芯片制造商正在使用比以往更多并且不同的传统工具来发现先进芯片中的致命缺陷，但他们也转向使用先进的机器学习等辅助方法来帮助解决问题。

   人工智能 （AI）的一个分支— 机器学习已经在计算和其他领域使用了几十年。 实际上，自20世纪90年代以来，早期的机器学习形式已被用于晶圆厂的计量和检测，以查明芯片中的缺陷，甚至使用模式匹配技术来预测问题。 机器学习本身不是工具或设备类型，而是系统用来帮助发现缺陷的一组软件算法。 现在，业界正在探索或开始使用基于更大数据集的，更先进的机器学习算法的系统。 同时，这也可能会加速学习周期。

   这不会取代传统方法，至少在短期内如此。 到目前为止，更先进的机器学习形式并未在整个晶圆厂广泛部署，仍还存在一些差距。 但该行业正努力解决在缺陷检测中存在的严峻挑战。

   在今天的晶圆厂中，芯片制造商使用各种检测手段和计量系统来发现芯片中的缺陷。 检查是发现缺陷的科学，而计量是测量结构的艺术。 这两种技术都用于定位器件中的问题，它们有助于确保晶圆厂的产量。

但是，在每个节点处，设备和结构变得越来越小。 在某些情况下，找到结构远低于1埃（等于0.1纳米）那种规模的缺陷要困难得多，且成本高昂

   为此目的的工具确实存在，并且许多工具包含一定程度的机器学习。 到目前为止，对于更先进的机器视觉学习形式，利用率已经不稳定。 但是，随着先进的机器视觉学习算法被开发用于缺陷检测，这可能会改变。 问题在于是否有足够的良好数据，这将使制造商和包装公司能够快速准确地找到缺陷。 如果数据集不合适，系统可能会产生可疑或甚至不准确的结果。

   在任何一种情况下，机器学习中的缺陷检测将继续用于工厂中的部分应用程序。 然而，随着技术的进步，它可能会在行业中得到更广泛的应用。

   “机器学习是一些计量问题的答案。” 林研究公司Coventor计算产品副总裁David Fried说。 “在该解决方案适用的情况下，会出现越来越多的问题。 这不是灵丹妙药。 这不是对一切的正确的答案。“

   尽管如此，该行业仍在不断改进该技术。 以下是这个领域的一些最新成果：

   •Imec和Nova开发了一种使用机器学习来预测芯片电气性能的方法。 另外，GlobalFoundries和Nova开发了类似的技术。

   •Imec设计了一个具有深度学习的CD-SEM。

   •ASML和SK海力士使用该技术提高了光学邻近校正（OPC）精度。

   •IBM和USC设计了一种神经网络，用于改进缺陷检测。

检查/计量挑战

   今天的300毫米晶圆厂是使用各种设备逐步处理晶圆的自动化工厂。 高级逻辑过程可以具有600到1,000步或更多步。 在不同阶段，芯片经历各种计量和检查步骤。

   机器翻译（仅供参考）：这些步骤至关重要。 忽略的缺陷会影响晶圆厂的产量，或者进入现场并导致日后发生故障。

   在28nm及以上，计量和检查非常简单。 例如，逻辑晶体管是具有大特征的平面。 芯片制造商可以测量和检查设备相对容易。 但对于16 / 14nm的finFET就非常困难。 随着芯片设计迁移到10nm / 7nm及更高，则结构更小，更难测量。 最新的DRAM和NAND设备也是如此。

   finFET和存储器件本质上都是3D的。 因此，在计量学的情况下，工具不仅必须获得2D结构的测量，而且还必须以合算的方式在三维中获得它们。

   “你需要知道形状是什么样的。 然后，你需要能够看到材料成分之类的东西，所以你知道它是整齐的。 许多缺陷都存在于各层之下，“VLSI Research首席执行官Dan Hutcheson说。

   实际上，缺陷检测具有挑战性。 例如，所谓的潜在缺陷可能会在设备中出现。 这些缺陷在设备出厂时不会出现，但它们会在现场以某种方式激活，最终可能会进入系统。 Hutcheson说：“有时候，一个缺陷实际上是一个特定位置的致命缺陷，需要三到四个不同的事情。”

   使挑战更加复杂，没有一种计量和检测工具可以找到所有缺陷。 例如，需要十几种计量工具来表征晶圆厂中的finFET。

   理想情况下，芯片制造商需要具有更高灵敏度的工具，以更低的成本实现更高的吞吐量。 “他们需要的是采用更大的样本量，因此他们需要更高的工具生产率，”Hutcheson说。

   展望未来，计量和检测设备供应商将继续改进他们的系统。 同时，在并行路径中，计量/检测供应商继续使用神经网络开发机器学习技术。 在神经网络中 ，系统处理数据并识别模式。 它匹配某些模式并了解哪些属性很重要。

   神经网络由多个神经元和突触组成。 神经元可以由具有逻辑门的存储器单元组成。 神经元以菊花链形式连接，并与称为突触的链接相连。

   神经网络通过计算矩阵乘积和和来起作用。 它由三层组成 – 输入，隐藏和输出。

图1：DNN主要是多次乘积累加。 来源： Mythic

   在操作中，可能有一百种不同的缺陷类型。 对每种缺陷类型进行成像，并将信息放入网络中的输入层。

   然后，将每个缺陷类型移动到其中一个隐藏层（第1层）中的单个神经元中并分配权重。 在另一个隐藏层（第2层）中，缺陷可能被细分为不同的类，例如边缘，突出等。 它们也被赋予权重。

   在晶圆厂中，系统检测到缺陷。 在每一层中，神经元对数据作出反应。 使用加权的连接系统，网络中的一个神经元在感测到匹配模式时反应最强。 答案显示在输出层中。

   机器学习被搜索引擎和社交媒体公司以及其他领域使用。 “深度学习很棒，因为它实际上让你有机会做更准确更快的事情，” D2S首席执行官Aki Fujimura说。“例如，在医学成像中，你真正正在研究哪些细胞是癌细胞。 使用深度学习引擎，他们可以将其缩小到确切哪些单元格是坏的。 这是一个医学的例子。 但你可以想象半导体生产可以带来的好处。“

   IC行业正在使用机器学习进行电路仿真，热点检测和定位缺陷。 “应用程序非常庞大，”Imec的光刻工艺和模型控制组负责人Philippe Leray说。 “你可以用它来进行光刻，蚀刻和所有不同的步骤。 您可以将它用于机器维护。“

   机器学习的一个挑战通常是您必须为系统提供足够的数据。 计量/检查系统遵循相同的原则。 您需要为系统提供足够的数据才能使其正常工作。 这可能是一项昂贵且困难的任务。 但是，如果您没有提供足够的数据，则可能会出现问题。

   “你可以做出奇妙的事情而且你可能会出错。”雷瑞说。 “所有困难都在于训练你的数据集。 如果它足够大，代表性足够，而且没有偏见，那么你就可以得到一个好的答案。 这是一个很大的挑战。 只要提供一套不充分或有偏见的培训，你就可以很容易地欺骗自己。“

   如果数据不充分，结果是不合需要的，可能导致假阴性或假阳性。 假阴性表示芯片实际上没有缺陷。 误报是不正确的测试结果。

   尽管如此，该技术正在成为计量和检测的关键部分。 “机器学习和深度学习正在迅速被采用，改进了培训和产出结果的完整性。 网络经过培训，可以跟踪流程变化，过滤异常值和错误分布，“计量和过程控制总监兼应用材料技术人员杰出成员Ofer Adan说。 “机器学习可以使用历史和预定义的信息来提高性能。 深度学习从图像中提取信息和属性具有巨大的优势，有时这些信息和属性对于人类甚至标准机器方法来说都太复杂了。 但是，没有魔力。 如果我们知道物理模型，我们可以获得比DL / ML更好的结果。 因此，如果我们对物理模型有所了解，我们可以使用它来帮助深度学习模型。 一种方法是在深度学习用于优化的成本函数中使用它。 所以答案是我们应该结合两者。“

   还有另一种方式来看待这项技术。 “所有地铁/检查供应商都以各种方式使用它。 关键问题是它是否为晶圆厂提供了任何独特的好处？ 需要注意的重要事项是，机器学习只是另一种支持技术，需要产品集成和深层次的定制才能对工厂有用，“Nanometrics产品营销总监Kartik Venkataraman说。 “更常见的是供应商使用机器学习方法从他们的工具中提取最大信息，这就是信号数量和质量仍然至关重要的原因。 机器学习只能与它所输送的原始信号一样有用。“

机器学习在哪里使用？

   今天，机器学习被一些但并非所有芯片制造商使用。 有些人在流程的各个步骤中使用它。 这取决于公司。

在工厂中，一些计量和检测系统使用机器学习来帮助发现缺陷。 据推测，机器学习使过程自动化，但并不总是这样。 有时，系统需要操作员手动干预以拉取和检查数据。

   但更大的问题是来自一个供应商的工具包含专有软件，并且无法与其他公司的系统进行通信。 专家们表示，有些人正致力于整合他们的系统，以创建端到端的反馈流程，但该技术仍处于研发阶段。

   最终，芯片制造商希望使用来自不同供应商的工具提供端到端的智能反馈解决方案。 有些人正在开发这项技术，尽管这需要投资和资源。

   此外，业界还希望工具具有更先进的机器学习功能，特别是在晶圆检测方面。“随着工具变得越来越强大，机器学习将变得越来越重要，” KLA的技术支持工程师Mark Smith说。

   晶圆检测涉及两种主要的工具技术 – 电子束和光学。 今天，光学检测是晶圆厂的主力工具。 电子束检测用于研发和工厂的某些部分。 电子束检测具有比光学更好的分辨率，但速度较慢。

   在一个简单的例子中，检查系统检查晶片，并将数据与模具或数据库进行比较。 然后，使用神经网络，它使用模式识别技术发现缺陷并自动对它们进行分类。

   自20世纪90年代以来，这种技术基于传统方法。 公司继续开发传统技术，尽管他们也在研究更先进的机器学习形式。

“KLA的许多核心检测技术都是基于传统的图像处理技术，但我们也在进行机器学习，”KLA的史密斯说。 “机器学习产生巨大影响的几个领域是图像分类和评审抽样。”

   使所有这些工作都有一些挑战。 “深度学习，最先进的算法，现在成为头条新闻。 他们依靠非常大的数据集来校准和训练模型，“史密斯说。 “在寻找新的感兴趣缺陷（DOI）时，这并不总是可行的，因此我们采用混合方法。 如果您添加有关检查工具如何工作和设备信息的更多信息，那么在一些不那么新的方法中仍然存在很多动力。 例如，我们通常将设计布局信息用作算法的一部分。“

   其他人也在研究这项技术。 例如，在最近的一篇论文中，ASML和SK海力士描述了一种提高光掩模中OPC精度的方法。 这是使用电子束工具和深度学习完成的。

   OPC使用微小形状或子分辨率辅助功能（SRAF）。 SRAF放置在掩模上，掩模修改掩模图案以改善晶片上的可印刷性。

在每个节点，OPC运行时间和成本都在增加。 “通过添加大量CD和边缘放置量规，我们将模型误差减少了大约三分之一。 通过进一步将模型形式从传统模型转变为深度学习模型，我们可以获得18％的准确度增长，“ASML高级副总裁Yu Cao说。

   然后，在另一个例子中，IBM和南加州大学（USC）最近提交了一篇关于机器学习的电子束检查的论文。 传统上，晶片检测使用芯片到芯片或芯片到数据库进行。 但是，通过机器学习，IBM和USC通过训练有素的模型传递图像。 这反过来将在没有设计或黄金图像的帮助下进行分类。 根据IBM研究人员Ravi Bonam的说法，训练有素的模型将成为推理引擎。 有了这个，研究人员获得了96.96％的准确率和96.87％的灵敏度。

   除了检查，机器学习也用于计量学。 “它在计量和检测领域得到了广泛的应用和快速采用，包括CD SEM，OCD甚至光学原位测量，如光学发射光谱或反射测量，”Applied的Adan说。 “当你有大量关于感兴趣的测量信息但没有直接测量的信息时，可以使用它。 机器学习允许您找到感兴趣的度量与可能影响此类度量的各种参数之间的相关性。 它还可用于预测工具性能，正常运行时间和其他功能。“

   计量本身具有挑战性。 例如，平面晶体管需要五到六次测量。 但是，在finFET中，它需要12个或更多不同的CD测量值，例如栅极高度，fin高度，fin宽度和侧壁角度。

   为了处理测量，芯片制造商需要几种计量工具类型，例如临界尺寸扫描电子显微镜（CD-SEM），光学CD（OCD）等。

CD-SEM是工厂中的主力计量工具，它采用自上而下的结构尺寸测量。

   在最近的一篇论文中，Imec描述了一种带机器学习的CD-SEM。 实际上，该技术可以对CD-SEM“去噪”。 在该工具中，Imec在神经网络中添加了另一层，称为生成对抗网络（GAN）。 通过经过训练的GAN传递嘈杂的SEM图像，研究人员获得了无噪声的模型图像。

   同时，一种称为散射仪的OCD类型可以测量finFET中的CD，轮廓和膜厚度。 强迫症很快，但也有一些缺点。 OCD是一种基于模型的技术。 在许多情况下，这些工具不会测量实际设备。 相反，它们可以测量代理或简单的平面结构，它们表示和行为类似于实际设备。 应该将这些结构与实际装置之间的测量值相关联。

   然而，OCD建模也需要很长时间。 然后，在另一种方法中，OCD社区开发了一种无模型技术，这是一种机器学习形式。 它不会取代传统的强迫症。 相反，它是一种利用强迫症的补充技术。

   “有一段时间，我们已经将详细的OCD模型用于设备结构和目标，以及我们的光学系统。 但是有些地方我们的未建模组件存在差距; 这是机器学习产生重大影响的地方。 机器学习改进了计量工具车队的匹配和精度。 通过适当的参考测量，机器学习还可以改善结果的时间，“KLA模式部门高级算法主管Stilian Pandev说。

   这可以是独立的计算系统。 从OCD测量中收集数据并将其输入计算机，计算机对数字进行处理并产生结果。

   在一个例子中，Imec和Nova最近提出了一篇关于使用OCD光谱和机器学习预测芯片电性能的论文。 “OCD技术基于严格的耦合波分析（RCWA），它被指定用于周期性结构。 将这种技术应用于非周期性结构（例如电气结构）是一项挑战，“Imec的研发工程师Sayantan Das说。

   “机器学习算法可以克服这些挑战，并成为一种补充方法，”达斯说。 “我们与Nova的合作表明，使用OCD光谱的机器学习可以预测具有高R2值的电气性能。 这使得能够与参考CD良好地相关。 它证明了与基于衍射的覆盖层和基于SEM的覆盖层的良好相关性。 与OCD模型相比，它改善了测量和预测电阻与电容之间的相关性。“

   同时，在另一个例子中，GlobalFoundries和Nova最近使用机器学习来预测芯片中铜互连的电阻。这些公司使用从OCD测量和电气测试站点收集的光谱。 “对于各种产品的多种金属，与OCD结果相比，改善了实际电子测试值与预测电阻相关性。在FEOL部门，我们已经展示了使用机器学习从在线测量中预测Fin CD值的初步可行性，“GlobalFoundries的计量工程师Padraig Timoney在一篇论文中说。来自GlobalFoundries和Nova的其他人也参与了这项工作。

   这些结果令人印象深刻，至少在研发方面如此。 但这些结果对于晶圆厂来说是否足够好或快速？

   和以前一样，缺陷检测的机器学习将继续用于某些但不是所有应用程序。 “你真的必须理解并考虑你正在为这些系统提供的数据质量，”Coventor’s Fried说。“这些系统的质量，密度和数量将决定其适用性。”

   显然，机器学习并不再是新鲜事物。 该技术已存在很长时间了。 但在很多方面，它只是被运用到表层的部分。