当前位置: 首页 > news >正文

碳化硅衬底 TTV 厚度不均匀性测量的特殊采样策略

摘要

本文聚焦碳化硅衬底 TTV 厚度不均匀性测量需求,分析常规采样策略的局限性,从不均匀性特征分析、采样点布局优化、采样频率确定等方面提出特殊采样策略,旨在提升测量效率与准确性,为碳化硅衬底质量评估提供更可靠的数据支持。

引言

在碳化硅半导体制造领域,晶圆总厚度变化(TTV)不均匀性是影响器件性能和良率的关键因素。精确测量 TTV 厚度不均匀性有助于及时发现工艺问题、优化制造流程。然而,碳化硅衬底的材料特性和制造工艺导致其 TTV 不均匀性分布复杂,常规采样策略难以全面、准确地反映其真实情况,因此亟需研究适用于碳化硅衬底 TTV 厚度不均匀性测量的特殊采样策略。

不均匀性特征分析

碳化硅衬底 TTV 厚度不均匀性受晶体生长、加工工艺等多种因素影响,呈现出不同的分布特征。在晶体生长过程中,由于温度场、浓度场的不均匀,会导致衬底不同区域的生长速率差异,进而产生厚度变化 。加工过程中的研磨、抛光工艺参数波动,也会使衬底表面材料去除量不一致。此外,衬底边缘与中心区域的应力状态不同,容易造成边缘区域 TTV 不均匀性更为显著,这些特征为特殊采样策略的制定提供了依据。

特殊采样策略制定

采样点布局优化

针对碳化硅衬底 TTV 不均匀性的分布特点,采用非均匀采样点布局。在边缘区域、晶体生长缺陷易发区等不均匀性可能较大的部位,增加采样点密度,如采用网格加密的方式,确保能够捕捉到细微的厚度变化 。对于衬底中心相对均匀的区域,适当减少采样点数量,在保证测量准确性的同时提高测量效率。同时,结合衬底的晶向信息,在不同晶向方向上合理布置采样点,以全面反映各方向的 TTV 不均匀性。

采样频率确定

根据碳化硅衬底的生产批次、工艺稳定性等因素确定采样频率。对于工艺稳定性较差的批次,增加采样频率,以便及时发现 TTV 不均匀性的变化趋势;而对于成熟工艺生产的批次,可适当降低采样频率 。此外,在工艺参数调整后或设备维护后,应提高采样频率,监测 TTV 不均匀性是否受到影响,确保生产过程的稳定性。

动态自适应采样

引入传感器实时监测碳化硅衬底的加工过程参数,如研磨压力、抛光时间等。基于机器学习算法建立 TTV 不均匀性预测模型,根据实时监测的参数预测 TTV 不均匀性的变化 。当预测到不均匀性可能发生显著变化时,自动调整采样策略,增加采样点数量或提高采样频率,实现动态自适应采样,提高测量的针对性和准确性。

高通量晶圆测厚系统运用第三代扫频OCT技术,精准攻克晶圆/晶片厚度TTV重复精度不稳定难题,重复精度达3nm以下。针对行业厚度测量结果不一致的痛点,经不同时段测量验证,保障再现精度可靠。​

我们的数据和WAFERSIGHT2的数据测量对比,进一步验证了真值的再现性:

(以上为新启航实测样品数据结果)

该系统基于第三代可调谐扫频激光技术,相较传统双探头对射扫描,可一次完成所有平面度及厚度参数测量。其创新扫描原理极大提升材料兼容性,从轻掺到重掺P型硅,到碳化硅、蓝宝石、玻璃等多种晶圆材料均适用:​

对重掺型硅,可精准探测强吸收晶圆前后表面;​

点扫描第三代扫频激光技术,有效抵御光谱串扰,胜任粗糙晶圆表面测量;​

通过偏振效应补偿,增强低反射碳化硅、铌酸锂晶圆测量信噪比;

(以上为新启航实测样品数据结果)

支持绝缘体上硅和MEMS多层结构测量,覆盖μm级到数百μm级厚度范围,还可测量薄至4μm、精度达1nm的薄膜。

(以上为新启航实测样品数据结果)

此外,可调谐扫频激光具备出色的“温漂”处理能力,在极端环境中抗干扰性强,显著提升重复测量稳定性。

(以上为新启航实测样品数据结果)

系统采用第三代高速扫频可调谐激光器,摆脱传统SLD光源对“主动式减震平台”的依赖,凭借卓越抗干扰性实现小型化设计,还能与EFEM系统集成,满足产线自动化测量需求。运动控制灵活,适配2-12英寸方片和圆片测量。

http://www.dtcms.com/a/352720.html

相关文章:

  • Redis哨兵机制:高可用架构的守护神!⚔️ 主从秒级切换实战指南
  • 力扣LCP 46. 志愿者调配随笔
  • 基于Spring Boot+Vue的生活用品购物平台/在线购物系统/生活用户在线销售系统/基于javaweb的在线商城系统
  • 微生产力革命:AI解决生活小任务分享会
  • AI 解决生活小事 2——用 AI 做一回新闻播客
  • 解决mac brew4.0安装速度慢的问题
  • 卫星轨道动力学基本理论
  • 精品短剧《奔腾的心》正式开机,以匠心描绘新时代西藏故事
  • 深入解析达梦数据库:模式分类、状态管理与实操指南
  • 21款m1 max升级到macOS 13——Ventura
  • ModuleNotFoundError: No module named ‘dbgpt_app‘
  • 【开源工具】基于Flask与Socket.IO的跨平台屏幕监控系统实战(附完整源码)
  • 宠物智能手机PetPhone技术解析:AI交互与健康监测的系统级创新
  • 设计模式与设计原则简介——及其设计模式学习方法
  • 【Java】异常处理:从入门到精通
  • `open()` 系统调用详解
  • Day7--HOT100--54. 螺旋矩阵,48. 旋转图像,240. 搜索二维矩阵 II
  • LeetCode 32. 最长有效括号
  • 安卓接入通义千问AI的实现记录
  • 基于Springboot学生社区管理系统源码
  • uniapp H5禁止微信浏览器长按出菜单,只针对图片
  • 迅睿CMS自定义网站表单:HTML方式调用Select下拉选项数据指南
  • HTML(面试)
  • 【开题答辩全过程】以 微信小程序的医院挂号预约系统为例,包含答辩的问题和答案
  • 【开题答辩全过程】以 微信小程序的老年活动中心为例,包含答辩的问题和答案
  • 本地windows电脑部署html网页到互联网:html+node.js+ngrok/natapp
  • 腾讯位置商业授权微信小程序路线规划
  • 基于微信小程序的化妆品成分查询系统源码
  • Android Glide最佳实践:高效图片加载完全指南
  • 软考-系统架构设计师 业务处理系统(TPS)详细讲解