利用机器学习提高产量

机器学习在半导体制造业中正变得越来越有价值，它被用于提高良率和吞吐量。

这在数据集有噪声的过程控制中尤其重要。神经网络可以识别超出人类能力的模式，或者更快地进行分类。因此，它们被部署在各种制造过程中，以发现缺陷，并确定它们是否会影响设备在预期寿命内的功能。

公司总裁兼首席执行官Subodh Kulkarni表示:“现在已经开始出现很多人工智能的东西，客户正在确定最相关的测量方法CyberOptics．“我们提取出异常值，整合发生在一个更高的水平上，导致产量提高到新的水平。”

机器学习在任何制造过程中，在检验领域中使用时间最长，并且正在被纳入新的工具中。算法可以分离出产品工程师不知道的缺陷特征或模式。

”心理契约KLA的市场副总裁Satya Kurada说:“KLA的宽带光学检测系统具有工具上的分类技术，该技术使用缺陷属性将检测到的事件分为不同的缺陷类型和使用机器学习的有害缺陷。”

在光学工具上识别出的需要额外分类的缺陷通常会被审查电子束检验系统。“晶圆厂工程师利用缺陷信息来优化生产线，”Kurada说。“最终的结果应该是更多的好模具使它到线的末端，在那里进行探测。”

像人脑一样，深度学习(DL)识别模式，并使用这些信息自动判断传入的数据。使用多层非线性处理单元级联进行特征提取和转换，神经网络中的每一层都使用前一层的输出作为下一层的输入。在缺陷检测中，基于DL或ml的算法减少了人工分类的负担，并减少了得到结果的时间。

网络的自动化特性也使其具有吸引力。微软软件产品管理总监迈克·麦金太尔表示:“因为深度学习模型可以立即自我更新，所以维护成本更低。上的创新．“但你也不能进行诊断。这就是这种新模型的令人兴奋之处。我在维护上比在旧的机器逻辑模型上花费的精力要少，在旧的机器逻辑模型上，我必须不断地调整斜率，或截距，或变量，以确保它保持一致。所以对不同的数据集进行信任和验证很重要。此外，这些软件解决方案并不是“设置好就忘记它”。’我们的True ADC是一个流程工具，就像工厂里的任何其他工具一样。”

简化ADC
利用光学显微镜或sem或两者的图像进行自动缺陷分类(ADC)是晶圆厂缺陷分析中最广泛使用的方法。许多最先进的ADC方法都是基于卷积神经网络(cnn)。然而，典型的cnn不能达到半导体所需的高分类精度，而且它们很昂贵。

Synopsys工程师最近发现，一种决策树深度学习方法可以分类98%的缺陷和特征，再训练时间比传统cnn快60倍。该决策树利用8个cnn和ResNet，利用SEM和光学工具的图像自动对12种缺陷类型进行分类(见图1)半最近的先进半导体制造大会(ASMC)

图1:使用决策树神经网络对十几种缺陷类型进行分类，结合多个卷积神经网络以获得更高的缺陷分类精度。资料来源:IEEE ASMC

“我们选择ResNet是因为它已经被广泛应用于多分类问题，比如对卫星图像进行分类，在AlexNet、VGGNet和GoogLeNet中，它的性能最好。Synopsys对此．ResNet也是第一个性能优于人类视觉的ImageNet赢家。”

Synopsys指出，它的神经网络比任何单一的神经网络都要小美国有线电视新闻网而且训练得更快。如果分类置信度低于要求的阈值，它的自我学习机制将图像报告为“未知”。然后，工程师检查2%的未知缺陷，标记它们，并重新训练特定的DNN。

图2:决策树神经网络减少了计算资源，因为可以重新训练单个分支，而不是重新训练整个神经网络。资料来源:IEEE ASMC

“这是可能的，因为dnn的决策树允许对一个dnn进行再训练，而不是整个系统，”Li解释说，决策树是用缺陷的领域知识创建的。这些缺陷根据共同的物理特征被分组为类和超类，从而形成一个4级决策树。该程序的运行时间为98分钟。

神经网络如此有用的原因之一是半导体过程现在非常复杂。以3D NAND结构为例。macroix和KLA最近都展示了将深度学习应用于3D NAND工艺的好处。Macronix的研究表明，机器学习使深沟槽蚀刻工艺的斜坡速度更快，具有优异的跨晶圆均匀性。KLA工程师表示，将深度学习应用于电子束缺陷检测工具，有助于识别96层沟渠中感兴趣的深埋缺陷。

图3:深缝沟槽腐蚀工艺流程。来源:Macronix, IEEE ASMC

深沟槽腐蚀优化
Macronix工程师展示了机器学习如何加速3D NAND器件的新蚀刻工艺开发。在优化深沟槽狭缝蚀刻时，有两个参数特别重要——底部CD和多晶硅蚀刻槽深度，也称为蚀刻停止(见图3)。“底部CD图案太小将导致字线到字线的短缩，而第一层多聚层的穿孔将导致图案结构崩溃，”macroix工程师Yu-Fan Chang说。

macroix团队认为传统的领域知识方法不能满足跨晶圆均匀性的需求，因此他们转向机器学习模型来快速优化晶圆中心、中间和边缘的蚀刻BCD和聚隐凹，并在SEMI的ASMC.[2]上展示了他们的结果

人们倾向于认为神经网络需要非常大的数据集，但这并不总是必要的。Chang说:“即使数据库大小有限，我们仍然可以应用它来减少蚀刻开发的周转时间，并通过神经网络建模期间的一系列虚拟轮廓预测和验证，得出明确的调优趋势。”

深沟槽刻蚀过程中，靶层底CD为>150nm，多隐窝靶层<65nm。7步模型包括:
1.数据收集-中心、中间、边缘的SEM截面;
2.数据挖掘-确定可变影响(O2流量，蚀刻时间，功率等)对BCD，聚隐窝;
3.模型设置；
4.模型选择；
5.模型检查-由测试数据完成，如果是6，如果不是3;
6.预测-理想的底部CD和聚凹窝，
7.精度检查-使用实际蚀刻配置文件

重复步骤2-7，直到交付目标结果。在神经网络中，变量输出(神经元)为下一步提供输入。在这种情况下，12个蚀刻变量在第一个隐藏层中提供6个激活函数，在第一个隐藏层中提供8个激活函数，由TanH，线性和高斯函数组成。4层神经网络同时预测中心、中间和边缘BCD和多隐窝值(见图4)。

图4:四层前馈神经网络模型同时预测晶圆底部CD和晶圆中心、C、中间、M和边缘E的多隐窝。来源:Macronix, IEEE ASMC

该小组通过使用已知数据比较实际数据sem(见图5)验证了该模型，并将结果与模型预测的结果进行了比较。模型精度为>92%。机器学习成功地识别出理想的工艺条件，在晶圆上产生所需的BCD和多隐窝值，具有良好的相关性(R2 = 0.78-1)。

图5:最终的深沟槽蚀刻过程，使用4层神经网络进行快速调整。来源:Macronix, IEEE ASMC

三维NAND中深度缺陷的分类
由Cheng Hung Wu领导的KLA工程师优化了高着陆能量电子束检测工具的使用，以捕获深沟槽蚀刻后96层ONON堆叠结构中深埋6微米的缺陷电子束工具可以检测光学检查员无法检测到的缺陷，但只有在高着陆能量下才能穿透深层结构。通过这一过程，KLA正在寻求开发一种用于深沟缺陷的自动检测和分类系统(见图6)。

图6:该深度学习模型检测和分类缺陷的准确率为90%。资料来源:KLA, IEEE ASMC

垂直通道检测中的缺陷大多是由通道欠蚀或通道中残留钨(牺牲膜)引起的。分析表明，30KeV的着陆能量对于检测和分类100nm特征中深至6µm的缺陷是理想的。训练和验证运行在4片晶圆上的9个垂直通道行中使用了25个缺陷，揭示了9种缺陷类别。使用FIB横切面和扫描电镜成像进行验证表明，危害率为2%。

这表明dl模型可以很好地找到过滤掉噪声的DOI类型。有害缺陷是垂直通道孔直径的变化，通常比正常的小，”KLA的Wu说。他指出，人工检测需要20至30分钟，而DL模型在作业期间执行实时ADC。

SMT模具连接优化
一家内存制造商需要一种更灵敏的SMT角底填充检测方法，该方法正在使用带有斑点分析算法的自动光学检测。结果的不一致导致他们求助于深度学习检查方法，以精确确定每个设备角上环氧底填料的长度。

CyberOptics工程师开发了用于角落填充检测的深度学习算法，该算法优化了物体分类、检测和角落填充长度的迁移学习任务CyberOptics研发副总裁Charlie Zhu说:“神经网络需要足够深，才能了解问题的复杂性，但如果太深，就很难改变。”“所以我们需要非常仔细地设计架构。”

图7:设备底填充质量的四方检查。来源:CyberOptics

MRS工具上的侧摄像头可以在不移动基板的情况下进行四角检测(见图7)。数据可以通过SQ软件进行通信，在一端进行模型训练，而客户在另一端进行干扰。朱补充说，新模特的训练可能需要几天到一周的时间。

CyberOptics的Kulkarni表示，随着半导体封装的复杂性增加，针对特定生产应用的机器学习和培训可能会更加需要。

结论
机器学习算法是工程师工具箱中一个重要的新工具，特别是在缺陷分类或使新流程更快成熟方面。但重要的是要注意，这些都是复杂的解决方案，并不是每个问题都需要它们。

Onto的McIntyre说:“我们已经有了一些非常非常好的解决方案，长期以来Cpk提高了2倍和3倍，但客户想要的是机器学习解决方案，即使其他已被证明的方法也很好。”“是的，这是工具箱里的另一个好工具。工程师们将继续应用机器学习和深度学习，看看它能在产量提高和过程控制方面带给他们什么，但它们只是工具箱中的一个工具。”

参考文献
王志强，李哲，王志强，“基于深度神经网络决策树的晶圆缺陷自动分类”，IEEE ASMC, 2022年5月。
[1] Y.F. Chang等人，“机器学习辅助3D NAND中的高纵横比狭缝沟槽蚀刻”，IEEE先进半导体制造会议(ASMC)， 2022年5月。
[3]吴春华等。，“基于dl的电子束系统的三维NAND垂直通道缺陷检测和分类解决方案”，IEEE ASMC, 2022年5月。
[4]案例研究:深度学习在集成电路中的角填充检测和计量，“半导体工程，2021年12月，”https://新利体育下载注册www.es-frst.com/case-study-deep-learning-for-corner-fill-inspection-and-metrology-on-integrated-circuits/

有关的故事
AI/ML如何改善晶圆厂运营
智能芯片制造现在是一种需求，它需要重新思考已经存在了几十年的流程。

在晶圆厂使用AI的应用和挑战
深度学习和数字双胞胎可以帮助识别模式，最终可能能够解决出现的任何问题，但这需要一段时间。

晶圆厂进一步深入机器学习
晶圆图像解读会影响良率和产量。