在晶圆厂使用机器学习

在转向更复杂的芯片在高级节点,许多芯片制造商正在探索或转向高级形式的机器学习来帮助解决一些在集成电路生产的巨大挑战。

的一个子集人工智能(AI),机器学习,使用先进的算法在系统识别数据中的模式以及学习和预测信息。在工厂,机器学习承诺提供更快和更准确的结果在选择的地区,如发现和缺陷分类芯片。机器学习也是用于其他流程步骤,但是仍有一些挑战部署它。

机器学习并不新鲜。它已经被用于计算和其他领域几十年了。它第一次出现在半导体生产在1990年代。一些人认为,这是一种帮助一些manually-driven工厂设备的步骤自动化。

随着时间的推移,机器学习在计算和其他地方取得了令人瞩目的进展。最近,许多芯片制造商已经部署的技术选择应用检查、光刻和计量。但它并不能解决所有的问题在工厂,和它不会取代传统的方法。到目前为止,更高级形式的机器学习并不广泛部署在整个工厂,和一些差距依然存在。在机器学习中,例如,系统需要大数据集。如果数据集是不充分的,一个系统可以生成可疑的结果。

尽管如此,一些芯片制造商正在探索或开始使用更高级形式的更多地区的工厂的机器学习算法。机器学习在一种或另一种形式,有可能帮助推动一些工厂的流程。

“大部分仍部署在晶圆厂的是单层的机器学习算法。大部分的行业才刚刚开始过渡到深度学习与领导者和追随者之间的差距很大,”首席执行官Dan Hutcheson说超大规模集成的研究。“这各不相同,但我想说的应用程序都取得了最奖励预防性维护,缺陷分类,改进sub-wavelength决议,design-for-manufacturing,优化设计规则的限制,产量和品质管理,并预测收益率死去。”

有鉴于此,一些芯片制造商正在看机器学习来获得竞争优势。潜在的,可能加快工厂学习的周期,加快产品开发时间。“每个人都在看着它——有些人看了两到三年,有些人刚刚开始看今天,”泰德说doro,高级成员的美光科技的技术人员。“我们知道我们的竞争对手是涉猎,或者多涉猎,所以我们在一场比赛。我们知道每个人都运行一个类似的竞赛。”

然而,芯片客户需要关注技术,以及它如何可能影响当前和未来的集成电路设计。这里是一些机器学习的地方今天在工厂中使用:

• 自动缺陷分类。这个过程在芯片定位和分类缺陷。
• 电气测试。新的算法被用于分类晶片探头检测的地图。
• 声异常检测。为此,微米麦克风的地方附近的工厂设备检测系统的异常。
• 预测性设备维护。在一个先进的形式,林研究开发了自我维持的设备。

机器学习是什么?
半导体晶圆厂自动化设施工艺晶片使用各种设备在一个洁净室。在操作中,一批晶片被运送到一个设备,然后根据给定的制造流程处理。然后运输到下一个晶片设备和加工,等等。

在早期的集成电路产业,半导体制造业相对原始。“工具本身,在大多数情况下,机械地开启和关闭。有人为他们设定不同的参数函数,“VLSI的Hutcheson说。“第一个计算机控制在1990年代的某个时候才到达。我的意思是实时计算机过程控制。”

一般来说,工厂设备,现在仍然是,设计使用数学模型和传统的编程方法。数学模型描述系统应该是如何运作的。

工厂工具手动驱动在早期。在半导体生产机器学习,出现在1990年代,当一些芯片制造商开始看它意味着自动化一些工厂工具的过程。

机器学习是不同的比传统的数学模型和编程技术。它利用神经网络来处理数据和识别模式。它匹配特定的模式和学习哪些属性是很重要的。

主要有两种类型的机器学习,监督监督和管理。在监督机器学习的算法从人类学会使用训练数据和反馈给一个给定的输入输出的关系,“根据麦肯锡的一个定义。在非监督机器学习,“一个算法探索输入数据没有给出一个明确的输出变量”。

一开始,不过,机器学习是有限的。为它工作,技术需要计算能力和大型数据集。在1990年代,该行业缺乏。

一切都改变了。“机器学习在1990年代开始变得有用,”阿基说》的首席执行官d2。“但这改变了在过去的六年中,gpu的出现。gpu启用深度学习发生因为有如此多的更多的计算能力。”

机器学习增强数学模型,而不是取代它们。今天,设备制造商和工厂使用这两种技术自动化和给定过程加快。

“人类的设计一个模型,通常通过一些物理的理解,化学或数学,”》解释说。“机器学习可以自动选择模型的参数,使其更快的人类去探索各种模型形式。”

随着时间的推移,集成电路产业实现技术,至少在某些应用。“机器学习包括传统的曲线拟合线性回归类型的建模、“》说。“在这个意义上,机器学习已经使用了所有类型的模型生成,包括面具模型、晶片光刻技术和处理模型。晶圆厂和面具商店也使用经典的机器学习在“大数据”分析的所有操作数据寻找方法来提高产量和防止停机时间。”

现在,一些正在探索或者使用高级形式的工厂的机器学习。“我第一次发现芯片制造商应用深度学习在sub-fab大约四年前。当我看到,我意识到它被大量使用计量检验和光刻工具,“VLSI研究Hutcheson说。“大约两年前,我发现它被专业公司的质量控制和EDA工具。但这就是我所看到的,许多公司让他们的工作高度机密了。”

它不是使用无处不在。这只是许多技术之一,芯片制造商在他们的处置。“这是一个工具的工具箱”,Hutcheson说。

缺陷的分类
在半导体制造,我们的目标是生产的芯片没有缺陷。但缺陷可能出现在芯片过程中由于故障。

找到这些缺陷,芯片制造商使用检查系统在工厂。检测系统以芯片和比较他们的图像数据库系统中确定是否存在缺陷。

然后,图像被送入一个单独的缺陷评审系统,将缺陷分为预定义的类别。我们的目标是找到缺陷的原因。

多年来,缺陷评审是一个手动过程。使用显微镜,操作员和分类系统中的缺陷。这是一个耗时的,容易出错的过程。

在1990年代开始发生变化。例如在1997年,IBM设计了一个自动化的缺陷分类(ADC)技术使用第三方检验工具和机器学习的早期形式。

IBM集成缺陷评估系统与机器视觉相机。在操作,相机自动看着图片。然后,软件缺陷分类到预定义的类别,从训练样本,根据IBM。

然而,系统不够快,没有足够的数据。用于IBM的16 mbit达利克,系统分类简单缺陷的准确性达80%。运营商仍需要复杂的缺陷进行分类。

世界已经变了。今天,微小的芯片是更复杂的功能。在逻辑中,芯片制造商增加10 nm / 7海里,在研发5海里。“然后,有一些新材料。你有钴、钌和其他东西。他们有自己的挑战,“Mohan艾耶说营销电子束部门心理契约。

发现设备缺陷是一个具有挑战性的任务。为此,芯片制造商使用更强大的检验工具和ADC今天评审系统。

ADC与机器学习也是混合的一部分。没有机器学习,可能需要6到9个月来训练人手工对缺陷进行分类准确率达到了90%,根据最近的白皮书从英特尔。即使在培训之后,人类操作员只有75%至80%准确的随着时间的推移,据英特尔。

在报纸上,英特尔描述了它如何使用ADC与工厂中的机器学习。使用扫描电子显微镜,英特尔需要大量的图像的晶片在制造过程中,根据纸。

使用电脑时,图像发送到一个分类服务器。然后,图像自动标注和缺陷进行分类,根据英特尔。

标记图像发送回电脑,他们搬到一个存储单元进行分析。标签图片也发送到一个单独的模型构建服务器,重新训练模型和新信息,根据英特尔。

在记忆方面,与此同时,微米也已经部署了ADC与机器学习在一个工厂。此前,微米操作员,回顾和手动分类缺陷每年数百万的速度。

最近,微米自动化的过程部署所谓AI-ADC 6在其工厂设施。位于弗吉尼亚州马纳萨斯的工厂生产DRAM、NAND闪存和和产品。微米希望使用AI-ADC其他晶圆厂。

作为努力的一部分,微米已经数以百万计的保存标记缺陷图像到一个Hadoop集群。然后,公司使用Nvidia的DGX-1训练深大数据集的神经网络。DGX-1是基于gpu的深度学习平台。

“我们把从Hadoop集群存储图像,图像训练集上运行培训,“微米doro说。“我们然后运行测试一组相关但不同的图像模型,模型和分数。一旦模型分数足够高,就冻结用于主动标签。”

图1:神经网络是一个函数,可以学习来源:微米

在操作中,微米过程中的晶圆工厂。检验工具可能会发现一个缺陷。然后,单独的AI-ADC系统评论和auto-classifies最多的缺陷。但仍不太常见的缺陷被运营商。

这里的底线是什么?“今天,我们现在构建的深层神经网络取代人类的大多数缺陷分类或标签,“doro说。“人工智能带来的是一致性和速度。只有几分之一秒,确定它是什么,它也非常一致。”

发现和分类的缺陷只是成功的一部分。我们的目标是找到问题的根源,然后消除它们。

先进的ADC是帮助。例如,应用材料已经开发了ADC技术,发现缺陷和分类。然后,系统使用不同的成像技术来帮助确定问题。

“我们已经自动检测分类领域多年。在过去的几年里,我们已经添加了使用机器学习功能,“拉菲Benami说,检查和审查部门的副总裁应用材料。“我们也使用我们称之为自动缺陷分析。例如,我们看到一个缺陷,说:“让我们试着使用不同的成像技术。然后我们能说什么是缺陷的根源。所有的这些都是基于机器学习。”

多毫升
除了ADC,机器学习是出现在其他地区的工厂,如光刻、计量和其他人——至少在选择病例。

它也出现在测试。流,晶片加工工厂,然后进入测试阶段称为晶圆测试。晶圆探针台系统称为晶圆测试,用于在每个设备进行电气测试晶片。目的是清除坏的死亡。

有些是讲述了一个新版的晶圆排序。例如,工厂6微米是使用电特性数据从探头检测到晶片地图使用监督和非监督机器学习的分类。

为此,美光探头晶片的阅读。“然后,我们将把它黑白图像。和我们看的基本宏观的签名,“微米doro说。“一般来说,我们问,“晶圆缺陷中心吗?晶片的边缘缺陷吗?是新月缺陷?”

下一步是使用宏观分类模式神经网络。“这是一个无监督第一遍。换句话说,你还没有给它任何标签,”doro说。“神经网络开始分离,把它们放进自己的集群基于特性或模式。”

然后,人工智能专家将分类和标签的缺陷类型。在这一点上,美联储数据到一个单独的卷积神经网络。“一旦你有了,就像你有一堆面部照片的目录,”他说。“现在,又来了一个新的晶片。然后,你说:“你能找到这个目录中吗?系统将走过,寻找相似之处的新模式和已知的目录。”

如果系统决定了比赛,它将标签。如果没有匹配,神经网络将把它变成一个异常桶。更普遍的异常模式最终可能会在最后的目录。

有时,人工智能专家将回顾系统的性能。“专家团队将看看它说,' AI系统做得很好,或者人工智能系统需要更在这一地区。但总的来说,它确实很好地做分类,”他补充道。

与此同时,多年来,预见性维护工厂的关键技术。这个想法是为了监视和预测设备的性能,以减少故障和宕机。为此,芯片制造商使用传统工厂检测方法来定位和预测失败。

有一些新方法。例如,在工厂6微米已经部署了所谓声异常检测。为此,微米把麦克风放在附近的一个机器人设备。使用机器学习,系统训练来检测声异常现象,以发掘潜在故障和设备的变化。

在工厂,技术是用来提醒维护团队。它可以防止非计划宕机。

声学技术的发展,使它有用的的工厂,至少对一些。“过去太吵了现在是一个丰富的数据池中提取,“微米doro说。“帮助只是纯粹的计算能力,我们有今天,然后在上面添加人工智能来帮助过滤这些东西。”

最初,微米已经把麦克风放在附近的机器人光刻扫描仪和跟踪系统。微米计划插入技术在其他地区的工厂。

与此同时,林研究开发了另一个技术领域——自我维持的腐蚀设备。

通常情况下,腐蚀过程模块清洁每周或每月维护一个稳定的性能。部分往往是由于侵蚀所取代。这个影响系统效率。

作为回应,林发展自我维持的蚀刻系统硬件使用机器学习和自我意识。与技术,林的蚀刻平台展示了一年的不间断生产。这减少了停机时间和提高生产力的工具。

“这涉及到工具的特性。这些都是自我维护和没有打开工具。这是一个重要的成本效益给客户。能够适应这个过程没有相同数量的开销和打扫房间是另一个巨大的机会,”Richard Gottscho说,首席技术官林。

显然,机器学习已经不再是什么新奇的工厂。芯片制造商将继续利用技术成熟。一些问题的答案。但它不会解决所有问题,至少在短期内。

有关的故事

发现缺陷与机器学习芯片