Galliumnitrid-Epitaxie tritt in eine neue Phase der Halbleiterfertigung ein.

Jahrelang hing die Qualität von GaN-Epi-Wafern stark von sorgfältig optimierten Wachstumsrezepten, erfahrenen Prozessingenieuren und kontinuierlicher Überwachung der Reaktorb conditions ab. Selbst kleine Abweichungen bei Substrattemperatur, Kammerdruck, III/V-Flussverhältnis oder Oberflächenrekonstruktion können die endgültige Kristallqualität beeinflussen.

Künstliche Intelligenz beginnt, diesen Ansatz zu verändern.

Anstatt sich nur auf feste Rezepte zu verlassen, kombinieren neue Epitaxieplattformen Echtzeit-RHEED-Daten, Ausrüstungssensorinformationen und Machine-Learning-Algorithmen, um Wachstumsbedingungen zu identifizieren, Anomalien zu erkennen und letztendlich Prozessparameter während des epitaktischen Wachstums anzupassen.

Ein aktuelles Beispiel stammt von IVWorks aus Südkorea, das im September 2026 berichtete, dass sein GaN-Epi-Wafer-Produktionssystem KI-Modelle zur Analyse von Reflection High-Energy Electron Diffraction (RHEED) zusammen mit MBE-Ausrüstungsdaten verwendet. Das Unternehmen gibt an, seit 2019 mehr als 330 Millionen zeitreihenbasierte Prozessdatenpunkte und über 30 TB RHEED-Daten gesammelt zu haben.

Diese Entwicklung unterstreicht einen breiteren Trend: Die GaN-Epitaxie bewegt sich von rezeptbasierter Automatisierung hin zu datengesteuerter und zunehmend autonomer Fertigung.

Warum GaN-Epitaxie schwer zu kontrollieren ist

GaN-Bauelemente werden in Anwendungen von RF-Kommunikation bis hin zu Hochfrequenz-Leistungselektronik eingesetzt.

Die elektrische Leistung des fertigen Bauelements hängt jedoch stark von der epitaktischen Qualität ab.

Wichtige GaN-Epi-Wafer-Eigenschaften umfassen:

• Gleichmäßigkeit der Schichtdicke
• Oberflächenrauheit
• Kristalldefektdichte
• Grenzflächenqualität
• Trägerkonzentration
• Elektronenmobilität
• Flächenwiderstand
• Pufferleckage
• Wafer-Spannung
• Wafer-Verzug
• Partikeldichte

Diese Parameter werden von vielen interagierenden Wachstumsbedingungen beeinflusst.

Während der Molekularstrahlepitaxie (MBE) müssen Ingenieure beispielsweise Variablen wie folgt steuern:

• Substrattemperatur
• Galliumfluss
• Stickstofffluss
• Wachstumsrate
• Kammerdruck
• Plasmazustand
• Dotierfluss
• Wachstumszeit
• Oberflächenrekonstruktion

Die Schwierigkeit besteht darin, dass diese Variablen nicht unabhängig sind.

Eine Temperaturänderung kann die Oberflächenmobilität, die Einbau-Effizienz und die Wachstumsrate gleichzeitig beeinflussen.

Eine kleine Abweichung, die auf der Ebene der Ausrüstung unbedeutend erscheint, kann schließlich messbare Unterschiede in der elektrischen Leistung des Wafers erzeugen.

Dies ist ein Grund, warum KI-basierte Prozessüberwachung Aufmerksamkeit erregt.

Was ist RHEED?

Reflection High-Energy Electron Diffraction ist eine der nützlichsten In-situ-Überwachungstechniken für MBE.

Während des epitaktischen Wachstums trifft ein hochenergetischer Elektronenstrahl in einem sehr flachen Winkel auf die Waferoberfläche.

Die Elektronen interagieren mit der Kristalloberfläche und erzeugen ein Beugungsmuster.

Ingenieure können dieses Muster verwenden, um Informationen über die Oberfläche während des Wachstums zu erhalten, ohne den Wafer aus dem Reaktor zu entfernen.

RHEED kann Informationen liefern, die sich auf Folgendes beziehen:

• Oberflächenrekonstruktion
• Kristallordnung
• Wachstumsmodus
• Oberflächenrauheit
• Schichtbildung
• Epitaktische Übergänge

Unterschiedliche Oberflächenbedingungen erzeugen unterschiedliche Beugungsmuster.

Eine glatte zweidimensionale Oberfläche erzeugt oft relativ scharfe Streifen, während Rauheit oder dreidimensionale Inselbildung das Beugungsmuster erheblich verändern können.

Traditionell interpretieren erfahrene Bediener diese Muster visuell.

Dieser Ansatz funktioniert, hat aber Einschränkungen.

Das Problem der reinen menschlichen RHEED-Interpretation

Ein moderner Epitaxie-Lauf kann eine enorme Menge an RHEED-Informationen generieren.

Eine Kamera kann während des gesamten Wachstumsprozesses kontinuierlich Beugungsmuster aufzeichnen.

Menschliche Bediener können nicht realistisch jeden Frame quantitativ analysieren.

Einige Änderungen können auch auftreten, bevor sie visuell offensichtlich werden.

Maschinelles Lernen bietet einen anderen Ansatz.

Anstatt einen Ingenieur zu bitten, einzelne Bilder zu interpretieren, können KI-Systeme ganze RHEED-Bildsequenzen analysieren und subtile Änderungen erkennen in:

• Intensität
• Streifenbreite
• Fleckbildung
• Beugungsgeometrie
• Zeitliche Entwicklung
• Musterstabilität

In der Fachzeitschrift Journal of Vacuum Science & Technology A veröffentlichte Forschung zeigte eine Analyse von RHEED-Bildern während des MBE-Wachstums mittels maschinellen Lernens, die Ablagerungsregime im laufenden Betrieb erkennen konnte. Der Analyse-Workflow war so konzipiert, dass er in weniger als einer Sekunde ausgeführt wurde, was das Potenzial von RHEED-Daten als Teil der Echtzeit-Feedback-Steuerung und nicht nur als Überwachungswerkzeug verdeutlicht.

Von RHEED-Überwachung zu KI-Prozesssteuerung

Die wichtige Änderung ist nicht einfach die Verwendung von KI zur Klassifizierung von Bildern.

Das übergeordnete Ziel ist die Closed-Loop-Prozesssteuerung.

Ein vereinfachtes autonomes Epitaxiesystem kann wie folgt arbeiten:

RHEED-Kamera
↓
Echtzeit-Bildanalyse
↓
Machine-Learning-Modell
↓
Klassifizierung des Wachstumszustands
↓
Prozessentscheidung
↓
Anpassung der MBE-Parameter
↓
Neue RHEED-Reaktion

Der Zyklus wiederholt sich dann.

Dies ermöglicht es dem Wachstumssystem, auf den tatsächlichen Zustand des Wafers zu reagieren, anstatt blind einem vordefinierten Rezept zu folgen.

Zum Beispiel könnte ein Modell erkennen, dass eine Oberfläche beginnt, von glattem Schicht-für-Schicht-Wachstum zu unerwünschter Inselbildung überzugehen.

Der Prozessregler könnte dann beurteilen, ob Parameter wie die Substrattemperatur oder der Materialfluss angepasst werden sollten.

Dieses Konzept wird zunehmend als autonome Epitaxie oder selbstfahrende Epitaxie bezeichnet.

KI-gesteuerte GaN-MBE-Fertigung

Die Ankündigung von IVWorks im September 2026 liefert ein industrielles GaN-Beispiel.

Laut dem Unternehmen kombiniert seine KI-Epitaxieplattform RHEED-Informationen mit zeitreihenbasierten Ausrüstungsdaten wie Temperatur und Druck.

KI-Modelle bewerten die Wachstumsbedingungen und erkennen Anomalien, während sein MBE-Automatisierungsframework Abläufe wie Waferbeladung, epitaktisches Wachstum und Entladung übernimmt. Die erklärte Richtung zielt auf die Reduzierung menschlicher Eingriffe und die Verbesserung der Produktionsstabilität ab.

Dies ist wichtig, da die industrielle Epitaxie sich von Laborwachstum unterscheidet.

Massenproduktion erfordert Wiederholbarkeit über:

• Mehrere Wafer
• Mehrere Wachstumszyklen
• Unterschiedliche Bediener
• Lange Betriebszeiten der Ausrüstung
• Zyklen der vorbeugenden Wartung
• Zyklen des Verbrauchsstoffaustauschs

Ein einzelner exzellenter Wafer reicht nicht aus.

Ein kommerzieller Epi-Wafer-Lieferant benötigt konsistente Leistung von Wafer zu Wafer.

Wie KI die Gleichmäßigkeit von GaN-Epi-Wafern verbessern könnte

Die Gleichmäßigkeit ist eine der wichtigsten Spezifikationen für kommerzielle GaN-Epi-Wafer.

Abhängig von der Bauelementstruktur können Kunden Folgendes bewerten:

• Gleichmäßigkeit der Epitaxiedicke
• Gleichmäßigkeit des Flächenwiderstands
• Gleichmäßigkeit der Trägerkonzentration
• Gleichmäßigkeit der Mobilität
• Gleichmäßigkeit der Al-Zusammensetzung
• Oberflächenmorphologie
• Wafer-Verzug

Für eine kleine Forschungsprobe können lokale Variationen manchmal akzeptabel sein.

Für 100-mm-, 150-mm- oder 200-mm-Produktionswafer können sie die Ausbeute der Bauelemente direkt beeinflussen.

KI-Prozesssteuerung kann die Gleichmäßigkeit auf verschiedene Weise verbessern.

1. Frühere Erkennung von Wachstumsdrift

MBE-Reaktoren bleiben nicht perfekt unverändert.

Bedingungen können sich aufgrund von Folgendem verschieben:

• Quellenverarmung
• Kammerbeschichtung
• Alterung der Ausrüstung
• Änderungen der Temperaturkalibrierung
• Variation der Plasmasquelle
• Wartungshistorie

Ein festes Rezept kann daher nach vielen Wachstumszyklen leicht unterschiedliche Ergebnisse liefern.

Durch die Kombination von RHEED-Daten mit Ausrüstungssensordaten können KI-Systeme Drift früher erkennen als herkömmliche statistische Überwachung.

2. Identifizierung abnormaler Wachstumszustände

Ein abnormales RHEED-Muster kann darauf hinweisen, dass die Oberfläche in ein unerwünschtes Wachstumsregime übergeht.

Frühe Erkennung ermöglicht es dem System, den Wafer zu kennzeichnen oder den Prozess potenziell anzupassen, bevor der Defekt schwerwiegend wird.

3. Reduzierung der Lauf-zu-Lauf-Variation

Eine große Herausforderung in der Fertigung ist die Aufrechterhaltung der gleichen elektrischen Eigenschaften zwischen den Chargen.

Machine-Learning-Modelle können den aktuellen Lauf mit großen historischen Datensätzen vergleichen und Abweichungen von zuvor erfolgreichen Wachstumstrajektorien identifizieren.

Dies könnte helfen, die Wiederholbarkeit von Lauf zu Lauf zu verbessern.

KI und Oberflächenrauheitskontrolle

Die Oberflächenmorphologie beeinflusst die GaN-Bauelementfertigung stark.

Schlechte Oberflächenqualität kann Folgendes beeinflussen:

• Lithografie
• Metallkontakte
• Gate-Bildung
• Grenzflächenqualität
• Zuverlässigkeit des Bauelements

RHEED ist besonders wertvoll, da es die Kristalloberfläche während des Wachstums direkt überwacht.

KI-gestützte RHEED-Analyse hat bereits gezeigt, dass Beugungsinformationen mit wichtigen Filmqualitätsindikatoren in experimentellen MBE-Systemen korreliert werden können.

Zum Beispiel zeigte eine Studie von 2025 über GaSe-MBE-Wachstum, dass die Einbeziehung von RHEED-abgeleiteten Merkmalen die Machine-Learning-Modelle verbesserte, die zur Vorhersage von Kristallqualitätsmetriken verwendet wurden, was das breitere Konzept der Kombination von In-situ-Beugung mit Prozessdaten für die Epitaxieoptimierung unterstützt.

Das spezifische Material in dieser Studie war nicht GaN, daher kann das quantitative Modell nicht einfach auf die GaN-Produktion übertragen werden. Der Ansatz zeigt jedoch, wie RHEED-Informationen zu einer maschinenlesbaren Prozessvariable werden können und nicht nur zu einer visuellen Diagnose.

Defektreduzierung und Ausbeute

Die Ausbeute ist letztendlich einer der wichtigsten Gründe für die Einführung fortschrittlicher Prozesskontrolle.

GaN-Epitaxie-Defekte können umfassen:

• Durchgehende Versetzungen
• Oberflächengruben
• Hügel
• Risse
• Partikel
• Grenzflächendefekte
• Lokale Rauheit
• Ungleichmäßige Dotierung

Nicht jeder Defekt kann durch KI eliminiert werden.

Viele entstehen aus grundlegenden Substrat- und Heteroepitaxie-Beschränkungen.

KI kann jedoch helfen, Defekte im Zusammenhang mit Prozessinstabilität zu reduzieren.

Wenn beispielsweise eine bestimmte Kombination aus RHEED-Musterentwicklung, Temperaturdrift und Kammerdruck wiederholt mit schlechten Ergebnissen nach dem Wachstum korreliert, kann das Modell diese Beziehung lernen.

Zukünftige Produktionsläufe könnten dann ähnliche Bedingungen kennzeichnen, bevor der Wafer fertiggestellt ist.

Das Ziel ist nicht, dass KI die Gesetze des Kristallwachstums ändert.

Es geht darum, den Wachstumsprozess innerhalb eines engeren und wiederholbareren Prozessfensters zu halten.

Warum historische Daten wichtig sind

KI-gesteuerte Epitaxie hängt stark von der Datenqualität ab.

Ein Modell, das nur auf einer kleinen Anzahl von Wachstumszyklen trainiert wurde, versteht möglicherweise nicht genügend Prozessbedingungen, um zuverlässige Entscheidungen zu treffen.

Dies erklärt, warum große historische Datensätze wertvoll sind.

Nützliche Informationen können umfassen:

• RHEED-Video
• Substrattemperatur
• Kammerdruck
• Materialfluss
• Plasma-Leistung
• Wachstumsrate
• Quellentemperatur
• Wachstumszeit
• Wartungshistorie

Die Charakterisierung nach dem Wachstum kann dann mit diesen Prozessaufzeichnungen verknüpft werden.

Beispiele sind:

• XRD
• AFM
• Hall-Messung
• Flächenwiderstandskartierung
• Photolumineszenz
• Oberflächeninspektion
• Dickenkartierung

Dies schafft eine Beziehung zwischen:

Prozessbedingungen → In-situ-Oberflächenverhalten → endgültige Waferqualität

Sobald genügend zuverlässige Daten verfügbar sind, kann das System beginnen, Beziehungen zu finden, die manuell schwer zu identifizieren sind.

Von Automatisierung zu autonomer Epitaxie

Traditionelle Halbleiterautomatisierung folgt vordefinierten Anweisungen.

Zum Beispiel:

Temperatur auf X einstellen.
Quellen-Shutter um Uhrzeit Y öffnen.
Schicht für Z Minuten wachsen lassen.

Autonome Fertigung fügt eine weitere Ebene hinzu.

Anstatt nur Anweisungen auszuführen, bewertet das System den aktuellen Prozesszustand, bevor es entscheidet, was als Nächstes geschehen soll.

Jüngste Forschung hat bereits selbstfahrende MBE-Konzepte mit In-situ-RHEED und physikbasiertem maschinellen Lernen demonstriert. Eine Studie aus dem Jahr 2026 beschrieb die SemiEpi-Plattform, die MBE-Ausrüstung, RHEED-Überwachung und Feedback-Steuerung integriert, um das Wachstum von Halbleiterheterostrukturen anzupassen.

Frühere Forschung hat auch maschinell unterstützte Echtzeitsteuerung des InAs/GaAs-Quantenpunktwachstums unter Verwendung von RHEED-Video als Eingabe für Feedback-Entscheidungen demonstriert.

Diese Demonstrationen sind nicht gleichbedeutend mit einer vollständig autonomen Massenproduktion von GaN, aber sie zeigen den technischen Weg zu einer zunehmend geschlossenen Epitaxie.

Was KI nicht ersetzen kann

KI ersetzt nicht die Notwendigkeit der Materialwissenschaft.

Hochwertige GaN-Epitaxie hängt weiterhin ab von:

• Reaktordesign
• Substratqualität
• Pufferlagen-Engineering
• Quellenreinheit
• Vakuumqualität
• Temperaturkalibrierung
• Ordnungsgemäße Wafervorbereitung
• Erfahrene Prozessentwicklung

Ein KI-Modell, das auf schlechten Prozessdaten trainiert wurde, wird nicht automatisch exzellente GaN-Kristalle produzieren.

Der physikalische Wachstumsprozess bestimmt immer noch das Endmaterial.

KI bietet hauptsächlich eine leistungsfähigere Möglichkeit, diesen Prozess zu überwachen, zu analysieren und zu steuern.

Auswirkungen für Käufer von GaN-Epi-Wafern

Für Kunden, die GaN-Epi-Wafer kaufen, sollte die KI-gesteuerte Fertigung selbst nicht das primäre Akzeptanzkriterium sein.

Die endgültige Wafer-Spezifikation bleibt wichtiger.

Eine GaN-Epi-Wafer-Anfrage (RFQ) sollte relevante Parameter klar definieren.

Wafergröße

Gängige Optionen können sein:

• 2 Zoll
• 4 Zoll
• 6 Zoll
• 8 Zoll

Substrat

Mögliche Plattformen sind:

• GaN-on-Si
• GaN-on-SiC
• GaN-on-Sapphire
• Freistehendes GaN

Epitaktische Struktur

Beispiele sind:

• GaN-Template
• AlGaN/GaN HEMT
• GaN-Leistungsepi-Struktur
• LED-Epi-Struktur
• Kundenspezifische Forschungsepitaxie

Schichtdicke

Geben Sie nach Möglichkeit die erforderliche Schichtdicke und Toleranz an.

Elektrische Eigenschaften

Abhängig von der Anwendung können Spezifikationen umfassen:

• Flächenwiderstand
• Trägerkonzentration
• Mobilität
• Pufferleckage
• Durchbruchsanforderungen

Oberflächenqualität

Kunden können angeben:

• RMS-Rauheit
• Partikelkontrolle
• Oberflächengruben
• Kratzergrenzen

Wafer-Geometrie

Für größere Wafer sind wichtige Parameter:

• TTV
• Verzug
• Warp

Gleichmäßigkeit

Für die Bauelementfertigung sollten die Gleichmäßigkeit von Mitte zu Rand und von Wafer zu Wafer getrennt von Durchschnittswerten besprochen werden.

Warum Gleichmäßigkeit wichtiger wird, wenn GaN-Wafer größer werden

Die Halbleiterindustrie bewegt die GaN-Produktion stetig in Richtung größerer Waferformate.

Mit zunehmendem Waferdurchmesser kann ein kleiner Prozessgradient eine viel größere Anzahl von Bauelementen beeinflussen.

Zum Beispiel Variationen in:

• Temperatur
• Materialfluss
• Schichtdicke
• Zusammensetzung
• Spannung

können radiale Unterschiede über den Wafer erzeugen.

Deshalb wird die datengesteuerte Prozesssteuerung für 150-mm- und 200-mm-GaN-Epitaxie und potenziell zukünftige größere Durchmesser immer wertvoller.

Der wirtschaftliche Wert von KI ist daher eng mit der Wafergröße verbunden.

Wenn eine verbesserte Prozesssteuerung die Variation von Wafer zu Wafer reduziert oder den Anteil der nutzbaren Waferfläche erhöht, kann sich die Auswirkung über Tausende von Bauelementen multiplizieren.

KI-gesteuerte Epitaxie eliminiert die Inspektion nicht

Selbst ein hochautomatisierter Wachstumsprozess erfordert noch eine Charakterisierung nach dem Wachstum.

Kritische GaN-Epi-Wafer können eine Kombination aus Folgendem erfordern:

• Oberflächeninspektion
• AFM
• XRD
• Hall-Messung
• Flächenwiderstandskartierung
• Dickenkartierung
• Optische Inspektion
• Messung von Verzug und Warp

KI-gesteuerte Wachstumsprozesse und nachgelagerte Messtechnik sollten daher als komplementär betrachtet werden.

Das Wachstumssystem liefert Echtzeitinformationen.

Die Endinspektion verifiziert, ob der Wafer die Kundenspezifikation erfüllt.

Die Zukunft: Digitale Zwillinge und selbstoptimierende GaN-Epitaxie

Die langfristige Richtung der Halbleiterepitaxie könnte über die einfache Anomalieerkennung hinausgehen.

Zukünftige Plattformen könnten kombinieren:

• Echtzeit-RHEED
• Reaktorsensordaten
• Historische Produktionsdatenbanken
• Physikbasierte Modelle
• Maschinelles Lernen
• Automatisierte Charakterisierung
• Digitale Zwillinge

Eine digitale Darstellung des Epitaxieprozesses könnte das vorhergesagte Wachstumsverhalten kontinuierlich mit tatsächlichen Reaktordaten vergleichen.

Das System könnte dann Prozessparameter für spezifische Ziele optimieren, wie z. B.:

• Geringere Defektdichte
• Geringere Oberflächenrauheit
• Bessere Gleichmäßigkeit des Flächenwiderstands
• Reduzierter Wafer-Verzug
• Höhere Anlagenauslastung

Dies könnte besonders wertvoll für kundenspezifische GaN-Epitaxie sein, bei der Kunden unterschiedliche Bauelementstrukturen und elektrische Spezifikationen benötigen.

Schlussfolgerung

KI-gesteuerte Epitaxie verändert die Art und Weise, wie die Herstellung von GaN-Epi-Wafern überwacht und optimiert werden kann.

RHEED diente traditionell als wichtiges Echtzeit-Beobachtungswerkzeug für das MBE-Wachstum. Durch die Kombination von RHEED-Bildern mit maschinellem Lernen und Ausrüstungssensordaten können Hersteller diese Informationen in ein quantitativeres Prozesssteuerungssystem umwandeln.

Die potenziellen Vorteile umfassen:

• Frühere Erkennung von Anomalien
• Verbesserte Konsistenz von Lauf zu Lauf
• Bessere Gleichmäßigkeit von Epi-Wafern
• Reduzierter Prozessdrift
• Stabilere Produktion
• Höhere effektive Ausbeute

Jüngste industrielle Entwicklungen in der GaN-Fertigung und akademische Demonstrationen von selbstfahrenden MBE deuten darauf hin, dass die Halbleiterepitaxie allmählich von fester Rezeptautomatisierung hin zu einer zunehmend autonomen Prozesssteuerung übergeht.

Für Kunden von GaN-Epi-Wafern bleiben jedoch die wichtigsten Faktoren messbare Materialspezifikationen: epitaktische Struktur, elektrische Eigenschaften, Oberflächenqualität, Wafergeometrie und Gleichmäßigkeit von Wafer zu Wafer.

KI ist kein Ersatz für hochwertige GaN-Epitaxie.

Ihr wirklicher Wert liegt darin, Herstellern zu helfen, diese Qualität konsistenter, über mehr Wafer und mit engerer Kontrolle über zunehmend komplexe Halbleiterwachstumsprozesse zu erreichen.