电感耦合等离子刻蚀

引言

众所周知,化合物半导体中不同的原子比对材料的蚀刻特性有很大的影响。为了对蚀刻速率和表面形态的精确控制,通过使用低至25nm的薄器件阻挡层的,从而增加了制造的复杂性。本研究对比了三氯化硼与氯气的偏置功率,以及气体比对等离子体腐蚀高铝含量AlGaN与AlN在蚀刻速率、选择性和表面形貌方面的影响。

蚀刻速率受偏置功率和气体化学性质的影响很大。英思特详细说明了AlGaN的Al组成的微小变化的影响,并显示了与AlN相比,相对于偏置功率的蚀刻速率的显著变化。

实验与讨论

本研究采用金属有机化学气相沉积(MOCVD)培养了三种不同的样品,包括Al0.71Ga0.29N、Al0.85Ga0.15N和AlN。所有三个样品都在1.3mm厚的蓝宝石基板上的AlN缓冲层上生长。为了评估偏置功率对蚀刻速率和表面形貌的影响,在腔室压力(3mTorr)、ICP功率(125W)和气体流量(20%三氯化硼+5sccmAr)的条件下,将偏置功率从10W扫到100W。

图1显示了所有三种成分的蚀刻速率。我们观察到随着蚀刻率的线性增加,Al0.71Ga0.29N组成的调查偏差功率为100W。然而,Al0.85Ga0.15N和AlN蚀刻率呈现非线性趋势,即使在较低偏置功率下,都显示接近饱和蚀刻率100W偏置功率。

图1:偏置功率对蚀刻率的影响

如图2所示,与Al0.85Ga0.15N和AlN相比,Al0.71Ga0.29N对偏压功率表面粗糙度的响应显示出不同的趋势,其类似于图1中显示出的不同趋势的蚀刻速率。与Al0.71Ga0.29N相比,Al0.85Ga0.15N和AlN在10W至20W范围内表现出更大的表面粗糙度,在更低的偏置功率下过渡到更光滑的表面。

随着Al含量的降低,这种蚀刻机制的平衡得到改善,并且与较高的含Al成分相比,在低偏压下会导致较低的表面粗糙度。总的来说,对于后处理制造来说,30W以上的所有三种组合物的亚纳米表面粗糙度都是可接受的。

结论

英思特实验发现,当保持压力、ICP功率和总气体流量不变时,Al0.71Ga0.29N的蚀刻速率在高达100 W的偏压功率下呈现线性趋势,而Al0.85Ga0.15N和AlN都呈现接近饱和的非线性蚀刻速率。其结果表明,即使Al的含量发生微小变化,也会导致显著的蚀刻速率和表面形态趋势。

同样,所研究的较低Al含量,Al0.71Ga0.29N,随着BCl3与Cl2比率的变化,显示出对表面形态的不同响应。此外,对于高Cl2含量的等离子体蚀刻,其表面氧化导致蚀刻速率的显著降低以及表面粗糙度的增加。

相关推荐
从零开始学习人工智能15 分钟前
GPUStack:开源GPU集群管理工具,解锁AI模型高效运行新可能
人工智能·开源
C嘎嘎嵌入式开发23 分钟前
(六)机器学习之图卷积网络
人工智能·python·机器学习
Msshu1231 小时前
PD快充诱骗协议芯片XSP25支持PD+QC+FCP+SCP+AFC协议支持通过串口读取充电器功率信息
人工智能
一RTOS一3 小时前
东土科技连投三家核心企业 发力具身机器人领域
人工智能·科技·机器人·具身智能·鸿道实时操作系统·国产嵌入式操作系统选型
ACP广源盛139246256735 小时前
(ACP广源盛)GSV1175---- MIPI/LVDS 转 Type-C/DisplayPort 1.2 转换器产品说明及功能分享
人工智能·音视频
胡耀超5 小时前
隐私计算技术全景:从联邦学习到可信执行环境的实战指南—数据安全——隐私计算 联邦学习 多方安全计算 可信执行环境 差分隐私
人工智能·安全·数据安全·tee·联邦学习·差分隐私·隐私计算
停停的茶6 小时前
深度学习(目标检测)
人工智能·深度学习·目标检测
Y200309167 小时前
基于 CIFAR10 数据集的卷积神经网络(CNN)模型训练与集成学习
人工智能·cnn·集成学习
老兵发新帖7 小时前
主流神经网络快速应用指南
人工智能·深度学习·神经网络
AI量化投资实验室7 小时前
15年122倍,年化43.58%,回撤才20%,Optuna机器学习多目标调参backtrader,附python代码
人工智能·python·机器学习