控制IC制造过程的良率

设备和工具供应商开始关注数据，将其作为提高良率的一种手段，在制造流程中添加更多的传感器和分析功能，以实时规避问题。

这将在多大程度上影响在前沿节点、2.5D和3D-IC封装中开发复杂芯片的成本，仍有待观察。但是，在制造过程中生成数据并对其进行足够快的分析以影响产量和上市时间的竞赛已经开始。这包括更多定制的传感器、机器学习和人工智能系统，这些系统可以足够快地分离出关键数据，以影响正在进行的流程，以及更长期的数据收集，以确定模式。它还包括能够快速删除不必要的数据。

这些努力背后的驱动力是基本的数学。据国际商业战略公司(International Business Strategies)称，开发5nm asic的预计成本约为5亿美元，而开发3nm asic的成本可能达到15亿美元。其中包括一次或多次重新旋转，以提高功能，并确保打印在芯片上的内容与初始设计相匹配。有许多可能的方法可以降低成本，缩短实现收入的时间，而且这些芯片的开发人员对实现这些功能的需求也在不断增长。

“我们正在做更多的事情，特别是在你继续缩小几何形状的时候，”凯文·张说，业务发展副总裁台积电．“当你缩小几何图形时，你的电路变得更加敏感。我们正在我们的生产线上实施更先进的缺陷检测。上个季度，台积电因抗蚀剂问题不得不报废晶圆。”

由于密度的增加和特征尺寸的减小，这些类型的问题更加复杂。以前在28nm工艺上不存在的问题，比如打印不完美的特征，在7nm工艺上可能会导致真正或潜在的缺陷。

“在先进的节点，你必须将工艺控制与设计余量联系起来，无论是finFET还是finFET + 3D，”Jonathan Holt表示PDF的解决方案．“如今，FDC(故障检测和分类)和传感器已经从设计中分离出来。但向前走，你必须考虑布局和边际，并将其与加工能力联系起来。工业4.0和人工智能已经取得了一些成功，但现在人们正在考虑是否有正确的传感器和正确的数据来将其与流程联系起来。这对上市时间有很大影响。”

理解哪些数据有用，哪些没用也是如此。“如果你只是获取数据，最大的问题是你要用这些数据做什么，”David Fried说Coventor是一家Lam研究公司．“所以你可以看到大量的原位传感器、非原位传感器、计量传感器、工具传感器，甚至是用于将气体送入腔室的质量流量控制器的传感器。有工具/设备级别的监控数据。然后就是函数数据。哪个晶圆被机械臂送到了哪个房间?有一组特定的数据不需要比附近的工具或计算环境走得更远。”

但是，将数据分离到不同的桶中并不是那么简单，特别是当它涉及多种数据类型时。作为一个中央操作来改进工艺控制也很困难，因为构成芯片制造的各种工艺是一系列精心调整的独立步骤，而不是单一统一工艺的一部分。在一个领域和一个应用中被认为重要的东西可能没有其他应用那么重要，所以必须在不影响晶圆在晶圆厂中的移动的情况下，在这些步骤中增加控制。

“不同的工艺步骤有不同的公差，”拉姆·佩尔蒂诺夫(Ram Peltinov)说应用材料．“在过去，你可以给每个流程步骤自己的预算，当你把所有东西加起来时，一切都有效。如今，随着每一个模式化步骤，错误预算都在增加，所以您需要更多的控制。除此之外，还需要更多的抽样和信息。在过去，你可以用10到30个数据点来处理每一层来描述一个层。如今，您需要进行更多的采样，并将数据来回反馈。所以你有更多的数据来描述整个晶圆或芯片的可变性。”

这会产生大量数据，需要本地服务器或云。在大多数工业操作中，这将是传感器和云存储之间的中间步骤，但代工厂在将任何数据存储在公共云中方面一直存在阻力。因此，晶圆厂本身需要智能地分析哪些数据需要立即采取行动，哪些数据可以稍后分析。

一个给定的智能过程工具可以有20个或更多的过程控制参数或“旋钮”。由此产生的晶圆结构被保持在埃级规格，因此对变化的容忍要严格得多，”Fried说。“在控制方面，变化以多种方式出现:批次与批次之间、晶圆与晶圆之间、晶圆之间、晶圆上的变化以及LER/LWR/LCDU(线边粗糙度/线宽粗糙度/局部临界尺寸均匀性)。我们今天使用的一些旋钮被视为更好地控制过程的一个机会。但也存在挑战。”

其中一个挑战是理解如何使用这些数据。并不是所有的晶圆厂在获得数据后都同样擅长如何处理数据。

“关键是连接更多的地铁检查信息来源，”应用材料公司的Peltinov说。“但如果你能在研发过程中稳定这一过程，确保可靠性所需的参数/采样数量就会降低。”

可变性
不过，半导体制造业别无选择，只能朝这个方向发展。设计变得越来越大，越来越复杂，变量的数量——以及每一个变量的潜在变化——正在爆炸式增长。

“你可以想象在不同的过程控制方案中进行大量的补偿，特别是为了解决可变性问题，”at的CTO Rick Gottscho说林的研究．“这个行业才刚刚起步。如果你看看finFET，该设备的三维性质对我们和整个行业提出了挑战，为大批量制造提供强大的解决方案。你必须担心小角落里的残留物，蚀刻一种材料对另一种材料的选择性，沉积的一致性。一切都变得更加复杂。”

在5nm之后就更加复杂了。Gottscho表示:“当我们在3nm及以下工艺上启动下一代栅极全能工艺时，复杂性将会上升一个数量级。“起初，它看起来像是finFET的改进。但是要求越来越严格，而且这种全门架构的复杂性比finFET要大得多。这是一个我们从未见过的更复杂的设备，我们一直在一个接一个地说。然而，作为一个行业，我们一直在向前发展。除此之外，还有很多变化的来源，所有这些都很重要。”

这些来源从材料的杂质到材料在制造过程中的应用。在每一个新的节点上，薄膜都需要以更高的精度应用，因为公差更严格。与此同时，使用现有的检查工具来识别像差变得越来越困难。

“如今，最大的问题是覆盖范围，”Applied的Peltinov说。“你不确定问题在哪里，所以你需要更多的采样和更多的信息。但如果你考虑晶圆级的1nm分辨率，那就是10¹²像素。这是一个巨大的数据量。这需要在过程中进行筛选。有些需要分析，有些需要与其他数据进行比较。”

关键是知道在哪里寻找问题，因为不是所有的东西都可以检查和测量。然而，这并不总是显而易见的。

该公司工程系统经理Jim Korich表示:“几年前，我们开始从操作员错误的角度分析变化布鲁尔科学．“然而，我们发现，这种变化不是由于操作员的错误。它在过程的控制中。在我们的世界里，一切都是自动化的，包括所有的食谱。就连搅拌机的清洗都是自动化的，所以不存在可变性。但仍然存在变化，所以我们加入了机器学习来进行自适应控制，因为一旦客户在市场上建立了产品，他们就不希望有任何变化。要实现这一点，您需要了解自适应可变性。所以现在你要处理的是过程和产品的可变性。”

新的市场需求
所有这些都需要实时进行。晶片厂的延误会增加成本，不仅会影响正在生产的芯片的市场窗口，还会影响等待生产的设计的进度。但是，允许缺陷通过可能会导致其他问题，特别是涉及到为汽车等市场开发的高级节点芯片时。

Rob Cappel是心理契约，指出了几种减少缺陷的方法。一种是通过持续改进程序密切控制过程，以减少随机缺陷，使用基准良率改进技术，如工具监测。第二种方法是确保对流程进行足够的采样以提供可追溯性。第三种方法仍在开发中。

Cappel说:“越来越受关注的一种方法是利用内联缺陷信息，不仅可以控制过程，还可以在模具仍在晶圆厂时识别出可靠性问题的风险，因为在晶圆厂纠正问题的成本最低。”“汽车晶圆厂长期以来一直依赖于‘筛选’，即在制造过程后期的少数最后一层，使用高通量工具对所有晶圆上的模具进行100%的检查。符合规定的失效标准(缺陷大小/类型/位置)的模具被排除或“上墨”。“虽然这种方法对大型缺陷有效，但单独用于较小的潜在缺陷是不够的。一种新的内联技术，称为I-PAT(内联零件平均测试)，可能是答案。它利用了一种有20年历史的汽车工业技术，即参数化零件平均测试(PPAT)。这种基于e-test的原始方法可以识别出任何测试结果超出总体正态分布的模具，即使它们在操作规范范围内。虽然牺牲了0.5%到2.5%的良率，但可靠性却得到了显著的提高，当剔除这些异常值时，一些模具的可靠性提高了20%到30%。I-PAT将这一概念内联，在整个制造过程中通常在许多工艺步骤中执行的多个堆叠检查步骤中寻找具有异常缺陷群的模具。”

Cappel表示，从统计数据来看，离群值模具更有可能包含行业想要消除的潜在缺陷，并补充说，之后可以将结果与电气离群值方法结合起来，以改善模具的整体运行/不运行决策。

图1:比较新设备斜坡期间的中心和边缘产量作为时间的函数。来源:解放军的

随着越来越多的系统公司参与到先进芯片的开发中来，人们也更加强调要确保设计的产品与生产的产品相同。然而，这远远超出了设计的范畴。它越来越多地包含了高级节点的整个供应链

该公司首席技术官Ajit Paranjpe说:“如果你看看用于制造基板的掩膜空白，如果你没有一个无缺陷的基板，你就不会有一个无缺陷的掩膜。Veeco．“整个晶圆上的缺陷数不清了。一旦你知道这些是什么，你就会找到一个与图案对齐的区域，这样无论有多少缺陷，都是非打印区域。这些缺陷很小，但它们仍然存在。你也可以修复一些缺陷。晶圆厂正在投入大量资金，以了解什么可以打印，什么不能打印。”

这与过去几个工艺节点困扰芯片设计团队的问题类似。PDF的Holt说:“从设计的角度来看，重点始终是可印刷性。”“我们有OPC(光学接近校正)模型的原因是为了校正并打印出可识别的东西。但是对于finfet来说，情况更加复杂。你需要蚀刻，然后在蚀刻后检查结构的形状。你看到的是材料的厚度，图案的均匀性以及植入物。你不能用OPC来校正制造一致性。还有端点检测、OES(光学发射光谱)信号和晶圆厚度测量等问题。所有这些因素都会发挥作用。”

结论
工艺的变化，不断上升的复杂性，以及物理定律使得芯片设计越来越困难。产量和更快的收益时间一直是交织在一起的，但在5nm及以下，风险明显更高。即使是小的缺陷也会导致大的问题，人们越来越认识到，处理这些问题的最好方法是通过更多的传感器和更好的数据。

然而，这是一个需要解决的大问题，它跨越了整个供应链，从前端制造到后硅分析。但解决这些问题的最佳机会是在制造方面的一系列工艺步骤。

霍尔特说:“那些能够将制造与设计过程结合起来的公司将是最成功的。”“这就是战斗的所在——数据传感器和工具传感器的集合，可以向前馈送并与设计过程联系在一起。这是目前许多设备公司关注的焦点——如何使用先进的分析技术。他们已经收集了大量数据。现在的挑战是如何理解这些数据。”

-Mark LaPedus对本文也有贡献。

有关的故事

用机器学习在芯片中寻找缺陷

领域专业知识对分析至关重要

利用传感器数据提高产量和正常运行时间