硅晶圆翘曲与残余应力识别:台阶仪单面测量,免双面检测

半导体制造中,晶圆直径增大厚度减薄使残余应力自重挠度的影响日益突出,二者的可靠量化直接关系到尺寸稳定性和良率。要测翘曲,常规做法是双面轮廓测量加机械翻转,即三点支撑翻转法。这条路结果可靠,代价是设备复杂、检测节拍慢、成本高。工业上真正想要的,是只测一个面就把翘曲残余应力都拿到手。拦在这个目标面前的有两道坎:其一,晶圆水平支撑测量时,表面轮廓是自重挠度和固有翘曲的叠加,且挠度占主导,单面数据里把两者拆开并不容易;其二,从翘曲反推残余应力本质上是非唯一反问题,多种应力分布可以产生同一翘曲场。

本文的全部工作,就是依次跨过这两道坎。Flexfilm费曼仪器探针式台阶仪可以实现表面微观特征的精准表征关键参数的定量测量,精确测定样品的表面台阶高度与膜厚,为材料质量把控和生产效率提升提供数据支撑。


基础测量与关键观察

硅晶圆双面的表面轮廓:a 正面;b 背面

实验用10片直径200 mm、厚0.725 mm的硅晶圆,在台阶仪上做双面轮廓测量:激光位移传感器测高度,精密平移台做面内扫描,z向分辨率0.01 μm,面内间距1 mm,共28913个测点。晶圆由半径95 mm处、间隔120°的三个支撑点简支。用三点支撑翻转法处理双面数据,挠度取双面轮廓之和的一半,翘曲取之差的一半,所得结果充当后续一切对比的参考基准。

使用三点支撑翻转法测量硅晶圆的挠度和翘曲:a正面轮廓b背面轮廓c挠度d翘曲

数据给出三个决定性的观察:挠度分布在10片晶圆间几乎一致,翘曲分布却各不相同;挠度呈现120°周期性重复;翘曲量值比挠度小一个数量级。这三条性质,正是后面两个翘曲估计方法的立足点。

10片硅晶圆挠度的平均值和标准误差:a平均值b标准误差


方法一:累积平均

翘曲因晶圆而异,可视为随机量;挠度在同支撑条件下可复现。把多个晶圆的单面轮廓累积求平均,随机翘曲分量相互抵消,剩下的就是挠度分布。从测量轮廓中减去它,翘曲随之得到。


方法二:对称性

硅晶圆的三维有限元模型

累积法要攒数据,更省事的做法是单片单次测量直接出结果。依据正是120°周期性:支撑点以120°间隔布置,挠度分布每120°重复,而间隔120°分割的分布自身对称,等价于每60°重复。翘曲不具备这种周期性,因此把挠度取为60°分割的六个扇区内分布的平均值,再扩展回360°,从测量轮廓中减去即得翘曲。

材料各向异性对自重挠度影响的有限元分析结果:a 各向异性情况下的挠度;b 各向同性情况下的挠度;c (a)与(b)绝对差异的百分比

这里有个前提需要交代:硅是各向异性材料,严格的周期重复并不成立。有限元分析给出了各向同性与各向异性两种情况的挠度对比,局部最大差异约10%,总体不大,于是各向异性被忽略。

从单次表面轮廓测量获取挠度的流程概览


翘曲估计精度

从累积表面轮廓测量获取挠度和翘曲的结果:a 挠度;b 翘曲;c 翘曲与图2d正确翘曲绝对差异的百分比

从单次表面轮廓获取挠度和翘曲的结果:a 挠度;b 翘曲;c 翘曲与图2d正确翘曲绝对差异的百分比

与三点支撑翻转法的参考值对比:累积法的最大局部差异约12%,10片晶圆落在10%~13%;对称性法约20%,精度更低是方法固有的代价,用平均的扇区分布近似真实挠度,引入了额外误差。翘曲误差之所以被放大,是因为翘曲比挠度小一个量级,挠度估计的微小偏差会在相减后显著体现。误差较大的区域集中在晶圆边缘。对10%~13%和20%这两个数字要这么理解:若不确定度可接受,累积法或对称性法即可取代双面检测;继续累积更多测量,精度还能往上走。


残余应力反分析框架

拿到翘曲,转向第二道坎。思路是把测量翘曲表示为单位初始应力响应的叠加:对有限元模型逐对施加正背反向的单位初始应力,记录翘曲响应和应力响应,叠加系数由最小二乘确定,系数一旦解出,应力分布按同一组系数叠加即得。

问题在于解不唯一:不加约束的最小二乘会给出非物理的应力分布。本文用基于残余应力空间梯度的正则化替代常规的系数一阶差分正则化,直接惩罚应力本身的振荡,物理依据更扎实。正则化参数历来靠分析者主观挑选,这里改由AIC和BIC定量权衡拟合优度与模型复杂度,客观定出。


仿真数据验证

用于验证残余应力评估的合成位移和残余应力:a ux;b uy;c uz(翘曲);d σx;e σy;f τxy

验证逻辑是闭环的:先对圆板模型施加已知初始应力,生成翘曲和应力,再把翘曲代回反分析,看能不能还原应力。常规最小二乘果然失败:翘曲虽然复原了,面内位移和应力分布完全不合理,非唯一性坐实。正则化参数走两个极端也不行:过小,应力大幅波动;过大,分布被抹平。AIC在α=10⁻⁵取最小值,BIC在α=10⁻⁴,两个参数下位移和应力均连续合理,与参考解高度吻合,且结果对参数在合适值附近的扰动不敏感。


实测应用与误差传播

三点支撑翻转法翘曲得到的残余应力分布:a σx;b σy;c τxy

把框架搬到实测数据上,分别用三种翘曲作输入:翻转法翘曲、累积法翘曲、对称性法翘曲。翻转法输入的结果视为最合理的参照;累积法翘曲虽带约10%误差,识别出的应力分布和量值依然接近参照;对称性法翘曲的20%误差传到应力上有可见偏差,但量值仍基本一致。误差在反演环节没有失控,说明整个链条是稳的。


适用边界

方法针对残余应力通过弯曲变形产生可测翘曲的体硅晶圆,适合评估切片、抛光、热处理等工艺引入的晶圆级应力。它不适用于薄膜应力:薄膜应力局限于表面附近,不同厚度方向分布可产生相似翘曲,没有额外约束无法唯一确定。识别的空间分辨率受有限元离散化限制,结果应读作物理上合理的近似,而非精确应力分布。此外,方法假设线弹性行为,忽略强材料各向异性和测量噪声的影响。


本研究提出了从水平放置硅晶圆单面测量的表面轮廓中估计翘曲的方法,其中测量轮廓由自重挠度和翘曲组成。具体做法有两种:一是通过累积表面轮廓测量估计挠度,减去后获得翘曲;二是利用单次表面轮廓测量中挠度分布的对称性估计挠度,减去后获得翘曲。使用累积测量时,翘曲识别与可靠的三点支撑翻转法结果的差异约10%。本研究使用了10次测量,更大的数据集有望提高精度。使用对称性方法时,识别精度略低,但仍能得到接近正确值的结果,与三点支撑翻转法的差异约20%

翘曲估计之后,利用基于叠加原理的方法识别残余应力。该方法本身先前已有提出,本研究新引入了基于残余应力而非翘曲的正则化,使残余应力估计成为可能。本研究表明,硅晶圆的翘曲和残余应力可以从单面表面测量合理估计,无需双面检测。据作者所知,这是首个将单面翘曲估计与基于信息准则的反演应力识别相结合的集成框架。


Flexfilm费曼仪器探针式台阶仪

费曼仪器(Flexfilm)探针式台阶仪在半导体、光伏、LED、MEMS器件、材料等领域,表面台阶高度、膜厚的准确测量具有十分重要的价值,尤其是台阶高度是一个重要的参数,对各种薄膜台阶参数的精确、快速测定和控制,是保证材料质量、提高生产效率的重要手段。

✔ 配备500W像素高分辨率彩色摄像机

✔ 亚埃级分辨率,台阶高度重复性1nm

✔ 360°旋转θ平台结合Z轴升降平台

✔ 超微力恒力传感器保证无接触损伤精准测量

费曼仪器作为国内领先的薄膜厚度测量技术解决方案提供商,Flexfilm探针式台阶仪可以对薄膜表面台阶高度、膜厚进行准确测量,保证材料质量、提高生产效率。

原文参考:《Single‑Side Warpage Estimation and Residual Stress Identifcation in Silicon Wafers》

*特别声明:本账号所发布的原创及转载文章,仅用于学术分享和传递行业相关信息。未经授权,不得抄袭、篡改、引用、转载等侵犯本账号相关权益的行为。文章内容仅供参考,如涉及版权问题,请及时联系我司进行删除。

内容概要:本文系统研究了Picard迭代法在非线性常微分方程参数估计中的应用,深入阐述了该方法的数学原理及其在参数辨识中的收敛性稳定性优势。通过构建最小化误差的目标函数,并结合数值积分技术,采用迭代方逐步逼近系统的真实参数值,有效解决了非线性动态系统中因缺乏解析解而难以进行精确建模的问题。文中提供了完整的Matlab代码实现,涵盖模型定义、迭代求解、参数更新结果可视化等关键环节,增强了方法的可操作性工程实用性。研究通过典型非线性系统案例验证了算法的有效性,展示了其在科学计算工程建模中的良好适应性推广潜力。; 适合人群:具备常微分方程理论、数值分析基础及Matlab编程能力,从事系统建模、参数辨识、动力学仿真等相关方向的研究生、科研人员和工程技术开发者。; 使用场景及目标:①解决实际工程中非线性微分方程模型的未知参数估计问题;②深入理解Picard迭代法在科学计算中的实现机制数值特性;③为学术论文复现、科研项目开发或课程设计提供可运行、易调试的技术方案代码参考。; 阅读建议:建议读者结合文中的数学推导Matlab代码逐行分析,重点关注迭代流程、目标函数构造数值积分的耦合实现,通过修改模型结构或噪声条件进行扩展实验,以深化对算法鲁棒性适用边界的理解。配套资源可通过指定公众号和网盘链接获取,推荐同步学习以加速科研进程。
内容概要:本文详细介绍了一种基于多尺度集成极限学习机(Extreme Learning Machine, ELM)的回归方法,并提供了完整的Matlab代码实现。该方法通过构建多尺度特征表示集成学习机制,有效提升了ELM在处理非线性、高维复杂数据时的预测精度模型鲁棒性,特别适用于时间序列回归任务。文档不仅阐述了算法的核心原理技术流程,还系统展示了其在风电功率预测等工程场景中的应用潜力。同时,文中附带了丰富的科研仿真案例集合,涵盖智能优化算法、深度学习、信号处理、电力系统调度等多个前沿方向,体现了多学科交叉融合的技术优势实践价值。; 适合人群:具备一定Matlab编程能力,从事科学研究或工程应用的研究生、科研人员及工程技术开发者,尤其适合专注于机器学习、智能算法优化、新能源预测电力系统建模等相关领域的专业人员。; 使用场景及目标:①用于风电、光伏、负荷等时间序列数据的高精度回归预测任务;②为科研工作者提供可复现的多尺度集成ELM模型代码框架,支持快速算法验证二次开发;③满足实际工程项目中对高效建模、实时预测智能决策的技术需求。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,深入理解多尺度特征构造集成策略的设计思想,同时可参考文档中其他相关算法案例进行横向比较综合应用,以提升整体科研创新能力。
内容概要:本文详细介绍了一种基于Simulink的Ćuk转换器仿真方法,该转换器能够将输入的直流电压高效地转换为极性相反的输出直流电压,具备优异的升降压能力系统稳定性。文章深入剖析了Ćuk转换器的核心工作原理、电路拓扑结构(包含开关管、电感、电容、二极管等关键元件)及其在能量存储传递过程中的动态行为。通过构建精确的Simulink仿真模型,验证了系统在不同输入条件下的稳态暂态响应特性,充分展示了其输出电压反相、纹波小、效率高的优势,适用于对负压电源有严苛要求的应用场景。此外,文档还整合了大量基于Matlab/Simulink和Python的科研仿真资源,涵盖风电预测、微电网优化、GAN场景生成、电力电子系统建模等多个前沿方向,凸显了其在现代电力电子系统仿真研究中的重要价值。; 适合人群:电气工程、自动化、电力电子及相关专业的本科生、研究生、科研人员及具备电路理论基础和Simulink仿真经验的工程技术人员。; 使用场景及目标:①深入理解Ćuk转换器的工作机理及其在直流-直流变换中的独特优势;②利用Simulink平台开展电力电子电路的建模、仿真性能分析;③为需要稳定负压输出的电源系统设计提供理论依据和技术验证方案。; 阅读建议:建议结合Simulink软件动手实践,重点掌握电路拓扑搭建、关键参数配置及仿真结果解读技巧,同时可延伸学习文中提供的其他科研案例,以拓宽技术视野并提升综合仿真能力。
内容概要:本文提出并实现了一种基于角蜥蜴优化算法(HLOA)优化BP神经网络的风电功率预测模型,旨在解决传统BP神经网络在处理高随机性、强波动性风电数据时存在的收敛速度慢、易陷入局部最优等问题。通过HLOA对BP神经网络的初始权重和阈值进行全局寻优,有效提升了模型的预测精度稳定性。研究详细阐述了HLOA的搜索机制及其BP网络的集成方法,并提供了完整的Matlab代码实现,便于复现验证。实验结果表明,相较于传统BP、GWO-BP、PSO-BP等模型,HLOA-BP在均方根误差(RMSE)、平均绝对误差(MAE)等指标上表现更优,具备更强的泛化能力和鲁棒性,适用于风电场短期功率预测的实际工程场景。; 适合人群:具备一定机器学习理论基础和电力系统知识,熟悉Matlab编程的研究生、科研人员及能源领域的工程技术人员,尤其适合从事新能源发电预测、智能优化算法开发应用的相关研究人员。; 使用场景及目标:①应用于风电场功率预测系统,提升电网调度的可靠性运行效率;②作为智能优化算法神经网络融合的典型范例,用于教学演示、科研复现模型拓展;③为撰写高水平学术论文提供可验证的技术路线实验支撑。; 阅读建议:建议读者结合所提供的Matlab代码逐模块分析算法实现细节,重点理解HLOA的个体更新机制BP网络参数的耦合方,并可通过更换实际风电数据集或对比其他优化算法(如WOA、SCA等)进一步开展消融实验性能评估。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值