通过检测、细化、澄清和解决标准电池内的缺陷，提高成品率和故障分析。
细胞感知诊断是检测标准细胞内部缺陷的一种新的有效方法。来自一家大型铸造厂的行业标准失效分析(FA)结果表明，细胞感知诊断通过减少细胞内部缺陷数据中的可疑数量，可以非常有效地提高诊断的分辨率。
随着先进的技术节点，我们有更复杂的布局结构和制造工艺，如复杂的finfet和多模式。一个副作用是在库单元内的前端层预计会出现更多的缺陷和系统成品率问题。有缺陷的模具通过FA来寻找良率损失的根本原因，但finfet的FA成本高，成功率低，需要新的解决方案。当良率工程师不得不部署纳米探针和TEM成像时，他们希望更有信心，这些昂贵的技术将成功地发现可以提高良率的缺陷。因此，比以往任何时候都更重要的是仔细选择最可能代表主要产量损失机制的失效模具。缺陷示例如图1所示。
图1。显示两个缺陷示例的OR单元的布局;一个Metal1 short和一个poly open。缺陷细胞模型如图所示。
对于数字逻辑，您可以基于扫描测试诊断结果为大量失败的模具构建一个缺陷机制Pareto，但结果将包括假嫌疑人。如何消除模糊性或诊断噪声?
经过多年的研究，并与无晶圆厂半导体制造商、代工厂商和集成器件制造商合作，Mentor开发了根源反褶积(RCD)，这是一种无监督机器学习算法，用于在存在噪声的情况下从体积诊断结果估计缺陷帕累托。RCD成功地降低了总成本和周期时间，以找到互连中后端良率损失的根本原因。
目前，基于机器学习RCD算法的细胞感知体积诊断已扩展到高级节点库细胞内的前端缺陷机制。新的细胞感知诊断技术允许诊断报告细胞内的可疑分子。它创建了一个包括后端互连和前端单元内部物理缺陷机制的帕累托缺陷。
细胞感知诊断利用模拟仿真得到的故障模型，采用与传统诊断相同的故障数据采集和诊断流程。RCD算法通过建立统计模型来估计失效模具中缺陷机制的概率分布，然后使用最大似然估计来计算未知的根本原因分布。基本上，最大可能看到给定诊断报告集的分布必须是正确的。一旦计算出根本原因分布，就可以确定故障模具中怀疑是真正缺陷的概率。
GlobalFoundries进行了一项控制注射实验，以测试细胞感知诊断方法。通过在设计中注入多晶硅桥，创建了200个模具。首先，采用非细胞感知诊断方法进行故障诊断，并采用RCD算法进行故障诊断。结果显示，在帕累托图表中，几个大的细胞和一个金属1打开了顶部的根本原因。有用，但不是很精确。
然后对相同的模具进行细胞感知诊断并进行RCD。然后，帕累托图包含了精确的目标根本原因，即多晶硅空头，并且消除了金属1打开的假顶部根本原因。这突出了RCD细胞感知诊断在解决细胞内前端层物理根本原因方面的巨大价值。
有了这种精确的根本原因分布，FA的模具选择可以更精确地定向，从而显著减少整体产量分析周期时间和成本。
实验在五种工业设计上重复进行;然后，该技术在真实的硅数据上进行了测试。根据诊断报告创建缺陷帕累托图后，选择FA模具。FA在8个模具中发现了6个符合预测的根本原因的缺陷，命中率为75%。
这项工作表明，RCD的细胞感知诊断提高了良率斜坡和半导体质量。
参考文献
“用体积扫描诊断解决复杂FinFET缺陷机制的细胞内机器学习”。电子设备故障分析，2019年第1期，第21卷。版权所有©2019 ASM国际。经允许使用。https://static.asminternational.org/EDFA/201902/4/
|
|
|
|
|
|
|
|
|
|
留下回复