利用失效仓分类、良率预测和工艺窗口优化来预测和提高良率。
器件成品率高度依赖于适当的工艺目标和制造步骤的变化控制，特别是在具有较小特征尺寸的高级节点上。传统上，需要对数千个测试数据点进行相互关联和分析，以识别和防止过程故障。这在时间和金钱方面都是非常昂贵的。幸运的是，半导体虚拟制造工具(如SEMulator3D)，这样这些实验就可以“虚拟”完成了。即使在硅中进行工艺实验之前，虚拟制造也可以用于了解工艺相互作用和工艺步骤敏感性，并使产量最大化。
在这篇文章中，我们讨论了一个通过虚拟制造执行良率提高的简单例子，使用失效仓分类，良率预测和流程窗口优化在7nm技术节点。
产量提高和料仓分类
A. Failure Bin定义
边缘放置错误是BEOL屈服损失[2]的重要失效模式。考虑一个简单的情况，其中M1被分割成金属a (MA)和金属B (MB)(称为LELE或在自对齐双图案(SADP)工艺中使用金属线)，并且通孔触点(VC)被设计成与MB连接。金属CD(或SADP工艺中的芯轴CD)或VC CD或金属到VC覆盖的工艺变化，将导致由于通孔和金属层之间的边缘放置误差而导致产量损失。通过不同的CD和叠加组合，可以定义几种故障箱(见图1):
图1:Bin图(a) Pass， (b) HR， (c) VML， (d) MML， (e) VMO， (f) VMS
B.结构构建和校准，失效库生成和识别
为了证明通过虚拟制造提高成品率的概念，构建了一个7 nm VC - M1工艺。在虚拟结构生成和校准后，进行了一系列的虚拟计量执行步骤。图2显示了虚拟结构上对应的测量位置，用于进行测量并将故障分类到相应的故障仓结构中。
图2:虚拟计量(结构搜索)(a)， VA-MA最小重叠面积，(b) VA-MB最小空间，(c) MA-MB最小空间，(d) VB-MB最大重叠面积。
根据特定的规范和规则，可以使用这些测量结果自动对料仓类型进行分类。
C.产量预测，仓数排名
在实际的制造过程中，工艺参数如芯轴/Via cd和覆层被控制在与平均(或名义)和分布宽度值测量的一定范围内。SEMulator3D提供了一种自动执行DOE的方法，并可以生成和收集用户定义的平均值和范围宽度/西格玛值。然后，根据收集到的数据和我们的yield规则，可以使用这些数据来计算通过率或yield(在指定输入条件下，pass bin与总运行次数的比率)。用户还可以根据生成的测量结果表和任何容器规范规则对故障容器类型进行分类。
我们建立了MCD(心轴CD)、VCD(Via CD)、SPT(间隔厚度)和MVO(心轴与VC在X方向上的重叠)的平均位移范围和固定分布宽度，然后通过蒙特卡罗模拟执行了3000次分割虚拟运行的DOE。图3 (a, b)显示了四种不同输入条件下的仓位汇总柱状图和仓位百分比的产量汇总表。图表和表格为我们提供了每个特定输入设置下的量化故障仓排名，有助于理解特定故障模式的产量影响。
图3。在特定MCD/VCD/MVO设置下的产量状态(a) Bin柱状图，(b)产量汇总
D.流程窗口优化
在流程开发期间，这种分析可能会导致一系列额外的问题。预测的良率是否可以接受，是否可以调整名义平均值以获得更好的良率，或者是否可以放宽工艺分布宽度而不会进一步损失良率?此外，如果收益率结果仍然不能接受，是否可以收紧分布宽度以获得目标收益率，以及应该收紧到什么程度?SEMulator3D中的流程窗口优化(PWO)函数可以回答这些和其他优化问题。pwa引擎可以自动搜索固定分布宽度的最优均值移位组合，然后根据收集到的数据提供一个产量(通过率)最大的最优工艺窗口。
表1显示了标称、优化和优化+收紧SPT宽度情况下的良率和工艺窗口摘要。结果表明，通过简单地优化均值漂移，可以将收益率从48.4%提高到96.6%。我们可以进一步收紧SPT宽度规格，以获得99%的目标良率。
表1。不同输入条件下的产量总结
结论
本文提供了通过虚拟制造提高产量的见解，包括使用结构构建、轮廓校准、虚拟计量、失效仓分类、产量预测和工艺窗口优化技术。我们使用了7纳米6T SRAM模型，边缘放置误差导致VC-M1良率损失。结果表明，优化工艺窗口和严格工艺规范后，产率由48.4%提高到99.0%。虚拟制造技术可以广泛应用于提高成品率的研究，以加速半导体工艺和技术的发展。
参考文献
[1] http://www.coventor.com/products/semulator3d
[2] Mulkens, Jan等，“使用EUV和ArF光刻技术的7nm节点的覆盖和边缘放置控制策略。”极紫外(EUV)光刻VI.卷9422。国际光学与光子学学会，2015。
|
|
|
|
|
|
|
|
|
|
|
|
留下回复