中文 英语

控制集成电路制造过程以达到良率

虽然没有单一的解决方案,但仍有很大的改进空间——以及围绕更好地利用数据的大量投资。

人气

设备和工具供应商开始将数据作为提高产量的一种手段,在制造流程中添加更多的传感器和分析功能,以实时规避问题。

这将影响在前沿节点处开发复杂芯片的成本,并且在2.5D和3D-IC封装中仍有待观察。但是,在制造过程中向两者进行数据并迅速分析它以便能够影响产量和上市时间已经开始。包括更多自定义的传感器,机器学习和AI系统,可以快速地分离关键数据以影响正在进行的过程,以及识别模式的长期数据收集。它还涉及能够快速消除不需要的数据。

这些努力背后的司机是基本数学。根据国际商业策略,开发5NM ASIC的预计成本约为5亿美元,达到3NM,该数字可达到15亿美元。包含在其中的是一个或多个重新旋转以提高功能,并确保在芯片上打印的内容与初始设计相匹配。有许多可能的方法可以降低成本并减少收入时间,并且这些芯片的开发人员越来越多的需求来实现这些能力。

“我们正在做更多的事情,特别是当你继续缩小几何形状,”凯文张说,业务发展副总裁台长。“当你缩小几何形状时,电路变得更加敏感。我们在我们的制造线中实施更先进的缺陷检测。去年季度,由于抗拒问题,TSMC必须废弃晶圆。“

这些类型的问题由于增加的密度和更小的功能尺寸而复杂化。过去在28nm处不存在的问题,比如打印不完美的特性,在7nm处可能会产生真正的或潜在的缺陷。

“在先进节点,你必须将过程控制与设计利润挂钩,无论是finFET还是finFET加3D,”该公司量产解决方案经理Jonathan Holt表示PDF解决方案。“如今,FDC(故障检测和分类)和传感器已经从设计中分离出来。但在前进的道路上,你必须考虑布局和利润,并将其与过程能力联系起来。工业4.0和人工智能已经取得了一些成功,但现在人们正在考虑是否有正确的传感器和正确的数据将其与过程联系起来。这对上市时间有很大影响。”

理解什么数据有用,什么没用,也是如此。“如果你只是获取数据,那么最大的问题是你打算用这些数据做什么,”该公司首席技术官戴维·弗里德(David Fried)说Coventor,林研究公司。“因此,您可以看到大量的原位传感器,出原位传感器,计量传感器,刀具传感器,甚至是在腔室中的东西的传感器 - 将气体进入腔室的质量流量控制器。有工具/设备级监视数据。然后只有功能数据。机器人手臂发送哪个晶片?有一组不需要比附近的工具或计算环境更远的数据。“

但是,将数据分成各种桶并不是那么简单,特别是当它需要多种数据类型时。改善过程控制作为中央操作也很困难,因为构成芯片制造的各种过程是一系列精细调整的独立步骤,而不是单一统一过程的一部分。在一个区域和一个申请中被认为是重要的可能性不如其他区域,因此必须在这些步骤中的每个步骤中添加控制,而不会破坏晶片通过工厂的运动。

“不同的工艺步骤具有不同的公差,”Ram Peltinov说,图案化控制划分头应用材料。“在过去,你可以给每个流程步骤提供自己的预算,当你把所有内容加在一起时,它们都是有效的。如今,随着每个模式步骤的进行,错误预算会增加,因此您需要更多的控制。除此之外,还需要更多的抽样和信息。在过去,您可以用10到30个数据点来处理每个层来描述一个层。现在,您需要进行更多的采样,并来回反馈数据。这样你就有了更多的数据来表征整个晶圆或晶圆的可变性。”

生成大量数据,它需要本地服务器或云。在大多数工业操作中,这将是传感器和云存储之间的中间步骤,但是在铸造厂的一部分上存在阻力,以存储公共云中的任何数据。因此,Fabs本身需要智能地解析需要立即采取的数据以及稍后可以分析的数据。

一个给定的智能工艺工具可能有20个或更多的工艺控制参数或“旋塞”。由此产生的晶圆片结构符合埃级规格,因此对变化的容忍度要严格得多。”“在控制方面,变化以多种方式出现:批次到批次、晶片到晶片、跨晶片变化、模内变化以及LER/LWR/LCDU(线边粗糙度/线宽粗糙度/局部临界尺寸均匀性)。我们今天使用的一些旋钮被认为是一个更好地控制过程的机会。但也存在挑战。”

一个这样的挑战是了解如何使用该数据。并非所有Fab都同样擅长与数据获取它的数据。

“关键是连接更多的地铁检查信息来源,”Applied的Peltinov说。“但如果您可以稳定研发过程中的过程,则需要确保可靠性所需的参数/采样数量会降低。”

可变性
尽管如此,半导体制造业别无选择,只能朝着这个方向前进。设计变得越来越大,越来越复杂,而变量的数量——以及每个变量的变化潜力——正在爆炸式增长。

“你可以想象在不同的​​过程控制方案中做了很多补偿,特别是绕过可变性问题,”Rick Gottscho,CTO林的研究。“该行业只是在开始的阶段。如果您查看FinFET,那种设备的三维性质挑战了美国和行业,提出了高批量生产的强大解决方案。您必须担心小角落中的残留物,蚀刻一种材料与另一个材料的选择性,沉积的共形性。一切都变得更加复杂。“

在5nm之后,它变得更加复杂。Gottscho表示:“当你在3nm及以下的水平上推出下一代闸门全能时,复杂性将达到另一个数量级。”“起初,它看起来像是对finFET的修改。但是要求越来越严格,而且这种门全能结构的复杂性明显大于finFET。这是一个比我们见过的更复杂的设备,我们一直在说一个接一个的节点。然而,作为一个行业,我们一直在前进。除此之外,还有很多不同的来源,它们都很重要。”

这些来源范围从材料杂质到如何在制造过程中应用材料。在每个新节点上,需要薄膜以更高的精度应用,因为公差更紧密。同时,使用现有检查工具识别像差正变得越来越困难。

“今天,大问题是覆盖,”Applied的Peltinov说。“你不确定问题所在,所以你需要更多的抽样和更多信息。但如果您认为晶圆级别的1nm分辨率,那是1012.像素。这是一种巨大的数据。需要沿途过滤。有些需要分析,有些需要与其他数据进行比较。“

关键是知道在哪里寻找问题,因为不是所有的东西都可以检查和测量。然而,这并不总是显而易见的。

“几年前,我们开始从操作员错误的角度来分析变异,”Jim Korich说,他是该公司的工程系统经理布鲁尔科学。“但是,我们发现的是变化不是由于运营商错误。它在控制过程中。在我们的世界中,一切都是自动化的,包括所有食谱。即使是搅拌机的清洁也是自动化的,因此变异性已经消失在那里。但仍然存在变化,所以我们在机器学习中添加了自适应控制,因为一旦客户在市场上建立了产品,他们就不想要任何变化。为此,您需要了解自适应变化。所以现在你正在处理过程的可变性与产品。“

新的市场需求
所有这些都需要实时发生。晶圆厂的延期会增加成本,不仅会影响正在生产的芯片的市场窗口,还会影响等待生产的设计进度。但允许缺陷通过也可能导致其他问题,尤其是在针对汽车等市场的先进节点开发的芯片时。

Rob Cappel,营销高级总监心理契约,指出了几种降低缺陷的方法。一种是用持续改进计划来密切控制过程,以减少随机缺陷,使用基线成品率改进技术,如工具监控。第二是确保对流程进行足够的取样以提供可跟踪性。第三种方法仍在开发中。

“一种接受越来越兴趣的方法是利用内联缺陷信息不仅可以控制过程,而且还要在它们仍然在晶圆厂中识别在可靠性问题的风险中识别骰子,其中纠正问题的成本是最低的卡帕尔说。“汽车工厂长期依赖于”筛选“,其中高吞吐量在制造过程中少数最终层的所有晶片上检查了100%的死亡。符合定义的失败标准(缺陷尺寸/类型/位置)的模具被排除在外或“墨水”。同时对大型缺陷有效,仅此方法对于较小,潜在的缺陷不足。一种新的内联技术,称为I-PAT(内联零件平均测试),可能是答案。它利用了一个20岁的汽车工业技术称为参数零件平均测试(PPAT)。这种基于电子测试的原始方法识别任何测试结果位于群体正常分布之外的模具,即使它们在运营规范内。对于牺牲的小牺牲,产量为0.5%至2.5%,因此获得了可靠性的显着改善,有些人看到这些异常模具剔除时,有所改善20%至30%。I-PAT在线移动这一概念,寻找模具,横跨多个堆叠检查步骤的异常缺陷群体,通常在整个制造过程中执行许多过程步骤。“

CAPPEL表示,异常更容易遏制行业希望消除行业希望消除的潜在缺陷的潜在缺陷,并补充说结果可以随后用电气异常方法组合,以改善模具的整体GO / NO-GO决策。


图1:比较新设备坡道中中心和边缘的屈服随时间的变化。来源:解放军的

随着更多系统公司参与开发先进的芯片,更加重视确保所设计的设计与制造的内容相同。然而,这远远超出了设计。它越来越多地包含高级节点的整个供应链

该公司首席技术官Ajit Paranjpe表示:“如果你看看用于制造基板的掩模空白,就会发现如果没有无缺陷的基板,就不会有无缺陷的掩模。Veeco。“我们将在整个晶圆上缩小到可数缺陷。一旦你知道那些是什么,你会发现一个与模式对齐的区域,以便在那里有很多缺陷,那些在非打印区域。这些缺陷是微小的,但它们仍然存在。您也可以修复一些缺陷。工厂正在投入大量资金来了解可打印的是什么以及不可打印的内容。“

这类似于困扰过去几个流程节点的芯片设计团队的问题。“从设计的角度来看,焦点始终在可印刷性上,”PDF的霍尔特说。“我们拥有OPC(光学邻近校正)模型的原因是纠正该模型,并打印可识别的东西。但是用Finfets,它更复杂。您需要蚀刻,然后在蚀刻后检查结构的形状。您正在查看材料的厚度,图案均匀性和植入物的东西。您无法纠正与OPC的制造均匀性。存在终点检测,OES(光发射光谱)信号和在晶片上测量的厚度等问题。所有这些因素都发挥作用。“

结论
过程变化,升高的复杂性,物理定律正在制造芯片设计越来越困难。收益率和更快的收入时间一直被交织在一起,但在5米及以下,赌注明显高。即使是小缺陷也会导致重大问题,并且越来越识别,处理任何这些问题的最佳方法是通过更多的传感器和更好的数据。

然而,这是解决的一个巨大问题,它跨越整个供应链,从前端制造到后硅分析。但是解决这些问题的最佳机会是在一系列流程步骤中的制造方面。

“那些能够将制造与设计过程结合起来的公司将是最成功的,”Holt说。“这就是战斗正在进行的地方——数据传感器和工具传感器的收集,可以前馈和连接到设计过程。这是许多设备公司目前关注的焦点——如何使用高级分析技术。他们已经收集了很多数据。现在的挑战是如何理解这些数据。”

-Mark Lapedus贡献了这份报告。

相关案例

用机器学习发现芯片缺陷

领域专家成为分析的必要条件

使用传感器数据来提高产量和正常运行时间



发表评论


(注意:此名称将被公开显示)