需要模式识别、机器学习和实时分析来根除系统缺陷。
系统良率问题正在取代随机缺陷，成为半导体制造中最先进工艺节点的主要问题，需要更多的时间、精力和成本来实现足够的良率。
产量是半导体制造业中最隐秘的话题，但也是最关键的，因为它决定了有多少芯片可以盈利销售。“在旧的节点上，当你开始批量生产时，你唯一需要担心的良率问题是随机缺陷，”Andrzej Strojwas说PDF的解决方案．“大部分系统问题将被消除，参数问题将得到控制。”
现在情况已经不同了。Strojwas解释说，系统缺陷和参数变化现在存在于早期生产中，需要积极的产量管理策略来将产品产量提高到可接受的水平。“有时，特定的布局模式会出现问题，”他说。“例如，在互连层面，金属岛可能会出现问题，导致短路或开路等灾难性故障。不幸的是，尽管人们对此给予了大量关注，但这些情况仍在发生光学接近校正(OPC)，以确保结构打印非常接近设计意图。”
图1:处理屈服斜坡设计系统的分析。资料来源:公司
GlobalFoundries最近在其14nm finFET移动产品的量产过程中实施了一种良率提高方法，其寿命为两到三年。[1]该公司表示，工艺、设计和布局之间的系统性缺陷是早期产量损失的主要原因。该流程(见图1)将客户GDS文件与经过调整的设计到硅流程结合起来，该流程根据历史学习的弱点或缺陷评估良率损失。设计特性为模式匹配提供输入，以计数在流程开发期间捕获的薄弱点(wp)或夹点的发生情况。设计原理图根据产量影响对wp进行排名，并将其反馈到新产品导入流程设置中。最关键的是，在NPI设置过程中使用在线CD、亮场检查、电子束扫描、自动模式检查和工艺窗口确认对系统进行全面的工艺表征。基于这些发现进行修复，然后在晶圆上进行验证。
在一个例子中，GlobalFoundries工程师发现了一个线中间接触-接触短弱点，“这与一个7.5T标准电池有关，在双图案接触(CA) - CA1和CA2之间的边缘空间很小，晶圆边缘模具损耗(>5%)(见图2)。基于设计布局分析和图案匹配，实施了光学接近校正(OPC)固定解决方案，以扩大工艺裕度和提高产量，如图2g所示。“CD检查确认了整个流程窗口。”
图2:通过光学(a)、布局(b, e)和电子束(d)确认的接触-接触短路通过OPC校正，并通过更大的间距(f)和晶圆边缘屈服增益(g)进行验证。来源:IEEE ASMC
三维计量与产量学习
最近最重要的变化之一是3D检测和计量学习的增加。finFET和纳米片晶体管的采用是在前端，而先进的封装在后端需要3D计量。
“我们看到的关键挑战实际上是3D的复杂性，”谢伊·沃尔夫林(Shay Wolfling)说新星．“所以这是从3D NAND开始的，有数百层——不是一层，而是两层和三层。客户感兴趣的不仅仅是CD，而是顶部CD，中间CD和底部CD -沿着配置文件的多个参数。对于堆叠纳米片的逻辑也是如此。”
例如，纳米片晶体管的三维测量和过程控制产生了一种新的工具，垂直移动光谱仪，Wolfling将其描述为在传统OCD功能(散射测量)的基础上增加了干涉测量法。这项新技术为反射率测量带来了额外的相位信息，从而显著提高了纳米片晶体管中腔和间距测量的精度。
在FEOL中，光学和电子束技术都被使用。该公司产品管理总监马特•诺尔斯表示:“随着晶体管水平的门级全能，你将引入更复杂的前端缺陷。西门子EDA的Tessent组。“光学检测已经完成，电子束检测也正在应用，但栅极的三维性质带来了重大挑战。”
具体地说，Knowles强调了布局模式系统缺陷日益增加的影响。“这是一个多年来人们一直面临挑战的领域，但在高级节点上，模式复杂性更高，这些缺陷可以占产量的百分之几。因此，我们将YieldInsights YMS的机器学习与PDF Solutions的模式引擎结合起来，以解决其中一些问题。”
签名模式
在生产过程中，工程团队寻找可操作的数据，他们可以使用这些数据快速提高产量或减少产量限制事件的影响。工具和加工问题通常在晶圆级模式中捕获，可以通过软件程序进行建模和自动识别。
产量管理系统中的机器学习可以分析晶圆级的空间模式。例如，Skywater Technology和Onto Innovation的工程师实现了基于ml的空间模式识别(SPR)引擎，以根除由于工艺或工具边际性而导致的系统性产量问题。该引擎主动生成高影响步骤的Paretos，以更有效地识别产量限制事件的原因。[２]“半导体行业对采用SPR并不陌生，”SkyWater Technology的大卫•格罗斯写道(他已跳槽到西门子数字工业软件公司)。“然而，有效利用SPR结果来加快确定根本原因和纠正措施仍然是一个挑战。”
图3:三个月的未知模式学习结果。资料来源:IEEE ASMC
提高产量的方法始于基于ml的基于数月生产数据的模式自动发现(见图3)。工程师将模式样本添加到库中，同时使用库和配方设置组合来提高跨多个产品和层的模式识别。在生产过程中，当晶圆检测、计量和探针数据被输入良率管理系统时，SPR引擎会根据空间特征对晶圆进行检测和分类。根据工程师的监视标准，采取自动操作，如电子邮件警报、自动报告等。
SPR引擎发现了三种未知的模式，包括光刻条纹、两个边缘带和一个中心簇。“岩纹条纹可能是由于网线污染或检查配方敏感性问题。但是，通过执行中继器和事件报告等深入分析，可以快速隔离根本原因。”生产中产量限制模式的仪表板(见图4)通过突出显示有助于产量限制警报条件的工艺工具，实现快速反应和恢复，可以提高工程生产率(+25%)。
图4:通过将设备研究信息与AOI图像相结合，使用仪表板定期监测缺陷模式，将工程生产率提高了约25%。资料来源:IEEE ASMC
Skywater的其他案例研究确定了受特定空间模式影响的所有晶圆，消除了耗时的人工分类的需要。SPR引擎还能在完全冲击之前捕捉已知的故障模式，例如在晶圆上以风车模式蚀刻薄片，其实时警报通知工程师需要更换组件。该团队得出结论，SPR引擎有助于勾勒出偏移范围，并将内联签名与产量限制缺陷相关联。
可操作的数据
更好的数据分析程序有助于更好地利用缺陷和故障数据。“我们看到的一个大趋势是，为了让缺陷数据更容易获得和可操作，人们在生产中进行更多的批量诊断，”Knowles说。“过去，只有几家大公司收集并分析了所有的故障数据。其他客户则是在新产品介绍或某些收益率问题的特殊基础上这样做的。但现在，所有的客户都更加积极主动了。他们必须这样做，因为他们不能忍受持续一周或更长时间的收获。”
缺陷隔离是一个持续的挑战，特别是当缺陷被覆盖的工艺层隐藏时(见图5)。通常，缺陷检测工具快速扫描晶圆以寻找缺陷，然后使用单独的审查工具验证缺陷并按类型对缺陷进行分类。失效分析进一步确认了失效模式。
布鲁克应用和产品管理总监Frank Chen指出，取样程序正在发生变化。旧的程序不足以捕捉所有致命缺陷，特别是在汽车和服务器芯片中，可接受的缺陷水平低于ppm。因此，公司必须投资于工具，以提高收益。他指的是一种范式转变，从旧的采样策略，在少数几个芯片上产生ppm的不良率，到现代汽车系统，数千个设备具有复合故障率。“在服务器单元或高性能人工智能芯片中，投资回报率更引人注目。但对于外包制造，任何影响生产力的事情，比如额外的检查步骤，都需要一个整体的行业解决方案。”
图5:100% x射线缺陷检测(左排图像)，随后是复查(中间)和横断面验证(右)，以隔离HBM中光学技术可能遗漏的隐藏缺陷
力量我们对x射线检查和模接后复查的采样率和自动反馈进行了研究，以确定最佳采样率、产量增益和偏移持续时间(见图6)。“我们对内存控制器故障的分析表明，通过30%的采样可以显著减少偏移时间，大约7天的偏移时间。一直到100%采样，产量提高了1.7%，并将采样周期缩短至2天。”
快速的计量过程反馈是将不良率提高到100 ppb水平的关键。“只有高采样率的漂移监测是不够的，”陈说。“实际上，你需要提供积极的过程控制反馈，以达到产量和可靠性的水平。”
图6:将采样率提高到30%，可以显著减少偏移时间，从多周减少到7天。来源:力量
工程师识别可操作数据的方法之一是通过故障缺陷分类(FDC)程序。FDC通过过程工具上的传感器数据和监控数据实现故障自动分类。“我们正在做越来越多的FDC，在过程工具和计量系统上，”Mike McIntyre说，软件产品管理总监上的创新．“例如，有一种最著名的方法是将FDC放在你的计量工具上，这可以实现车队匹配，从而能够确保他们每天的行为一致。这样你就不需要依靠校准标准来确保计量测量是在控制之下的。所以我们引入了这种学习，我们可以开始研究工具上的固有信号。”
但是，工具上的传感器数量越来越多，维护和分析来自过程监控器的所有数据的成本也越来越高。并且需要在整个产品生命周期中从一开始就跟踪缺陷。
数据分析和生命周期管理
在晶圆厂和组装测试设施中，数据管理有两个方面——历史数据和日常操作产生的实时数据。“在宏观层面上，使用高级节点，需要分析的数据量确实有一个阶梯式的函数变化，”位于硅谷的硅生命周期管理公司的高级员工产品营销经理Guy Cortez说Synopsys对此．这些工具必须能够很好地处理架构，以执行量分析，跟踪实时和历史数据，以了解产量问题，从而实现实时操作。”
半导体处理中的数据管理挑战可以简化，特别是从真正重要的半导体材料或芯片的角度来看。McIntyre说:“在Onto，我们查看数据，基本上发现所有数据都符合三个向量之一。”“它要么是与正在生产的材料相关的矢量，要么是与在材料上执行功能的设备相关的矢量，要么是与应用于影响材料的工具的过程相关。所以所有的数据都属于这三个类别之一。这有助于我们组织数据进行分析。”
在设计方面，存储器的设计和制造得益于自我修复机制。现在，在某种程度上，类似的技术正被应用于逻辑器件。“在制造设计方面，我们正在将BiST扩展到自我修复，就像我们对内存所做的那样，然后是其他块。现在，我们正在为接口IP，重新配置，校准，流媒体等现场改进技术，”Synopsys首席架构师和研究员Yervant Zorian说。“但将工具相互连接是我们在生命周期管理中所做的较新的事情，因为通过传感器监控，修复芯片内部的系统可以一直扩展到云中的分析。所以我们不会把分析和芯片资源分开来看。我们正在将它们相互连接和关联，并进行优化。”
结论
系统缺陷显然在最近的工艺节点中占主导地位，这推动了对更复杂的产量管理程序的需求，包括空间模式识别、实时报告和缺陷识别，以及工具问题的自动建议。机器学习和数据分析程序有助于加快新节点和生产过程中产量增长的根本原因分析。
参考文献
|
|
|
|
|
|
|
|
|
|
留下回复