机器学习可以做什么在晶圆厂

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。

唐森:渔洞,罗曼Roux Kurt Ronse安琪》。

SE:机器学习是一个热门话题。这种技术使用神经网络来紧缩数据和识别模式,然后匹配特定的模式,学习哪些属性是很重要的。我们也有更高级形式称为深度学习。那是正确的吗?

》:深度学习是的一个子集人工智能或人工智能。在机器学习,有些人说这是人工智能的一个子集。有些人说机器学习是一个不同的计算机科学或数据分析的思维方式。但没关系。深入学习是机器学习特定种类之一。它也有增强机器学习能做什么。它是一种语言吗?不,这不是一种语言。这是一个方法。深度学习软件是一个特殊的方法。在某些方面,它的自动编程。 Instead of a software engineer sitting down and writing code, deep learning involves an engineer sitting there manipulating what kind of a neural network to use and what kind of tuning he does to the neural network. But you also manipulate the data you give it. You train the neural network, so that the neural network that results is automatically programmed to do whatever it is that you want it to do. For example, you might want it to tell a cat from a dog, or a defect from a non-defect. You have an objective in mind that you want a deep learning neural network to do, and then you train it with data.

郝:模式匹配是机器学习的一部分。当你思考机器学习,你可以说这是一个模型。我们建立一个预测模型,可以映射一些输入输出。我们有新数据进来,然后我们可以预测输出是什么。应用包括检测、图像处理、自然语言处理等。

SE:在一次,我们为这些应用程序依赖于物理吗?前一段时间,业界普遍开发设备和确定其功能使用纯物理和物理模型,对吗?

Ronse:传统上,是的,但在过去的几年里已经有越来越多的试验做一些人工智能。原因是,所有这些工具都产生大量的数据,而彼此无关。通常情况下,存储这些数据,但没有人看着或试图找到连接的数据。最近,我们有一个特定的工具,例如,有很多的情况。这是一个接一个。于是我们开始一个机器学习项目。我们想看看你能找到工具生成的数据之间的相关性,不同类型的数据情况,以便在接下来的时间你能预测这种类型的数据。反过来,我们可以预计情况和预期。但它与数据做很多过去不习惯。现在,强大的计算机,基本上你想要分析的数据,看看如果你发现这一趋势可能与你感兴趣的,比如避免下降的情况。

面粉糊:系统建模复杂,有时仅仅得到一个精确的模型是不可能的。深度学习非常有效地发现隐藏在数据相关性。如果你能收集系统的输入和相应的输出,您可以尝试使用这种技术来建模您的系统和逆。深度学习是一门实证科学。真的很难预测模型的准确性将获得。你必须尝试确定。一旦你有了正确的数据,训练一个神经网络来模拟物理过程,改变了输入到输出相对快速和容易。

SE:机器学习并不新鲜。人工智能和机器学习已经存在好多年了。例如,在1990年代,IBM发表了一篇论文在芯片的使用方法来发现缺陷检测系统和机器学习的早期形式。但系统是缓慢和不准确的。为什么早期的尝试不足?

郝:有两个原因。原因之一是计算能力。在那个时候,它并不足以支持一个复杂的机器学习系统。其次,当时的机器学习技术仍处于起步阶段。这项技术还没有准备好。但是随着时间的推移,半导体行业巨大的计算能力的改善。这使得它更有可能,我们可以应用机器学习和人工智能领域。还有另一个因素。一切都变得越来越复杂。这些设备已经成为3 d。 The complexity has grown exponentially. To just use physics to model everything is still possible, but it just may take a year for you to do it. Machine learning can make it much faster. So we’ve seen vast improvements in computing power and machine learning. That can benefit the semiconductor business.

》:深入学习绝对是通过计算能力。大多数人会说,GPU计算是真正的崛起使它发生。我记得10年前,人们会说,‘世界上我们将如何使用这些计算能力,我们现在更不用说我们10年后。我们不需要前沿了。人们的想象力是有限的个人电脑或游戏。然后,人们想出了这种机制,大量的计算能力。

面粉糊:此外,一些自由和开源库可用TensorFlow(谷歌)和PyTorch(例如Facebook)。他们在2015年和2016年,分别。所以还是新的。一些大公司已经在这一领域先锋5到10年。我们正在从工业世界的学术。我们仍然在这个过渡。

SE:一段时间以来,亚马逊、谷歌、Facebook和其他使用机器学习来提高网络搜索以及其他应用。它也被用于半导体制造的某些地区流动。它能被用于光掩模的世界?

》:有许多应用程序光掩模深度学习的世界。有两个大的类别——大数据和图像处理。大数据应用程序可能不需要深甚至神经元网络,但作为一般类别的机器学习技术可以帮助分析大量的数据中提取的趋势或相关性的预测。图像处理,与此同时,并不局限于分析或操纵像SEM照片图像。这可以用于自动缺陷分类。它可以广泛应用于任何分析或操作像素数据。所以面具或晶片模拟,因此OPC/教师(光学邻近校正/逆光刻技术),也是一个范畴的一部分。在设计面具形状,OPC /教师使用深度学习加速计算时间和提高结果的准确性。深度学习基于密集模式匹配是一种统计方法,所以你不能取代OPC /教师只有深入学习。但由于深度学习是一个很好的快速估计,许多公司都显示良好的结果在提高运行时间,同时提高质量的结果。

面粉糊:我们目前正对异常检测平板显示器光掩模的作家。今天,我们的客户都是系统地检查光掩模没有任何指导。我们正在评估异常模块来帮助他们检查关注正确的地区。深入学习是非常有趣的对于这种类型的应用程序因为深层神经网络非常擅长建模复杂的物理现象。这个项目的目的是检测任何类型的异常,而无需显式地描述什么类型的异常可能发生。基本上,我们训练一个神经网络来了解正常行为意味着什么,这样,我们可以监控正常或异常时就写光掩模。这个模块将帮助我们的客户提高收益,因为他们将避免丢失小潜在缺陷在检查。

SE:比传统机器学习更好或更准确的方法来做光掩模世界或其他地方吗?有什么挑战呢?

》:这是一个关键问题为特定应用程序是否适合深度学习。对于任何给定的效果,模拟总是比深度学习更准确,因为深度学习是一种统计方法。对许多影响,如短程模糊建模为高斯卷积,模拟/计算速度更快,尤其是在GPU。但有时,特别是对非常复杂的影响,运行时之间的权衡和准确性在深度学习的工作。如果模拟实际部署的太慢,做深在精度上优于估计收益因为快速估计比模拟更准确的太慢了。深度学习往往是一个优秀的快速估计量,因为它是一个自动程序生成方法,程序和数据。

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