Epitaxie au nitrure de galliumentre dans une nouvelle étape de la fabrication de semi-conducteurs.

Pendant des années, la qualité des plaquettes épi de GaN dépendait fortement de recettes de croissance soigneusement optimisées, d'ingénieurs de procédés expérimentés et d'une surveillance continue des conditions du réacteur. Même de petits écarts dans la température du substrat, la pression de la chambre, le rapport de flux III/V ou la reconstruction de la surface peuvent influencer la qualité finale des cristaux.

L’intelligence artificielle commence à changer cette approche.

Au lieu de s'appuyer uniquement sur des recettes fixes, les nouvelles plates-formes d'épitaxie combinent les données RHEED en temps réel, les informations des capteurs de l'équipement et les algorithmes d'apprentissage automatique pour identifier les conditions de croissance, détecter les anomalies et finalement ajuster les paramètres du processus pendant la croissance épitaxiale.

Un exemple récent vient de la société sud-coréenne IVWorks, qui a rapporté en septembre 2026 que son système de production de plaquettes épi GaN utilise des modèles d'IA pour analyser la diffraction électronique à haute énergie par réflexion, ou RHEED, ainsi que les données de l'équipement MBE. La société affirme avoir accumulé plus de 330 millions de points de données de processus de séries chronologiques et plus de 30 To de données RHEED depuis 2019.

Cette évolution met en évidence une tendance plus large : l’épitaxie GaN passe d’une automatisation basée sur des recettes à une fabrication basée sur les données et de plus en plus autonome.

Pourquoi l'épitaxie GaN est difficile à contrôler

Les dispositifs GaN sont utilisés dans des applications allant des communications RF à l'électronique de puissance haute fréquence.

Cependant, les performances électriques du dispositif fini dépendent fortement de la qualité de l’épitaxie.

Les caractéristiques importantes de la plaquette épi GaN comprennent :

• Uniformité de l'épaisseur de la couche
• Rugosité de la surface
• Densité des défauts cristallins
• Qualité des interfaces
• Concentration de porteurs
• Mobilité électronique
• Résistance de la feuille
• Fuite de tampon
• Contrainte des plaquettes
• Arc de plaquette
• Densité des particules

Ces paramètres sont influencés par de nombreuses conditions de croissance en interaction.

Lors de l'épitaxie par faisceau moléculaire, par exemple, les ingénieurs doivent contrôler des variables telles que :

• Température du substrat
• Flux de gallium
• Flux d'azote
• Taux de croissance
• Pression de la chambre
• Conditions plasmatiques
• Flux de dopage
• Temps de croissance
• Reconstruction de surfaces

La difficulté est que ces variables ne sont pas indépendantes.

Les changements de température peuvent affecter simultanément la mobilité de la surface, l’efficacité de l’incorporation et le taux de croissance.

Un petit écart qui semble insignifiant au niveau de l’équipement peut éventuellement produire des différences mesurables dans les performances électriques des tranches.

C’est l’une des raisons pour lesquelles la surveillance des processus basée sur l’IA attire l’attention.

Qu’est-ce que RHEED ?

La diffraction électronique à haute énergie par réflexion est l'une des techniques de surveillance in situ les plus utiles pour le MBE.

Au cours de la croissance épitaxiale, un faisceau d’électrons de haute énergie frappe la surface de la tranche selon un angle très faible.

Les électrons interagissent avec la surface du cristal et créent un motif de diffraction.

Les ingénieurs peuvent utiliser ce modèle pour obtenir des informations sur la surface pendant la croissance sans retirer la tranche du réacteur.

RHEED peut fournir des informations relatives à :

• Reconstruction de surfaces
• Commande de cristal
• Mode de croissance
• Rugosité de la surface
• Formation de couches
• Transitions épitaxiales

Différentes conditions de surface produisent différents modèles de diffraction.

Une surface bidimensionnelle lisse produit souvent des stries relativement nettes, tandis qu'une rugosité ou une formation d'îlots tridimensionnels peuvent modifier considérablement le diagramme de diffraction.

Traditionnellement, les opérateurs expérimentés interprètent ces modèles visuellement.

Cette approche fonctionne, mais elle présente des limites.

Le problème avec l’interprétation RHEED uniquement humaine

Une opération d’épitaxie moderne peut générer une énorme quantité d’informations RHEED.

Une caméra peut enregistrer en continu les modèles de diffraction tout au long du processus de croissance.

Les opérateurs humains ne peuvent pas analyser de manière réaliste chaque image de manière quantitative.

Certains changements peuvent également survenir avant qu’ils ne deviennent visuellement évidents.

L’apprentissage automatique propose une approche différente.

Au lieu de demander à un ingénieur d'interpréter des images individuelles, les systèmes d'IA peuvent analyser des séquences d'images RHEED entières et identifier des changements subtils dans :

• Intensité
• Largeur de strie
• Formation de taches
• Géométrie de diffraction
• Evolution temporelle
• Stabilité du motif

Recherche publiée dans le Journal of Vacuum Science & Technology Une analyse démontrée par apprentissage automatique des images RHEED pendant la croissance du MBE qui pourrait identifier à la volée les changements dans les régimes de dépôt. Le flux de travail d'analyse a été conçu pour fonctionner en moins d'une seconde, illustrant le potentiel des données RHEED à faire partie d'un contrôle de rétroaction en temps réel plutôt qu'un simple outil de surveillance.

De la surveillance RHEED au contrôle des processus par l'IA

Le changement importantestpas simplement utiliser l’IA pour classer les images.

L’objectif principal est le contrôle des processus en boucle fermée.

Un système d'épitaxie autonome simplifié peut fonctionner comme suit :

Caméra RHEED
↓
Analyse d'images en temps réel
↓
Modèle d'apprentissage automatique
↓
Classification de l'état de croissance
↓
Décision de processus
↓
Réglage des paramètres MBE
↓
Nouvelle réponse RHEED

Le cycle se répète ensuite.

Cela permet au système de croissance de répondre à l'état réel de la plaquette plutôt que de suivre aveuglément une recette prédéterminée.

Par exemple, un modèle pourrait potentiellement détecter qu’une surface commence à passer d’une croissance douce couche par couche à une formation d’îles indésirable.

Le contrôleur de processus pourrait alors évaluer si des paramètres tels que la température du substrat ou le flux de matériau doivent être ajustés.

Ce concept est de plus en plus décrit comme une épitaxie autonome ou une épitaxie autonome.

Fabrication de GaN MBE contrôlée par l'IA

L’annonce IVWorks de septembre 2026 fournit un exemple industriel de GaN.

Selon l'entreprise, sa plate-forme d'épitaxie IA combine les informations RHEED avec des données chronologiques sur les équipements telles que la température et la pression.

Les modèles d'IA évaluent les conditions de croissance et détectent les anomalies, tandis que son cadre d'automatisation MBE gère les opérations telles que le chargement des tranches, la croissance épitaxiale et le déchargement. L’orientation affichée est de réduire l’intervention humaine et d’améliorer la stabilité de la production.

Ceci est important car l’épitaxie industrielle est différente de la croissance en laboratoire.

La production de masse nécessite une répétabilité sur :

• Plusieurs plaquettes
• Plusieurs cycles de croissance
• Différents opérateurs
• Longues périodes de fonctionnement des équipements
• Cycles de maintenance préventive
• Cycles de remplacement des consommables

Une seule excellente plaquette ne suffit pas.

Un fournisseur commercial de plaquettes épi a besoin de performances constantes, tranche après tranche.

Comment l’IA pourrait améliorer l’uniformité des GaN Epi-Wafer

L'uniformité est l'une des spécifications les plus importantes pour les plaquettes GaN epi commerciales.

En fonction de la structure de l'appareil, les clients peuvent évaluer :

• Uniformité de l'épaisseur épitaxiale
• Uniformité de la résistance des feuilles
• Uniformité de la concentration des porteurs
• Uniformité de la mobilité
• Uniformité de la composition Al
• Morphologie des surfaces
• Arc de plaquette

Pour un petit échantillon de recherche, des variations locales peuvent parfois être acceptables.

Pour les tranches de production de 100 mm, 150 mm ou 200 mm, elles peuvent affecter directement le rendement du dispositif.

Le contrôle des processus par l’IA peut potentiellement améliorer l’uniformité de plusieurs manières.

1. Détecter plus tôt la dérive de la croissance

Les réacteurs MBE ne restent pas parfaitement inchangés.

Les conditions peuvent dériver en raison de :

• Épuisement des sources
• Revêtement de chambre
• Vieillissement des équipements
• Modifications de l'étalonnage de la température
• Variation de la source plasma
• Historique d'entretien

Une recette fixe peut donc produire des résultats légèrement différents après de nombreux cycles de croissance.

En combinant les données RHEED avec les données des capteurs de l'équipement, les systèmes d'IA peuvent détecter la dérive plus tôt que la surveillance statistique conventionnelle.

2. Identifier les états de croissance anormale

Un motif RHEED anormal peut indiquer que la surface entre dans un régime de croissance indésirable.

La détection précoce permet au système de signaler la plaquette ou éventuellement d'ajuster le processus avant que le défaut ne devienne grave.

3. Réduire la variation d'une opération à l'autre

Un défi de fabrication majeur consiste à conserver les mêmes caractéristiques électriques entre les lots.

Les modèles d'apprentissage automatique peuvent comparer l'exécution actuelle avec de grands ensembles de données historiques et identifier les écarts par rapport aux trajectoires de croissance précédemment réussies.

Cela pourrait contribuer à améliorer la répétabilité d’une séquence à l’autre.

IA et contrôle de la rugosité des surfaces

La morphologie de la surface affecte fortement la fabrication des dispositifs GaN.

Une mauvaise qualité de surface peut influencer :

• Lithographie
• Contacts métalliques
• Formation de porte
• Qualité des interfaces
• Fiabilité de l'appareil

RHEED est particulièrement utile car il surveille directement la surface des cristaux pendant la croissance.

L'analyse RHEED assistée par apprentissage automatique a déjà démontré que les informations de diffraction peuvent être corrélées à d'importants indicateurs de qualité de film dans les systèmes MBE expérimentaux.

Par exemple, une étude de 2025 sur la croissance du GaSe MBE a montré que l’intégration de fonctionnalités dérivées de RHEED améliorait les modèles d’apprentissage automatique utilisés pour prédire les mesures de qualité des cristaux, soutenant le concept plus large de combinaison de diffraction in situ avec des données de processus pour l’optimisation de l’épitaxie.

Le matériau spécifique de cette étude n’était pas du GaN, le modèle quantitatif ne peut donc pas simplement être transféré à la production de GaN. Cependant, l'approche démontre comment les informations RHEED peuvent devenir une variable de processus lisible par machine plutôt qu'un simple diagnostic visuel.

Réduction des défauts et rendement

Le rendement est en fin de compte l’une des raisons les plus importantes pour introduire un contrôle avancé des processus.

Les défauts d'épitaxie GaN peuvent inclure :

• Dislocations de filetage
• Fosses de surface
• Buttes
• Fissures
• Particules
• Défauts d'interface
• Rugosité locale
• Dopage non uniforme

Tous les défauts ne peuvent pas être éliminés grâce à l’IA.

Beaucoup proviennent de limitations fondamentales du substrat et de l’hétéroépitaxie.

Cependant, l’IA peut contribuer à réduire les défauts liés à l’instabilité des processus.

Par exemple, si une combinaison particulière d’évolution du modèle RHEED, de dérive de température et de pression dans la chambre est en corrélation répétée avec de mauvais résultats après croissance, le modèle peut apprendre cette relation.

Les futurs cycles de production pourraient alors signaler des conditions similaires avant que la tranche ne soit terminée.

L’objectif n’est pas que l’IA change les lois de la croissance cristalline.

Il s’agit de maintenir le processus de croissance dans une fenêtre de processus plus étroite et plus reproductible.

Pourquoi les données historiques sont importantes

L’épitaxie contrôlée par l’IA dépend fortement de la qualité des données.

Un modèle entraîné uniquement sur un petit nombre de cycles de croissance peut ne pas comprendre suffisamment les conditions du processus pour prendre des décisions fiables.

Cela explique pourquoi les grands ensembles de données historiques sont précieux.

Les informations utiles peuvent inclure :

• Vidéo RHEED
• Température du substrat
• Pression de la chambre
• Flux de matière
• Puissance du plasma
• Taux de croissance
• Température de la source
• Temps de croissance
• Historique d'entretien

La caractérisation post-croissance peut ensuite être liée à ces enregistrements de processus.

Les exemples incluent :

• DRX
• AFM
• Mesure de Hall
• Cartographie de la résistance des feuilles
• Photoluminescence
• Inspection des surfaces
• Cartographie d'épaisseur

Cela crée une relation entre :

Conditions du procédé → comportement de surface in situ → qualité finale de la plaquette

Une fois que suffisamment de données fiables sont disponibles, le système peut commencer à trouver des relations qui peuvent être difficiles à identifier manuellement.

De l’automatisation à l’épitaxie autonome

L'automatisation traditionnelle des semi-conducteurs suit des instructions prédéfinies.

Par exemple:

Réglez la température sur X.
Obturateur open source à l'instant Y.
Développez la couche pendant Z minutes.

La fabrication autonome ajoute un autre niveau.

Au lieu de se contenter d'exécuter des instructions, le système évalue l'état actuel du processus avant de décider de la suite des événements.

Des recherches récentes ont déjà démontré des concepts MBE autonomes utilisant RHEED in situ et l'apprentissage automatique basé sur la physique. Une étude de 2026 a décrit la plate-forme SemiEpi, qui intègre l'équipement MBE, la surveillance RHEED et le contrôle par rétroaction pour ajuster la croissance de l'hétérostructure des semi-conducteurs.

Des recherches antérieures ont également démontré un contrôle en temps réel assisté par apprentissage automatique de la croissance des points quantiques InAs/GaAs en utilisant la vidéo RHEED comme entrée pour les décisions de rétroaction.

Ces démonstrations ne sont pas équivalentes à une fabrication entièrement autonome de GaN en grand volume, mais elles montrent la voie technique vers une épitaxie de plus en plus fermée.

Ce que l'IA ne peut pas remplacer

L’IA ne supprime pas le besoin de science des matériaux.

Une épitaxie GaN de haute qualité dépend toujours de :

• Conception du réacteur
• Qualité du substrat
• Ingénierie de la couche tampon
• Pureté de la source
• Qualité du vide
• Étalonnage de la température
• Bonne préparation des plaquettes
• Développement de processus expérimenté

Un modèle d’IA formé sur des données de processus médiocres ne produira pas automatiquement d’excellents cristaux de GaN.

Le processus de croissance physique détermine toujours le matériau final.

L’IA fournit principalement un moyen plus puissant de surveiller, d’analyser et de contrôler ce processus.

Implications pour les acheteurs de GaN Epi-Wafer

Pour les clients qui achètent des plaquettes GaN epi, la fabrication contrôlée par l’IA elle-même ne devrait pas être le principal critère d’acceptation.

La spécification finale de la tranche reste plus importante.

Un appel d’offres sur une plaquette épi GaN doit clairement définir les paramètres pertinents.

Taille de la plaquette

Les options courantes peuvent inclure :

• 2 pouces
• 4 pouces
• 6 pouces
• 8 pouces

Substrat

Les plates-formes possibles incluent :

• GaN-sur-Si
• GaN-sur-SiC
• GaN-sur-Saphir
• GaN autonome

Structure épitaxiale

Les exemples incluent :

• Modèle GaN
• AlGaN/GaN HEMT
• Structure épi de puissance GaN
• Structure épi LED
• Epitaxie de recherche sur mesure

Épaisseur de couche

Spécifiez l’épaisseur et la tolérance de couche requises dans la mesure du possible.

Propriétés électriques

Selon l'application, les spécifications peuvent inclure :

• Résistance de la feuille
• Concentration de porteurs
• Mobilité
• Fuite de tampon
• Exigences de panne

Qualité des surfaces

Les clients peuvent préciser :

• Rugosité RMS
• Contrôle des particules
• Fosses de surface
• Limites de grattage

Géométrie des plaquettes

Pour les tranches plus grandes, les paramètres importants incluent :

• TTV
• Arc
• Chaîne

Uniformité

Pour la fabrication de dispositifs, l’uniformité du centre au bord et de tranche à tranche doit être discutée séparément des valeurs moyennes.

Pourquoi l'uniformité est plus importante à mesure que les plaquettes GaN deviennent plus grandes

L’industrie des semi-conducteurs oriente progressivement la production de GaN vers des formats de plaquettes plus grands.

À mesure que le diamètre des plaquettes augmente, un faible gradient de processus peut affecter un nombre beaucoup plus grand de dispositifs.

Par exemple, des variations dans :

• Température
• Flux de matière
• Épaisseur de couche
• Composition
• Stresser

peut produire des différences radiales à travers la tranche.

C'est pourquoi le contrôle des processus basé sur les données devient de plus en plus précieux pour l'épitaxie GaN de 150 mm et 200 mm et potentiellement pour la future production de diamètres plus grands.

La valeur économique de l’IA est donc étroitement liée à l’échelle de la tranche.

Si un contrôle amélioré des processus réduit la variation d’une tranche à l’autre ou augmente le pourcentage de surface utilisable de la tranche, l’impact peut être multiplié sur des milliers de dispositifs.

L'épitaxie contrôlée par l'IA n'élimine pas l'inspection

Même un processus de croissance hautement automatisé nécessite toujours une caractérisation post-croissance.

Les plaquettes GaN epi critiques peuvent nécessiter une combinaison de :

• Inspection des surfaces
• AFM
• DRX
• Mesure de Hall
• Cartographie de la résistance des feuilles
• Cartographie d'épaisseur
• Inspection optique
• Mesure d'arc et de fune

La métrologie de la croissance et de l’après-croissance contrôlée par l’IA doit donc être considérée comme complémentaire.

Le système de croissance fournit des informations en temps réel.

L'inspection finale vérifie si la plaquette répond aux spécifications du client.

L’avenir : jumeaux numériques et épitaxie GaN auto-optimisée

L’orientation à long terme de l’épitaxie des semi-conducteurs pourrait aller au-delà de la simple détection d’anomalies.

Les futures plateformes pourraient combiner :

• RHEED en temps réel
• Données des capteurs du réacteur
• Bases de données historiques de production
• Modèles basés sur la physique
• Apprentissage automatique
• Caractérisation automatisée
• Jumeaux numériques

Une représentation numérique du processus d'épitaxie pourrait comparer en permanence le comportement de croissance prévu avec les données réelles du réacteur.

Le système pourrait alors optimiser les paramètres du processus pour des cibles spécifiques telles que :

• Densité de défauts inférieure
• Rugosité de surface inférieure
• Meilleure uniformité de la résistance des feuilles
• Arc de plaquette réduit
• Utilisation accrue des équipements

Cela pourrait être particulièrement utile pour l’épitaxie GaN personnalisée, où les clients exigent des structures de dispositifs et des spécifications électriques différentes.

Conclusion

L’épitaxie contrôlée par l’IA change la façon dont la fabrication des épi-wafers GaN peut être surveillée et optimisée.

RHEED a traditionnellement servi d’outil d’observation en temps réel important pour la croissance des MBE. En combinant les images RHEED avec l'apprentissage automatique et les données des capteurs d'équipement, les fabricants peuvent transformer ces informations en un système de contrôle de processus plus quantitatif.

Les avantages potentiels comprennent :

• Détection précoce des anomalies
• Cohérence améliorée d’une exécution à l’autre
• Meilleure uniformité des plaques épi
• Dérive de processus réduite
• Une production plus stable
• Rendement effectif plus élevé

Les développements industriels récents dans la fabrication de GaN et les démonstrations académiques de MBE autonome indiquent que l'épitaxie des semi-conducteurs passe progressivement d'une automatisation de recettes fixes à un contrôle de processus de plus en plus autonome.

Cependant, pour les clients de plaquettes épi GaN, les facteurs les plus importants restent les spécifications mesurables des matériaux : structure épitaxiale, propriétés électriques, qualité de surface, géométrie des plaquettes et uniformité de tranche à tranche.

L’IA ne remplace pas l’épitaxie GaN de haute qualité.

Sa véritable valeur est d'aider les fabricants à atteindre cette qualité de manière plus cohérente, sur un plus grand nombre de tranches et avec un contrôle plus strict sur des processus de croissance de semi-conducteurs de plus en plus complexes.