如何利用 AI 算法优化碳化硅衬底 TTV 厚度测量数据处理

摘要

本文聚焦碳化硅衬底 TTV 厚度测量数据处理环节，针对传统方法的局限性，探讨 AI 算法在数据降噪、误差校正、特征提取等方面的应用，为提升数据处理效率与测量准确性提供新的技术思路。

引言

在碳化硅半导体制造中，晶圆总厚度变化（TTV）是衡量衬底质量的关键指标。TTV 厚度测量数据处理的准确性直接影响工艺优化与产品良率。然而，测量数据常受环境噪声、设备误差及样品特性等因素干扰，传统数据处理方法难以满足高精度需求。AI 算法凭借强大的数据分析与学习能力，为碳化硅衬底 TTV 厚度测量数据处理优化带来新契机。

AI 算法在数据预处理中的应用

测量数据常包含大量噪声，影响分析准确性。利用深度学习中的卷积神经网络（CNN）可有效去除噪声。CNN 通过构建多层卷积层与池化层，自动提取数据特征，识别并过滤与真实信号无关的噪声成分。例如，在处理光学干涉测量产生的 TTV 数据时，CNN 能精准分离出因环境振动或光源波动产生的噪声信号，保留有效厚度信息，提升数据信噪比 。

AI 算法用于测量误差校正

碳化硅衬底的各向异性、测量设备的系统误差等会导致测量结果偏离真实值。基于机器学习的回归算法，如支持向量回归（SVR），可建立测量误差模型。通过收集大量包含实际 TTV 值与测量值的样本数据进行训练，SVR 能够学习两者之间的映射关系，从而对新的测量数据进行误差校正。此外，利用生成对抗网络（GAN），通过生成器与判别器的对抗学习，可模拟不同条件下的测量误差模式，进一步优化误差校正模型，提高测量准确性。

AI 算法助力数据特征提取与预测

在海量测量数据中，AI 算法可高效提取关键特征。采用自编码器（AE）对数据进行降维与特征提取，AE 通过编码和解码过程，自动学习数据的核心特征表示，减少冗余信息。这些提取的特征可用于预测碳化硅衬底 TTV 的变化趋势，结合循环神经网络（RNN）或长短期记忆网络（LSTM），分析时间序列数据，提前预判 TTV 异常，为工艺调整提供决策依据，实现对碳化硅衬底制造过程的精准控制。

高通量晶圆测厚系统运用第三代扫频OCT技术，精准攻克晶圆/晶片厚度TTV重复精度不稳定难题，重复精度达3nm以下。针对行业厚度测量结果不一致的痛点，经不同时段测量验证，保障再现精度可靠。​

 

我们的数据和WAFERSIGHT2的数据测量对比,进一步验证了真值的再现性：

 

（以上为新启航实测样品数据结果）

该系统基于第三代可调谐扫频激光技术，相较传统双探头对射扫描，可一次完成所有平面度及厚度参数测量。其创新扫描原理极大提升材料兼容性，从轻掺到重掺P型硅，到碳化硅、蓝宝石、玻璃等多种晶圆材料均适用：​

对重掺型硅，可精准探测强吸收晶圆前后表面；​

点扫描第三代扫频激光技术，有效抵御光谱串扰，胜任粗糙晶圆表面测量；​

通过偏振效应补偿，增强低反射碳化硅、铌酸锂晶圆测量信噪比；

（以上为新启航实测样品数据结果）

支持绝缘体上硅和MEMS多层结构测量，覆盖μm级到数百μm级厚度范围，还可测量薄至4μm、精度达1nm的薄膜。

 

（以上为新启航实测样品数据结果）

此外，可调谐扫频激光具备出色的“温漂”处理能力，在极端环境中抗干扰性强，显著提升重复测量稳定性。

 

（以上为新启航实测样品数据结果）

系统采用第三代高速扫频可调谐激光器，摆脱传统SLD光源对“主动式减震平台”的依赖，凭借卓越抗干扰性实现小型化设计，还能与EFEM系统集成，满足产线自动化测量需求。运动控制灵活，适配2-12英寸方片和圆片测量。