芯片制造商正在使用比以往更多并且不同的傳統(tǒng)工具來發(fā)現(xiàn)先進芯片中的致命缺陷，但他們也轉(zhuǎn)向使用先進的機器學習等輔助方法來幫助解決問題。
人工智能 （AI）的一個分支— 機器學習已經(jīng)在計算和其他領(lǐng)域使用了幾十年。 實際上，自20世紀90年代以來，早期的機器學習形式已被用于晶圓廠的計量和檢測，以查明芯片中的缺陷，甚至使用模式匹配技術(shù)來預(yù)測問題。 機器學習本身不是工具或設(shè)備類型，而是系統(tǒng)用來幫助發(fā)現(xiàn)缺陷的一組軟件算法。 現(xiàn)在，業(yè)界正在探索或開始使用基于更大數(shù)據(jù)集的，更先進的機器學習算法的系統(tǒng)。 同時，這也可能會加速學習周期。
這不會取代傳統(tǒng)方法，至少在短期內(nèi)如此。 到目前為止，更先進的機器學習形式并未在整個晶圓廠廣泛部署，仍還存在一些差距。 但該行業(yè)正努力解決在缺陷檢測中存在的嚴峻挑戰(zhàn)。
在今天的晶圓廠中，芯片制造商使用各種檢測手段和計量系統(tǒng)來發(fā)現(xiàn)芯片中的缺陷。 檢查是發(fā)現(xiàn)缺陷的科學，而計量是測量結(jié)構(gòu)的藝術(shù)。 這兩種技術(shù)都用于定位器件中的問題，它們有助于確保晶圓廠的產(chǎn)量。
但是，在每個節(jié)點處，設(shè)備和結(jié)構(gòu)變得越來越小。 在某些情況下，找到結(jié)構(gòu)遠低于1埃（等于0.1納米）那種規(guī)模的缺陷要困難得多，且成本高昂
為此目的的工具確實存在，并且許多工具包含一定程度的機器學習。 到目前為止，對于更先進的機器視覺學習形式，利用率已經(jīng)不穩(wěn)定。 但是，隨著先進的機器視覺學習算法被開發(fā)用于缺陷檢測，這可能會改變。 問題在于是否有足夠的良好數(shù)據(jù)，這將使制造商和包裝公司能夠快速準確地找到缺陷。 如果數(shù)據(jù)集不合適，系統(tǒng)可能會產(chǎn)生可疑或甚至不準確的結(jié)果。
在任何一種情況下，機器學習中的缺陷檢測將繼續(xù)用于工廠中的部分應(yīng)用程序。 然而，隨著技術(shù)的進步，它可能會在行業(yè)中得到更廣泛的應(yīng)用。
“機器學習是一些計量問題的答案?！?林研究公司Coventor計算產(chǎn)品副總裁David Fried說。 “在該解決方案適用的情況下，會出現(xiàn)越來越多的問題。 這不是靈丹妙藥。 這不是對一切的正確的答案。“
盡管如此，該行業(yè)仍在不斷改進該技術(shù)。 以下是這個領(lǐng)域的一些最新成果：
?Imec和Nova開發(fā)了一種使用機器學習來預(yù)測芯片電氣性能的方法。 另外，GlobalFoundries和Nova開發(fā)了類似的技術(shù)。
?Imec設(shè)計了一個具有深度學習的CD-SEM。
?ASML和SK海力士使用該技術(shù)提高了光學鄰近校正（OPC）精度。
?IBM和USC設(shè)計了一種神經(jīng)網(wǎng)絡(luò)，用于改進缺陷檢測。
檢查/計量挑戰(zhàn)
今天的300毫米晶圓廠是使用各種設(shè)備逐步處理晶圓的自動化工廠。 高級邏輯過程可以具有600到1,000步或更多步。 在不同階段，芯片經(jīng)歷各種計量和檢查步驟。
機器翻譯（僅供參考）：這些步驟至關(guān)重要。 忽略的缺陷會影響晶圓廠的產(chǎn)量，或者進入現(xiàn)場并導致日后發(fā)生故障。
在28nm及以上，計量和檢查非常簡單。 例如，邏輯晶體管是具有大特征的平面。 芯片制造商可以測量和檢查設(shè)備相對容易。 但對于16 / 14nm的finFET就非常困難。 隨著芯片設(shè)計遷移到10nm / 7nm及更高，則結(jié)構(gòu)更小，更難測量。 最新的DRAM和NAND設(shè)備也是如此。
finFET和存儲器件本質(zhì)上都是3D的。 因此，在計量學的情況下，工具不僅必須獲得2D結(jié)構(gòu)的測量，而且還必須以合算的方式在三維中獲得它們。
“你需要知道形狀是什么樣的。 然后，你需要能夠看到材料成分之類的東西，所以你知道它是整齊的。 許多缺陷都存在于各層之下，“VLSI Research首席執(zhí)行官Dan Hutcheson說。
實際上，缺陷檢測具有挑戰(zhàn)性。 例如，所謂的潛在缺陷可能會在設(shè)備中出現(xiàn)。 這些缺陷在設(shè)備出廠時不會出現(xiàn)，但它們會在現(xiàn)場以某種方式激活，最終可能會進入系統(tǒng)。 Hutcheson說：“有時候，一個缺陷實際上是一個特定位置的致命缺陷，需要三到四個不同的事情?！?/span>
使挑戰(zhàn)更加復雜，沒有一種計量和檢測工具可以找到所有缺陷。 例如，需要十幾種計量工具來表征晶圓廠中的finFET。
理想情況下，芯片制造商需要具有更高靈敏度的工具，以更低的成本實現(xiàn)更高的吞吐量。 “他們需要的是采用更大的樣本量，因此他們需要更高的工具生產(chǎn)率，”Hutcheson說。
展望未來，計量和檢測設(shè)備供應(yīng)商將繼續(xù)改進他們的系統(tǒng)。 同時，在并行路徑中，計量/檢測供應(yīng)商繼續(xù)使用神經(jīng)網(wǎng)絡(luò)開發(fā)機器學習技術(shù)。 在神經(jīng)網(wǎng)絡(luò)中 ，系統(tǒng)處理數(shù)據(jù)并識別模式。 它匹配某些模式并了解哪些屬性很重要。
神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元和突觸組成。 神經(jīng)元可以由具有邏輯門的存儲器單元組成。 神經(jīng)元以菊花鏈形式連接，并與稱為突觸的鏈接相連。
神經(jīng)網(wǎng)絡(luò)通過計算矩陣乘積和和來起作用。 它由三層組成 – 輸入，隱藏和輸出。
圖1：DNN主要是多次乘積累加。 來源： Mythic
在操作中，可能有一百種不同的缺陷類型。 對每種缺陷類型進行成像，并將信息放入網(wǎng)絡(luò)中的輸入層。
然后，將每個缺陷類型移動到其中一個隱藏層（第1層）中的單個神經(jīng)元中并分配權(quán)重。 在另一個隱藏層（第2層）中，缺陷可能被細分為不同的類，例如邊緣，突出等。 它們也被賦予權(quán)重。
在晶圓廠中，系統(tǒng)檢測到缺陷。 在每一層中，神經(jīng)元對數(shù)據(jù)作出反應(yīng)。 使用加權(quán)的連接系統(tǒng)，網(wǎng)絡(luò)中的一個神經(jīng)元在感測到匹配模式時反應(yīng)最強。 答案顯示在輸出層中。
機器學習被搜索引擎和社交媒體公司以及其他領(lǐng)域使用。 “深度學習很棒，因為它實際上讓你有機會做更準確更快的事情，” D2S首席執(zhí)行官Aki Fujimura說?！袄?，在醫(yī)學成像中，你真正正在研究哪些細胞是癌細胞。 使用深度學習引擎，他們可以將其縮小到確切哪些單元格是壞的。 這是一個醫(yī)學的例子。 但你可以想象半導體生產(chǎn)可以帶來的好處。“
IC行業(yè)正在使用機器學習進行電路仿真，熱點檢測和定位缺陷。 “應(yīng)用程序非常龐大，”Imec的光刻工藝和模型控制組負責人Philippe Leray說。 “你可以用它來進行光刻，蝕刻和所有不同的步驟。 您可以將它用于機器維護。“
機器學習的一個挑戰(zhàn)通常是您必須為系統(tǒng)提供足夠的數(shù)據(jù)。 計量/檢查系統(tǒng)遵循相同的原則。 您需要為系統(tǒng)提供足夠的數(shù)據(jù)才能使其正常工作。 這可能是一項昂貴且困難的任務(wù)。 但是，如果您沒有提供足夠的數(shù)據(jù)，則可能會出現(xiàn)問題。
“你可以做出奇妙的事情而且你可能會出錯?！崩兹鹫f。 “所有困難都在于訓練你的數(shù)據(jù)集。 如果它足夠大，代表性足夠，而且沒有偏見，那么你就可以得到一個好的答案。 這是一個很大的挑戰(zhàn)。 只要提供一套不充分或有偏見的培訓，你就可以很容易地欺騙自己?！?/span>
如果數(shù)據(jù)不充分，結(jié)果是不合需要的，可能導致假陰性或假陽性。 假陰性表示芯片實際上沒有缺陷。 誤報是不正確的測試結(jié)果。
盡管如此，該技術(shù)正在成為計量和檢測的關(guān)鍵部分。 “機器學習和深度學習正在迅速被采用，改進了培訓和產(chǎn)出結(jié)果的完整性。 網(wǎng)絡(luò)經(jīng)過培訓，可以跟蹤流程變化，過濾異常值和錯誤分布，“計量和過程控制總監(jiān)兼應(yīng)用材料技術(shù)人員杰出成員Ofer Adan說。 “機器學習可以使用歷史和預(yù)定義的信息來提高性能。 深度學習從圖像中提取信息和屬性具有巨大的優(yōu)勢，有時這些信息和屬性對于人類甚至標準機器方法來說都太復雜了。 但是，沒有魔力。 如果我們知道物理模型，我們可以獲得比DL / ML更好的結(jié)果。 因此，如果我們對物理模型有所了解，我們可以使用它來幫助深度學習模型。 一種方法是在深度學習用于優(yōu)化的成本函數(shù)中使用它。 所以答案是我們應(yīng)該結(jié)合兩者?！?/span>
還有另一種方式來看待這項技術(shù)。 “所有地鐵/檢查供應(yīng)商都以各種方式使用它。 關(guān)鍵問題是它是否為晶圓廠提供了任何獨特的好處？ 需要注意的重要事項是，機器學習只是另一種支持技術(shù)，需要產(chǎn)品集成和深層次的定制才能對工廠有用，“Nanometrics產(chǎn)品營銷總監(jiān)Kartik Venkataraman說。 “更常見的是供應(yīng)商使用機器學習方法從他們的工具中提取最大信息，這就是信號數(shù)量和質(zhì)量仍然至關(guān)重要的原因。 機器學習只能與它所輸送的原始信號一樣有用。“
機器學習在哪里使用？
今天，機器學習被一些但并非所有芯片制造商使用。 有些人在流程的各個步驟中使用它。 這取決于公司。
在工廠中，一些計量和檢測系統(tǒng)使用機器學習來幫助發(fā)現(xiàn)缺陷。 據(jù)推測，機器學習使過程自動化，但并不總是這樣。 有時，系統(tǒng)需要操作員手動干預(yù)以拉取和檢查數(shù)據(jù)。
但更大的問題是來自一個供應(yīng)商的工具包含專有軟件，并且無法與其他公司的系統(tǒng)進行通信。 專家們表示，有些人正致力于整合他們的系統(tǒng)，以創(chuàng)建端到端的反饋流程，但該技術(shù)仍處于研發(fā)階段。
最終，芯片制造商希望使用來自不同供應(yīng)商的工具提供端到端的智能反饋解決方案。 有些人正在開發(fā)這項技術(shù)，盡管這需要投資和資源。
此外，業(yè)界還希望工具具有更先進的機器學習功能，特別是在晶圓檢測方面。“隨著工具變得越來越強大，機器學習將變得越來越重要，” KLA的技術(shù)支持工程師Mark Smith說。
晶圓檢測涉及兩種主要的工具技術(shù) – 電子束和光學。 今天，光學檢測是晶圓廠的主力工具。 電子束檢測用于研發(fā)和工廠的某些部分。 電子束檢測具有比光學更好的分辨率，但速度較慢。
在一個簡單的例子中，檢查系統(tǒng)檢查晶片，并將數(shù)據(jù)與模具或數(shù)據(jù)庫進行比較。 然后，使用神經(jīng)網(wǎng)絡(luò)，它使用模式識別技術(shù)發(fā)現(xiàn)缺陷并自動對它們進行分類。
自20世紀90年代以來，這種技術(shù)基于傳統(tǒng)方法。 公司繼續(xù)開發(fā)傳統(tǒng)技術(shù)，盡管他們也在研究更先進的機器學習形式。
“KLA的許多核心檢測技術(shù)都是基于傳統(tǒng)的圖像處理技術(shù)，但我們也在進行機器學習，”KLA的史密斯說。 “機器學習產(chǎn)生巨大影響的幾個領(lǐng)域是圖像分類和評審抽樣?！?/span>
使所有這些工作都有一些挑戰(zhàn)。 “深度學習，最先進的算法，現(xiàn)在成為頭條新聞。 他們依靠非常大的數(shù)據(jù)集來校準和訓練模型，“史密斯說。 “在尋找新的感興趣缺陷（DOI）時，這并不總是可行的，因此我們采用混合方法。 如果您添加有關(guān)檢查工具如何工作和設(shè)備信息的更多信息，那么在一些不那么新的方法中仍然存在很多動力。 例如，我們通常將設(shè)計布局信息用作算法的一部分?！?/span>
其他人也在研究這項技術(shù)。 例如，在最近的一篇論文中，ASML和SK海力士描述了一種提高光掩模中OPC精度的方法。 這是使用電子束工具和深度學習完成的。
OPC使用微小形狀或子分辨率輔助功能（SRAF）。 SRAF放置在掩模上，掩模修改掩模圖案以改善晶片上的可印刷性。
在每個節(jié)點，OPC運行時間和成本都在增加。 “通過添加大量CD和邊緣放置量規(guī)，我們將模型誤差減少了大約三分之一。 通過進一步將模型形式從傳統(tǒng)模型轉(zhuǎn)變?yōu)樯疃葘W習模型，我們可以獲得18％的準確度增長，“ASML高級副總裁Yu Cao說。
然后，在另一個例子中，IBM和南加州大學（USC）最近提交了一篇關(guān)于機器學習的電子束檢查的論文。 傳統(tǒng)上，晶片檢測使用芯片到芯片或芯片到數(shù)據(jù)庫進行。 但是，通過機器學習，IBM和USC通過訓練有素的模型傳遞圖像。 這反過來將在沒有設(shè)計或黃金圖像的幫助下進行分類。 根據(jù)IBM研究人員Ravi Bonam的說法，訓練有素的模型將成為推理引擎。 有了這個，研究人員獲得了96.96％的準確率和96.87％的靈敏度。
除了檢查，機器學習也用于計量學。 “它在計量和檢測領(lǐng)域得到了廣泛的應(yīng)用和快速采用，包括CD SEM，OCD甚至光學原位測量，如光學發(fā)射光譜或反射測量，”Applied的Adan說。 “當你有大量關(guān)于感興趣的測量信息但沒有直接測量的信息時，可以使用它。 機器學習允許您找到感興趣的度量與可能影響此類度量的各種參數(shù)之間的相關(guān)性。 它還可用于預(yù)測工具性能，正常運行時間和其他功能。“
計量本身具有挑戰(zhàn)性。 例如，平面晶體管需要五到六次測量。 但是，在finFET中，它需要12個或更多不同的CD測量值，例如柵極高度，fin高度，fin寬度和側(cè)壁角度。
為了處理測量，芯片制造商需要幾種計量工具類型，例如臨界尺寸掃描電子顯微鏡（CD-SEM），光學CD（OCD）等。
CD-SEM是工廠中的主力計量工具，它采用自上而下的結(jié)構(gòu)尺寸測量。
在最近的一篇論文中，Imec描述了一種帶機器學習的CD-SEM。 實際上，該技術(shù)可以對CD-SEM“去噪”。 在該工具中，Imec在神經(jīng)網(wǎng)絡(luò)中添加了另一層，稱為生成對抗網(wǎng)絡(luò)（GAN）。 通過經(jīng)過訓練的GAN傳遞嘈雜的SEM圖像，研究人員獲得了無噪聲的模型圖像。
同時，一種稱為散射儀的OCD類型可以測量finFET中的CD，輪廓和膜厚度。 強迫癥很快，但也有一些缺點。 OCD是一種基于模型的技術(shù)。 在許多情況下，這些工具不會測量實際設(shè)備。 相反，它們可以測量代理或簡單的平面結(jié)構(gòu)，它們表示和行為類似于實際設(shè)備。 應(yīng)該將這些結(jié)構(gòu)與實際裝置之間的測量值相關(guān)聯(lián)。
然而，OCD建模也需要很長時間。 然后，在另一種方法中，OCD社區(qū)開發(fā)了一種無模型技術(shù)，這是一種機器學習形式。 它不會取代傳統(tǒng)的強迫癥。 相反，它是一種利用強迫癥的補充技術(shù)。
“有一段時間，我們已經(jīng)將詳細的OCD模型用于設(shè)備結(jié)構(gòu)和目標，以及我們的光學系統(tǒng)。 但是有些地方我們的未建模組件存在差距; 這是機器學習產(chǎn)生重大影響的地方。 機器學習改進了計量工具車隊的匹配和精度。 通過適當?shù)膮⒖紲y量，機器學習還可以改善結(jié)果的時間，“KLA模式部門高級算法主管Stilian Pandev說。
這可以是獨立的計算系統(tǒng)。 從OCD測量中收集數(shù)據(jù)并將其輸入計算機，計算機對數(shù)字進行處理并產(chǎn)生結(jié)果。
在一個例子中，Imec和Nova最近提出了一篇關(guān)于使用OCD光譜和機器學習預(yù)測芯片電性能的論文。 “OCD技術(shù)基于嚴格的耦合波分析（RCWA），它被指定用于周期性結(jié)構(gòu)。 將這種技術(shù)應(yīng)用于非周期性結(jié)構(gòu)（例如電氣結(jié)構(gòu)）是一項挑戰(zhàn)，“Imec的研發(fā)工程師Sayantan Das說。
“機器學習算法可以克服這些挑戰(zhàn)，并成為一種補充方法，”達斯說。 “我們與Nova的合作表明，使用OCD光譜的機器學習可以預(yù)測具有高R2值的電氣性能。 這使得能夠與參考CD良好地相關(guān)。 它證明了與基于衍射的覆蓋層和基于SEM的覆蓋層的良好相關(guān)性。 與OCD模型相比，它改善了測量和預(yù)測電阻與電容之間的相關(guān)性。“
同時，在另一個例子中，GlobalFoundries和Nova最近使用機器學習來預(yù)測芯片中銅互連的電阻。這些公司使用從OCD測量和電氣測試站點收集的光譜。 “對于各種產(chǎn)品的多種金屬，與OCD結(jié)果相比，改善了實際電子測試值與預(yù)測電阻相關(guān)性。在FEOL部門，我們已經(jīng)展示了使用機器學習從在線測量中預(yù)測Fin CD值的初步可行性，“GlobalFoundries的計量工程師Padraig Timoney在一篇論文中說。來自GlobalFoundries和Nova的其他人也參與了這項工作。
這些結(jié)果令人印象深刻，至少在研發(fā)方面如此。 但這些結(jié)果對于晶圓廠來說是否足夠好或快速？
和以前一樣，缺陷檢測的機器學習將繼續(xù)用于某些但不是所有應(yīng)用程序。 “你真的必須理解并考慮你正在為這些系統(tǒng)提供的數(shù)據(jù)質(zhì)量，”Coventor’s Fried說。“這些系統(tǒng)的質(zhì)量，密度和數(shù)量將決定其適用性?！?/span>
顯然，機器學習并不再是新鮮事物。 該技術(shù)已存在很長時間了。 但在很多方面，它只是被運用到表層的部分。