CZ硅单晶等径生长阶段关键参数优化研究
发布时间：2021-07-28 14:25
随着大规模集成电路的迅速发展,对硅单晶的品质及尺寸提出了更高的要求。大批量制备高品质IC级硅单晶通常采用直拉法（Czochralski）,完整的晶体制备过程长达几十个小时,而等径生长阶段是硅单晶生长过程中耗时最长且最重要的环节。直拉法硅单晶生长工艺参数的精确控制决定了硅单晶的品质,目前硅单晶生长工艺参数调节主要依赖于人工经验并通过多次实验获得,耗时长且成本高,因此硅单晶生长过程关键参数优化研究是硅单晶生长领域亟需解决的核心问题。晶体直径是硅单晶等径生长阶段评价硅单晶品质的重要指标,而CZ硅单晶等径生长过程中涉及众多特征参数,且参数间相互影响,所以需剔除与晶体直径无关特征和冗余特征,识别出影响晶体直径的关键参数,构建关键参数与晶体直径系统模型,通过优化调节等径阶段关键参数控制晶体直径的一致性,以达到提高硅单晶品质的目的。虽然硅单晶生长过程中的非线性、大时滞和时变等特性造成机理建模过程复杂且模型求解困难,但生长过程的输入、输出数据以及生长设备运行过程数据较易采集,因此本文基于硅单晶生长过程数据建立系统模型。本文研究的重点包括对CZ硅单晶等径生长阶段影响晶体直径的关键参数进行识别,建立关键参...
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
直拉法硅单晶生长工艺流程
2硅单晶生长原理及其特性分析7(a)化料(b)引晶(c)缩颈(d)放肩(e)等径(f)收尾图2.2直拉法硅单晶生长工艺流程(a)单晶硅棒(b)单晶硅抛光片图2.3单晶硅棒和单晶硅抛光片2.3CZ硅单晶生长过程特性分析CZ硅单晶生长过程是一个非常复杂的物理相变过程，存在非线性、大时滞和时变等生长特性[23]。非线性特性主要表现为晶体生长过程中热传导及热对流现象[24]。一方面，坩埚中的硅熔液不断凝固形成硅单晶的相变过程中存在复杂的吸热、散热现象，且随着单晶硅棒的生长，坩埚内的硅熔液液面不断下降，以热传导方式进入硅熔液
3CZ硅单晶等径阶段关键参数识别12析特征参数间的线性相关度。第个特征参数与第个特征参数间的Pearson相关系数可表示为：=∑()()=11,,=1,2,…,(3.1)式中，为样本个数，为特征参数维度，||∈[0,1]。若||=1，则特征参数与特征参数完全线性相关；若||=0，则特征参数与特征参数不存在线性相关关系。选取EKZ-2700单晶炉制备直径为155mm硅单晶等径生长阶段=15609个=13维特征参数测量数据作为样本集合，计算该样本点集合Pearson相关系数矩阵，Pearson相关系数热度图如图3.5所示。相关系数越接近1，参数间的线性相关程度越高，一般||≥0.9即认为参数与参数存在极强线性相关，参数与参数相互冗余。因此，剔除||≥0.9的平均拉速、加热器功率、平均温度、温度增量、熔液温度、压力控制阀等6维冗余特征，剩余特征参数如表3.2所示。图3.2特征参数间Pearson系数热度图表3.2剔除冗余特征后特征参数列表变量参数1提拉速度2坩埚提升速度
【参考文献】：
期刊论文
[1]基于响应面法的直拉硅单晶生长工艺参数优化方法[J]. 张晶,潘亚妮,刘丁,牟伟明. 人工晶体学报. 2018(12)
[2]大数据驱动的晶圆工期预测关键参数识别方法[J]. 汪俊亮,张洁. 机械工程学报. 2018(23)
[3]硅单晶生长工艺参数建模及多目标优化[J]. 黄伟超,刘丁. 人工晶体学报. 2017(11)
[4]加热器/坩埚相对位置对ф200mm单晶硅生长过程中温度场和晶体质量的影响[J]. 高忙忙,朱博,李进,景华玉,董法运,梁森,李海波. 硅酸盐通报. 2016(11)
[5]非线性模型预测控制的研究进展[J]. 赵国荣,盖俊峰,胡正高,刘文宝. 海军航空工程学院学报. 2014(03)
[6]一种基于κ-近邻互信息变化率的输入变量选择方法[J]. 韩敏,梁志平. 控制与决策. 2012(06)
[7]基于粒子群算法的时滞动力学系统时滞辨识[J]. 陈龙祥,蔡国平. 应用力学学报. 2010(03)
[8]利用NARX神经网络由IMF与太阳风预测暴时SYM-H指数[J]. 蔡磊,马淑英,蔡红涛,周云良,刘若思. 中国科学(技术科学). 2010(01)
[9]时滞时变对象参数辨识方法[J]. 孙建平,闫永跃,于树新,李庆周. 电光与控制. 2008(01)
[10]时滞系统的辨识及NARMA模型的修正[J]. 王冬青. 中国工程科学. 2006(02)
博士论文
[1]神经网络预测控制中的滚动优化方法研究[D]. 樊兆峰.中国矿业大学 2015
[2]直拉式单晶硅生长炉的关键技术研究[D]. 曹建伟.浙江大学 2010
[3]直拉单晶硅的晶体生长及缺陷研究[D]. 田达晰.浙江大学 2010
[4]一类非线性系统预测控制中的建模问题[D]. 罗秋滨.哈尔滨工业大学 2008
[5]基于支持向量机的非线性系统辨识建模与控制[D]. 何熠.天津大学 2007
硕士论文
[1]直拉硅单晶生长中晶体直径模型辨识方法研究[D]. 杨曼.西安理工大学 2019
[2]基于数据挖掘的单晶硅等径生长过程“掉苞”预测方法研究[D]. 杜佳晨.浙江大学 2019
[3]CZ硅单晶等径阶段热场温度建模与控制方法研究[D]. 景坤雷.西安理工大学 2018
[4]基于数据挖掘的针织产品质量控制研究[D]. 刘鹏飞.江南大学 2018
[5]基于过滤法的信息论特征选择算法研究[D]. 张平.吉林大学 2018
[6]硅单晶等径阶段直径模型辨识与控制研究[D]. 段伟锋.西安理工大学 2017
[7]直拉单晶炉生长系统模型预测控制方法研究[D]. 严博涛.西安理工大学 2010
[8]基于奇异值分解的神经网络结构优化设计及其应用[D]. 韩子博.华北电力大学（河北） 2010
本文编号：3308081
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
直拉法硅单晶生长工艺流程
2硅单晶生长原理及其特性分析7(a)化料(b)引晶(c)缩颈(d)放肩(e)等径(f)收尾图2.2直拉法硅单晶生长工艺流程(a)单晶硅棒(b)单晶硅抛光片图2.3单晶硅棒和单晶硅抛光片2.3CZ硅单晶生长过程特性分析CZ硅单晶生长过程是一个非常复杂的物理相变过程，存在非线性、大时滞和时变等生长特性[23]。非线性特性主要表现为晶体生长过程中热传导及热对流现象[24]。一方面，坩埚中的硅熔液不断凝固形成硅单晶的相变过程中存在复杂的吸热、散热现象，且随着单晶硅棒的生长，坩埚内的硅熔液液面不断下降，以热传导方式进入硅熔液
3CZ硅单晶等径阶段关键参数识别12析特征参数间的线性相关度。第个特征参数与第个特征参数间的Pearson相关系数可表示为：=∑()()=11,,=1,2,…,(3.1)式中，为样本个数，为特征参数维度，||∈[0,1]。若||=1，则特征参数与特征参数完全线性相关；若||=0，则特征参数与特征参数不存在线性相关关系。选取EKZ-2700单晶炉制备直径为155mm硅单晶等径生长阶段=15609个=13维特征参数测量数据作为样本集合，计算该样本点集合Pearson相关系数矩阵，Pearson相关系数热度图如图3.5所示。相关系数越接近1，参数间的线性相关程度越高，一般||≥0.9即认为参数与参数存在极强线性相关，参数与参数相互冗余。因此，剔除||≥0.9的平均拉速、加热器功率、平均温度、温度增量、熔液温度、压力控制阀等6维冗余特征，剩余特征参数如表3.2所示。图3.2特征参数间Pearson系数热度图表3.2剔除冗余特征后特征参数列表变量参数1提拉速度2坩埚提升速度
【参考文献】：
期刊论文
[1]基于响应面法的直拉硅单晶生长工艺参数优化方法[J]. 张晶,潘亚妮,刘丁,牟伟明. 人工晶体学报. 2018(12)
[2]大数据驱动的晶圆工期预测关键参数识别方法[J]. 汪俊亮,张洁. 机械工程学报. 2018(23)
[3]硅单晶生长工艺参数建模及多目标优化[J]. 黄伟超,刘丁. 人工晶体学报. 2017(11)
[4]加热器/坩埚相对位置对ф200mm单晶硅生长过程中温度场和晶体质量的影响[J]. 高忙忙,朱博,李进,景华玉,董法运,梁森,李海波. 硅酸盐通报. 2016(11)
[5]非线性模型预测控制的研究进展[J]. 赵国荣,盖俊峰,胡正高,刘文宝. 海军航空工程学院学报. 2014(03)
[6]一种基于κ-近邻互信息变化率的输入变量选择方法[J]. 韩敏,梁志平. 控制与决策. 2012(06)
[7]基于粒子群算法的时滞动力学系统时滞辨识[J]. 陈龙祥,蔡国平. 应用力学学报. 2010(03)
[8]利用NARX神经网络由IMF与太阳风预测暴时SYM-H指数[J]. 蔡磊,马淑英,蔡红涛,周云良,刘若思. 中国科学(技术科学). 2010(01)
[9]时滞时变对象参数辨识方法[J]. 孙建平,闫永跃,于树新,李庆周. 电光与控制. 2008(01)
[10]时滞系统的辨识及NARMA模型的修正[J]. 王冬青. 中国工程科学. 2006(02)
博士论文
[1]神经网络预测控制中的滚动优化方法研究[D]. 樊兆峰.中国矿业大学 2015
[2]直拉式单晶硅生长炉的关键技术研究[D]. 曹建伟.浙江大学 2010
[3]直拉单晶硅的晶体生长及缺陷研究[D]. 田达晰.浙江大学 2010
[4]一类非线性系统预测控制中的建模问题[D]. 罗秋滨.哈尔滨工业大学 2008
[5]基于支持向量机的非线性系统辨识建模与控制[D]. 何熠.天津大学 2007
硕士论文
[1]直拉硅单晶生长中晶体直径模型辨识方法研究[D]. 杨曼.西安理工大学 2019
[2]基于数据挖掘的单晶硅等径生长过程“掉苞”预测方法研究[D]. 杜佳晨.浙江大学 2019
[3]CZ硅单晶等径阶段热场温度建模与控制方法研究[D]. 景坤雷.西安理工大学 2018
[4]基于数据挖掘的针织产品质量控制研究[D]. 刘鹏飞.江南大学 2018
[5]基于过滤法的信息论特征选择算法研究[D]. 张平.吉林大学 2018
[6]硅单晶等径阶段直径模型辨识与控制研究[D]. 段伟锋.西安理工大学 2017
[7]直拉单晶炉生长系统模型预测控制方法研究[D]. 严博涛.西安理工大学 2010
[8]基于奇异值分解的神经网络结构优化设计及其应用[D]. 韩子博.华北电力大学（河北） 2010
本文编号：3308081
本文链接：https://www.wllwen.com/kejilunwen/huaxue/3308081.html
教材专著
