AI和高na EUV在3/2/1nm

《半导体工程》杂志与Photronics的技术和战略总监、杰出的技术人员Bryan Kasprowicz坐下来讨论光刻和掩模问题;哈里·莱文森(Harry Levinson)， HJL Lithography的负责人;NuFlare的高级技术专家Noriaki Nakayamada;以及日本的首席执行官藤村昭(Aki Fujimura)d2．以下是那次谈话的节选。要查看本讨论的第一部分，请单击在这里．第二部分是在这里．

SE:几十年来，集成电路行业一直遵循摩尔定律，即芯片中的晶体管密度每18至24个月翻一番。按照这种节奏，芯片制造商可以在一个芯片上封装更多更小的晶体管。但摩尔定律的速度正在放缓。任何想法吗?

》: D2S是半导体制造业的软件供应商，专门从事GPU加速，它耦合了cpu和GPU的计算能力。所以我们是计算能力消耗者的一个很好的例子。我们每天都觉得，如果我们每一美元有更多的计算能力，我们可以为制造业做更多的事情。这在科学计算中已经是真实的，就像我们所做的，但打破这道堤坝的是深度学习．如果有一家财富500强公司没有以某种方式在深度学习方面进行大量投资，我会感到惊讶。芯片行业出现了分歧，包括深度学习在内的超级计算需求，正在推动对3nm、2nm及以上技术的计算能力的无限需求。与此同时，物联网和其他大批量、低成本应用将继续利用落后优势。

莱文森关于扩展技术，最让我担心的不是模式。是设备和互连．在这个问题上，没有人有真正的解决方案。在光刻技术中，我们至少有多种解决方案，现在我们可以从中进行选择。我很担心这些设备。这可能会耽误事情。

SE:如今，芯片制造商正在使用极紫外线(EUV)采用单一图案技术的光刻技术。但在某一时刻，EUV单一图案将达到极限。然后，芯片制造商必须去EUV双图版或等待高na EUV。(今天的EUV光刻扫描仪采用0.33数值孔径镜头，而高NA光刻采用0.55 NA镜头。首款高na EUV工具仍在研发阶段，预计将于2022年问世。)这将如何发展?

莱文森好消息是，芯片制造商已经不再向抗蚀剂供应商提出20mJ/cm的要求²电阻，阻止了0.33 NA EUV光刻向其分辨率极限扩展。所以我们现在看到了EUV抗性的很多进步。在5nm节点上，我们将看到0.33 NA EUV的单一模式扩展。但问题是，那之后你要做什么?下一个节点是3nm，不管你怎么叫它。这将使用0.33 NA EUV开发双模式．这只是因为将高na这样的新曝光工具推向成熟需要时间。然后，当你进入制造阶段，你可能会进入高na EUV。这是那种你只能等着瞧的事情。两种情况都有可能。好消息是我们有解决方案。

Nakayamada: 3nm节点不使用High-NA。3nm可以使用EUV进行双或四倍模式。

SE: EUV双图版昂贵且困难吗?

莱文森:如果只是双重图案，也可以接受。你会有足够的心理医生来证明这一点。我们需要很好的过程控制。在光学图形中，我们不只是做双重图形。我们有这些多重切割层之类的东西。这不仅仅是因为分辨率。这也是因为过程控制。所以你做这些自对齐的方块之类的东西。最近有一个Imec演示，用EUV制作的2纳米间距技术多个模式．它需要四层图案的金属层。

Kasprowicz:除了EUV双图版，还有什么替代方案?我不相信有，所以你要做它来推进到下一个节点。此外，传言中2.5亿美元的高na扫描仪对任何人来说都是一个相当高昂的价格。经验告诉我们，无论采用何种技术，评估、鉴定和集成新工具都需要时间。我猜，每家公司的第一个高na工具将需要一段时间才能进入任何一种制造环境。从那里，我的猜测是你会看到使用量增加，但可能不会像0.33 NA工具那样快，因为成本。

莱文森: EUV的双模式，这不是一个大的问题。但是在过程控制方面还需要做一些工作。所以我们需要多波束写入器来制作优秀的掩模。我们需要所有的ILT(反光刻技术)方案来挤出每一点工艺能力等等。人们会明白的。

SE:高na EUV的挑战是什么?

莱文森幸运的是，很多问题都是非常基础的。蔡司和阿斯麦已经提高了学习曲线。但让我担心的一件事是需要对EUV抵抗进行更大的改进。此外，高NA EUV光刻的聚焦深度仅为0.33 NA EUV光刻的1/3左右，因此需要非常好的聚焦控制。高昂的工具价格，加上半尺寸暴露场对吞吐量的影响，将使晶圆成本成为持续关注的问题。此外，在当前的非偏振光源下，在0.55 NA处有图像对比度损失。这些问题没有一个是无法克服的，但它们会让平版印刷师很忙。

》:需要将完整的十字线设计分成两部分，在它们之间有足够的空间，这为这些芯片的设计增加了额外的限制。用不同掩模写的两半不可能完美地缝合，所以在物理设计时，这两半需要在物理上分开一定距离，芯片设计师知道某一层将用high-NA写。同样，在一个芯片的3 × 3阵列中，1/9的十字线尺寸是不实际的。因此，高na芯片的物理设计会有更多的约束。然而，这些前沿节点上的设备非常复杂，在设计上有很多重复的结构。在合理的时间内合理地设计和验证什么是人类组织的限制，完整的十字线设计将需要冗余来获得合理的产量。所以在物理设计中有自然的分区。此外，高na层是关键层，因此在没有使用高na书写的层中拼接互连不会有问题。高na确实给设计增加了限制，但设计师会找到巧妙的方法来处理它。

Kasprowicz:高na工具将具有不同的成像光学，即它是变形的-这意味着一个轴是4X，另一个轴是8X，而不是所有前几代的两个轴都是相同的。所以在参考掩模制造商工作时通过的典型掩模工艺流程时，还有许多未知数，比如数据准备。目前，我们提供分层数据，然后支持布局和压裂。有了变形透镜OPC(光学接近校正)将改变一旦缩放应用。数据验证步骤并不简单。由OPC和双缩放所创建的角度将创建角度，除其他原因外，将指示需要一个多波束掩模写入图形工具。此外，还有检查，主要是缺陷处理方法。检查工具是否具有模拟扫描仪的能力，以便通过AIMS检查系统或其他方法识别潜在缺陷并进一步表征?如果不是，那么可能需要复杂的技术来提供这种评估。所有这些都需要时间，并需要投资适当的工具，这反过来又推动了整体掩模成本。

SE:今天的EUV掩模由40到50层硅和钼交替层组成，在基片上形成了250到350纳米厚的多层叠加层。在叠层上，有一个钌基的盖层，接着是一个钽基的吸收层。今天的EUV掩模受到所谓的掩模3D效果的影响，这可能会导致不必要的图案放置变化。所以在3nm及以上，行业可能需要新型的EUV掩模，对吗?

图1:EUV掩模的横截面。在EUV中，光线以6°的角度照射掩膜。资料来源:Luong, V.， Philipsen, V.， Hendrickx, E.， Opsomer, K.， Detavernier, C.， Laubis, C.， Scholze, F.， Heyns, M.，“Ni-Al合金作为替代EUV掩膜吸收剂，”应用。科学。(8)， 521(2018)。Imec，鲁汶大学，根特大学，PTB

Kasprowicz:有些人开始考虑衰减相移EUV掩模和高k EUV掩模，甚至是今天的0.33 NA EUV扫描仪。虽然我们在验证当前的钽基材料方面获得了丰富的经验，但验证新材料将需要时间。一个更大的问题是，这个行业是否会像钽那样协调一致，还是会根据产品类型(内存vs逻辑)出现许多不同类型的EUV掩模?另一个值得关注的问题是，使用标准的Mo/Si多层EUV掩模坯料用于高na，我们能否获得足够的多层结构反射率?如果不是，那么可能需要花点功夫看看多层空白的替代选项。开发不同的EUV掩膜类型的决定取决于需要多少努力，以及创建这些新的EUV掩膜类型的正确混合物是什么。它还取决于随着时间的推移，暴露这些空白时会发生多少层间扩散。你也可能不需要那么多的多层对这些下一代EUV坯料，因为它将是一个更强的镜子。还有很多事情是未知的。而空白制造者会考虑所有的因素。 Once again, in R&D, there is the development of high-k and phase-shift EUV masks for the 0.33 NA EUV tools. That’s where the focus is right now. In the background, many are looking at some of the different multi-layer propositions, as well. No matter what is deposited on it, the mask makers must be able to pattern it. We have to be able to remove or etch it. We have to be able to inspect it and deliver the product in the end.

SE:在某种程度上，一些芯片制造商在晶圆厂和掩模车间部署了机器学习技术，用于缺陷检测和其他应用程序。我们会看到深度学习技术广泛应用于口罩制作吗?

》:在eBeam倡议的光源调查我们问了一个关于那个主题的问题。大约三分之二的人认为，到2022年，某种深度学习技术将被应用到口罩制造过程中。有些人认为可能在2023年的某个时候，有些人认为它永远不会被使用。人们的观点并不统一，就像你问这样一个问题:“深度学习是否会应用于自动驾驶?”“我个人认为，深度学习很快就会开始应用于口罩制造。重申一下，深度学习是机器学习的一个特殊版本。在深度学习之前，机器学习已经被应用，特别是在分析大数据方面。晶圆厂和口罩店拥有大数据。但深度学习带来了一系列全新的可能性，帮助制造得更好更快。例如，在进行ILT的过程中，您可以将处理速度提高到大约2倍或更多。它还可以通过快速估计影响来提高准确性，否则这些影响将是计算密集型的。 Multiple papers have been published on the use of deep learning for mask 3D effect compensation, for example. In addition, because deep learning is so evolved in image processing, applications that automatically analyze SEM images or automatically categorize defects detected by inspection will be deployed in mask shops. Deep learning has a trap in that it is easy to prototype, but requires tremendous amounts of data to make it production quality. Just as the autonomous driving community has found, digital twins that generate data, like an image of a child chasing a balloon or an image of a particularly tricky type of a defect, are critical. You don’t need them for a prototype to show promising results. But you must have them for production deployment of deep learning.

有关的故事

多图型EUV Vs.高na EUV