毫升是怎么被用于集成电路制造吗

半导体工程坐下来讨论这个问题和挑战与机器学习在半导体制造业Kurt Ronse在Imec先进光刻项目主任;渔洞,高级营销主任到创新;数据科学家罗曼Roux Mycronic;和阿基》的首席执行官d2。以下是摘录的谈话。本文的第一部分在这里。

唐森:渔洞,罗曼Roux Kurt Ronse安琪》。

SE:机器学习的一些关键应用在芯片制造吗?

》我们使用它在d2教师逆光刻技术)产品在两个方面。在最近有先进光刻技术会议,我们发表了一篇论文使用深度学习3 d加速仿真面具,一个复杂的光刻技术的效果。严格的面具3 d仿真耗时过长,是有用的。深入学习估计是快,使教师将掩盖3 d效果。第二种方法讨论了在去年的BACUS会议,我们讨论过使用首次嵌入深度学习的迭代优化过程加速进行。我们教师在一群模式。接下来,我们告诉深度学习引擎识别转换从输入目标晶片模式的输出进行,所需的面具的形状。深度学习在估计很快就很好,所以我们可以得到一个好的近似的最终结果迅速减少的优化迭代。我们和其他文件显示2 x改善教师/ OPC运行时间,同时提高质量的结果通过使用这种技术。

Ronse:让我们继续的OPC。在早期介绍了OPC的时候,它就属于这种足够好的模拟航拍图像。然后你唯一要做的就是选择你的阈值。因此,航拍图像模拟预测的线会偏离目标。精度变得越来越重要,因为规格变得更严格。因此空中图像单独是不够好。此外,抵抗过程有一定的贡献。然后添加一个旋钮在抵抗过程中。你必须优化,以确保你的模拟器是模仿您的流程在做什么。现在抵制处理后,也有腐蚀。 Etch can have some effects that are going to deviate your ultimate features from what you want them to be. So in the end, you’re going to have many knobs. If you do everything manually, it could take forever to fit a model that is representing your process. So that’s where you are trying to do some machine learning. We have this model with all the knobs. And then we start from a certain starting point with the parameters, which are randomly chosen. And then we let the simulator run, check it, and it self-corrects some of the knobs. Some of the knobs are not important. Some of the knobs are very crucial and have an enormous impact on the final results. So the more complex the process, and especially inEUV越多,旋钮。这意味着你必须依靠机器学习来确保你找到最优设置旋钮在合理的时间。

SE:所以这完成什么呢?

Ronse:OPC可以通过模型生成机器学习。它会加快模型生成。如果你与很多手动变量,这可能是相关或不相关,它可以永远有一个很好的模型。与机器学习,你做所有这些迭代自动以非常快速的方式,你可以来优化点的最小偏差速度快得多。

SE:有一些问题阻碍机器学习被广泛应用于芯片制造。我的印象是,你需要大型数据集,从而获得更好的结果。否则,结果可能不准确。然而,大多数设备供应商不能开发大型数据集。你需要一个大数据集吗?

郝:一般来说,这是正确的。深度学习是基于大数据。你不能解决很多未知数只有几个方程。这是最基本的概念。然而,在计量领域,有技术,我们可以使用它来部署深度学习与一个小标签集。

面粉糊:我想说,数据的质量是成功的最重要的关键之一。良好的数据意味着足够的数据,已标示数据,生成的背景尽可能接近最终的应用程序。同时,典型案例的数据应该描述所有你想要的模型来处理。要做到这一点,我们需要数据直接从真实的生产环境。这就是为什么我们需要与我们的工业合作伙伴紧密工作,如果我们想继续为他们提供高端设备。

SE:在未来,将机器学习在芯片制造成为无处不在?或者我们会继续使用传统的基于物理模型的方法吗?或者是两种方法可行吗?

面粉糊:物理仍是唯一可靠的基础上,我们构建模拟器。基于机器学习的模块可以模拟一些行为,但你需要物理区分相关性和因果关系。物理模型给你准确和深刻的理解,而机器学习可以提供速度和帮助你解决一些具有挑战性的逆问题。有两个非常不同的领域相辅相成。

》:毫无疑问在我的脑海里,机器学习,特别是深入学习机器学习的子集,将变得越来越普遍光掩模世界。面具制造商将继续使用传统的方法,但他们会逐渐将新功能成为可用的生产形式。深度学习的特点之一是一个示范的承诺或可行性可以快速创建。然而,productizing能力仍然需要时间。我们已经开始看到产品整合深度学习在软件和设备。任何繁琐和容易出错的过程,人类的运营商需要执行,特别是那些涉及视觉检查,是深度学习伟大的候选人。有很多机会在检验和计量。也有很多机会在软件更快地产生更精确的结果,以帮助在前沿面具商店周转时间问题。有很多机会在关联大数据面具商店和机器与机器学习进行预测性维护日志文件。

Ronse可以使用:潜在的,它无处不在。在一个例子中,你可以想象一个EUV的复杂性与源和其他光学机器。他们有很多传感器的机器生产和生成数据。基本上没有一个工程师了谁能处理,使一些有用的数据。在那里,他们可以使用深度学习试图预测趋势。例如,您可以用它来前的预防性维护工具意外下降。

郝:当我们使用机器学习,可以从一个不同类型的应用程序到另一个地方。让我们来谈谈检查。检查,例如,涉及ADC或自动缺陷分类。这是一个机器学习的理想用例,因为它是基于图像分析和图像分类。通常,许多标签数据用于检验。这就是深学习可以应用最容易。

SE:你能给我们一个例子的计量是如何运作的吗?和它是如何应用于机器学习?

郝:在一个例子中,光学临界尺寸计量(OCD)是一种高通量内联计量为过程控制技术。对于逻辑设备,您可以用它来鳍鳍概要和翅片高度测量。还有一个非常关键的参数称为间接决定了设备性能。我们测量这些临界尺寸在纳米范围的准确性sub-angstrom水平。除了强迫症,计量还包括CD-SEMs、CD-SAX等等。让我关注强迫症,这是基于散射测量。在这个世界上,我们通常没有一个非常大的数据集在图像处理方面。引用数据从TEM获得是非常昂贵的,我们只有一个非常小的标签数据集。我们有一个产品,使用机器学习强迫症。我们正在积极探索深度学习对于这个应用程序。

SE:机器学习在计量解决所有问题吗?

郝:首先,在计量,有一件事是,你需要有敏感性。你的工具必须有敏感的尺寸变化正在发生。没有任何敏感,机器学习或任何其他技术将帮助你。其次,由于低灵敏度和我们测量设备的复杂性,使用经典的基于物理建模技术不再是足够的。这就是机器学习。另一方面,机器学习本身可能不是唯一的解决方案。物理仍然是重要的。物理模型和机器学习模型都预测模型。我们发现通过结合物理和机器学习在一起,我们可以获得最佳性能。机器学习是物理学的补充。 It can help physics, but it is not going to replace physics.

有关的故事

在晶圆厂使用机器学习

发现缺陷与机器学习芯片