Galyum nitrür epitaksiyarı iletken üretiminde yeni bir aşamaya giriyor.

GaN epi-wafer kalitesi yıllardır büyük ölçüde dikkatlice optimize edilmiş büyüme tariflerine, deneyimli süreç mühendislerine ve reaktör koşullarının sürekli izlenmesine bağlıydı. Substrat sıcaklığındaki, oda basıncındaki, III/V akı oranındaki veya yüzey yeniden yapılanmasındaki küçük sapmalar bile nihai kristal kalitesini etkileyebilir.

Yapay zeka bu yaklaşımı değiştirmeye başlıyor.

Yeni epitaksi platformları, yalnızca sabit tariflere güvenmek yerine gerçek zamanlı RHEED verilerini, ekipman sensör bilgilerini ve makine öğrenimi algoritmalarını birleştirerek büyüme koşullarını tanımlıyor, anormallikleri tespit ediyor ve epitaksiyel büyüme sırasında süreç parametrelerini ayarlıyor.

Yakın tarihli bir örnek, Eylül 2026'da GaN epi-wafer üretim sisteminin MBE ekipman verileriyle birlikte Yansıma Yüksek Enerjili Elektron Kırınımını veya RHEED'i analiz etmek için yapay zeka modellerini kullandığını bildiren Güney Kore'nin IVWorks'ünden geliyor. Şirket, 2019'dan bu yana 330 milyondan fazla zaman serisi süreç veri noktası ve 30 TB'nin üzerinde RHEED verisi biriktirdiğini söylüyor.

Bu gelişme daha geniş bir trendin altını çiziyor: GaN epitaksi, reçete tabanlı otomasyondan veri odaklı ve giderek daha otonom üretime doğru ilerliyor.

GaN Epitaksinin Kontrolü Neden Zordur?

GaN cihazları, RF iletişiminden yüksek frekanslı güç elektroniğine kadar çeşitli uygulamalarda kullanılır.

Bununla birlikte, bitmiş cihazın elektriksel performansı büyük ölçüde epitaksiyel kaliteye bağlıdır.

Önemli GaN epi-wafer özellikleri şunları içerir:

• Katman kalınlığı bütünlüğü
• Yüzey pürüzlülüğü
• Kristal kusur yoğunluğu
• Arayüz kalitesi
• Taşıyıcı konsantrasyonu
• Elektron hareketliliği
• Sac direnci
• Tampon sızıntısı
• Gofret stresi
• Gofret yayı
• Parçacık yoğunluğu

Bu parametreler birçok etkileşimli büyüme koşulundan etkilenir.

Örneğin Moleküler Işın Epitaksi sırasında mühendislerin aşağıdaki gibi değişkenleri kontrol etmesi gerekir:

• Yüzey sıcaklığı
• Galyum akısı
• Azot akışı
• Büyüme oranı
• Oda basıncı
• Plazma koşulları
• Doping akışı
• Büyüme zamanı
• Yüzey rekonstrüksiyonu

Zorluk bu değişkenlerin bağımsız olmamasıdır.

Değişen sıcaklık yüzey hareketliliğini, birleştirme verimliliğini ve büyüme hızını aynı anda etkileyebilir.

Ekipman düzeyinde önemsiz görünen küçük bir sapma, sonunda levhanın elektrik performansında ölçülebilir farklılıklara neden olabilir.

Yapay zeka tabanlı süreç izlemenin ilgi çekmesinin bir nedeni de budur.

RHEED Nedir?

Yansıma Yüksek Enerjili Elektron Kırınımı, MBE için en kullanışlı yerinde izleme tekniklerinden biridir.

Epitaksiyel büyüme sırasında, yüksek enerjili bir elektron ışını levha yüzeyine çok sığ bir açıyla çarpar.

Elektronlar kristal yüzeyi ile etkileşime girer ve bir kırınım modeli oluşturur.

Mühendisler bu modeli, levhayı reaktörden çıkarmadan, büyüme sırasında yüzey hakkında bilgi edinmek için kullanabilirler.

RHEED aşağıdakilerle ilgili bilgi sağlayabilir:

• Yüzey rekonstrüksiyonu
• Kristal düzeni
• Büyüme modu
• Yüzey pürüzlülüğü
• Katman oluşumu
• Epitaksiyel geçişler

Farklı yüzey koşulları farklı kırınım desenleri üretir.

Pürüzsüz iki boyutlu bir yüzey genellikle nispeten keskin çizgiler üretirken, pürüzlendirme veya üç boyutlu ada oluşumu kırınım modelini önemli ölçüde değiştirebilir.

Geleneksel olarak deneyimli operatörler bu modelleri görsel olarak yorumlar.

Bu yaklaşım işe yarıyor ancak sınırlamaları var.

Yalnızca İnsanların RHEED Yorumlamasındaki Sorun

Modern bir epitaksi çalışması muazzam miktarda RHEED bilgisi üretebilir.

Bir kamera, büyüme süreci boyunca kırınım modellerini sürekli olarak kaydedebilir.

İnsan operatörler her kareyi niceliksel olarak gerçekçi bir şekilde analiz edemez.

Bazı değişiklikler görsel olarak belirginleşmeden de meydana gelebilir.

Makine öğrenimi farklı bir yaklaşım sunuyor.

Yapay zeka sistemleri, bir mühendisten tek tek görüntüleri yorumlamasını istemek yerine RHEED görüntü dizilerinin tamamını analiz edebilir ve aşağıdakilerdeki ince değişiklikleri tespit edebilir:

• Yoğunluk
• Çizgi genişliği
• Nokta oluşumu
• Kırınım geometrisi
• Zamansal evrim
• Desen stabilitesi

Vakum Bilimi ve Teknolojisi Dergisi'nde yayınlanan araştırma MBE büyümesi sırasında, biriktirme rejimlerindeki değişiklikleri anında tanımlayabilen, RHEED görüntülerinin kanıtlanmış bir makine öğrenme analizi. Analiz iş akışı bir saniyeden daha kısa sürede çalışacak şekilde tasarlandı; bu, RHEED verilerinin yalnızca bir izleme aracı olmaktan ziyade gerçek zamanlı geri bildirim kontrolünün parçası olma potansiyelini ortaya koydu.

RHEED İzlemeden Yapay Zeka Süreç Kontrolüne

Önemli değişikliköylegörüntüleri sınıflandırmak için yalnızca yapay zekayı kullanmak değil.

Daha büyük hedef kapalı döngü süreç kontrolüdür.

Basitleştirilmiş bir otonom epitaksi sistemi aşağıdaki gibi çalışabilir:

RHEED kamera
↓
Gerçek zamanlı görüntü analizi
↓
Makine öğrenimi modeli
↓
Büyüme durumu sınıflandırması
↓
Süreç kararı
↓
MBE parametre ayarı
↓
Yeni RHEED yanıtı

Döngü daha sonra tekrarlanır.

Bu, büyüme sisteminin önceden belirlenmiş bir tarifi körü körüne takip etmek yerine, gofretin gerçek durumuna yanıt vermesine olanak tanır.

Örneğin bir model, bir yüzeyin düzgün katman katman büyümeden istenmeyen ada oluşumuna doğru geçiş yapmaya başladığını potansiyel olarak tespit edebilir.

Proses kontrolörü daha sonra substrat sıcaklığı veya malzeme akışı gibi parametrelerin ayarlanması gerekip gerekmediğini değerlendirebilir.

Bu kavram giderek daha fazla otonom epitaksi veya kendi kendini yöneten epitaksi olarak tanımlanıyor.

Yapay Zeka Kontrollü GaN MBE Üretimi

Eylül 2026 IVWorks duyurusu endüstriyel bir GaN örneği sunuyor.

Şirkete göre yapay zeka epitaksi platformu, RHEED bilgilerini sıcaklık ve basınç gibi zaman serisi ekipman verileriyle birleştiriyor.

Yapay zeka modelleri, büyüme durumunu değerlendirir ve anormallikleri tespit ederken MBE otomasyon çerçevesi, levha yükleme, epitaksiyel büyüme ve boşaltma gibi işlemleri yönetir. Belirtilen yön, insan müdahalesinin azaltılmasına ve üretim istikrarının iyileştirilmesine yöneliktir.

Bu önemlidir çünkü endüstriyel epitaksi laboratuvar büyümesinden farklıdır.

Seri üretim aşağıdakiler arasında tekrarlanabilirlik gerektirir:

• Çoklu gofret
• Çoklu büyüme koşuları
• Farklı operatörler
• Uzun ekipman çalışma süreleri
• Önleyici bakım döngüleri
• Sarf malzemesi değiştirme döngüleri

Mükemmel bir tek gofret yeterli değildir.

Ticari bir epi-wafer tedarikçisi, her gofretten sonra tutarlı performansa ihtiyaç duyar.

Yapay Zeka, GaN Epi-Wafer Tekdüzeliğini Nasıl Geliştirebilir?

Tekdüzelik, ticari GaN epi levhalar için en önemli özelliklerden biridir.

Cihaz yapısına bağlı olarak müşteriler şunları değerlendirebilir:

• Epitaksiyel kalınlık bütünlüğü
• Sac direnci bütünlüğü
• Taşıyıcı konsantrasyonu tekdüzeliği
• Hareketlilik bütünlüğü
• Al bileşimi tekdüzeliği
• Yüzey morfolojisi
• Gofret yayı

Küçük bir araştırma örneği için yerel farklılıklar bazen kabul edilebilir.

100mm, 150mm veya 200mm üretim levhaları için bunlar cihazın verimini doğrudan etkileyebilir.

Yapay zeka süreç kontrolü, tekdüzeliği çeşitli şekillerde potansiyel olarak geliştirebilir.

1. Büyüme Kaymalarını Daha Erken Tespit Etmek

MBE reaktörleri tamamen değişmeden kalmıyor.

Koşullar aşağıdakilerden dolayı değişebilir:

• Kaynak tükenmesi
• Hazne kaplama
• Ekipman eskimesi
• Sıcaklık kalibrasyonu değişiklikleri
• Plazma kaynağı değişimi
• Bakım geçmişi

Bu nedenle sabit bir tarif, birçok büyüme döngüsünden sonra biraz farklı sonuçlar üretebilir.

Yapay zeka sistemleri, RHEED verilerini ekipman sensörü verileriyle birleştirerek sapmayı geleneksel istatistiksel izlemeden daha erken tespit edebilir.

2. Anormal Büyüme Durumlarının Belirlenmesi

Anormal bir RHEED modeli, yüzeyin istenmeyen bir büyüme rejimine girdiğini gösterebilir.

Erken tespit, sistemin levhayı işaretlemesine veya kusur ciddileşmeden önce süreci potansiyel olarak ayarlamasına olanak tanır.

3. Çalıştırmadan Çalıştırmaya Değişimin Azaltılması

Üretimdeki en büyük zorluk, partiler arasında aynı elektriksel özelliklerin korunmasıdır.

Makine öğrenimi modelleri, mevcut çalışmayı büyük geçmiş veri kümeleriyle karşılaştırabilir ve daha önce başarılı olan büyüme yörüngelerinden sapmaları belirleyebilir.

Bu, çalıştırmalar arası tekrarlanabilirliğin geliştirilmesine yardımcı olabilir.

Yapay Zeka ve Yüzey Pürüzlülüğü Kontrolü

Yüzey morfolojisi GaN cihazı imalatını güçlü bir şekilde etkiler.

Kötü yüzey kalitesi şunları etkileyebilir:

• Litografi
• Metal kontaklar
• Kapı oluşumu
• Arayüz kalitesi
• Cihaz güvenilirliği

RHEED özellikle değerlidir çünkü büyüme sırasında kristal yüzeyini doğrudan izler.

Makine öğrenimi destekli RHEED analizi, kırınım bilgilerinin deneysel MBE sistemlerinde önemli film kalitesi göstergeleriyle ilişkilendirilebileceğini zaten göstermiştir.

Örneğin, GaSe MBE büyümesine ilişkin 2025 yılında yapılan bir araştırma, RHEED'den türetilmiş özelliklerin dahil edilmesinin, kristal kalitesi ölçümlerini tahmin etmek için kullanılan makine öğrenme modellerini iyileştirdiğini ve epitaksi optimizasyonu için yerinde kırınımı süreç verileriyle birleştirmeye yönelik daha geniş konsepti desteklediğini gösterdi.

Bu çalışmadaki spesifik materyal GaN değildi, dolayısıyla kantitatif model basitçe GaN üretimine aktarılamaz. Ancak bu yaklaşım, RHEED bilgilerinin yalnızca görsel bir tanılama yerine nasıl makine tarafından okunabilir bir süreç değişkeni haline gelebileceğini göstermektedir.

Kusur Azaltma ve Verim

Sonuç olarak verim, gelişmiş süreç kontrolünü uygulamaya koymanın en önemli nedenlerinden biridir.

GaN epitaksiyel kusurları şunları içerebilir:

• Diş açma çıkıkları
• Yüzey çukurları
• Tepecikler
• Çatlaklar
• Parçacıklar
• Arayüz kusurları
• Yerel pürüzlülük
• Eşit olmayan doping

Her kusur yapay zeka yoluyla ortadan kaldırılamaz.

Birçoğu temel substrat ve heteroepitaksi sınırlamalarından kaynaklanır.

Ancak yapay zeka, süreç istikrarsızlığıyla ilgili kusurların azaltılmasına yardımcı olabilir.

Örneğin, RHEED modeli gelişimi, sıcaklık kayması ve oda basıncının belirli bir kombinasyonu, büyüme sonrası zayıf sonuçlarla sürekli olarak korelasyon gösteriyorsa, model bu ilişkiyi öğrenebilir.

Gelecekteki üretim çalışmaları, levha tamamlanmadan önce benzer koşulları işaretleyebilir.

Yapay zekanın amacı kristal büyüme yasalarını değiştirmek değil.

Büyüme sürecini daha dar ve tekrarlanabilir bir süreç penceresi içinde tutmaktır.

Geçmiş Veriler Neden Önemlidir?

Yapay zeka kontrollü epitaksi büyük ölçüde veri kalitesine bağlıdır.

Yalnızca az sayıda büyüme çalıştırmasıyla eğitilmiş bir model, güvenilir kararlar almak için yeterli süreç koşullarını anlayamayabilir.

Bu, büyük tarihsel veri kümelerinin neden değerli olduğunu açıklamaktadır.

Yararlı bilgiler şunları içerebilir:

• RHEED videosu
• Yüzey sıcaklığı
• Oda basıncı
• Malzeme akışı
• Plazma gücü
• Büyüme oranı
• Kaynak sıcaklığı
• Büyüme zamanı
• Bakım geçmişi

Büyüme sonrası karakterizasyon daha sonra bu süreç kayıtlarıyla ilişkilendirilebilir.

Örnekler şunları içerir:

• XRD
• AFM
• Salon ölçümü
• Sac direnci haritalaması
• Fotolüminesans
• Yüzey denetimi
• Kalınlık haritalaması

Bu, aşağıdakiler arasında bir ilişki yaratır:

Proses koşulları → yerinde yüzey davranışı → nihai levha kalitesi

Yeterli güvenilir veri elde edildiğinde sistem, manuel olarak tanımlanması zor olabilecek ilişkileri bulmaya başlayabilir.

Otomasyondan Otonom Epitaksiye

Geleneksel yarı iletken otomasyonu önceden tanımlanmış talimatları takip eder.

Örneğin:

Sıcaklığı X'e ayarlayın.
Y zamanında açık kaynak deklanşör.
Z dakika boyunca katmanı büyütün.

Otonom üretim başka bir seviye daha ekliyor.

Sistem, yalnızca talimatları yürütmek yerine, daha sonra ne olacağına karar vermeden önce mevcut süreç durumunu değerlendirir.

Son araştırmalar, yerinde RHEED ve fizik bilgili makine öğrenimini kullanan kendi kendini yöneten MBE kavramlarını zaten göstermiştir. 2026 yılında yapılan bir araştırma, yarı iletken heteroyapı büyümesini ayarlamak için MBE ekipmanını, RHEED izlemeyi ve geri bildirim kontrolünü entegre eden SemiEpi platformunu tanımladı.

Daha önceki araştırmalar, geri bildirim kararları için girdi olarak RHEED videosunu kullanarak InAs/GaAs kuantum nokta büyümesinin makine öğrenimi destekli gerçek zamanlı kontrolünü de gösterdi.

Bu gösterimler tamamen otonom yüksek hacimli GaN üretimine eşdeğer değildir ancak giderek daha kapalı döngü epitaksiye doğru giden teknik yolu gösterirler.

Yapay Zeka Neyi Değiştiremez?

Yapay zeka malzeme bilimine olan ihtiyacı ortadan kaldırmaz.

Yüksek kaliteli GaN epitaksi hala şunlara bağlıdır:

• Reaktör tasarımı
• Yüzey kalitesi
• Tampon katmanı mühendisliği
• Kaynak saflığı
• Vakum kalitesi
• Sıcaklık kalibrasyonu
• Uygun gofret hazırlama
• Deneyimli süreç geliştirme

Zayıf süreç verileriyle eğitilmiş bir yapay zeka modeli, otomatik olarak mükemmel GaN kristalleri üretmez.

Fiziksel büyüme süreci hala nihai malzemeyi belirliyor.

Yapay zeka esas olarak bu süreci izlemek, analiz etmek ve kontrol etmek için daha güçlü bir yol sağlar.

GaN Epi-Wafer Alıcıları için Çıkarımlar

GaN epi levhaları satın alan müşteriler için yapay zeka kontrollü üretimin kendisi birincil kabul kriteri olmamalıdır.

Nihai levha spesifikasyonu daha önemli olmaya devam ediyor.

Bir GaN epi-wafer RFQ'su ilgili parametreleri açıkça tanımlamalıdır.

Gofret Boyutu

Ortak seçenekler şunları içerebilir:

• 2 inç
• 4 inç
• 6 inç
• 8 inç

Yüzey

Olası platformlar şunları içerir:

• GaN-on-Si
• SiC üzerinde GaN
• Safir üzerinde GaN
• Bağımsız GaN

Epitaksiyel Yapı

Örnekler şunları içerir:

• GaN şablonu
• AlGaN/GaN HEMT
• GaN güç epi yapısı
• LED epi yapısı
• Özel araştırma epitaksisi

Katman Kalınlığı

Mümkün olduğunda gerekli katman kalınlığını ve toleransı belirtin.

Elektriksel Özellikler

Uygulamaya bağlı olarak spesifikasyonlar şunları içerebilir:

• Sac direnci
• Taşıyıcı konsantrasyonu
• Hareketlilik
• Tampon sızıntısı
• Arıza gereksinimleri

Yüzey Kalitesi

Müşteriler şunları belirtebilir:

• RMS pürüzlülüğü
• Parçacık kontrolü
• Yüzey çukurları
• Çizik sınırları

Gofret Geometrisi

Daha büyük levhalar için önemli parametreler şunları içerir:

• TTV
• Yay
• Çözgü

Tekdüzelik

Cihaz imalatı için, merkezden kenara ve levhadan levhaya tekdüzelik, ortalama değerlerden ayrı olarak tartışılmalıdır.

GaN Plakaları Büyüdükçe Tekdüzelik Neden Daha Önemli?

Yarı iletken endüstrisi, GaN üretimini istikrarlı bir şekilde daha büyük levha formatlarına doğru kaydırıyor.

Plaka çapı arttıkça, küçük bir işlem gradyanı çok daha fazla sayıda cihazı etkileyebilir.

Örneğin, aşağıdaki varyasyonlar:

• Sıcaklık
• Malzeme akışı
• Katman kalınlığı
• Kompozisyon
• Stres

levha boyunca radyal farklılıklar üretebilir.

Bu nedenle veri odaklı süreç kontrolü, 150 mm ve 200 mm GaN epitaksi ve potansiyel olarak gelecekteki daha büyük çaplı üretim için giderek daha değerli hale geliyor.

Bu nedenle yapay zekanın ekonomik değeri levha ölçeğiyle yakından ilişkilidir.

İyileştirilmiş proses kontrolü levhadan levhaya değişkenliği azaltırsa veya kullanılabilir levha alanı yüzdesini artırırsa, etki binlerce cihaz arasında çoğaltılabilir.

Yapay Zeka Kontrollü Epitaksi Denetimi Ortadan Kaldırmaz

Yüksek düzeyde otomatikleştirilmiş bir büyüme süreci bile hala büyüme sonrası karakterizasyonu gerektirir.

Kritik GaN epi levhaları aşağıdakilerin bir kombinasyonunu gerektirebilir:

• Yüzey denetimi
• AFM
• XRD
• Salon ölçümü
• Sac direnci haritalaması
• Kalınlık haritalaması
• Optik muayene
• Yay ve çözgü ölçümü

Bu nedenle yapay zeka kontrollü büyüme ve büyüme sonrası metrolojinin tamamlayıcı olduğu düşünülmelidir.

Büyüme sistemi gerçek zamanlı bilgi sağlar.

Son inceleme, levhanın müşterinin spesifikasyonlarını karşılayıp karşılamadığını doğrular.

Gelecek: Dijital İkizler ve Kendi Kendini Optimize Eden GaN Epitaksi

Yarı iletken epitaksinin uzun vadeli yönü, basit anormallik tespitinin ötesine geçebilir.

Gelecekteki platformlar şunları birleştirebilir:

• Gerçek zamanlı RHEED
• Reaktör sensör verileri
• Tarihsel üretim veritabanları
• Fizik tabanlı modeller
• Makine öğrenimi
• Otomatik karakterizasyon
• Dijital ikizler

Epitaksi sürecinin dijital bir temsili, tahmin edilen büyüme davranışını gerçek reaktör verileriyle sürekli olarak karşılaştırabilir.

Sistem daha sonra aşağıdakiler gibi belirli hedefler için süreç parametrelerini optimize edebilir:

• Daha düşük kusur yoğunluğu
• Daha düşük yüzey pürüzlülüğü
• Daha iyi tabaka direnci bütünlüğü
• Azaltılmış gofret yayı
• Daha yüksek ekipman kullanımı

Bu, müşterilerin farklı cihaz yapılarına ve elektriksel özelliklere ihtiyaç duyduğu özel GaN epitaksisi için özellikle değerli olabilir.

Çözüm

Yapay zeka kontrollü epitaksi, GaN epi-wafer üretiminin nasıl izlenebileceğini ve optimize edilebileceğini değiştiriyor.

RHEED geleneksel olarak MBE'nin büyümesi için önemli bir gerçek zamanlı gözlem aracı olarak hizmet vermiştir. Üreticiler, RHEED görüntülerini makine öğrenimi ve ekipman sensörü verileriyle birleştirerek bu bilgiyi daha niceliksel bir süreç kontrol sistemine dönüştürebilir.

Potansiyel faydalar şunları içerir:

• Anormalliğin erken tespiti
• Çalışmalar arası tutarlılığın iyileştirilmesi
• Daha iyi epi-wafer bütünlüğü
• Azaltılmış süreç sapması
• Daha istikrarlı üretim
• Daha yüksek etkili verim

GaN üretimindeki son endüstriyel gelişmeler ve kendi kendini yöneten MBE'nin akademik gösterileri, yarı iletken epitaksinin yavaş yavaş sabit tarif otomasyonundan giderek daha özerk süreç kontrolüne doğru ilerlediğini gösteriyor.

Ancak GaN epi-wafer müşterileri için en önemli faktörler ölçülebilir malzeme spesifikasyonları olmaya devam ediyor: epitaksiyel yapı, elektriksel özellikler, yüzey kalitesi, levha geometrisi ve levhadan levhaya tekdüzelik.

Yapay zeka, yüksek kaliteli GaN epitaksinin yerini almaz.

Gerçek değeri, üreticilerin bu kaliteyi daha tutarlı bir şekilde, daha fazla levhada ve giderek daha karmaşık hale gelen yarı iletken büyüme süreçleri üzerinde daha sıkı kontrolle elde etmelerine yardımcı olmasıdır.