专家在餐桌上:深学习是一个热门话题,但这个行业可以使用面具?(第3部分)
半导体工程坐下来讨论极端紫外线(EUV)光刻、光掩模技术与艾米丽·加拉格尔和机器学习问题,技术人员的主要成员Imec;哈里·莱文森HJL光刻技术负责人;先进技术发展的副总裁克里斯•斯宾塞ASML;Banqiu吴,过程开发高级主管应用材料;和阿基》的首席执行官d2。以下是摘录的谈话。第一部分,点击在这里。第二部分是在这里。
左到右,哈里·莱文森负责人HJL光刻,艾米丽·加拉格尔,在Imec技术人员的主要成员;副总裁克里斯•斯宾塞在ASML先进技术开发;过程开发高级主管Banqiu Wu应用材料;阿基》d2的首席执行官。
SE: EUV掩比传统光学面具是不同的。光学面具由一个不透明的玻璃衬底层铬。相比之下,一个EUV面具由40到50交替层硅钼衬底上,导致一个多层堆栈。这个行业可以让EUV掩,但仍存在一些挑战,对吧?
图1:EUV掩膜的横截面。在EUV,光击中面具6°角。来源:陈德良,V。Philipsen, V。亨德里克斯,E。Opsomer, K。Detavernier C。Laubis C。Scholze F。海恩,M。”Ni-Al合金替代EUV掩模吸收器”,达成。科学。(8),521 (2018)。根特大学(Imec KU鲁汶PTB)
加拉格尔:我们还没谈到的一件事是电流薄膜解决方案。与多晶硅EUV薄膜,你不能通过193海里检查,检查光化性检查的另一个原因。
吴:在这个过程中,我们需要检查为了保证流程没有介绍一些额外的缺陷,即使我们打扫了面具。这是很复杂的。这个过程的目的是减少缺陷。如果这个过程并不完美,我们可以引入缺陷。这是复杂而光面具。对光学面具,相对容易。
斯宾塞:动机是解决问题的人,他们正在取得进展。最终,EUV采用者将推动对制造业解决方案。我们会做我们可以支持他们。ASML已经领先的薄膜,把一个有可行性和概念验证。但情况是,我们正在进入生产,仍有一些事情需要高容量的固定。但是基本的写作基础设施。空白的基础设施也有。
SE:最初,芯片制造商将可能进入EUV没有薄膜的生产。(薄膜是一种膜,阻止颗粒和污染物降落在面具)。这里的含义是什么?有什么额外的步骤,如果你不有膜吗?
莱文森:你不想蚀刻硅片直到你确信毫无缺陷,打印的面具,可以显著降低产量。现在,我们真的无法检查面罩更可靠。所以你需要做的是让一些晶片。所以你打印一个特殊的晶片,然后你会检查,特殊的晶片。与此同时,你拿着你的生产。所以对周期的影响是巨大的。这是极具破坏性的,即使你得出结论,没有缺陷的面具。然后,如果你发现一个缺陷,你得通过这清洗周期是很困难的。您还需要re-qualify面具,等等。我们都认为,‘让我们做早期没有薄膜的制造。“在某种程度上,你可以这样做。 But to get back to the kind of efficiencies we need in EUV lithography, a pellicle is critical.
SE:机器学习是一个热门话题。这种技术利用一个神经网络在一个系统中,处理数据和识别模式。它匹配特定的模式和学习哪些属性是很重要的。但是对于这个工作,你需要很多的数据。我们需要更多的数据,使之更普遍?
斯宾塞:这里有两件事。有更多的数据,然后有更好的数据。如果你有很多坏数据,那么你可能不会做出一个好的决定。但如果你有更多的数据,你应该做出更好的决策。我们试图纠正整个芯片十亿的特性。我们已经建立了一个模型与几百模式。所以我们饿死自己的数据来创建我们的模型。然后我们希望能结合大量的物理学,这将使它推断它无处不在。但有些事情是很难理解物理,喜欢光阻或腐蚀。所以我们得到的更多的数据,我们可以改善我们的模型。这一定会改善晶片校正精度和面具修正。但对我来说,这似乎是不可避免的,如果你有更多好的数据,然后你会得到一个更好的模型。
SE:机器学习在掩模制作和光刻技术完成吗?我们可以加快工序流程和有更好的面具?
斯宾塞:可能是。问题之一是数量准确性。如果我们看看我们的整体模式预算,我们有叠加和CD。还有所有的错误中固有的OPC(光学邻近校正)和MPC(掩模过程修正)的面具。当我们继续萎缩,我们需要一个更强大的显微镜看这些东西。数量一件事将会做出更准确的面具。然后我们将知道运行时的边界条件。它必须不超过今天。然后,如果我们有去gpu,或者神经网络速度比物理,这就是我们将做的为了达到所需的吞吐量。
加拉格尔:有一件事情我们还没有真正涉及人工智能。担心有很多用户。另一件我听说训练集,我们可以引入偏见。这是同样的事情你听说在其他应用程序中。只是聪明的你如何培养对深度学习软件将是重要的。有很多伟大的论文的事情你可以做。许多人担心他们不理解它,想要实现它。他们喜欢他们喜欢他们所看到的数据,,但有一定程度的恐惧与新介绍。
吴:我们有很多潜在的人工智能。这些人工智能方法主要使用人工神经网络。该方法可用于大多数过程的工具。技术准备。唯一需要的是人们的工作。
》:总有一个权衡精度,可以获取和需要多长时间运行该工具。我们已经讨论了MPC在长时间运行。OPC和教师(逆光刻技术)也在运行时间更长,变得越来越困难。总的来说,我们正在失去的权衡。和EUV正要把一个巨大的扳手扔到方程,使其更糟。一个有趣的事情摩尔定律在设计和制造周期。你可以使用我们的改善在电脑运行的速度,使下一代。如果只有通过缩放、相同的算法会自然规模。但这不是真的。在每一个节点需要看更多的细节和效果。你需要模拟不同的东西。然后你想出EUV,总共不连续,你必须做更多的计算。只能够保持总的来说是好的。这是因为你可以使用更快的电脑。但当你有所有这些其他事情,特别是大型不连续如EUV,你需要很大的帮助在计算方面,和深度学习及时出现。 You can do more accurate simulations faster. It’s not as accurate as doing rigorous simulations, because deep learning introduces some errors. But it’s better by far than doing nothing.
斯宾塞:还有另一种方式来看待这个问题。深度学习可以更准确。当我们谈论物理学,我们认为我们知道的物理方程。问题是我们没有。假设你想知道确切的光刻胶是如何工作的。然后,如果你可以写下所有的方程显示发展是如何发生的,太好了。因此,即使我们知道物理,我不认为我们可以测量的实际参数。所以总有某一点在你成为建模经验。深度学习的优点是你带来更大的数据实证模型。这就是为什么它变得更好,因为你仍然可以逐步改善物理你感到有信心。通过使用更多的数据,然后你校准拟合比如果你想做一些伪方程本身的可能问题过于简单化了。 The nuances of the process can be recovered if you have sufficient data. Still, you have to test the algorithm, show that it’s truly predicted, and that you didn’t just over-fit it. That is a technical challenge. What amount of data do you need in order to have a reliable model? Large amounts of good data will be key to helping us move forward in terms of getting the accuracy that we need to make the overall patterning solution.
》:为了实用,我们所要做的就是依靠物理对物理和化学的理解。我们需要了解尽可能多的创建一个物理模型,与实验数据的增强。
莱文森:它看起来像这些新工具将提供价值。结合我们在做很多其他的事情,这将帮助我们得到,我们可以处理的复杂性在我们面临这些芯片数以十亿计的晶体管和许多关键特性,并在一天结束的时候,我们可以产生它。看起来他们是有用的工具。他们会自己解决一切吗?可能不会。我不认为曾经有一个神奇的子弹。这一直是多种因素综合作用的结果。
有关的故事
|
|
|
|
|
|
|
|
留下一个回复