基于无监督机器学习的铁电Hf0.5Zr0.5O2薄膜电容器晶圆级变异性分析与性能预测框架
材料科学
2026-05-04 v1
摘要
制造工艺引起的性能变异性仍然是半导体芯片大规模生产中的一个巨大障碍。随着人工智能(AI)工作负载的激增，对非易失性和计算存储器的需求呈指数级增长。作为嵌入式非易失性存储器，铁电Hf0.5Zr0.5O2因其与CMOS后道工序(BEOL)的兼容性、可扩展性和高性能而成为强有力的候选者。然而，其敏感的结晶动力学导致了显著的器件间(D2D)非均匀性，从而导致晶圆级性能的不可预测性。在这项工作中，我们证明了无监督机器学习可以有效地分析片内D2D变异性并预测“未见”芯片的性能。我们提出了一个利用主成分分析(PCA)和K-Means聚类来分析HZO电容器中D2D性能变异性的框架，并基于来自多个芯片的数据，我们超越了传统的描述性统计，转向一种预测性的“虚拟计量”方法，该方法根据剩余极化(Pr)和矫顽电压(Vc)等关键参数对性能类别进行划分。该分析进一步扩展到比较晶圆上不同芯片间的均匀性，表明所提出的方法能够以5-10%的低平均绝对百分比误差(MAPE)准确预测未测试芯片上的器件性能，为加速良率提升和减少计量开销提供了一条稳健的路径。
引用
@article{arxiv.2605.00544,
title = {An Unsupervised Machine Learning-based Framework for Wafer Scale Variability Analysis and Performance Prediction of Ferroelectric Hf0.5Zr0.5O2 Thin Film Capacitors},
author = {Anika Anu and Sayani Majumdar},
journal= {arXiv preprint arXiv:2605.00544},
year = {2026}
}