用机器学习在芯片中寻找缺陷

芯片制造商比以往任何时候都在使用更多不同的传统工具类型来发现先进芯片的致命缺陷，但他们也在转向补充解决方案，如先进形式的机器学习来帮助解决问题。

一个子集人工智能(AI),机器学习已经在计算和其他领域使用了几十年。事实上，自20世纪90年代以来，机器学习的早期形式已经被用于晶圆厂的计量和检查，以查明芯片中的缺陷，甚至使用模式匹配技术预测问题。机器学习本身并不是一种工具或设备类型，而是系统用来帮助发现缺陷的一组软件算法。现在，该行业正在探索或开始使用基于更大数据集的更先进的机器学习算法的系统。反过来，这可能会加速学习周期。

至少在短期内，这不会取代传统的方法。到目前为止，更先进的机器学习形式并没有在整个晶圆厂广泛部署，而且还存在一些差距。但该行业正在努力解决缺陷检测中的艰巨挑战，并取得进展。

在今天的晶圆厂，芯片制造商使用各种检查和计量系统来发现芯片中的缺陷。检查科学是发现缺陷，而不是计量是测量结构的艺术。这两种技术都用于定位设备中的问题，并有助于确保晶圆厂的产量。

尽管如此，在每个节点上，设备和结构都变得越来越小。在某些情况下，结构远低于1埃，这等于0.1nm。发现这种规模的缺陷要困难得多，成本也高得多。

确实存在用于此目的的工具，而且许多工具都包含了某种程度的机器学习。到目前为止，对更高级形式的机器学习的使用还参差不齐。但随着先进的机器学习算法被开发出来用于缺陷检测，这种情况可能会改变。现在的问题是是否有足够的可靠数据，以使制造商和包装公司能够快速准确地定位缺陷。如果数据集不足，系统就会产生可疑的甚至不准确的结果。

无论哪种情况，机器学习的缺陷检测将继续用于工厂中的一些应用程序。不过，随着技术的进步，它可能会在行业中得到更广泛的应用。

“机器学习是一些计量问题的答案。微软计算产品副总裁大卫·弗里德说Coventor是一家Lam研究公司．这种解决方案将会出现越来越多的问题。这不是万灵药。这并不是万能的答案。”

尽管如此，该行业仍在不断改进技术。以下是该领域的一些最新努力:

• Imec和Nova开发了一种利用机器学习预测芯片电性能的方法。GlobalFoundries和Nova分别开发了类似的技术。
• Imec设计了一个具有深度学习功能的CD-SEM。
• ASML和SK海力士使用该技术提高了光学接近校正(OPC)精度。
• IBM和南加州大学设计了一种改进缺陷检测的神经网络。

检查/计量挑战
今天的300mm晶圆厂是自动化工厂，使用各种设备一步一步地加工晶圆。一个高级的逻辑过程可能有600到1000个步骤，甚至更多。在不同的阶段，芯片经历不同的计量和检查步骤。

这些步骤至关重要。错过的缺陷会影响晶圆厂的良率，或逃到现场，在以后的日期导致故障。

在28nm及以上，计量和检查是直截了当的。例如，逻辑晶体管是一个具有大特征的平面。芯片制造商可以相对轻松地测量和检查设备。这对于16/14纳米的finfet来说更加困难。但随着芯片设计迁移到10nm/7nm及以上，结构变得更小，更难测量。最新的dram和NAND设备也是如此。

这两个finFETs存储设备本质上是类似3d的。因此，在计量学的情况下，这些工具不仅必须获得结构的二维测量，而且还必须以一种具有成本效益的方式获得三维测量。

“你需要知道它的形状是什么样的。然后，你需要能够看到材料的组成，这样你就知道它是均匀的。VLSI研究公司首席执行官丹•哈奇森(Dan Hutcheson)表示。

事实上，缺陷检测是具有挑战性的。例如，所谓的潜在缺陷可能突然出现在设备中。这些缺陷在设备发货时不会出现，但它们在现场以某种方式被激活，并可能最终出现在系统中。“有时候，需要三到四种不同的情况同时发生，一个缺陷才会成为特定位置的致命缺陷，”Hutcheson说。

更复杂的挑战是，没有一种计量和检测工具类型可以发现所有缺陷。例如，在晶圆厂中，需要十几种计量工具来表征finfet。

理想情况下，芯片制造商希望工具具有更好的灵敏度、更高的吞吐量和更低的成本。“他们需要的是更大的样本量，所以他们需要更高效的工具，”Hutcheson说。

展望未来，计量和检测设备供应商将继续改进他们的系统。与此同时，在平行的道路上，计量/检测供应商继续使用神经网络开发机器学习技术。在神经网络，该系统处理数据并识别模式。它匹配特定的模式，并学习哪些属性是重要的。

神经网络由多个神经元和突触组成。一个神经元可以由一个带有逻辑门的记忆单元组成。神经元呈雏菊状链状，并通过一种称为突触的链接连接。

神经网络通过计算矩阵积和来发挥作用。它由三层组成:输入层、隐藏层和输出层。

图1:dnn主要是增殖-累积。来源:神话

在操作中，可能有100种不同的缺陷类型。对每种缺陷类型进行成像，并将信息放入网络中的输入层。

然后，每个缺陷类型被移动到一个隐藏层(层1)中的单个神经元中，并分配一个权重。在另一个隐藏层(第2层)中，缺陷可能被细分为不同的类，例如边缘、突出等。它们还被分配了权重。

在晶圆厂，一个系统检测到一个缺陷。在每一层中，神经元对数据做出反应。使用加权连接系统，网络中的一个神经元在感知到匹配模式时反应最强。答案显示在输出层中。

机器学习被搜索引擎和社交媒体公司以及其他领域所使用。“深度学习很棒，因为它实际上让你有机会更快更准确地做事情，”他说阿基》，首席执行官d2．“例如，在医学成像中，你真正在研究哪些细胞发生了癌变。使用深度学习引擎，他们可以将范围缩小到哪些细胞是坏的。这是一个医学上的例子。但你可以想象，半导体生产也能带来同样的好处。”

IC行业正在使用机器学习进行电路仿真、热点检测和缺陷定位。Imec的litho工艺和图案控制小组负责人Philippe Leray说:“应用非常广泛。“你可以用它进行光刻、蚀刻和所有不同的步骤。你可以用它来维护机器。”

一般来说，机器学习的挑战之一是你必须为系统提供足够的数据。计量/检验系统遵循同样的原则。您需要为系统提供足够的数据以使其工作。这可能是一项昂贵而艰巨的任务。但如果你没有提供足够的数据，问题就会浮出水面。

“你可以做很棒的事情，也可以犯很棒的错误，”勒雷说。“所有的困难都在于训练你的数据集。如果它足够大，足够有代表性，足够公正，那么你就可以得到一个好的答案。这是一个很大的挑战。你很容易通过提供一套不充分或有偏见的培训来欺骗自己。”

如果数据不充分，结果是不可取的，可能导致假阴性或假阳性。假阴性表明芯片没有缺陷，而实际上它有缺陷。假阳性是指测试结果不正确。

尽管如此，这项技术正在成为计量和检验的关键部分。“机器学习和深度学习正在迅速被采用，改善了训练和输出结果的完整性。网络经过培训，以跟踪过程变化，过滤异常值和虚假分布，”计量和过程控制总监、杰出的技术人员Ofer Adan说应用材料．“机器学习可以使用历史记录和预定义的信息来提高性能。深度学习从图像中提取信息和属性具有巨大的优势，这些信息和属性有时太复杂，人类甚至标准的机器方法都无法处理。然而，没有魔法。如果我们知道物理模型，我们可以得到比DL/ML更好的结果。所以，如果我们知道物理模型上的一些东西，我们就可以用它来帮助深度学习模型。一种方法是将其用于深度学习用于优化的代价函数中。所以答案是我们应该两者结合。”

我们可以从另一个角度来看待这项技术。“所有地铁/检查供应商都以各种方式使用它。关键问题是，它是否为晶圆厂提供了任何独特的好处?需要注意的重要一点是，机器学习只是另一种使能技术，它需要产品集成和深度定制才能对晶圆厂有用，”nanomemetrics产品营销总监Kartik Venkataraman说。“对于供应商来说，更常见的是使用机器学习方法从他们的工具中提取最大限度的信息，这就是为什么信号的数量和质量仍然至关重要。机器学习只能和它接收的原始信号一样有用。”

机器学习在哪里?
今天，机器学习被一些但不是所有的芯片制造商使用。有些人在流程流的各个步骤中使用它。这取决于公司。

在晶圆厂，一些计量和检测系统使用机器学习来帮助发现缺陷。按理说，机器学习可以使这个过程自动化，但它并不总是这样工作。有时，该系统需要操作员手动干预来提取和检查数据。

但更大的问题是，一个供应商的工具包含了专有软件，无法与其他公司的系统通信。据专家称，一些公司正致力于集成他们的系统，以创建端到端反馈流程，但该技术仍处于研发阶段。

最终，芯片制造商想要一个端到端的智能反馈解决方案，使用来自不同供应商的工具。一些国家正在开发这项技术，尽管这需要投资和资源。

此外，该行业还需要具有更先进机器学习功能的工具，特别是在晶圆检测方面。“随着工具变得越来越强大，机器学习将变得越来越重要，”微软的技术支持工程师马克·史密斯(Mark Smith)说心理契约．

晶圆检测涉及电子束和光学两种主要工具技术。今天，光学检测是工厂的主要工具。电子束检测应用于研发和工厂的某些部分。电子束检测分辨率比光学检测高，但速度较慢。

在一个简单的例子中，一个检测系统检查晶圆，并将数据与一个模具或数据库进行比较。然后，利用神经网络，利用模式识别技术发现缺陷，并自动对其进行分类。

这种技术从20世纪90年代就开始了，它是基于传统方法的。公司继续开发传统技术，尽管他们也在研究更先进的机器学习形式。

“KLA的许多核心检测技术都是基于传统的图像处理技术，但我们也在与机器学习合作，”KLA的Smith说。“机器学习产生巨大影响的两个领域是图像分类和审查抽样。”

要实现这一切，还存在一些挑战。“深度学习，最先进的算法，现在正在成为头条新闻。他们依靠非常大的数据集来校准和训练模型，”史密斯说。“在搜索新的感兴趣缺陷(DOI)时，这并不总是可能的，所以我们采用了混合方法。如果您添加更多关于检查工具如何工作和设备信息的信息，那么在一些不太新的方法中仍然有很多蒸汽。例如，我们通常使用设计布局信息作为算法的一部分。”

其他人也在研究这项技术。例如，在最近的一篇论文中，ASML和SK海力士描述了一种提高OPC精度的方法光掩模．这是通过电子束工具和深度学习完成的。

OPC利用微小形状或子分辨率辅助功能(sraf)。sraf被放置在掩模上，掩模修改掩模图案以提高晶圆上的印刷适印性。

在每个节点上，OPC运行时间和成本都在增加。“通过添加大量的CD和边缘放置压力表，我们将模型误差降低了约三分之一。通过进一步将模型形式从传统模型转变为深度学习模型，我们的准确率又提高了18%，”阿斯麦高级副总裁曹宇表示。

然后，在另一个例子中，IBM和南加州大学(USC)最近发表了一篇关于用机器学习进行电子束检测的论文。传统上，晶圆检测是使用模对模或模对数据库进行的。不过，通过机器学习，IBM和南加州大学将图像传递给一个训练有素的模型。反过来，这将在没有设计或金色图像的帮助下进行分类。IBM研究人员拉维·博南(Ravi Bonam)表示，经过训练的模型将是一个推理引擎。通过这种方法，研究人员获得了96.96%的准确性和96.87%的敏感性。

除了检验，机器学习也被用于计量。Applied公司的Adan表示:“它在计量和检测领域得到了广泛应用，包括CD sem、OCD，甚至光学原位计量，如光学发射光谱或反射法。”“当你有很多关于感兴趣的测量方法的信息，但没有直接的测量方法时，可以使用它。机器学习允许您找到感兴趣的度量和可能影响该度量的各种参数之间的相关性。它还可以用于预测工具性能、启动时间和其他功能。”

计量本身就具有挑战性。例如，平面晶体管需要五到六次测量。然而，在finfet中，它需要12种或更多不同的CD测量，如栅极高度，翅片高度，翅片宽度和侧壁角度。

为了进行测量，芯片制造商需要几种计量工具类型，如临界尺寸扫描电子显微镜(CD- sem)，光学CD (OCD)等。

CD-SEMs是工厂的主要计量工具，对结构的尺寸进行自上而下的测量。

在最近的一篇论文中，Imec描述了一种具有机器学习功能的CD-SEM。实际上，该技术可以“去噪”CD-SEM。在该工具中，Imec在神经网络中添加了另一层，称为生成对抗网络(GAN)。通过将有噪声的SEM图像通过训练过的GAN，研究人员获得了无噪声的模型图像。

同时，一种称为散射测量的OCD类型可以测量finfet中的cd，轮廓和薄膜厚度。强迫症很快，但也有一些缺点。强迫症是一种基于模型的技术。在许多情况下，这些工具并不能测量实际的设备。相反，他们测量代理或简单的平面结构，这些结构表示并表现得像实际的设备。这些结构和实际设备之间的测量应该是相关的。

然而，强迫症建模也需要很长时间。然后，在另一种方法中，强迫症社区开发了一种无模型技术，这是机器学习的一种形式。它不会取代传统的强迫症。相反，这是一种利用强迫症的补充技术。

“一段时间以来，我们已经为设备结构和目标以及光学系统使用了详细的OCD模型。但在某些地方，我们对未建模的组件存在空白;这就是机器学习产生巨大影响的地方。机器学习已经在计量工具群匹配和精度方面做出了改进。有了适当的参考计量，机器学习也可以及时改善结果，”KLA模式部门高级算法主管斯蒂莲·潘德夫(Stilian Pandev)说。

这可能是一个独立的计算系统。从强迫症测量中收集数据并输入计算机，由计算机处理这些数字并产生结果。

举个例子，Imec和Nova最近发表了一篇关于使用OCD光谱和机器学习预测芯片电性能的论文。OCD技术是基于严格的耦合波分析(RCWA)的，RCWA专门用于周期性结构。Imec的研发工程师Sayantan Das说:“将这种技术应用于非周期结构，如电气结构，是一个挑战。”

Das说:“机器学习算法可以克服这些挑战，并成为一种互补的方法。”“我们与Nova的合作表明，使用OCD光谱的机器学习可以预测具有高R2值的电性能。该方法与衍射叠加和sem叠加具有良好的相关性。与OCD模型相比，它提高了测量电阻和预测电容之间的相关性。”

与此同时，在另一个例子中，GlobalFoundries和Nova最近使用机器学习来预测芯片中铜互连的电阻。这些公司使用了从强迫症测量和电气测试地点收集的光谱。“与各种产品的多种金属水平的OCD结果相比，预测电阻与实际电子测试值的相关性得到了改善。在FEOL领域，我们已经证明了使用机器学习从在线测量中预测鳍片CD值的初步可行性。GlobalFoundries，在一篇论文中。GlobalFoundries和Nova公司的其他公司也为这项工作做出了贡献。

至少在研发方面，这些成果令人印象深刻。但是这些结果对晶圆厂来说足够好和快吗?

和以前一样，用于缺陷检测的机器学习将继续用于一些应用程序，但不是所有应用程序。“你真的必须理解并考虑输入这些系统的数据质量，”考文特的弗里德说。“你输入这些系统的数据质量、密度和数量将决定其适用性。”

显然，机器学习不再是新鲜事物。这项技术已经存在很长时间了。但在很多方面，这只是触及了表面。

有关的故事
利用传感器数据提高产量和正常运行时间
更深入地了解设备行为和市场需求将对整个半导体供应链产生广泛的影响。
检查无图晶圆片
尽早发现较小的缺陷变得更加困难和昂贵。
变异的长，扭曲的尾巴恶化在7/5nm
从人工智能芯片到汽车可靠性和上市时间，多种来源的可变性正在导致各种意想不到的问题。
晶圆厂遇到机器学习
D2S的首席执行官畅谈了深度学习、EUV和其他制造业进步的影响。