中文 英语

如何以及何地在IC制造中使用

表格的专家:ML正在在计量和光刻中发挥更大的作用,但不能取代基于物理的模型。

受欢迎程度

德赢娱乐网站【官方平台】半导体工程坐下来讨论与IMEC先进的光刻节目主任Kurt Ronse的半导体制造中的机器学习问题和挑战;龙东昊,营销高级主管;Romain Roux,Mycronic的数据科学家;和Aki Fujimura,首席执行官D2S.。以下是对话的摘录。可以找到这些讨论之一这里


L-R:Yudong Hao,Romain Roux,Aki Fujimura,Kurt Ronse。

机器学习在芯片制造中的一些关键应用是什么?

富士瓜:我们以两种方式在D2S中使用它为我们的ILT(逆光刻技术)产品。在最近的SPIE先进的光刻会议上,我们在使用深度学习中提出了一篇论文,加速了掩模3D的模拟,复杂的光刻效果。严格的面膜3D模拟需要太长,才能有用。深度学习估计器快速,使钻志才能包含掩码3D效果。第二种方式是在去年的Bacus会议上讨论的,在那里我们谈到了使用深度学习,以便初始嵌入迭代优化过程来加速宇宙。我们在一堆模式上运行ever。接下来,我们告诉深度学习引擎将从输入目标晶片模式识别到截图的输出的转换,这是所需的掩模形状。深度学习非常善于快速估计,所以我们能够快速得到一个很好的近似最终结果,以减少优化迭代的次数。我们的论文和其他论文已经表明,使用这种技术可以提高ILT/OPC运行时间的2倍,同时提高结果的质量。

ronse.:让我们继续沿着线条继续opc.。在初期介绍OPC的早期,它足以模拟您的航拍图像。然后你唯一要做的就是选择你的门槛。因此,航空图像模拟器预测线路将偏离目标的位置。随着规格变得更加紧张,准确性变得更加重要。因此,单独的空中图像不够好。而且,抗蚀剂过程具有一定的贡献。然后在抗拒过程中添加多个旋钮。您必须优化以确保您的模拟器正在模仿您的过程正在进行中。现在在抗拒处理后,还有蚀刻。 Etch can have some effects that are going to deviate your ultimate features from what you want them to be. So in the end, you’re going to have many knobs. If you do everything manually, it could take forever to fit a model that is representing your process. So that’s where you are trying to do some machine learning. We have this model with all the knobs. And then we start from a certain starting point with the parameters, which are randomly chosen. And then we let the simulator run, check it, and it self-corrects some of the knobs. Some of the knobs are not important. Some of the knobs are very crucial and have an enormous impact on the final results. So the more complex the process, and especially inEUV.,你得到的旋钮越多。这意味着您必须依赖机器学习,以确保在合理的时间内找到所有旋钮的最佳设置。

SE:那么这有什么意义呢?

ronse.:OPC中的模型可以完成机器学习。它将加速模型的生成。如果你手动处理这么多变量(可能相关也可能不相关),那么你可能要花很长时间才能得到一个好的模型。通过机器学习,你可以以非常快的速度自动进行所有这些迭代,你可以以更快的速度以最小的偏差达到最佳点。

SE:有一些问题是持有机器学习,从广泛用于芯片制造。我的印象是你需要大数据集来获得更好的结果。否则,结果可能或可能不准确。但是,大多数设备供应商都无法承担大型数据集。你需要在这里设置大数据吗?

一般来说,这是正确的。深度学习是基于大数据的。你不能用几个方程来解很多未知数。这是基本的概念。然而,在计量领域,我们可以使用一些技术来使用一个小的标签集部署深度学习。

罗克斯:我会说数据的质量是成功最重要的键之一。良好的数据意味着足够的数据,标记良好的数据,并在尽可能靠近最终应用程序的上下文中生成。此外,数据应该描述您希望模型处理的所有典型情况。为此,我们需要直接从真实生产环境中获取数据。这就是为什么如果我们希望继续向他们提供高端设备,我们需要与工业伙伴紧密地工作。

SE:在未来,将机器学习将普遍存在芯片制造中一般?或者我们将继续使用传统的基于物理的模型方法吗?或者都是可行的方法?

罗克斯:物理仍然是我们构建模拟器的唯一可靠的基础。基于机器的基于机器模块可以模仿某些行为,但您需要物理以区分相关性和因果关系。物理模型可为您提供准确性和深刻的理解,而机器学习可以为您提供速度,并帮助您解决一些具有挑战性的逆问题。有两个非常不同的域互相喂养。

富士瓜在我看来,机器学习,特别是机器学习的深度学习子集,将会在世界上越来越普遍,这一点毫无疑问Photomask.世界。面膜制造商将继续使用传统方法,但它们将逐步融入新功能,因为它们以生产形式提供。深度学习的特征之一是,可以非常快速地创建承诺或可行性的示范。但是,生产能力仍然需要时间。我们已经开始看到在软件和设备中的深度学习的产品。人类运营商需要履行的任何乏味和错误的过程,特别是那些涉及视觉检查的人,是深度学习的伟大候选人。检查和计量有很多机会。软件中还有许多机会更快地生产更准确的结果,以帮助领先的前沿面罩商店中的周转时间问题。在带有机器学习中关联掩模商店和机器日志文件中的大数据有很多机会进行预测维护。

ronse.:可能,它可以随处使用它。在一个示例中,您可以想象EUV机器的复杂性与光学源的源极和其余部分。它们在机器中有很多传感器,产生和生成数据。不再有一个工程师,谁可以基本上处理并使一些有用的东西脱离了这些数据。在那里,他们可以使用深入学习来试图预测趋势。例如,您可以在工具出乎意料地下来之前将其用于预防性维护。

至于我们在多大程度上使用机器学习,这在不同类型的应用中是不同的。让我们来谈谈检查。例如,检查涉及ADC或自动缺陷分类。这是机器学习的理想用例,因为它基于图像分析和图像分类。通常,许多标记的数据用于检查。这就是深度学习最容易应用的地方。

SE:你能告诉我们一项测量学的作用吗?它如何适用于机器学习?

:在一个示例中,光学临界维度计量(OCD)是高吞吐量计量过程控制技术。对于逻辑设备,您可以将其用于FIN型材和FIN高度等鳍测量。还有一个非常关键的参数称为邻近度,可以决定设备性能。我们以亚埃级水平的准确度测量纳米范围中的那些临界尺寸。除了OCD,Metology还包括CD-SEM,cd-sax等。让我专注于OCD,这是基于散射测量法。在这个世界上,我们通常没有图像处理侧的非常大的数据集。从TEM获得的参考数据非常昂贵,我们只有一个非常小的标记数据集。我们有一个产品用于OCD的机器学习。我们正在积极探索这种应用的深度学习。

SE:机器学习是否解决了计量学中的每个问题?

:首先,在计量学中,第一件事是您需要具有敏感性。您的工具必​​须具有对过程中发生的尺寸变化的敏感性。没有任何敏感性,没有机器学习或任何其他技术都可以帮助您。其次,由于我们测量的装置的敏感性低,使用基于经典的物理学的建模技术不再足够了。这就是机器学习发挥的地方。另一方面,机器学习本身可能不是唯一的解决方案。物理仍然很重要。物理模型和机器学习模型都是预测模型。我们发现,通过将物理和机器学习在一起,我们可以获得最佳性能。机器学习与物理学互补。 It can help physics, but it is not going to replace physics.

相关案例

机器学习在晶圆厂中的应用

用机器学习发现芯片的缺陷



发表评论


(注意:此名称将被公开显示)