Defect analysis of silicon carbide wafers using optical measurement employing a newly developed algorithm

Abstract

Defect analysis is essential in the production of silicon carbide (SiC) semiconductor wafers. Crystallographic imperfections formed at the nanoscale during crystal growth can develop into macroscopic defects that lower manufacturing yield, increase costs, and affect device reliability. Optical inspection methods, such as Nomarski differential interference contrast microscopy and ultraviolet photoluminescence imaging, are widely used for defect detection. However, existing automated systems use proprietary algorithms that lack transparency, flexibility, and often misclassify defects or inaccurately define their boundaries. This thesis develops a new, transparent algorithm for defect detection and classification based on optical measurement data. The approach combines deep learning for object detection with rule-based refinement to allow more flexibility in adjusting the classification criteria. A detailed theoretical section reviews SiC properties, manufacturing processes, defect types, and optical inspection methods. This knowledge is critical because understanding the origin and behavior of defects directly influences the algorithm design and analysis strategy. The practical part describes the creation and training of the deep learning model using mapping images from Nomarski and photoluminescence inspections. The new algorithm is tested against a commercial solution, showing similar accuracy for identifying critical "killer" defects, better detection of carrot defects, and more precise defect boundaries. The developed method provides a strong foundation for future improvements and aims to be integrated into production lines to enhance quality control in SiC wafer manufacturing.

Analýza defektů je zásadní v procesu výroby polovodičových desek z karbidu křemíku (SiC). Krystalografické nedokonalosti vznikající v nanoměřítku během růstu krystalu mohou přerůst v makroskopické defekty, které snižují výrobní výtěžnost, zvyšují náklady a ovlivňují spolehlivost zařízení. Optické metody inspekce, jako je Nomarského diferenciální interferenční kontrastní mikroskopie a fotoluminiscenční zobrazování, jsou běžně využívány k detekci těchto defektů. Současné automatizované systémy však využívají proprietární algoritmy, které postrádají transparentnost, flexibilitu a často defekty nesprávně klasifikují nebo nepřesně vymezují jejich hranice. Tato diplomová práce se zabývá vývojem nového, transparentního algoritmu pro detekci a klasifikaci defektů na základě dat z optického měření. Navržený přístup kombinuje metody hlubokého učení pro detekci objektů s "rule-based" klasifikací, která umožňuje dodatečnou flexibilitu při nastavování klasifikačních kritérií. Teoretická část se zabývá vlastnostmi materiálu SiC, procesy jeho výroby, detailní analýzou defektů a metodami optické inspekce. Důkladné porozumění typům, původu a chování defektů je klíčové, protože znalost těchto vlastností přímo ovlivňuje návrh klasifikačního algoritmu a volbu strategií potřebných pro jejich správné rozpoznávání a kategorizaci. Praktická část popisuje tvorbu a trénování modelu hlubokého učení s využitím mapování SiC desek získaných Nomarského a fotoluminiscenční inspekcí. Nový algoritmus je testován proti současnému komerčnímu řešení, přičemž dosahuje podobné přesnosti při identifikaci kritických „killer“ defektů, vykazuje lepší detekci „carrot“ defektů a přesnější vymezení hranic defektů. Tento nově vyvinutý algoritmus poskytuje silný základ pro další vylepšení s cílem budoucího nasazení přímo do výrobního procesu a zlepšení kontroly kvality při produkci SiC desek.