一种MOCVD设备生长均匀性工艺参数的优化方法与流程

本发明涉及半导体发光器件薄膜生长的工艺研究，具体涉及一种ZnO薄膜均匀性的MOCVD设备工艺参数的优化方法。

背景技术：

金属有机化合物化学气相沉积，即MOCVD(Metal-organic Chemical Vapor Deposition),是制备化合物半导体薄膜的一项关键技术。它利用较易挥发的有机物如(C2H5)2Zn等作为较难挥发的金属原子的源反应物，通过载气携带到反应器内，与O2、H2O等辅助气体发生反应，在加热的基片上生成ZnO薄膜，用于微电子或光电器件。

经过这些年的技术积累，MOCVD设备改进以及完善，源材料的提纯、输送、外延生长设备的密封性等相关技术取得飞速发展，以上述技术为基础的具有生长超薄层能力，梯度层，控制掺杂能力的MOCVD技术应用更加成熟，使得化合物半导体器件的应用越渐繁荣。目前MOCVD技术已经可以制备出具有超薄陡峭层的量子阱、超晶格、异质结的新型光电电子器件，这样的能力使得它成为了制备优质外延层的重要方法。因此，MOCVD受到半导体业界的喜爱，目前使用最为广泛。MOCVD技术作为制造光电子器件的关键技术之一，已经在半导体薄膜、量子阱异质结材料、超导薄膜等各种半导体器件的制备应用广泛。在现有的所有光电子材料制备技术中，使用MOCVD技术生长得到的LED和LD质量最好。因此MOCVD这一高新材料制备技术在世界备受瞩目。

MOCVD存在着一个重要的优点是批量生产能力。如今有些研究机构正在尝试将检测外延生长的技术导入到MOCVD系统中，通过电脑程序控制各金属组分的有机源气流大小以及通过在线检测技术甚至可以精确控制薄膜组分以及使控制的厚度达到0.1nm数量级。精确的组分控制节约了许多金属有机源，对大规模生产光电子材料制备是很有益的。

MOCVD技术的新发展将会对微波器件和光电器件的研制生产产生巨大的影响，但是目前MOCVD在出厂前均需要进行验机调试，而且工程师都是针对不同工况进行摸索，并没有一个具体理论的方法，而且调机时间周期比较长，耗费大量的人力物力。

技术实现要素：

本发明的目的在于提供一种ZnO薄膜均匀性的MOCVD设备工艺参数的优化方法，将计算机和化学气相沉积过程的机理结合起来，通过实验所得工艺参数的比对与多次反馈对模拟结果进行验证与优化，从而节省人力物力，同时节省时间成本。

为了实现上述主要目的，本发明提供的一种ZnO薄膜均匀性的MOCVD设备工艺的制作方法，其包括如下步骤：

a、利用MOCVD设备生长ZnO薄膜，通过控制若干个MO源流量来进行若干组实验，生长完成后测量ZnO薄膜上若干个取样点的厚度，得到若干组实验数值的薄膜沉积率；

b、构建CFD数值模拟模型并利用上述若干个MO源流量进行数值模拟计算，监测上述若干个取样点的薄膜沉积率，得到若干组模拟数值的薄膜沉积率；

c、实验数值的薄膜沉积率和模拟数值的薄膜沉积率对比，数值模拟结果和实验结果拟合后，验证数值模拟结果的正确性；

d、进行实验设计，通过控制MO源流量，随机选取若干组初始值，利用若干组MO源流量输入进行数值模拟，得到相应的若干组薄膜沉积率输出；

e、利用上述若干组MO源流量输入和薄膜沉积率输出构建神经网络数学模型，得到输入和输出之间的对应关系；

f、将所述的神经网络数学模型和遗传算法相结合，利用遗传算法进行工艺参数寻优，找出薄膜沉积率最均匀时的MO源流量。

进一步地，所述步骤a中，所述若干个MO源流量为至少5个，所述若干组实验和若干组实验数值为至少十组，所述若干个取样点为至少9个。

进一步地，所述步骤b中，所述若干组模拟数值为至少十组。

进一步地，所述步骤d中，所述若干组初始值、若干组MO源流量输入和若干组薄膜沉积率输出都为至少100组。

本发明的有益效果是：

通过模拟计算的方法得到符合实验结果的MOCVD设备模型，只需进行几组基础实验，其余实验通过CFD模拟给出大量的验证数据，并通过两者的验证拟合出数学模型，通过优化算法给出最佳生长工艺参数范围，不但节省了人力物力，还节省了时间成本。薄膜沉积率最均匀时的MO源流量能够使得MOCVD设备生长出的ZnO薄膜最均匀。

【附图说明】

图1是MOCVD设备的模拟模型；

图2是转盘表面分区；

图3是使用神经网络模拟的MOCVD系统结构；

图4是多层感知器模型；

图5是神经网络算法流程；

【具体实施方式】

首先利用MOCVD设备生长薄膜，通过控制5个MO源流量来进行10组实验，生长完成后测量薄膜上9个取样点的厚度，得到10组实验数值的薄膜沉积率。

构建CFD数值模拟模型。在进行CFD模拟时，需要将实验、理论有机结合起来，理论作指导，对具体的计算对象建立模型，进行数值模拟，在实验的基础上进行验证，以检验模型是否可靠。

本发明的模拟对象为一款MOCVD反应腔，该MOCVD反应腔为立式高速旋转转盘式反应腔。该类反应腔具有最大生长容量有限，目前最高达到每次生长57片2英寸的外延片。在此类反应室中，MO源及O源气体由顶部特殊设计的气流喷入，基座高速旋转(转速为700～1500r/min),尾部从下部流出。利用基座高速旋转产生泵效应，从而抑制立式反应室由于喷口与基座的距离大而产生的热对流旋涡。这种泵效应是流体的粘性力和旋转产生的离心力联合作用的结果。在流体黏性力的作用下，靠近基座表面的一层气体随同基座一起转动；在离心力的作用下，气体不断地沿径向甩到基座边缘。与此同时，基片上方的气体沿轴向流向基片表面以补充不产生任何涡流的平推流。同时也改善了基座上方的温度分布均匀性与温度梯度，从而大大提高生长速度的均匀性。

在反应腔顶盖内部有两层孔径不同的网，Ar和O2参混后通入反应腔喷淋头(在细网的下层)，纯氩气通入反应腔喷淋头(在细网的上层)，与Ar和O2参混的气体进行再次参混，进而通入反应腔，经过这两层网结构使得进入腔体内的Ar和O2混合气体能预先混合均匀，有利于薄膜的沉积。在正常工作下，将腔体内部气压抽至低压，加热片给转盘加热，转盘高速旋转，混合气体在转盘表面发生复杂的物理化学反应，在表面沉积出需要的薄膜，反应后的副产物以及废气通过排气孔出口抽出至废气处理装置。

在进行网络模型建模前，需要对模型进行简化处理。如图1所示，MOCVD反应腔的腔体顶盖由MO源入口1、O源入口2、顶部观察窗3和框架组成，其余部分还包括腔体内壁6、腔体外壁4、转盘5和出口7。由于腔体顶部的网的作用是使得气体混合均匀，在模拟中，简化为一层结构，直接设定进气口混合气体为混合均匀的条件。这样的处理对简化模型的准确性影响小，同时又简化了计算复杂度。

实验中，由于转盘高速旋转，假设转盘表面沉积率分布呈中心对称的环状分布，实验没办法测量环上所有点的沉积率。实际上，由于MOCVD设备本身以及膜厚测试仪器的系统性误差，在薄膜环形区域内可能出现的“山峰山谷”的情况。由于在实验中转盘的转速较大，达750rpm，沉积时间较长，2个小时以上，“山峰山谷”的高低落差与薄膜沉积厚度比较小。为了尽可能的消除由于系统本身的偶然性误差，本发明在同一环形区域内的薄膜取3-5个探测点进行测量，对数据取平均处理。在模拟中，虽然通过模拟能提供直观沉积率云图来反映转盘表面沉积率的均匀性，然而模拟出来的沉积率云图不能很直观的反映转盘表面沉积率的均匀性，为快速应用到工程项目中，将转盘表面放有硅片的区域沿着径向分成由外及里9片圆环(即9个取样点)，中间圆形不进行考虑。如图2，对每片圆环区域内的沉积率求平均值，通过对面积分求得的平均值也能达到相同的效果，有助于减小误差。

为了定量的阐述模拟结果与实验结果的一致程度，本发明引进相关系数进行定量表达。相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数ρ|XY|取值在-1到1之间，ρ|XY|＝0时，称X，Y不相关；ρ|XY|＝1时，称X，Y完全相关，此时，X，Y之间具有线性函数关系；ρ|XY|<1时，X的变动引起Y的部分变动，ρ|XY|的绝对值越大，X的变动引起Y的变动就越大，ρ|XY|>0.8时称为高度相关，当ρ|XY|<0.3时称为低度相关，其它时候为中度相关。相关系数的公式如下：

本发明所建立的MOCVD腔体CFD数学模型，在其他工艺参数保持不变的情况下，如石墨盘转速、加热片的温度及腔体气压等工艺参数相对比较固定，对MO源流速和摩尔分数变化引起的沉积率变化进行验证。选取了20组实验进行验证，这20组均是调节5个MO源进气口的流速，实验编号分别为1-10，将模拟与实验的沉积率对比，并统计模拟与实验沉积率曲线的相关系数，沉积率的单位为μm/h。

表1模拟与实验结果对比(1)

表2模拟与实验结果对比(2)

验证数值模拟结果的正确性后,进行实验设计，通过控制MO源流量，随机选取100组初始值，利用100组MO源流量进行数值模拟，得到100组薄膜沉积率输出。

在模拟仿真研究中，研究了MO源气体的入口速度与转盘表面对应的9个具有代表性意义的圆环平均沉积速率关系。在这一过程中，可以发现MO源的气体入口速度与圆环的沉积速度之间存在着映射关系，只需稍微改变MO源气体入口速度的大小，都对应着圆环的沉积厚沉积速度的变化，并非可以用简单的函数关系进行表述。在这个过程当中，为了得到更为一般的结论，本发明对MOCVD内薄膜的生长问题进行抽象和一般化。在其它参数不变的情况下，调节MO源的气体流速，寻找最佳的MO流速入气方案。设5个MO气体入口的流速X＝(x₁,x₂,x₃,x₄,x₅)，转盘表面对应上面所提9个圆环的平均薄膜沉积厚度分别为Y＝(y₁,y₂,y₃,y₄,y₅,y₆,y₇,y₈,y₉)。基于上面的假设条件，膜厚均匀性控制问题转化为：如何找到合适的MFC入口流量方案X使得满足薄膜均匀性最好。

min:C(Y)

式中：x_i——各个MO源入气口气体速度；

f(·)——MOCVD反应腔腔内化学反应作用函数，即输入MO源气体的入口流速与转盘上表面沉积速度的关系；

C(·)——膜厚均匀系数函数。

由于MOCVD腔体内的化学反应机理比较复杂，薄膜生长速度受到诸多条件因素的影响，很难得到准确MOCVD反应腔腔体内化学反应作用函数f(·)。但是只有知道f(·)，才能进行下一步的优化过程。本发明通过对数值规律进行探究，采用神经网络模型从数值方面上不断的逼近结果，从而得到尽可能与实际化学反应作用函数f(·)近似的预测化学反应作用函数

在进行输入参数的优化方面，由于通过神经网络模型得到的预测化学反应作用函数并非是简单的函数关系，为了探寻最小化膜厚均匀系数条件，由于遗传算法在寻优问题上具有很好的收敛性，在计算精度要求时，计算时间少，鲁棒性高的优势，因此采用遗传算法进行处理。

本发明中的神经网络是通过模拟生物神经系统连接机制的一种智能计算模型，由大量节点(或称神经元、单元)相互联接构成的一个高度复杂的非线性动力学系统。本发明使用神经网络模拟的MOCVD系统结构如图3所示，将MOCVD系统抽象为黑匣子，内部采用神经网络实现，通过神经网络进行修正，使得神经网络的输出不断逼近真实系统。其基本思想是：学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少可接受的程度，或进行到预先设定的学习次数为止。

如图4所示，经典的感知器模型分为三层感知器，包括了输入层、隐层和输出层。三层感知器中，输入向量为X＝(x₁,x₂,…,x_i,…,x_n)^T,图中x₀＝-1是隐层神经元引入阈值而设置的；隐层输出向量为Y＝(y₁,y₂,…,y_j,…,y_m)^T，图中y₀＝-1是隐层神经元引入阈值而设置的；输出层输出向量为O＝(o₁,o₂,…,o_k,…,o_l)^T；期望输出向量为d＝(d₁,d₂,…,d_k,…,d_l)^T。输入层到隐层之间的权值矩阵用V表示，V＝(V₁,V₂,…,V_j,…,V_m)，其中列向量V_j为隐层第j个神经元对应的权向量；隐层到输出层之间的权值矩阵用W表示，W＝(W₁,W₂,…,W_k,…,W_l)，其中列向量W_k为输出层第k个神经元对应的权向量。下面分析各层信号之间的数学关系。

对于输出层，有

o_k＝f(net_k)k＝1,2,…,l

对于隐层，有

y_j＝f(net_j)j＝1,2,…,m

以上两式中，变换函数f(x)可以为单极性Sigmoid函数：

f(x)具有连续、可导的特点，且有：

f‘(x)＝f(x)[1-f(x)]

根据应用需要，也可以采用双极性Sigmoid函数(或称双曲线正切函数)。

当网络输出与期望输出不等时，存在输出误差E，定义如下：

将以上误差定义式展开至隐层，有：

进一步展开至输入层，有：

由上式可以看出，网络输出误差是各层权值w_jk、v_ij的函数，因此调整权值可改变误差E。显然，调整权值的原则是使误差不断地减小，因此应使权值的调整量与误差的梯度下降成正比，即：

式中负号表示梯度下降，常数η∈(0,1)表示比例系数，在训练中反映了学习速率。可以看出BP算法属于δ学习规则类，这类算法常被称为误差的梯度下降(Gradient Descent)算法。

为了加速在迭代过程的收敛，改进型BP神经网络采用自适应调节学习率，学习率η也称为步长，在标准BP算法中定位常数，然而在实际应用中，很难确定一个从始至终都合适的最佳学习率。从误差曲面可以看出，在平坦区内η太小则会使训练次数增加，因而希望增加η值；而在误差变化剧烈的区域，η太大会因调整量过大而跨过较窄的坑凹处，使训练出现振荡，反而使迭代次数增加。为了加速收敛过程，一个较好的思路是自适应地改变学习率，使其该大时增大，该小时减小。

设一初始学习率，若经过一批次权值调整后使总误差E_总↑，则本次调整无效，且η(t-1)＝βη(t)，β<1；若经过一批次权值调整后使总误差E_总↓，则本次调整有效，且η(t+1)＝θη(t)，θ>1。

除此之外引入陡度因子，由于误差曲面上可能存在这平坦区域。权值调整进入平坦区的原因是神经元输出进入了变换函数的饱和区。如果在调整进入平坦区后，设法压缩神经源的净输入，使其输出退出变换函数的饱和区，就可以改变误差函数的形状，从而使调整脱离平坦区。实现这一思路的具体做法是，在原变换函数中引入一个陡度因子λ：

当发现△E接近零而d_k-o_k仍较大时，可判断曲线已进入平坦区，此时令λ>1；当退出平坦区后，再令λ＝1。

基于BP神经网络模型建模包括BP神经网络构建、BP神经网络训练和BP神经网络预测三部分，算法流程如图5所示。BP神经网络根据构建系统输入输出数据特点确定BP神经网络的结构，由于输入信号有5维，输出信号是9维数据结构，所以BP神经网络的结构为5-13-9，即输入层有5个节点，隐含层有13个节点，输出层有9个节点。

本发明中，利用上述100组输入(MO源流量)和输出(薄膜沉积率)构建神经网络数学模型，得到输入和输出之间的对应关系，即输入MO源流量就可得到输出的薄膜沉积率。最后，将神经网络模型和遗传算法相结合，利用遗传算法进行工艺参数寻优，找出沉积率最均匀时的MO源流量。

本发明中，遗传算法是用来寻找最优的参数解使得输出的薄膜均匀系数达到最低。遗传算法的速包括有种群初始化、适应度函数、选择操作和变异操作，具体为：

(1)种群初始化。在限定的取值空间内随机生成输入参数。

(2)适应度函数。根据输入参数，用神经网络预测得到该输入参数对应的9个区域的平均薄膜生长速率，将这9个区域的平均薄膜生长速率通过方程计算得到膜厚均匀系数，对膜厚均匀系数求倒数得到适应度值。

(3)选择操作。基于适应度的选择策略，每个个体i的选择概率p_i为：

式中，f_i为个体i的适应度值，N为种群个体数目。由于适应度值越小越好，所以在个体选择前对适应度值求导数。

(4)交叉操作。由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第k个染色体a_k和第l个染色体a_l在j为的交叉操作办法如下：

a_kj＝a_kj(1-b)+a_ijb

a_lj＝a_lj(1-b)+a_kjb

式中，b是[0,1]间的随机数。

(5)变异操作。选择第i个个体的第j个基因a_ij进行变异，变异操作办法如下：

式中，a_max为基因a_ij的上界；a_min为基因的下界；f(g)＝r₂(1-g/G_max)；r₂为一个随机数；g为当前迭代次数；G_max是最大进化次数；r为[0,1]之间的随机数。

遗传算法参数设置为：种群规模为50，进化次数为500，交叉概率为0.4，变异概率为0.2。

实际工程应用中,以薄膜沉积率变异系数小于5％作为标准。本发明中，如MO源流量为1.486；1.874；0.156；1.781；1.81，相应各点薄膜沉积率为0.2821；0.2891；0.2888；0.2877；0.2863；0.2837；0.2864；0.2867；0.287，薄膜变异系数为0.8％，远低于标准值，取得了良好的技术效果。

以上所述实施例只是为本发明的较佳实施例，并非以此限制本发明的实施范围，凡依本发明之形状、构造及原理所作的等效变化，均应涵盖于本发明的保护范围内。