機器學習如何提高半導體良率？

從半導體制造整體成本來看，良率是一個非常關鍵的指標。具體而言，良率直接關乎著芯片量產(chǎn)成本及企業(yè)收益與利潤，對產(chǎn)品品質(zhì)和可靠性也有一定影響。良率越高，最終分攤至每顆芯片的成本就越低。

因而，機器學習、人工智能等新興技術在半導體制造中變得越來越有價值。晶圓廠積極利用這些新興技術，不斷優(yōu)化芯片制造工藝流程，更快識別缺陷與錯誤信息，從而提高良率和吞吐量。

這在數(shù)據(jù)集嘈雜的過程控制中尤其重要。神經(jīng)網(wǎng)絡可以識別超出人類識別能力的圖形，并迅速完成分類。因此，這項技術被部署在各種制造過程中，以發(fā)現(xiàn)缺陷并確定這些缺陷是否會在預期使用壽命內(nèi)影響設備的功能。

“目前，人工智能也逐漸廣泛應用至各個領域，幫助客戶識別最相關的測量結(jié)果，”CyberOptics總裁兼首席執(zhí)行官Subodh Kulkarni表示。“通過提取異常值，并在更高一個級別集成，從而將良率提高到新的水平。”

面對任何制造過程中的檢測領域，機器學習的應用已有很長一段時間，如今該技術正在被整合到新工具中。算法可以隔離良率工程師未知的缺陷特征或圖形。

“KLA的寬帶光學檢測系統(tǒng)具有工具分檔技術，通過機器學習，該技術可以利用缺陷屬性將檢測到的事件劃分為不同的缺陷類型和滋擾缺陷，”KLA營銷副總裁Satya Kurada介紹道。

在光學工具上發(fā)現(xiàn)的那些需要額外分類的缺陷，通常將會在電子束檢測系統(tǒng)上進行審查。“晶圓廠工程師使用缺陷信息來優(yōu)化生產(chǎn)線，”Kurada稱。“最終結(jié)果是獲得更好的裸芯片，使其到達生產(chǎn)線的末端，在那里進行探針。”

像人腦一樣，深度學習（DL）識別模式，并使用該信息自動判斷傳入的數(shù)據(jù)。使用多層非線性處理單元進行特征提取和轉(zhuǎn)換，神經(jīng)網(wǎng)絡中的每個層都使用前一層的輸出作為下一層的輸入。在缺陷檢測中，基于DL或ML的算法減輕了手動分類的負擔，并縮短了獲取結(jié)果的時間。

網(wǎng)絡的自動化特性也使其具有吸引力。“因為深度學習模型會立即自我更新，所以維護工作更少，”Onto Innovation軟件產(chǎn)品管理總監(jiān)Mike McIntyre表示。“但也不能做診斷。這就是這種新建模的特點。與使用舊的機器邏輯模型相比，在維護方面的工作量更少，在舊的機器邏輯模型中，我必須不斷調(diào)整斜率、截距或變量，以確保其保持一致。因此，信任和使用不同的數(shù)據(jù)集進行驗證非常重要。此外，這些軟件解決方案不是‘設置并忘記’。True ADC是一種工藝工具，就像工廠里的其他工具一樣。”

簡化ADC

使用光學顯微鏡或SEM的圖像自動缺陷分類（ADC）是晶圓廠中使用最廣泛的缺陷分析方法。許多最先進的ADC方法都基于卷積神經(jīng)網(wǎng)絡（CNN）。然而，典型的CNN無法達到半導體所需的高分類精度，而且價格昂貴。

Synopsys工程師最近發(fā)現(xiàn)，決策樹深度學習方法可以對98%的缺陷和特征進行分類，其重新訓練時間比傳統(tǒng)CNN快60倍。該決策樹利用8個CNN和ResNet對SEM和光學工具圖像對12種缺陷類型進行自動分類。他們在SEMI最近的先進半導體制造會議（ASMC）上展示了他們的研究結(jié)果。

圖1：使用決策樹NN對十幾種缺陷類型進行分類，并結(jié)合了多個卷積神經(jīng)網(wǎng)絡，以實現(xiàn)更高的缺陷分類準確性（圖源：Synopsys/IEEE ASMC）

“我們之所以選擇ResNet，是因為它已被廣泛應用于多分類問題，例如在AlexNet，VGGNet和GoogLeNet中對性能最佳的衛(wèi)星圖像進行分類，”Synopsys高級研發(fā)工程師Zhixing Li表示。“ResNet也是第一個性能優(yōu)于人類視覺的ImageNet優(yōu)勝者。”

Synopsys指出，其神經(jīng)網(wǎng)絡比任何一個CNN都要小，并且訓練得更快。其自學習機制的工作原理是，如果分類置信度低于所需的閾值，則將圖像報告為“未知”。然后，工程師檢查并標記了2%的未知缺陷，并重新訓練了特定的DNN。

圖2：決策樹神經(jīng)網(wǎng)絡減少了計算資源，因為可以重新訓練單個分支，而不是重新訓練整個神經(jīng)網(wǎng)絡（圖源：Synopsys/IEEE ASMC）

“這是可能的，因為DNN的決策樹允許重新訓練一個DNN而不是整個系統(tǒng)，”Li解釋道，決策樹是用缺陷的領域知識創(chuàng)建的。這些缺陷根據(jù)共同的物理特征分為類和超類，從而形成一個4級決策樹。該程序的運行時間為 98 分鐘。

神經(jīng)網(wǎng)絡如此有用的原因之一是半導體過程越來越復雜。以3D NAND結(jié)構為例，Macronix和KLA最近都展示了將深度學習應用于3D NAND過程的優(yōu)勢。Macronix研究表明，機器學習能夠更快地實現(xiàn)深溝槽蝕刻工藝，并具有出色的跨晶圓均勻性。KLA工程師表明，將深度學習應用于電子束缺陷檢測工具有助于識別96層溝槽中感興趣的深埋缺陷。

圖3：深縫溝槽蝕刻的工藝流程（圖源：Macronix，IEEE ASMC）

深溝槽蝕刻優(yōu)化

Macronix工程師展示了機器學習如何加速3D NAND器件中新的蝕刻工藝開發(fā)。在優(yōu)化深溝槽狹縫蝕刻時，有兩個參數(shù)尤為重要，即底部CD和多晶硅蝕刻凹槽深度，也稱為蝕刻停止。“底部CD圖案太小會導致字線到字線的短路，第一層多晶層的穿孔會導致圖案結(jié)構崩潰，”Macronix的工程師Yu-Fan Chang表示。

Macronix團隊確定傳統(tǒng)的領域知識方法不能滿足跨晶圓均勻性的需求，因此他們轉(zhuǎn)向機器學習模型來快速優(yōu)化晶圓中心、中間和邊緣的蝕刻BCD和多邊形凹槽，并在SEMI的ASMC上展示了他們的結(jié)果。

人們傾向于認為神經(jīng)網(wǎng)絡需要非常大的數(shù)據(jù)集，但這并不總是必要的。“即使數(shù)據(jù)庫大小有限，我們?nèi)匀豢梢詰盟鼇頊p少蝕刻開發(fā)的周轉(zhuǎn)時間，并通過NN建模期間的一系列虛擬輪廓預測和驗證來制定明確的調(diào)整趨勢，”Chang表示。

在深溝槽刻蝕工藝中，目標底部CD大于150nm，聚凹槽目標小于65nm。7步模型包括：

1.數(shù)據(jù)收集 — 中心、中間、邊緣的SEM橫截面;

2. 數(shù)據(jù)挖掘 — 確定對BCD、聚乙烯凹槽的可變影響（O2 流量、蝕刻時間、功率等）;

3. 模型設置;

4.型號選擇;

5. 模型檢查 — 由測試數(shù)據(jù)完成，如果是，則為6，如果不是，則為3;

6. 預測 — 理想的底部CD和多邊形凹槽；

7.精度檢查 — 使用實際的蝕刻剖面；

重復步驟2-7，直到交付目標結(jié)果。在神經(jīng)網(wǎng)絡中，變量輸出（神經(jīng)元）為后續(xù)步驟提供輸入。在這種特殊情況下，12個蝕刻變量在第一隱藏層中饋送6個激活函數(shù)，在第二個隱藏層中饋送8個激活函數(shù)，由TanH，線性和高斯函數(shù)組成。4層神經(jīng)網(wǎng)絡可同時預測中心、中間和邊緣BCD以及多邊形凹槽值。

圖4：四層前饋神經(jīng)網(wǎng)絡模型同時預測晶圓中心、C、中間、M 和邊緣 E 處的底 CD 和多晶凹槽（圖源：Macronix，IEEE ASMC）

該小組通過使用已知數(shù)據(jù)比較實際數(shù)據(jù)SEM來驗證模型，并將其與模型預測的數(shù)據(jù)進行比較。模型精度為>92%。機器學習成功地確定了理想的工藝條件，這些條件可以在晶圓上產(chǎn)生所需的BCD和多邊形凹槽值，并具有良好的相關性（R2 = 0.78-1）。

圖5：最終的深溝槽蝕刻過程，使用4層神經(jīng)網(wǎng)絡快速調(diào)整（圖源：Macronix，IEEE ASMC）

對3D NAND中的深層缺陷進行分類

由Cheng Hung Wu領導的KLA工程師的深度缺陷分類優(yōu)化了高著陸能電子束檢測工具的使用，以捕獲深溝槽蝕刻后埋藏在96層ON堆疊結(jié)構中深達6μm的缺陷。[3]電子束工具可以檢測光學檢測員無法檢測到的缺陷，但前提是以高著陸能量操作以穿透深層結(jié)構。通過這一過程，KLA希望開發(fā)一種針對深溝缺陷的自動檢測和分類系統(tǒng)。

圖6：該深度學習模型以90%的準確率檢測和分類缺陷（圖源：KLA，IEEE ASMC）

垂直通道檢測中的大多數(shù)缺陷是由通道欠蝕刻或通道中的殘留鎢（犧牲膜）引起的。分析表明，30KeV的著陸能非常適合檢測和分類100nm特征中深達6μm的缺陷。訓練和驗證運行在4個晶圓上的9個垂直通道行中使用了25個缺陷，揭示了9個缺陷類別。使用FIB橫截面和SEM成像進行的驗證顯示，干擾率為2%。

“這表明DL模型非常適合找到濾除噪聲的DOI類型。滋擾缺陷是垂直通道孔直徑的變化，通常比正常缺陷小，”KLA的Wu表示。他指出，手動檢查需要20到30分鐘，而深度學習模型在作業(yè)運行期間執(zhí)行實時ADC。

SMT芯片貼裝優(yōu)化

一家存儲器制造商需要一種更靈敏的SMT角底部填充檢測方法，該方法使用帶有斑點分析算法的自動光學檢測來執(zhí)行。結(jié)果的不一致導致深度學習檢測方法精確確定每個設備角落上環(huán)氧樹脂底部填充的長度。

CyberOptics工程師開發(fā)了一種用于角填充檢測的深度學習算法，該算法優(yōu)化了對象分類，檢測和角填充長度的遷移學習任務。“神經(jīng)網(wǎng)絡需要足夠深入，以了解問題的復雜性，但如果它太深，就很難改變，”CyberOptics研發(fā)副總裁Charlie Zhu稱。“因此，我們需要非常仔細地設計架構。”

圖7：設備底部填充質(zhì)量的四面檢查（圖源：CyberOptics）

MRS工具上的側(cè)面攝像頭無需移動基板即可實現(xiàn)四角檢測。數(shù)據(jù)可以通過SQ軟件進行通信，從而可以在一端對模型進行訓練，而客戶在另一端進行干擾。朱補充說，新模型訓練可能需要幾天到一周的時間。

CyberOptics的Kulkarni表示，隨著半導體封裝復雜性的增加，可能需要針對特定生產(chǎn)應用的機器學習和培訓。

結(jié)論

機器學習算法是工程師工具箱中重要的新工具，特別是對于缺陷分類或使新流程更快地成熟。但重要的是要注意，這些都是復雜的解決方案，不一定是每個問題都需要的。

“我們有一些非常非常好的解決方案，在2X和3X Cpk改進方面有著悠久的記錄，但客戶想要機器學習解決方案，即使其他經(jīng)過驗證的方法做得很好，”Onto的McIntyre表示。“是的，這是工具箱中的另一個好工具。工程師將繼續(xù)應用機器學習和深度學習，看看在提高產(chǎn)量和過程控制方面可以把他們帶到哪里，但它們只是工具箱中的一個工具。”

參考文獻

[1] Z. Li，Z. Wang和W. Shi，“基于深度神經(jīng)網(wǎng)絡決策樹的自動晶圓缺陷分類”，IEEE ASMC，2022年5月

[2] 張永峰等al.，“機器學習有助于3D NAND中的高縱橫比狹縫溝槽蝕刻”，IEEE先進半導體制造會議（ASMC），2022年5月

[3] C.H. Wu，et.al.，“基于DL的電子束系統(tǒng)上的3D NAND垂直信道缺陷檢測和分類解決方案”，IEEE ASMC，2022年5月

[4] 案例研究：用于集成電路上角填充檢測和計量的深度學習“，《半導體工程》，2021 年 12 月