Προηγμένη Μετρολογία για Ταξινόμηση Ελαττωμάτων Υπο-10nm σε Πλακέτες

Η πορεία της βιομηχανίας ημιαγωγών προς την εποχή του άνγκστρομ έχει αλλάξει ριζικά τη φυσική της κατασκευής.

Καθώς τα fabs μεταβαίνουν σε κόμβους 5nm, 3nm και 2nm, το περιθώριο σφάλματος έχει ουσιαστικά εξαφανιστεί. Σε αυτό το καθεστώς, ένα ελάττωμα στο μέγεθος μιας μόνο αλυσίδας DNA μπορεί να καταστήσει ένα τσιπ άχρηστο.

Για τους μηχανικούς απόδοσης, το Η πρόκληση δεν είναι πλέον απλώς η εύρεση ελαττωμάτωνδιακρίνει το σήμα από τον θόρυβο σε ένα περιβάλλον όπου τα ίδια τα χαρακτηριστικά είναι ελάχιστα μεγαλύτερα από τα μήκη κύματος του φωτός που χρησιμοποιούνται για τη μέτρησή τους.

Αυτό το άρθρο διερευνά τις προηγμένες τεχνολογίες μετρολογίας, και συγκεκριμένα τη σύγκλιση της οπτικής δέσμης, της ηλεκτρονικής δέσμης και της τεχνητής νοημοσύνης, που καθιστούν δυνατή την ταξινόμηση ελαττωμάτων κάτω των 10nm.

Η τριάδα των προκλήσεων κάτω των 10nm

Για να κατανοήσουμε τη λύση, πρέπει πρώτα να εκτιμήσουμε το πρόβλημα. Βιομηχανίες στον κόμβο κάτω των 10nm εισάγει τρία κρίσιμα εμπόδια.

Το Αόρατο Δολοφονικό Ελάττωμα

Στα επίπεδα 2D τρανζίστορ, τα ελαττώματα ήταν σε μεγάλο βαθμό στο επίπεδο της επιφάνειας.

Σε σύγχρονες τρισδιάστατες αρχιτεκτονικές όπως FinFET και νανοφύλλα GAA, τα ελαττώματα συχνά κρύβονται. Ένα κενό μέσα σε μια οπή βολφραμίου ή μια γέφυρα βαθιά ανάμεσα στα πτερύγια είναι αόρατο στα τυπικά οπτικά εργαλεία.

Υποβάθμιση λόγου σήματος προς θόρυβο (SNR)

Καθώς τα μεγέθη των χαρακτηριστικών συρρικνώνονται, το σήμα σκέδασης από ένα ελάττωμα εξασθενεί.

Ταυτόχρονα, η τραχύτητα της επιφάνειας (θάμπωμα) και οι διακυμάνσεις της διεργασίας δημιουργούν θόρυβο. Η παραδοσιακή ανίχνευση με βάση το όριο δυσκολεύεται εδώ, συχνά επισημαίνοντας χιλιάδες ενοχλητικά συμβάντα (ψευδώς θετικά) που πνίγουν τα πραγματικά ελαττώματα.

Στοχαστικά ελαττώματα στη λιθογραφία EUV

Η υιοθέτηση της ακραίας υπεριώδους ακτινοβολίας (EUV) η λιθογραφία έχει εισαγάγει στοχαστικά (τυχαία) ελαττώματα όπως τραχύτητα γραμμής-ακμής και μικρογεφυρώσεις που είναι πιθανοτικής φύσης.

Η σύλληψη αυτών απαιτεί επιθεωρώντας τεράστιες περιοχές της πλακέτας, η οποία αποτελεί πρόκληση για την απόδοση εργαλείων υψηλής ανάλυσης.

Βασικές Τεχνολογίες που Καθορίζουν την Ταξινόμηση

The Η βιομηχανία απάντησε με μια Υβριδική Μετρολογία προσέγγιση, συνδυάζοντας την ταχύτητα του φωτός με την ακρίβεια των ηλεκτρονίων.

Οπτική Επιθεώρηση Ευρυζωνικού Πλάσματος (BBP)

Τα συστήματα BBP παραμένουν η κινητήρια δύναμη για την κατασκευή μεγάλου όγκου.

Χρησιμοποιώντας μια πηγή υπερσυνεχούς φωτός (που κυμαίνεται από DUV έως ορατό), αυτά τα εργαλεία μπορούν να συντονιστούν σε συγκεκριμένα μήκη κύματος που αντηχούν με τα υλικά της πλακέτας.

• Καινοτομία: Η μετατόπιση σε μικρότερα μήκη κύματος (βαθύ υπεριώδες) επιτρέπει την ανίχνευση μικρότερων διατομών σκέδασης, ωθώντας το όριο ανάλυσης πιο κοντά στα χαρακτηριστικά του προηγμένα λογικά τσιπ.

Επιθεώρηση Πολλαπλής Δέσμης Ηλεκτρονίων (EBI)

Η επιθεώρηση δέσμης ηλεκτρονίων προσφέρει απόλυτη επίλυση (κάτω του 1nm) αλλά ιστορικά ήταν πολύ αργή για ενσωματωμένη παρακολούθηση. Η καινοτομία έγκειται στην τεχνολογία Multi-Beam.

• Πως δουλεύει: Αντί για μία μόνο στήλη ηλεκτρονίων, τα σύγχρονα συστήματα αναπτύσσουν συστοιχίες χιλιάδων δεσμών που σαρώνουν παράλληλα. Αυτό αυξάνει την απόδοση κατά τάξεις μεγέθους, επιτρέποντας στα εργοστάσια να χρησιμοποιούν την EBI όχι μόνο για Ε&Α, αλλά και για δειγματοληψία μεγάλου όγκου από θερμά σημεία όπου είναι πιο πιθανό να εμφανιστούν ελαττώματα.

Οι Εγκέφαλοι της Επιχείρησης: Βαθιά Μάθηση & Τεχνητή Νοημοσύνη

Το υλικό μας επιτρέπει να δείτε το ελάττωμα· το λογισμικό μας επιτρέπει να το κατανοήσουμε. Ο τεράστιος όγκος δεδομένων που παράγονται από τα εργαλεία πολλαπλών δεσμών και BBP καθιστά αδύνατη την χειροκίνητη ταξινόμηση. Εδώ είναι που Βαθιά μάθηση μπαίνει στο εργοστάσιο.

Αυτοματοποιημένη Ταξινόμηση Βλαβών (ADC)

Οι παλαιότεροι ADC βασίζονταν σε αλγόριθμους που βασίζονται σε κανόνες (π.χ., αν η σταγόνα είναι στρογγυλή, είναι σωματίδιο). Αυτοί οι κανόνες αναλύονται στα 5nm.

• Το πλεονέκτημα της τεχνητής νοημοσύνης: Τα Συνελικτικά Νευρωνικά Δίκτυα (CNN) εκπαιδεύονται σε εκατομμύρια εικόνες ελαττωμάτων με ετικέτες. Αυτά τα δίκτυα μπορούν να εντοπίσουν ανεπαίσθητες συσχετίσεις που οι άνθρωποι δεν εντοπίζουν. Για παράδειγμα, ένα μοντέλο τεχνητής νοημοσύνης μπορεί να διακρίνει μεταξύ ενός ακίνδυνου επιφανειακού αποχρωματισμού και ενός θανατηφόρου γεφυρωτικού ελαττώματος με βάση τις παραλλαγές της υφής και της αντίθεσης που είναι αόρατες με γυμνό μάτι.

Εκπαίδευση Συνθετικών Δεδομένων

Η εκπαίδευση μιας Τεχνητής Νοημοσύνης απαιτεί τεράστια σύνολα δεδομένων με ελαττώματα, τα οποία είναι σπάνια σε μια ώριμη διαδικασία.

Οι πάροχοι προηγμένης μετρολογίας χρησιμοποιούν πλέον την παραγωγή συνθετικών δεδομένων, δημιουργώντας ρεαλιστικές προσομοιώσεις ελαττωμάτων για την εκπαίδευση των μοντέλων τους πριν καν υποβληθεί σε επεξεργασία το πρώτο πλακίδιο.

Μελλοντικές τάσεις: Η εποχή των μηδενικών ελαττωμάτων

Καθώς κοιτάμε προς την εποχή της υψηλής τεχνολογίας EUV (High-NA EUV) και την τρισδιάστατη στοίβαξη (Chiplets), η μετρολογία θα μετακινηθεί από την επεξεργασία μετά την επεξεργασία (Post-Process) στην επιτόπια επεξεργασία (In-Situ).

• Υβριδική Μετρολογία: Η ενσωμάτωση δεδομένων AFM (Μικροσκοπία Ατομικής Δύναμης) με δεδομένα δέσμης ηλεκτρονίων και οπτικά δεδομένα για τη δημιουργία ενός τρισδιάστατου μοντέλου εδάφους του ελαττώματος.
• Αυτοδιορθούμενα Fabs: Τα μετρολογικά δεδομένα θα τροφοδοτούν τελικά απευθείας τα εργαλεία επεξεργασίας (λιθογραφικούς σαρωτές, χαρακτικά) για την προσαρμογή των παραμέτρων σε πραγματικό χρόνο, διορθώνοντας πιθανά ελαττώματα προτού γίνουν μόνιμα.

Συμπέρασμα

Η επιβίωση του νόμου του Moore εξαρτάται τόσο από τη μετρολογία όσο και από τη λιθογραφία.

Αξιοποιώντας τη συνέργεια του Broadband Plasma, της Multi-Beam E-Beam και της Deep Learning, κατασκευαστές ημιαγωγών μπορεί να φωτίσει το τοπίο των υπο-10nm, μετατρέποντας τα ακατέργαστα δεδομένα στις υψηλές αποδόσεις που απαιτούνται για την επανάσταση της τεχνητής νοημοσύνης και της υπολογιστικής υψηλής απόδοσης.

Συχνές Ερωτήσεις (FAQs)

1. Γιατί είναι τόσο δύσκολη η ανίχνευση ελαττωμάτων κάτω των 10nm;

Σε επίπεδο κάτω των 10nm, τα ελαττώματα είναι συχνά μικρότερα από το μήκος κύματος του φωτός που χρησιμοποιείται από τα τυπικά εργαλεία. Αυτό δημιουργεί χαμηλό λόγο σήματος προς θόρυβο, καθιστώντας εξαιρετικά δύσκολη τη διάκριση ενός σοβαρού ελαττώματος από την ακίνδυνη τραχύτητα της επιφάνειας ή τον θόρυβο του περιβάλλοντος.

2. Οπτική έναντι Ηλεκτρονικής Δέσμης: Ποια είναι η κύρια διαφορά;

Οπτική επιθεώρηση Το (Broadband Plasma) είναι γρήγορο και ιδανικό για σάρωση ολόκληρων πλακιδίων. Η επιθεώρηση E-Beam προσφέρει πολύ υψηλότερη ανάλυση (κάτω του 1nm) για να δείτε ακόμη και τις πιο μικρές λεπτομέρειες, αλλά είναι φυσικά πιο αργή. Τα σύγχρονα συστήματα Multi-Beam γεφυρώνουν αυτό το κενό χρησιμοποιώντας χιλιάδες δέσμες ταυτόχρονα για να αυξήσουν την ταχύτητα.

3. Πώς βελτιώνει η Τεχνητή Νοημοσύνη τη διαδικασία ταξινόμησης;

AI χρήσεις Βαθιά μάθηση να αναλύει αυτόματα χιλιάδες εικόνες σε πραγματικό χρόνο. Μπορεί να διακρίνει άμεσα τη διαφορά μεταξύ μιας θανατηφόρας γέφυρας ή ενός βραχυκυκλώματος και ενός ακίνδυνου σωματιδίου, επιτρέποντας στους μηχανικούς να διορθώνουν προβλήματα παραγωγής πολύ πιο γρήγορα χωρίς χειροκίνητο έλεγχο.