機器學(xué)習在半導體制造中的重要性提升

近年來(lái)，ML 的重大進(jìn)步影響了計算機科學(xué)以外的多個(gè)領(lǐng)域，包括自動(dòng)駕駛、結構色彩設計、醫學(xué)和人臉識別。

ML 的功能可用于優(yōu)化和自動(dòng)化半導體制造過(guò)程和相關(guān)數據分析。已經(jīng)進(jìn)行了幾項研究以在半導體制造中開(kāi)發(fā)和應用不同的 ML 算法和模型，包括故障檢測、設備生產(chǎn)、工藝優(yōu)化和晶圓檢測。

由于從現有半導體制造過(guò)程中獲得的標記良好的歷史數據的充分可用性，通常從經(jīng)驗中學(xué)習的監督判別 ML 模型可以提高未來(lái)的半導體設計和制造效率。

例如，多層感知器 (MLP) 分類(lèi)器模型可以自動(dòng)從故障圖中識別上墨模式，并執行后處理以進(jìn)行校正，從而無(wú)需在模具篩選期間對模具上墨進(jìn)行人為干預。

同樣，監督生成 ML 模型通常用于替代手動(dòng)設計以提高可制造性。例如，基于條件生成對抗網(wǎng)絡(luò ) (CGAN) 的 WellGAN 可用于版圖設計階段，自動(dòng)生成模擬和混合信號 (AMS) 電路的版圖，取代手動(dòng)設計。

CGAN 還可以應用于光刻等制造過(guò)程，以根據給定的掩模圖案有效地建模三維 (3D) 空間圖像和抗蝕圖案，從而顯著(zhù)提高制造效率。

機器學(xué)習在半導體制造中的應用

產(chǎn)量預測與分析

預測產(chǎn)品良率并了解工藝參數對良率的影響對于半導體制造至關(guān)重要，因為產(chǎn)品良率的下降與工藝參數的變化相互關(guān)聯(lián)。用于模式識別的回歸和卷積神經(jīng)網(wǎng)絡(luò ) (CNN) 等監督判別 ML 算法可以自動(dòng)識別此類(lèi)相關(guān)性。

例如，可以應用具有遺傳算法 (GA) 選擇特征的多元自適應回歸樣條 (MARS) 來(lái)有效地估計不同設計世代和制造過(guò)程的產(chǎn)量，從而顯著(zhù)減少所需制造或模擬數據的數量。

檢測制造過(guò)程偏差

及早檢測工藝擠壓對于避免大量報廢和測試成本以及潛在的質(zhì)量問(wèn)題至關(guān)重要。用于熱點(diǎn)檢查和異常模式識別的無(wú)監督生成 ML 算法（例如 GAN 或自動(dòng)編碼器）可用于基于探針晶圓圖和工藝工具數據的偏移檢測。

簡(jiǎn)化制造流程

無(wú)監督 ML 算法也可用于優(yōu)化制造測試流程，例如啟用封裝老化 (BI) 消除，以識別「風(fēng)險」材料并將它們發(fā)送到 BI 壓力。例如，基于內核的聚類(lèi)（KBC）算法是一種無(wú)監督學(xué)習，可以根據晶圓探針測試數據識別潛在的簇缺陷，并將有風(fēng)險的芯片發(fā)送到封裝 BI。

可制造性設計 (DFM) 工具的改進(jìn)

考慮到所有關(guān)鍵指標和關(guān)鍵輸入，ML，特別是深度神經(jīng)網(wǎng)絡(luò ) (DNN)，可用于改進(jìn)和自動(dòng)化 DFM 工具和檢查器?？梢杂柧?DNN 來(lái)預測潛在的設計失敗/違規。

輸入可以包括以前的客戶(hù)質(zhì)量投訴 (CQC) 數據庫信息、良率標準、技術(shù)金屬選項、物理集成和設計規則檢查 (DRC)。每個(gè)需求的評分指南和具有相應優(yōu)化目標的通過(guò)/失敗標準也可以用作輸入。

可以解釋神經(jīng)網(wǎng)絡(luò )的決策以確定與預測的故障/違規相關(guān)的關(guān)鍵設計/布局特征?？梢愿鶕敵鰶Q策的高靈敏度來(lái)識別關(guān)鍵特性，并將其作為反饋提供給測試/設計過(guò)程。

其它機器學(xué)習應用

通過(guò)將晶圓的銷(xiāo)售價(jià)格和成本價(jià)格作為優(yōu)化因素，以 RoI 為優(yōu)化目標，可以使用差分進(jìn)化 (DE) 算法和 DNN 來(lái)提高晶圓生產(chǎn)率以提高投資回報率 (RoI)。

可以采用使用掃描電子顯微鏡圖像作為輸入的自動(dòng)缺陷分類(lèi) (ADC) 系統來(lái)分類(lèi)和識別晶圓表面缺陷。該系統可以使用 CNN 模型在沒(méi)有人為干預的情況下有效地執行檢測。

同樣，基于 CNN 的遷移學(xué)習方法可用于晶圓缺陷分類(lèi)，以顯著(zhù)降低 ML 計算成本。研究表明，該方法可以更準確地對缺陷圖像進(jìn)行分類(lèi)。

不準確的晶圓通過(guò)/失敗測試會(huì )對整個(gè)半導體制造產(chǎn)生不利影響。機器學(xué)習可用于預測和減少過(guò)程故障。例如，基于深度信念網(wǎng)絡(luò ) (DBN) 的多分類(lèi)器可以通過(guò)收集過(guò)程中傳感器的信號自動(dòng)評估晶圓測試，然后有效地預測故障檢測。

未來(lái)展望

總而言之，ML 算法可以有效地用于半導體制造的多個(gè)領(lǐng)域，以實(shí)現自動(dòng)化和優(yōu)化。然而，需要更多的研究來(lái)解決有關(guān) ML 應用的幾個(gè)現有挑戰。

例如，構建有效的通用 ML 模型所需的訓練數據通常不足。ML 目標的泛化程度必須與訓練數據的大小相匹配。此外，訓練數據中的所有示例必須一致地表示目標和輸入之間的隱藏關(guān)系。