從半導(dǎo)體制造整體成本來(lái)看，良率是一個(gè)非常關(guān)鍵的指標(biāo)。具體而言，良率直接關(guān)乎著芯片量產(chǎn)成本及企業(yè)收益與利潤(rùn)，對(duì)產(chǎn)品品質(zhì)和可靠性也有一定影響。良率越高，最終分?jǐn)傊撩款w芯片的成本就越低。

因而，機(jī)器學(xué)習(xí)、人工智能等新興技術(shù)在半導(dǎo)體制造中變得越來(lái)越有價(jià)值。晶圓廠(chǎng)積極利用這些新興技術(shù)，不斷優(yōu)化芯片制造工藝流程，更快識(shí)別缺陷與錯(cuò)誤信息，從而提高良率和吞吐量。

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

“目前，人工智能也逐漸廣泛應(yīng)用至各個(gè)領(lǐng)域，幫助客戶(hù)識(shí)別最相關(guān)的測(cè)量結(jié)果，”CyberOptics總裁兼首席執(zhí)行官Subodh Kulkarni表示。“通過(guò)提取異常值，并在更高一個(gè)級(jí)別集成，從而將良率提高到新的水平。”

面對(duì)任何制造過(guò)程中的檢測(cè)領(lǐng)域，機(jī)器學(xué)習(xí)的應(yīng)用已有很長(zhǎng)一段時(shí)間，如今該技術(shù)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(xué)檢測(cè)系統(tǒng)具有工具分檔技術(shù)，通過(guò)機(jī)器學(xué)習(xí)，該技術(shù)可以利用缺陷屬性將檢測(cè)到的事件劃分為不同的缺陷類(lèi)型和滋擾缺陷，”KLA營(yíng)銷(xiāo)副總裁Satya Kurada介紹道。

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

像人腦一樣，深度學(xué)習(xí)（DL）識(shí)別模式，并使用該信息自動(dòng)判斷傳入的數(shù)據(jù)。使用多層非線(xiàn)性處理單元進(jìn)行特征提取和轉(zhuǎn)換，神經(jīng)網(wǎng)絡(luò)中的每個(gè)層都使用前一層的輸出作為下一層的輸入。在缺陷檢測(cè)中，基于DL或ML的算法減輕了手動(dòng)分類(lèi)的負(fù)擔(dān)，并縮短了獲取結(jié)果的時(shí)間。

網(wǎng)絡(luò)的自動(dòng)化特性也使其具有吸引力。“因?yàn)樯疃葘W(xué)習(xí)模型會(huì)立即自我更新，所以維護(hù)工作更少，”O(jiān)nto 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(diǎn)。與使用舊的機(jī)器邏輯模型相比，在維護(hù)方面的工作量更少，在舊的機(jī)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(jìn)行驗(yàn)證非常重要。此外，這些軟件解決方案不是‘設(shè)置并忘記’。True ADC是一種工藝工具，就像工廠(chǎng)里的其他工具一樣。”

簡(jiǎn)化ADC

使用光學(xué)顯微鏡或SEM的圖像自動(dòng)缺陷分類(lèi)（ADC）是晶圓廠(chǎng)中使用最廣泛的缺陷分析方法。許多最先進(jìn)的ADC方法都基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）。然而，典型的CNN無(wú)法達(dá)到半導(dǎo)體所需的高分類(lèi)精度，而且價(jià)格昂貴。

Synopsys工程師最近發(fā)現(xiàn)，決策樹(shù)深度學(xué)習(xí)方法可以對(duì)98%的缺陷和特征進(jìn)行分類(lèi)，其重新訓(xùn)練時(shí)間比傳統(tǒng)CNN快60倍。該決策樹(shù)利用8個(gè)CNN和ResNet對(duì)SEM和光學(xué)工具圖像對(duì)12種缺陷類(lèi)型進(jìn)行自動(dòng)分類(lèi)。他們?cè)赟EMI最近的先進(jìn)半導(dǎo)體制造會(huì)議（ASMC）上展示了他們的研究結(jié)果。

圖1：使用決策樹(shù)NN對(duì)十幾種缺陷類(lèi)型進(jìn)行分類(lèi)，并結(jié)合了多個(gè)卷積神經(jīng)網(wǎng)絡(luò)，以實(shí)現(xiàn)更高的缺陷分類(lèi)準(zhǔn)確性（圖源：Synopsys/IEEE ASMC）

“我們之所以選擇ResNet，是因?yàn)樗驯粡V泛應(yīng)用于多分類(lèi)問(wèn)題，例如在A(yíng)lexNet，VGGNet和GoogLeNet中對(duì)性能最佳的衛(wèi)星圖像進(jìn)行分類(lèi)，”Synopsys高級(jí)研發(fā)工程師Zhixing Li表示。“ResNet也是第一個(gè)性能優(yōu)于人類(lèi)視覺(jué)的ImageNet優(yōu)勝者。”

Synopsys指出，其神經(jīng)網(wǎng)絡(luò)比任何一個(gè)CNN都要小，并且訓(xùn)練得更快。其自學(xué)習(xí)機(jī)制的工作原理是，如果分類(lèi)置信度低于所需的閾值，則將圖像報(bào)告為“未知”。然后，工程師檢查并標(biāo)記了2%的未知缺陷，并重新訓(xùn)練了特定的DNN。

圖2：決策樹(shù)神經(jīng)網(wǎng)絡(luò)減少了計(jì)算資源，因?yàn)榭梢灾匦掠?xùn)練單個(gè)分支，而不是重新訓(xùn)練整個(gè)神經(jīng)網(wǎng)絡(luò)（圖源：Synopsys/IEEE ASMC）

“這是可能的，因?yàn)镈NN的決策樹(shù)允許重新訓(xùn)練一個(gè)DNN而不是整個(gè)系統(tǒng)，”Li解釋道，決策樹(shù)是用缺陷的領(lǐng)域知識(shí)創(chuàng)建的。這些缺陷根據(jù)共同的物理特征分為類(lèi)和超類(lèi)，從而形成一個(gè)4級(jí)決策樹(shù)。該程序的運(yùn)行時(shí)間為 98 分鐘。

神經(jīng)網(wǎng)絡(luò)如此有用的原因之一是半導(dǎo)體過(guò)程越來(lái)越復(fù)雜。以3D NAND結(jié)構(gòu)為例，Macronix和KLA最近都展示了將深度學(xué)習(xí)應(yīng)用于3D NAND過(guò)程的優(yōu)勢(shì)。Macronix研究表明，機(jī)器學(xué)習(xí)能夠更快地實(shí)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(xué)習(xí)應(yīng)用于電子束缺陷檢測(cè)工具有助于識(shí)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(jī)器學(xué)習(xí)如何加速3D NAND器件中新的蝕刻工藝開(kāi)發(fā)。在優(yōu)化深溝槽狹縫蝕刻時(shí)，有兩個(gè)參數(shù)尤為重要，即底部CD和多晶硅蝕刻凹槽深度，也稱(chēng)為蝕刻停止。“底部CD圖案太小會(huì)導(dǎo)致字線(xiàn)到字線(xiàn)的短路，第一層多晶層的穿孔會(huì)導(dǎo)致圖案結(jié)構(gòu)崩潰，”Macronix的工程師Yu-Fan Chang表示。

Macronix團(tuán)隊(duì)確定傳統(tǒng)的領(lǐng)域知識(shí)方法不能滿(mǎn)足跨晶圓均勻性的需求，因此他們轉(zhuǎn)向機(jī)器學(xué)習(xí)模型來(lái)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(rèn)為神經(jīng)網(wǎng)絡(luò)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(kù)大小有限，我們?nèi)匀豢梢詰?yīng)用它來(lái)減少蝕刻開(kāi)發(fā)的周轉(zhuǎn)時(shí)間，并通過(guò)NN建模期間的一系列虛擬輪廓預(yù)測(cè)和驗(yàn)證來(lái)制定明確的調(diào)整趨勢(shì)，”Chang表示。

在深溝槽刻蝕工藝中，目標(biāo)底部CD大于150nm，聚凹槽目標(biāo)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(duì)BCD、聚乙烯凹槽的可變影響（O2 流量、蝕刻時(shí)間、功率等）;
3.模型設(shè)置;
4.型號(hào)選擇;
5.模型檢查— 由測(cè)試數(shù)據(jù)完成，如果是，則為6，如果不是，則為3;
6.預(yù)測(cè)— 理想的底部CD和多邊形凹槽；
7.精度檢查— 使用實(shí)際的蝕刻剖面；

重復(fù)步驟2-7，直到交付目標(biāo)結(jié)果。在神經(jīng)網(wǎng)絡(luò)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(gè)蝕刻變量在第一隱藏層中饋送6個(gè)激活函數(shù)，在第二個(gè)隱藏層中饋送8個(gè)激活函數(shù)，由TanH，線(xiàn)性和高斯函數(shù)組成。4層神經(jīng)網(wǎng)絡(luò)可同時(shí)預(yù)測(cè)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(luò)模型同時(shí)預(yù)測(cè)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(guò)使用已知數(shù)據(jù)比較實(shí)際數(shù)據(jù)SEM來(lái)驗(yàn)證模型，并將其與模型預(yù)測(cè)的數(shù)據(jù)進(jìn)行比較。模型精度為>92%。機(jī)器學(xué)習(xí)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(guān)性（R2 = 0.78-1）。

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

對(duì)3D NAND中的深層缺陷進(jìn)行分類(lèi)

由Cheng Hung Wu領(lǐng)導(dǎo)的KLA工程師的深度缺陷分類(lèi)優(yōu)化了高著陸能電子束檢測(cè)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(gòu)中深達(dá)6μm的缺陷。[3]電子束工具可以檢測(cè)光學(xué)檢測(cè)員無(wú)法檢測(cè)到的缺陷，但前提是以高著陸能量操作以穿透深層結(jié)構(gòu)。通過(guò)這一過(guò)程，KLA希望開(kāi)發(fā)一種針對(duì)深溝缺陷的自動(dòng)檢測(cè)和分類(lèi)系統(tǒng)。

圖6：該深度學(xué)習(xí)模型以90%的準(zhǔn)確率檢測(cè)和分類(lèi)缺陷（圖源：KLA，IEEE ASMC）

垂直通道檢測(cè)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(cè)和分類(lèi)100nm特征中深達(dá)6μm的缺陷。訓(xùn)練和驗(yàn)證運(yùn)行在4個(gè)晶圓上的9個(gè)垂直通道行中使用了25個(gè)缺陷，揭示了9個(gè)缺陷類(lèi)別。使用FIB橫截面和SEM成像進(jìn)行的驗(yàn)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(lèi)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(dòng)檢查需要20到30分鐘，而深度學(xué)習(xí)模型在作業(yè)運(yùn)行期間執(zhí)行實(shí)時(shí)ADC。

SMT芯片貼裝優(yōu)化

一家存儲(chǔ)器制造商需要一種更靈敏的SMT角底部填充檢測(cè)方法，該方法使用帶有斑點(diǎn)分析算法的自動(dòng)光學(xué)檢測(cè)來(lái)執(zhí)行。結(jié)果的不一致導(dǎo)致深度學(xué)習(xí)檢測(cè)方法精確確定每個(gè)設(shè)備角落上環(huán)氧樹(shù)脂底部填充的長(zhǎng)度。

CyberOptics工程師開(kāi)發(fā)了一種用于角填充檢測(cè)的深度學(xué)習(xí)算法，該算法優(yōu)化了對(duì)象分類(lèi)，檢測(cè)和角填充長(zhǎng)度的遷移學(xué)習(xí)任務(wù)。“神經(jīng)網(wǎng)絡(luò)需要足夠深入，以了解問(wèn)題的復(fù)雜性，但如果它太深，就很難改變，”CyberOptics研發(fā)副總裁Charlie Zhu稱(chēng)。“因此，我們需要非常仔細(xì)地設(shè)計(jì)架構(gòu)。”

圖7：設(shè)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(wú)需移動(dòng)基板即可實(shí)現(xiàn)四角檢測(cè)。數(shù)據(jù)可以通過(guò)SQ軟件進(jìn)行通信，從而可以在一端對(duì)模型進(jìn)行訓(xùn)練，而客戶(hù)在另一端進(jìn)行干擾。朱補(bǔ)充說(shuō)，新模型訓(xùn)練可能需要幾天到一周的時(shí)間。

CyberOptics的Kulkarni表示，隨著半導(dǎo)體封裝復(fù)雜性的增加，可能需要針對(duì)特定生產(chǎn)應(yīng)用的機(jī)器學(xué)習(xí)和培訓(xùn)。

結(jié)論

機(jī)器學(xué)習(xí)算法是工程師工具箱中重要的新工具，特別是對(duì)于缺陷分類(lèi)或使新流程更快地成熟。但重要的是要注意，這些都是復(fù)雜的解決方案，不一定是每個(gè)問(wèn)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(jìn)方面有著悠久的記錄，但客戶(hù)想要機(jī)器學(xué)習(xí)解決方案，即使其他經(jīng)過(guò)驗(yàn)證的方法做得很好，”O(jiān)nto的McIntyre表示。“是的，這是工具箱中的另一個(gè)好工具。工程師將繼續(xù)應(yīng)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，看看在提高產(chǎn)量和過(guò)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(gè)工具。”

審核編輯 ：李倩