实验选用了来自不同供应商的150mm、4°斜切角的SiC衬底晶圆。所有晶圆都使用Bruker公司的Sensus-CS设备进行XRDI扫描，以精准测量晶圆中各种类型的位错；另在600°C下，对这些晶圆（或同一晶锭的其他晶圆）进行熔融KOH刻蚀，并比对两者的结果。此外，还在这些晶圆上进行了外延生长，以评估衬底位错在外延层中扩展成各类缺陷的形成情况，并在外延生长前后，通过光致发光（PL）对缺陷进行检测。

本研究使用Bruker公司的Sensus-CS设备。每片SiC衬底片的扫描采集时间为30分钟以内，以符合切实可行的在线生产检测需求。不同质量晶圆的XRDI检测结果如图1所示。从XRDI得到的结果图像中，可以明显地看出不同质量晶圆上缺陷的种类、数量与分布的不同，这可对衬底质量进行快速定性与比较。

更深入的数据分析，则需要对每一种类型的缺陷进行分类识别。鉴于每个晶片中可检测到的缺陷数量多达上百万个，许多缺陷相互重叠，且XRDI图像还包含了整个晶片体内部的所有缺陷，这使得自动识别分类工作变得十分困难。在Sensus-CS设备上可设置缺陷自动检测分类（ADC）算法，对微管（MP）、基晶面位错（BPD）、螺位错（TSD）和刃位错（TED）进行分类。每种缺陷类型的分类准确性各不相同。微管是分类最为准确的缺陷类型。而螺位错（TSD）和刃位错（TED）之间的形态特征区分度则相对较低。另一方面，基晶面位错（BPD）特征明显，但它们相互重叠且密度较高。由于缺陷数量众多，大多数情况下，将这些缺陷可视化的最佳方式是绘制晶圆上每种缺陷类型的密度图或热力图。

图2a和2c分别为两片晶圆XRDI的BPD分布图。BPD的分布情况通常取决于晶锭的生长工艺。这两片晶圆随后用熔融KOH刻蚀法处理，并通过另一种ADC算法对每个蚀刻坑进行分类，得到的BPD分布图如图2b与2d所示。两种量测方法得到的BPD分布图虽然在趋势上大体相符，但仍存在一定的差异。这主要是因为，刻蚀法仅表征了衬底表面腐蚀深度内的BPD，而XRDI的扫描图则包含了晶圆体内的所有BPD。

为了研究外延层中扩展缺陷的形成及其与衬底位错分布的关系，作者选择了一组晶圆用于外延生长。在现代工艺中，外延层中BPD的扩展可几乎完全被缓冲层所优化消除，缓冲层会将BPD转化为TED。为了避免这种转化，本实验生长的外延层未使用缓冲层。图3a和3b分是熔融KOH蚀刻后和XRDI所测得的BPD分布热力图。在外延生长后，从图3c中可以看到在外延层中形成的BPD密度。尽管实验目的并非是要转化BPD，但在晶圆的某些部分仍存在相当数量的BPD被转化的情况。合乎预期的是，外延层中BPD的分布情况与在裸晶圆衬底上检测到的BPD分布极为相似。图3d展示了外延层中已形成的堆垛层错（SF）。这再次与衬底的BPD分布紧密对应。从统计学角度来看， SF的形成与衬底中的BPD存在关联。而与XRDI所得到的TSD/TED图相比，并不存在这样的相关性。

为了进一步验证这一关联，作者选取了一片具有较高BPD密度的衬底晶圆用于外延生长。图4a显示了外延生长前该晶圆通过XRDI检测得到的BPD分布图，图4b则显示了外延生长后通过PL检测得到的SF分布图。通过比对，可发现除了一些与其他缺陷重叠的区域以外，层错SF多发生于BPD的高密度区。有意思的是，在堆垛层错较少的区域，则主要分布着条形层错（BSF）。

作者又选取了一组来自同一制造商且具有相似缺陷特征的衬底，对其进行了XRDI表征，并进行外延生长实验。图5进一步说明了外延层中生成的SF数量与衬底晶圆中BPD密度之间的相关性，这意味着在生产环境中，有利用XRDI进行在线质量控制的可能。在不存在致命缺陷的情况下，实际生产中可以通过SF的数目，更好地预测器件的良率。