摘要：对SiC日益增长的需求:电力电子领域对SiC材料的需求不断增长，这推动了对精确有效的SiC晶圆表征方法的需求。外延晶圆技术对于SiC器件制造至关重要，关键特性（如掺杂）的晶圆内均匀性对于高良率至关重要。
研究背景
对SiC日益增长的需求: 电力电子领域对SiC材料的需求不断增长，这推动了对精确有效的SiC晶圆表征方法的需求。外延晶圆技术对于SiC器件制造至关重要，关键特性（如掺杂）的晶圆内均匀性对于高良率至关重要。
CnCV测量技术: 由Semilab SDI公司商业推出的CnCV技术提供了一种非接触式电学表征方法，与传统方法相比，降低了成本并缩短了测试反馈时间。然而，电活性缺陷的存在会干扰精确的测量。
现有挑战: 先前CnCV的实现虽然有益，但在量化缺陷对器件良率的影响以及在存在缺陷的情况下精确测量掺杂浓度方面存在局限性。QUAD映射虽然提供了缺陷信息，但缺乏与常用的光学和近紫外PL缺陷映射技术的直接可比性。由缺陷引起的掺杂测量中的离群值也影响了掺杂均匀性监测的准确性。
研究方法
CnCV技术: 核心方法依赖于电晕放电产生表面电压，然后用开尔文探针测量。这允许在无需制造接触的情况下进行非接触式C-V测量。使用了整个晶圆和点源电晕放电两种方法。
QUAD映射: 这项技术通过测量表面电压的变化来空间分辨扩展缺陷的电活性。改进包括添加用户可选择的芯片网格，以方便与光学缺陷图进行比较。
离群值自动重测: 这个新功能自动在离群值略微偏移的位置重新测量掺杂浓度，有效地减轻了缺陷对掺杂测量的影响。这是通过检测由缺陷引起的1/C²与V特性曲线失真，然后在无缺陷区域进行新的测量来实现的。
实验装置: 使用不同电晕放电方法（整个晶圆和点源）和不同直径的开尔文探针（某些高分辨率研究中为2mm和10µm）对n型外延4H-SiC晶圆（在n+衬底上）进行了测量。
数据分析: 该研究利用缺陷图、C-V特性和统计过程控制(SPC)图来分析改进的效果。芯片良率是根据用户定义的网格中无缺陷芯片的数量计算的。
研究内容
改进的QUAD映射: 论文展示了带有和不带有芯片网格叠加的QUAD映射示例，突出了与其他缺陷映射技术改进的可视化比较以及芯片良率的量化。示例说明了高缺陷和低缺陷场景。
离群值自动重测: 论文给出了C-V特性，演示了缺陷造成的失真以及自动重测程序所实现的校正。通过比较原始离群值测量和重新测量的值，证明了掺杂浓度精度的提高。SPC图显示了自动重测对多个晶圆上掺杂数据一致性的影响。
研究结论
改进的缺陷分析: 在QUAD映射中添加芯片网格允许与光学和近紫外PL缺陷图进行直接比较，从而改善了电活性缺陷与器件良率之间的相关性。这使得能够更好地预测和控制器件良率。
增强的掺杂均匀性监测: 自动重测功能显著提高了掺杂测量的准确性，消除了由缺陷引起的离群值，并在SPC图中提供了更可靠的晶圆内掺杂均匀性表示。这对于工艺优化和在晶圆生产过程中保持一致的掺杂水平至关重要。
图文解析
图1：高缺陷4H-SiC外延晶圆的QUAD缺陷图显示
上图（标准QUAD图）： 这张图直观地表示了整个晶圆上的表面电压变化。较暗的区域表示表面电压降低的位置，代表电活性缺陷。这些暗点的分布和密度说明了整体缺陷密度。缺乏结构化网格使得难以快速评估对单个芯片的影响。
下图（带有芯片网格的QUAD图）： 这张图显示了相同的数据，但叠加了一个5mm x 5mm的芯片网格。这立即突出显示了哪些芯片包含缺陷，哪些芯片没有缺陷。网格允许直接量化芯片良率，在这个高缺陷示例中，其值为62.4%。这比标准QUAD图有了显著改进，因为它将缺陷数据直接转化为器件制造中实际相关的指标。清晰的视觉表示简化了对生产目的晶圆质量的评估。
图2：低缺陷4H-SiC外延晶圆的QUAD缺陷图显示
上图（标准QUAD图）： 与图1类似，这显示了表面电压变化，但暗点要少得多，表明缺陷浓度低得多。
下图（带有芯片网格的QUAD图）： 同样，芯片网格叠加量化了缺陷对单个芯片的影响。可以清楚地看到无缺陷芯片的数量显著增加。在这种情况下，芯片良率报告为98%，说明了该技术识别高质量晶圆的能力。图1和图2之间的视觉差异，特别是带有芯片网格叠加的差异，有力地支持了改进的价值。
图3：说明自动重测的n型外延4H-SiC晶圆上的CnCV测量结果
左图（QUAD表面电压缺陷图）： 这张较小的QUAD图显示了晶圆的特定区域，突出显示了位于坐标(35,5)的缺陷。这种视觉表示精确地指出了随后C-V测量将受缺陷影响的位置。
右图（1/C²与V特性曲线）： 这是这张图的核心。它显示了两种测量的1/C²与V特性曲线（电容-电压曲线，常用作掺杂提取）。
(35,5)缺陷位置： 曲线显示出与线性关系的偏差，表明在所示坐标处由缺陷引起的失真。这种失真导致人为地提高了掺杂浓度 (ND = 2.96 x 10¹⁶ cm⁻³)。
(33.5, 6.3)自动重测： 这条曲线显示了线性关系，这是在将测量点移动约2mm到无缺陷位置后获得的。从这条线性曲线中提取的掺杂浓度 (ND = 2.12 x 10¹⁶ cm⁻³) 显著降低，并且更能代表实际掺杂水平。移动后获得的线性曲线证明了自动重测在校正由缺陷的存在引起的测量失真方面的有效性。
图4：显示离群值处理的CnCV测量ND的SPC图
SPC图： 这张图显示了在五个晶圆的12个位置测量的掺杂浓度(ND)。最初的测量结果显示一个晶圆存在离群值。自动重测的使用有效地用更准确的值替换了这个离群值，从而更平滑、更可靠地表示了晶圆运行之间的掺杂均匀性。图表中前后对比演示了自动重测功能提高数据可靠性和过程一致性的效果。数据稳定性的提高是校正缺陷引起的失真直接的结果，突出了此功能对生产监控的实际影响。
*声明：本文由作者原创。文章内容系作者个人观点，宽禁带半导体技术创新联盟转载仅为了传达一种不同的观点，不代表本联盟对该观点赞同或支持，如果有任何异议，欢迎联系我们。
来源：宽禁带联盟