niska jakość powierzchni może wpływać na:
Litografię
Analiza RHEED wspomagana uczeniem maszynowym już wykazała, że informacje dyfrakcyjne można skorelować z ważnymi wskaźnikami jakości filmu w eksperymentalnych systemach MBE.
Na przykład, badanie z 2025 roku dotyczące wzrostu GaSe MBE wykazało, że włączenie cech pochodzących z RHEED poprawiło modele uczenia maszynowego używane do przewidywania metryk jakości kryształu, wspierając szerszą koncepcję łączenia dyfrakcji in-situ z danymi procesowymi w celu optymalizacji epitaksji.
Konkretny materiał w tym badaniu nie był GaN, więc ilościowy model nie może być po prostu przeniesiony do produkcji GaN. Jednak podejście to pokazuje, w jaki sposób informacje RHEED mogą stać się zmienną procesową możliwą do odczytu przez maszynę, a nie tylko diagnostyką wizualną.
Redukcja defektów i uzysk
Defekty epitaksjalne GaN mogą obejmować:
Dyslokacje nitkowate
Wiele z nich wynika z podstawowych ograniczeń podłoża i heteroepitaksji.
Jednak AI może pomóc w redukcji defektów związanych z niestabilnością procesu.
Na przykład, jeśli określona kombinacja ewolucji wzoru RHEED, dryfu temperatury i ciśnienia w komorze wielokrotnie koreluje z niskimi wynikami po wzroście, model może nauczyć się tej zależności.
Przyszłe procesy wzrostu mogą następnie oznaczać podobne warunki przed ukończeniem płytki.
Celem nie jest to, aby AI zmieniała prawa wzrostu kryształów.
Chodzi o utrzymanie procesu wzrostu w węższym i bardziej powtarzalnym oknie procesowym.
Dlaczego dane historyczne mają znaczenie
Model wytrenowany na niewielkiej liczbie procesów wzrostu może nie rozumieć wystarczająco dużo warunków procesowych, aby podejmować wiarygodne decyzje.
To wyjaśnia, dlaczego duże zbiory danych historycznych są cenne.
Przydatne informacje mogą obejmować:
Wideo RHEED
Przykłady obejmują:
Szablon GaN
Warunki procesowe → zachowanie powierzchni in-situ → ostateczna jakość płytki
Gdy dostępnych jest wystarczająco dużo wiarygodnych danych, system może zacząć znajdować zależności, które mogą być trudne do zidentyfikowania ręcznie.
Od automatyzacji do epitaksji autonomicznej
Na przykład:
Ustaw temperaturę na X.
Otwórz migawkę źródła o czasie Y.
Wzrost warstwy przez Z minut.
Produkcja autonomiczna dodaje kolejny poziom.
Zamiast tylko wykonywać instrukcje, system ocenia bieżący stan procesu przed podjęciem decyzji, co powinno się wydarzyć dalej.
Najnowsze badania wykazały już koncepcje samosterującej MBE z wykorzystaniem in-situ RHEED i uczenia maszynowego opartego na fizyce. Badanie z 2026 roku opisało platformę SemiEpi, która integruje sprzęt MBE, monitorowanie RHEED i kontrolę sprzężenia zwrotnego w celu dostosowania wzrostu heterostruktur półprzewodnikowych.
Wcześniejsze badania wykazały również wspomaganą uczeniem maszynowym kontrolę w czasie rzeczywistym wzrostu kropek kwantowych InAs/GaAs przy użyciu wideo RHEED jako wejścia do decyzji sprzężenia zwrotnego.
Te demonstracje nie są równoważne z w pełni autonomiczną produkcją GaN na dużą skalę, ale pokazują techniczną ścieżkę w kierunku coraz bardziej zamkniętej pętli epitaksji.
Czego AI nie może zastąpić
Wysokiej jakości epitaksja GaN nadal zależy od:
Projektu reaktora
Fizyczny proces wzrostu nadal decyduje o ostatecznym materiale.
AI głównie zapewnia potężniejszy sposób monitorowania, analizowania i kontrolowania tego procesu.
Implikacje dla kupujących płytki epitaksjalne GaN
Ostateczna specyfikacja płytki pozostaje ważniejsza.
Zapytanie ofertowe (RFQ) dotyczące płytek epitaksjalnych GaN powinno jasno określać odpowiednie parametry.
Rozmiar płytki
2 cale
GaN-on-Si
Szablon GaN
Właściwości elektryczne
Rezystancja powierzchniowa
Chropowatość RMS
TTV
Dlaczego jednorodność jest ważniejsza w miarę powiększania się płytek GaN
Wraz ze wzrostem średnicy płytki, niewielki gradient procesu może wpływać na znacznie większą liczbę urządzeń.
Na przykład, wahania w:
Temperaturze
Dlatego sterowanie procesem oparte na danych staje się coraz cenniejsze dla epitaksji GaN o średnicy 150 mm i 200 mm, a potencjalnie dla przyszłej produkcji o większej średnicy.
Wartość ekonomiczna AI jest zatem ściśle związana ze skalą płytki.
Jeśli ulepszona kontrola procesu zmniejsza zmienność między płytkami lub zwiększa procent użytecznej powierzchni płytki, wpływ ten może zostać zwielokrotniony na tysiącach urządzeń.
Epitaksja sterowana przez AI nie eliminuje inspekcji
Krytyczne płytki epitaksjalne GaN mogą wymagać kombinacji:
Inspekcja powierzchni
System wzrostu dostarcza informacji w czasie rzeczywistym.
Ostateczna inspekcja weryfikuje, czy płytka spełnia specyfikację klienta.
Przyszłość: Cyfrowe bliźniaki i samoptymalizująca się epitaksja GaN
Przyszłe platformy mogą łączyć:
RHEED w czasie rzeczywistym
System mógłby następnie optymalizować parametry procesu pod kątem określonych celów, takich jak:
Niższa gęstość defektów
Wniosek
RHEED tradycyjnie służył jako ważne narzędzie obserwacji w czasie rzeczywistym dla wzrostu MBE. Łącząc obrazy RHEED z uczeniem maszynowym i danymi z czujników sprzętu, producenci mogą przekształcić te informacje w bardziej ilościowy system kontroli procesu.
Potencjalne korzyści obejmują:
Wcześniejsze wykrywanie anomalii
Jednak dla klientów płytek epitaksjalnych GaN najważniejsze czynniki pozostają mierzalnymi specyfikacjami materiału: struktura epitaksjalna, właściwości elektryczne, jakość powierzchni, geometria płytki i jednorodność między płytkami.
AI nie jest substytutem wysokiej jakości epitaksji GaN.
Jej prawdziwa wartość polega na pomaganiu producentom w osiąganiu tej jakości w bardziej spójny sposób, na większej liczbie płytek i z większą kontrolą nad coraz bardziej złożonymi procesami wzrostu półprzewodników.
english
français
Deutsch
Italiano
Русский
Español
português
Nederlandse
ελληνικά
日本語
한국
العربية
Türkçe
polski