现代半导体器件和芯片的制造需要专用设备、细致的分析和超高精度。其工艺复杂，客户响应要求严格，且需求具有不确定性。

由于现代设备的纳米级尺寸和复杂结构，精密制造至关重要。原子力显微镜( AFM) 对于研究和简化纳米级制造以及表征半导体特性至关重要。

AFM 简介

AFM 技术最适合测量半导体材料中的缺陷和在线局部响应，使其成为材料科学、光学和纳米技术应用的理想选择。

原子力显微镜 (AFM) 采用一端带有尖头的悬臂，提供有关半导体纳米结构的详细信息。样品对悬臂施加力，使悬臂保持平衡。当悬臂在样品表面扫描时（沿 x 和 y 方向进行光栅扫描），悬臂会跟随表面轮廓移动，并使激光束偏转，偏转方向与悬臂的位移成比例。

该过程记录样品表面的轮廓或形貌，作为 x 和 y 方向横向光栅位移的函数。

专家在半导体制造的各个阶段应用不同类型的原子力显微镜 (AFM)。导电型原子力显微镜 (C-AFM) 常用于研究半导体加工过程中的纳米级传输特性，尤其是在半导体过渡金属二硫属化物 (TMD) 中。

C-AFM 可实现精确的纳米级电流-电压 (IV) 映射，从而能够对二维半导体材料进行精确分析。导电尖端可记录半导体制造中使用的 TMD 上的局部电压和电流值。

另一种独特的原子力显微镜 (AFM) 是开尔文探针力显微镜 (KPFM)，它被世界各地的半导体制造商广泛使用。KPFM 需要在与样品接触的探针尖端施加交流电压，并记录悬臂的偏转作为反馈信号。

KPFM 工艺需要将金属尖端放置在距离半导体样品预定距离的位置。与普通的直流电压不同，交流和直流电压会同时通过金属尖端。优化后的直流电压输出被记录为 KPFM 信号，记为“V k ”。

对于半导体样品，尖端-样品系统形成金属-绝缘体-半导体 (MIS) 电容器，这使得 KPFM 中的尖端-样品相互作用比金属样品更加复杂。

AFM 在半导体制造中的应用表面表征

随着纳米技术的进步，理解纳米级和亚纳米级表面特性变得越来越重要。相干扫描干涉仪、激光显微镜和原子力显微镜等方法可用于评估表面形貌。

现代半导体和电子设备需要高度精确的纳米级表面特性来确保效率，这使得 AFM 成为提供 3D 纳米分辨率数据的首选。

硅晶片的表面粗糙度至关重要，因为它会降低某些电气特性。研究人员使用两种不同的晶片条件进行了一项研究，每种晶片的平均粗糙度（通过原子力显微镜 (AFM) 测量）各不相同，以确定半导体之间的性能差异。

使用由 512 × 256 像素组成的 AFM 图像计算每个样品的均方根平面粗糙度 (Sq)。研究发现，薄膜局部窄斑块粗糙度对半导体器件性能参数（例如薄膜可靠性）的影响比长区域粗糙度更大。

薄膜分析

AFM 也用于分析半导体器件中使用的薄膜。纳米级 TiO 2薄膜是主要候选材料，它用于半导体器件和现代光催化应用。专家们开发了不同厚度的 TiO 2薄膜并研究了每种薄膜的特性，证明了 AFM 在研究薄膜方面的有效性。

利用AFM测量对薄膜的表面形貌和粗糙度进行了评估，发现随着TiO 2薄膜厚度的增加，薄膜的晶粒尺寸和粗糙度增大，表面形貌的改变导致薄膜表面变得粗糙。

厚度的增加也给材料带来了额外的阻力，这对于电光设备应用来说是不希望的。这些薄膜提供了灵活性和精确的控制，对于提高半导体器件的整体性能和属性至关重要。

故障分析

另一个重要应用是半导体故障分析。故障分析在半导体制造的每个阶段都至关重要，从产品开发到制造、组装和封装。

电容式原子力显微镜 (C-AFM) 和扫描电容显微镜 (SCM) 是两种广泛用于此目的的原子力显微镜 (AFM) 技术。C-AFM 对分析体硅器件特别有效，而 SCM 则通过使用较小的交流偏压在探针尖端附近诱发样品的电容变化来工作。

纳米机械性能测量

在过去的几十年里，AFM 已经从主要用于对表面形貌进行成像发展到以亚纳米分辨率表征各种化学、机械、电气和磁性材料特性。

通过分析尖端-样品接触力学，AFM 可以将这种对比转化为各种纳米机械特性的定量测量，例如弹性模量、剪切模量、磨损率、粘附性和粘弹性。

间歇接触共振原子力显微镜 (ICR-AFM) 模式对此至关重要。它能够捕捉每次探针与样品相互作用过程中接触力学随压痕深度的变化，从而提供特征接触的三维图。

ICR-AFM 能够直接测量粘合剂尖端与样品的相互作用，旨在对亚表面区域进行定量的 3D 力学表征。接触刚度的深度依赖性可以揭示亚表面的不均匀性，从而有助于对样品进行 3D 结构和性能表征。

通过这种方式，AFM 可用于半导体制造过程中的各种任务，确保其高质量和有效的纳米级表征。

前景

原子力显微镜 (AFM) 广泛用于材料亚表面成像和表征，但其精度受限于显微镜探针的尺寸。最近，研究人员利用人工智能 (AI) 解决了这一问题，开发了一种基于图像到图像转换方法的深度学习 (DL) 方法。

该算法采用尖端卷积和反卷积图像对的数据集来训练基于编码器-解码器的深度卷积神经网络。该模型使用人工智能生成的 3D 结构进行训练，然后该模型模拟并分析 AFM 读数。

深度学习算法的设计考虑了探针尺寸的影响，并利用原子力显微镜 (AFM) 原理在纳米尺度上表征半导体材料。这种新颖的人工智能集成方法是同类首创，远超传统技术，能够以更高的精度在更小的纳米尺度上成功生成三维表面表征。

研究人员有望整合更多现代技术，以增强现代原子力显微镜 (AFM) 模式的功能。此外，新型原子力显微镜 (AFM) 技术正在开发中，其数据采集速度更快，效率更高。

这些现代AFM技术将针对二维钙钛矿和量子点等半导体材料进行优化。新型AFM技术的应用有望推动未来半导体设计、纳米级表征和故障分析的改进。