【氮化镓】p-GaN栅极退化的温度和结构相关性

论文总结:

  • 本文献深入研究了带有p-GaN栅极的正常关断型(normally-off)高电子迁移率晶体管(GaN-HEMTs)在恒定电压应力下的时序退化行为。通过直流特性分析和温度依赖性分析,研究了故障时间(TTF)与应力温度和器件几何结构的依赖性。结果显示,p-GaN栅极晶体管在7.2V的栅偏压下可达到20年的使用寿命,表明了良好的稳定性。故障时间与应力电压呈指数关系,且退化主要发生在栅极边缘而非中心。此外,TTF与温度有关,具有0.48-0.50 eV的激活能。

研究背景:

  • GaN基晶体管因其在功率电子领域的应用潜力而受到关注。为了实现可靠的正常关断型设备,研究者提出了多种策略,其中基于p型栅极堆叠的方法在市场上得到了广泛应用。因此,研究这些器件的稳定性和可靠性至关重要。

研究目的:

  • 本研究旨在探究p-GaN栅极GaN-HEMTs在恒定电压应力下的退化动力学,以及故障时间与应力温度和器件几何形状的关系。

研究方法:

  • 实验在200mm硅衬底上生长的GaN基高电子迁移率晶体管(HEMTs)上进行。通过改变栅宽(WG)和栅长(LG)来调整器件面积,以研究不同器件几何形状对TTF的影响。在30°C至180°C的温度范围内进行应力测试,以评估TTF是否受热激活。

实验细节:

实验样品:

  • 实验在基于200mm硅衬底生长的GaN高电子迁移率晶体管(HEMTs)上进行。
  • 样品的外延结构包括200nm的AlN层、500nm的Al0.75Ga0.25N、500nm的Al0.44Ga0.66N、2000nm的C掺杂Al0.08Ga0.92N背栅、300nm的GaN和15nm的Al0.25Ga0.75N。
  • 在栅极下,生长了70nm的p-GaN层以实现正常关断操作,其阈值电压为1.7V。

应力测试:

  • 器件在不同电压水平下进行了恒定电压应力测试。
  • 测试期间,持续监测器件的电参数。
  • 为了描述TTF与器件几何形状的依赖性,研究者们对具有不同栅面积的样品进行了应力测试。
  • 通过改变栅宽(WG)和栅长(LG)来调整器件面积。
  • 在30°C至180°C的温度范围内进行测试,以评估TTF是否受热激活。

测试设备和条件:

  • 实验中使用了标准的直流(DC)特性分析和温度依赖性分析。
  • 应力测试期间,栅极电压(VG)、漏极和源极电压(VD和VS)均被设定为0V,以模拟恒定电压应力条件。
  • 测试过程中,记录了栅漏电流随时间的变化,以评估器件的稳定性和预测其寿命。

数据分析:

  • 实验数据通过Weibull分布和Arrhenius方程进行分析,以评估TTF的统计分布和温度依赖性。
  • 通过这些分析方法,研究者们能够确定TTF与应力电压、器件几何形状和温度的关系。

研究结果与机理解释:

温度相关性分析:

  • 实验观察:通过在30°C至180°C的温度范围内对器件进行应力测试,研究者们观察到TTF(Time to Failure,故障时间)随着温度的升高而减少。这一现象表明,高温加速了器件的退化过程。
  • 热激活过程:Arrhenius图显示TTF与温度的关系符合热激活过程,即高温增加了原子和分子的热运动,从而促进了导致器件退化的物理过程。通过Arrhenius方程拟合,研究者们得到了一个激活能在0.48 - 0.50 eV之间的值,这为理解器件在不同温度下的退化机制提供了定量信息。
  • 机制解释:高温可能导致更多的热激发事件,如电荷载流子的注入和陷阱的形成,这些事件可能在p-GaN/AlGaN界面积累,导致电场局部增强和器件最终失效。

栅极结构相关性分析:

  • 栅极结构的影响:研究者们通过改变器件的栅宽(WG)和栅长(LG)来评估器件面积对TTF的影响。结果显示,仅当通过增加栅宽来增加器件面积时,TTF才会减少;而通过改变栅长来增加面积时,TTF没有显著变化。
  • 边缘效应:这一结果表明退化现象主要发生在栅极的边缘区域,而非整个栅极区域。这可能是由于栅极边缘的电场分布不均匀,导致局部电场强度较高,从而更容易产生缺陷和退化。
  • 机制解释:退化可能与栅极边缘的局部电场增强有关,这可能导致电荷载流子的注入和陷阱的形成,进而引发时间依赖性的电击穿(TDDB)或其他退化机制。

研究的创新点和亮点:

  • 本研究首次详细分析了p-GaN栅极GaN-HEMTs的退化动力学,并揭示了退化主要发生在栅极边缘的新颖发现。此外,通过温度依赖性分析,确定了退化过程的热激活特性。

研究的意义和应用前景:

  • 这项研究对于理解和改进GaN-HEMTs的稳定性和可靠性具有重要意义,特别是在高电压应用中。通过揭示退化机制和影响因素,可以指导未来的器件设计和制造过程,以实现更高性能和更长寿命的功率电子器件。这对于推动GaN技术在汽车、工业和消费电子产品中的应用具有积极影响。

图 1: 恒定电压应力测试结果。展示了在9.5V栅压下对10个相同器件进行的恒定电压应力测试结果。在测试初期,栅漏电流相对稳定,并在最初的1-10秒内略有下降。随着时间的推移,栅漏电流开始增加,并伴随着噪声的增加。在1-10千秒的应力时间内,器件突然失效,表明了初始栅漏电流的变异性以及低初始漏电流样品具有更长的TTF。
图 1: 恒定电压应力测试结果。展示了在9.5V栅压下对10个相同器件进行的恒定电压应力测试结果。在测试初期,栅漏电流相对稳定,并在最初的1-10秒内略有下降。随着时间的推移,栅漏电流开始增加,并伴随着噪声的增加。在1-10千秒的应力时间内,器件突然失效,表明了初始栅漏电流的变异性以及低初始漏电流样品具有更长的TTF。
图 3: 应力电压对TTF的影响。通过箱线图展示了在9.5V、9.75V和10V三个不同应力电压下对10个相同样品进行的应力测试结果。数据表明,以7.2V的应力电压进行测试时,器件的寿命可达20年,这证实了所分析技术的鲁棒性。
图 4: TTF与初始栅漏电流的关系。展示了在9.5V、9.75V和10V三个不同应力电压下进行的应力测试中,TTF与初始栅漏电流之间的关系。结果表明,TTF与初始栅漏电流有关,低初始漏电流的器件具有更长的TTF。
图 5: 器件布局示意图。展示了分析器件的布局,包括栅极、源极和漏极的位置,以及栅宽(WG)和栅长(LG)的定义。说明了器件面积可以通过改变栅宽或栅长来增加。
图 6: 器件几何形状对TTF的影响。展示了在10V的相同应力电压下对不同几何形状的器件进行的应力测试结果。结果显示,仅当通过增加栅宽来增加器件面积时,TTF才会减少;而通过改变栅长来增加面积时,TTF没有显著变化。这表明退化主要发生在栅极边缘,而不是整个栅极区域。
图 7: 温度对TTF的影响(Weibull图)。展示了在9.5V栅压下,不同温度水平(30°C至180°C)对10个相同样品进行的应力测试的Weibull图。随着温度的升高,TTF降低,但Weibull分布的形状因子保持在1以上,表明退化机制是内在的。这些结果表明,TTF与温度有关,且退化过程可能受热激活。
图 8: 温度对TTF的影响(Arrhenius图)。展示了在不同温度水平下进行的应力测试结果,并通过Arrhenius图形式展示了TTF与温度的关系。实验数据覆盖了从30°C到180°C的温度范围,以评估温度对TTF的影响。结果表明,随着温度的升高,TTF(即器件的平均寿命)呈现出下降趋势,这与热激活过程的预期一致。通过Arrhenius方程拟合实验数据,得到了一个激活能(Ea)在0.48 - 0.50 eV之间的值,这为理解器件在不同温度下的退化机制提供了重要信息。
图 9: 不同温度水平下TTF与初始栅漏电流的关系。展示了在9.5V栅压下,不同温度水平(30°C至180°C)对器件进行的应力测试中,TTF与初始栅漏电流之间的关系。该图揭示了在不同温度条件下,TTF与初始栅漏电流之间存在强烈的相关性。结果表明,即使在不同的温度下,器件的TTF仍然与初始栅漏电流密切相关,这支持了高温下机制2(正电荷在p-GaN/AlGaN界面的积累)可能加速的假设。这种相关性可能意味着在高温条件下,由于栅漏电流的增加,正电荷在p-GaN/AlGaN界面的积累过程可能更加显著,从而导致器件寿命的缩短。

相关推荐
迅易科技几秒前
借助腾讯云质检平台的新范式,做工业制造企业质检的“AI慧眼”
人工智能·视觉检测·制造
古希腊掌管学习的神1 小时前
[机器学习]XGBoost(3)——确定树的结构
人工智能·机器学习
ZHOU_WUYI1 小时前
4.metagpt中的软件公司智能体 (ProjectManager 角色)
人工智能·metagpt
靴子学长2 小时前
基于字节大模型的论文翻译(含免费源码)
人工智能·深度学习·nlp
AI_NEW_COME3 小时前
知识库管理系统可扩展性深度测评
人工智能
海棠AI实验室3 小时前
AI的进阶之路:从机器学习到深度学习的演变(一)
人工智能·深度学习·机器学习
hunteritself3 小时前
AI Weekly『12月16-22日』:OpenAI公布o3,谷歌发布首个推理模型,GitHub Copilot免费版上线!
人工智能·gpt·chatgpt·github·openai·copilot
南宫生4 小时前
力扣-图论-17【算法学习day.67】
java·学习·算法·leetcode·图论
sanguine__4 小时前
Web APIs学习 (操作DOM BOM)
学习
IT古董4 小时前
【机器学习】机器学习的基本分类-强化学习-策略梯度(Policy Gradient,PG)
人工智能·机器学习·分类