ASML发展虚拟计量技术与机器学习半导体制造
“作为一名工艺工程师我没有经验,神经网络和机器学习。我曾通过MATLAB例子来找到最好的机器学习功能生成虚拟计量。我不能这样做在C或python编程已经太久,验证,并整合正确的包。”
埃米尔Schmitt-Weaver, ASML
奈米制造的光刻的基本模式的步骤控制芯片的大小。说在光刻,短波长的电源是条件与光学图像,然后缩小与更多的光学光敏化学覆盖衬底的薄膜,典型的硅。重复这一步,直到所有可用的表面积对底物暴露相同的形象;结果被称为层。多个接触层需要创建复杂的微观结构组成的筹码。为了防止产生问题由于层间连接失败,所有的模式层之间必须排队。
确保层对齐而不影响吞吐量,ASML TWINSCAN光刻系统必须对齐标志的数量限制措施之前曝光的一步。总的原则是,测量校准所需的时间是不能超过所需的时间暴露前序列中的晶圆片。由于所需的大量的覆盖是一个合适的覆盖模型校正,这不是可行的衡量每一个晶片的TWINSCAN系统。
ASML使用MATLAB®和统计和机器学习工具箱™开发虚拟叠加计量软件。这个软件应用机器学习技术,提出一个预测估计的叠加计量晶片,使用校准计量数据。
”的工作我们已经完成了MATLAB和机器学习展示行业领导最好的使用现有的计量,”埃米尔Schmitt-Weaver说在ASML应用开发工程师。“我们发表的论文在这个工作吸引了顾客的兴趣提高他们的生产流程与ASML产品。”下载188bet金宝搏
挑战
因为Schmitt-Weaver没有经验在发展中机器学习算法,他决定不开发的算法在Python中,C,或另一个低级的语言。他想建立一个快速原型,依靠功能部署在ASML大,不同的用户群和由专门的维护人员。
解决方案
Schmitt-Weaver使用MATLAB,统计和机器学习的工具箱,深度学习工具箱™开发方法生成虚拟计量。
开始,Schmitt-Weaver使用神经网络时间序列预测和建模应用,学习如何使用深度学习工具箱准备资料。使用应用程序,生成并导出示例代码,给了他一个更详细的了解功能可以一起使用。随着他的能力增加,他能够建立在生成的代码使用的例子在MATLAB中央绝大多学科用户社区。
Schmitt-Weaver TWINSCAN校准计量数据收集系统和覆盖计量数据使用YieldStar从相同的晶片系统。然后他把数据集分成两组,一个用于训练网络,一个用于验证。
使用深度学习工具箱和统计和机器学习的工具箱,他设计了一个非线性自回归与外源输入(NARX)和网络训练与训练的数据组。
为了避免过度拟合训练的神经网络组,他用深度学习工具箱实现自动化与贝叶斯正则化框架。
网络训练后,他提供了输入的测试数据和验证其结果从YieldStar系统测量结果。
ASML利用收集到的数据开发了一个原型在MATLAB实时叠加控制器。网络提供的基础可能提高产量,以及识别晶片的能力,可能没有收到覆盖计量。
结果
建立行业领导。“通过使用MATLAB改善叠加计量,我们给我们的客户,我们是领导人在发展创新的方法来达到他们的覆盖性能目标,“Schmitt-Weaver说。
潜在的生产改进识别。“网络我们在MATLAB设计和训练识别系统和随机覆盖的错误有可能未被发现,”Schmitt-Weaver指出。“这覆盖性能的改善程度是芯片制造所必需的,低于5 nm节点。”
维护开销最小化。“自公司开始,ASML系统利用MATLAB算法,编制“Schmitt-Weaver说。“通过建立同行评议遗留的大型数据库脚本,我能够集中注意力集中在新的机器学习功能。”
“虚拟叠加计量故障检测支持综合计量和机器学习,”金宝appProc。学报9424年,计量、检验和过程控制为第29显微光刻法,94241吨(2015年3月19日),doi: 10.1117/12.2085475。
下载188bet金宝搏产品使用
展示你的成功
加入客户参考程序
