Epitassia di nitruro di gallio sta entrando in una nuova fase della produzione di semiconduttori.

Per anni, la qualità dei wafer epitassiali di GaN è dipesa fortemente da ricette di crescita attentamente ottimizzate, ingegneri di processo esperti e monitoraggio continuo delle condizioni del reattore. Anche piccole deviazioni nella temperatura del substrato, nella pressione della camera, nel rapporto di flusso III/V o nella ricostruzione superficiale possono influenzare la qualità finale del cristallo.

L'intelligenza artificiale sta iniziando a cambiare questo approccio.

Invece di fare affidamento solo su ricette fisse, le nuove piattaforme di epitassia stanno combinando dati RHEED in tempo reale, informazioni dai sensori delle apparecchiature e algoritmi di machine learning per identificare le condizioni di crescita, rilevare anomalie e, in definitiva, regolare i parametri di processo durante la crescita epitassiale.

Un esempio recente proviene dalla sudcoreana IVWorks, che ha riferito nel settembre 2026 che il suo sistema di produzione di wafer epitassiali di GaN utilizza modelli di IA per analizzare la diffrazione di elettroni ad alta energia per riflessione, o RHEED, insieme ai dati delle apparecchiature MBE. L'azienda afferma di aver accumulato oltre 330 milioni di punti dati di processo in serie temporali e oltre 30 TB di dati RHEED dal 2019.

Questo sviluppo evidenzia una tendenza più ampia: l'epitassia di GaN si sta spostando dall'automazione basata su ricette verso la produzione guidata dai dati e sempre più autonoma.

Perché l'epitassia di GaN è difficile da controllare

I dispositivi GaN sono utilizzati in applicazioni che vanno dalle comunicazioni RF all'elettronica di potenza ad alta frequenza.

Tuttavia, le prestazioni elettriche del dispositivo finito dipendono fortemente dalla qualità epitassiale.

Le importanti caratteristiche dei wafer epitassiali di GaN includono:

• Uniformità dello spessore dello strato
• Rugosità superficiale
• Densità di difetti cristallini
• Qualità dell'interfaccia
• Concentrazione di portatori
• Mobilità elettronica
• Resistenza di foglio
• Perdita del buffer
• Stress del wafer
• Incurvamento del wafer
• Densità di particelle

Questi parametri sono influenzati da molte condizioni di crescita interagenti.

Durante la deposizione a fascio molecolare (MBE), ad esempio, gli ingegneri devono controllare variabili quali:

• Temperatura del substrato
• Flusso di gallio
• Flusso di azoto
• Velocità di crescita
• Pressione della camera
• Condizioni del plasma
• Flusso di drogaggio
• Tempo di crescita
• Ricostruzione superficiale

La difficoltà è che queste variabili non sono indipendenti.

Cambiare la temperatura può influenzare contemporaneamente la mobilità superficiale, l'efficienza di incorporazione e la velocità di crescita.

Una piccola deviazione che appare insignificante a livello di apparecchiatura può alla fine produrre differenze misurabili nelle prestazioni elettriche del wafer.

Questo è uno dei motivi per cui il monitoraggio dei processi basato sull'IA sta attirando l'attenzione.

Cos'è la RHEED?

La diffrazione di elettroni ad alta energia per riflessione è una delle tecniche di monitoraggio in situ più utili per la MBE.

Durante la crescita epitassiale, un fascio di elettroni ad alta energia colpisce la superficie del wafer con un angolo molto basso.

Gli elettroni interagiscono con la superficie cristallina e creano un pattern di diffrazione.

Gli ingegneri possono utilizzare questo pattern per ottenere informazioni sulla superficie durante la crescita senza rimuovere il wafer dal reattore.

La RHEED può fornire informazioni relative a:

• Ricostruzione superficiale
• Ordine cristallino
• Modalità di crescita
• Rugosità superficiale
• Formazione di strati
• Transizioni epitassiali

Diverse condizioni superficiali producono diversi pattern di diffrazione.

Una superficie liscia bidimensionale spesso produce striature relativamente nitide, mentre l'irruvidimento o la formazione di isole tridimensionali possono alterare significativamente il pattern di diffrazione.

Tradizionalmente, operatori esperti interpretano questi pattern visivamente.

Questo approccio funziona, ma ha dei limiti.

Il problema dell'interpretazione RHEED solo umana

Una moderna esecuzione di epitassia può generare un'enorme quantità di informazioni RHEED.

Una telecamera può registrare continuamente i pattern di diffrazione durante tutto il processo di crescita.

Gli operatori umani non possono realisticamente analizzare ogni fotogramma quantitativamente.

Alcuni cambiamenti possono anche verificarsi prima che diventino visivamente evidenti.

Il machine learning offre un approccio diverso.

Invece di chiedere a un ingegnere di interpretare singole immagini, i sistemi di IA possono analizzare intere sequenze di immagini RHEED e identificare cambiamenti sottili in:

• Intensità
• Larghezza delle striature
• Formazione di punti
• Geometria di diffrazione
• Evoluzione temporale
• Stabilità del pattern

La ricerca pubblicata nel Journal of Vacuum Science & Technology A ha dimostrato l'analisi di machine learning di immagini RHEED durante la crescita MBE che potrebbe identificare cambiamenti nei regimi di deposizione al volo. Il flusso di lavoro di analisi è stato progettato per operare in meno di un secondo, illustrando il potenziale dei dati RHEED di diventare parte del controllo di feedback in tempo reale piuttosto che semplicemente uno strumento di monitoraggio.

Dal monitoraggio RHEED al controllo di processo IA

Il cambiamento importanteè non semplicemente usare l'IA per classificare le immagini.

L'obiettivo più ampio è il controllo di processo ad anello chiuso.

Un sistema di epitassia autonomo semplificato può operare come segue:

Telecamera RHEED
↓
Analisi delle immagini in tempo reale
↓
Modello di machine learning
↓
Classificazione dello stato di crescita
↓
Decisione di processo
↓
Regolazione dei parametri MBE
↓
Nuova risposta RHEED

Il ciclo si ripete quindi.

Ciò consente al sistema di crescita di rispondere alla condizione effettiva del wafer piuttosto che seguire ciecamente una ricetta predeterminata.

Ad esempio, un modello potrebbe potenzialmente rilevare che una superficie sta iniziando a passare da una crescita liscia strato per strato verso una indesiderabile formazione di isole.

Il controllore di processo potrebbe quindi valutare se parametri come la temperatura del substrato o il flusso di materiale debbano essere regolati.

Questo concetto è sempre più descritto come epitassia autonoma o epitassia a guida autonoma.

Produzione MBE di GaN controllata da IA

L'annuncio di IVWorks del settembre 2026 fornisce un esempio industriale di GaN.

Secondo l'azienda, la sua piattaforma di epitassia IA combina informazioni RHEED con dati delle apparecchiature in serie temporali come temperatura e pressione.

I modelli di IA valutano la condizione di crescita e rilevano anomalie, mentre il suo framework di automazione MBE gestisce le operazioni, inclusi il caricamento del wafer, la crescita epitassiale e lo scarico. La direzione dichiarata è verso la riduzione dell'intervento umano e il miglioramento della stabilità della produzione.

Questo è importante perché l'epitassia industriale è diversa dalla crescita in laboratorio.

La produzione di massa richiede ripetibilità su:

• Molteplici wafer
• Molteplici cicli di crescita
• Diversi operatori
• Lunghi periodi di funzionamento delle apparecchiature
• Cicli di manutenzione preventiva
• Cicli di sostituzione dei consumabili

Un singolo wafer eccellente non è sufficiente.

Un fornitore commerciale di wafer epitassiali necessita di prestazioni costanti wafer dopo wafer.

Come l'IA potrebbe migliorare l'uniformità dei wafer epitassiali di GaN

L'uniformità è una delle specifiche più importanti per i wafer epitassiali di GaN commerciali.

A seconda della struttura del dispositivo, i clienti possono valutare:

• Uniformità dello spessore epitassiale
• Uniformità della resistenza di foglio
• Uniformità della concentrazione di portatori
• Uniformità della mobilità
• Uniformità della composizione Al
• Morfologia superficiale
• Incurvamento del wafer

Per un piccolo campione di ricerca, le variazioni locali a volte possono essere accettabili.

Per wafer di produzione da 100 mm, 150 mm o 200 mm, possono influire direttamente sulla resa del dispositivo.

Il controllo di processo IA può potenzialmente migliorare l'uniformità in diversi modi.

1. Rilevamento anticipato della deriva di crescita

I reattori MBE non rimangono perfettamente invariati.

Le condizioni possono derivare a causa di:

• Esaurimento della sorgente
• Rivestimento della camera
• Invecchiamento delle apparecchiature
• Cambiamenti nella calibrazione della temperatura
• Variazione della sorgente al plasma
• Storia della manutenzione

Una ricetta fissa può quindi produrre risultati leggermente diversi dopo molti cicli di crescita.

Combinando dati RHEED con dati dei sensori delle apparecchiature, i sistemi di IA possono rilevare la deriva prima del monitoraggio statistico convenzionale.

2. Identificazione di stati di crescita anomali

Un pattern RHEED anomalo può indicare che la superficie sta entrando in un regime di crescita indesiderabile.

Il rilevamento precoce consente al sistema di segnalare il wafer o potenzialmente di regolare il processo prima che il difetto diventi grave.

3. Riduzione della variazione da ciclo a ciclo

Una sfida importante nella produzione è mantenere le stesse caratteristiche elettriche tra i lotti.

I modelli di machine learning possono confrontare il ciclo corrente con ampi set di dati storici e identificare deviazioni da traiettorie di crescita precedentemente riuscite.

Ciò potrebbe aiutare a migliorare la ripetibilità da ciclo a ciclo.

IA e controllo della rugosità superficiale

La morfologia superficiale influisce fortemente sulla fabbricazione dei dispositivi GaN.

Una scarsa qualità superficiale può influenzare:

• Litografia
• Contatti metallici
• Formazione del gate
• Qualità dell'interfaccia
• Affidabilità del dispositivo

La RHEED è particolarmente preziosa perché monitora direttamente la superficie cristallina durante la crescita.

L'analisi RHEED assistita da machine learning ha già dimostrato che le informazioni di diffrazione possono essere correlate a importanti indicatori di qualità del film nei sistemi MBE sperimentali.

Ad esempio, uno studio del 2025 sulla crescita MBE di GaSe ha mostrato che l'incorporazione di caratteristiche derivate da RHEED ha migliorato i modelli di machine learning utilizzati per prevedere le metriche di qualità del cristallo, supportando il concetto più ampio di combinare la diffrazione in situ con i dati di processo per l'ottimizzazione dell'epitassia.

Il materiale specifico in quello studio non era GaN, quindi il modello quantitativo non può essere semplicemente trasferito alla produzione di GaN. Tuttavia, l'approccio dimostra come le informazioni RHEED possano diventare una variabile di processo leggibile dalla macchina piuttosto che solo una diagnostica visiva.

Riduzione dei difetti e resa

La resa è in definitiva uno dei motivi più importanti per introdurre il controllo avanzato dei processi.

I difetti epitassiali di GaN possono includere:

• Dislocazioni a vite
• Fossette superficiali
• Hillock
• Crepe
• Particelle
• Difetti di interfaccia
• Rugosità locale
• Drogaggio non uniforme

Non tutti i difetti possono essere eliminati tramite IA.

Molti derivano da limitazioni fondamentali del substrato e dell'eteroepitassia.

Tuttavia, l'IA può aiutare a ridurre i difetti correlati all'instabilità del processo.

Ad esempio, se una particolare combinazione di evoluzione del pattern RHEED, deriva di temperatura e pressione della camera si correla ripetutamente con scarsi risultati post-crescita, il modello può apprendere quella relazione.

Le future esecuzioni di produzione potrebbero quindi segnalare condizioni simili prima che il wafer sia completato.

L'obiettivo non è che l'IA cambi le leggi della crescita cristallina.

È mantenere il processo di crescita all'interno di una finestra di processo più stretta e ripetibile.

Perché i dati storici sono importanti

L'epitassia controllata da IA dipende fortemente dalla qualità dei dati.

Un modello addestrato su un piccolo numero di cicli di crescita potrebbe non comprendere sufficienti condizioni di processo per prendere decisioni affidabili.

Questo spiega perché gli ampi set di dati storici sono preziosi.

Le informazioni utili possono includere:

• Video RHEED
• Temperatura del substrato
• Pressione della camera
• Flusso di materiale
• Potenza del plasma
• Velocità di crescita
• Temperatura della sorgente
• Tempo di crescita
• Storia della manutenzione

La caratterizzazione post-crescita può quindi essere collegata a questi record di processo.

Gli esempi includono:

• XRD
• AFM
• Misurazione Hall
• Mappatura della resistenza di foglio
• Fotoluminescenza
• Ispezione superficiale
• Mappatura dello spessore

Ciò crea una relazione tra:

Condizioni di processo → comportamento superficiale in situ → qualità finale del wafer

Una volta disponibili dati affidabili sufficienti, il sistema può iniziare a trovare relazioni che potrebbero essere difficili da identificare manualmente.

Dall'automazione all'epitassia autonoma

L'automazione tradizionale dei semiconduttori segue istruzioni predefinite.

Ad esempio:

Imposta la temperatura a X.
Apri l'otturatore della sorgente al tempo Y.
Cresci lo strato per Z minuti.

La produzione autonoma aggiunge un altro livello.

Invece di eseguire solo istruzioni, il sistema valuta la condizione di processo corrente prima di decidere cosa dovrebbe accadere dopo.

La ricerca recente ha già dimostrato concetti di MBE a guida autonoma utilizzando RHEED in situ e machine learning basato sulla fisica. Uno studio del 2026 ha descritto la piattaforma SemiEpi, che integra apparecchiature MBE, monitoraggio RHEED e controllo di feedback per regolare la crescita di eterostrutture semiconduttrici.

Ricerche precedenti hanno anche dimostrato il controllo in tempo reale assistito da machine learning della crescita di punti quantici InAs/GaAs utilizzando video RHEED come input per le decisioni di feedback.

Queste dimostrazioni non sono equivalenti alla produzione di GaN ad alto volume completamente autonoma, ma mostrano il percorso tecnico verso un'epitassia sempre più ad anello chiuso.

Cosa l'IA non può sostituire

L'IA non elimina la necessità della scienza dei materiali.

L'epitassia di GaN di alta qualità dipende ancora da:

• Progettazione del reattore
• Qualità del substrato
• Ingegneria del buffer layer
• Purezza della sorgente
• Qualità del vuoto
• Calibrazione della temperatura
• Preparazione adeguata del wafer
• Sviluppo di processi esperti

Un modello di IA addestrato su dati di processo scadenti non produrrà automaticamente cristalli di GaN eccellenti.

Il processo di crescita fisico determina ancora il materiale finale.

L'IA fornisce principalmente un modo più potente per monitorare, analizzare e controllare quel processo.

Implicazioni per gli acquirenti di wafer epitassiali di GaN

Per i clienti che acquistano wafer epitassiali di GaN, la produzione controllata da IA stessa non dovrebbe essere il criterio di accettazione primario.

La specifica finale del wafer rimane più importante.

Una richiesta di offerta (RFQ) per wafer epitassiali di GaN dovrebbe definire chiaramente i parametri pertinenti.

Dimensione del wafer

Opzioni comuni possono includere:

• 2 pollici
• 4 pollici
• 6 pollici
• 8 pollici

Substrato

Le piattaforme possibili includono:

• GaN su Si
• GaN su SiC
• GaN su zaffiro
• GaN autoportante

Struttura epitassiale

Gli esempi includono:

• Template di GaN
• HEMT AlGaN/GaN
• Struttura di potenza GaN
• Struttura epitassiale LED
• Epitassia di ricerca personalizzata

Spessore dello strato

Specificare lo spessore dello strato richiesto e la tolleranza quando possibile.

Proprietà elettriche

A seconda dell'applicazione, le specifiche possono includere:

• Resistenza di foglio
• Concentrazione di portatori
• Mobilità
• Perdita del buffer
• Requisiti di breakdown

Qualità superficiale

I clienti possono specificare:

• Rugosità RMS
• Controllo delle particelle
• Fossette superficiali
• Limiti di graffio

Geometria del wafer

Per wafer più grandi, i parametri importanti includono:

• TTV (Total Thickness Variation)
• Bow (incurvamento)
• Warp (distorsione)

Uniformità

Per la produzione di dispositivi, l'uniformità centro-bordo e wafer-a-wafer dovrebbe essere discussa separatamente dai valori medi.

Perché l'uniformità è più importante man mano che i wafer di GaN diventano più grandi

L'industria dei semiconduttori sta spostando costantemente la produzione di GaN verso formati di wafer più grandi.

Man mano che il diametro del wafer aumenta, un piccolo gradiente di processo può interessare un numero molto maggiore di dispositivi.

Ad esempio, variazioni in:

• Temperatura
• Flusso di materiale
• Spessore dello strato
• Composizione
• Stress

possono produrre differenze radiali attraverso il wafer.

Questo è il motivo per cui il controllo di processo guidato dai dati diventa sempre più prezioso per l'epitassia di GaN da 150 mm e 200 mm e potenzialmente per la futura produzione di diametri maggiori.

Il valore economico dell'IA è quindi strettamente correlato alla scala del wafer.

Se il controllo di processo migliorato riduce la variazione wafer-a-wafer o aumenta la percentuale di area utilizzabile del wafer, l'impatto può essere moltiplicato su migliaia di dispositivi.

L'epitassia controllata da IA non elimina l'ispezione

Anche un processo di crescita altamente automatizzato richiede ancora la caratterizzazione post-crescita.

I wafer epitassiali di GaN critici possono richiedere una combinazione di:

• Ispezione superficiale
• AFM
• XRD
• Misurazione Hall
• Mappatura della resistenza di foglio
• Mappatura dello spessore
• Ispezione ottica
• Misurazione di bow e warp

La crescita controllata da IA e la metrologia post-crescita dovrebbero quindi essere considerate complementari.

Il sistema di crescita fornisce informazioni in tempo reale.

L'ispezione finale verifica se il wafer soddisfa le specifiche del cliente.

Il futuro: Digital Twin e epitassia di GaN auto-ottimizzante

La direzione a lungo termine dell'epitassia dei semiconduttori potrebbe andare oltre la semplice rilevazione di anomalie.

Le future piattaforme potrebbero combinare:

• RHEED in tempo reale
• Dati dei sensori del reattore
• Database di produzione storici
• Modelli basati sulla fisica
• Machine learning
• Caratterizzazione automatizzata
• Digital Twin

Una rappresentazione digitale del processo di epitassia potrebbe confrontare continuamente il comportamento di crescita previsto con i dati effettivi del reattore.

Il sistema potrebbe quindi ottimizzare i parametri di processo per obiettivi specifici come:

• Minore densità di difetti
• Minore rugosità superficiale
• Migliore uniformità della resistenza di foglio
• Riduzione dell'incurvamento del wafer
• Maggiore utilizzo delle apparecchiature

Ciò potrebbe essere particolarmente prezioso per l'epitassia personalizzata di GaN, dove i clienti richiedono diverse strutture di dispositivi e specifiche elettriche.

Conclusione

L'epitassia controllata da IA sta cambiando il modo in cui la produzione di wafer epitassiali di GaN può essere monitorata e ottimizzata.

La RHEED è tradizionalmente servita come un importante strumento di osservazione in tempo reale per la crescita MBE. Combinando immagini RHEED con machine learning e dati dei sensori delle apparecchiature, i produttori possono trasformare queste informazioni in un sistema di controllo di processo più quantitativo.

I potenziali benefici includono:

• Rilevamento precoce delle anomalie
• Migliore coerenza da ciclo a ciclo
• Migliore uniformità dei wafer epitassiali
• Riduzione della deriva di processo
• Produzione più stabile
• Maggiore resa effettiva

Recenti sviluppi industriali nella produzione di GaN e dimostrazioni accademiche di MBE a guida autonoma indicano che l'epitassia dei semiconduttori si sta gradualmente spostando dall'automazione a ricetta fissa verso un controllo di processo sempre più autonomo.

Per i clienti di wafer epitassiali di GaN, tuttavia, i fattori più importanti rimangono le specifiche misurabili del materiale: struttura epitassiale, proprietà elettriche, qualità superficiale, geometria del wafer e uniformità wafer-a-wafer.

L'IA non è un sostituto dell'epitassia di GaN di alta qualità.

Il suo valore reale sta nell'aiutare i produttori a raggiungere quella qualità in modo più coerente, su più wafer e con un controllo più stretto su processi di crescita di semiconduttori sempre più complessi.