一、引言
碳化硅（SiC）凭借优异的物理化学性能，成为功率半导体器件的核心材料。总厚度偏差（TTV）作为衡量 SiC 衬底质量的关键指标，其精确测量对器件性能和可靠性至关重要。然而，碳化硅独特的晶体结构赋予其显著的各向异性，在 TTV 厚度测量过程中，各向异性效应会导致测量数据偏差，影响测量准确性。深入研究各向异性效应并探寻有效的修正算法，是提升碳化硅 TTV 厚度测量精度的关键。
二、碳化硅各向异性效应的产生与表现
2.1 晶体结构与各向异性的关联
碳化硅存在多种晶体结构，如 4H-SiC、6H-SiC 等，其晶体内部原子排列在不同晶向上存在差异 。这种结构差异使得碳化硅在不同晶向表现出不同的物理性质，包括热膨胀系数、弹性模量、硬度等 。例如，不同晶向的热膨胀系数差异，导致在温度变化时，衬底各方向的尺寸变化不一致，影响 TTV 测量结果。
2.2 各向异性对 TTV 测量的影响
在 TTV 厚度测量中，各向异性效应主要体现在测量信号的差异上。当采用接触式测量时，由于不同晶向硬度不同，测量探头与衬底接触时的接触力和接触面积会随晶向变化，进而影响测量信号的稳定性和准确性 。非接触式测量中，各向异性导致的表面光学性质差异，如反射率、折射率在不同晶向的不同，使得光学测量信号出现偏差，难以准确反映衬底的真实厚度分布 。
三、各向异性效应的修正算法
3.1 基于晶向补偿的算法
通过对碳化硅衬底晶向的精确识别，建立不同晶向与测量误差之间的关系模型 。在测量前，利用 X 射线衍射（XRD）等技术确定衬底晶向，然后根据预设的晶向 – 误差补偿表，对测量数据进行修正 。例如，已知某一晶向对应的测量误差为特定值，在测量时将该误差值从原始测量数据中扣除，以得到更准确的 TTV 值。
3.2 机器学习修正算法
利用机器学习算法强大的非线性拟合能力，处理各向异性带来的复杂测量误差 。收集大量不同晶向、不同条件下的碳化硅 TTV 测量数据及其对应的真实值，构建训练数据集 。通过训练神经网络、支持向量机等模型，学习测量数据与真实值之间的映射关系 。在实际测量中，将测量数据输入训练好的模型，模型自动输出修正后的 TTV 值，实现对各向异性效应的有效修正 。
3.3 动态补偿算法
结合测量过程中的实时环境参数（如温度、湿度等）和测量数据，建立动态补偿模型 。考虑到各向异性效应会随环境变化而改变，动态补偿算法通过实时监测环境参数，根据预设的数学模型计算出各向异性对测量结果的影响程度 。然后，根据计算结果对测量数据进行动态修正，以适应测量过程中各向异性效应的变化，提高测量精度 。
高通量晶圆测厚系统运用第三代扫频OCT技术，精准攻克晶圆/晶片厚度TTV重复精度不稳定难题，重复精度达3nm以下。针对行业厚度测量结果不一致的痛点，经不同时段测量验证，保障再现精度可靠。
我们的数据和WAFERSIGHT2的数据测量对比,进一步验证了真值的再现性：
（以上为新启航实测样品数据结果）
该系统基于第三代可调谐扫频激光技术，相较传统双探头对射扫描，可一次完成所有平面度及厚度参数测量。其创新扫描原理极大提升材料兼容性，从轻掺到重掺P型硅，到碳化硅、蓝宝石、玻璃等多种晶圆材料均适用：
对重掺型硅，可精准探测强吸收晶圆前后表面；
点扫描第三代扫频激光技术，有效抵御光谱串扰，胜任粗糙晶圆表面测量；
通过偏振效应补偿，增强低反射碳化硅、铌酸锂晶圆测量信噪比；
（以上为新启航实测样品数据结果）支持绝缘体上硅和MEMS多层结构测量，覆盖μm级到数百μm级厚度范围，还可测量薄至4μm、精度达1nm的薄膜。
（以上为新启航实测样品数据结果）
此外，可调谐扫频激光具备出色的“温漂”处理能力，在极端环境中抗干扰性强，显著提升重复测量稳定性。
（以上为新启航实测样品数据结果）
系统采用第三代高速扫频可调谐激光器，摆脱传统SLD光源对“主动式减震平台”的依赖，凭借卓越抗干扰性实现小型化设计，还能与EFEM系统集成，满足产线自动化测量需求。运动控制灵活，适配2-12英寸方片和圆片测量。