Epitaxia de nitreto de gálio está entrando em uma nova fase de fabricação de semicondutores.

Por anos, a qualidade da epi-wafer de GaN dependeu fortemente de receitas de crescimento cuidadosamente otimizadas, engenheiros de processo experientes e monitoramento contínuo das condições do reator. Mesmo pequenos desvios na temperatura do substrato, pressão da câmara, razão de fluxo III/V ou reconstrução da superfície podem influenciar a qualidade final do cristal.

A inteligência artificial está começando a mudar essa abordagem.

Em vez de depender apenas de receitas fixas, novas plataformas de epitaxia estão combinando dados RHEED em tempo real, informações de sensores de equipamentos e algoritmos de aprendizado de máquina para identificar condições de crescimento, detectar anormalidades e, finalmente, ajustar os parâmetros do processo durante o crescimento epitaxial.

Um exemplo recente vem da sul-coreana IVWorks, que relatou em setembro de 2026 que seu sistema de produção de epi-wafers de GaN usa modelos de IA para analisar Difração de Elétrons de Alta Energia por Reflexão, ou RHEED, juntamente com dados de equipamentos MBE. A empresa afirma ter acumulado mais de 330 milhões de pontos de dados de processo de séries temporais e mais de 30 TB de dados RHEED desde 2019.

Este desenvolvimento destaca uma tendência mais ampla: a epitaxia de GaN está se movendo da automação baseada em receitas para a fabricação orientada por dados e cada vez mais autônoma.

Por que a Epitaxia de GaN é Difícil de Controlar

Dispositivos de GaN são usados em aplicações que variam de comunicações de RF a eletrônica de potência de alta frequência.

No entanto, o desempenho elétrico do dispositivo acabado depende fortemente da qualidade epitaxial.

Características importantes da epi-wafer de GaN incluem:

• Uniformidade da espessura da camada
• Rugosidade da superfície
• Densidade de defeitos cristalinos
• Qualidade da interface
• Concentração de portadores
• Mobilidade de elétrons
• Resistência de folha
• Vazamento do buffer
• Tensão da wafer
• Arqueamento da wafer
• Densidade de partículas

Esses parâmetros são influenciados por muitas condições de crescimento interativas.

Durante a Epitaxia por Feixe Molecular, por exemplo, os engenheiros devem controlar variáveis como:

• Temperatura do substrato
• Fluxo de gálio
• Fluxo de nitrogênio
• Taxa de crescimento
• Pressão da câmara
• Condições de plasma
• Fluxo de dopagem
• Tempo de crescimento
• Reconstrução da superfície

A dificuldade é que essas variáveis não são independentes.

Mudar a temperatura pode afetar a mobilidade da superfície, a eficiência de incorporação e a taxa de crescimento simultaneamente.

Um pequeno desvio que parece insignificante no nível do equipamento pode eventualmente produzir diferenças mensuráveis no desempenho elétrico da wafer.

Esta é uma razão pela qual o monitoramento de processo baseado em IA está atraindo atenção.

O que é RHEED?

Difração de Elétrons de Alta Energia por Reflexão é uma das técnicas de monitoramento in-situ mais úteis para MBE.

Durante o crescimento epitaxial, um feixe de elétrons de alta energia atinge a superfície da wafer em um ângulo muito raso.

Os elétrons interagem com a superfície do cristal e criam um padrão de difração.

Os engenheiros podem usar esse padrão para obter informações sobre a superfície durante o crescimento sem remover a wafer do reator.

RHEED pode fornecer informações relacionadas a:

• Reconstrução da superfície
• Ordem cristalina
• Modo de crescimento
• Rugosidade da superfície
• Formação de camada
• Transições epitaxiais

Diferentes condições de superfície produzem diferentes padrões de difração.

Uma superfície lisa bidimensional frequentemente produz estrias relativamente nítidas, enquanto o enrugamento ou a formação de ilhas tridimensionais podem alterar o padrão de difração significativamente.

Tradicionalmente, operadores experientes interpretam esses padrões visualmente.

Essa abordagem funciona, mas tem limitações.

O Problema com a Interpretação de RHEED Apenas por Humanos

Uma execução moderna de epitaxia pode gerar uma enorme quantidade de informações RHEED.

Uma câmera pode registrar continuamente padrões de difração durante todo o processo de crescimento.

Operadores humanos não podem analisar realisticamente cada quadro quantitativamente.

Algumas mudanças também podem ocorrer antes de se tornarem visualmente óbvias.

O aprendizado de máquina oferece uma abordagem diferente.

Em vez de pedir a um engenheiro para interpretar imagens individuais, sistemas de IA podem analisar sequências inteiras de imagens RHEED e identificar mudanças sutis em:

• Intensidade
• Largura da estria
• Formação de ponto
• Geometria de difração
• Evolução temporal
• Estabilidade do padrão

Pesquisas publicadas no Journal of Vacuum Science & Technology A demonstraram análise de aprendizado de máquina de imagens RHEED durante o crescimento MBE que poderia identificar mudanças em regimes de deposição em tempo real. O fluxo de trabalho de análise foi projetado para operar em menos de um segundo, ilustrando o potencial dos dados RHEED se tornarem parte do controle de feedback em tempo real, em vez de simplesmente uma ferramenta de monitoramento.

Do Monitoramento RHEED ao Controle de Processo por IA

A mudança importante é não simplesmente usar IA para classificar imagens.

O objetivo maior é o controle de processo em malha fechada.

Um sistema de epitaxia autônomo simplificado pode operar da seguinte forma:

Câmera RHEED
↓
Análise de imagem em tempo real
↓
Modelo de aprendizado de máquina
↓
Classificação do estado de crescimento
↓
Decisão de processo
↓
Ajuste de parâmetros MBE
↓
Nova resposta RHEED

O ciclo então se repete.

Isso permite que o sistema de crescimento responda à condição real da wafer em vez de seguir cegamente uma receita predeterminada.

Por exemplo, um modelo poderia potencialmente detectar que uma superfície está começando a transitar de crescimento liso camada por camada para formação indesejada de ilhas.

O controlador de processo poderia então avaliar se parâmetros como temperatura do substrato ou fluxo de material devem ser ajustados.

Este conceito é cada vez mais descrito como epitaxia autônoma ou epitaxia autônoma.

Fabricação de GaN MBE Controlada por IA

O anúncio da IVWorks de setembro de 2026 fornece um exemplo industrial de GaN.

De acordo com a empresa, sua plataforma de epitaxia de IA combina informações RHEED com dados de equipamentos de séries temporais, como temperatura e pressão.

Modelos de IA avaliam a condição de crescimento e detectam anormalidades, enquanto seu framework de automação MBE gerencia operações, incluindo carregamento de wafer, crescimento epitaxial e descarregamento. A direção declarada é reduzir a intervenção humana e melhorar a estabilidade da produção.

Isso é importante porque a epitaxia industrial é diferente do crescimento em laboratório.

A produção em massa requer repetibilidade em:

• Múltiplas wafers
• Múltiplas execuções de crescimento
• Diferentes operadores
• Longos períodos de operação do equipamento
• Ciclos de manutenção preventiva
• Ciclos de substituição de consumíveis

Uma única wafer excelente não é suficiente.

Um fornecedor comercial de epi-wafers precisa de desempenho consistente wafer após wafer.

Como a IA Pode Melhorar a Uniformidade da Epi-Wafer de GaN

A uniformidade é uma das especificações mais importantes para epi-wafers comerciais de GaN.

Dependendo da estrutura do dispositivo, os clientes podem avaliar:

• Uniformidade da espessura epitaxial
• Uniformidade da resistência de folha
• Uniformidade da concentração de portadores
• Uniformidade da mobilidade
• Uniformidade da composição de Al
• Morfologia da superfície
• Arqueamento da wafer

Para uma pequena amostra de pesquisa, variações locais podem ser aceitáveis às vezes.

Para wafers de produção de 100 mm, 150 mm ou 200 mm, elas podem afetar diretamente o rendimento do dispositivo.

O controle de processo por IA pode potencialmente melhorar a uniformidade de várias maneiras.

1. Detectando Deriva de Crescimento Mais Cedo

Reatores MBE não permanecem perfeitamente inalterados.

As condições podem derivar devido a:

• Esgotamento da fonte
• Revestimento da câmara
• Envelhecimento do equipamento
• Mudanças na calibração de temperatura
• Variação da fonte de plasma
• Histórico de manutenção

Uma receita fixa pode, portanto, produzir resultados ligeiramente diferentes após muitos ciclos de crescimento.

Ao combinar dados RHEED com dados de sensores de equipamentos, sistemas de IA podem detectar deriva mais cedo do que o monitoramento estatístico convencional.

2. Identificando Estados de Crescimento Anormais

Um padrão RHEED anormal pode indicar que a superfície está entrando em um regime de crescimento indesejável.

A detecção precoce permite que o sistema sinalize a wafer ou ajuste potencialmente o processo antes que o defeito se torne grave.

3. Reduzindo a Variação de Execução para Execução

Um grande desafio de fabricação é manter as mesmas características elétricas entre os lotes.

Modelos de aprendizado de máquina podem comparar a execução atual com grandes conjuntos de dados históricos e identificar desvios de trajetórias de crescimento bem-sucedidas anteriormente.

Isso poderia ajudar a melhorar a repetibilidade de execução para execução.

IA e Controle de Rugosidade da Superfície

A morfologia da superfície afeta fortemente a fabricação de dispositivos de GaN.

Má qualidade de superfície pode influenciar:

• Litografia
• Contatos metálicos
• Formação de gate
• Qualidade da interface
• Confiabilidade do dispositivo

RHEED é especialmente valioso porque monitora diretamente a superfície do cristal durante o crescimento.

A análise RHEED assistida por aprendizado de máquina já demonstrou que a informação de difração pode ser correlacionada com indicadores importantes de qualidade do filme em sistemas MBE experimentais.

Por exemplo, um estudo de 2025 sobre crescimento MBE de GaSe mostrou que a incorporação de recursos derivados de RHEED melhorou modelos de aprendizado de máquina usados para prever métricas de qualidade de cristal, apoiando o conceito mais amplo de combinar difração in-situ com dados de processo para otimização de epitaxia.

O material específico neste estudo não era GaN, portanto, o modelo quantitativo não pode ser simplesmente transferido para a produção de GaN. No entanto, a abordagem demonstra como a informação RHEED pode se tornar uma variável de processo legível por máquina, em vez de apenas um diagnóstico visual.

Redução de Defeitos e Rendimento

O rendimento é, em última análise, uma das razões mais importantes para introduzir controle de processo avançado.

Defeitos de epitaxia de GaN podem incluir:

• Deslocamentos de rosca
• Pits de superfície
• Hillocks
• Rachaduras
• Partículas
• Defeitos de interface
• Rugosidade local
• Dopagem não uniforme

Nem todo defeito pode ser eliminado por IA.

Muitos se originam de limitações fundamentais do substrato e da heteroepitaxia.

No entanto, a IA pode ajudar a reduzir defeitos relacionados à instabilidade do processo.

Por exemplo, se uma combinação particular de evolução do padrão RHEED, deriva de temperatura e pressão da câmara se correlaciona repetidamente com resultados ruins pós-crescimento, o modelo pode aprender essa relação.

Execuções de produção futuras poderiam então sinalizar condições semelhantes antes que a wafer seja concluída.

O objetivo não é que a IA mude as leis do crescimento cristalino.

É manter o processo de crescimento dentro de uma janela de processo mais estreita e repetível.

Por que Dados Históricos São Importantes

A epitaxia controlada por IA depende fortemente da qualidade dos dados.

Um modelo treinado em apenas um pequeno número de execuções de crescimento pode não entender condições de processo suficientes para tomar decisões confiáveis.

Isso explica por que grandes conjuntos de dados históricos são valiosos.

Informações úteis podem incluir:

• Vídeo RHEED
• Temperatura do substrato
• Pressão da câmara
• Fluxo de material
• Potência do plasma
• Taxa de crescimento
• Temperatura da fonte
• Tempo de crescimento
• Histórico de manutenção

A caracterização pós-crescimento pode então ser vinculada a esses registros de processo.

Exemplos incluem:

• XRD
• AFM
• Medição Hall
• Mapeamento de resistência de folha
• Fotoluminescência
• Inspeção de superfície
• Mapeamento de espessura

Isso cria uma relação entre:

Condições de processo → comportamento da superfície in-situ → qualidade final da wafer

Uma vez que dados confiáveis suficientes estejam disponíveis, o sistema pode começar a encontrar relações que podem ser difíceis de identificar manualmente.

Da Automação à Epitaxia Autônoma

A automação tradicional de semicondutores segue instruções predefinidas.

Por exemplo:

Definir temperatura para X.
Abrir obturador da fonte no tempo Y.
Crescer camada por Z minutos.

A fabricação autônoma adiciona outro nível.

Em vez de apenas executar instruções, o sistema avalia a condição atual do processo antes de decidir o que deve acontecer a seguir.

Pesquisas recentes já demonstraram conceitos de MBE autônoma usando RHEED in-situ e aprendizado de máquina com base em física. Um estudo de 2026 descreveu a plataforma SemiEpi, que integra equipamentos MBE, monitoramento RHEED e controle de feedback para ajustar o crescimento de heterostruturas de semicondutores.

Pesquisas anteriores também demonstraram controle em tempo real assistido por aprendizado de máquina do crescimento de pontos quânticos InAs/GaAs usando vídeo RHEED como entrada para decisões de feedback.

Essas demonstrações não são equivalentes à fabricação de GaN de alto volume totalmente autônoma, mas mostram o caminho técnico para uma epitaxia cada vez mais em malha fechada.

O que a IA Não Pode Substituir

A IA não elimina a necessidade de ciência de materiais.

A epitaxia de GaN de alta qualidade ainda depende de:

• Projeto do reator
• Qualidade do substrato
• Engenharia de camada de buffer
• Pureza da fonte
• Qualidade do vácuo
• Calibração de temperatura
• Preparação adequada da wafer
• Desenvolvimento de processo experiente

Um modelo de IA treinado com dados de processo ruins não produzirá automaticamente cristais de GaN excelentes.

O processo físico de crescimento ainda determina o material final.

A IA fornece principalmente uma maneira mais poderosa de monitorar, analisar e controlar esse processo.

Implicações para Compradores de Epi-Wafer de GaN

Para clientes que compram epi-wafers de GaN, a fabricação controlada por IA em si não deve ser o principal critério de aceitação.

A especificação final da wafer permanece mais importante.

Um RFQ de epi-wafer de GaN deve definir claramente os parâmetros relevantes.

Tamanho da Wafer

Opções comuns podem incluir:

• 2 polegadas
• 4 polegadas
• 6 polegadas
• 8 polegadas

Substrato

Plataformas possíveis incluem:

• GaN-on-Si
• GaN-on-SiC
• GaN-on-Sapphire
• GaN autônomo

Estrutura Epitelial

Exemplos incluem:

• Template de GaN
• HEMT AlGaN/GaN
• Estrutura de energia GaN
• Estrutura de LED
• Epitaxia de pesquisa personalizada

Espessura da Camada

Especifique a espessura da camada necessária e a tolerância sempre que possível.

Propriedades Elétricas

Dependendo da aplicação, as especificações podem incluir:

• Resistência de folha
• Concentração de portadores
• Mobilidade
• Vazamento do buffer
• Requisitos de ruptura

Qualidade da Superfície

Os clientes podem especificar:

• Rugosidade RMS
• Controle de partículas
• Pits de superfície
• Limites de arranhões

Geometria da Wafer

Para wafers maiores, parâmetros importantes incluem:

• TTV
• Arqueamento
• Distorção

Uniformidade

Para fabricação de dispositivos, a uniformidade centro-a-borda e wafer-a-wafer deve ser discutida separadamente dos valores médios.

Por que a Uniformidade Importa Mais à Medida que as Wafers de GaN se Tornam Maiores

A indústria de semicondutores está gradualmente movendo a produção de GaN para formatos de wafer maiores.

À medida que o diâmetro da wafer aumenta, um pequeno gradiente de processo pode afetar um número muito maior de dispositivos.

Por exemplo, variações em:

• Temperatura
• Fluxo de material
• Espessura da camada
• Composição
• Tensão

podem produzir diferenças radiais na wafer.

É por isso que o controle de processo orientado por dados se torna cada vez mais valioso para epitaxia de GaN de 150 mm e 200 mm e, potencialmente, para futuras produções de diâmetro maior.

O valor econômico da IA está, portanto, intimamente relacionado à escala da wafer.

Se o controle de processo aprimorado reduzir a variação wafer-a-wafer ou aumentar a porcentagem de área de wafer utilizável, o impacto pode ser multiplicado por milhares de dispositivos.

A Epitaxia Controlada por IA Não Elimina a Inspeção

Mesmo um processo de crescimento altamente automatizado ainda requer caracterização pós-crescimento.

Epi-wafers de GaN críticas podem exigir uma combinação de:

• Inspeção de superfície
• AFM
• XRD
• Medição Hall
• Mapeamento de resistência de folha
• Mapeamento de espessura
• Inspeção óptica
• Medição de arqueamento e distorção

O crescimento controlado por IA e a metrologia pós-crescimento devem, portanto, ser considerados complementares.

O sistema de crescimento fornece informações em tempo real.

A inspeção final verifica se a wafer atende à especificação do cliente.

O Futuro: Gêmeos Digitais e Epitaxia de GaN Auto-Otimizada

A direção de longo prazo da epitaxia de semicondutores pode ir além da simples detecção de anomalias.

Plataformas futuras podem combinar:

• RHEED em tempo real
• Dados de sensores do reator
• Bancos de dados de produção históricos
• Modelos baseados em física
• Aprendizado de máquina
• Caracterização automatizada
• Gêmeos digitais

Uma representação digital do processo de epitaxia poderia comparar continuamente o comportamento de crescimento previsto com os dados reais do reator.

O sistema poderia então otimizar os parâmetros do processo para alvos específicos, como:

• Menor densidade de defeitos
• Menor rugosidade da superfície
• Melhor uniformidade da resistência de folha
• Menor arqueamento da wafer
• Maior utilização do equipamento

Isso poderia ser especialmente valioso para epitaxia personalizada de GaN, onde os clientes exigem diferentes estruturas de dispositivo e especificações elétricas.

Conclusão

A epitaxia controlada por IA está mudando a forma como a fabricação de epi-wafers de GaN pode ser monitorada e otimizada.

O RHEED tem servido tradicionalmente como uma importante ferramenta de observação em tempo real para o crescimento MBE. Ao combinar imagens RHEED com aprendizado de máquina e dados de sensores de equipamentos, os fabricantes podem transformar essas informações em um sistema de controle de processo mais quantitativo.

Os benefícios potenciais incluem:

• Detecção mais precoce de anormalidades
• Melhor consistência de execução para execução
• Melhor uniformidade da epi-wafer
• Menor deriva do processo
• Produção mais estável
• Maior rendimento efetivo

Desenvolvimentos industriais recentes na fabricação de GaN e demonstrações acadêmicas de MBE autônoma indicam que a epitaxia de semicondutores está gradualmente se movendo da automação de receitas fixas para um controle de processo cada vez mais autônomo.

Para clientes de epi-wafers de GaN, no entanto, os fatores mais importantes permanecem as especificações mensuráveis do material: estrutura epitaxial, propriedades elétricas, qualidade da superfície, geometria da wafer e uniformidade wafer-a-wafer.

A IA não é um substituto para a epitaxia de GaN de alta qualidade.

Seu valor real é ajudar os fabricantes a alcançar essa qualidade de forma mais consistente, em mais wafers e com controle mais rigoroso sobre processos de crescimento de semicondutores cada vez mais complexos.