应用机器学习模型于计量数据预测器件电学性能
信号处理
2023-12-18 v1 人工智能
机器学习
应用物理
摘要
摩尔定律指出晶体管密度每两年翻一番，由于持续的多方向创新（如极紫外光刻、新型图案化技术等），这一规律至今仍然成立，推动半导体行业走向3纳米节点及以下。对于任何图案化方案，评估印刷图案质量的最重要指标是EPE，其中套刻误差是最大贡献因素。套刻误差可能导致IC器件的致命故障，例如P2P电接触中的短路或断路。因此，开发有效的套刻分析和控制技术对于确保制造的半导体器件的良好功能至关重要。在这项工作中，我们使用imec N14 BEOL工艺流程，采用LELE图案化技术，用193i光刻印刷最小间距为48nm的金属层。FF结构被分解为两个掩模层（M1A和M1B），然后执行LELE流程以制作最终图案。由于单个M1层被分解为两个掩模，两个掩模之间的套刻控制至关重要。本工作的目标有两个：（a）量化套刻对电容的影响，（b）看看我们是否可以在早期阶段使用选定的机器学习模型预测最终的电容测量值。为此，在（a）光刻后、（b）TiN硬掩模刻蚀后和（c）镀铜和CMP后，在这些电学测试结构上收集散射测量光谱。使用SEM在光刻后、刻蚀后和铜CMP后对线-空间图案进行关键尺寸和套刻测量。应用各种机器学习模型，利用晶圆加工不同步骤的多个计量输入进行电容预测。最后，我们证明，通过使用适当的机器学习模型，我们能够更好地预测电学结果。
引用
@article{arxiv.2312.09462,
title = {Applying Machine Learning Models on Metrology Data for Predicting Device Electrical Performance},
author = {Bappaditya Dey and Anh Tuan Ngo and Sara Sacchi and Victor Blanco and Philippe Leray and Sandip Halder},
journal= {arXiv preprint arXiv:2312.09462},
year = {2023}
}