摘要

本文聚焦碳化硅襯底 TTV 厚度測量數據處理環節，針對傳統方法的局限性，探討 AI 算法在數據降噪、誤差校正、特征提取等方面的應用，為提升數據處理效率與測量準確性提供新的技術思路。

引言

在碳化硅半導體制造中，晶圓總厚度變化（TTV）是衡量襯底質量的關鍵指標。TTV 厚度測量數據處理的準確性直接影響工藝優化與產品良率。然而，測量數據常受環境噪聲、設備誤差及樣品特性等因素干擾，傳統數據處理方法難以滿足高精度需求。AI 算法憑借強大的數據分析與學習能力，為碳化硅襯底 TTV 厚度測量數據處理優化帶來新契機。

AI 算法在數據預處理中的應用

測量數據常包含大量噪聲，影響分析準確性。利用深度學習中的卷積神經網絡（CNN）可有效去除噪聲。CNN 通過構建多層卷積層與池化層，自動提取數據特征，識別并過濾與真實信號無關的噪聲成分。例如，在處理光學干涉測量產生的 TTV 數據時，CNN 能精準分離出因環境振動或光源波動產生的噪聲信號，保留有效厚度信息，提升數據信噪比 。

AI 算法用于測量誤差校正

碳化硅襯底的各向異性、測量設備的系統誤差等會導致測量結果偏離真實值。基于機器學習的回歸算法，如支持向量回歸（SVR），可建立測量誤差模型。通過收集大量包含實際 TTV 值與測量值的樣本數據進行訓練，SVR 能夠學習兩者之間的映射關系，從而對新的測量數據進行誤差校正。此外，利用生成對抗網絡（GAN），通過生成器與判別器的對抗學習，可模擬不同條件下的測量誤差模式，進一步優化誤差校正模型，提高測量準確性。

AI 算法助力數據特征提取與預測

在海量測量數據中，AI 算法可高效提取關鍵特征。采用自編碼器（AE）對數據進行降維與特征提取，AE 通過編碼和解碼過程，自動學習數據的核心特征表示，減少冗余信息。這些提取的特征可用于預測碳化硅襯底 TTV 的變化趨勢，結合循環神經網絡（RNN）或長短期記憶網絡（LSTM），分析時間序列數據，提前預判 TTV 異常，為工藝調整提供決策依據，實現對碳化硅襯底制造過程的精準控制。

高通量晶圓測厚系統運用第三代掃頻OCT技術，精準攻克晶圓/晶片厚度TTV重復精度不穩定難題，重復精度達3nm以下。針對行業厚度測量結果不一致的痛點，經不同時段測量驗證，保障再現精度可靠。?

我們的數據和WAFERSIGHT2的數據測量對比,進一步驗證了真值的再現性：

（以上為新啟航實測樣品數據結果）

該系統基于第三代可調諧掃頻激光技術，相較傳統雙探頭對射掃描，可一次完成所有平面度及厚度參數測量。其創新掃描原理極大提升材料兼容性，從輕摻到重摻P型硅，到碳化硅、藍寶石、玻璃等多種晶圓材料均適用：?

對重摻型硅，可精準探測強吸收晶圓前后表面；?

點掃描第三代掃頻激光技術，有效抵御光譜串擾，勝任粗糙晶圓表面測量；?

通過偏振效應補償，增強低反射碳化硅、鈮酸鋰晶圓測量信噪比；

（以上為新啟航實測樣品數據結果）

支持絕緣體上硅和MEMS多層結構測量，覆蓋μm級到數百μm級厚度范圍，還可測量薄至4μm、精度達1nm的薄膜。

（以上為新啟航實測樣品數據結果）

此外，可調諧掃頻激光具備出色的“溫漂”處理能力，在極端環境中抗干擾性強，顯著提升重復測量穩定性。

（以上為新啟航實測樣品數據結果）

系統采用第三代高速掃頻可調諧激光器，擺脫傳統SLD光源對“主動式減震平臺”的依賴，憑借卓越抗干擾性實現小型化設計，還能與EFEM系統集成，滿足產線自動化測量需求。運動控制靈活，適配2-12英寸方片和圓片測量。