基于全卷积网络的芯片级化学机械抛光建模，结合白光干涉技术
机器学习
2026-05-07 v1
摘要
在集成电路行业中，时间至关重要，加速布局制造可验证性至关重要。化学机械抛光（CMP）在IC制造过程中发挥着关键作用，但受布局相关效应（LDE）的显著影响。准确且高效的CMP模型使设计团队能在制造前纠正表面不均匀性，从而降低成本并加速设计阶段。然而，现有模型常依赖密度步高（DSH）建模，该方法在标定和细粒度预测方面耗时且需要大量硬件资源。本文提出结合两种表面分析技术的优势——白光干涉（WLI）和原子力显微镜（AFM）——以训练深度学习模型。该模型旨在以纳米级精度预测CMP后全片纳米表面形貌。我们的深度学习模型基于卷积神经网络（CNN），采用两步流程。该模型分别在两种技术上训练，最终构建出详细的全片CMP模型。
引用
@article{arxiv.2605.05062,
title = {Full-chip CMP modelling based on Fully Convolutional Network leveraging White Light Interferometry},
author = {Jules Exbrayat and Renan Bouis and Elie Sezestre and Viorel Balan and Arnaud Cornelis and Damien Hebras and Catherine Euvrard},
journal= {arXiv preprint arXiv:2605.05062},
year = {2026}
}
备注
Presented at the International Conference on Planarization Technology 2025 in Hong Kong