질화갈륨 에피택시는 반도체 제조의 새로운 단계에 진입하고 있습니다.
수년간 GaN 에피 웨이퍼 품질은 신중하게 최적화된 성장 레시피, 숙련된 공정 엔지니어 및 반응기 조건의 지속적인 모니터링에 크게 의존해 왔습니다. 기판 온도, 챔버 압력, III/V 플럭스 비율 또는 표면 재구성에 약간의 편차가 있더라도 최종 결정 품질에 영향을 미칠 수 있습니다.
인공지능이 이러한 접근 방식을 바꾸기 시작하고 있습니다.
고정된 레시피에만 의존하는 대신, 새로운 에피택시 플랫폼은 실시간 RHEED 데이터, 장비 센서 정보 및 머신러닝 알고리즘을 결합하여 성장 조건을 식별하고, 이상을 감지하며, 궁극적으로 에피택셜 성장 중에 공정 매개변수를 조정합니다.
최근 사례는 한국의 IVWorks에서 나왔는데, 이 회사는 2026년 9월에 자사의 GaN 에피 웨이퍼 생산 시스템이 AI 모델을 사용하여 Reflection High-Energy Electron Diffraction(RHEED)과 MBE 장비 데이터를 분석한다고 보고했습니다. 이 회사는 2019년부터 3억 3천만 개 이상의 시계열 공정 데이터 포인트와 30TB 이상의 RHEED 데이터를 축적했다고 밝혔습니다.
이러한 발전은 더 넓은 추세를 강조합니다. GaN 에피택시는 레시피 기반 자동화에서 데이터 기반 및 점점 더 자율적인 제조로 나아가고 있습니다.
GaN 장치는 RF 통신부터 고주파 전력 전자 장치에 이르기까지 다양한 응용 분야에 사용됩니다.
그러나 완성된 장치의 전기적 성능은 에피택셜 품질에 크게 의존합니다.
중요한 GaN 에피 웨이퍼 특성은 다음과 같습니다:
이러한 매개변수는 상호 작용하는 많은 성장 조건에 의해 영향을 받습니다.
예를 들어, 분자빔 에피택시(MBE) 중에 엔지니어는 다음과 같은 변수를 제어해야 합니다:
어려운 점은 이러한 변수가 독립적이지 않다는 것입니다.
온도 변경은 표면 이동도, 통합 효율 및 성장 속도에 동시에 영향을 미칠 수 있습니다.
장비 수준에서 사소해 보이는 작은 편차도 결국 웨이퍼 전기 성능에 측정 가능한 차이를 유발할 수 있습니다.
이것이 AI 기반 공정 모니터링이 주목받는 이유 중 하나입니다.
반사 고에너지 전자 회절(RHEED)은 MBE에 가장 유용한 현장 모니터링 기술 중 하나입니다.
에피택셜 성장 중에 고에너지 전자빔이 매우 얕은 각도로 웨이퍼 표면에 충돌합니다.
전자는 결정 표면과 상호 작용하여 회절 패턴을 생성합니다.
엔지니어는 이 패턴을 사용하여 웨이퍼를 반응기에서 제거하지 않고도 성장 중 표면에 대한 정보를 얻을 수 있습니다.
RHEED는 다음과 관련된 정보를 제공할 수 있습니다:
다른 표면 조건은 다른 회절 패턴을 생성합니다.
매끄러운 2차원 표면은 종종 상대적으로 날카로운 줄무늬를 생성하는 반면, 거칠어지거나 3차원 섬 형성은 회절 패턴을 크게 변경할 수 있습니다.
전통적으로 숙련된 작업자는 이러한 패턴을 시각적으로 해석합니다.
그 접근 방식은 효과가 있지만 한계가 있습니다.
현대의 에피택시 실행은 엄청난 양의 RHEED 정보를 생성할 수 있습니다.
카메라는 성장 과정 전체에 걸쳐 회절 패턴을 지속적으로 기록할 수 있습니다.
인간 작업자는 모든 프레임을 정량적으로 분석하는 것이 현실적으로 불가능합니다.
일부 변경 사항은 시각적으로 명확해지기 전에 발생할 수도 있습니다.
머신러닝은 다른 접근 방식을 제공합니다.
엔지니어에게 개별 이미지를 해석하도록 요청하는 대신, AI 시스템은 전체 RHEED 이미지 시퀀스를 분석하고 다음과 같은 미묘한 변화를 식별할 수 있습니다:
Journal of Vacuum Science & Technology A에 발표된 연구는 MBE 성장 중 RHEED 이미지의 머신러닝 분석을 시연했으며, 이는 실시간으로 증착 모드의 변화를 식별할 수 있었습니다. 분석 워크플로우는 1초 미만으로 작동하도록 설계되어 RHEED 데이터가 단순히 모니터링 도구가 아닌 실시간 피드백 제어의 일부가 될 잠재력을 보여줍니다.
중요한 변화는단순히 AI를 사용하여 이미지를 분류하는 것이 아닙니다.더 큰 목표는 폐쇄 루프 공정 제어입니다.
단순화된 자율 에피택시 시스템은 다음과 같이 작동할 수 있습니다:
RHEED 카메라
↓
새로운 RHEED 응답
↓
새로운 RHEED 응답
↓
새로운 RHEED 응답
↓
새로운 RHEED 응답
↓
새로운 RHEED 응답
↓
새로운 RHEED 응답
그런 다음 사이클이 반복됩니다.
이를 통해 성장 시스템은 미리 결정된 레시피를 맹목적으로 따르는 대신 웨이퍼의 실제 상태에 응답할 수 있습니다.
예를 들어, 모델은 표면이 매끄러운 층별 성장에서 바람직하지 않은 섬 형성으로 전환되기 시작하고 있음을 감지할 수 있습니다.
그런 다음 공정 제어기는 기판 온도 또는 재료 플럭스와 같은 매개변수를 조정해야 하는지 여부를 평가할 수 있습니다.
이 개념은 점점 더 자율 에피택시 또는 자율 주행 에피택시로 설명되고 있습니다.
AI 제어 GaN MBE 제조
이 회사에 따르면, 자사의 AI 에피택시 플랫폼은 RHEED 정보와 온도 및 압력과 같은 시계열 장비 데이터를 결합합니다.
AI 모델은 성장 조건을 평가하고 이상을 감지하는 반면, MBE 자동화 프레임워크는 웨이퍼 로딩, 에피택셜 성장 및 언로딩을 포함한 작업을 처리합니다. 명시된 방향은 인간의 개입을 줄이고 생산 안정성을 향상시키는 것입니다.
산업 에피택시는 실험실 성장과 다르기 때문에 이것은 중요합니다.
대량 생산은 다음과 같은 측면에서 반복성이 필요합니다:
다중 웨이퍼
상업용 에피 웨이퍼 공급업체는 웨이퍼마다 일관된 성능이 필요합니다.
AI가 GaN 에피 웨이퍼 균일성을 개선할 수 있는 방법
장치 구조에 따라 고객은 다음과 같은 항목을 평가할 수 있습니다:
에피택셜 두께 균일성
100mm, 150mm 또는 200mm 생산 웨이퍼의 경우 장치 수율에 직접적인 영향을 미칠 수 있습니다.
AI 공정 제어는 여러 가지 방법으로 균일성을 개선할 수 있습니다.
1. 성장 드리프트 조기 감지
조건은 다음과 같은 이유로 드리프트될 수 있습니다:
소스 고갈
RHEED 데이터와 장비 센서 데이터를 결합함으로써 AI 시스템은 기존의 통계 모니터링보다 더 일찍 드리프트를 감지할 수 있습니다.
2. 비정상 성장 상태 식별
조기 감지는 시스템이 웨이퍼를 플래그하거나 결함이 심각해지기 전에 공정을 조정할 수 있도록 합니다.
3. 실행 간 변동 감소
머신러닝 모델은 현재 실행을 대규모의 과거 데이터 세트와 비교하고 이전에 성공적인 성장 궤적에서 벗어난 것을 식별할 수 있습니다.
이는 실행 간 반복성을 개선하는 데 도움이 될 수 있습니다.
AI 및 표면 거칠기 제어
낮은 표면 품질은 다음과 같은 사항에 영향을 미칠 수 있습니다:
리소그래피
머신러닝 지원 RHEED 분석은 이미 회절 정보가 실험적 MBE 시스템에서 중요한 박막 품질 지표와 상관 관계가 있음을 보여주었습니다.
예를 들어, 2025년 GaSe MBE 성장 연구는 RHEED에서 파생된 특징을 통합하면 결정 품질 지표를 예측하는 데 사용되는 머신러닝 모델이 개선된다는 것을 보여주었으며, 이는 에피택시 최적화를 위해 현장 회절과 공정 데이터를 결합하는 더 넓은 개념을 뒷받침합니다.
이 연구의 특정 재료는 GaN이 아니었으므로 정량적 모델을 GaN 생산에 직접 적용할 수는 없습니다. 그러나 이 접근 방식은 RHEED 정보가 단순히 시각적 진단 도구가 아닌 기계 판독 가능한 공정 변수가 될 수 있는 방법을 보여줍니다.
결함 감소 및 수율
GaN 에피택셜 결함에는 다음과 같은 것이 포함될 수 있습니다:
나선형 전위
많은 결함은 기본적인 기판 및 이종 에피택시 제한에서 비롯됩니다.
그러나 AI는 공정 불안정성과 관련된 결함을 줄이는 데 도움이 될 수 있습니다.
예를 들어, 특정 RHEED 패턴 진화, 온도 드리프트 및 챔버 압력의 조합이 성장 후 결과가 좋지 않은 것과 반복적으로 상관 관계가 있다면 모델은 그 관계를 학습할 수 있습니다.
그러면 향후 생산 실행에서 웨이퍼가 완료되기 전에 유사한 조건을 플래그할 수 있습니다.
목표는 AI가 결정 성장 법칙을 바꾸는 것이 아닙니다.
성장 공정을 더 좁고 반복 가능한 공정 창 안에 유지하는 것입니다.
과거 데이터가 중요한 이유
소수의 성장 실행으로만 훈련된 모델은 신뢰할 수 있는 결정을 내릴 만큼 충분한 공정 조건을 이해하지 못할 수 있습니다.
이것이 대규모의 과거 데이터 세트가 가치 있는 이유를 설명합니다.
유용한 정보에는 다음이 포함될 수 있습니다:
RHEED 비디오
예는 다음과 같습니다:
GaN 템플릿
공정 조건 → 현장 표면 동작 → 최종 웨이퍼 품질
충분히 신뢰할 수 있는 데이터가 확보되면 시스템은 수동으로 식별하기 어려운 관계를 찾기 시작할 수 있습니다.
자동화에서 자율 에피택시로
예를 들어:
온도를 X로 설정합니다.
시간 Y에 소스 셔터를 엽니다.
Z분 동안 레이어를 성장시킵니다.
자율 제조는 또 다른 수준을 추가합니다.
지침을 실행하는 것 외에도 시스템은 다음에 무엇을 해야 할지 결정하기 전에 현재 공정 조건을 평가합니다.
최근 연구는 현장 RHEED와 물리 기반 머신러닝을 사용하여 자율 주행 MBE 개념을 이미 시연했습니다. 2026년 연구는 MBE 장비, RHEED 모니터링 및 피드백 제어를 통합하여 반도체 이종 구조 성장을 조정하는 SemiEpi 플랫폼을 설명했습니다.
이전 연구에서도 RHEED 비디오를 피드백 결정의 입력으로 사용하여 InAs/GaAs 양자점 성장의 머신러닝 지원 실시간 제어를 시연했습니다.
이러한 시연은 완전한 자율 고용량 GaN 제조와 동일하지는 않지만, 점점 더 폐쇄 루프 에피택시로 가는 기술적 경로를 보여줍니다.
AI가 대체할 수 없는 것
고품질 GaN 에피택시는 여전히 다음과 같은 사항에 의존합니다:
반응기 설계
물리적 성장 공정은 여전히 최종 재료를 결정합니다.
AI는 주로 해당 공정을 모니터링, 분석 및 제어하는 더 강력한 방법을 제공합니다.
GaN 에피 웨이퍼 구매자를 위한 시사점
최종 웨이퍼 사양이 더 중요합니다.
GaN 에피 웨이퍼 RFQ는 관련 매개변수를 명확하게 정의해야 합니다.
웨이퍼 크기
2인치
GaN-on-Si
GaN 템플릿
전기적 특성
시트 저항
RMS 거칠기
TTV
GaN 웨이퍼가 커짐에 따라 균일성이 더 중요해지는 이유
웨이퍼 직경이 증가함에 따라 작은 공정 기울기가 훨씬 더 많은 수의 장치에 영향을 미칠 수 있습니다.
예를 들어, 다음과 같은 변동:
온도
이것이 데이터 기반 공정 제어가 150mm 및 200mm GaN 에피택시 및 잠재적으로 향후 더 큰 직경 생산에 점점 더 가치 있는 이유입니다.
따라서 AI의 경제적 가치는 웨이퍼 규모와 밀접하게 관련되어 있습니다.
개선된 공정 제어가 웨이퍼 간 변동을 줄이거나 사용 가능한 웨이퍼 면적의 비율을 늘리면 수천 개의 장치에 걸쳐 그 영향이 배가될 수 있습니다.
AI 제어 에피택시는 검사를 제거하지 않습니다.
중요한 GaN 에피 웨이퍼는 다음과 같은 조합이 필요할 수 있습니다:
표면 검사
성장 시스템은 실시간 정보를 제공합니다.
최종 검사는 웨이퍼가 고객 사양을 충족하는지 확인합니다.
미래: 디지털 트윈 및 자체 최적화 GaN 에피택시
미래 플랫폼은 다음과 같은 것을 결합할 수 있습니다:
실시간 RHEED
그런 다음 시스템은 다음과 같은 특정 목표를 위해 공정 매개변수를 최적화할 수 있습니다:
낮은 결함 밀도
결론
RHEED는 전통적으로 MBE 성장을 위한 중요한 실시간 관찰 도구 역할을 해왔습니다. RHEED 이미지와 머신러닝 및 장비 센서 데이터를 결합함으로써 제조업체는 이 정보를 더 정량적인 공정 제어 시스템으로 전환할 수 있습니다.
잠재적 이점은 다음과 같습니다:
조기 이상 감지
그러나 GaN 에피 웨이퍼 고객에게 가장 중요한 요소는 에피택셜 구조, 전기적 특성, 표면 품질, 웨이퍼 형상 및 웨이퍼 간 균일성과 같은 측정 가능한 재료 사양입니다.
AI는 고품질 GaN 에피택시를 대체하는 것이 아닙니다.
그 실제 가치는 제조업체가 더 일관되게, 더 많은 웨이퍼에 걸쳐, 그리고 점점 더 복잡한 반도체 성장 공정에 대한 더 엄격한 제어를 통해 그 품질을 달성하도록 돕는 것입니다.
질화갈륨 에피택시는 반도체 제조의 새로운 단계에 진입하고 있습니다.
수년간 GaN 에피 웨이퍼 품질은 신중하게 최적화된 성장 레시피, 숙련된 공정 엔지니어 및 반응기 조건의 지속적인 모니터링에 크게 의존해 왔습니다. 기판 온도, 챔버 압력, III/V 플럭스 비율 또는 표면 재구성에 약간의 편차가 있더라도 최종 결정 품질에 영향을 미칠 수 있습니다.
인공지능이 이러한 접근 방식을 바꾸기 시작하고 있습니다.
고정된 레시피에만 의존하는 대신, 새로운 에피택시 플랫폼은 실시간 RHEED 데이터, 장비 센서 정보 및 머신러닝 알고리즘을 결합하여 성장 조건을 식별하고, 이상을 감지하며, 궁극적으로 에피택셜 성장 중에 공정 매개변수를 조정합니다.
최근 사례는 한국의 IVWorks에서 나왔는데, 이 회사는 2026년 9월에 자사의 GaN 에피 웨이퍼 생산 시스템이 AI 모델을 사용하여 Reflection High-Energy Electron Diffraction(RHEED)과 MBE 장비 데이터를 분석한다고 보고했습니다. 이 회사는 2019년부터 3억 3천만 개 이상의 시계열 공정 데이터 포인트와 30TB 이상의 RHEED 데이터를 축적했다고 밝혔습니다.
이러한 발전은 더 넓은 추세를 강조합니다. GaN 에피택시는 레시피 기반 자동화에서 데이터 기반 및 점점 더 자율적인 제조로 나아가고 있습니다.
GaN 장치는 RF 통신부터 고주파 전력 전자 장치에 이르기까지 다양한 응용 분야에 사용됩니다.
그러나 완성된 장치의 전기적 성능은 에피택셜 품질에 크게 의존합니다.
중요한 GaN 에피 웨이퍼 특성은 다음과 같습니다:
이러한 매개변수는 상호 작용하는 많은 성장 조건에 의해 영향을 받습니다.
예를 들어, 분자빔 에피택시(MBE) 중에 엔지니어는 다음과 같은 변수를 제어해야 합니다:
어려운 점은 이러한 변수가 독립적이지 않다는 것입니다.
온도 변경은 표면 이동도, 통합 효율 및 성장 속도에 동시에 영향을 미칠 수 있습니다.
장비 수준에서 사소해 보이는 작은 편차도 결국 웨이퍼 전기 성능에 측정 가능한 차이를 유발할 수 있습니다.
이것이 AI 기반 공정 모니터링이 주목받는 이유 중 하나입니다.
반사 고에너지 전자 회절(RHEED)은 MBE에 가장 유용한 현장 모니터링 기술 중 하나입니다.
에피택셜 성장 중에 고에너지 전자빔이 매우 얕은 각도로 웨이퍼 표면에 충돌합니다.
전자는 결정 표면과 상호 작용하여 회절 패턴을 생성합니다.
엔지니어는 이 패턴을 사용하여 웨이퍼를 반응기에서 제거하지 않고도 성장 중 표면에 대한 정보를 얻을 수 있습니다.
RHEED는 다음과 관련된 정보를 제공할 수 있습니다:
다른 표면 조건은 다른 회절 패턴을 생성합니다.
매끄러운 2차원 표면은 종종 상대적으로 날카로운 줄무늬를 생성하는 반면, 거칠어지거나 3차원 섬 형성은 회절 패턴을 크게 변경할 수 있습니다.
전통적으로 숙련된 작업자는 이러한 패턴을 시각적으로 해석합니다.
그 접근 방식은 효과가 있지만 한계가 있습니다.
현대의 에피택시 실행은 엄청난 양의 RHEED 정보를 생성할 수 있습니다.
카메라는 성장 과정 전체에 걸쳐 회절 패턴을 지속적으로 기록할 수 있습니다.
인간 작업자는 모든 프레임을 정량적으로 분석하는 것이 현실적으로 불가능합니다.
일부 변경 사항은 시각적으로 명확해지기 전에 발생할 수도 있습니다.
머신러닝은 다른 접근 방식을 제공합니다.
엔지니어에게 개별 이미지를 해석하도록 요청하는 대신, AI 시스템은 전체 RHEED 이미지 시퀀스를 분석하고 다음과 같은 미묘한 변화를 식별할 수 있습니다:
Journal of Vacuum Science & Technology A에 발표된 연구는 MBE 성장 중 RHEED 이미지의 머신러닝 분석을 시연했으며, 이는 실시간으로 증착 모드의 변화를 식별할 수 있었습니다. 분석 워크플로우는 1초 미만으로 작동하도록 설계되어 RHEED 데이터가 단순히 모니터링 도구가 아닌 실시간 피드백 제어의 일부가 될 잠재력을 보여줍니다.
중요한 변화는단순히 AI를 사용하여 이미지를 분류하는 것이 아닙니다.더 큰 목표는 폐쇄 루프 공정 제어입니다.
단순화된 자율 에피택시 시스템은 다음과 같이 작동할 수 있습니다:
RHEED 카메라
↓
새로운 RHEED 응답
↓
새로운 RHEED 응답
↓
새로운 RHEED 응답
↓
새로운 RHEED 응답
↓
새로운 RHEED 응답
↓
새로운 RHEED 응답
그런 다음 사이클이 반복됩니다.
이를 통해 성장 시스템은 미리 결정된 레시피를 맹목적으로 따르는 대신 웨이퍼의 실제 상태에 응답할 수 있습니다.
예를 들어, 모델은 표면이 매끄러운 층별 성장에서 바람직하지 않은 섬 형성으로 전환되기 시작하고 있음을 감지할 수 있습니다.
그런 다음 공정 제어기는 기판 온도 또는 재료 플럭스와 같은 매개변수를 조정해야 하는지 여부를 평가할 수 있습니다.
이 개념은 점점 더 자율 에피택시 또는 자율 주행 에피택시로 설명되고 있습니다.
AI 제어 GaN MBE 제조
이 회사에 따르면, 자사의 AI 에피택시 플랫폼은 RHEED 정보와 온도 및 압력과 같은 시계열 장비 데이터를 결합합니다.
AI 모델은 성장 조건을 평가하고 이상을 감지하는 반면, MBE 자동화 프레임워크는 웨이퍼 로딩, 에피택셜 성장 및 언로딩을 포함한 작업을 처리합니다. 명시된 방향은 인간의 개입을 줄이고 생산 안정성을 향상시키는 것입니다.
산업 에피택시는 실험실 성장과 다르기 때문에 이것은 중요합니다.
대량 생산은 다음과 같은 측면에서 반복성이 필요합니다:
다중 웨이퍼
상업용 에피 웨이퍼 공급업체는 웨이퍼마다 일관된 성능이 필요합니다.
AI가 GaN 에피 웨이퍼 균일성을 개선할 수 있는 방법
장치 구조에 따라 고객은 다음과 같은 항목을 평가할 수 있습니다:
에피택셜 두께 균일성
100mm, 150mm 또는 200mm 생산 웨이퍼의 경우 장치 수율에 직접적인 영향을 미칠 수 있습니다.
AI 공정 제어는 여러 가지 방법으로 균일성을 개선할 수 있습니다.
1. 성장 드리프트 조기 감지
조건은 다음과 같은 이유로 드리프트될 수 있습니다:
소스 고갈
RHEED 데이터와 장비 센서 데이터를 결합함으로써 AI 시스템은 기존의 통계 모니터링보다 더 일찍 드리프트를 감지할 수 있습니다.
2. 비정상 성장 상태 식별
조기 감지는 시스템이 웨이퍼를 플래그하거나 결함이 심각해지기 전에 공정을 조정할 수 있도록 합니다.
3. 실행 간 변동 감소
머신러닝 모델은 현재 실행을 대규모의 과거 데이터 세트와 비교하고 이전에 성공적인 성장 궤적에서 벗어난 것을 식별할 수 있습니다.
이는 실행 간 반복성을 개선하는 데 도움이 될 수 있습니다.
AI 및 표면 거칠기 제어
낮은 표면 품질은 다음과 같은 사항에 영향을 미칠 수 있습니다:
리소그래피
머신러닝 지원 RHEED 분석은 이미 회절 정보가 실험적 MBE 시스템에서 중요한 박막 품질 지표와 상관 관계가 있음을 보여주었습니다.
예를 들어, 2025년 GaSe MBE 성장 연구는 RHEED에서 파생된 특징을 통합하면 결정 품질 지표를 예측하는 데 사용되는 머신러닝 모델이 개선된다는 것을 보여주었으며, 이는 에피택시 최적화를 위해 현장 회절과 공정 데이터를 결합하는 더 넓은 개념을 뒷받침합니다.
이 연구의 특정 재료는 GaN이 아니었으므로 정량적 모델을 GaN 생산에 직접 적용할 수는 없습니다. 그러나 이 접근 방식은 RHEED 정보가 단순히 시각적 진단 도구가 아닌 기계 판독 가능한 공정 변수가 될 수 있는 방법을 보여줍니다.
결함 감소 및 수율
GaN 에피택셜 결함에는 다음과 같은 것이 포함될 수 있습니다:
나선형 전위
많은 결함은 기본적인 기판 및 이종 에피택시 제한에서 비롯됩니다.
그러나 AI는 공정 불안정성과 관련된 결함을 줄이는 데 도움이 될 수 있습니다.
예를 들어, 특정 RHEED 패턴 진화, 온도 드리프트 및 챔버 압력의 조합이 성장 후 결과가 좋지 않은 것과 반복적으로 상관 관계가 있다면 모델은 그 관계를 학습할 수 있습니다.
그러면 향후 생산 실행에서 웨이퍼가 완료되기 전에 유사한 조건을 플래그할 수 있습니다.
목표는 AI가 결정 성장 법칙을 바꾸는 것이 아닙니다.
성장 공정을 더 좁고 반복 가능한 공정 창 안에 유지하는 것입니다.
과거 데이터가 중요한 이유
소수의 성장 실행으로만 훈련된 모델은 신뢰할 수 있는 결정을 내릴 만큼 충분한 공정 조건을 이해하지 못할 수 있습니다.
이것이 대규모의 과거 데이터 세트가 가치 있는 이유를 설명합니다.
유용한 정보에는 다음이 포함될 수 있습니다:
RHEED 비디오
예는 다음과 같습니다:
GaN 템플릿
공정 조건 → 현장 표면 동작 → 최종 웨이퍼 품질
충분히 신뢰할 수 있는 데이터가 확보되면 시스템은 수동으로 식별하기 어려운 관계를 찾기 시작할 수 있습니다.
자동화에서 자율 에피택시로
예를 들어:
온도를 X로 설정합니다.
시간 Y에 소스 셔터를 엽니다.
Z분 동안 레이어를 성장시킵니다.
자율 제조는 또 다른 수준을 추가합니다.
지침을 실행하는 것 외에도 시스템은 다음에 무엇을 해야 할지 결정하기 전에 현재 공정 조건을 평가합니다.
최근 연구는 현장 RHEED와 물리 기반 머신러닝을 사용하여 자율 주행 MBE 개념을 이미 시연했습니다. 2026년 연구는 MBE 장비, RHEED 모니터링 및 피드백 제어를 통합하여 반도체 이종 구조 성장을 조정하는 SemiEpi 플랫폼을 설명했습니다.
이전 연구에서도 RHEED 비디오를 피드백 결정의 입력으로 사용하여 InAs/GaAs 양자점 성장의 머신러닝 지원 실시간 제어를 시연했습니다.
이러한 시연은 완전한 자율 고용량 GaN 제조와 동일하지는 않지만, 점점 더 폐쇄 루프 에피택시로 가는 기술적 경로를 보여줍니다.
AI가 대체할 수 없는 것
고품질 GaN 에피택시는 여전히 다음과 같은 사항에 의존합니다:
반응기 설계
물리적 성장 공정은 여전히 최종 재료를 결정합니다.
AI는 주로 해당 공정을 모니터링, 분석 및 제어하는 더 강력한 방법을 제공합니다.
GaN 에피 웨이퍼 구매자를 위한 시사점
최종 웨이퍼 사양이 더 중요합니다.
GaN 에피 웨이퍼 RFQ는 관련 매개변수를 명확하게 정의해야 합니다.
웨이퍼 크기
2인치
GaN-on-Si
GaN 템플릿
전기적 특성
시트 저항
RMS 거칠기
TTV
GaN 웨이퍼가 커짐에 따라 균일성이 더 중요해지는 이유
웨이퍼 직경이 증가함에 따라 작은 공정 기울기가 훨씬 더 많은 수의 장치에 영향을 미칠 수 있습니다.
예를 들어, 다음과 같은 변동:
온도
이것이 데이터 기반 공정 제어가 150mm 및 200mm GaN 에피택시 및 잠재적으로 향후 더 큰 직경 생산에 점점 더 가치 있는 이유입니다.
따라서 AI의 경제적 가치는 웨이퍼 규모와 밀접하게 관련되어 있습니다.
개선된 공정 제어가 웨이퍼 간 변동을 줄이거나 사용 가능한 웨이퍼 면적의 비율을 늘리면 수천 개의 장치에 걸쳐 그 영향이 배가될 수 있습니다.
AI 제어 에피택시는 검사를 제거하지 않습니다.
중요한 GaN 에피 웨이퍼는 다음과 같은 조합이 필요할 수 있습니다:
표면 검사
성장 시스템은 실시간 정보를 제공합니다.
최종 검사는 웨이퍼가 고객 사양을 충족하는지 확인합니다.
미래: 디지털 트윈 및 자체 최적화 GaN 에피택시
미래 플랫폼은 다음과 같은 것을 결합할 수 있습니다:
실시간 RHEED
그런 다음 시스템은 다음과 같은 특정 목표를 위해 공정 매개변수를 최적화할 수 있습니다:
낮은 결함 밀도
결론
RHEED는 전통적으로 MBE 성장을 위한 중요한 실시간 관찰 도구 역할을 해왔습니다. RHEED 이미지와 머신러닝 및 장비 센서 데이터를 결합함으로써 제조업체는 이 정보를 더 정량적인 공정 제어 시스템으로 전환할 수 있습니다.
잠재적 이점은 다음과 같습니다:
조기 이상 감지
그러나 GaN 에피 웨이퍼 고객에게 가장 중요한 요소는 에피택셜 구조, 전기적 특성, 표면 품질, 웨이퍼 형상 및 웨이퍼 간 균일성과 같은 측정 가능한 재료 사양입니다.
AI는 고품질 GaN 에피택시를 대체하는 것이 아닙니다.
그 실제 가치는 제조업체가 더 일관되게, 더 많은 웨이퍼에 걸쳐, 그리고 점점 더 복잡한 반도체 성장 공정에 대한 더 엄격한 제어를 통해 그 품질을 달성하도록 돕는 것입니다.
english
français
Deutsch
Italiano
Русский
Español
português
Nederlandse
ελληνικά
日本語
한국
العربية
Türkçe
polski