人工智能增强SiC MOSFET的3D FIB-SEM掺杂成像
 
作者：德国卡尔蔡司显微镜股份有限公司Heiko Stegmann
 
碳化硅（SiC）MOSFET已经成为主要使用的功率半导体，特别是用于汽车应用。为了支持工艺开发、提高制造成品率和减少成品中的亚表面故障，工程师必须了解这些器件的结构、掺杂剂和结轮廓以及缺陷形态。用扫描电子显微镜（SEM）对这种器件的横截面进行成像，不仅可以揭示其结构细节，还可以以高通量揭示其电活性掺杂剂分布。这种掺杂剂对比度是通过二次电子（SE）检测提供的，并且可以用于检查掺杂剂分布和用于电结定位。在P-N结处，P区域在SE图像中看起来是亮的，而N区域看起来是暗的。
虽然这种类型的图像对比度在新切割的样品上最强，但通过切割的横截面仅具有有限的位点选择性。SiC器件特别难以用有针对性的方式切割。通过聚焦离子束（FIB）减薄可以实现非常高的位点特异性。它可生产出高精度、平坦的横截面，具有卓越的表面质量。然而，通过FIB减薄的离子注入和离子诱导的非晶化可导致具有降低的自由载流子浓度的电非活性表面损伤层。这种损伤层可导致掺杂剂对比度随着FIB能量的增加而降低。然而，在SiC MOSFET功率器件中，如果使用对低能量SE特别敏感的镜筒内探测器，即使在通常施加的30kV高加速电压下用镓（Ga）-FIB减薄的横截面上，也可以实现强掺杂剂对比。
 
掺杂区域的3D成像
所获得的掺杂剂对比度足够强，不仅可以通过FIB-SEM断层扫描产生2D图像，还可以产生植入区域的3D视觉表示。在该技术中，使用FIB从样品中重复去除薄层材料，并且在每个去除步骤之后记录SEM图像，以产生表示样品的3D结构的图像堆叠。
为此，使用气态Pt和C前体，在具有Ga-FIB的感兴趣区域的顶部沉积铂（Pt）和碳（C）保护层。在Pt-C夹层中切割基准线，以在数据采集过程中实现精确的切片厚度和漂移控制。然后在感兴趣区域前面对大沟槽进行FIB减薄，再进行自动迭代切片减薄和成像序列。图1显示了一个结果数据集，该数据集由320个图像组成，这些图像是从市售的SiC MOSFET器件中获得的，使用的切片厚度为30 nm，成像像素大小为20 nm。数据后处理后，数据集的样本体积为16.3 x 4.6 x 9.6 µm³。使用蔡司Atlas 3D系统在蔡司Crossbeam 550 FIB-SEM仪器中采集数据。


图1：从SiC MOSFET样品获得的FIB-SEM断层扫描数据集的可视化。顶部图像显示了整个体积，而底部图像显示了相同的数据集，其中切除了大约三分之一体积的长方体，以显示器件内部的结构和掺杂剂分布。延伸到栅极间隔物（spacer）侧边缘下方的垂直线是残留的FIB减薄“流水效应（curtaining）”伪影
 
数据可视化和传统分割
除了简单地滚动这样的图像堆栈外，还可以在任何所需的位置和方向从中提取虚拟切片，以检查结构细节（图2）。要在3D中单独检查单个器件组件，需要将它们与数据集的其余部分分开。这种分离过程称为分割。分段结构的3D表面表示在评估掺杂剂分布方面特别有价值，因为在3D中可视化它们的总体形状比简单地查看单个2D图像提供了对与预期分布的偏差的更多了解。
人工操作员手动标记数百或数千幅图像中的感兴趣结构进行分割的成本高得令人望而却步。为了有效地使用该方法，需要进行自动分割。然而，使用传统的基于像素灰度值的分割方案来实现不同掺杂水平的完整和明确的分割几乎是不可能的。在这里显示的数据集中，可以清楚地识别出三个不同的掺杂区：栅极两端下方的暗N+和两个不同水平的明亮香蕉形P+区（图1和图2）。但是，在不代表掺杂区的数据集的其他部分中也可以找到与这些区相同范围的像素灰度值。除此之外，可能的图像伪影，如源自局部样本充电的灰度值波动、由相邻沟槽壁引起的阴影效应或残余的垂直FIB减薄伪影（“流水效应”），可使分割更加困难。


图2：从SiC MOSFET断层扫描数据集中获得的X、Y、XY、YZ和XZ切片三元组。黄线表示每行中切片的相应位置。请注意，在XY列中，有一些可见的FIB流水效应，在栅极间隔物的垂直边缘下方延伸
 
传统的分割试图通过简单的阈值处理或通过考虑像素邻域的统计特性的更先进的聚类算法，根据图像像素的灰度值对图像像素进行分组。这样的分割方案不能提供SEM图像中不同掺杂剂类型和水平的干净分离。图3的顶行显示了一个示例。这里，通过去除不均匀的图像背景和噪声滤波对数据进行预处理。然后选择三对不同的上下灰度值阈值，只选择属于N+或两个P+区域的像素。结果是，远离实际掺杂区的像素最终被包括在分割中，模糊了感兴趣的实际区，并使3D可视化变得无用。
 

图3：顶行：尝试通过传统的灰度值阈值划分N+（红色）和两个不同水平的P+掺杂区域（绿色、蓝色）。最下面一行：基于AI的分割结果
人工智能数据分割
当手动分割SEM图像中的特征时，操作员不仅使用灰度值来决定像素属于哪个结构特征，而且还使用他们的专家能力来识别在所使用的成像条件下特征的样子。自动图像分割中的相应方法是使用可训练分割。这些方法通过从小数据子集中由专家标记的像素训练分割模型来学习领域知识，然后应用该模型来分割数据集的剩余部分，或在相同条件下获得的其他数据集。该模型可以使用人工神经网络或其他机器学习算法来决定哪些像素属于哪些特征。
图4在SiC MOSFET数据集的单个图像上说明了这一过程。在320张图像中，只有20张由专家用户对三个不同的掺杂区和背景进行了注释。在这20幅图像及其四个注释类（ZEISS arivis Cloud，www.apeer.com）上训练了一个深度学习网络模型，该模型使用EfficientNet作为编码器，Pixelshuffle作为解码器的U-Net。然后使用训练的模型来分配属于所有320个图像中的每个掺杂剂区和背景的像素。其结果是三个掺杂区域的干净分割。图3的底行显示了它们的曲面表示。除了传统的分割之外，AI分割没有由于像素分配不清楚和成像伪影而导致的错误成分。它使我们能够评估不同掺杂区域的3D形状以及它们与其他功能器件结构的关系（图5）。
 

图4：左图：数据集中的一张图像。中间：由专家注释的三个不同掺杂区域（红色、绿色、蓝色）和背景（黄色）的相同图像。右图：训练模型的预测覆盖在同一图像上
 

图5：左图：三个AI分段掺杂区组合的3D表示。中间：覆盖到完整数据集的3D表示的相同可视化。右图：与中间图像中的可视化效果相同，但经过裁剪以使内部试样结构可见
 
结论
SiC MOSFET功率器件结构和掺杂区域的3D成像可以通过FIB-SEM断层扫描进行，使用30kV Ga-FIB和对低能量SE敏感的镜筒内探测器。然而，手动或常规自动分割这些数据以单独且明确地检查每个掺杂剂区的结构是不可能的。基于AI的分割提供了不同掺杂类型和水平的清晰分离。以这种方式分割的掺杂区的3D表面表示能够对植入物分布进行彻底评估，因为在3D中可视化其总体形状可以提供更多关于预期分布偏差的信息，而不是简单地观看单独的2D图像。这些信息有助于工程师提高SiC功率半导体的良率并减少其故障。
 
www.zeiss.com