数据驱动的CVD沉积二硫化钨薄膜工艺时间与碳足迹降低的多目标优化分析

《Materials Science in Semiconductor Processing》：Data-driven multi-objective optimization analysis of process time and reduction of carbon footprint for CVD deposited WS 2 thin films

　　

摘要

在二维（2D）过渡金属二硫化物（TMD）薄膜，特别是MoS?和WS?领域，化学气相沉积（CVD）是一种重要的生长方法。然而，CVD过程中的高温和较长持续时间导致了高能耗和碳排放的增加。可持续半导体制造的一个核心目标是降低碳足迹并提高工艺效率，同时不牺牲薄膜质量。本研究使用金属有机化学气相沉积（MOCVD）在2英寸c面蓝宝石衬底上生长WS?薄膜。建立了薄膜质量评价标准，并通过光学显微镜（OM）、原子力显微镜（AFM）、光致发光/拉曼光谱（PL/Raman）和面内X射线衍射（IP-XRD）进行评估。为了解决WS?工艺高成本和多参数复杂性问题，本研究开发了一个4×4机器学习比较框架，将方差分析（ANOVA）、Lasso、主成分分析（PCA）和互信息（Mutual Information）与线性回归、随机森林、支持向量回归（SVR）和XGBoost相结合，以研究和优化代理模型，减少能耗（碳排放）和工艺时间。结果表明，薄膜大面积覆盖，PL峰值为2.0 eV（约620 nm），质量约为62.7 cm?1（Δω）。薄膜表现出30°旋转外延关系和优异的面内一致性，通过IP-XRD验证。在各模型中，PCA-SVR组合提供了最有利的碳排放预测，而Lasso-XGBoost提供了最精确的工艺时间预测。外部验证后，碳排放预测的R2为0.775，平均绝对百分比误差（MAPE）为12.89%；工艺时间预测的R2为0.932，MAPE为4.96%。质量约束下的多目标优化确定了两个显著的帕累托解。与基线工艺相比，方案A（低碳导向）减少了50.3%的碳排放和21.8%的工艺时间；方案B（工艺时间导向）减少了43.1%的碳排放和40.4%的工艺时间。这些方案为高质量WS?薄膜制造中降低碳排放和加工时间提供了质量和效率方面的实用指导。

引言

随着半导体行业加速向可持续发展转型，在满足高性能和成本竞争力的同时减少工艺电力消耗和碳排放已成为关键考量。化学气相沉积（CVD）被认为是高质量、大面积二维（2D）过渡金属二硫化物（TMD）和异质结构最有前景的生长策略之一[1,2]。半导体TMD材料因其卓越的电学性能（如原子尺度的高载流子迁移率和独特的厚度相关光学特性）而成为下一代电子和光电器件中极具前景的材料[3,4,5,6]。当WS?厚度降低到少层或单层时，带结构从间接体带隙转变为直接带隙，从而增强PL发射。拉曼模式表现出厚度相关行为，随着层数增加，A?g和E?2g模式因层间耦合和介电屏蔽而发生偏移[7,8,9]。CVD已被广泛用于生产大面积二维材料[10]，机器学习（ML）也逐渐被半导体制造商用于CVD工艺优化[11,12]。人工智能（AI）、半导体加工和绿色能源策略的整合为半导体行业的低碳工艺开发提供了强大潜力。

CVD参数和反应动力学的战略调节对于实现单层二维材料的大规模合成至关重要，因为这些因素决定了所得原子层的空间均匀性和结构完整性[13,14]。Yorulmaz等人通过WO?蒸气密度调节，利用APCVD合成了单层WS?，在5% H?下实现了PL增强10倍的高质量薄片，并在30秒内实现快速单层生长[15]。M. Okada等人报道，NaCl辅助气源CVD使用WF?和H?S产生了均匀的10 μm三角形单层WS?，并通过拉曼频率差进行了验证[16]。W.-L. Wang等人使用炉式CVD，以WO?、H?S和Ar在蓝宝石上生长WS?，发现高硫化率（H?S/Ar:20%）能有效促进均匀的WS?成核和生长[17]。F.-Z. Chen等人使用CVD在(0001)蓝宝石上生长二维WS?，通过拉曼/PL确认了二维特性，并通过面内X射线衍射（IP-XRD）识别出旋转30°的两个畴[18]。机器学习也为CVD工艺优化提供了有效支持。X. Wang等人强调了机器学习在直接CVD绝缘体上石墨烯生长中热解预测和机制优化方面的作用，涵盖分解、成核和边缘生长阶段[19]。J. Zhang等人开发了一个集成实时光学显微镜和人工智能的系统来数字化MoS?生长，使用机器学习建模CVD参数与晶体形貌之间的相关性[20]。

尽管已有几项研究表明CVD是制备单层TMD的有效方法[21,22,23]，但对工艺优化和碳排放减少的关注较少。M. Okada等人使用WF?/H?S气源生长单层WS?，具有大规模潜力，但其研究缺乏系统性的多因素工艺优化，仅关注单变量对成核的影响[24]。X. Di等人通过调节Ar流量在Si/SiO?上合成少层WS?，但大面积单晶质量和WO?副产物的抑制仍未解决[25]。L. Meng等人研究了Si/SiO?上WS?生长过程中的带隙竞争和形态热力学，但工艺重复性和能源效率仍未涉及[26]。Grigoriy Kimaev和L. A. Ricardez-Sandoval使用人工神经网络（ANNs）减少CVD多尺度计算成本并实现在不确定性下的实时优化，但（排除WS?结构和光学指标）该研究受限于薄膜质量粗糙度和生长速率限制[27]。先前的研究对WS?工艺控制和材料生长机制的推进做出了重要贡献，为工艺开发提供了关键参考。然而，对于大晶圆规模的扩展、系统性的工艺参数设计和多目标优化改进，仍需要进一步研究来综合考虑质量和能源相关指标。

本研究建立了一个集成决策分析框架，以解决CVD法制备WS?中质量控制、低碳足迹和高效加工之间的权衡问题。该框架结合多尺度表征、机器学习代理模型和帕累托多目标权衡分析，以确定满足高质量标准和低碳效率要求的工艺参数。WS?薄膜通过MOCVD、光学显微镜（OM）、原子力显微镜（AFM）、PL/Raman光谱和IP-XRD制备，建立高质量WS?的多尺度质量基准，确保样品间的结构一致性。工艺监测数据被转换为特征空间，引入了4×4比较建模方法来选择最合适的代理模型。该方法整合了四种特征选择方法（ANOVA、Lasso、PCA和互信息）与四种回归算法（线性回归、随机森林、支持向量回归和XGBoost）。选择了16个模型组合作为能耗、碳排放和工艺时间的合适代理模型，并使用独立的外部样本验证其预测泛化能力。此外，质量阈值、碳排放和工艺时间被联合纳入多目标优化程序。使用了两阶段帕累托前沿分析来构建决策过程。第一个优化阶段从模型训练样本中识别代表性候选解以定义基线工艺并建立初步质量筛选标准。后续阶段将外部验证数据与全局搜索相结合，从帕累托前沿中选择质量合格的权衡方案并与基线工艺进行比较。该集成框架将传统的基于经验的工艺调整转化为数据驱动的决策，为可持续半导体制造提供了实用、低碳、高效的指导。

WS?薄膜制备与多尺度表征

本研究采用MOCVD薄膜制备、多尺度表征和数据驱动分析作为主要框架，展示了薄膜制备、质量表征和数据分析之间的关系。图1展示了集成的研究工作流，包括制备、建模表征和帕累托分析。WS?薄膜通过8英寸MOCVD系统沉积在2英寸c面蓝宝石衬底上。该系统由高温

初步帕累托权衡方案识别与多点光学质量验证

为了在不降低薄膜质量的情况下减少碳排放和工艺时间，本研究利用MOCVD实验结果构建了帕累托前沿，如图2所示。图2(a)展示了各实验点在碳排放和总工艺时间平面上的分布。在满足质量阈值的候选方案中，选择了基线工艺和以碳减排为导向的权衡方案A进行比较。两种条件均保持相同的三区温度

结论

本研究提出了一个集成分析框架，包括MOCVD生长、多尺度材料表征、数据驱动代理建模和质量约束多目标优化。该框架研究了WS?薄膜工艺中材料质量、环境负荷和生产效率之间的权衡。在2英寸c面蓝宝石衬底上生长的WS?薄膜通过OM、AFM、PL/Raman和IP-XRD进行了验证。结果显示高覆盖率

CRediT作者贡献声明

潘诚信：监督、项目管理、方法论、资金获取、概念构思。黄宇鹏：撰写-初稿、可视化、软件、调查。蔡承昌：调查、正式分析、数据整理。邱坤安：验证、资源、正式分析。王维麟：验证、资源。林宇威：资源、项目管理。陈伟骏：撰写-审阅与编辑、监督、方法论。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

潘诚信|黄宇鹏|蔡承昌|邱坤安|王维麟|林宇威|陈伟骏

国立中山大学机械与机电工程系，台湾，高雄市，804