Galliumnitride-epitaxiebetreedt een nieuwe fase in de halfgeleiderproductie.

Jarenlang was de kwaliteit van GaN-epi-wafers sterk afhankelijk van zorgvuldig geoptimaliseerde groeiprocessen, ervaren procesingenieurs en continue monitoring van de reactoromstandigheden. Zelfs kleine afwijkingen in substaattemperatuur, kamerdruk, III/V-fluxverhouding of oppervlaktereconstructie kunnen de uiteindelijke kristalkwaliteit beïnvloeden.

Kunstmatige intelligentie begint deze aanpak te veranderen.

In plaats van alleen te vertrouwen op vaste recepten, combineren nieuwe epitaxieplatforms RHEED-gegevens in realtime, apparatuursensorinformatie en machine learning-algoritmen om groeicondities te identificeren, abnormaliteiten te detecteren en uiteindelijk procesparameters aan te passen tijdens de epitaxiale groei.

Een recent voorbeeld komt van het Zuid-Koreaanse IVWorks, dat in september 2026 meldde dat zijn GaN-epi-waferproductiesysteem AI-modellen gebruikt om Reflection High-Energy Electron Diffraction, of RHEED, te analyseren, samen met MBE-apparatuurgegevens. Het bedrijf zegt sinds 2019 meer dan 330 miljoen tijdreeks procesdatapuntjes en meer dan 30 TB aan RHEED-gegevens te hebben verzameld.

Deze ontwikkeling benadrukt een bredere trend: GaN-epitaxie beweegt van receptgebaseerde automatisering naar datagedreven en steeds autonomere productie.

Waarom GaN-epitaxie moeilijk te controleren is

GaN-apparaten worden gebruikt in toepassingen variërend van RF-communicatie tot hoogfrequente vermogenselektronica.

De elektrische prestaties van het afgewerkte apparaat zijn echter sterk afhankelijk van de epitaxiale kwaliteit.

Belangrijke kenmerken van GaN-epi-wafers zijn onder meer:

• Uniformiteit van de laagdikte
• Oppervlakteruwheid
• Dichtheid van kristaldefecten
• Interfacekwaliteit
• Dragersconcentratie
• Elektronenmobiliteit
• Plaatschilweerstand
• Bufferlek
• Waferspanning
• Waferbuiging
• Deeltjesdichtheid

Deze parameters worden beïnvloed door vele interagerende groeicondities.

Tijdens Molecular Beam Epitaxy, bijvoorbeeld, moeten ingenieurs variabelen beheersen zoals:

• Substaattemperatuur
• Galliumflux
• Stikstofflux
• Groeisnelheid
• Kammerdruk
• Plasmaomstandigheden
• Dopingflux
• Groeitijd
• Oppervlaktereconstructie

Het probleem is dat deze variabelen niet onafhankelijk zijn.

Het veranderen van de temperatuur kan de oppervlaktemobiliteit, de incorporatie-efficiëntie en de groeisnelheid tegelijkertijd beïnvloeden.

Een kleine afwijking die op apparatuurniveau onbeduidend lijkt, kan uiteindelijk meetbare verschillen in de elektrische prestaties van de wafer opleveren.

Dit is een reden waarom AI-gebaseerde procesbewaking aandacht trekt.

Wat is RHEED?

Reflection High-Energy Electron Diffraction is een van de meest nuttige in-situ monitoringtechnieken voor MBE.

Tijdens epitaxiale groei raakt een hoogenergetische elektronenbundel het waferoppervlak onder een zeer ondiepe hoek.

De elektronen interageren met het kristaloppervlak en creëren een diffractiepatroon.

Ingenieurs kunnen dit patroon gebruiken om informatie over het oppervlak tijdens de groei te verkrijgen zonder de wafer uit de reactor te halen.

RHEED kan informatie verstrekken met betrekking tot:

• Oppervlaktereconstructie
• Kristalorde
• Groeimode
• Oppervlakteruwheid
• Laagvorming
• Epitaxiale overgangen

Verschillende oppervlaktecondities produceren verschillende diffractiepatronen.

Een glad tweeledig oppervlak produceert vaak relatief scherpe strepen, terwijl verzakking of driedimensionale eilandvorming het diffractiepatroon aanzienlijk kan veranderen.

Traditioneel interpreteren ervaren operators deze patronen visueel.

Die aanpak werkt, maar heeft beperkingen.

Het probleem met alleen menselijke RHEED-interpretatie

Een moderne epitaxierun kan een enorme hoeveelheid RHEED-informatie genereren.

Een camera kan continu diffractiepatronen opnemen gedurende het groeiproces.

Menselijke operators kunnen niet realistisch elke frame kwantitatief analyseren.

Sommige veranderingen kunnen ook optreden voordat ze visueel duidelijk worden.

Machine learning biedt een andere aanpak.

In plaats van een ingenieur te vragen individuele beelden te interpreteren, kunnen AI-systemen volledige RHEED-beeldenreeksen analyseren en subtiele veranderingen identificeren in:

• Intensiteit
• Streepbreedte
• Vorming van vlekken
• Diffractiegeometrie
• Tijdelijke evolutie
• Patroonstabiliteit

Onderzoek gepubliceerd in het Journal of Vacuum Science & Technology A toonde machine learning-analyse van RHEED-beelden tijdens MBE-groei die depositie regimes on-the-fly kon identificeren. De analyse workflow was ontworpen om in minder dan een seconde te opereren, wat het potentieel illustreert van RHEED-gegevens om deel uit te maken van real-time feedbackcontrole in plaats van simpelweg een monitoringstool.

Van RHEED-monitoring naar AI-procescontrole

De belangrijke veranderingis niet simpelweg het gebruik van AI om beelden te classificeren.

Het grotere doel is gesloten-lus procescontrole.

Een vereenvoudigd autonoom epitaxiesysteem kan als volgt werken:

RHEED-camera
↓
Real-time beeldanalyse
↓
Machine learning-model
↓
Classificatie van groeistatus
↓
Beslissing over proces
↓
Aanpassing van MBE-parameters
↓
Nieuwe RHEED-respons

De cyclus herhaalt zich vervolgens.

Dit stelt het groeisysteem in staat om te reageren op de werkelijke toestand van de wafer in plaats van blindelings een vooraf bepaald recept te volgen.

Een model kan bijvoorbeeld potentieel detecteren dat een oppervlak begint over te gaan van gladde laag-voor-laag groei naar ongewenste eilandvorming.

De procescontroller kan dan beoordelen of parameters zoals substaattemperatuur of materiaalflux moeten worden aangepast.

Dit concept wordt steeds vaker beschreven als autonome epitaxie of zelfrijdende epitaxie.

AI-gestuurde GaN MBE-productie

De aankondiging van IVWorks in september 2026 biedt een industrieel GaN-voorbeeld.

Volgens het bedrijf combineert het AI-epitaxieplatform RHEED-informatie met tijdreeksapparatuurgegevens zoals temperatuur en druk.

AI-modellen evalueren de groeitoestand en detecteren abnormaliteiten, terwijl het MBE-automatiseringsframework bewerkingen afhandelt, waaronder waferladen, epitaxiale groei en ontladen. De aangegeven richting is gericht op het verminderen van menselijke tussenkomst en het verbeteren van de productie stabiliteit.

Dit is belangrijk omdat industriële epitaxie verschilt van laboratoriumgroei.

Massaproductie vereist herhaalbaarheid over:

• Meerdere wafers
• Meerdere groeiruns
• Verschillende operators
• Lange gebruiksperioden van apparatuur
• Preventieve onderhoudscycli
• Vervangingscycli van verbruiksartikelen

Een uitstekende enkele wafer is niet genoeg.

Een commerciële epi-waferleverancier heeft consistente prestaties nodig, wafer na wafer.

Hoe AI de uniformiteit van GaN-epi-wafers kan verbeteren

Uniformiteit is een van de belangrijkste specificaties voor commerciële GaN-epi-wafers.

Afhankelijk van de apparaatstructuur kunnen klanten evalueren:

• Uniformiteit van de epitaxiale dikte
• Uniformiteit van de plaatschilweerstand
• Uniformiteit van de dragerconcentratie
• Uniformiteit van de mobiliteit
• Uniformiteit van de Al-samenstelling
• Oppervlaktemorfologie
• Waferbuiging

Voor een klein onderzoeksmonsel kunnen lokale variaties soms acceptabel zijn.

Voor 100 mm, 150 mm of 200 mm productiewafers kunnen ze de opbrengst van het apparaat direct beïnvloeden.

AI-procescontrole kan de uniformiteit potentieel op verschillende manieren verbeteren.

1. Groeidrift eerder detecteren

MBE-reactoren blijven niet perfect onveranderd.

Omstandigheden kunnen afwijken vanwege:

• Bronuitputting
• Coating van de kamer
• Veroudering van apparatuur
• Veranderingen in temperatuurkalibratie
• Variatie van de plasbron
• Onderhoudsgeschiedenis

Een vast recept kan daarom na vele groeicycli licht verschillende resultaten opleveren.

Door RHEED-gegevens te combineren met gegevens van apparatuursensoren, kunnen AI-systemen drift eerder detecteren dan conventionele statistische monitoring.

2. Abnormale groeistaten identificeren

Een abnormaal RHEED-patroon kan aangeven dat het oppervlak een ongewenst groeiregime binnengaat.

Vroege detectie stelt het systeem in staat de wafer te markeren of potentieel het proces aan te passen voordat het defect ernstig wordt.

3. Variatie tussen runs verminderen

Een grote productiemanagementuitdaging is het handhaven van dezelfde elektrische kenmerken tussen batches.

Machine learning-modellen kunnen de huidige run vergelijken met grote historische datasets en afwijkingen van eerder succesvolle groeitrajecten identificeren.

Dit kan helpen de herhaalbaarheid tussen runs te verbeteren.

AI en controle van oppervlakteruwheid

Oppervlaktmorfolgie heeft een sterke invloed op de fabricage van GaN-apparaten.

Slechte oppervlaktekwaliteit kan beïnvloeden:

• Lithografie
• Metaalcontacten
• Poortvorming
• Interfacekwaliteit
• Apparaatbetrouwbaarheid

RHEED is bijzonder waardevol omdat het het kristaloppervlak direct tijdens de groei bewaakt.

Machine learning-ondersteunde RHEED-analyse heeft al aangetoond dat diffractie-informatie kan worden gecorreleerd met belangrijke filmkwaliteitsindicatoren in experimentele MBE-systemen.

Bijvoorbeeld, een studie uit 2025 van GaSe MBE-groei toonde aan dat het opnemen van RHEED-afgeleide kenmerken machine learning-modellen verbeterde die werden gebruikt om kristalkwaliteitsmetrieken te voorspellen, wat het bredere concept ondersteunt van het combineren van in-situ diffractie met procesgegevens voor epitaxie-optimalisatie.

Het specifieke materiaal in die studie was geen GaN, dus het kwantitatieve model kan niet zomaar worden overgedragen naar GaN-productie. De aanpak demonstreert echter hoe RHEED-informatie een machineleesbare procesvariabele kan worden in plaats van alleen een visuele diagnostiek.

Defectreductie en opbrengst

Opbrengst is uiteindelijk een van de belangrijkste redenen om geavanceerde procescontrole te introduceren.

GaN-epitaxiale defecten kunnen omvatten:

• Doordringende dislocaties
• Oppervlakteputten
• Hillocks
• Scheuren
• Deeltjes
• Interface defecten
• Lokale ruwheid
• Niet-uniforme doping

Niet elk defect kan met AI worden geëlimineerd.

Vele ontstaan uit fundamentele substraat- en hetero-epitaxielimieten.

AI kan echter helpen defecten gerelateerd aan procesinstabiliteit te verminderen.

Als bijvoorbeeld een specifieke combinatie van RHEED-patronevolutie, temperatuurdrift en kamerdruk herhaaldelijk correleert met slechte resultaten na de groei, kan het model die relatie leren.

Toekomstige productieruns kunnen dan vergelijkbare omstandigheden markeren voordat de wafer is voltooid.

Het doel is niet dat AI de wetten van kristalgroei verandert.

Het is om het groeiproces binnen een smaller en herhaalbaarder procesvenster te houden.

Waarom historische gegevens belangrijk zijn

AI-gestuurde epitaxie is sterk afhankelijk van de datakwaliteit.

Een model dat is getraind op slechts een klein aantal groeiruns begrijpt mogelijk niet genoeg procescondities om betrouwbare beslissingen te nemen.

Dit verklaart waarom grote historische datasets waardevol zijn.

Nuttige informatie kan omvatten:

• RHEED-video
• Substaattemperatuur
• Kammerdruk
• Materiaalflux
• Plasmavermogen
• Groeisnelheid
• Bron temperatuur
• Groeitijd
• Onderhoudsgeschiedenis

Karakterisering na de groei kan vervolgens worden gekoppeld aan deze procesrecords.

Voorbeelden zijn:

• XRD
• AFM
• Hall-meting
• Plaatschilweerstand-mapping
• Fotoluminescentie
• Oppervlakte-inspectie
• Dikte-mapping

Dit creëert een relatie tussen:

Procescondities → in-situ oppervlaktegedrag → uiteindelijke waferkwaliteit

Zodra voldoende betrouwbare gegevens beschikbaar zijn, kan het systeem relaties gaan vinden die handmatig moeilijk te identificeren zijn.

Van automatisering naar autonome epitaxie

Traditionele halfgeleiderautomatisering volgt vooraf gedefinieerde instructies.

Bijvoorbeeld:

Stel temperatuur in op X.
Open bron sluiter op tijd Y.
Laag laten groeien voor Z minuten.

Autonome productie voegt een extra niveau toe.

In plaats van alleen instructies uit te voeren, evalueert het systeem de huidige procesconditie voordat het beslist wat er vervolgens moet gebeuren.

Recent onderzoek heeft al zelfrijdende MBE-concepten aangetoond met behulp van in-situ RHEED en physics-informed machine learning. Een studie uit 2026 beschreef het SemiEpi-platform, dat MBE-apparatuur, RHEED-monitoring en feedbackcontrole integreert om de groei van halfgeleiderheterostructuren aan te passen.

Eerder onderzoek heeft ook machine learning-ondersteunde real-time controle van InAs/GaAs kwantum-dot groei aangetoond met behulp van RHEED-video als input voor feedbackbeslissingen.

Deze demonstraties zijn niet gelijk aan volledig autonome grootschalige GaN-productie, maar ze tonen het technische pad naar steeds meer gesloten-lus epitaxie.

Wat AI niet kan vervangen

AI elimineert de behoefte aan materiaalkunde niet.

Hoogwaardige GaN-epitaxie is nog steeds afhankelijk van:

• Reactorontwerp
• Substraatkwaliteit
• Bufferlaag-engineering
• Bronzuiverheid
• Vacuümkwaliteit
• Temperatuurkalibratie
• Correcte wafervoorbereiding
• Ervaren procesontwikkeling

Een AI-model getraind op slechte procesgegevens zal niet automatisch uitstekende GaN-kristallen produceren.

Het fysieke groeiproces bepaalt nog steeds het uiteindelijke materiaal.

AI biedt voornamelijk een krachtigere manier om dat proces te monitoren, analyseren en controleren.

Implicaties voor kopers van GaN-epi-wafers

Voor klanten die GaN-epi-wafers kopen, mag AI-gestuurde productie zelf niet het primaire acceptatiecriterium zijn.

De uiteindelijke wafer specificatie blijft belangrijker.

Een GaN-epi-wafer RFQ moet relevante parameters duidelijk definiëren.

Wafergrootte

Veelvoorkomende opties kunnen zijn:

• 2 inch
• 4 inch
• 6 inch
• 8 inch

Substraat

Mogelijke platforms zijn:

• GaN-op-Si
• GaN-op-SiC
• GaN-op-Saffier
• Vrijstaande GaN

Epitaxiale structuur

Voorbeelden zijn:

• GaN-template
• AlGaN/GaN HEMT
• GaN-vermogen-epi-structuur
• LED-epi-structuur
• Aangepaste onderzoeks-epitaxie

Laagdikte

Specificeer de vereiste laagdikte en tolerantie waar mogelijk.

Elektrische eigenschappen

Afhankelijk van de toepassing kunnen specificaties omvatten:

• Plaatschilweerstand
• Dragersconcentratie
• Mobiliteit
• Bufferlek
• Afbraakvereisten

Oppervlaktekwaliteit

Klanten kunnen specificeren:

• RMS-ruwheid
• Deeltjescontrole
• Oppervlakteputten
• Kraslimieten

Wafergeometrie

Voor grotere wafers zijn belangrijke parameters:

• TTV
• Buiging
• Warpage

Uniformiteit

Voor apparaatproductie moeten de uniformiteit van centrum tot rand en van wafer tot wafer afzonderlijk van de gemiddelde waarden worden besproken.

Waarom uniformiteit belangrijker is naarmate GaN-wafers groter worden

De halfgeleiderindustrie beweegt GaN-productie gestaag naar grotere waferformaten.

Naarmate de waferdiameter toeneemt, kan een kleine procesgradiënt een veel groter aantal apparaten beïnvloeden.

Bijvoorbeeld, variaties in:

• Temperatuur
• Materiaalflux
• Laagdikte
• Samenstelling
• Spanning

kunnen radiale verschillen over de wafer produceren.

Daarom wordt datagedreven procescontrole steeds waardevoller voor 150 mm en 200 mm GaN-epitaxie en potentieel toekomstige productie met grotere diameters.

De economische waarde van AI is daarom nauw verbonden met de schaal van de wafer.

Als verbeterde procescontrole de variatie van wafer tot wafer vermindert of het percentage bruikbaar waferoppervlak verhoogt, kan de impact worden vermenigvuldigd over duizenden apparaten.

AI-gestuurde epitaxie elimineert inspectie niet

Zelfs een sterk geautomatiseerd groeiproces vereist nog steeds karakterisering na de groei.

Kritieke GaN-epi-wafers kunnen een combinatie vereisen van:

• Oppervlakte-inspectie
• AFM
• XRD
• Hall-meting
• Plaatschilweerstand-mapping
• Dikte-mapping
• Optische inspectie
• Meting van buiging en warpage

AI-gestuurde groei en post-groei metrologie moeten daarom als complementair worden beschouwd.

Het groeisysteem levert realtime informatie.

De eindinspectie verifieert of de wafer voldoet aan de specificaties van de klant.

De toekomst: Digitale tweelingen en zelfoptimaliserende GaN-epitaxie

De langetermijnrichting van halfgeleider-epitaxie kan verder gaan dan eenvoudige anomaliedetectie.

Toekomstige platforms kunnen combineren:

• Real-time RHEED
• Reactor sensorgegevens
• Historische productiedatabases
• Fysisch-gebaseerde modellen
• Machine learning
• Geautomatiseerde karakterisering
• Digitale tweelingen

Een digitale representatie van het epitaxieproces zou de voorspelde groeiverhouding continu kunnen vergelijken met werkelijke reactorgegevens.

Het systeem zou dan procesparameters kunnen optimaliseren voor specifieke doelen zoals:

• Lagere defectdichtheid
• Lagere oppervlakteruwheid
• Betere uniformiteit van de plaatschilweerstand
• Verminderde waferbuiging
• Hogere apparatuurbenutting

Dit kan met name waardevol zijn voor aangepaste GaN-epitaxie, waarbij klanten verschillende apparaatstructuren en elektrische specificaties vereisen.

Conclusie

AI-gestuurde epitaxie verandert hoe de productie van GaN-epi-wafers kan worden gemonitord en geoptimaliseerd.

RHEED diende traditioneel als een belangrijk realtime observatiemiddel voor MBE-groei. Door RHEED-beelden te combineren met machine learning en apparatuursensorgegevens, kunnen fabrikanten deze informatie omzetten in een kwantitatief procescontrolesysteem.

De potentiële voordelen omvatten:

• Vroegere detectie van abnormaliteiten
• Verbeterde consistentie tussen runs
• Betere uniformiteit van epi-wafers
• Verminderde procesdrift
• Stabielere productie
• Hogere effectieve opbrengst

Recente industriële ontwikkelingen in GaN-productie en academische demonstraties van zelfrijdende MBE geven aan dat halfgeleider-epitaxie geleidelijk verschuift van vaste receptautomatisering naar steeds autonomere procescontrole.

Voor klanten van GaN-epi-wafers blijven de belangrijkste factoren echter meetbare materiaal specificaties: epitaxiale structuur, elektrische eigenschappen, oppervlaktekwaliteit, wafergeometrie en uniformiteit van wafer tot wafer.

AI is geen vervanging voor hoogwaardige GaN-epitaxie.

De werkelijke waarde ervan is het helpen van fabrikanten om die kwaliteit consistenter te bereiken, over meer wafers en met nauwere controle over steeds complexere halfgeleidergroeiprocessen.