晶圆图像解读会影响良率和产量。
随着晶圆厂和设备制造商寻求以更高的精度和速度识别晶圆图像中的缺陷模式，先进的机器学习开始进入良率提高方法。
每个月，晶圆制造工厂通过检查、计量和测试生产数千万张晶圆级图像。工程师们必须分析这些数据，以提高产量，并剔除不值得加工的晶圆，而他们一直依赖这些数据计算机视觉几十年来支持这种分析的算法。但是这些ML的早期实现跟不上当今复杂的芯片和对更长的寿命的可靠性不断增长的需求。错误分类率很高，导致假阳性(将好晶圆识别为坏晶圆)，并需要人工参与最终评估。
这种错误分类也降低了晶圆厂的产量，从而增加了制造成本。此外，人工检查边缘图像会导致分配处理任务的操作员或技术人员的决策不一致。随着晶体管密度在水平和垂直方向上的增加，这一点尤其明显，产生了现有设备可能难以识别的微妙模式。
为了提高精度，晶圆测试图需要在不同工艺步骤的空间模式的背景下正确分类。这反过来需要类似于检测晶圆图像的计算分析。随着晶圆厂工程师开始利用最先进的深度学习方法，准确性和速度的提高被证明是显著的。在使用这些技术的地方，错误分类正在减少，对人类的需求也在减少。
在2021年先进半导体制造会议(公司2021年)展示了工程师使用先进的机器学习，包括深度学习技术，在晶圆级图像上快速响应产量限制事件，以及提高产品质量和可靠性。这类方法比过去更广泛地使用，而且底层计算硬件——专门为深度学习设计的gpu——能够使用大规模并行配置处理数据，这一点很有帮助。
该公司产品营销总监Anjaneya Thakar表示:“目前有一股使用先进机器学习技术进行缺陷分类和晶圆处理的热潮。Synopsys对此．“使用更多机器学习的整个推动是由更好的硬件实现的，也是由改进的软件算法实现的。我们已经有能力使用图像处理和计算机视觉进行这些探测和处置任务。但先进的机器学习能够发现新的趋势。”
除此之外，一些市场——特别是汽车、医疗和军事/航空——对消除潜在缺陷的需求也在不断增长。在这里，更先进的分析晶圆图像的方法已经看到了采用的上升。
“与领先的汽车制造商及其供应商密切合作，使KLA更加专注于零缺陷，从而产生了像I-PAT这样的新解决方案，帮助他们实现十亿分之一的目标，”KLA战略合作高级总监Jay Rathert说心理契约．“我们希望在这个市场上不断创新，使连通性、自动驾驶和电气化趋势推动这个不断增长的市场。”
晶圆图像和计算机视觉
所有这些因素——应用、更复杂和密度以及新方法——都增加了加工晶圆所需的时间。为了管理这些成本，工程师使用晶圆图像来识别低良率的来源。例如，他们可以使用晶圆图像主动报废晶圆，识别需要返工的晶圆，并标记出有问题的设备。
在过去的几十年里，半导体制造商一直依赖计算机视觉，这是机器学习在半导体制造中最早的应用之一。简称为自动化光学检验(AOI)，这些系统使用信号处理算法来识别宏观和微观物理变形。
缺陷检测为晶圆加工步骤提供了一个反馈回路。晶圆片测试结果会产生箱体图(好或坏的模具)，也可以作为图像进行分析。它们的数据粒度明显大于光学检测工具的像素化数据。然而，晶圆测试图的测试结果可以匹配光刻过程中产生的飞溅和AOI系统可能错过的处理过程中产生的划痕。因此，晶圆测试图为晶圆厂提供了有用的反馈。
训练计算机视觉机器学习模型需要三个过程步骤(见图1)。
图1:计算机视觉机器学习训练步骤。资料来源:A. Meixner/半导体工程
所得到的模型是基于好的和坏的晶圆图像。数据预处理可以在特征提取或图像标记之前增强图像。例如，对于AOI图像，工程师可以使用过滤器进一步增强图像质量。相比之下，基于晶圆测试图的图像不能从这种过滤中受益，因为每个晶圆只被简单地标记为好/坏。
特征提取需要工程师决定模型应该考虑哪些图像特征。例如，通过图像标记，工程师可以命名一个空间模式供模型学习。
机器学习模型从图像数据的训练集开始。然后需要检查算法，以确保它正确识别相似的图像。对于晶圆测试图，分类是基于晶圆空间模式。对于AOI晶圆图像，重点是识别缺陷。训练模型需要良好和有缺陷的晶圆图像。
当检查工具捕获图像时，缺陷图像本身是否足以理解关于缺陷的细节?对于计算图像分类，有两种方法——基于参考的和非基于参考的，”该公司销售和客户解决方案总监Prasad Bachiraju说上的创新．“基于参考的方法在分类缺陷时比非基于参考的方法提供更高的精度，因为缺陷图像是与同一晶圆上的参考点进行比较的。这减少了使用非基于引用的分类时，晶圆之间的差异或批次之间的差异可能给缺陷分类带来的挑战。实现基于引用的设计并非没有挑战。大多数系统使用非参考方法，所以人们现在选择使用深度学习。”
目前的AOI系统使用传统的计算机视觉机器学习。被标记为有缺陷的晶圆需要人工检查，因为它们会产生太多的假阳性，在没有缺陷的情况下检测出缺陷。10%到15%的假阳性数字并不少见。人工审查既耗时又主观，因此容易出错。在2007年纸AMD和鲁道夫(现在Onto)的工程师报告说，经验丰富的操作人员之间的一致性为43%，操作人员的重复性为93%。
AOI系统也不能发现晶圆厂工程师关心的所有缺陷。这推动了向先进机器学习技术的转变，以建立更好的检测和分类方法。
“大多数系统使用传统的机器学习算法，”Subodh Kulkarni说CyberOptics．“一旦你看一张图像，你就会发现传统ML看不到的某些区域存在问题。当你使用深度学习算法时，它们可以检测到所有这些东西。但是他们需要一个星期来编程和检测它们，这是不现实的。因此，我们这个领域的许多创新开始发生在机器学习领域，它们的深度学习算法速度更快，编程更容易。”
要想在这方面取得成功，需要深刻理解你到底想用机器学习实现什么。
通过深度学习，理解问题并减少解决问题所需的数据变得更加关键，但晶圆厂和设备供应商正在取得进展。在今年的ASMC上，几个工程团队报告了他们对先进机器学习和深度学习技术的成功应用，以及支持迭代学习过程的必要工程工作。虽然深度学习技术可以很容易地区分猫和狗，但各种各样的缺陷模式及其广泛的图像大小范围给学习过程带来了挑战。同样的方法也被用于晶圆测试仓图和晶圆检测图像，尽管它们的图像在数据粒度方面有很大差异。
机器学习和晶圆测试图
自世纪之交以来，工程团队已经使用晶圆测试结果来观察空间模式，以便对有问题的设备和工艺步骤进行反馈。通过应用先进的机器学习方法，可以使用来自测试数据的yield签名模式库正确识别模式。反过来，这可以循环回晶圆厂设备。
在他们的ASMC 2021纸， GlobalFoundries工程师比较了支持向量机器学习(支持向量机)技术，该技术在计算机视觉应用中很常见，用于4级深度卷积神经网络(美国有线电视新闻网)用于晶圆测试图分类。他们的目标是提高低产量分类的准确性。
支持向量机需要特征工程来方便模型的训练。CNN需要从现有的图像集合中进行训练，并经历了120个epoch /学习周期。使用12个不同的晶圆图特征和300到500个图像，每个图像都由工程师手动标记，两个模型都经过了训练。
图2:支持向量机(上图)和CNN(下图)的十几个晶片空间模式分类结果。来源:GlobalFoundries
平均12个不同签名的正确分类结果，CNN优于SVM。SVM的整体准确率为59%，对图案位置和密度的敏感性较高，对图案形状的敏感性较低。相比之下，4级CNN显示出90%的整体准确率和对图案形状的高灵敏度。
低产量晶圆具有特定的空间模式，通常可以追溯到特定的工艺步骤。将晶圆图模式分类与晶圆的设备谱系(即处理晶圆的特定设备)相结合，有助于工程师/技术人员查明根本原因。但是，即使制造工厂将这些晶圆图模式存储在模式检测库中，当今复杂的系统也会出现新的模式。
主动检测以前未知的模式可以更快地响应过程问题。这促使SkyWater Technology和Onto Innovation联合开发了一种解决方案。他们实现了一种内联空间特征监测解决方案，创建了一种更系统的方法来识别具有新的空间模式分组的4%晶圆-未知模式。
图3:空间识别引擎的数据输入。来源:Onto Innovation
“我们开始采用机器学习技术对这些未知模式进行自动发现，”天水公司的大卫·格罗斯和凯瑟琳·格兰林以及Onto公司的普拉萨德·巴克拉朱在他们的ASMC 2021中写道纸．“这种自动发现过程通过基于SPR引擎生成的数百个特征向量对具有相似模式的晶圆进行分组，从而生成模式帕累托报告。因此，我们最终得到了top-n、高影响、自动发现的模式，以帮助我们理解新的、开始出现的或未被注意到的模式。这一过程帮助我们有效地维护了一个全面的模式库，能够主动响应生产问题。”
机器学习和晶圆AOI图像
这是一项非同小可的努力。在AOI图像上成功实现深度学习模型需要在实际图像方面的专业知识(即寻找变色或图案形状)以及开发机器学习算法的专业知识。晶圆图像数据由于缺陷大小的广泛范围和图像分类的多样性，提出了独特的图像检测和分类挑战。为了训练先进的机器学习模型，最终会使用数十万张图像。然后由工程师/技术人员在学习周期之间检查结果，他们理解图像过程和被检测到的缺陷。
在两个ASMC 2021论文，作者详细描述了创建模型的前期投资。不过，在这两个案例中，这些投资都被证明是值得的。由此产生的模型显著改善了检测和分类。
GlobalFoundries的工程团队分享了他们在光刻工艺中应用先进机器学习的结果。对于光刻工艺的在线控制，晶圆厂使用光阻显影后的AOI(也称为后显影检查，或ADI)来检测斑点缺陷和涂层缺陷。一旦检测到涂层缺陷，可以通过去除受影响晶圆上的所有抗蚀剂并在蚀刻之前重复光刻步骤来修复。如果错过，在晶圆测试中，良率的影响是相当明显的。
图4:晶圆片测试结果图(绿色为良好)描述了与光刻胶显影缺陷相关的模式。GlobalFoundries来源
通过100%的检测，ADI可以在分辨率大于30微米的情况下寻找宏观水平的变化。这种检测方法依赖于颜色差异，但这些方法对微弱的颜色缺乏灵敏度。虽然商业上可用的计算机视觉ML模型可以训练和调整以提高灵敏度和选择性，但它们有很高的假阳性率。
GlobalFoundries开发了一种新方法来增加微弱图像的检测，并减少假阳性结果。首先，利用图像均衡化来提高模糊缺陷区域的可见性。
图5:涂层缺陷微弱ADI图像a)原始图像，b)图像均衡后的图像。来源:GlobalFoundries
接下来，它在学习周期之间使用了先进的机器学习和可解释的人工智能方法。这为为什么初始预测结果在晶圆边缘图像失败提供了重要的见解，包括假阳性和假阴性。
GlobalFoundries的研究人员写道:“我们的注意力被吸引到ADI图像的维度，以及ML系统如何管理这些维度。”“对图像尺寸的调查显示，ADI提供的图像尺寸范围很广(许多高达4256像素，但大多数低于2240像素);ML系统将图像裁剪到2240像素的最大x或y维度。这种裁剪是一个问题，因为如果维度太大和/或缺陷接近边缘，ML训练集中发送给模型进行预测的图像可能会从图像中删除缺陷。”
他们通过将所有图像的尺寸按比例缩放到2240像素的最大x/y尺寸来固定图像裁剪。
晶圆图像分类和更先进的机器学习算法并不仅仅局限于亚微米工艺技术。还有日立ABB电网的工程师分享他们的努力在ASMC 2021。同样为了减少误报和增加检测，他们开发了一种复杂的深度学习方法，用于从五种不同的功率器件(包括双极器件)的晶圆图像中发现的缺陷igbt以及用于高压(1.2kV至6.5 kV)的功率二极管。
由于要检测的缺陷类型的范围以及一些缺陷类型的罕见/独特发生，他们选择使用对象检测方法而不是图像分类方法。他们需要检测的缺陷图像大小从几万到几十万像素不等。前者由于其大小(占总图像的0.01%至0.1%)而提出了巨大的检测挑战。非常大的缺陷超过了图像大小，导致图像裁剪由AOI工具。
他们报告说，通过选择更小的图像进行分析，模型更容易了解图像背景，从而减少了误报。通过他们的目标检测方法，他们将基于区域的cnn与主动学习和迁移学习相结合，使用只有500到2500个示例的训练集来检测小缺陷。经过6个学习周期，总共2431个训练样例，分类结果的精度为0.98，召回率为0.80。准确率等于真阳性与预测阳性的比率，而召回率等于真阳性与实际阳性的比率。
更多内容
使用晶圆检查图像或晶圆仓图，工程目标基本上围绕着解释晶圆图像，以采取主动行动，提高产量和质量。
“从晶圆厂的检测和测量工具中获得的数据量非常大。因此，你需要机器学习技术来查看这些数据，发现趋势，并在出现问题时提出警告。”“图像成为这些模特很好的训练工具。机器学习解决了硅制造中一个非常关键的问题:如何查看所有这些数据，并找出哪些是良率效应，哪些不是。回答这个问题将推动使用机器学习和深度学习来执行缺陷分析。”
结论
晶圆厂工程团队正在采用更复杂的机器学习算法进行晶圆图像审查，因为这些方法可以实现更好的分类和检测指标。一般来说，设计用于加速使用神经网络的计算硬件、开源图像库和增加的cnn经验有助于他们采用这些方法。
期望看到晶圆厂工程团队在未来开发先进的机器学习模型。
有关的故事
|
|
|
|
|
|
|
|
|
|
留下回复