窒化ガリウムエピタキシー半導体製造の新たな段階に入りつつあります。
長年にわたり、GaN エピウェーハの品質は、慎重に最適化された成長レシピ、経験豊富なプロセス エンジニア、および反応炉の状態の継続的な監視に大きく依存してきました。基板温度、チャンバー圧力、III/V フラックス比、または表面再構成のわずかな偏差でも、最終的な結晶品質に影響を与える可能性があります。
人工知能はこのアプローチを変え始めています。
新しいエピタキシー プラットフォームは、固定レシピだけに依存するのではなく、リアルタイム RHEED データ、装置センサー情報、機械学習アルゴリズムを組み合わせて、成長条件を特定し、異常を検出し、最終的にエピタキシャル成長中のプロセス パラメーターを調整します。
最近の例は、韓国の IVWorks によるもので、2026 年 9 月に同社の GaN エピウェーハ生産システムが AI モデルを使用して反射高エネルギー電子回折 (RHEED) を MBE 装置のデータとともに分析していると報告しました。同社は、2019年以来、3億3,000万以上の時系列プロセスデータポイントと30 TB以上のRHEEDデータを蓄積したと述べている。
この開発は、より広範な傾向を浮き彫りにしています。つまり、GaN エピタキシーは、レシピベースの自動化から、データ駆動型でますます自律的な製造へと移行しています。
GaN デバイスは、RF 通信から高周波パワーエレクトロニクスに至るまでのアプリケーションで使用されます。
ただし、完成したデバイスの電気的性能はエピタキシャルの品質に大きく依存します。
GaN エピウェーハの重要な特性には次のものがあります。
これらのパラメーターは、相互作用する多くの成長条件の影響を受けます。
たとえば、分子線エピタキシーでは、エンジニアは次のような変数を制御する必要があります。
問題は、これらの変数が独立していないことです。
温度の変化は、表面移動度、取り込み効率、および成長速度に同時に影響を与える可能性があります。
装置レベルでは重要ではないと思われる小さな偏差が、最終的にはウェーハの電気的性能に測定可能な差を生み出す可能性があります。
これが、AI ベースのプロセス監視が注目を集めている理由の 1 つです。
反射高エネルギー電子回折は、MBE にとって最も有用なその場モニタリング技術の 1 つです。
エピタキシャル成長中、高エネルギーの電子ビームが非常に浅い角度でウェーハ表面に当たります。
電子は結晶表面と相互作用し、回折パターンを作成します。
エンジニアはこのパターンを使用して、リアクターからウェーハを取り出すことなく、成長中に表面に関する情報を取得できます。
RHEED は以下に関する情報を提供できます。
表面状態が異なると、異なる回折パターンが生成されます。
滑らかな 2 次元表面では比較的鋭い縞が生成されることがよくありますが、粗くなったり 3 次元の島が形成されたりすると回折パターンが大きく変化する可能性があります。
従来、経験豊富なオペレーターはこれらのパターンを視覚的に解釈していました。
このアプローチは機能しますが、制限もあります。
最新のエピタキシーの実行では、膨大な量の RHEED 情報が生成されます。
カメラは、成長プロセス全体を通じて回折パターンを継続的に記録する場合があります。
人間のオペレーターは現実的にすべてのフレームを定量的に分析することはできません。
一部の変更は、視覚的に明らかになる前に発生する場合もあります。
機械学習は別のアプローチを提供します。
エンジニアに個々の画像の解釈を依頼する代わりに、AI システムは RHEED 画像シーケンス全体を分析し、以下の微妙な変化を特定できます。
Journal of Vacuum Science & Technology A に掲載された研究では、MBE 成長中の RHEED 画像の機械学習分析により、蒸着体制の変化をその場で特定できることが実証されました。分析ワークフローは 1 秒未満で動作するように設計されており、RHEED データが単なる監視ツールではなくリアルタイム フィードバック制御の一部になる可能性を示しています。
重要な変化はAI を使用して画像を分類するだけではありません。
より大きな目標は、閉ループのプロセス制御です。
簡略化された自律エピタキシー システムは次のように動作します。
RHEEDカメラ
↓
リアルタイム画像解析
↓
機械学習モデル
↓
成長状態の分類
↓
プロセスの決定
↓
MBEパラメータ調整
↓
新しい RHEED への対応
その後、このサイクルが繰り返されます。
これにより、成長システムは所定のレシピに盲目的に従うのではなく、ウェーハの実際の状態に対応できるようになります。
たとえば、モデルは、表面が滑らかな層ごとの成長から望ましくない島の形成に移行し始めていることを潜在的に検出できます。
プロセス コントローラーは、基板温度や材料フラックスなどのパラメーターを調整する必要があるかどうかを評価できます。
この概念は、自律エピタキシーまたは自動駆動エピタキシーと呼ばれることが増えています。
2026 年 9 月の IVWorks の発表では、産業用 GaN の例が提供されています。
同社によると、AI エピタキシー プラットフォームは、RHEED 情報と温度や圧力などの時系列の装置データを組み合わせたものです。
AI モデルが成長状態を評価し、異常を検出する一方で、MBE 自動化フレームワークがウェーハのロード、エピタキシャル成長、アンロードなどの操作を処理します。示されている方向性は、人間の介入を減らし、生産の安定性を向上させることです。
工業用エピタキシーは実験室での成長とは異なるため、これは重要です。
大量生産では、以下の範囲での再現性が必要です。
優れた一枚のウェーハだけでは十分ではありません。
商用エピウェーハサプライヤーは、ウェーハごとに一貫したパフォーマンスを必要としています。
均一性は、市販の GaN エピ ウェーハにとって最も重要な仕様の 1 つです。
デバイスの構造に応じて、お客様は以下を評価できます。
研究サンプルが小さい場合、局所的な変動が許容される場合があります。
100mm、150mm、または 200mm の量産ウェーハの場合、デバイスの歩留まりに直接影響を与える可能性があります。
AI プロセス制御は、いくつかの方法で均一性を改善できる可能性があります。
MBE 原子炉は完全に変化しないわけではありません。
以下の理由により、条件が変動する可能性があります。
したがって、固定レシピでは、多くの成長サイクルの後、わずかに異なる結果が生成される可能性があります。
RHEED データと機器センサー データを組み合わせることで、AI システムは従来の統計監視よりも早くドリフトを検出できる可能性があります。
異常な RHEED パターンは、表面が望ましくない成長状態に入っていることを示している可能性があります。
早期検出により、システムはウェーハにフラグを立てたり、欠陥が深刻になる前にプロセスを調整したりすることが可能になります。
製造上の主要な課題は、バッチ間で同じ電気特性を維持することです。
機械学習モデルは、現在の実行を大規模な過去のデータセットと比較し、以前に成功した成長軌道からの逸脱を特定できます。
これは、実行ごとの再現性の向上に役立つ可能性があります。
表面形態は GaN デバイスの製造に大きな影響を与えます。
表面品質が悪いと、次のような影響が生じる可能性があります。
RHEED は、成長中に結晶表面を直接監視できるため、特に価値があります。
機械学習支援 RHEED 解析は、実験用 MBE システムにおいて回折情報が重要な膜品質指標と相関できることをすでに実証しています。
たとえば、GaSe MBE 成長に関する 2025 年の研究では、RHEED 由来の機能を組み込むことで、結晶品質メトリクスの予測に使用される機械学習モデルが改善され、エピタキシー最適化のためのその場回折とプロセス データを組み合わせるというより広範な概念がサポートされることが示されました。
その研究における特定の材料は GaN ではなかったため、定量的モデルを単純に GaN 製造に適用することはできません。ただし、このアプローチは、RHEED 情報が単なる視覚的な診断ではなく、どのようにして機械可読プロセス変数になり得るかを示しています。
結局のところ、歩留まりは、高度なプロセス制御を導入する最も重要な理由の 1 つです。
GaN エピタキシャル欠陥には次のようなものがあります。
AI によってすべての欠陥を排除できるわけではありません。
多くは、基本的な基板とヘテロエピタキシーの制限に起因します。
ただし、AI はプロセスの不安定性に関連する欠陥を減らすのに役立つ可能性があります。
たとえば、RHEED パターンの展開、温度ドリフト、チャンバー圧力の特定の組み合わせが成長後の不良結果と繰り返し相関する場合、モデルはその関係を学習できます。
今後の生産では、ウェーハが完成する前に同様の状況にフラグが立てられる可能性があります。
AI の目的は結晶成長の法則を変えることではありません。
それは、成長プロセスをより狭く、より再現性の高いプロセスウィンドウ内に保つことです。
AI 制御のエピタキシーはデータの品質に大きく依存します。
少数の成長実行のみでトレーニングされたモデルは、信頼性の高い決定を下すのに十分なプロセス条件を理解していない可能性があります。
これは、大規模な過去のデータセットがなぜ価値があるのかを説明します。
役立つ情報には次のようなものがあります。
成長後の特性評価は、これらのプロセス記録とリンクできます。
例としては次のものが挙げられます。
これにより、以下の間の関係が作成されます。
プロセス条件 → その場での表面挙動 → 最終的なウェーハ品質
十分な信頼性の高いデータが利用可能になると、システムは手動で特定するのが難しい可能性のある関係の検索を開始できるようになります。
従来の半導体オートメーションは、事前定義された指示に従います。
例えば：
温度をXに設定します。
時間 Y でソース シャッターを開きます。
Z分間レイヤーを成長させます。
自動製造は新たなレベルを追加します。
システムは命令を実行するだけでなく、現在のプロセスの状態を評価してから次に何が起こるかを決定します。
最近の研究では、現場 RHEED と物理学に基づいた機械学習を使用した自動運転 MBE コンセプトがすでに実証されています。 2026年の研究では、MBE装置、RHEEDモニタリング、および半導体ヘテロ構造の成長を調整するフィードバック制御を統合するSemiEpiプラットフォームについて説明しました。
以前の研究では、フィードバック決定の入力として RHEED ビデオを使用した、InAs/GaAs 量子ドット成長の機械学習支援リアルタイム制御も実証されています。
これらのデモンストレーションは、完全に自律的な大量の GaN 製造と同等ではありませんが、クローズドループエピタキシーの増加に向けた技術的な道筋を示しています。
AI によって材料科学の必要性がなくなるわけではありません。
高品質の GaN エピタキシーは依然として以下に依存します。
貧弱なプロセスデータに基づいてトレーニングされた AI モデルでは、優れた GaN 結晶が自動的に生成されるわけではありません。
最終的な素材は物理的な成長プロセスによって決まります。
AI は主に、そのプロセスを監視、分析、制御するためのより強力な方法を提供します。
GaN エピウェーハを購入する顧客にとって、AI 制御による製造自体が主な合格基準であってはなりません。
最終的なウェーハ仕様の方が依然として重要です。
GaN エピウェーハの RFQ では、関連するパラメータを明確に定義する必要があります。
一般的なオプションには次のようなものがあります。
考えられるプラットフォームは次のとおりです。
例としては次のものが挙げられます。
可能な限り、必要な層の厚さと公差を指定してください。
アプリケーションに応じて、仕様には次のものが含まれる場合があります。
お客様は以下を指定できます:
より大きなウェーハの場合、重要なパラメータは次のとおりです。
デバイス製造の場合、中心から端まで、およびウェハごとの均一性は、平均値とは別に議論する必要があります。
半導体業界は、GaN の生産をより大きなウェーハ形式に向けて着実に進めています。
ウェーハの直径が大きくなるにつれて、小さなプロセス勾配がより多くのデバイスに影響を与える可能性があります。
たとえば、次のようなバリエーションがあります。
ウェーハ全体に半径方向の差が生じる可能性があります。
これが、150mm および 200mm の GaN エピタキシーや、将来的にはさらに大口径の生産が可能になる可能性において、データ駆動型プロセス制御の価値がますます高まっている理由です。
したがって、AI の経済的価値はウェーハの規模と密接に関係しています。
プロセス制御の改善によってウェハ間の変動が減少したり、使用可能なウェハ領域の割合が増加したりすると、その影響は数千のデバイスにわたって倍増する可能性があります。
高度に自動化された成長プロセスであっても、依然として成長後の特性評価が必要です。
クリティカルな GaN エピ ウェーハには、次の組み合わせが必要になる場合があります。
したがって、AI 制御による成長と成長後の計測は補完的であると考える必要があります。
成長システムはリアルタイムの情報を提供します。
最終検査では、ウェーハが顧客の仕様を満たしているかどうかを確認します。
半導体エピタキシーの長期的な方向性は、単なる異常検出を超える可能性があります。
将来のプラットフォームでは、次のものが組み合わされる可能性があります。
エピタキシープロセスをデジタル表示することで、予測される成長挙動を実際のリアクターデータと継続的に比較できます。
システムは、次のような特定のターゲットに合わせてプロセス パラメーターを最適化できます。
これは、顧客が異なるデバイス構造や電気仕様を必要とするカスタム GaN エピタキシーにとって特に価値があります。
AI 制御のエピタキシーは、GaN エピウェーハ製造の監視と最適化の方法を変えています。
RHEED は伝統的に、MBE の成長に対する重要なリアルタイム観察ツールとして機能してきました。 RHEED 画像と機械学習および機器センサー データを組み合わせることで、メーカーはこの情報をより定量的なプロセス制御システムに変換できます。
潜在的な利点は次のとおりです。
GaN 製造における最近の産業発展と自動駆動 MBE の学術的実証は、半導体エピタキシーが固定レシピの自動化から、ますます自律的なプロセス制御へと徐々に移行していることを示しています。
ただし、GaN エピウェーハの顧客にとって、最も重要な要素は、エピタキシャル構造、電気的特性、表面品質、ウェーハ形状、ウェーハ間の均一性といった測定可能な材料仕様のままです。
AI は高品質の GaN エピタキシーの代替品ではありません。
その真の価値は、メーカーがより多くのウェーハにわたって、ますます複雑化する半導体成長プロセスをより厳密に制御して、より安定した品質を達成できるように支援することです。
窒化ガリウムエピタキシー半導体製造の新たな段階に入りつつあります。
長年にわたり、GaN エピウェーハの品質は、慎重に最適化された成長レシピ、経験豊富なプロセス エンジニア、および反応炉の状態の継続的な監視に大きく依存してきました。基板温度、チャンバー圧力、III/V フラックス比、または表面再構成のわずかな偏差でも、最終的な結晶品質に影響を与える可能性があります。
人工知能はこのアプローチを変え始めています。
新しいエピタキシー プラットフォームは、固定レシピだけに依存するのではなく、リアルタイム RHEED データ、装置センサー情報、機械学習アルゴリズムを組み合わせて、成長条件を特定し、異常を検出し、最終的にエピタキシャル成長中のプロセス パラメーターを調整します。
最近の例は、韓国の IVWorks によるもので、2026 年 9 月に同社の GaN エピウェーハ生産システムが AI モデルを使用して反射高エネルギー電子回折 (RHEED) を MBE 装置のデータとともに分析していると報告しました。同社は、2019年以来、3億3,000万以上の時系列プロセスデータポイントと30 TB以上のRHEEDデータを蓄積したと述べている。
この開発は、より広範な傾向を浮き彫りにしています。つまり、GaN エピタキシーは、レシピベースの自動化から、データ駆動型でますます自律的な製造へと移行しています。
GaN デバイスは、RF 通信から高周波パワーエレクトロニクスに至るまでのアプリケーションで使用されます。
ただし、完成したデバイスの電気的性能はエピタキシャルの品質に大きく依存します。
GaN エピウェーハの重要な特性には次のものがあります。
これらのパラメーターは、相互作用する多くの成長条件の影響を受けます。
たとえば、分子線エピタキシーでは、エンジニアは次のような変数を制御する必要があります。
問題は、これらの変数が独立していないことです。
温度の変化は、表面移動度、取り込み効率、および成長速度に同時に影響を与える可能性があります。
装置レベルでは重要ではないと思われる小さな偏差が、最終的にはウェーハの電気的性能に測定可能な差を生み出す可能性があります。
これが、AI ベースのプロセス監視が注目を集めている理由の 1 つです。
反射高エネルギー電子回折は、MBE にとって最も有用なその場モニタリング技術の 1 つです。
エピタキシャル成長中、高エネルギーの電子ビームが非常に浅い角度でウェーハ表面に当たります。
電子は結晶表面と相互作用し、回折パターンを作成します。
エンジニアはこのパターンを使用して、リアクターからウェーハを取り出すことなく、成長中に表面に関する情報を取得できます。
RHEED は以下に関する情報を提供できます。
表面状態が異なると、異なる回折パターンが生成されます。
滑らかな 2 次元表面では比較的鋭い縞が生成されることがよくありますが、粗くなったり 3 次元の島が形成されたりすると回折パターンが大きく変化する可能性があります。
従来、経験豊富なオペレーターはこれらのパターンを視覚的に解釈していました。
このアプローチは機能しますが、制限もあります。
最新のエピタキシーの実行では、膨大な量の RHEED 情報が生成されます。
カメラは、成長プロセス全体を通じて回折パターンを継続的に記録する場合があります。
人間のオペレーターは現実的にすべてのフレームを定量的に分析することはできません。
一部の変更は、視覚的に明らかになる前に発生する場合もあります。
機械学習は別のアプローチを提供します。
エンジニアに個々の画像の解釈を依頼する代わりに、AI システムは RHEED 画像シーケンス全体を分析し、以下の微妙な変化を特定できます。
Journal of Vacuum Science & Technology A に掲載された研究では、MBE 成長中の RHEED 画像の機械学習分析により、蒸着体制の変化をその場で特定できることが実証されました。分析ワークフローは 1 秒未満で動作するように設計されており、RHEED データが単なる監視ツールではなくリアルタイム フィードバック制御の一部になる可能性を示しています。
重要な変化はAI を使用して画像を分類するだけではありません。
より大きな目標は、閉ループのプロセス制御です。
簡略化された自律エピタキシー システムは次のように動作します。
RHEEDカメラ
↓
リアルタイム画像解析
↓
機械学習モデル
↓
成長状態の分類
↓
プロセスの決定
↓
MBEパラメータ調整
↓
新しい RHEED への対応
その後、このサイクルが繰り返されます。
これにより、成長システムは所定のレシピに盲目的に従うのではなく、ウェーハの実際の状態に対応できるようになります。
たとえば、モデルは、表面が滑らかな層ごとの成長から望ましくない島の形成に移行し始めていることを潜在的に検出できます。
プロセス コントローラーは、基板温度や材料フラックスなどのパラメーターを調整する必要があるかどうかを評価できます。
この概念は、自律エピタキシーまたは自動駆動エピタキシーと呼ばれることが増えています。
2026 年 9 月の IVWorks の発表では、産業用 GaN の例が提供されています。
同社によると、AI エピタキシー プラットフォームは、RHEED 情報と温度や圧力などの時系列の装置データを組み合わせたものです。
AI モデルが成長状態を評価し、異常を検出する一方で、MBE 自動化フレームワークがウェーハのロード、エピタキシャル成長、アンロードなどの操作を処理します。示されている方向性は、人間の介入を減らし、生産の安定性を向上させることです。
工業用エピタキシーは実験室での成長とは異なるため、これは重要です。
大量生産では、以下の範囲での再現性が必要です。
優れた一枚のウェーハだけでは十分ではありません。
商用エピウェーハサプライヤーは、ウェーハごとに一貫したパフォーマンスを必要としています。
均一性は、市販の GaN エピ ウェーハにとって最も重要な仕様の 1 つです。
デバイスの構造に応じて、お客様は以下を評価できます。
研究サンプルが小さい場合、局所的な変動が許容される場合があります。
100mm、150mm、または 200mm の量産ウェーハの場合、デバイスの歩留まりに直接影響を与える可能性があります。
AI プロセス制御は、いくつかの方法で均一性を改善できる可能性があります。
MBE 原子炉は完全に変化しないわけではありません。
以下の理由により、条件が変動する可能性があります。
したがって、固定レシピでは、多くの成長サイクルの後、わずかに異なる結果が生成される可能性があります。
RHEED データと機器センサー データを組み合わせることで、AI システムは従来の統計監視よりも早くドリフトを検出できる可能性があります。
異常な RHEED パターンは、表面が望ましくない成長状態に入っていることを示している可能性があります。
早期検出により、システムはウェーハにフラグを立てたり、欠陥が深刻になる前にプロセスを調整したりすることが可能になります。
製造上の主要な課題は、バッチ間で同じ電気特性を維持することです。
機械学習モデルは、現在の実行を大規模な過去のデータセットと比較し、以前に成功した成長軌道からの逸脱を特定できます。
これは、実行ごとの再現性の向上に役立つ可能性があります。
表面形態は GaN デバイスの製造に大きな影響を与えます。
表面品質が悪いと、次のような影響が生じる可能性があります。
RHEED は、成長中に結晶表面を直接監視できるため、特に価値があります。
機械学習支援 RHEED 解析は、実験用 MBE システムにおいて回折情報が重要な膜品質指標と相関できることをすでに実証しています。
たとえば、GaSe MBE 成長に関する 2025 年の研究では、RHEED 由来の機能を組み込むことで、結晶品質メトリクスの予測に使用される機械学習モデルが改善され、エピタキシー最適化のためのその場回折とプロセス データを組み合わせるというより広範な概念がサポートされることが示されました。
その研究における特定の材料は GaN ではなかったため、定量的モデルを単純に GaN 製造に適用することはできません。ただし、このアプローチは、RHEED 情報が単なる視覚的な診断ではなく、どのようにして機械可読プロセス変数になり得るかを示しています。
結局のところ、歩留まりは、高度なプロセス制御を導入する最も重要な理由の 1 つです。
GaN エピタキシャル欠陥には次のようなものがあります。
AI によってすべての欠陥を排除できるわけではありません。
多くは、基本的な基板とヘテロエピタキシーの制限に起因します。
ただし、AI はプロセスの不安定性に関連する欠陥を減らすのに役立つ可能性があります。
たとえば、RHEED パターンの展開、温度ドリフト、チャンバー圧力の特定の組み合わせが成長後の不良結果と繰り返し相関する場合、モデルはその関係を学習できます。
今後の生産では、ウェーハが完成する前に同様の状況にフラグが立てられる可能性があります。
AI の目的は結晶成長の法則を変えることではありません。
それは、成長プロセスをより狭く、より再現性の高いプロセスウィンドウ内に保つことです。
AI 制御のエピタキシーはデータの品質に大きく依存します。
少数の成長実行のみでトレーニングされたモデルは、信頼性の高い決定を下すのに十分なプロセス条件を理解していない可能性があります。
これは、大規模な過去のデータセットがなぜ価値があるのかを説明します。
役立つ情報には次のようなものがあります。
成長後の特性評価は、これらのプロセス記録とリンクできます。
例としては次のものが挙げられます。
これにより、以下の間の関係が作成されます。
プロセス条件 → その場での表面挙動 → 最終的なウェーハ品質
十分な信頼性の高いデータが利用可能になると、システムは手動で特定するのが難しい可能性のある関係の検索を開始できるようになります。
従来の半導体オートメーションは、事前定義された指示に従います。
例えば：
温度をXに設定します。
時間 Y でソース シャッターを開きます。
Z分間レイヤーを成長させます。
自動製造は新たなレベルを追加します。
システムは命令を実行するだけでなく、現在のプロセスの状態を評価してから次に何が起こるかを決定します。
最近の研究では、現場 RHEED と物理学に基づいた機械学習を使用した自動運転 MBE コンセプトがすでに実証されています。 2026年の研究では、MBE装置、RHEEDモニタリング、および半導体ヘテロ構造の成長を調整するフィードバック制御を統合するSemiEpiプラットフォームについて説明しました。
以前の研究では、フィードバック決定の入力として RHEED ビデオを使用した、InAs/GaAs 量子ドット成長の機械学習支援リアルタイム制御も実証されています。
これらのデモンストレーションは、完全に自律的な大量の GaN 製造と同等ではありませんが、クローズドループエピタキシーの増加に向けた技術的な道筋を示しています。
AI によって材料科学の必要性がなくなるわけではありません。
高品質の GaN エピタキシーは依然として以下に依存します。
貧弱なプロセスデータに基づいてトレーニングされた AI モデルでは、優れた GaN 結晶が自動的に生成されるわけではありません。
最終的な素材は物理的な成長プロセスによって決まります。
AI は主に、そのプロセスを監視、分析、制御するためのより強力な方法を提供します。
GaN エピウェーハを購入する顧客にとって、AI 制御による製造自体が主な合格基準であってはなりません。
最終的なウェーハ仕様の方が依然として重要です。
GaN エピウェーハの RFQ では、関連するパラメータを明確に定義する必要があります。
一般的なオプションには次のようなものがあります。
考えられるプラットフォームは次のとおりです。
例としては次のものが挙げられます。
可能な限り、必要な層の厚さと公差を指定してください。
アプリケーションに応じて、仕様には次のものが含まれる場合があります。
お客様は以下を指定できます:
より大きなウェーハの場合、重要なパラメータは次のとおりです。
デバイス製造の場合、中心から端まで、およびウェハごとの均一性は、平均値とは別に議論する必要があります。
半導体業界は、GaN の生産をより大きなウェーハ形式に向けて着実に進めています。
ウェーハの直径が大きくなるにつれて、小さなプロセス勾配がより多くのデバイスに影響を与える可能性があります。
たとえば、次のようなバリエーションがあります。
ウェーハ全体に半径方向の差が生じる可能性があります。
これが、150mm および 200mm の GaN エピタキシーや、将来的にはさらに大口径の生産が可能になる可能性において、データ駆動型プロセス制御の価値がますます高まっている理由です。
したがって、AI の経済的価値はウェーハの規模と密接に関係しています。
プロセス制御の改善によってウェハ間の変動が減少したり、使用可能なウェハ領域の割合が増加したりすると、その影響は数千のデバイスにわたって倍増する可能性があります。
高度に自動化された成長プロセスであっても、依然として成長後の特性評価が必要です。
クリティカルな GaN エピ ウェーハには、次の組み合わせが必要になる場合があります。
したがって、AI 制御による成長と成長後の計測は補完的であると考える必要があります。
成長システムはリアルタイムの情報を提供します。
最終検査では、ウェーハが顧客の仕様を満たしているかどうかを確認します。
半導体エピタキシーの長期的な方向性は、単なる異常検出を超える可能性があります。
将来のプラットフォームでは、次のものが組み合わされる可能性があります。
エピタキシープロセスをデジタル表示することで、予測される成長挙動を実際のリアクターデータと継続的に比較できます。
システムは、次のような特定のターゲットに合わせてプロセス パラメーターを最適化できます。
これは、顧客が異なるデバイス構造や電気仕様を必要とするカスタム GaN エピタキシーにとって特に価値があります。
AI 制御のエピタキシーは、GaN エピウェーハ製造の監視と最適化の方法を変えています。
RHEED は伝統的に、MBE の成長に対する重要なリアルタイム観察ツールとして機能してきました。 RHEED 画像と機械学習および機器センサー データを組み合わせることで、メーカーはこの情報をより定量的なプロセス制御システムに変換できます。
潜在的な利点は次のとおりです。
GaN 製造における最近の産業発展と自動駆動 MBE の学術的実証は、半導体エピタキシーが固定レシピの自動化から、ますます自律的なプロセス制御へと徐々に移行していることを示しています。
ただし、GaN エピウェーハの顧客にとって、最も重要な要素は、エピタキシャル構造、電気的特性、表面品質、ウェーハ形状、ウェーハ間の均一性といった測定可能な材料仕様のままです。
AI は高品質の GaN エピタキシーの代替品ではありません。
その真の価値は、メーカーがより多くのウェーハにわたって、ますます複雑化する半導体成長プロセスをより厳密に制御して、より安定した品質を達成できるように支援することです。
english
français
Deutsch
Italiano
Русский
Español
português
Nederlandse
ελληνικά
日本語
한국
العربية
Türkçe
polski