荷兰阿斯麦公司半導体製造用に機械学習を使用したバーチャルメトロロジー技術を開発

重ね合わせ誤差の見落としは歩留まりの低下につながるリスクがあるにもかかわらず,ほとんどの半導体製造においては,重ね合わせを測定するウエハーの数は全体のわずか24%にとどまっています。ASMLは,TWINSCANシステムで収集したすべてのウエハーについてのアライメント計測データから機械学習手法を応用してウエハーの重ね合わせ計測を推定し,そのデータを既存のYieldStar計測と比較したいと考えていました。

これまでに機械学習アルゴリズムを開発した経験がなかったSchmitt-Weaver氏は,アルゴリズムの開発にあたり,Python, C,その他の低水準言語ではなく,ASML社内で大規模かつ多様なユーザーに展開され,専任の技術者によって管理されているMATLABの関数を使用することにしました。プロトタイプを迅速に開発したいとの考えからです。

Schmitt-Weaver氏は、MATLAB统计和机器学习的工具箱,深度学习工具箱™を使用して,バーチャルメトロロジーを生成する方法を開発しました。

最初にSchmitt-Weaver氏が行ったのは,神经网络时间序列预测和建模アプリを使用して,深度学习工具箱で使用するデータを準備する方法を調べることでした。このアプリでサンプルコードを生成し,エクスポートすることで,どのように関数を組み合わせて使用するかの理解が深まりました。理解度が上がるにつれ,MATLAB中央の多分野にわたる広範なユーザーコミュニティの例を参考にして,生成されたMATLABコードを活用できるようになりました。

Schmitt-Weaver氏は,TWINSCANシステムからアライメント計測データを,YieldStarシステムを使用して重ね合わせ計測データを同一のウエハーから収集すると,それらのデータを2つのグループに分けました。一つはネットワーク学習用データのグループ,もう一つは検証用データのグループです。

深度学习工具箱と 统计和机器学习工具箱を使用して、外因的な入力を使用した非線形自己回帰ネットワーク(（NARX）を設計し、学習用グループのデータで学習を行いました。

ニューラルネットワークの学習グループへの過剰適合を防ぐために,深度学习工具箱を使用して,ベイズ理論に基づく自動正則化を実装しました。

ネットワークの学習が完了すると,テストデータを入力として与え,その結果をYieldStarシステムによる測定結果と比較しました。

ASMLは,収集したデータを使用して,リアルタイムの重ね合わせ制御装置のプロトタイプをMATLABで開発しました。このネットワークは,歩留まりを改善する基盤とともに,重ね合わせ計測を行っていない可能性があるウエハーを特定できる機能を提供しました。