SiC epitaxial भट्टीसाठी थर्मल फील्ड डिझाइनचे ऑप्टिमायझेशन (हॉट-वॉल CVD अणुभट्टी)

वेफर पृष्ठभाग तापमान एकरूपता (≤±0.5–5℃) आणि तापमान/फ्लो फील्ड स्थिरता प्राप्त करणे हे मुख्य उद्दिष्ट आहे, ज्यामुळे एपिटॅक्सियल लेयर जाडी एकसमानता (<3%), डोपिंग एकसमानता (<8%), दोष घनता कमी करणे आणि वाढीचा दर (>60 μm/h) वाढवणे.

SiC epitaxy प्रक्रिया ऑप्टिमायझेशनमधील अलीकडील प्रगतीने थर्मल मॅनेजमेंट, मल्टी-पॅरामीटर ऑप्टिमायझेशन, AI-सहाय्यित सिम्युलेशन, गॅस-फ्लो रेग्युलेशन आणि रिॲक्टर स्ट्रक्चर अपग्रेडवर लक्ष केंद्रित केले आहे. एपिटॅक्सियल लेयर एकसमानता, वाढ कार्यक्षमता, दोष नियंत्रण आणि मोठ्या-वेफर औद्योगिक स्केलेबिलिटी सुधारणे हे या घडामोडींचे उद्दिष्ट आहे.

इन्सुलेशन सामग्रीचे थर्मल चालकता मॉडेलिंग

संशोधनाची एक महत्त्वाची दिशा म्हणजे एपिटॅक्सी अणुभट्ट्यांमध्ये वापरल्या जाणाऱ्या तंतुमय ग्रेफाइटचे थर्मल चालकता मॉडेलिंग. गॅस रचना, चेंबर प्रेशर आणि ऑपरेटिंग तापमान लक्षात घेता स्पष्ट थर्मल चालकतेचे मूल्यांकन करण्यासाठी प्रगत विश्लेषणात्मक मॉडेल विकसित केले गेले आहेत. हायड्रोजन-समृद्ध वाहक वायूच्या परिस्थितीत, गॅस-फेज हीट ट्रान्सफर ही प्रबळ उष्णता-हस्तांतरण यंत्रणा बनते. अभ्यास दर्शविते की चेंबरचा दाब 100 mbar वरून 1.5 mbar पर्यंत कमी केल्याने आवश्यक गरम शक्ती लक्षणीय प्रमाणात कमी होते. ही मॉडेल्स विविध अणुभट्टी क्षेत्रांमध्ये तापमान वितरणाचा अधिक अचूक अंदाज देखील सक्षम करतात, सब्सट्रेट तापमान स्थिर असतानाही वेफर क्षेत्राबाहेर तापमानातील फरकांमुळे होणारी एकसमानता रोखण्यास मदत करते.

FEM आणि मशीन लर्निंग वापरून मल्टी-ऑब्जेक्टिव्ह पॅरामीटर ऑप्टिमायझेशन

आणखी एक महत्त्वाची प्रगती बहु-उद्देशीय ऑप्टिमायझेशनसाठी मशीन लर्निंग अल्गोरिदमसह मर्यादित घटक मॉडेलिंग (FEM) एकत्र करते. मुख्य प्रक्रिया पॅरामीटर्समध्ये एकूण गॅस प्रवाह दर, वाढीचे तापमान, चेंबर प्रेशर, ससेप्टर रोटेशन गती आणि गॅस वितरण डिझाइन यांचा समावेश होतो. MOPSO, NSGA-II, आणि SVM सरोगेट मॉडेल्स सारख्या ऑप्टिमायझेशन पद्धतींचा मोठ्या प्रमाणावर अवलंब करण्यात आला आहे. परिणाम दर्शवितात की जाडीची एकसमानता अंदाजे 30% ने सुधारली जाऊ शकते, तर पॅरेटो-फ्रंट ऑप्टिमायझेशन एकाच वेळी उच्च वाढ दर आणि भिन्नता कमी गुणांक दोन्ही साध्य करते. इष्टतम प्रक्रिया खिडक्या सामान्यत: 1450-1500°C च्या वाढीच्या तापमानात, 80-100 mbar चेंबर दाब, 60 rpm वरील ससेप्टर रोटेशन वेग आणि 5:16:5 सारख्या असममित गॅस इनलेट रेशोमध्ये आढळतात.

मशीन लर्निंगसह एकत्रित केलेले क्षणिक मल्टीफिजिक्स सिम्युलेशन

अलीकडील अभ्यास प्रक्रिया ऑप्टिमायझेशनला गती देण्यासाठी मशीन लर्निंग तंत्रांसह क्षणिक CFD सिम्युलेशन देखील समाकलित करतात. ACO-BPNN न्यूरल नेटवर्कसह एकत्रित थर्मल-फ्लो-केमिकल जोडलेले CFD मॉडेल डिपॉझिशन तापमान, इनलेट गॅस फ्लो, रोटेशन गती आणि चेंबर प्रेशर ऑप्टिमाइझ करण्यासाठी वापरले जातात. प्रायोगिक प्रमाणीकरण सिम्युलेशन आणि व्यावहारिक परिणामांमधील उत्कृष्ट करार दर्शविते, विकास दरासाठी केवळ 4.03% आणि एकसमानतेसाठी 0.49% अंदाज विचलन. हा दृष्टिकोन विकास आणि ऑप्टिमायझेशन चक्र लक्षणीयरीत्या कमी करतो आणि विशेषतः क्षैतिज हॉट-वॉल CVD अणुभट्ट्यांसाठी योग्य आहे.

गॅस प्रवाह आणि तापमान फील्ड ऑप्टिमायझेशन

गॅस-फ्लो आणि थर्मल-फील्ड वितरणाचे ऑप्टिमायझेशन उच्च-गुणवत्तेच्या SiC एपिटॅक्सी वाढीसाठी महत्त्वपूर्ण आहे. 100 slm चा H₂ प्रवाह दर, 20:60:20 (बाजू: केंद्र: बाजू), C/Si गुणोत्तर 0.95, वाढीचे तापमान 1610°C, आणि ससेप्टर रोटेशन यासह, संशोधकांनी उच्च स्थिरता आणि फील्ड डिस्ट्रिब्युट तापमान समांतर विघटन केले. वेफर पृष्ठभाग तापमान ग्रेडियंट केवळ 19.3°C पर्यंत कमी केले गेले. याव्यतिरिक्त, नायट्रोजन डोपिंग एकसमानता 3.35–4.85% पर्यंत पोहोचली, तर क्रिस्टल दोष लक्षणीयरीत्या 28 एकूण दोषांपर्यंत कमी झाले, ज्यामध्ये केवळ 8 त्रिकोणी दोष आणि 6 बेसल प्लेन डिस्लोकेशन (BPDs) समाविष्ट आहेत.

उपकरणे संरचना पुनरावृत्ती आणि औद्योगिकीकरण

2023 आणि 2026 मधील औद्योगिक-स्केल अणुभट्टीचे अपग्रेड प्रामुख्याने उभ्या स्प्लिट गॅस इंजेक्शन सिस्टम, मल्टी-झोन इंडक्शन हीटिंग, 6-12 इंच वेफर्ससाठी सिंगल-वेफर आणि ड्युअल-वेफर कॉन्फिगरेशनसह सुसंगतता आणि ग्रेफाइट घटक मेन प्रिव्हेंटन ऑटोमेटेड (पीपीएम प्रिव्हेंटन) सह रीडिझाइनवर केंद्रित आहेत. या संरचनात्मक सुधारणांनी 8-इंच आणि 12-इंच SiC epitaxy प्रक्रियांना 3% च्या खाली जाडी नसलेली एकसमानता आणि 8% पेक्षा कमी डोपिंग भिन्नता प्राप्त करण्यास सक्षम केले आहे. शिवाय, कणांचे प्रदूषण अंदाजे 50% कमी केले गेले आहे, देखभाल डाउनटाइम 30% ने कमी केला आहे आणि ड्युअल-वेफर सिस्टममध्ये तापमानातील फरक ±5°C च्या आत नियंत्रित केला आहे.

तीन प्रमुख निष्कर्ष

1. थर्मल फील्ड ऑप्टिमायझेशनसाठी सिम्युलेशन + मशीन लर्निंग ही मुख्य प्रवाहाची पद्धत बनली आहे: CFD/FEM द्वारे थर्मो-फ्लुइड-केमिकल फील्ड जोडून, आणि ACO-BPNN किंवा MOPSO/NSGA-II सह एकत्रित करून, इष्टतम पॅरेटो पॅरामीटर्स (आठवड्यामध्ये पारंपारिकपणे इम्प्रारोव्ह आणि त्रुटीपेक्षा लक्षणीय आढळू शकतात), जाडी/डोपिंग एकसमानता 30% पेक्षा जास्त आणि प्रायोगिक खर्च कमी करणे. 8-12-इंच SiC च्या मोठ्या प्रमाणात एपिटॅक्सियल वाढीसाठी हे एक आवश्यक साधन आहे.

2. गॅस फेजचा प्रभाव (H₂ प्रेशर/कम्पोझिशन) इन्सुलेशनच्या आतील उघड थर्मल चालकतेवर जाणवणारा प्रभाव दुर्लक्षित केला जाऊ शकत नाही: उच्च H₂ तापमानात, गॅस फेज हीट ट्रान्सफर प्रबळ असते आणि दबाव/पूर्ववर्ती प्रवाह दरातील बदल एकूण तापमान रियायतेच्या वितरणात बदल करतात. अचूक पॉवर प्रेडिक्शन आणि क्लोज-लूप थर्मल फील्ड कंट्रोल प्राप्त करण्यासाठी नवीनतम विश्लेषणात्मक मॉडेल थेट CFD मध्ये एम्बेड केले जाऊ शकतात, जे थर्मल फायरप्लेसमध्ये उच्च कार्यक्षमता, ऊर्जा बचत आणि एकसमानतेचा गाभा आहे.

3. मोठ्या आकारात (8-12 इंच) संक्रमणासाठी स्ट्रक्चरल नवकल्पना आवश्यक आहे: घरगुती उपकरणांनी वेफर पृष्ठभागाचे तापमान ≤ ±0.5℃ आणि दुहेरी-वेफर तापमान फरक ≤ 5℃ पर्यंत उभ्या स्प्लिट एअर इनटेक, मल्टी-झोन तापमान नियंत्रण आणि ससेप्टर ऑप्टिमायझेशनद्वारे साध्य केले आहे. जाडी/डोपिंग एकसमानता आंतरराष्ट्रीय अग्रगण्य स्तरावर पोहोचली आहे, थेट खर्च कमी करण्यास आणि उत्पादन क्षमता दुप्पट करण्यास समर्थन देते. क्षैतिज हॉटवॉल + रोटेटिंग ससेप्टर अजूनही मुख्य प्रवाहात आहे आणि कोणताही स्पष्ट विवाद नाही.

Semicorex उच्च-गुणवत्तेची ऑफर करतेएपिटॅक्सियल प्रक्रियेतील घटक. आपल्याकडे काही चौकशी असल्यास किंवा अतिरिक्त तपशीलांची आवश्यकता असल्यास, कृपया आमच्याशी संपर्क साधण्यास अजिबात संकोच करू नका.

संपर्क फोन # +86-13567891907

ईमेल: sales@semicorex.com