利用神經(jīng)網(wǎng)絡(luò )進(jìn)行 CMP 氧化物沉積表面輪廓建模

簡(jiǎn)介

化學(xué)機械拋光 (CMP) 是當今集成電路 (IC) 制造工藝中的關(guān)鍵作業(yè)。由于設計極其緊湊，并且 縮小到最先進(jìn)的工藝技術(shù)節點(diǎn)，CMP 后的平面性變化可能會(huì )對制造成功產(chǎn)生重大影響。

為了減輕 CMP 工藝的負面影響，大多數 IC 制造商使用 CMP 建模來(lái)檢測前道工序 (FEOL) 和 后道工序 (BEOL) 層中的潛在弱點(diǎn)，作為其可制造性設計 (DFM) 流程的一部分。CMP 弱點(diǎn)分 析旨在尋找設計中經(jīng)過(guò) CMP 后出現缺陷的概率高于平均值的區域。不同材料在 CMP 工藝 下會(huì )表現出不同的腐蝕速率，因此芯片的密度平衡必須保持穩定，以防止出現凸起和凹 陷，避免造成金屬互連短路和開(kāi)路。CMP 分析會(huì )衡量版圖的各個(gè)方面，以確保在多層上構 建芯片時(shí)具有均勻的平面性。

高電介質(zhì)金屬柵極 (HKMG) 技術(shù)和額外 CMP 步驟 [1, 2] 的引入，雙重和三重曝光導致的光刻 高成本，強焦深 (DOF) 要求，以及 CMP 模型的精度提高，都提升了業(yè)界對 CMP 建模的關(guān)注 度 [3-6]。

構建 CMP 模型

CMP 建模有很長(cháng)的歷史，包括單材料和雙材料拋光的建模，以及眾多沉積和蝕刻工藝的建 模 [6]。CMP 建模背后的主要思路是：提取版圖上圖形的幾何屬性，在蝕刻和諸多沉積步驟 之后生成 CMP 前的表面輪廓，以及預測版圖上不同圖形的 CMP 后表面輪廓。

芯片被劃分為固定大小的重復單元，對于每個(gè)重復單元，提取并傳送圖形的平均幾何特征

（例如寬度、間距、圖形密度和周長(cháng)），然后進(jìn)行蝕刻、沉積和 CMP 仿真。利用有效的溝 槽逼近來(lái)模擬為每個(gè)重復單元定義的結構（圖 1）。一個(gè)重復單元代表一個(gè)具有給定幾何特 征的溝槽，它有兩個(gè)高度數據 —— ZT 和 ZNT，分別定義溝槽內材料的高度和溝槽外材料的 高度。

圖 1：幾何數據提取和 有效溝槽逼近。

在 CMP 仿真期間，蝕刻、沉積和拋光模型仿真 ZT 和 ZNT 數據的變化，以及每個(gè)重復單元的 幾何數據變化。拋光模型使用 CMP 前表面輪廓數據作為輸入，該數據由沉積模型或前一拋 光步驟產(chǎn)生。第一拋光步驟總是使用沉積后輪廓作為輸入。沉積后的表面輪廓不是平面性 的，含有變化。因此，為實(shí)現高質(zhì)量 CMP 建模，必須有一組與制造商使用的沉積工藝相對 應的沉積模型，以產(chǎn)生用于 CMP 仿真的正確輸入輪廓。

CMP 建模的一個(gè)關(guān)鍵步驟是使用來(lái)自測試芯片的測量數據構建模型。CMP 測試芯片通常由 周期性放置的不同寬度的平行溝槽陣列塊組成，溝槽之間的間距也有差異（圖 2）。選擇 測試芯片的尺寸和結構的數量時(shí)，必須讓它能很好地覆蓋技術(shù)節點(diǎn)所支持的寬度、間距、 周長(cháng)和圖形密度值，同時(shí)不違反設計規則檢查 (DRC)。常常使用原子力顯微鏡 (AFM) 掃描儀 或其他輪廓探查工具對測試圖形進(jìn)行行掃描來(lái)收集腐蝕和凹陷數據，如圖 2 所示。知道疊 層信息和材料厚度后，便可將腐蝕和凹陷數據轉換成 ZT  和 ZNT 表面輪廓高度數據。

圖 2：CMP 測試芯片和 AFM 行掃描，含腐蝕和 凹陷定義。

由于 CMP 十分復雜且影響長(cháng)遠，生成高質(zhì)量的 CMP 前表面輪廓對于 CMP 精確建模至關(guān)重 要。即使采用先進(jìn)的沉積工藝，已曝光晶圓的沉積后（CMP 前）輪廓也是不均勻的，可能 有很大差異，影響 CMP 后的表面上平面性。對三維 (3D) 原子力顯微鏡 (AFM) 和透射電子顯 微鏡 (TEM) 數據的分析表明，CMP 前輪廓高度對以下各項的底層圖形幾何形狀有復雜的依 賴(lài)關(guān)系：

■  高密度等離子體 CVD (HDP-CVD)

■ 旋涂式電介質(zhì) (SOD)

■    流動(dòng)式 CVD (FCVD)

■ 增強型高縱橫比工藝 (eHARP)

FEOL  層的淺溝槽隔離 (STI)  和 CMP  建模表明 HPD-CVD  和 SOD  沉積模型成功應用于 CMP建模。

與此同時(shí)，為 FCVD 和 eHARP 工藝構建基于物理特性的模型或簡(jiǎn)化模型則很困難，因為這些 工藝包含若干沉積和退火步驟以填充溝槽。我們研究了通過(guò)機器學(xué)習 (ML) 算法對測量數據進(jìn) 行靈敏度分析，結果顯示這些工藝的沉積后表面輪廓主要取決于底層圖形幾何形狀，而長(cháng)遠 影響是次要的。借助此信息，我們可以使用底層圖形的幾何特征作為輸入，將神經(jīng)網(wǎng)絡(luò ) (NN) 回歸計算應用于 CMP 前表面輪廓的建模。然后，CMP 前輪廓用作 CMP 建模的輸入。

神經(jīng)網(wǎng)絡(luò )配置

機器學(xué)習、神經(jīng)網(wǎng)絡(luò )和深度學(xué)習在現代工業(yè)和生活的不同領(lǐng)域中有許多應用。它們“學(xué) 習”如何分析和預測不精確數據的能力，大大提高了語(yǔ)音識別和語(yǔ)言翻譯、基因組學(xué)和藥 物發(fā)現、計算機視覺(jué)、自動(dòng)駕駛汽車(chē)以及許多其他領(lǐng)域的技術(shù)水平 [7]。

一種潛在的新用途是將神經(jīng)網(wǎng)絡(luò )應 用于沉積后表面輪廓建模。該方法 的工作原理如下：利用 Calibre? CMP ModelBuilder 和 Calibre CMPAnalyzer 產(chǎn)品從版圖中提取圖形的局部幾何 特征（寬度、間距、圖形密度和周 長(cháng)），并將其用作多層神經(jīng)網(wǎng)絡(luò )的 輸入，以生成表面輪廓高度數據預 測（圖 3）。

圖 3：具有兩個(gè)隱藏層的多層前饋神經(jīng)網(wǎng)絡(luò )。

神經(jīng)網(wǎng)絡(luò )的輸入層獲取此幾何數據，網(wǎng)絡(luò )在輸出層上生成預測的腐蝕和凹陷數據。為簡(jiǎn)便 起見(jiàn)，本文不考慮沉積后的任何幾何形狀變化。神經(jīng)網(wǎng)絡(luò )經(jīng)過(guò)高級學(xué)習算法的訓練，訓練 集由沉積后從 CMP 測試芯片收集到的測量結果構成。經(jīng)過(guò)訓練的神經(jīng)網(wǎng)絡(luò )在測試芯片或生 產(chǎn)設計上運行，以進(jìn)行測試和驗證。我們考慮用含一個(gè)、兩個(gè)或更多隱藏層的神經(jīng)網(wǎng)絡(luò )來(lái) 擬合腐蝕和凹陷數據。為將模型很好地泛化到未知數據，應該從最少數量的隱藏層和神經(jīng) 元開(kāi)始，然后持續增加數量以更好地擬合驗證數據，但應避免過(guò)擬合。針對我們的模型， 我們確定兩個(gè)隱藏層對于對所涉工藝的表面輪廓建模是最佳的，無(wú)需使用更深層架構（即 具有許多隱藏層的神經(jīng)網(wǎng)絡(luò )）。

首先，我們利用神經(jīng)網(wǎng)絡(luò )模擬 HDP-CVD 和 SOD 工藝的 CMP 前輪廓，Calibre CMP ModelBuilder 工具中提供了其簡(jiǎn)化模型。使用測量數據，我們生成了用于訓練神經(jīng)網(wǎng)絡(luò )的訓練集。接下 來(lái)，我們運用 Calibre CMP ModelBuilder 工具對測量數據和模型生成的仿真數據進(jìn)行了驗證。 最后，我們將該神經(jīng)網(wǎng)絡(luò )應用于 FCVD 和 eHARP 工藝的 CMP 前輪廓建模。

神經(jīng)網(wǎng)絡(luò )在 CMP 輪廓建模中的應用

為了測試利用機器學(xué)習和神經(jīng)網(wǎng)絡(luò )生成 CMP 模型的實(shí)用性和準確性，我們使用以下四種沉 積工藝進(jìn)行了實(shí)驗：HDP-CVD、SOD、FCVD、eHARP。

HDP-CVD 工藝建模：HDP-CVD 工藝最初用于 STI，但如 今它與芯片制造中高縱橫比沉積工藝一起，廣泛用于 不同氧化物的沉積。在 HDP-CVD 期間，沉積和離子濺 射過(guò)程同時(shí)發(fā)生，因此有效區域上會(huì )出現三角形和梯 形形狀。這些幾何形狀隨著(zhù)底層有效區域圖形幾何形 狀而變化，導致沉積的氧化物厚度有差異（圖 4）。

圖 4：HDP-CVD 后表面輪廓的橫截面 視圖。

從測試芯片的 AFM 行掃描數據收集腐蝕和凹陷數據，然后構建如下格式的訓練數據集（表 1） 用于神經(jīng)網(wǎng)絡(luò )輸入：

…………未完待續…………

更多詳細信息請點(diǎn)擊>>