【氮化镓】TCAD模拟研究Mg沟道注入对GaN器件结终端扩展的影响

文章核心观点

本研究通过TCAD模拟,探讨了不同镁离子注入技术对氮化镓(GaN)基结终止扩展(JTE)结构的性能影响。研究人员比较了两种镁离子注入技术:通道注入和随机注入,并分析了其对JTE结构的击穿电压(BV)和电场分布的影响。

主要发现: 通道注入的JTE结构相比随机注入的JTE结构,具有更宽的最佳JTE剂量窗口,这意味着它对剂量波动更加宽容,有利于器件制造。通道注入形成的深度梯级镁分布,能够更有效地抑制电场集中,从而提高器件的BV。 通道注入的JTE结构在考虑钝化层/氮化镓界面电荷时,也表现出更好的性能。

结论: 通道注入技术为GaN基JTE结构的设计和制造提供了一种新的思路,有望提高器件的击穿电压和制造良率。

一、研究背景与意义

GaN 材料因其优异的物理特性,例如高击穿电场和高电子迁移率,被认为是高压功率器件的理想选择。然而,目前商业化的 GaN 功率器件主要采用横向结构,存在一些局限性,例如器件尺寸较大、成本较高。为了克服这些局限性,垂直结构 GaN 功率器件逐渐成为研究热点。

垂直结构 GaN 功率器件具有许多优势,例如更高的击穿电压、更小的芯片尺寸、更高的功率密度等。然而,实现高性能垂直结构 GaN 功率器件的关键之一是设计合适的边缘终止结构。边缘终止结构的主要作用是防止器件边缘的电场集中,从而提高器件的击穿电压和可靠性。

JTE 结构是一种常用的边缘终止技术,它通过在器件边缘注入 p 型杂质,形成梯度掺杂区,从而有效地抑制电场集中。然而,传统的 JTE 结构对 JTE 剂量要求非常严格,需要精确控制掺杂浓度,才能获得理想的击穿电压。

为了解决这个问题,本研究提出了利用 Mg 离子 channelling 注入技术制备 GaN 基 JTE 结构,并利用 TCAD 模拟进行系统研究。channelling 注入技术可以形成更深、更陡峭的掺杂分布,从而更有效地抑制电场集中,并且对 JTE 剂量的容忍度更高。

二、研究方法与结果

本研究采用 2D TCAD 模拟软件,结合实验测量的 Mg 深度分布,对 channelling 和 random 注入的 JTE 结构进行了系统研究。
1. JTE 结构宽度对 BV 的影响

首先,研究了 JTE 结构宽度对 BV 的影响。结果表明,当 L1 = 10 µm 和 L2 = 20 µm 时,可以获得较高的 BV。这表明 channelling 注入的 JTE 结构具有更好的面积效率。
2. JTE 剂量对 BV 的影响

接下来,研究了 JTE 剂量对 BV 的影响。结果表明,channelling 注入的 JTE 结构具有更宽的 BV 峰值窗口,而 random 注入的 JTE 结构的 BV 峰值窗口非常窄。这表明 channelling 注入的 JTE 结构对 JTE 剂量的容忍度更高,更易于制造。
3. 电场分布和杂质浓度分布分析

通过分析电场分布和杂质浓度分布,解释了 channelling 注入的优势。channelling 注入形成的掺杂分布更深、更陡峭,从而更有效地抑制电场集中。这导致 channelling 注入的 JTE 结构具有更高的 BV。
4. 平行平面 p-n 结的模拟

为了进一步验证 channelling 注入的优势,进行了平行平面 p-n 结的模拟。结果表明,channelling 注入的 p-n 结具有更高的 BV,这进一步证实了 channelling 注入可以更有效地抑制电场集中。
5. 表面电荷的影响

最后,研究了 SiO2/GaN 界面电荷密度对 BV 的影响。结果表明,channelling 注入的 JTE 结构对界面电荷密度变化具有更好的容忍度,这为实际器件制造提供了更大的灵活性。

图 1. Mg 原子深度分布

  • 展示了 channelling 和 random 注入后 Mg 原子深度分布的实验结果。
  • channelling 注入形成的 Mg 分布更深、更陡峭,而 random 注入形成的 Mg 分布较浅、较平缓。
  • 这种差异导致两种注入方法形成的 p-n 结位置不同。

图 2. 模拟的 GaN p-n 二极管结构

  • 展示了 channelling 和 random 注入的 JTE 结构示意图。
  • (a) 为 channelling 注入,(b) 为 random 注入。
  • 图中标注了 p-GaN、n-GaN、SiO2 等材料的厚度和掺杂浓度。

图 1. Mg 原子深度分布

  • 展示了 channelling 和 random 注入后 Mg 原子深度分布的实验结果。
  • channelling 注入形成的 Mg 分布更深、更陡峭,而 random 注入形成的 Mg 分布较浅、较平缓。
  • 这种差异导致两种注入方法形成的 p-n 结位置不同。

图 4. JTE 剂量对 BV 的影响

  • 研究了不同 JTE 剂量对 BV 的影响,假设 Ndrift = 9 × 10^15 cm^-3。
  • 结果表明,channelling 注入的 JTE 结构具有更宽的 BV 峰值窗口,而 random 注入的 JTE 结构的 BV 峰值窗口非常窄。
  • 这表明 channelling 注入的 JTE 结构对 JTE 剂量的容忍度更高,更易于制造。

图 5. 电场分布和杂质浓度分布

  • 展示了 channelling 和 random 注入的 JTE 结构在 1.7 kV 反向电压下的电场分布和杂质浓度分布。
  • (a) 为 2D 电场分布,(b) 为 JTE 边缘的电场分布深度剖面,© 为 JTE 剂量为 1.2 × 10^13 cm^-2 时的有效掺杂浓度深度剖面。
  • 结果表明,channelling 注入的 JTE 结构的电场集中程度更低,这与其更深的掺杂分布有关。

图 6. 平行平面 p-n 结的 BV 与掺杂剂量的关系

  • 研究了 channelling 和 random 注入的 p-GaN 剂量对平行平面 p-n 结 BV 的影响。
  • 结果表明,channelling 注入的 p-n 结具有更高的 BV,这进一步证实了 channelling 注入可以更有效地抑制电场集中。

图 7. 平行平面 p-n 结的电场分布

  • 展示了 channelling 和 random 注入的 p-n 结在 BV 电压下的电场分布。
  • 结果表明,channelling 注入的 p-n 结的电场集中程度更低,这与其更深的掺杂分布有关。

图 8. JTE 剂量对 BV 的影响

  • 研究了 channelling 和 random 注入的 JTE 结构在 L1 = Lp 和 L2 = 20 µm 时的 JTE 剂量对 BV 的影响。
  • 结果表明,channelling 注入的 JTE 结构的 BV 峰值显著高于 random 注入的 JTE 结构。
  • 这表明 channelling 注入的 JTE 结构对 JTE 剂量的容忍度更高,更易于制造。

图 9. 表面电荷密度对 BV 的影响

  • 研究了不同表面电荷密度下,channelling 和 random 注入的 JTE 结构的 BV 与 JTE 剂量的关系。
  • 结果表明,channelling 注入的 JTE 结构对表面电荷密度变化具有更好的容忍度,这为实际器件制造提供了更大的灵活性。

三、结论与展望

本研究通过 TCAD 模拟系统地研究了 channelling 和 random 注入对 GaN 基 JTE 结构性能的影响。结果表明,channelling 注入的 JTE 结构具有以下优势:
更宽的 BV 峰值窗口 : channelling 注入可以形成更深、更陡峭的掺杂分布,从而更有效地抑制电场集中,并且对 JTE 剂量的容忍度更高。
更好的面积效率 : channelling 注入的 JTE 结构可以更有效地利用芯片面积,从而降低器件成本。

对界面电荷密度变化更好的容忍度: channelling 注入的 JTE 结构对界面电荷密度变化具有更好的容忍度,这为实际器件制造提供了更大的灵活性。

因此,channelling 注入技术是一种非常有前景的 GaN 基 JTE 结构制备技术,有望推动高压 GaN 功率器件的发展。

四、未来研究方向

channelling 注入技术的工艺优化: 进一步研究 channelling 注入工艺参数对 JTE 结构性能的影响,例如注入能量、注入角度、退火条件等,以获得最佳的 JTE 结构性能。
channelling 注入与其他边缘终止技术的结合 : 将 channelling 注入与其他边缘终止技术,例如场板、等位环等,相结合,进一步提高器件的击穿电压和可靠性。
channelling 注入在其他 GaN 器件中的应用: 研究 channelling 注入技术在其他 GaN 器件中的应用,例如 HEMT、MOSFET 等,以拓展 channelling 注入技术的应用范围。

五、总结

本研究通过 TCAD 模拟系统地研究了 channelling 和 random 注入对 GaN 基 JTE 结构性能的影响,结果表明 channelling 注入的 JTE 结构具有更宽的 BV 峰值窗口、更好的面积效率和对界面电荷密度变化更好的容忍度。channelling 注入技术是一种非常有前景的 GaN 基 JTE 结构制备技术,有望推动高压 GaN 功率器件的发展。

相关推荐
Jay Kay7 分钟前
ReLU 新生:从死亡困境到强势回归
人工智能·数据挖掘·回归
Blossom.11818 分钟前
使用Python和Flask构建简单的机器学习API
人工智能·python·深度学习·目标检测·机器学习·数据挖掘·flask
无声旅者1 小时前
AI 模型分类全解:特性与选择指南
人工智能·ai·ai大模型
Grassto1 小时前
Cursor Rules 使用
人工智能
MYH5161 小时前
深度学习在非线性场景中的核心应用领域及向量/张量数据处理案例,结合工业、金融等领域的实际落地场景分析
人工智能·深度学习
Lilith的AI学习日记1 小时前
什么是预训练?深入解读大模型AI的“高考集训”
开发语言·人工智能·深度学习·神经网络·机器学习·ai编程
聚客AI2 小时前
PyTorch玩转CNN:卷积操作可视化+五大经典网络复现+分类项目
人工智能·pytorch·神经网络
程序员岳焱2 小时前
深度剖析:Spring AI 与 LangChain4j,谁才是 Java 程序员的 AI 开发利器?
java·人工智能·后端
Q同学2 小时前
TORL:工具集成强化学习,让大语言模型学会用代码解题
深度学习·神经网络·llm
柠檬味拥抱2 小时前
AI智能体在金融决策系统中的自主学习与行为建模方法探讨
人工智能