(44-4) 20 * << * >> * Русский * English * Содержание * Все выпуски

Распознавание дислокационной структуры эпитаксиальных слоев карбида кремния с использованием нейронной сети
А.В. Брагин 1, Д.В. Пьянзин 1, Р.И. Сидоров 1, Д.А. Скворцов 1

1 Национальный исследовательский Мордовский государственный университет им. Н. П. Огарёва
430000, Россия, Республика Мордовия, г. Саранск, ул. Большевистская, д. 68

 PDF, 1132 kB

DOI: 10.18287/2412-6179-CO-660

Страницы: 653-659.

Аннотация:
Технологические особенности роста монокристаллов карбида кремния неизбежно создают условия для образования в них дефектов кристаллической структуры. Предложен способ распознавания и анализа дефектной дислокационной структуры монокристаллов карбида кремния на основе применения оптической микроскопии и нейронной сети прямого распространения. Проведена апробация способа на гомоэпитаксиальных слоях карбида кремния 4H политипа.
     На базе предложенного способа создано программное обеспечение, позволяющее строить карты распределения краевых, винтовых и базисных дислокаций по поверхности монокристаллов карбида кремния. Проведена апробация работы программного обеспечения на цифровых изображениях ростовой поверхности эпитаксиальных слоев карбида кремния. Точность распознавания дислокаций составила 95 %.
     Полученная информация о распределении дислокаций применяется при разработке технологических приемов снижения их плотности при выращивании монокристаллов.

Ключевые слова:
дефектная структура, дислокации, карбид кремния, распознавание изображений, нейронная сеть.

Цитирование:
Брагин, А. В. Распознавание дислокационной структуры эпитаксиальных слоев карбида кремния с использованием нейронной сети / А. В. Брагин, Д. В. Пьянзин, Р. И. Сидоров, Д. А. Скворцов // Компьютерная оптика. – 2020. – Т. 44, № 4. – С. 653-659. – DOI: 10.18287/2412-6179-CO-660.

Citation:
Bragin AV, Pyanzin DV, Sidorov RI, Skvortsov DA. Recognition of dislocation structure of silicon carbide epitaxial layers by а neural network. Сomputer Optics 2020; 44(4): 653-659. DOI: 10.18287/2412-6179-CO-660.

Литература:
  1. Лучинин, В.В. Карбид кремния – алмазоподобный материал с управляемыми наноструктурно-зависимыми свойствами / В.В. Лучинин, Ю.М. Таиров // Наноиндустрия. – 2010. – Вып. 1. – С. 36-40.
  2. Kimoto, T. Fundamentals of silicon carbide technology: Growth, characterization, devices and applications / T. Kimoto, J.A. Cooper. – Wiley-IEEE Press, 2014. – 538 p.
  3. Авров, Д.Д. Политипные включения и политипная стабильность кристаллов карбида кремния / Д.Д. Авров, А.О. Лебедев, Ю.М. Таиров // Физика и техника полупроводников. – 2016. – Т. 50. – С. 501-508.
  4. Kallinger, B. Threading dislocations in n- and p-type 4H–SiC material analyzed by etching and synchrotron X-ray topography / B. Kallinger, S. Polster, P. Berwian, J. Friedrich, G. Muller, A.N. Danilewsky, A. Wehrhahn, A.-D. Weber // Journal of Crystal Growth. – 2011. – Vol. 314, Issue 1. – P. 21-29. – DOI: 10.1016/j.jcrysgro.2010.10.145.
  5. Friedrichs, P. Silicon carbide: Volume 1: Growth, defects, and novel applications / P. Friedrichs, T. Kimoto, L. Ley, G. Pensl. – Weinheim: John Wiley & Sons, 2011. – 528 р.
  6. Chen, H. Effects of different defect types on the performance of devices fabricated on a 4H-SiC homoepitaxial layer / H. Chen, B. Raghothamachar, W. Vetter, M. Dudley, Y. Wang, B. Skromme // MRS Online Proceeding Library Archive. – 2006. – 911. – DOI: 10.1557/PROC-0911-B12-03.
  7. Logunov, M. Study of nanoscale inhomogeneities in silicon carbide crystals via small-angle X-ray scattering / M. Lo­gunov, V. Neverov, B. Mamin, D. Skvortsov, R. Sidorov // Materials Science Forum. – 2016. – Vol. 858. – P. 349-352. – DOI: 10.4028/www.scientific.net/MSF.858.349.
  8. Danz, R. C-DIC: A new microscopy method for rational study of phase structures in incident light arrangement / R. Danz, P. Gretscher // Thin Solid Films. – 2004. – Vol. 462-463. – P. 257-262.
  9. Сангвал, К. Травление кристаллов: Теория, эксперимент, применение / К. Сангвал, пер. с англ. – М.: Мир, 1990. – 492 с.
  10. Хайкин, С. Нейронные сети: полный курс / С. Хайкин, пер. с англ. – Изд. 2-е. – М.: Издательский дом "Вильямс", 2006. – 1104 с.
  11. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2005. – 1072 с.
  12. Сойфер, В.А. Анализ и распознавание наномасштабных изображений: традиционные подходы и новые постановки задач / В.А. Сойфер, А.В. Куприянов // Компьютерная оптика. – 2011. – Т. 35, № 2. – С. 136-144.
  13. Karpinski, H. Efficient image segmentation for detection of dislocations in high resolution light microscope images of SiC wafers / H. Karpinski, S.A. Sakwe, M. Fried, E. Bänsch, P. Wellmann // Materials Science Forum. – 2011. – Vols. 679-680. – P. 277-281. – DOI: 10.4028/www.scientific.net/MSF.679-680.277.
  14. Schmidt, A. Design of adaptive finite element software: The finite element toolbox ALBERTA / A. Schmidt, K. Siebert. – Berlin, Heidelberg: Springer-Verlag, 2005. – ISBN: 978-3-540-22842-4.
  15. Evans, L.C. Motion of level sets by mean curvature. I / L.C. Evans, J. Spruck // Journal of Differential Geometry. – 1991. – Vol. 33, Issue 3. – Р. 635-681. – DOI: 10.4310/jdg/1214446559.
  16. Otsu, N. A threshold selection method from gray-level histograms / N. Otsu // IEEE Transactions on Systems, Man and Cybernetics. – 1979. – Vol. 9, Issue 1. – Р. 62-66.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20