Epitaxia de nitruro de galioestá entrando en una nueva etapa en la fabricación de semiconductores.

Durante años, la calidad de las epi-obleas de GaN ha dependido en gran medida de recetas de crecimiento cuidadosamente optimizadas, ingenieros de procesos experimentados y un monitoreo continuo de las condiciones del reactor. Incluso pequeñas desviaciones en la temperatura del sustrato, la presión de la cámara, la relación de flujo III/V o la reconstrucción de la superficie pueden influir en la calidad final del cristal.

La inteligencia artificial está empezando a cambiar este enfoque.

En lugar de depender únicamente de recetas fijas, las nuevas plataformas de epitaxia combinan datos RHEED en tiempo real, información de sensores de equipos y algoritmos de aprendizaje automático para identificar condiciones de crecimiento, detectar anomalías y, en última instancia, ajustar los parámetros del proceso durante el crecimiento epitaxial.

Un ejemplo reciente proviene de IVWorks de Corea del Sur, que informó en septiembre de 2026 que su sistema de producción de epi-wafer de GaN utiliza modelos de IA para analizar la difracción de electrones de alta energía por reflexión, o RHEED, junto con los datos de los equipos MBE. La compañía afirma que ha acumulado más de 330 millones de puntos de datos de procesos de series temporales y más de 30 TB de datos RHEED desde 2019.

Este desarrollo pone de relieve una tendencia más amplia: la epitaxia del GaN está pasando de la automatización basada en recetas a la fabricación basada en datos y cada vez más autónoma.

Por qué la epitaxia de GaN es difícil de controlar

Los dispositivos GaN se utilizan en aplicaciones que van desde comunicaciones por RF hasta electrónica de potencia de alta frecuencia.

Sin embargo, el rendimiento eléctrico del dispositivo terminado depende en gran medida de la calidad epitaxial.

Las características importantes de la epi-oblea de GaN incluyen:

• Uniformidad del espesor de capa
• Rugosidad de la superficie
• Densidad de defectos cristalinos
• Calidad de la interfaz
• Concentración de portador
• Movilidad electrónica
• Resistencia de la hoja
• Fuga de tampón
• estrés de la oblea
• Arco de oblea
• Densidad de partículas

Estos parámetros están influenciados por muchas condiciones de crecimiento que interactúan.

Durante la epitaxia de haz molecular, por ejemplo, los ingenieros deben controlar variables como:

• Temperatura del sustrato
• flujo de galio
• flujo de nitrógeno
• Índice de crecimiento
• Presión de la cámara
• Condiciones plasmáticas
• Flujo de dopaje
• tiempo de crecimiento
• Reconstrucción de superficie

La dificultad es que estas variables no son independientes.

El cambio de temperatura puede afectar la movilidad de la superficie, la eficiencia de incorporación y la tasa de crecimiento simultáneamente.

Una pequeña desviación que parece insignificante a nivel del equipo puede eventualmente producir diferencias mensurables en el rendimiento eléctrico de la oblea.

Esta es una de las razones por las que el monitoreo de procesos basado en IA está atrayendo la atención.

¿Qué es RHEED?

La difracción de electrones de alta energía por reflexión es una de las técnicas de monitoreo in situ más útiles para MBE.

Durante el crecimiento epitaxial, un haz de electrones de alta energía incide en la superficie de la oblea en un ángulo muy superficial.

Los electrones interactúan con la superficie del cristal y crean un patrón de difracción.

Los ingenieros pueden utilizar este patrón para obtener información sobre la superficie durante el crecimiento sin retirar la oblea del reactor.

RHEED puede proporcionar información relacionada con:

• Reconstrucción de superficie
• Orden de cristal
• Modo de crecimiento
• Rugosidad de la superficie
• Formación de capas
• Transiciones epitaxiales

Diferentes condiciones de la superficie producen diferentes patrones de difracción.

Una superficie bidimensional lisa a menudo produce rayas relativamente nítidas, mientras que la rugosidad o la formación de islas tridimensionales pueden cambiar significativamente el patrón de difracción.

Tradicionalmente, los operadores experimentados interpretan estos patrones visualmente.

Ese enfoque funciona, pero tiene limitaciones.

El problema de la interpretación RHEED únicamente para humanos

Una ejecución de epitaxia moderna puede generar una enorme cantidad de información RHEED.

Una cámara puede registrar continuamente patrones de difracción durante todo el proceso de crecimiento.

Los operadores humanos no pueden analizar de manera realista cada cuadro de manera cuantitativa.

También pueden ocurrir algunos cambios antes de que sean visualmente obvios.

El aprendizaje automático ofrece un enfoque diferente.

En lugar de pedirle a un ingeniero que interprete imágenes individuales, los sistemas de inteligencia artificial pueden analizar secuencias completas de imágenes RHEED e identificar cambios sutiles en:

• Intensidad
• Ancho de raya
• Formación de manchas
• Geometría de difracción
• Evolución temporal
• Estabilidad del patrón

Investigación publicada en el Journal of Vacuum Science & Technology Un análisis demostrado de aprendizaje automático de imágenes RHEED durante el crecimiento de MBE que podría identificar cambios en los regímenes de deposición sobre la marcha. El flujo de trabajo de análisis se diseñó para funcionar en menos de un segundo, lo que ilustra el potencial de los datos de RHEED para convertirse en parte del control de retroalimentación en tiempo real en lugar de simplemente una herramienta de monitoreo.

Del monitoreo RHEED al control de procesos de IA

El cambio importanteesno simplemente usar IA para clasificar imágenes.

El objetivo más amplio es el control de procesos de circuito cerrado.

Un sistema de epitaxia autónomo simplificado puede funcionar de la siguiente manera:

cámara reed
↓
Análisis de imágenes en tiempo real
↓
Modelo de aprendizaje automático
↓
Clasificación del estado de crecimiento
↓
Decisión de proceso
↓
Ajuste de parámetros MBE
↓
Nueva respuesta RHEED

Luego el ciclo se repite.

Esto permite que el sistema de crecimiento responda a la condición real de la oblea en lugar de seguir ciegamente una receta predeterminada.

Por ejemplo, un modelo podría potencialmente detectar que una superficie está comenzando a pasar de un crecimiento suave capa por capa a una formación de islas indeseable.

Luego, el controlador del proceso podría evaluar si se deben ajustar parámetros como la temperatura del sustrato o el flujo de material.

Este concepto se describe cada vez más como epitaxia autónoma o epitaxia autónoma.

Fabricación de GaN MBE controlada por IA

El anuncio de IVWorks de septiembre de 2026 proporciona un ejemplo de GaN industrial.

Según la compañía, su plataforma epitaxia de IA combina información RHEED con datos de equipos de series temporales, como temperatura y presión.

Los modelos de IA evalúan la condición de crecimiento y detectan anomalías, mientras que su marco de automatización MBE maneja operaciones que incluyen la carga de obleas, el crecimiento epitaxial y la descarga. La dirección declarada es reducir la intervención humana y mejorar la estabilidad de la producción.

Esto es importante porque la epitaxia industrial es diferente del crecimiento de laboratorio.

La producción en masa requiere repetibilidad en:

• Múltiples obleas
• Múltiples ejecuciones de crecimiento
• Diferentes operadores
• Largos periodos de funcionamiento del equipo
• Ciclos de mantenimiento preventivo
• Ciclos de reemplazo de consumibles

Una excelente oblea no es suficiente.

Un proveedor comercial de epi-wafer necesita un rendimiento constante, oblea tras oblea.

Cómo la IA podría mejorar la uniformidad de las epi-obleas de GaN

La uniformidad es una de las especificaciones más importantes para las obleas epi de GaN comerciales.

Dependiendo de la estructura del dispositivo, los clientes pueden evaluar:

• Uniformidad del espesor epitaxial.
• Uniformidad de la resistencia de la lámina
• Uniformidad de la concentración del portador
• Uniformidad de movilidad
• Uniformidad de la composición
• Morfología de la superficie
• Arco de oblea

Para una muestra de investigación pequeña, a veces pueden ser aceptables variaciones locales.

Para obleas de producción de 100 mm, 150 mm o 200 mm, pueden afectar directamente el rendimiento del dispositivo.

El control de procesos de IA puede potencialmente mejorar la uniformidad de varias maneras.

1. Detectar antes la desviación del crecimiento

Los reactores MBE no permanecen exactamente iguales.

Las condiciones pueden variar debido a:

• Agotamiento de la fuente
• Recubrimiento de la cámara
• Envejecimiento del equipo
• Cambios de calibración de temperatura
• Variación de la fuente de plasma
• Historial de mantenimiento

Por lo tanto, una receta fija puede producir resultados ligeramente diferentes después de muchos ciclos de crecimiento.

Al combinar los datos del RHEED con los datos de los sensores del equipo, los sistemas de IA pueden detectar la desviación antes que el monitoreo estadístico convencional.

2. Identificación de estados de crecimiento anormales

Un patrón RHEED anormal puede indicar que la superficie está entrando en un régimen de crecimiento indeseable.

La detección temprana permite que el sistema señale la oblea o potencialmente ajuste el proceso antes de que el defecto se vuelva grave.

3. Reducir la variación entre ejecuciones

Un importante desafío de fabricación es mantener las mismas características eléctricas entre lotes.

Los modelos de aprendizaje automático pueden comparar la ejecución actual con grandes conjuntos de datos históricos e identificar desviaciones de trayectorias de crecimiento exitosas anteriormente.

Esto podría ayudar a mejorar la repetibilidad entre ejecuciones.

Control de rugosidad de superficies y IA

La morfología de la superficie afecta fuertemente la fabricación de dispositivos de GaN.

Una mala calidad de la superficie puede influir en:

• Litografía
• contactos metálicos
• Formación de puerta
• Calidad de la interfaz
• Fiabilidad del dispositivo

RHEED es especialmente valioso porque monitorea la superficie del cristal directamente durante el crecimiento.

El análisis RHEED asistido por aprendizaje automático ya ha demostrado que la información de difracción se puede correlacionar con importantes indicadores de calidad de la película en sistemas MBE experimentales.

Por ejemplo, un estudio de 2025 sobre el crecimiento de GaSe MBE mostró que la incorporación de características derivadas de RHEED mejoró los modelos de aprendizaje automático utilizados para predecir métricas de calidad de cristal, respaldando el concepto más amplio de combinar la difracción in situ con datos de proceso para la optimización de la epitaxia.

El material específico de ese estudio no era GaN, por lo que el modelo cuantitativo no puede transferirse simplemente a la producción de GaN. Sin embargo, el enfoque demuestra cómo la información RHEED puede convertirse en una variable de proceso legible por máquina en lugar de solo un diagnóstico visual.

Reducción de defectos y rendimiento

En última instancia, el rendimiento es una de las razones más importantes para introducir un control avanzado de procesos.

Los defectos epitaxiales de GaN pueden incluir:

• Dislocaciones de roscado
• Pozos de superficie
• Montículos
• Grietas
• Partículas
• Defectos de interfaz
• Rugosidad local
• Dopaje no uniforme

No todos los defectos pueden eliminarse mediante la IA.

Muchos se originan por limitaciones fundamentales del sustrato y de la heteroepitaxia.

Sin embargo, la IA puede ayudar a reducir los defectos relacionados con la inestabilidad del proceso.

Por ejemplo, si una combinación particular de evolución del patrón RHEED, deriva de temperatura y presión de la cámara se correlaciona repetidamente con malos resultados posteriores al crecimiento, el modelo puede aprender esa relación.

Las futuras producciones podrían indicar condiciones similares antes de que se complete la oblea.

El objetivo no es que la IA cambie las leyes del crecimiento de los cristales.

Se trata de mantener el proceso de crecimiento dentro de una ventana de proceso más estrecha y repetible.

Por qué son importantes los datos históricos

La epitaxia controlada por la IA depende en gran medida de la calidad de los datos.

Es posible que un modelo entrenado solo con una pequeña cantidad de ejecuciones de crecimiento no comprenda suficientes condiciones del proceso para tomar decisiones confiables.

Esto explica por qué los grandes conjuntos de datos históricos son valiosos.

La información útil puede incluir:

• Vídeo de Rheed
• Temperatura del sustrato
• Presión de la cámara
• Flujo de materiales
• poder plasma
• Índice de crecimiento
• Temperatura de fuente
• tiempo de crecimiento
• Historial de mantenimiento

La caracterización posterior al crecimiento se puede vincular con estos registros de proceso.

Los ejemplos incluyen:

• XRD
• AFM
• Medida de pasillo
• Mapeo de resistencia de la hoja
• Fotoluminiscencia
• Inspección de superficies
• Mapeo de espesor

Esto crea una relación entre:

Condiciones del proceso → comportamiento de la superficie in situ → calidad final de la oblea

Una vez que haya suficientes datos confiables disponibles, el sistema puede comenzar a encontrar relaciones que pueden ser difíciles de identificar manualmente.

De la automatización a la epitaxia autónoma

La automatización tradicional de semiconductores sigue instrucciones predefinidas.

Por ejemplo:

Establezca la temperatura en X.
Abra el obturador de código abierto en el momento Y.
Haga crecer la capa durante Z minutos.

La fabricación autónoma añade otro nivel.

En lugar de limitarse a ejecutar instrucciones, el sistema evalúa la condición actual del proceso antes de decidir qué debe suceder a continuación.

Investigaciones recientes ya han demostrado conceptos de MBE autónomos utilizando RHEED in situ y aprendizaje automático basado en la física. Un estudio de 2026 describió la plataforma SemiEpi, que integra equipos MBE, monitoreo RHEED y control de retroalimentación para ajustar el crecimiento de la heteroestructura de semiconductores.

Investigaciones anteriores también han demostrado el control en tiempo real asistido por aprendizaje automático del crecimiento de puntos cuánticos de InAs/GaAs utilizando vídeo RHEED como entrada para las decisiones de retroalimentación.

Estas demostraciones no equivalen a una fabricación de GaN de gran volumen y totalmente autónoma, pero muestran el camino técnico hacia una epitaxia de circuito cada vez más cerrado.

Lo que la IA no puede reemplazar

La IA no elimina la necesidad de la ciencia de materiales.

La epitaxia de GaN de alta calidad todavía depende de:

• Diseño de reactores
• Calidad del sustrato
• Ingeniería de capa amortiguadora
• Pureza de la fuente
• Calidad del vacío
• Calibración de temperatura
• Preparación adecuada de las galletas
• Desarrollo de procesos experimentado.

Un modelo de IA entrenado con datos de proceso deficientes no producirá automáticamente cristales de GaN excelentes.

El proceso de crecimiento físico todavía determina el material final.

La IA proporciona principalmente una forma más poderosa de monitorear, analizar y controlar ese proceso.

Implicaciones para los compradores de Epi-Wafer de GaN

Para los clientes que compran obleas epi de GaN, la fabricación controlada por IA en sí no debería ser el principal criterio de aceptación.

La especificación final de la oblea sigue siendo más importante.

Una solicitud de cotización de epi-wafer de GaN debe definir claramente los parámetros relevantes.

Tamaño de oblea

Las opciones comunes pueden incluir:

• 2 pulgadas
• 4 pulgadas
• 6 pulgadas
• 8 pulgadas

sustrato

Las posibles plataformas incluyen:

• GaN-sobre-Si
• GaN-sobre-SiC
• GaN sobre zafiro
• GaN independiente

Estructura epitaxial

Los ejemplos incluyen:

• Plantilla de GaN
• AlGaN/GaN HEMT
• Estructura epi de potencia de GaN
• Estructura epi LED
• Epitaxia de investigación personalizada

Espesor de capa

Especifique el espesor de capa y la tolerancia requeridos siempre que sea posible.

Propiedades eléctricas

Dependiendo de la aplicación, las especificaciones pueden incluir:

• Resistencia de la hoja
• Concentración de portador
• Movilidad
• Fuga de tampón
• Requisitos de desglose

Calidad de la superficie

Los clientes pueden especificar:

• rugosidad RMS
• control de partículas
• Pozos de superficie
• Límites de scratch

Geometría de oblea

Para obleas más grandes, los parámetros importantes incluyen:

• televisión
• Arco
• Urdimbre

Uniformidad

Para la fabricación de dispositivos, la uniformidad de centro a borde y de oblea a oblea debe analizarse por separado de los valores promedio.

Por qué la uniformidad es más importante a medida que las obleas de GaN se hacen más grandes

La industria de los semiconductores está moviendo constantemente la producción de GaN hacia formatos de obleas más grandes.

A medida que aumenta el diámetro de la oblea, un pequeño gradiente de proceso puede afectar a una cantidad mucho mayor de dispositivos.

Por ejemplo, variaciones en:

• Temperatura
• Flujo de materiales
• Espesor de capa
• Composición
• Estrés

puede producir diferencias radiales a través de la oblea.

Esta es la razón por la que el control de procesos basado en datos se vuelve cada vez más valioso para la epitaxia de GaN de 150 mm y 200 mm y, potencialmente, para la futura producción de mayor diámetro.

Por tanto, el valor económico de la IA está estrechamente relacionado con la escala de oblea.

Si un mejor control del proceso reduce la variación entre oblea o aumenta el porcentaje de área utilizable de la oblea, el impacto se puede multiplicar en miles de dispositivos.

La epitaxia controlada por IA no elimina la inspección

Incluso un proceso de crecimiento altamente automatizado todavía requiere una caracterización posterior al crecimiento.

Las obleas epi críticas de GaN pueden requerir una combinación de:

• Inspección de superficies
• AFM
• XRD
• Medida de pasillo
• Mapeo de resistencia de la hoja
• Mapeo de espesor
• Inspección óptica
• Medición de arco y urdimbre.

Por lo tanto, el crecimiento controlado por IA y la metrología post-crecimiento deben considerarse complementarios.

El sistema de crecimiento proporciona información en tiempo real.

La inspección final verifica si la oblea cumple con las especificaciones del cliente.

El futuro: gemelos digitales y epitaxia de GaN autooptimizada

La dirección a largo plazo de la epitaxia de los semiconductores puede ir más allá de la simple detección de anomalías.

Las plataformas futuras podrían combinar:

• RHEED en tiempo real
• Datos de los sensores del reactor
• Bases de datos de producción histórica
• Modelos basados ​​en la física
• Aprendizaje automático
• Caracterización automatizada
• gemelos digitales

Una representación digital del proceso de epitaxia podría comparar continuamente el comportamiento de crecimiento previsto con los datos reales del reactor.

Luego, el sistema podría optimizar los parámetros del proceso para objetivos específicos como:

• Menor densidad de defectos
• Rugosidad de la superficie inferior
• Mejor uniformidad de la resistencia de la lámina
• Arco de oblea reducido
• Mayor utilización del equipo

Esto podría resultar especialmente valioso para la epitaxia de GaN personalizada, donde los clientes requieren diferentes estructuras de dispositivos y especificaciones eléctricas.

Conclusión

La epitaxia controlada por IA está cambiando la forma en que se puede monitorear y optimizar la fabricación de epi-obleas de GaN.

RHEED ha servido tradicionalmente como una importante herramienta de observación en tiempo real para el crecimiento de MBE. Al combinar imágenes de RHEED con aprendizaje automático y datos de sensores de equipos, los fabricantes pueden transformar esta información en un sistema de control de procesos más cuantitativo.

Los beneficios potenciales incluyen:

• Detección temprana de anomalías
• Coherencia entre ejecuciones mejorada
• Mejor uniformidad de epi-wafer
• Reducción de la deriva del proceso
• Producción más estable
• Mayor rendimiento efectivo

Los recientes desarrollos industriales en la fabricación de GaN y las demostraciones académicas de MBE autónomos indican que la epitaxia de los semiconductores está pasando gradualmente de la automatización de recetas fijas hacia un control de procesos cada vez más autónomo.

Sin embargo, para los clientes de epi-wafer de GaN, los factores más importantes siguen siendo las especificaciones del material medibles: estructura epitaxial, propiedades eléctricas, calidad de la superficie, geometría de la oblea y uniformidad de oblea a oblea.

La IA no sustituye a la epitaxia de GaN de alta calidad.

Su valor real es ayudar a los fabricantes a lograr esa calidad de manera más consistente, en más obleas y con un control más estricto sobre procesos de crecimiento de semiconductores cada vez más complejos.