基于机器学习（ANN 与 BNN）和数字图像比色法的等离子体刻蚀原位非接触式刻蚀深度预测
计算机视觉与模式识别
2025-05-08 v1 人工智能
摘要
精确监控绝缘材料（如二氧化硅和氮化硅）的刻蚀深度和厚度，对于确保半导体制造中的器件性能和良率至关重要。虽然传统的异位分析方法准确，但受限于时间延迟和污染风险。为解决这些局限性，本研究提出了一种基于机器学习（ML）技术的非接触式、原位刻蚀深度预测框架。探索了两种场景。在第一种场景中，训练一个人工神经网络（ANN）从工艺参数预测平均刻蚀深度，与线性基线模型相比，其均方误差（MSE）显著降低。随后，该方法通过使用贝叶斯神经网络（BNN）来纳入重复测量的变异性，以捕获偶然不确定性和认知不确定性。覆盖率分析证实了 BNN 提供可靠不确定性估计的能力。在第二种场景中，我们证明了使用来自数字图像比色法（DIC）的 RGB 数据作为刻蚀深度预测输入的可行性，即使在缺乏明确工艺参数的情况下也取得了强大的性能。这些结果表明，DIC 与 ML 的集成为等离子体刻蚀工艺中的实时、原位和非侵入式监测提供了一种可行且具有成本效益的替代方案，有助于提高工艺稳定性和制造效率。
引用
@article{arxiv.2505.03826,
title = {In-situ and Non-contact Etch Depth Prediction in Plasma Etching via Machine Learning (ANN & BNN) and Digital Image Colorimetry},
author = {Minji Kang and Seongho Kim and Eunseo Go and Donghyeon Paek and Geon Lim and Muyoung Kim and Soyeun Kim and Sung Kyu Jang and Min Sup Choi and Woo Seok Kang and Jaehyun Kim and Jaekwang Kim and Hyeong-U Kim},
journal= {arXiv preprint arXiv:2505.03826},
year = {2025}
}
备注
20 pages