機器學(xué)習(xí)在半導(dǎo)體制造中的重要性提升

近年來，ML 的重大進步影響了計算機科學(xué)以外的多個領(lǐng)域，包括自動駕駛、結(jié)構(gòu)色彩設(shè)計、醫(yī)學(xué)和人臉識別。

ML 的功能可用于優(yōu)化和自動化半導(dǎo)體制造過程和相關(guān)數(shù)據(jù)分析。已經(jīng)進行了幾項研究以在半導(dǎo)體制造中開發(fā)和應(yīng)用不同的 ML 算法和模型，包括故障檢測、設(shè)備生產(chǎn)、工藝優(yōu)化和晶圓檢測。

由于從現(xiàn)有半導(dǎo)體制造過程中獲得的標(biāo)記良好的歷史數(shù)據(jù)的充分可用性，通常從經(jīng)驗中學(xué)習(xí)的監(jiān)督判別 ML 模型可以提高未來的半導(dǎo)體設(shè)計和制造效率。

例如，多層感知器 (MLP) 分類器模型可以自動從故障圖中識別上墨模式，并執(zhí)行后處理以進行校正，從而無需在模具篩選期間對模具上墨進行人為干預(yù)。

同樣，監(jiān)督生成 ML 模型通常用于替代手動設(shè)計以提高可制造性。例如，基于條件生成對抗網(wǎng)絡(luò) (CGAN) 的 WellGAN 可用于版圖設(shè)計階段，自動生成模擬和混合信號 (AMS) 電路的版圖，取代手動設(shè)計。

CGAN 還可以應(yīng)用于光刻等制造過程，以根據(jù)給定的掩模圖案有效地建模三維 (3D) 空間圖像和抗蝕圖案，從而顯著提高制造效率。

機器學(xué)習(xí)在半導(dǎo)體制造中的應(yīng)用

產(chǎn)量預(yù)測與分析

預(yù)測產(chǎn)品良率并了解工藝參數(shù)對良率的影響對于半導(dǎo)體制造至關(guān)重要，因為產(chǎn)品良率的下降與工藝參數(shù)的變化相互關(guān)聯(lián)。用于模式識別的回歸和卷積神經(jīng)網(wǎng)絡(luò) (CNN) 等監(jiān)督判別 ML 算法可以自動識別此類相關(guān)性。

例如，可以應(yīng)用具有遺傳算法 (GA) 選擇特征的多元自適應(yīng)回歸樣條 (MARS) 來有效地估計不同設(shè)計世代和制造過程的產(chǎn)量，從而顯著減少所需制造或模擬數(shù)據(jù)的數(shù)量。

檢測制造過程偏差

及早檢測工藝擠壓對于避免大量報廢和測試成本以及潛在的質(zhì)量問題至關(guān)重要。用于熱點檢查和異常模式識別的無監(jiān)督生成 ML 算法（例如 GAN 或自動編碼器）可用于基于探針晶圓圖和工藝工具數(shù)據(jù)的偏移檢測。

簡化制造流程

無監(jiān)督 ML 算法也可用于優(yōu)化制造測試流程，例如啟用封裝老化 (BI) 消除，以識別「風(fēng)險」材料并將它們發(fā)送到 BI 壓力。例如，基于內(nèi)核的聚類（KBC）算法是一種無監(jiān)督學(xué)習(xí)，可以根據(jù)晶圓探針測試數(shù)據(jù)識別潛在的簇缺陷，并將有風(fēng)險的芯片發(fā)送到封裝 BI。

可制造性設(shè)計 (DFM) 工具的改進

考慮到所有關(guān)鍵指標(biāo)和關(guān)鍵輸入，ML，特別是深度神經(jīng)網(wǎng)絡(luò) (DNN)，可用于改進和自動化 DFM 工具和檢查器?？梢杂?xùn)練 DNN 來預(yù)測潛在的設(shè)計失敗/違規(guī)。

輸入可以包括以前的客戶質(zhì)量投訴 (CQC) 數(shù)據(jù)庫信息、良率標(biāo)準(zhǔn)、技術(shù)金屬選項、物理集成和設(shè)計規(guī)則檢查 (DRC)。每個需求的評分指南和具有相應(yīng)優(yōu)化目標(biāo)的通過/失敗標(biāo)準(zhǔn)也可以用作輸入。

可以解釋神經(jīng)網(wǎng)絡(luò)的決策以確定與預(yù)測的故障/違規(guī)相關(guān)的關(guān)鍵設(shè)計/布局特征?？梢愿鶕?jù)輸出決策的高靈敏度來識別關(guān)鍵特性，并將其作為反饋提供給測試/設(shè)計過程。

其它機器學(xué)習(xí)應(yīng)用

通過將晶圓的銷售價格和成本價格作為優(yōu)化因素，以 RoI 為優(yōu)化目標(biāo)，可以使用差分進化 (DE) 算法和 DNN 來提高晶圓生產(chǎn)率以提高投資回報率 (RoI)。

可以采用使用掃描電子顯微鏡圖像作為輸入的自動缺陷分類 (ADC) 系統(tǒng)來分類和識別晶圓表面缺陷。該系統(tǒng)可以使用 CNN 模型在沒有人為干預(yù)的情況下有效地執(zhí)行檢測。

同樣，基于 CNN 的遷移學(xué)習(xí)方法可用于晶圓缺陷分類，以顯著降低 ML 計算成本。研究表明，該方法可以更準(zhǔn)確地對缺陷圖像進行分類。

不準(zhǔn)確的晶圓通過/失敗測試會對整個半導(dǎo)體制造產(chǎn)生不利影響。機器學(xué)習(xí)可用于預(yù)測和減少過程故障。例如，基于深度信念網(wǎng)絡(luò) (DBN) 的多分類器可以通過收集過程中傳感器的信號自動評估晶圓測試，然后有效地預(yù)測故障檢測。

未來展望

總而言之，ML 算法可以有效地用于半導(dǎo)體制造的多個領(lǐng)域，以實現(xiàn)自動化和優(yōu)化。然而，需要更多的研究來解決有關(guān) ML 應(yīng)用的幾個現(xiàn)有挑戰(zhàn)。

例如，構(gòu)建有效的通用 ML 模型所需的訓(xùn)練數(shù)據(jù)通常不足。ML 目標(biāo)的泛化程度必須與訓(xùn)練數(shù)據(jù)的大小相匹配。此外，訓(xùn)練數(shù)據(jù)中的所有示例必須一致地表示目標(biāo)和輸入之間的隱藏關(guān)系。