深度学习实时预测HZO基薄膜电容器介电性能：一种半导体制造质量控制的突破性方法

本研究针对传统电学测量方法耗时且不适合大规模半导体生产的问题，开发了一种基于卷积神经网络（CNN）的AI方法，通过分析后金属退火（PMA）诱导的显微图像颜色变化，快速预测Hf0.5Zr0.5O2（HZO）薄膜电容器的介电性能。模型结合HZO和钼（Mo）电极区域图像数据时准确率达88%，实现了芯片级非接触式快速分类，为半导体制造提供了早期缺陷检测和工艺优化的实用工具。

　　

在当今高速发展的半导体工业中，薄膜电容器的介电性能直接决定了存储器、传感器和晶体管等电子器件的性能与可靠性。特别是铪锆氧化物（HZO）基薄膜电容器，因其优异的铁电（ferroelectric, FE）和顺电（paraelectric, PE）特性而受到广泛关注。然而，传统表征方法如电滞回线（P-E loop）测量和阻抗分析，虽然精确但耗时漫长，且需要直接电学接触，难以适应大规模半导体生产中对高效率和无损检测的需求。这种时间与成本之间的权衡，已成为制约半导体制造工艺优化和产品良率提升的瓶颈。

为此，韩国工业技术研究院（KITECH）的Dong Yeol Shin、Jeesoo Lee、Yewon Han、Sunghwan Choi和Kyung-Tae Kang团队在《Applied Soil Ecology》上发表了一项创新研究，他们利用深度学习技术，成功实现了基于显微图像颜色变化对HZO薄膜电容器介电性能的实时、非接触预测。这一突破不仅为半导体制造过程中的在线质量控制和早期缺陷检测提供了全新解决方案，还可能作为实时反馈控制系统的传感器模块，助力实现目标介电特性的精准调控。

研究人员主要采用了卷积神经网络（CNN）架构进行模型训练。他们首先制备了Mo/HZO/TiN金属-铁电-金属（MFM）电容器，并通过后金属退火（PMA）在不同温度（300°C–600°C）和时间条件下处理样品，诱导表面颜色变化。利用X射线光电子能谱（XPS）和X射线衍射（XRD）分析材料的化学状态和晶体结构，同时通过参数分析仪和阻抗分析仪测量电流-电压（I-V）特性以标定介电属性（铁电或顺电）。共收集768组显微图像数据集，经数据增强（翻转、旋转）和归一化处理后，输入CNN模型（输入尺寸144×144×3）进行训练，模型包含三个卷积层（滤波器数32、64、128）、最大池化层和Dropout层，使用Adam优化器和二元交叉熵损失函数进行100轮训练。

2.1. Fabrication of the HZO-based thin-film capacitor

研究人员在重掺杂硼（B）硅衬底上沉积40 nm氮化钛（TiN）作为下电极，然后通过热原子层沉积（ALD）在280°C下依次沉积HfO₂和ZrO₂，形成10 nm厚的Hf_0.5Zr_0.5O₂（HZO）薄膜。上电极为40 nm钼（Mo），经光刻成型为100 μm×100 μm方形电极，最后在N₂:O₂:Ar = 78:21:1气氛中进行不同条件的PMA处理以诱导结晶。

2.2. Electrical measurements and X-ray analysis

利用XPS分析电容器元素组成和氧化程度，XRD分析晶体结构（扫描范围2θ=25–35°和45°?55°），电学特性则通过参数分析仪和精密阻抗分析仪测量I-V曲线和介电性能，并据此将样品分类为铁电（FE）或顺电（PE），排除击穿样品。

2.3. Deep learning algorithm for predictions of the electric properties

CNN模型处理RGB图像，结构逐步增加滤波器（32→64→128），每层包含卷积、ReLU激活、最大池化和Dropout。输出层使用Sigmoid激活函数进行二分类，训练集、验证集和测试集比例为60:20:20，批量大小32，历时100轮。

3. Results

研究发现，未经退火的HZO和Mo分别呈深红色和奶油色，而随着PMA温度升高，HZO颜色由卡其色变为浅绿色，Mo由黄色变为青色，600°C时HZO显粉色、Mo显黑色。这种颜色变化源于内部晶体结构转变（如正交相（o相）铁电体向单斜相（m相）或四方相（t相）顺电体转变）以及Mo电极氧化导致的干涉效应。XPS结果显示，随PMA温度升高，HZO/TiN界面氧化加剧，O1s谱结合能位移+0.8 eV，并出现吸附氧物种（O-ads）峰；Ti2p谱出现TiO_xN_y峰，表明TiN层热氧化；Hf4f谱在600°C时结合能位移-0.6 eV，反映了氧重新分布导致的化学环境变化。XRD分析表明，低温（≤400°C）退火样品无衍射峰，呈非晶或小晶粒顺电特性；高于450°C时出现28°、30.8°、31°和35°衍射峰，对应o/t和m相，表明结晶化；600°C时o相峰减弱，与Mo氧化（形成MoO_x）抑制HZO晶化有关。电学测量显示，I-V曲线呈现7种不同模式，依据电流峰和泄漏行为将电容器分类为FE或PE，排除击穿样品。值得注意的是，同一PMA条件下可能同时出现FE和PE，说明热参数不足唯一决定介电性能，表面光学特征更具指示意义。

CNN模型训练结果显示，仅使用HZO区域图像训练时准确率为63%，但易将FE误判为PE；仅使用Mo区域时准确率仅50%，且全部预测为FE，无法区分PE；而结合HZO和Mo区域图像训练后，准确率显著提升至88%，混淆矩阵显示FE误判数由57降至17，PE分类准确保持75个数据点，表明多材料信息融合对区分FE和PE至关重要。补充实验表明，G和B通道准确率较高（84.72%和86.36%），图像缩放对精度影响较小（85%-87%），模型鲁棒性良好。

4. Conclusion

该研究成功证明了基于CNN的AI模型可通过分析显微图像颜色变化预测HZO薄膜电容器的介电性能。模型在结合HZO和Mo区域信息时准确率达88%，显著优于单一区域训练结果，突出了同时捕获HZO晶相转变和Mo电极氧化效应的重要性。这项技术为半导体制造提供了快速、非接触的芯片级介电特性分类方法，可在封装前实现早期缺陷监测和工艺优化，节省大量时间和成本。虽然本研究聚焦于TiN/HZO/Mo电容器栈和PMA工艺，但其核心原理——表面光学特征反映内部结构或化学转变——具有普适性，可扩展至其他介电和铁电材料系统，只要相变或氧化诱导的颜色对比能被光学显微镜捕获，CNN框架即可通过重新训练适应不同材料和尺度，从而为下一代半导体制造提供快速、可扩展且经济高效的质量控制通用平台。