ASML开发基于机器学习的半导体制造虚拟计量技术
“作为一名流程工程师，我没有神经网络或机器学习的经验。我通过MATLAB示例来寻找生成虚拟计量的最佳机器学习函数。我无法在C或python中做到这一点——查找、验证和集成正确的包将花费太长时间。”
Emil Schmitt-Weaver, ASML公司
在纳米制造中，光刻是控制微芯片尺寸的基本制图步骤．在光刻过程中，低波长功率源通过图像进行光学调节，然后通过更多的光学缩小到覆盖衬底(通常是硅)的光敏化学薄膜。重复此步骤，直到基板上所有可用的表面区域都已用相同的图像曝光;结果被称为层。需要多个暴露层来创建组成芯片的复杂微观结构。为了防止由于层之间的连接失败而导致的yield问题，层之间的所有模式必须按预期排列。
为了确保层对齐而不影响吞吐量，ASML的TWINSCAN光刻系统必须限制曝光步骤前测量的对齐标记数量。一般规则是测量对准标记所需的时间不能长于曝光序列中前一个晶圆所需的时间。由于适当的叠加模型校正需要大量的叠加标记，因此测量TWINSCAN系统中的每一片晶圆是不可可行的。
ASML使用MATLAB®统计和机器学习工具箱™开发虚拟叠加计量软件。该软件应用机器学习技术，使用校准计量数据，对每个晶圆的覆盖计量进行预测估计。
ASML应用开发工程师Emil Schmitt-Weaver表示:“我们利用MATLAB和机器学习所做的工作，证明了在最佳利用现有计量学方面的行业领先地位。”“我们发表的关于这项工作的论文已经吸引了希望用阿斯麦产品改进其制造工艺的客户的兴趣。”下载188bet金宝搏
挑战
因为Schmitt-Weaver之前没有开发机器学习算法的经验，所以他决定不在Python、C或其他低级语言中开发算法。他希望快速开发一个原型，依赖于ASML庞大而多样化的用户群中部署的功能，并由专业人员维护。
解决方案
Schmitt-Weaver使用MATLAB、统计和机器学习工具箱以及深度学习工具箱开发了一种生成虚拟计量的方法。
首先，Schmitt-Weaver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用于深度学习工具箱的数据。使用该应用程序，他生成并导出了示例代码，这使他更详细地了解了如何将这些函数一起使用。随着他能力的提高，他能够使用MATLAB Central上庞大的多学科用户社区中的示例来构建生成的代码。
Schmitt-Weaver从TWINSCAN系统收集了校准计量数据，并使用YieldStar系统从相同的晶圆中收集了覆盖计量数据。然后，他将数据集分成两组，一组用于训练网络，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，他设计了一个带有外源输入的非线性自回归网络(NARX)，并使用来自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度拟合，他使用深度学习工具箱使用贝叶斯框架实现自动正则化。
在训练网络之后，他向它提供了来自测试数据的输入，并将其结果与YieldStar系统的测量结果进行了验证。
ASML利用收集到的数据在MATLAB中开发了一个实时叠加控制器原型。该网络提供了潜在的提高产量的基础，以及识别可能没有接受覆盖计量的晶圆的能力。
结果
建立行业领导地位．Schmitt-Weaver说:“通过使用MATLAB来改进覆盖计量，我们向客户展示了我们是开发创新方法来实现覆盖性能目标的领导者。”
发现潜在的制造改进．施密特-韦弗指出:“我们用MATLAB设计和训练的网络可以识别出系统和随机的覆盖错误，否则这些错误可能不会被检测到。”“这种程度的叠加性能改进对于5nm及以下节点的微芯片制造是必要的。”
最小化维护费用．Schmitt-Weaver说:“自从公司成立以来，ASML系统就使用了编译的MATLAB算法。“通过建立在同行评审的遗留脚本的大型数据库上，我能够将注意力集中在新的机器学习功能上。”
“集成计量和机器学习支持的故障检测的虚拟叠加计量。”金宝appProc。学报9424, Microlithography XXIX, 94241T(2015年3月19日)，测量，检测和过程控制doi: 10.1117/12.2085475．
下载188bet金宝搏产品使用
比较tu éxito
Únete al客户参考计划
您也可以从以下列表中选择一个网站: