作者︱Aanne Meixner

來(lái)源︱Semiconductor Engineering

編譯 | 編輯部

隨著晶圓廠和設(shè)備制造商對(duì)晶圓圖形缺陷檢測(cè)的精度和速度有了更高的要求,先進(jìn)機(jī)器學(xué)習(xí)正成為提升良率和產(chǎn)量的解決方案。

晶圓制造工廠每個(gè)月能夠生產(chǎn)一千萬(wàn)個(gè)經(jīng)過(guò)檢驗(yàn)、計(jì)量和測(cè)試的晶圓級(jí)圖像。工程師需要分析這些數(shù)據(jù)以實(shí)現(xiàn)產(chǎn)量提升,并丟棄那些無(wú)法加工的晶圓。同時(shí),他們依賴于為數(shù)據(jù)分析提供數(shù)十年支持的計(jì)算機(jī)視覺(jué)算法。然而,如今的芯片復(fù)雜度不斷提升,對(duì)可靠性和更長(zhǎng)使用壽命的要求日益提高,早期的機(jī)器視覺(jué)已經(jīng)無(wú)法滿足當(dāng)今市場(chǎng)的需求。誤分類率非常高,錯(cuò)誤驗(yàn)證經(jīng)常發(fā)生,好的晶圓經(jīng)過(guò)驗(yàn)證被判定為壞晶圓,這就需要人工進(jìn)行終檢和評(píng)估。

誤分類將會(huì)導(dǎo)致晶圓廠吞吐量的降低,增加了制造成本。此外,邊緣圖像的人工審查導(dǎo)致操作員或技術(shù)人員做出的決策不一致。隨著晶體管密度增加,決策分歧更加明顯,無(wú)論在水平方向還是垂直方向,圖形越來(lái)越細(xì)微,以至于現(xiàn)有設(shè)備愈加難以辨別。

為了提升精度,晶圓測(cè)試圖需要在不同工藝步驟的空間圖形背景下進(jìn)行正確分類。反過(guò)來(lái),這就需要一個(gè)與檢測(cè)晶圓圖像類似的計(jì)算分析。事實(shí)證明,隨著工程師開(kāi)始使用最先進(jìn)的深度學(xué)習(xí)方法,精度和速度的提升意義重大。通過(guò)使用深度學(xué)習(xí)技術(shù),誤分類持續(xù)降低,所需人工也在不斷縮減。

據(jù)2021先進(jìn)半導(dǎo)體制造大會(huì)(ASMC 2021)上的許多演講表示,工程師在晶圓級(jí)圖像上使用先進(jìn)機(jī)器學(xué)習(xí)(包括深度學(xué)習(xí)技術(shù))來(lái)快速響應(yīng)產(chǎn)量限制事件,并提高產(chǎn)品質(zhì)量和可靠性。相較于過(guò)去而言,這些方法的使用越來(lái)越廣泛,并且底層計(jì)算硬件——專為深度學(xué)習(xí)而設(shè)計(jì)的GPU——能夠使用大規(guī)模并行配置處理數(shù)據(jù)。

“全面推動(dòng)使用先進(jìn)的機(jī)器學(xué)習(xí)進(jìn)行缺陷分類和晶圓處理,”新思科技(Synopsys)產(chǎn)品市場(chǎng)總監(jiān)Anjaneya Thakar表示。“更好的硬件以及改進(jìn)的軟件算法為機(jī)器學(xué)習(xí)更加廣泛的使用提供了助力。我們已經(jīng)能夠?qū)�圖像處理和計(jì)算機(jī)視覺(jué)用于這些檢測(cè)和處理任務(wù)上。但是先進(jìn)機(jī)器學(xué)習(xí)可以發(fā)現(xiàn)新的趨勢(shì)。”

除此之外,某些市場(chǎng)(尤其是汽車、醫(yī)療和軍用/航空)對(duì)消除潛在缺陷的需求也在不斷增長(zhǎng)。在這些領(lǐng)域,越來(lái)越多更先進(jìn)的分析晶圓圖像的方法被采用。

“與領(lǐng)先的汽車制造商及其供應(yīng)商密切合作,使KLA更加專注零缺陷,從而推出I-PAT等新的解決方案,以實(shí)現(xiàn)十億分之一的目標(biāo),”KLA戰(zhàn)略合作高級(jí)總監(jiān)Jay Rathert表示�！拔覀兿Ｍ�在這個(gè)領(lǐng)域持續(xù)創(chuàng)新,不斷推動(dòng)汽車市場(chǎng)的互聯(lián)化、自動(dòng)化和電子化趨勢(shì)。”

晶圓圖形和計(jì)算機(jī)視覺(jué)

應(yīng)用程序、更高的復(fù)雜性和密度以及新方法等所有這些因素都會(huì)增加處理晶圓所需的時(shí)間。為了實(shí)現(xiàn)更加有效的成本管控,工程師使用晶圓圖像來(lái)識(shí)別低良率的來(lái)源。例如,通過(guò)使用晶圓圖像來(lái)主動(dòng)報(bào)廢晶圓,識(shí)別需要返工的晶圓,并標(biāo)記有問(wèn)題的設(shè)備。

在過(guò)去的幾十年里,半導(dǎo)體制造商一直依賴計(jì)算機(jī)視覺(jué),這也是機(jī)器視覺(jué)在半導(dǎo)體制造領(lǐng)域最早的應(yīng)用之一。這些系統(tǒng)被稱為自動(dòng)光學(xué)檢測(cè)(AOI),使用信號(hào)處理算法來(lái)識(shí)別宏觀和圍觀物理變形。

缺陷檢測(cè)為晶圓廠處理步驟提供了反饋回路。晶圓測(cè)試結(jié)果生成的分類圖(好或壞裸晶)也可以作為圖像進(jìn)行分析。它們的數(shù)據(jù)粒度明顯大于來(lái)自光學(xué)檢測(cè)工具的像素化數(shù)據(jù)。然而,晶圓圖的測(cè)試結(jié)果可以匹配光刻過(guò)程中產(chǎn)生的飛濺,以及AOI系統(tǒng)可能遺漏的處理過(guò)程中產(chǎn)生的劃痕。因此,晶圓測(cè)試圖為晶圓廠提供了有效的反饋。

訓(xùn)練一個(gè)計(jì)算機(jī)視覺(jué)機(jī)器學(xué)習(xí)模型可細(xì)分為三個(gè)步驟(見(jiàn)圖1)。

圖1:計(jì)算機(jī)視覺(jué)機(jī)器學(xué)習(xí)訓(xùn)練步驟(圖源:A． Meixner/Semiconductor Engineering)

生成的模型基于好壞晶圓的圖形。數(shù)據(jù)預(yù)處理可以在特征提取或圖形標(biāo)記之前增強(qiáng)圖像。例如,對(duì)于AOI圖像,工程師可以使用濾波器提高圖像質(zhì)量以進(jìn)一步增強(qiáng)圖像。相比之下,基于晶圓測(cè)試圖的圖像無(wú)法通過(guò)濾波器優(yōu)化,因?yàn)槊總�(gè)晶圓都被簡(jiǎn)單標(biāo)記為好/壞。

特征提取要求工程師決定模型應(yīng)該考慮哪些圖像特征。例如,通過(guò)圖像標(biāo)記,工程師可以為模型命名空間圖形以供學(xué)習(xí)。

機(jī)器學(xué)習(xí)模型從一組訓(xùn)練圖像數(shù)據(jù)開(kāi)始。然后需要檢查算法來(lái)確保正確識(shí)別相似圖像。晶圓測(cè)試圖基于晶圓空間圖形進(jìn)行分類。對(duì)于AOI晶圓圖形,重點(diǎn)是缺陷識(shí)別。需要良好和有缺陷的晶圓共同來(lái)訓(xùn)練模型。

“當(dāng)識(shí)別工具捕獲圖像時(shí),僅缺陷圖像是否足以了解缺陷的詳細(xì)信息?對(duì)于計(jì)算圖像分類來(lái)講,有兩種解決方案——基于參考和非基于參考,”O(jiān)nto Innovation市場(chǎng)和客戶解決方案總監(jiān)Prasad Bachiraju表示�！坝捎谌毕輬D像與同一晶圓的參考點(diǎn)進(jìn)行比較,因此相較于非基于參考方案,基于參考的解決方案在缺陷分類時(shí)擁有更高的準(zhǔn)確度。使用基于非參考的分類能夠減少晶圓間可變性或批次間可變性可能給缺陷分類帶來(lái)的挑戰(zhàn)。實(shí)現(xiàn)基于參考的設(shè)計(jì)并非沒(méi)有挑戰(zhàn)。大部分系統(tǒng)使用非參考方案,因此人們現(xiàn)在選擇使用深度學(xué)習(xí)。”

現(xiàn)階段,AOI系統(tǒng)仍使用傳統(tǒng)的計(jì)算機(jī)視覺(jué)機(jī)器學(xué)習(xí)。由于傳統(tǒng)方法會(huì)產(chǎn)生過(guò)多誤報(bào),而檢測(cè)到?jīng)]有缺陷的缺陷,因此標(biāo)記為有缺陷的晶圓需要人工審查。誤報(bào)數(shù)量在10%到15%的情況并不少見(jiàn)。人工審查既費(fèi)時(shí),又過(guò)于主觀,因此容易出錯(cuò)。據(jù)2007年,AMD和Rudolph(現(xiàn)為Onto)工程師報(bào)告稱,經(jīng)驗(yàn)豐富的操作員之間一致性為43%,操作員判定結(jié)果的可重復(fù)性為93%。

AOI系統(tǒng)也無(wú)法找到晶圓廠工程師關(guān)注的所有缺陷。這就推動(dòng)了傳統(tǒng)方式向先進(jìn)機(jī)器學(xué)習(xí)技術(shù)的轉(zhuǎn)變,來(lái)構(gòu)建更好的檢測(cè)和分類方法。

“我們當(dāng)前的系統(tǒng)使用一個(gè)原始的人工智能技術(shù),”CyberOptics CEO Subodh Kulkarni稱�！安榭磮D像后,你可以看到某些區(qū)域內(nèi)存在問(wèn)題,但AI并不能看到這個(gè)問(wèn)題。當(dāng)你使用深度學(xué)習(xí)算法時(shí),可以檢測(cè)所有這些東西。但深度學(xué)習(xí)算法需要花費(fèi)一周時(shí)間進(jìn)行編程和測(cè)試,這是不切實(shí)際的。因此,在我們所面對(duì)的市場(chǎng)領(lǐng)域,機(jī)器學(xué)習(xí)正在不斷創(chuàng)新和發(fā)展。深度學(xué)習(xí)算法逐漸變得更加快速,編程也更加輕松簡(jiǎn)單�！�

要在這方面取得成功,需要對(duì)你試圖通過(guò)機(jī)器學(xué)習(xí)完成什么有一個(gè)深入的了解。

了解問(wèn)題并減少解決問(wèn)題所需的數(shù)據(jù)對(duì)于深度學(xué)習(xí)至關(guān)重要,但晶圓廠和設(shè)備供應(yīng)商正在取得進(jìn)展。在今年的ASMC上,幾個(gè)工程團(tuán)隊(duì)報(bào)告了其企業(yè)在先進(jìn)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的成功應(yīng)用,以及支持迭代學(xué)習(xí)過(guò)程所需的工程工作。雖然深度學(xué)習(xí)技術(shù)能夠輕松區(qū)分貓和狗,但種類繁多的缺陷圖形及其廣泛的圖像尺寸范圍給學(xué)習(xí)過(guò)程帶來(lái)了巨大的挑戰(zhàn)。此外,盡管晶圓測(cè)試分類圖和晶圓圖像檢測(cè)的圖像在數(shù)據(jù)粒度方面有很大差異,它們可以采用同樣的解決方案。

機(jī)器學(xué)習(xí)和晶圓測(cè)試圖

自世紀(jì)之交以來(lái),工程團(tuán)隊(duì)已經(jīng)使用晶圓測(cè)試結(jié)果來(lái)查看空間圖形,從而能夠?qū)τ袉?wèn)題的設(shè)備和工藝步驟進(jìn)行反饋。通過(guò)應(yīng)用先進(jìn)機(jī)器學(xué)習(xí)方法,可以使用來(lái)自測(cè)試數(shù)據(jù)的產(chǎn)量特征圖庫(kù)正確識(shí)別圖形。反過(guò)來(lái),這也可以反饋到晶圓廠設(shè)備上。

在2021 ASMC報(bào)告中,格芯(GlobalFoundries)的工程師將計(jì)算機(jī)視覺(jué)應(yīng)用中常見(jiàn)的支持向量機(jī)(SVM)技術(shù)與用于晶圓測(cè)試圖分類的四層的卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行了比較。目標(biāo)是提高低產(chǎn)量分類的準(zhǔn)確性。

SVM需要特征工程來(lái)促進(jìn)模型訓(xùn)練。CNN需要對(duì)集合中現(xiàn)有的圖形進(jìn)行訓(xùn)練,并遍歷120次。使用12個(gè)不同的晶圓圖對(duì)300至500張圖像進(jìn)行簽名,每個(gè)圖像都經(jīng)由工程師手動(dòng)標(biāo)記,兩種模型都得到了訓(xùn)練。

圖2:使用SVM(上圖)和CNN(下圖)的一組晶圓空間圖形分類結(jié)果(圖源:GlobalFoundries)

對(duì)12個(gè)不同特征的正確分類結(jié)果進(jìn)行平均,CNN表現(xiàn)優(yōu)于SVM。SVM解決方案的整體精度為59%,對(duì)圖形位置和密度具有高度靈敏度,但對(duì)圖形形狀的靈敏度較低。相比較而言,四層CNN整體精度為90%,并對(duì)圖形形狀的靈敏度較高。

低產(chǎn)量晶圓具有特定的空間圖形,通常可以追溯到特定的工藝步驟。將晶圓圖圖形分類與晶圓設(shè)備譜系(即處理晶圓的特定設(shè)備)相結(jié)合,可幫助工程師/技術(shù)人員查明根本原因。盡管制造設(shè)施將這些晶圓圖圖形存儲(chǔ)到圖形檢測(cè)庫(kù)中,如今的復(fù)雜系統(tǒng)仍會(huì)出現(xiàn)新的圖形。

主動(dòng)檢測(cè)過(guò)去的未知圖形可以更快地響應(yīng)流程問(wèn)題。這促使SkyWater Technology和Onto Innovation共同開(kāi)發(fā)解決方案。他們推出了一個(gè)在線空間特征檢測(cè)解決方案,構(gòu)建了一個(gè)更加系統(tǒng)化的方式,來(lái)識(shí)別具有新的空間圖形分組(未知圖形)的4%的晶圓。

圖3:數(shù)據(jù)輸入到空間識(shí)別引擎(圖源:Onto Innovantion)

“首先采用機(jī)器學(xué)習(xí)技術(shù)對(duì)未知圖形進(jìn)行自動(dòng)發(fā)現(xiàn),”SkyWater的David Gross和Katherine Gramling,以及Onto的Prasad Bachiraju在2021 ASMC的報(bào)告中寫(xiě)道。“自動(dòng)發(fā)現(xiàn)過(guò)程通過(guò)基于SPR引擎生成的數(shù)百個(gè)特征向量對(duì)具有相似圖形的晶圓驚醒分組來(lái)生成pareto報(bào)告。因此,我們最終得到top-n、高影響力、自動(dòng)發(fā)現(xiàn)的圖像,來(lái)幫助我們理解那些新的、開(kāi)始出現(xiàn)或未被注意到的圖形。這個(gè)過(guò)程幫助我們有效地維護(hù)了全面的圖形庫(kù),能夠?qū)ι�產(chǎn)問(wèn)題作出主動(dòng)響應(yīng)。”

機(jī)器學(xué)習(xí)和晶圓AOI圖像

這項(xiàng)技術(shù)突破意義重大。在AOI圖形上成功運(yùn)行深度學(xué)習(xí)模型需要實(shí)際圖像上的領(lǐng)域?qū)�業(yè)知識(shí)(即尋找變色或圖形形狀)和研發(fā)機(jī)器學(xué)習(xí)算法的專業(yè)知識(shí)。晶圓圖像數(shù)據(jù)提出了特殊圖像檢測(cè)和分類挑戰(zhàn),由于廣泛的缺陷尺寸范圍和種類繁多的圖像應(yīng)用。然后由工程師/技術(shù)人員在學(xué)習(xí)周期之間檢查結(jié)果,他們了解圖像處理和檢測(cè)到的缺陷。

在兩份2021 ASMC的報(bào)告中,作者詳細(xì)描述了構(gòu)建模型的前期投入。不過(guò),在這兩個(gè)情況下,這些投入都證明是值得的。由此產(chǎn)生的模型顯著改善了檢測(cè)和分類。

格芯工程團(tuán)隊(duì)分享了其在光刻工藝中應(yīng)用先進(jìn)機(jī)器學(xué)習(xí)的結(jié)果。對(duì)于光刻過(guò)程的在線控制,晶圓廠在光阻顯影(也稱為顯影后檢查,或ADI)后使用AOI來(lái)檢測(cè)點(diǎn)缺陷和涂層缺陷。一旦檢測(cè)到涂層缺陷,可以通過(guò)從受影響的晶圓上去除所有抗蝕劑并在刻蝕前重復(fù)光刻步驟來(lái)修復(fù)涂層缺陷。如果遺漏掉缺陷,對(duì)晶圓產(chǎn)量的影響將會(huì)非常明顯。

圖4:晶圓測(cè)試結(jié)果圖(綠色為合格)描繪了與光刻膠顯影缺陷相關(guān)的圖形

通過(guò)100%的檢測(cè),ADI以大于30微米的分辨率尋找宏觀層面的變化。這種檢測(cè)的檢測(cè)方法依賴于顏色差異,但它們對(duì)于微弱顏色缺乏靈敏性。雖然可以訓(xùn)練和調(diào)整商用計(jì)算機(jī)視覺(jué)ML模型來(lái)提高靈敏度和選擇性,但它們的誤報(bào)率仍然很高。

格芯研發(fā)了一種新的方法,來(lái)提高微弱圖像的檢測(cè)并減少誤報(bào)結(jié)果。首先,采用圖像均衡來(lái)增加微弱缺陷區(qū)域的可見(jiàn)性。

圖5:ADI 微圖層缺陷圖像a)原始圖像,b)圖像均衡后(圖源:GlobalFoundries)

其次,在學(xué)習(xí)周期中使用先進(jìn)機(jī)器學(xué)習(xí)和可解釋人工智能方法。這提供了關(guān)于為什么初始預(yù)測(cè)結(jié)果在晶圓邊緣的圖像失敗的重要見(jiàn)解,包括誤報(bào)和漏報(bào)。

“我們的關(guān)注點(diǎn)聚焦于ADI圖像大小,以及ML系統(tǒng)如何管理這些尺寸,”格芯調(diào)查者寫(xiě)道�！罢{(diào)查圖像大小發(fā)現(xiàn)ADI提供了廣泛的圖像尺寸(許多高達(dá)4256,但大多數(shù)低于2240像素);并且ML系統(tǒng)使用裁剪圖像到最大x或y尺寸為2240像素。這種裁剪方法是一個(gè)問(wèn)題,因?yàn)槿绻�尺寸過(guò)大和/或缺陷靠近邊緣,那么發(fā)送到模型進(jìn)行預(yù)測(cè)的ML訓(xùn)練集中的圖像可能已經(jīng)被裁剪掉缺陷�！�

他們通過(guò)將所有圖像按比例縮放到最大x/y尺寸為2240像素來(lái)修復(fù)圖像裁剪。

不過(guò),晶圓圖像分類和更先進(jìn)的機(jī)器學(xué)習(xí)算法不僅限于毫米以下的工藝技術(shù)。來(lái)自Hitachi ABB Power Grids的工程師也在ASMC 2021上分享了他們的成果。同樣為了減少誤報(bào)和增加檢測(cè),他們開(kāi)發(fā)了一種復(fù)雜的深度學(xué)習(xí)方法,用于來(lái)自五種不同功率器件的晶圓圖像中發(fā)現(xiàn)的缺陷,包括用于高壓應(yīng)用(1．2kV至6．5kV)的雙極型IGBT和功率二極管。

由于要檢測(cè)的缺陷類型的范圍以及某些缺陷類型的罕見(jiàn)和獨(dú)特性,他們選擇使用對(duì)象檢測(cè)方法,而不是圖像分類方法。他們需要檢測(cè)的缺陷圖像大小從幾十到幾十萬(wàn)像素不等。前者因?yàn)槌叽缯伎倛D像的0．01%至0．1%,因此存在很大的檢測(cè)挑戰(zhàn)。若缺陷過(guò)大超過(guò)了圖像尺寸,則需要使用AOI工具進(jìn)行裁剪。

通過(guò)選擇較小的圖像進(jìn)行分析,他們報(bào)告說(shuō)該模型更加容易學(xué)習(xí)圖像背景,從而減少誤報(bào)。通過(guò)他們的對(duì)象檢測(cè)方法,將基于區(qū)域的CNN和主動(dòng)學(xué)習(xí)與遷移學(xué)習(xí)相結(jié)合,以使用僅有500至2500個(gè)實(shí)例的訓(xùn)練集來(lái)檢測(cè)小缺陷。經(jīng)歷6個(gè)學(xué)習(xí)周期,總共2431個(gè)訓(xùn)練示例,分類結(jié)果的精度為0．98,召回率為0．8。精度等于正確率與預(yù)測(cè)正確的比率,而召回率等于正確率與實(shí)際正確的比率。

更多內(nèi)容

使用晶圓圖像檢測(cè)或晶圓分類圖,工程目標(biāo)從根本上圍繞晶圓圖像,以采取預(yù)動(dòng)作提升產(chǎn)量和質(zhì)量。

“從晶圓廠的檢測(cè)和測(cè)量工具中獲取的數(shù)據(jù)量非常大。因此,需要機(jī)器學(xué)習(xí)技術(shù)來(lái)遍歷這些數(shù)據(jù),找到數(shù)據(jù)趨勢(shì)并在出現(xiàn)問(wèn)題時(shí)做標(biāo)記,”新思科技的Thakar表示�！皩�(duì)于這些模型來(lái)說(shuō),圖像是絕佳的訓(xùn)練工具。機(jī)器學(xué)習(xí)解決了硅制造領(lǐng)域中一個(gè)關(guān)鍵性問(wèn)題:如何查看所有這些數(shù)據(jù)并找出哪些是產(chǎn)量效應(yīng),哪些不是。找到這個(gè)問(wèn)題的答案將會(huì)推動(dòng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在執(zhí)行缺陷分析中的應(yīng)用�！�

總結(jié)

由于這些方法獲得了良好的分類和檢測(cè)指標(biāo),因此晶圓廠工程團(tuán)隊(duì)正在采用更加復(fù)雜的機(jī)器學(xué)習(xí)算法進(jìn)行晶圓圖像審查。用于加速神經(jīng)網(wǎng)絡(luò)、開(kāi)源圖像庫(kù)的計(jì)算硬件和增加的卷積神經(jīng)網(wǎng)絡(luò)(CNN)經(jīng)驗(yàn),通常有利于他們采用這些方法。

預(yù)計(jì)未來(lái)晶圓廠工程團(tuán)隊(duì)將會(huì)開(kāi)發(fā)先進(jìn)的機(jī)器學(xué)習(xí)模型。