透射电子显微镜(TEM)薄片制备

简介:透射电子显微镜(TEM)样品制备的质量直接决定了半导体表征、计量和故障分析数据的准确性与可靠性。本文探讨了为先进半导体应用制作高质量TEM样品的关键挑战及解决方案。

为什么TEM样品质量现在如此重要?

半导体行业正面临多个技术拐点,需要更优质的TEM分析:

  • 逻辑器件
    • 全环绕栅极(GAA)结构,线宽达2纳米
    • 复杂的三维架构,包含埋藏特征结构
    • 缺陷检测难度增加
  • 存储技术
    • 高密度、高纵横比通道
    • 缩小的特征尺寸
    • 缺陷可见性挑战
  • 功率半导体
    • SiC和GaN基底的集成
    • 原子级缺陷检测需求
    • 复杂的良率优化需求

TEM样品制备的三大主要挑战是什么?

1. FIB损伤控制

  • 非晶损伤随束流电压成比例增加
  • 临界阈值:每千伏约1纳米损伤
  • 影响:20千伏工艺会产生40纳米的总损伤区
  • 解决方案:具备低电压(500伏)抛光能力
Comparison of ion beam damage at varying voltages (5 kV to 500 V) demonstrating impact on sample quality.
图1:不同电压(5千伏至500伏)下离子束损伤的对比,展示对样品质量的影响。

2. 精确切割定位

  • 纳米级目标精度要求
  • 错位对特征可见性的影响
  • 需要实时监控与调整
  • 高质量扫描电子显微镜成像的重要性
Impact of cut placement accuracy: Off-center vs. centered fin structure in gate.
图2:切割定位精度的影响:偏心与居中栅结构鳍片对比。

3. 样品厚度控制

  • 特征尺寸考量
  • 亚10纳米厚度要求
  • 对伪影预防的影响
  • 与数据质量的关系
Thickness effect comparison: 16 nm vs. 7 nm sample showing artifact reduction.
图3:厚度效应对比:16纳米与7纳米样品展示伪影减少。

样品制备方法如何影响结果?

传统自上而下的方法:

  • 亚30纳米样品的局限性
  • 不同材料导致的条纹效应
  • 最终抛光的挑战
  • 超薄样品成功率有限
Top-down preparation limitations showing curtaining effects.
图4:自上而下制备的局限性,显示幕帘效应。

倒置样品制备:

  • 可实现亚10纳米样品的制作
  • 减少幕帘伪影
  • 结构稳定性提升
  • 自动化流程可用性

高质量TEM样品薄片的最佳实践:

  1. 电压选择
    • 使用最低可行电压进行最终抛光
    • 在制备过程中监控成像质量
    • 根据材料属性调整参数
  2. 位置控制
    • 利用正交视图功能
    • 实施定期进度检查
    • 保持精确的终点控制
  3. 厚度管理
    • 根据目标厚度选择合适的制备方法
    • 考虑结构稳定性要求
    • 使用楔形铣削法制备超薄样品
Inverted preparation method demonstrating improved sample quality and control and lamella end view for target verification.
图5:倒置制备方法展示了改进的样品质量与控制,以及用于目标验证的样品薄片端视图。

技术规格与解决方案

赛默飞科学 Helios 6 FIB-SEM 提供:

  • 电压范围:30 kV 至 500 V
  • 在 500 eV 下实现 500 nm 分辨率
  • 通过赛默飞科学 AutoTEM 6 软件实现自动化样品制备
  • 高精度切割定位能力

注意事项

  1. 样品质量直接影响数据可靠性
  2. 亚10纳米样品需要专门的制备技术
  3. 先进的自动化工具可提高成功率
  4. 低电压能力对于减少损伤至关重要

Abhi Barve

Written by:

Abhi Barve

Senior Director and General Manager, Semiconductor, Thermo Fisher Scientific

Abhi Barve is Sr. Director and General Manager, Semiconductor with extensive experience in automation, metrology, and advanced semiconductor workflows. His background includes automated transmission electron microscopy, process development analysis, yield learning, and atomic scale characterization.

Read more Barve, Abhi