複合半導體的製造分析——聚焦碳化矽（SiC）—

SiC 終於登場了！

數十年來，我們早已習慣認為矽是唯一的解決方案。當全球最大的晶圓廠忙於將矽晶片送交流片時，化合物半導體（CS）領域的研究者們卻持續向前推進。無論是 InP、SiN、GaAs、Ge、InGaAs、CdTe、GaN 還是 SiC，半導體的世界遠不止矽這一種材料。隨著特斯拉在其電動車中導入碳化矽（SiC），世人才意識到 SiC 已無法再被忽視。根據 Yole 的數據，該市場在 2023 年已成長至超過 25 億美元，並預期將以驚人的 24% 年複合成長率（CAGR）持續擴張。如今，絕大多數電動車電子元件供應商皆提供 SiC 功率 IC。

這由此形成了一個由材料供應商、資本設備、無晶圓廠、代工廠及 OSAT 共同構成的全新生態系統。部分業者採取完全垂直整合的策略，從碳化矽（SiC）粉末開始，直至多晶粒功率模組為止。這些便是整合式裝置製造商（IDM），包括意法半導體（ST）、 onsemi、 Wolfspeed、英飛凌、電裝、博世、羅姆、 SanAn等……由於原料成本高昂，許多新進業者紛紛進軍基板產業。許多企業透過併購與有機成長投入巨資，如今正面臨如何為股東實現投資回報的挑戰。在這場激烈的競爭中，許多企業勢必正在重新審視自身的長期策略。

福利成本高昂

SiC 為設計人員和消費者均帶來卓越的優勢。得益於其材料特性，SiC 電晶體可在更高電壓下運作，且阻抗較低，隨溫度上升而產生的性能退化程度也較小。這些特點使 SiC 電子元件在車輛及電網應用中的電力轉換與充電領域極具吸引力。然而，其原料價格遠高於矽。 SiC 的晶體生長速度比矽慢數個數量級；其硬度僅次於鑽石，使得切片、拋光和切割過程相當困難；高工作電壓需要較厚的外延層，而這類外延層通常具有較高的缺陷率；垂直式電晶體結構則需要進行大量晶圓背面處理。所有這些因素都導致缺陷率更高、良率更低，且良率波動頻繁。對消費者而言，這意味著產品成本更高，且實際使用時的可靠性較低。歸根結底，沒有人願意在將畢生積蓄付給經銷商後，卻發現自己開著嶄新的電動車動彈不得。

落後矽谷數年

製造商間流傳的一種常見陳詞濫調是，碳化矽（SiC）比矽落後數十年。主流晶圓尺寸是衡量材料平台成熟度的良好指標。從歷史發展來看，隨著矽製造技術日趨成熟，產業逐步過渡到更大的晶圓尺寸，過去四十年來歷經了 100、150、200 及 300 公釐晶圓的演進，如下圖所示。

與此同時，當今的碳化矽（SiC）主要採用 150 公釐基板製造。此外，多家公司已宣布將轉向使用 200 公釐基板。近期，中國基板供應商 SICC 展示了 300 公釐基板，然而使用如此大尺寸的基板仍遙遙無期。在未來幾年內，預計大部分產能仍將維持在 150 公釐晶圓上。因此，若以量產階段的基板尺寸來衡量，碳化矽（SiC）確實比矽落後 30 年。

當今 SiC 電路的複雜程度，與 1980 年代的矽晶片相仿。如今，複雜電路的整合是在封裝層級進行，而非像矽晶片那樣在單片積體電路上實現。雖然最複雜的矽積體電路擁有數十億個電晶體，但 SiC 積體電路的複雜程度卻遠遠不及此。原因很簡單——晶片良率會隨晶片面積呈指數級增長。當缺陷率過高時，這將產生不利影響，唯一的解決之道就是採用更小的晶片，並在封裝層級將已知良品晶片整合成更複雜的電路。

雖然碳化矽（SiC）看似比矽落後數十年，但它要迎頭趕上，未必需要花費數十年時間。

大數據平台

過去數十年來在矽積體電路製造領域所發展出的各種方法，現已可供運用。其中一個例子便是我們的 Exensio® 平台，該平台奠基於我們在矽晶片領域運用數據分析的 20 年經驗。在此，我們將目光聚焦於數據本身，以及如何有效運用數據來優化創新流程。畢竟，在這個領域深耕數十年，已讓我們掌握了一些關鍵線索。

打破資訊孤島： 從積體電路（IC）設計到大規模量產的技術週期異常漫長，涉及眾多參與者，且各營運環節間存在大量資料孤島。這正是端到端大數據平台發揮作用之處——透過端到端串聯所有資料，使其能供各類職能部門廣泛運用。
智慧工廠： 當今的前端工廠與數十年前的前輩們已大不相同。當今的製造生態系統匯集了來自數十家供應商的各種軟體功能，且具備成熟的互通性。

標準化： 得益於多個組織（例如 SEMI、GSA、SIA）的努力，目前已形成廣泛的產業標準體系，涵蓋範圍從設備連通性到資料格式與規格等各個層面。這些標準能促進設備與供應商之間的互通性，並簡化設備與軟體的部署流程，從而支援良率提升。

材料可追溯性： 無論您是在晶圓廠追蹤晶圓，還是於組裝線追蹤晶粒，這都是一項複雜的任務。多重基板識別碼、多個製程步驟中的返工、基板分級以及精選（cherry-picking），僅是其中幾個例子。在組裝線上，這同樣是一項不小的挑戰。所幸，其中許多問題已透過可追溯性標準獲得解決。

資料模型 才是真正關鍵的環節。既然您已經掌握了進料資料、來自晶圓廠的線上資料，以及外包測試與封裝服務商（OSAT）的組裝與測試資料——該如何運用這些資料來加速學習與量產爬坡？資料模型闡述了在製造流程中，實體物件（設備、晶圓、晶粒、模組）、製程（晶圓廠、組裝、測試）及其相互關係。

AI/ML： 數十年前，科學家必須費盡心力建立因果關係的分析模型，軟體開發人員則需擬定軟體規格書，諸如此類。如今，眾多以資料為中心的框架以及人工智慧／機器學習的普及，不僅縮短了這個週期，更消除了許多瓶頸。無論你是習慣說「OK Google」還是「嘿，Siri」的人，都不會希望每當有疑問時，都得依賴一支資料科學家團隊。

資料過多： 在整個製造過程中，每片晶圓都會產生海量數據。然而，其中絕大部分數據從未被使用。與此同時，汽車產業的客戶對於其晶片和模組供應商在數據保留方面提出了更嚴格的要求。正因如此，數據平台必須提供多元化的儲存方案，讓使用者能在效能與成本之間取得平衡，並提供數據快取與老化管理的控制選項。
當然，上述各項都不是什麼高深莫測的技術。任何製造商都能透過自研解決方案達到相同效果。雖然這些解決方案的初期成本看似低廉，但長期維護起來相當困難，且往往在人力成本方面反而更為昂貴。 採用業界標準解決方案，能讓製造商提升效率，並比競爭對手更快地提高產能。 這正是我們看到越來越多企業前來洽談的原因。

接下來會發生什麼事

根據 Yole、TrendForce、麥肯錫（McKinsey）及 SEMI 的預測，多數化合物半導體裝置預計將呈現成長態勢。碳化矽（SiC）無疑位居此清單之首。依據高德納（Gartner）的「技術成熟度曲線」術語，碳化矽已度過「幻滅谷」。矽（Si）與氮化鎵（GaN）皆在功率積體電路（Power IC）市場中開拓出更多空間。此一變革將推動碳化矽在性能與成本方面持續進步。與此同時，各細分領域——包括材料供應商、代工廠、無廠晶片公司及整合式裝置製造商（IDM）——都有更多業者進軍市場。競爭將日益激烈，迫使製造商提升良率、加快開發週期，並實現更高程度的整合。在成本與性能的雙重壓力下，設計者與製造商必須開始採用符合產業標準的大數據平台。在接下來的文章中，我們將探討此類平台的各個面向。

如欲了解更多資訊，請點擊以下連結：

參考文獻：