自动化图像技术在4H-SiC晶圆缺陷分析中的应用

研究背景

检测和分析半导体材料中的各种缺陷对于理解其基础机制和优化生产过程至关重要。传统的显微图像分析方法，如手动检测裂缝、晶粒或位错，既耗时又需要丰富的专业知识。随着实验数据量的不断增加，手动处理这些任务变得越来越不可能。因此，作者提出了一种结合多种图像分析和数据挖掘技术的自动化图像分析管道，以提取4H-SiC晶圆显微图像中的缺陷类型和位置。

研究方法

研究的目标是分析直径为10cm的大型SiC晶圆中的位错含量。研究方法包括以下几个主要步骤：

1. 材料制备与显微镜成像：

- 使用RTD-6800金刚石线锯通过物理气相传输（PVT）方法生长SiC晶体并切割样品。

- 通过抛光去除切割过程中的变形区，然后进行KOH蚀刻以显现位错位置。

2. 图像分析管道：

- 使用Zeiss Axio Imager.M1m显微镜拍摄KOH蚀刻样品的Si面显微图像。

- 图像分析管道包括预处理（如滚动球方法和CLAHE方法）、二值化处理、形状特征提取和深度学习分类等步骤。

3. 无监督与监督学习的结合：

- 使用卷积神经网络（CNN）进行图像分类，筛选出高质量的蚀刻坑图像。

- 利用VGG-16神经网络和UMAP算法进行特征提取和降维，然后应用HDBSCAN聚类方法对图像进行自动聚类。

4. 综合预测：

- 基于合成图像生成和实例分割技术（如Mask R-CNN），对全晶圆的所有图像进行位错类型的预测和定位。

研究结果

研究结果显示，通过该自动化图像分析管道，可以高效准确地识别和分类4H-SiC晶圆中的位错类型。以下是一些具体的结果讨论：

1. 聚类结果的鲁棒性：

- 通过无监督聚类方法（UMAP和HDBSCAN），成功将不同类型的蚀刻坑（如BPD、TED和TSD）分成明确的类别，验证了该方法的鲁棒性。

2. 预测的可靠性：

- 利用合成图像和实际显微图像进行模型验证，结果显示高密度缺陷图像的分类误差较大，但低密度和实际图像的分类误差较小，证明了模型的预测可靠性。

3. 全晶圆分析：

- 在整个4H-SiC晶圆中识别出约170万个蚀刻坑，生成了不同类型位错的密度分布图，揭示了晶圆中不同区域的位错分布特征。

图文解析

图 1：研究材料的显微图像

- 图 1(a) 显示了整个研究的 SiC 晶圆的显微图像，提供了样本的整体视图。

- 图 1(b) 放大了一个区域，展示了蚀刻坑（etch pit）穿透表面的位错线。

- 图 1(c) 展示了显微图像中的一个子图像，揭示了样品的具体微观结构。

这些图像展示了通过 KOH 蚀刻处理后的 SiC 晶圆显微图像。通过这种处理方法，可以在显微镜下观察到蚀刻坑，这是位错穿透表面后形成的特征。

图 2：数据分析管道

- 图 2 描述了数据分析管道的两个主要任务：

- 上部框展示了蚀刻坑字典池的自动创建过程。

- 下部框展示了在整个晶圆中预测位错的过程。

该图详细说明了用于分析显微图像的自动化数据分析流程，包括图像预处理、特征提取和分类步骤。管道中使用了经典图像分析技术和深度学习方法。

图 3：聚类结果和特征空间

- 左图 展示了聚类后的三种特征空间组件。

- 右图 放大了数据在前两个组件上的投影，并附有蚀刻坑图像的示例。

该图通过 UMAP 算法将高维特征空间降维，并使用 HDBSCAN 方法对特征进行聚类。聚类结果显示了三种不同的位错类型：BPD、TED 和 TSD。

图 4：结果对比和晶圆分析

- 图 4(A) 显示了合成图像和实际显微图像的地面实况（ground truth）和预测结果的对比。

- 图 4(B) 可视化了整个晶圆中三种位错类型的密度分布。

该图对比了深度学习模型的预测结果与手动标注的地面实况，验证了模型的预测准确性。同时，通过分析整个晶圆，揭示了位错密度的分布特征，显示了不同区域的位错类型和数量。

图5：显微图像的对比处理

- 图 5(a)：显示了未经处理的原始显微图像。由于对比度不均匀，蚀刻坑的特征难以清晰辨别。

- 图 5(b)：在未处理图像上应用阈值处理的结果。可以看到，图像的右下角许多蚀刻坑特征丢失。

- 图 5(c)：经过滚动球方法和CLAHE方法处理后的图像。图像的阴影分布更加均匀，增强了蚀刻坑的对比度。

- 图 5(d)：在处理后的图像上应用阈值处理的结果。详细的蚀刻坑特征在整个图像中得以保留。

该图展示了通过图像处理技术改善显微图像质量的效果。处理后的图像具有更均匀的对比度，能够更好地展示蚀刻坑的细节，从而提高了后续分析的准确性。

图6：不同测试数据集上的地面实况与预测结果对比

- 图 6：展示了在三个不同数据集上的地面实况与预测结果的对比：

- 高位错密度的1000张图像。

- 低位错密度的1000张图像。

- 实际位错密度的100张图像。

图 6 通过对比不同数据集上的地面实况和深度学习模型的预测结果，评估了模型在不同情况下的预测性能。对于高位错密度的数据集，模型的预测误差较大，而对于低位错密度和实际图像的数据集，预测误差较小，表明模型在实际应用中的可靠性较高。

图 7：降维和聚类后的蚀刻坑分布可视化

- 上图 显示了降维后前三个潜变量的分布。

- 下图 显示了自动化聚类后的图像分组。

该图展示了通过 UMAP 算法降维和 HDBSCAN 聚类后的蚀刻坑图像分布情况。可以看到，降维后相似的蚀刻坑被聚集在一起，经过聚类后，不同组的图像被清晰地分开。

图 8：每个晶圆区域的蚀刻坑分布计数

- 该图总结了每个晶圆子区域的位错含量。

图 8 显示了对整个晶圆进行分析后，各个子区域的蚀刻坑计数和分布情况。可以看出，不同区域的 BPD、TED 和 TSD 类型位错的分布情况。

研究结论

本文提出了一种复杂的图像分析管道，结合了经典图像分析技术、监督深度学习方法和无监督学习方法，实现了4H-SiC晶圆中位错类型的自动化识别和分类。该方法显著提高了显微图像分析的效率和准确性，为快速识别缺陷密度不均匀区域提供了有效工具，有助于优化SiC晶体的生长过程。

文章链接：
https://doi.org/10.1557/s43579-024-00563-2.

来源： 半导体信息

*声明：本文由作者原创。文章内容系作者个人观点，宽禁带半导体技术创新联盟转载仅为了传达一种不同的观点，不代表本联盟对该观点赞同或支持，如果有任何异议，欢迎联系我们。