虚拟计量显示的好处在有限的试验,但仍然需要完成多少工作。
虚拟计量小心被添加到半导体制造,它显示出积极的效果,但芯片行业进行谨慎。
第一次使用这种技术提高现有工厂流程,如先进的过程控制(APC)。控制流程和管理收益率通常不需要GPU处理和先进的算法,这是一个测试的认可。与任何AI /毫升技术、虚拟计量受到一定程度的行业过热,需要时间来证明在一个广泛的用例。
然而,首次实现正显示出一些好处。的例子:
不过,虚拟的实际实现计量(VM)在半导体制造业是富有挑战性的在多个领域,从数据开始,通常是分散在不同的公司,或者在同一家公司不同的群体。
“重要的是要理解的后果有分散的数据,”安德烈斯托雷斯说,杰出的工程师西门子EDA。“虚拟计量需要很好的物理模型之间的一致性和机器学习模型。因为数据可以欺骗你,不完整的数据,机器学习将会给你一个最好的猜测相关性。但是如果它不匹配的物理参数测量,它一文不值。”
图1:16沙普利分析设计模型给出了元素的设计内容为最终输出贡献最一起工艺参数用于设置的过程设计。来源:西门子EDA
公司演示了如何VM模型可以用于提高计量覆盖每一个晶片处理。他们展示了一个模型之间的均方根误差减少50%,不包括流程细节,和一个模型,包括相邻计量测量。他们还显示有可能编码设计信息的方式,允许跨多个设计模式学习。
有趣的是,西门子和女朋友确定的主要挑战扩展更多的应用程序方法主要是有限的努力收集,处理和组织不同来源的历史数据。
什么是虚拟机?
虚拟计量是使用算法来预测过程结果基于先前的计量测量,薄片上显示器、和/或工艺设备传感器数据而不是直接测量的结果。因为只有一小部分晶圆和模具测量与计量工具(抽样),VM是预测可靠的基于适当的输入输出。首先,数据需要转换成一个机器学习的格式,这一过程被称为工程特性。然后,该模型可以预测在晶圆和死后发生了什么不检查,提醒过程工程师在参数漂移的剖面。
理想情况下,虚拟机可以缩短根源分析,预测更快失控的参数,改善APC,提高产量。几个消息人士强调,VM的目标并不是取代计量工具,而是要增强他们的工作时使用与设计和APC, TCAD和fault-defect分类(FDC)的晶圆厂。
“与人类,AI有能力——在实践中一个优势——在处理多变量因素影响产量,”米奇Banatwala说,软件开发主管上的创新。“在今天的工厂、调优单个参数不会移动针。这项工作已经完成,在很大程度上,优化。进一步优化需要有能力在多个变量,他们的相互作用,在更全面意义上的影响。理解三个或三个以上变量如何相互作用来驱动性能或产量只能人工智能。”
但把所有数据在一起是一个挑战。现在“生态系统的数据是分散的,”Mark Laird说高级职员应用工程师Synopsys对此。“举个例子,你有最终用户使用我们的传感器,但它是连接汽车。汽车制造商购买芯片,在一个主要的晶圆厂生产,所以工厂房屋数据。也可能是不同的,卖给你一部分的制程首先有自己的数据集。生态系统将开始统一,在很大程度上,在未来的10年。它,因为在一天结束的时候我们做了一个预测,你会有一个制动控制失败,例如,你需要采取行动——减免的性能和更低的电压,所以你保持这部分工作足够好的回忆。但你需要做一个主动召回的其他部分,找到工厂的数据,解决这个问题。所以这个生态系统统一。”
一个熟悉的场景展示了机器学习算法已经简化根源分析,是否只是电探测晶圆上执行失败或RMA设备。
“我们有非常具体的例子,说明机器学习使用聚类分析用于自动分类的缺陷,“Dieter Rathei说的首席执行官博士产量。”例如,您可能有10000个晶圆生产,和我们的聚类分析发现也许400晶片的一个特定的模式。然后你可以提交400晶片共性分析的工具,例如,说,“好吧,这些晶片已经被系统自动分类有一定的模式。他们有一定的产量损失,他们都一直在制造某种工具,和这个工具很有可能是负责模式。”或者他们加工的组合工具。你可以以这种方式非常接近根原因分析”。
毫升建模自动缺陷分类(ADC)需要选择正确的模型,无论是部门卷积神经网络(CNN)转移学习模式,深度学习方法,使用auto-encoders,乐团,或其他方法,说到Banatwala。“知名ADC方法是提供最终用户的信心,ADC分类缺陷被正确分类。如果ADC没有信心对缺陷进行分类,那么它必须打这个电话,缺陷是未知的。专家们可以把这些独特的缺陷类型在未来的模式。”
多元分析和多个进程之间的交互工具需求一个智力水平超出人类提供。“如果100晶圆材料问题,然后你会说,‘好吧,他们已经在这个蚀刻室,可能这个蚀刻室负责。但有时有组合的工具,导致一个问题,“Rathei说。“我们有一个算法,可以浏览所有的材料和材料的工厂。如果你说,我感兴趣的这些晶片。他们有什么共同点呢?可以结合,他们一直在光刻工具腐蚀装置,也许这清洁工具。和您可以定义的深度分析的组合两个或两个以上的工具,因为这是记录在同一时间。”
集成电路制造深度学习的早期阶段。“少数客户使用机器学习GPU处理,但它的到来,因为人们知道AI应用是未来的发展趋势,“产量的Rathei博士说。“可能是一些混合物的半导体行业想要在一个先进的技术地位和竞争力的问题。
计量也会变得相当棘手萎缩cd和3 d测量。芯片制造商需要越来越多的详细测量像cd在多个深度或离子注入配置文件。“他们想确保他们使用的计量客户工厂的最大能力,这是推动虚拟计量,“Torsten斯托尔说,市场营销和业务发展副总裁新星。一些客户做自己的大数据分析,其他外包制造商的计量设备或工艺设备的制造商,让他们一起工作。“动机来实现虚拟工厂制造商计量很好理解,但有技术挑战和约束限制这种用法。”
尽管如此,几家创业公司针对大数据分析,包括虚拟计量。”的理念,不只是我们的想法是,计量数据显然是很有价值的,还有所有这些传感器数据从流程的机器,”迈克young han Kim表示高斯实验室的首席执行官。“如果你可以关联数据,预测膜厚度,CD,叠加,边缘位置错误,等等。”
实现
金点与ML-based四个困难的挑战或基于物理的预言:维度的数据是如此之高,以至于可以接的很多参数之间的关系(流速、燃烧室压力室温度,等等);采样率如此之低,很难观察到有意义的相关性;随时间漂移数据(例如,从残留累积chambers)和数据变化突然发生维修之后事件和配方的变化,和(4)大量的设备,食谱,流程步骤,钱伯斯手工模型使其无意义的个案。“所以总是变化,模型的输入-输出关系必须灵活管理这些变化,”他说。
在其使用SK海力士,高斯实验室开发的人工智能技术对周围性血管疾病,心血管疾病,和其他单一晶片过程,关键的计量参数相关设备传感器数据的自动识别功能。平均高斯实验室的虚拟计量系统启用过程变异减少22%(分布如图2所示是通用的,但反映出的已实现收益)。一个关键优势是软件执行实时配方控制独立于工厂的APC系统,这是当作一个黑盒子。
图2:虚拟计量在SK海力士部署在大批量生产,与运行的APC系统集成。来源:高斯实验室
虚拟机的一个重要结果是更好的计量工具配置。“VM性能告诉你如果你过采样,所以也许采样率可能会扩大10%至5%。然后你可以做资源分配欠采样区域,”金说。
其他人也同意。与计量”,总有一个能力问题,“西门子的托雷斯说。“一些测量提供更多的信息关于你关心最终的价值,因此,工厂可以专注于效率。第六步骤中可能会告诉你,你会得到一个很好的预测测试结果与特定的错误率。这一点意义重大,因为这不是一个假设。它是基于数据。”
VM像社交媒体学习吗?
许多人都熟悉机器学习涉及到人类行为的理解通过社交媒体。但这是非常不同的从晶圆厂的要求。
“很多的技术,由谷歌和亚马逊的重点是试图理解人类行为。他们依靠相对较少的测量每月每用户和许多用户,所以狭窄和深度的数据集,”托雷斯说。“半导体制造是不同的,因为样本的数量不高,但是我们有物理在我们这边。这导致宽而浅的数据矩阵。因此,机器学习技术会略有不同。”
在机器学习、特征工程促进物理信息格式的转换,可以理解的模型。例如,NXP最近合格的机器学习来预测四个深沟计量测量每片,包括晶圆中心沟深度和硅片腐蚀沟深度。目的是检测和诊断异常值更快,减少对物理计量采样率,减少预防性维修后恢复时间。
模型部署到生产后,大卫·迈耶Lynceus报告重要发现。该项目涉及早期和持续的接触与工程团队,与预期的挑战在管理数据。采用生产需要解释数据的能力,和建立一个适于生产的数据管道和预测模型是具有挑战性的。
图3:在虚拟计量的第一步是基于历史数据的特征选择和工程领域知识。来源:Lynceus
“虚拟计量是一个相对明确的用例的AI:你使用数据描述过程是如何运行的,试着预测计量结果。我们的方法是与晶圆厂,所有必要的数据,而不是与工具制造商或其他类型的球员自然更有限的能力在生产部署的解决方案,”梅尔说。“今天,我们专注于预测故障造成的设备故障(这是被现有的传感器数据)。问题是:你想要什么其他类型的数据包括以覆盖更多的潜在失效模式?下一步自然是试图抓住defectivity相关故障。数据源应该然后被集成,你怎么去吗?我们相信这里的答案不是尝试,包括所有相关的数据可能会在同一时间,而是从一个可控的范围和迭代添加更多的数据。在某种程度上这将涉及使用外部数据工厂,需要数据共享生态系统中的多个玩家之间的协议。”
虚拟计量是广泛用于过程监控工具,根据Jiangtao胡,高级技术总监到创新。“今天的工厂经理和过程工程师想增加虚拟机的使用由于其优势,如高采样率(衡量每一个晶片)和现场和/或即时反馈(即。,没有计量队列延时)。不过,也有可靠性问题,有限的测量能力(空间分辨率,从传入的变化影响,等等)和传感器的成本。”
胡锦涛说,下一代虚拟计量发展将继续集中精力提高可靠性、可预测性,使用最新的技术进步和效率,包括:
•使用更多更好的刀具传感器;
•结合现场计量传感器在关键流程步骤;
•专注于高收益的影响领域,如边缘产生损失;
•改善ML算法,信心指数,和噪音过滤器等。
•Auto-training更新虚拟机中的一个演变的过程,和
•结合上下文信息,例如传入的变异。
有针对性的改进
从这里,芯片行业需要做它最擅长的——调整一切。
“我们开发YieldWatchDog系统电气测试数据,因为我不知道任何其他系统,将进行电气测试数据应用SPC的规则和其他电子测试数据的统计分析,“Rathei说。”所以我一直认为作为辅助工具,做前端外事局内联计量程控测试地板上。当然,另一个方向是更容易。所以除了自动反馈从统计的角度来看,我们的一些客户正在采取内联计量数据作为一个额外的数据源到我们的收益管理系统”。
许多芯片制造商都搬到更有针对性的计量方法。“有直接氧化铪的氮含量之间的相关性和泄漏电流,例如,”斯托尔说。“所以采用XPS和内联SIMS,客户可以用晶体管性能相关电影组成。与此同时,一些客户装箱芯片性能,及相关计量帮助他们做出更好的决策。
斯托尔指XPS (x射线光电子能谱)作为“原子计数器,”,因为它将物种的原子结构。XPS的“面包和黄油是功函数金属和高k介质,对晶体管的电特性相关。“客户可以优化氮化钽沉积过程,因为有五个不同的氮化状态。通过测量这些比率可以看出氮化状态,起直接进入设备的电气性能。”
结论
除了虚拟计量芯片制造商提高效率通过结合多个流程步骤和测量如CD、覆盖和边缘位置的努力。但虚拟计量可能将发挥越来越重要的和更广泛的作用,特别是在先进的节点和复杂、异构的设计。
仍然有问题需要解决这些系统。芯片制造商需要能够将来自多个源的数据,和他们需要理解VM效果最好,它增加了价值不大的地方,他们需要理解变量的范围,寻找他们不懂的东西。然而,考虑到早期的积极成果,大量的数据需要消化,AI可能为计量提供一些有用的改进。
引用
1。n . Greeneltch出版社。,“Design-aware虚拟计量和处理配方建议,“相比Feb-March 2023年,12495 - 75。https://spie.org/advanced lithography/presentation/design -意识到虚拟计量-和-过程-食谱- recommendation/12495 - 75
2。s . Schueler出版社。“虚拟计量:如何构建不同数据源之间的桥梁,“诉讼11611卷,计量、检验、第45半导体制造和过程控制;116112 d (2021) https://doi.org/10.1117/12.2588467
有关的故事
计量策略2 nm流程
工具成为硅/锗硅堆更具体,3 d NAND和保税晶片对。
|
|
|
|
|
|
|
|
|
|
留下一个回复