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)現先進芯片中的致命缺陷，但他們也轉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— 機器學習已經在計算和其他領域使用了幾十年。 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來預測問題。 機器學習本身不是工具或設備類型，而是系統(tǒng)用來幫助發(fā)現缺陷的一組軟件算法。 現在，業(yè)界正在探索或開始使用基于更大數據集的，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)現芯片中的缺陷。 檢查是發(fā)現缺陷的科學，而計量是測量結構的藝術。 這兩種技術都用于定位器件中的問題，它們有助于確保晶圓廠的產量。
但是，在每個節(jié)點處，設備和結構變得越來越小。 在某些情況下，找到結構遠低于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據，這將使制造商和包裝公司能夠快速準確地找到缺陷。 如果數據集不合適，系統(tǒng)可能會產生可疑或甚至不準確的結果。
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用程序。 然而，隨著技術的進步，它可能會在行業(yè)中得到更廣泛的應用。
“機器學習是一些計量問題的答案?！?林研究公司Coventor計算產品副總裁David Fried說。 “在該解決方案適用的情況下，會出現越來越多的問題。 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。 以下是這個領域的一些最新成果：
?Imec和Nova開發(fā)了一種使用機器學習來預測芯片電氣性能的方法。 另外，GlobalFoundries和Nova開發(fā)了類似的技術。
?Imec設計了一個具有深度學習的CD-SEM。
?ASML和SK海力士使用該技術提高了光學鄰近校正（OPC）精度。
?IBM和USC設計了一種神經網絡，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，芯片經歷各種計量和檢查步驟。
機器翻譯（僅供參考）：這些步驟至關重要。 忽略的缺陷會影響晶圓廠的產量，或者進入現場并導致日后發(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備相對容易。 但對于16 / 14nm的finFET就非常困難。 隨著芯片設計遷移到10nm / 7nm及更高，則結構更小，更難測量。 最新的DRAM和NAND設備也是如此。
finFET和存儲器件本質上都是3D的。 因此，在計量學的情況下，工具不僅必須獲得2D結構的測量，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備中出現。 這些缺陷在設備出廠時不會出現，但它們會在現場以某種方式激活，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。”
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率，”Hutcheson說。
展望未來，計量和檢測設備供應商將繼續(xù)改進他們的系統(tǒng)。 同時，在并行路徑中，計量/檢測供應商繼續(xù)使用神經網絡開發(fā)機器學習技術。 在神經網絡中 ，系統(tǒng)處理數據并識別模式。 它匹配某些模式并了解哪些屬性很重要。
神經網絡由多個神經元和突觸組成。 神經元可以由具有邏輯門的存儲器單元組成。 神經元以菊花鏈形式連接，并與稱為突觸的鏈接相連。
神經網絡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，并將信息放入網絡中的輸入層。
然后，將每個缺陷類型移動到其中一個隱藏層（第1層）中的單個神經元中并分配權重。 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。 它們也被賦予權重。
在晶圓廠中，系統(tǒng)檢測到缺陷。 在每一層中，神經元對數據作出反應。 使用加權的連接系統(tǒng)，網絡中的一個神經元在感測到匹配模式時反應最強。 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。“例如，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可以帶來的好處?！?/span>
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)提供足夠的數據。 計量/檢查系統(tǒng)遵循相同的原則。 您需要為系統(tǒng)提供足夠的數據才能使其正常工作。 這可能是一項昂貴且困難的任務。 但是，如果您沒有提供足夠的數據，則可能會出現問題。
“你可以做出奇妙的事情而且你可能會出錯。”雷瑞說。 “所有困難都在于訓練你的數據集。 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>
如果數據不充分，結果是不合需要的，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果。
盡管如此，該技術正在成為計量和檢測的關鍵部分。 “機器學習和深度學習正在迅速被采用，改進了培訓和產出結果的完整性。 網絡經過培訓，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)兼應用材料技術人員杰出成員Ofer Adan說。 “機器學習可以使用歷史和預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)化的成本函數中使用它。 所以答案是我們應該結合兩者?！?/span>
還有另一種方式來看待這項技術。 “所有地鐵/檢查供應商都以各種方式使用它。 關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，需要產品集成和深層次的定制才能對工廠有用，“Nanometrics產品營銷總監(jiān)Kartik Venkataraman說。 “更常見的是供應商使用機器學習方法從他們的工具中提取最大信息，這就是信號數量和質量仍然至關重要的原因。 機器學習只能與它所輸送的原始信號一樣有用?！?/span>
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)現缺陷。 據推測，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以拉取和檢查數據。
但更大的問題是來自一個供應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，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?！半S著工具變得越來越強大，機器學習將變得越來越重要，” KLA的技術支持工程師Mark Smith說。
晶圓檢測涉及兩種主要的工具技術 – 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，并將數據與模具或數據庫進行比較。 然后，使用神經網絡，它使用模式識別技術發(fā)現缺陷并自動對它們進行分類。
自20世紀90年代以來，這種技術基于傳統(tǒng)方法。 公司繼續(xù)開發(fā)傳統(tǒng)技術，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都是基于傳統(tǒng)的圖像處理技術，但我們也在進行機器學習，”KLA的史密斯說。 “機器學習產生巨大影響的幾個領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，現在成為頭條新聞。 他們依靠非常大的數據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。 如果您添加有關檢查工具如何工作和設備信息的更多信息，那么在一些不那么新的方法中仍然存在很多動力。 例如，我們通常將設計布局信息用作算法的一部分。“
其他人也在研究這項技術。 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據庫進行。 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計或黃金圖像的幫助下進行分類。 根據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。 “它在計量和檢測領域得到了廣泛的應用和快速采用，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之間的相關性。 它還可用于預測工具性能，正常運行時間和其他功能?！?/span>
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構尺寸測量。
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，該技術可以對CD-SEM“去噪”。 在該工具中，Imec在神經網絡中添加了另一層，稱為生成對抗網絡（GAN）。 通過經過訓練的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。 在許多情況下，這些工具不會測量實際設備。 相反，它們可以測量代理或簡單的平面結構，它們表示和行為類似于實際設備。 應該將這些結構與實際裝置之間的測量值相關聯。
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，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。
“有一段時間，我們已經將詳細的OCD模型用于設備結構和目標，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。 通過適當的參考測量，機器學習還可以改善結果的時間，“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測量中收集數據并將其輸入計算機，計算機對數字進行處理并產生結果。
在一個例子中，Imec和Nova最近提出了一篇關于使用OCD光譜和機器學習預測芯片電性能的論文。 “OCD技術基于嚴格的耦合波分析（RCWA），它被指定用于周期性結構。 將這種技術應用于非周期性結構（例如電氣結構）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。 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性。 與OCD模型相比，它改善了測量和預測電阻與電容之間的相關性?！?/span>
同時，在另一個例子中，GlobalFoundries和Nova最近使用機器學習來預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。 “對于各種產品的多種金屬，與OCD結果相比，改善了實際電子測試值與預測電阻相關性。在FEOL部門，我們已經展示了使用機器學習從在線測量中預測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。
這些結果令人印象深刻，至少在研發(fā)方面如此。 但這些結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)提供的數據質量，”Coventor’s Fried說?！斑@些系統(tǒng)的質量，密度和數量將決定其適用性?！?/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。