一、引言

碳化硅（SiC）憑借優異的物理化學性能，成為功率半導體器件的核心材料。總厚度偏差（TTV）作為衡量 SiC 襯底質量的關鍵指標，其精確測量對器件性能和可靠性至關重要。然而，碳化硅獨特的晶體結構賦予其顯著的各向異性，在 TTV 厚度測量過程中，各向異性效應會導致測量數據偏差，影響測量準確性。深入研究各向異性效應并探尋有效的修正算法，是提升碳化硅 TTV 厚度測量精度的關鍵。

二、碳化硅各向異性效應的產生與表現

2.1 晶體結構與各向異性的關聯

碳化硅存在多種晶體結構，如 4H-SiC、6H-SiC 等，其晶體內部原子排列在不同晶向上存在差異 。這種結構差異使得碳化硅在不同晶向表現出不同的物理性質，包括熱膨脹系數、彈性模量、硬度等 。例如，不同晶向的熱膨脹系數差異，導致在溫度變化時，襯底各方向的尺寸變化不一致，影響 TTV 測量結果。

2.2 各向異性對 TTV 測量的影響

在 TTV 厚度測量中，各向異性效應主要體現在測量信號的差異上。當采用接觸式測量時，由于不同晶向硬度不同，測量探頭與襯底接觸時的接觸力和接觸面積會隨晶向變化，進而影響測量信號的穩定性和準確性 。非接觸式測量中，各向異性導致的表面光學性質差異，如反射率、折射率在不同晶向的不同，使得光學測量信號出現偏差，難以準確反映襯底的真實厚度分布 。

三、各向異性效應的修正算法

3.1 基于晶向補償的算法

通過對碳化硅襯底晶向的精確識別，建立不同晶向與測量誤差之間的關系模型 。在測量前，利用 X 射線衍射（XRD）等技術確定襯底晶向，然后根據預設的晶向 - 誤差補償表，對測量數據進行修正 。例如，已知某一晶向對應的測量誤差為特定值，在測量時將該誤差值從原始測量數據中扣除，以得到更準確的 TTV 值。

3.2 機器學習修正算法

利用機器學習算法強大的非線性擬合能力，處理各向異性帶來的復雜測量誤差 。收集大量不同晶向、不同條件下的碳化硅 TTV 測量數據及其對應的真實值，構建訓練數據集 。通過訓練神經網絡、支持向量機等模型，學習測量數據與真實值之間的映射關系 。在實際測量中，將測量數據輸入訓練好的模型，模型自動輸出修正后的 TTV 值，實現對各向異性效應的有效修正 。

3.3 動態補償算法

結合測量過程中的實時環境參數（如溫度、濕度等）和測量數據，建立動態補償模型 。考慮到各向異性效應會隨環境變化而改變，動態補償算法通過實時監測環境參數，根據預設的數學模型計算出各向異性對測量結果的影響程度 。然后，根據計算結果對測量數據進行動態修正，以適應測量過程中各向異性效應的變化，提高測量精度 。

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。