制造工艺 沉浸阅读 · 约 4 分钟
全文 1,439 字

SEMulator3D虚拟孪生与机器学习优化DRAM良率

核心导读 虚拟孪生与机器学习用于DRAM良率分析,通过校准工艺变异并优化工艺目标,将案例中的预测总良率从0.1%提升至78.5%。
本文目录导航

随着存储技术持续微缩,制造工艺正变得日益复杂。

配图

额外的工艺步骤、更窄的工艺窗口以及新的变异来源,使达到可接受良率的难度不断增加。

在良率爬坡过程中,系统性失效正成为良率损失的一个来源。与随机缺陷不同,这类失效通常由多个工艺模块之间的复杂相互作用导致。

快速识别这些系统性缺陷的根本原因,对于迅速提升良率并加快上市时间至关重要。但传统失效分析高度依赖晶圆实验和统计分析,随着制造复杂度提升,这可能既缓慢又昂贵。

经过校准的虚拟孪生和机器学习优化可以在这方面提供帮助。

图1:系统性失效是良率爬坡期间的关键瓶颈。更快识别并减少这些失效,可以加速良率爬坡,缩短达到目标制造良率所需的时间。

工艺工程师使用虚拟制造模型(SEMulator3D)和机器学习优化(Fabtex Yield Optimizer)来预测工艺失效。

虚拟孪生可以在经过校准的数字环境中复现工艺变异,从而改进DRAM良率分析。

随后,机器学习可以同时评估多种失效机制和工艺变化。

借助这一技术,工程师可以评估潜在的良率提升效果,同时减少对晶圆实验的需求。

利用虚拟量测检测多种DRAM失效模式

作为该技术的示例,我们构建了一个DRAM制造工艺流程的SEMulator3D模型(虚拟孪生)。在模型构建过程中,我们在整个工艺流程中建立了虚拟量测测量项(图2)。

图2:利用工艺集成、虚拟量测和硅片数据构建并校准DRAM虚拟孪生。

随后,机器学习用于根据硅片数据校准模型,使虚拟环境能够更好地复现观察到的制造行为,并为下游失效分析和优化奠定基础。

构建并校准DRAM虚拟孪生

在我们的具体案例研究中,我们为DRAM存储器件构建了一个经过校准的虚拟孪生,其中包含八种已知的系统性失效机制。

图3展示了这些失效机制的示例,包括短路、开路,以及关键DRAM结构之间的重叠相关缺陷。

图3:复现系统性DRAM失效模式,并使用虚拟量测进行检测。

我们还在虚拟孪生中指定了检测这些失效所需的虚拟量测。通过将每种失效转化为可测量的几何条件,并通过虚拟量测进行监测,我们能够在单个研究中自动检测并同时分析多种失效机制。

利用机器学习优化工艺目标

在使用经过校准的虚拟孪生后,机器学习被用于帮助我们了解工艺和结构变化对八种预定义失效模式的影响。

随后,我们寻找一种优化的制造方案(具体工艺变化),以在八种预定义失效模式中获得最低失效率。优化流程没有单独处理每种失效模式,而是同时评估多种工艺变化的影响,并寻找能够提高总体通过率的工艺目标。

案例研究结果:预测良率提升至78.5%

如图4所示,优化后的工艺设置显著降低了全部八种系统性失效模式。

图4:通过基于机器学习的优化和重定目标分析,同时减少多种系统性失效。图中突出显示了一个针对SNLP(存储节点着陆焊盘)开路/短路失效的重定目标绘图示例。

在研究中使用的标称工艺条件下,预测总良率为0.1%。优化后,预测良率提升至78.5%,八种失效机制的失效率均有所降低。

该分析还将优化方案转化为可在实际工艺中直接应用的可执行产线目标,帮助工程师识别应调整哪些工艺和结构参数,以进一步减少系统性失效。

加速半导体良率提升

这项工作展示了工艺模型与机器学习相结合如何用于加速DRAM器件开发过程中的良率提升。通过在经过校准的虚拟环境中复现工艺变异性,并同时执行优化和重定目标,工程师可以检测多种器件失效,并探索广泛的解决方案空间,而无需进行大量硅实验所带来的时间和成本。

来源: 海外媒体

相关推荐
评论区

登录后即可参与技术讨论与同行交流

免费注册
本文目录