ASML利用机器学习开发半导体制造虚拟计量技术

结果

建立行业领导
识别潜在的制造改进
维护开销最小化

“作为一名过程工程师，我在神经网络或机器学习方面没有任何经验。我通过MATLAB示例找到了生成虚拟计量的最佳机器学习函数。我不可能在C或python中做到这一点——找到、验证和集成正确的包会花费太长时间。”
埃米尔Schmitt-Weaver, ASML

当晶圆接受校准和覆盖计量时，TWINSCAN和Track的剖面图。

在纳米制造中，光刻是控制微芯片大小的基本制版步骤．在光刻过程中，一个低波长的电源是通过光学条件下的图像，然后缩小到一个光敏的化学薄膜覆盖基板，通常是硅。重复这一步骤，直到基底上的所有可用表面积都用相同的图像曝光;结果被称为一个层。为了制造构成芯片的复杂微观结构，需要多个暴露层。为了防止由于层之间的连接失败而产生的问题，层之间的所有模式必须按预期排列。

为了确保层对齐不影响吞吐量，ASML的TWINSCAN光刻系统必须限制曝光步骤前测量的对齐标记的数量。一般的规则是，测量对准标记所需的时间不能超过曝光顺序中前一个晶圆所需的时间。由于正确的叠加模型校正需要大量的叠加标记，对TWINSCAN系统输出的每个晶圆进行测量是不可行的。

ASML使用MATLAB^®和Statistics and Machine Learning Toolbox™开发虚拟叠加计量软件。该软件应用机器学习技术，利用校准计量数据，对每个晶圆的覆盖计量进行预测。

ASML的应用开发工程师Emil schmidt - weaver说:“我们在MATLAB和机器学习方面所做的工作表明，在最好地利用现有计量技术方面，我们处于行业领先地位。”“我们发表的关于这项工作的论文引起了客户的兴趣，他们希望改进ASML产品的制造工艺。”s manbetx 845

挑战

尽管忽略重叠错误可能会降低产量，但大多数制造商仅为24%的晶圆测量重叠。通过对TWINSCAN系统收集的每个晶圆的校准计量，ASML试图应用机器学习技术来估计晶圆的覆盖计量，并将其与现有的YieldStar计量进行比较。

因为schmidt - weaver之前没有开发机器学习算法的经验，所以他决定不使用Python、C或其他低级语言来开发算法。他希望快速开发原型，依靠ASML庞大、多样的用户基础上部署的功能，并由专业人员维护。

解决方案

schmidt - weaver使用MATLAB、统计学和机器学习工具箱和深度学习工具箱开发了一种生成虚拟计量的方法。

首先，施密特-韦弗使用神经网络时间序列预测和建模应用程序来学习如何准备数据，以便使用深度学习工具箱。使用这个应用程序，他生成并导出了示例代码，这让他更详细地了解了如何一起使用这些函数。随着他的能力的提高，他能够使用MATLAB Central上大量多学科用户社区的示例来构建生成的代码。

schmidt - weaver使用TWINSCAN系统收集对准计量数据，使用YieldStar系统收集相同晶片的覆盖计量数据。然后他将数据集分成两组，一组用于训练网络，另一组用于验证网络。

利用深度学习工具箱、统计学和机器学习工具箱，他设计了一个具有外生输入的非线性自回归网络(NARX)，并使用训练组的数据对其进行训练。

为了避免神经网络与训练组过拟合，他使用了深度学习工具箱，使用贝叶斯框架实现了自动正则化。

在对网络进行训练后，他将测试数据输入给网络，并将测试结果与来自YieldStar系统的测量结果进行对比。

ASML利用采集到的数据在MATLAB中开发了一个实时覆盖控制器原型。该网络为潜在的提高成品率提供了基础，同时也提供了识别未接收覆盖计量的晶圆的能力。

结果

建立行业领导．施密特-韦弗说:“通过使用MATLAB改进覆盖计量，我们向客户展示了我们在开发创新方法以实现覆盖性能目标方面的领先地位。”
识别潜在的制造改进．施密特-韦弗指出:“我们在MATLAB中设计和训练的网络识别出了系统和随机的叠加错误，否则这些错误可能不会被发现。”“这种程度的覆盖性能改进对于5nm以下节点的微芯片制造是必要的。”
维护开销最小化．施密特-韦弗说:“自公司成立以来，ASML系统一直使用编译后的MATLAB算法。“通过建立同行评议的遗留脚本的大型数据库，我能够将注意力集中在新的机器学习功能上。”

集成计量学和机器学习支持的故障检测虚拟叠加计量万博1manbetxProc。学报《微光刻技术的计量、检验和过程控制》，94241T(2015年3月19日)doi: 10.1117/12.2085475．

s manbetx 845产品使用

了解更多关于ASML的信息

展示你的成功

加入客户参考计划

开始