一种神经网络模型预测的半导体薄膜工艺参数优化系统技术方案

本发明专利技术提出了一种神经网络模型预测的半导体薄膜工艺参数优化系统。本发明专利技术包括集成多种在线监测功能的神经网络模型预测的半导体薄膜工艺参数优化装置。本发明专利技术结合半导体薄膜质量特征向量、人工标定的质量等级构建半导体薄膜质量训练集并进行训练，得到训练后半导体薄膜质量等级预测神经网络模型；通过半导体薄膜质量训练集对生长工艺参数预测神经网络模型进行训练，得到训练后生长工艺参数预测神经网络模型；进一步通过半导体薄膜质量等级预测神经网络模型、生长工艺参数预测神经网络模型优化半导体薄膜样品的生长工艺参数特征向量，使样品生长达到半导体薄膜样品质预定等级。实现生长条件优化，低位错密度，低缺陷高质量外延半导体薄膜的生长。

【技术实现步骤摘要】
一种神经网络模型预测的半导体薄膜工艺参数优化系统
本专利技术属于外延半导体薄膜生长
，尤其涉及一种神经网络模型预测的半导体薄膜工艺参数优化系统。
技术介绍
无论是氮化物、碳化硅、金刚石等基材料的LD、LED还是功率电子器件，它们的性能优劣高度依赖对半导体薄膜材料生长过程的品质控制。在半导体薄膜材料生长过程中，在线监测技术作为控制生长过程的前提，是半导体材料生长技术的重要组成部分。要达到生长膜的均匀性、重复性、可控性、低缺陷等要求，在材料生长过程中，需要对反应温度、样品翘曲、生长速度、气体流量、气体压力等直接影响材料性能的参数进行精确控制。半导体薄膜材料生长中能量的吸收、传递、转换机制以及缺陷的产生、演化、调控涉及电子密度(等离子体)、原子、分子等动力学。目前，关于半导体薄膜生长中缺陷的监测与调控已开展一定的研究，并取得部分成果。但是，主要集中在理论分析方面，缺乏实验数据和相应的测试手段。材料生长过程本质上是微观结构的演变过程，结构变化取决于化学键的形成和断裂以及原子的重排过程，空穴和间隙原子、位错等结构演变发生在原子振动周期的时间本文档来自技高网...

【技术保护点】
1.一种神经网络模型预测的半导体薄膜工艺参数优化装置，其特征在于，包括：/n化学气相沉积系统、进样室、机械手传送腔、分子束外延系统、高低温循环腔、第二质谱仪、原子力显微镜、第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪、第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪；/n半导体薄膜生长时，样品的衬底由所述进样室放入，通过所述机械手传送室将样品传送至所述化学气相沉积系统中生长腔进行生长，或通过所述机械手传送室将样品传送至所述分子束外延系统中生长腔进行生长，并可从第一生长腔或第二生长腔传送至进样室；所述化学气相沉积系统中...

【技术特征摘要】
1.一种神经网络模型预测的半导体薄膜工艺参数优化装置，其特征在于，包括：
化学气相沉积系统、进样室、机械手传送腔、分子束外延系统、高低温循环腔、第二质谱仪、原子力显微镜、第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪、第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪；
半导体薄膜生长时，样品的衬底由所述进样室放入，通过所述机械手传送室将样品传送至所述化学气相沉积系统中生长腔进行生长，或通过所述机械手传送室将样品传送至所述分子束外延系统中生长腔进行生长，并可从第一生长腔或第二生长腔传送至进样室；所述化学气相沉积系统中生长腔定义为第一生长腔，所述分子束外延系统中生长腔定义为第二生长腔；
所述第二质谱仪与所述原子力显微镜分别与机械手传送腔密封连接，样品经腔内机械手及传输系统进行传递；
所述高低温循环腔与所述机械手传送系统密封连接；
所述的化学气相沉积系统，分子束外延系统、高低温循环腔、第二质谱仪、原子力显微镜均围绕所述机械手传送腔放置；
所述进样室置于所述化学气相沉积系统与所述机械手传送腔的中间，所述的化学气相沉积系统中生长腔、进样室、连接机械手传送腔依次密封连接；所述机械手传送腔分别与所述的所述分子束外延系统中生长腔、高低温循环腔、第二质谱仪依次密封连接；所述第二质谱仪与所述原子力显微镜密封连接；所述化学气相沉积系统中生长腔分别与所述的第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪依次连接；
作为优选，所述第一多功能光谱仪置于所述化学气相沉积系统中生长腔外，激发光与样品反射荧光分别通过所述化学气相沉积系统中生长腔上密封透明窗口进行传输；
所述第一质谱仪置于所述化学气相沉积系统中生长腔外，通过所述化学气相沉积系统中生长腔上可控密封阀门抽取样本气体进行测量；
所述第一X射线衍射仪安装于所述化学气相沉积系统中生长腔外，并通过所述化学气相沉积系统中生长腔上密封透明窗口入射到被测样品表面，其第一X射线衍射仪的接收器密封安装于所述化学气相沉积系统中生长腔上；
所述第一温度测试仪利用单相机比色测温系统，实时监测于所述化学气相沉积系统中生长腔内的温度，测试不同位置的温度，所述第一温度测试仪置于所述化学气相沉积系统中生长腔内进行测试；
所述第一翘曲测试仪置于所述化学气相沉积系统中生长腔上方，通过密封透明窗口射入扫描激光进行测量；
所述分子束外延系统中生长腔分别与所述的第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪依次连接；
所述第二多功能光谱仪置于所述分子束外延系统中生长腔外，激发光与反射荧光分别通过所述分子束外延系统中生长腔上的透明窗口进行传输，第二多功能光谱仪的探测器位于所述分子束外延系统中生长腔的下方；
所述第二X射线衍射仪安装于所述分子束外延系统中生长腔外，并通过密封透射窗口入射到样品表面，安装于所述分子束外延系统中生长腔密封窗口外并贴近透明窗口，；
所述第二X射线衍射仪的X射线发射装置与接收装置对称安装于样品在第二生长腔内放置处的侧下方所述分子束外延系统中生长腔的腔壁上；
所述第二温度测试仪利用单相机比色测温系统，置于所述分子束外延系统中生长腔内进行测试，实时监测所述分子束外延系统中生长腔体内的温度，测试不同位置的温度；
所述第二翘曲测试仪，置于所述分子束外延系统中生长腔外对样品生长中的翘曲进行在线/原位监测，置于所述分子束外延系统中生长腔上方，通过密封透明窗口，射入扫描激光进行测量；
所述第二温度测试仪与所述第二翘曲测试仪优先安装方位为样品生长位置的正对面；
所述超快反射式高能电子衍射仪安装于所述分子束外延系统中生长腔外，与腔体密封连接，同时通过所述分子束外延系统中生长腔上的透明传输窗口进行测量；
所述超快反射式高能电子衍射仪的高能电子发射器与高能电子接收器分别对称安装于样品在第二生长腔内放置位置的两侧；
所述的第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪围绕安装于所述分子束外延系统中生长腔的周围；
所述数据采集卡分别与所述的第一质谱仪、第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪、第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪依次连接；所述数据采集卡与所述上位机连接。


2.根据权利要求1所述的神经网络模型预测的半导体薄膜工艺参数优化装置，其特征在于：
所述进样室用于放入待生长样品的衬底；
所述机械手传送腔用于在集成的各个腔体和系统间传递样品；
所述分子束外延系统通过分子束外延生长腔实现样品生长；
所述高低温循环腔用于对样品进行高温或者低温退火，降低样品的半导体薄膜应力；
所述原子力显微镜用于对样品的表面形貌及力曲线进行测量，得到样品的表面粗糙度和强度；
所述第一温度测试仪用于采集第一温度，所述第二温度测试仪用于采集第二温度；所述第一翘曲测试仪用于采集第一不平度，所述第二翘曲测试仪用于采集第二不平度；所述第一X射线衍射仪用于采集第一表面粗糙度、第一半导体薄膜厚度以及第一半峰宽，所述第二X射线衍射仪用于采集第二表面粗糙度、第二半导体薄膜厚度以及第二半峰宽；所述第一多功能光谱仪用于采集第一特征光谱值、第一拉曼平移谱值以及第一E2半峰宽，所述第二多功能光谱仪用于采集第二特征光谱值、第二拉曼平移谱值以及第二E2半峰宽；所述第一质谱仪用于采集第一物质元素及占比，所述第二质谱仪用于采集第二物质元素及占比；所述超快反射式高能电子衍射仪用于采集晶格超快电子衍射图像；
所述数据采集卡根据所述上位机控制，将采集的第一温度、第一不平度、第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽、第一特征光谱值、第一拉曼平移谱值、第一E2半峰宽、第一物质元素及占比、第二温度、第二不平度、第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽、第二特征光谱值、第二拉曼平移谱值、第二E2半峰宽、第二物质元素及占比、晶格超快电子衍射图像作为人工智能的输入数据，传输至所述上位机。


3.一种根据权利要求1所述的神经网络模型预测的半导体薄膜工艺参数优化装置进行神经网络模型预测的半导体薄膜工艺参数优化方法，其特征在于，包括以下步骤：
步骤1：由上位机通过控制采集卡进行数据采集，通过采集的数据构建半导体薄膜质量特征向量，结合人工标定方法得到人工标定的的半导体薄膜质量等级，结合半导体薄膜质量特征向量、半导体薄膜质量等级构建半导体薄膜质量训练集；
步骤2：通过半导体薄膜质量训练集对半导体薄膜质量等级预测神经网络模型进行训练，得到训练后半导体薄膜质量等级预测神经网络模型；
步骤3：建立半导体薄膜样品的生长工艺参数特征向量，构建半导体薄膜生长质量工艺参数训练集，通过半导体薄膜质量训练集对生长工艺参数预测神经网络模型进行训练，得到训练后生长工艺参数预测神经网络模型；
步骤4：预定半导体薄膜样品质量等级输入上位机，上位机通过控制采集卡进行数据采集，通过采集的数据通过步骤1半导体薄膜样品质量特征向量，通过训练后半导体薄膜质量等级预测神经网络模型预测得到半导体薄膜样品质量等级，通过步骤3初始化半导体薄膜样品的生长工艺参数特征向量，将预定半导体薄膜样品质量等级、半导体薄膜样品质量等级、半导体薄膜样品的生长工艺参数特征向量通过训练后生长工艺参数预测神经网络模型，得到优化半导体薄膜样品的生长工艺参数特征向量，半导体薄膜样品的生长达到半导体薄膜样品质量预定的等级。


4.根据权利要求1所述的神经网络模型预测的半导体薄膜工艺参数优化方法，其特征在于：
步骤1所述半导体薄膜质量特征向量包括：第一温度、第一不平度、第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽、第一特征光谱值、第一拉曼平移谱值、第一E2半峰宽、第一物质元素及占比、第二温度、第二不平度、第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽、第二特征光谱值、第二拉曼平移谱值、第二E2半峰宽、第二物质元素及占比、晶格超快电子衍射图像；
步骤1所述半导体薄膜质量特征向量定义为：
Zi＝(Xi,1,Xi,2,Xi,3,Xi,4,Xi,5,Xi...

【专利技术属性】
技术研发人员：刘胜，东芳，甘志银，王彪，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42