Diese Seite wurde maschinell übersetzt.
Füllen Sie bitte eine 1-Minuten-Befragung zur Qualität dieser Übersetzung aus.
ASML entwickelt mit Machine Learning ein virtuelles Vermessungssystem für die Halbleiter-Fertigung
„Als Verfahrenstechniker hatte ich keine Erfahrung mit neuronalen Netzen oder Machine Learning. Ich habe die MATLAB-Beispiele durchgearbeitet, um die besten Machine-Learning-Funktionen zum Generieren virtueller Messtechnik zu finden. In C oder Python hätte ich das nicht schaffen können – das Finden, Validieren und Integrieren der richtigen Pakete hätte zu lange gedauert.“
Die Herausforderung
Die Lösung
Die Ergebnisse
- Branchenführerschaft etabliert
- Potenzielle Fertigungsverbesserungen identifiziert
- Minimierter Wartungsaufwand
Bei der Nanofabrikation ist die Photolithographie der grundlegende Strukturierungsschritt, der die Größe eines Mikrochips regelt.. Bei der Fotolithografie wird eine Energiequelle mit niedriger Wellenlänge mithilfe optischer Mittel durch ein Bild geleitet, dessen Größe dann mit weiterer Optik zu einem dünnen Film einer lichtempfindlichen Chemikalie verkleinert wird, der ein Substrat (normalerweise Silizium) bedeckt. Dieser Schritt wird wiederholt, bis die gesamte verfügbare Oberfläche des Substrats mit demselben Bild belichtet wurde; das Ergebnis wird als Schicht bezeichnet. Um die komplexen mikroskopischen Strukturen zu erzeugen, aus denen ein Chip besteht, sind mehrere freiliegende Schichten erforderlich. Um Probleme bei der Fertigungsausbeute (Yield) aufgrund von Verbindungsfehlern zwischen den Schichten zu vermeiden, müssen alle Muster zwischen den Schichten wie vorgesehen ausgerichtet sein.
Um die Schichtausrichtung ohne Beeinträchtigung des Durchsatzes sicherzustellen, muss das TWINSCAN-Fotolithografiesystem von ASML die Anzahl der Ausrichtungsmarkierungen begrenzen, die es vor dem Belichtungsschritt misst. Als allgemeine Regel gilt, dass die zum Messen der Ausrichtungsmarkierungen erforderliche Zeit nicht länger sein darf als die zum Belichten des vorherigen Wafers in der Sequenz erforderliche Zeit. Aufgrund der großen Menge an Overlay-Markierungen, die für eine ordnungsgemäße Overlay-Modellkorrektur erforderlich sind, ist es nicht möglich, jeden Wafer zu messen, der aus einem TWINSCAN-System kommt.
ASML verwendet MATLAB® und Statistics and Machine Learning Toolbox™ zur Entwicklung virtueller Overlay-Messsoftware. Diese Software wendet Verfahren des Machine Learning an, um unter Verwendung von Daten zur Ausrichtungsmesstechnik eine prognostizierte Schätzung der Overlay-Messtechnik für jeden Wafer zu ermitteln.
„Unsere Arbeit mit MATLAB und Machine Learning zeigt, dass wir in der Branche führend sind, wenn es darum geht, die vorhandene Messtechnik optimal zu nutzen“, sagt Emil Schmitt-Weaver, Anwendungsentwicklungsingenieur bei ASML. „Die Artikel, die wir zu dieser Arbeit veröffentlicht haben, haben das Interesse von Kunden geweckt, die ihre Herstellungsprozesse mit ASML-Produkten verbessern möchten.“
Die Herausforderung
Da Schmitt-Weaver über keinerlei Erfahrung in der Entwicklung von Algorithmen für Machine Learning verfügte, entschied er sich, die Algorithmen nicht in Python, C oder einer anderen Low-Level-Sprache zu entwickeln. Er wollte schnell einen Prototyp entwickeln und dabei auf Funktionen zurückgreifen, die bereits im großen und vielfältigen Benutzerstamm von ASML eingesetzt und von engagierten Fachleuten gepflegt werden.
Die Lösung
Schmitt-Weaver verwendete MATLAB, Statistics and Machine Learning Toolbox und Deep Learning Toolbox™, um eine Methode zur Generierung virtueller Messtechnik zu entwickeln.
Zu Beginn nutzte Schmitt-Weaver die App „Neural Network Time Series Prediction and Modeling“, um zu lernen, wie Daten für die Verwendung mit der Deep Learning Toolbox vorbereitet werden. Mithilfe der App generierte und exportierte er den Beispielcode, wodurch er ein detaillierteres Verständnis dafür bekam, wie die Funktionen zusammen verwendet werden könnten. Mit zunehmender Kompetenz konnte er den generierten Code mithilfe von Beispielen aus der großen multidisziplinären Benutzergemeinschaft auf MATLAB Central erweitern.
Schmitt-Weaver sammelte Ausrichtungsmessdaten von TWINSCAN-Systemen und Overlay-Messdaten von denselben Wafern mithilfe von YieldStar-Systemen. Anschließend teilte er den Datensatz in zwei Gruppen auf, eine zum Trainieren des Netzwerks und eine zu dessen Validierung.
Mithilfe der Deep Learning Toolbox und der Statistics and Machine Learning Toolbox entwarf er ein nichtlineares autoregressives Netzwerk mit exogenen Eingaben (NARX) und trainierte es mit Daten der Trainingsgruppe.
Um eine Überanpassung des neuronalen Netzwerks an die Trainingsgruppe zu vermeiden, verwendete er die Deep Learning Toolbox, um eine automatische Regularisierung mit einem Bayes-Framework zu implementieren.
Nachdem das Netzwerk trainiert war, versorgte er es mit Input aus den Testdaten und überprüfte seine Ergebnisse anhand der Messergebnisse des YieldStar-Systems.
ASML verwendete die gesammelten Daten, um einen Prototyp eines Echtzeit-Overlay-Controllers in MATLAB zu entwickeln. Das Netzwerk bildete die Grundlage für eine potenzielle Yield-Steigerung und ermöglichte die Identifizierung von Wafern, die möglicherweise keiner Overlay-Messung unterzogen wurden.
Die Ergebnisse
Branchenführerschaft etabliert. „Indem wir MATLAB zur Verbesserung der Overlay-Messtechnik verwenden, haben wir unseren Kunden gezeigt, dass wir führend in der Entwicklung innovativer Methoden zum Erreichen ihrer Overlay-Leistungsziele sind“, sagt Schmitt-Weaver.
Potenzielle Fertigungsverbesserungen identifiziert. „Das von uns entwickelte und in MATLAB trainierte Netzwerk konnte systematische und zufällige Overlay-Fehler erkennen, die andernfalls möglicherweise unentdeckt geblieben wären“, bemerkt Schmitt-Weaver. „Dieser Grad der Verbesserung der Overlay-Leistung ist für die Mikrochip-Fertigung bis zum 5-nm-Knoten und darunter notwendig.“
Minimierter Wartungsaufwand. „Seit der Gründung des Unternehmens nutzen ASML-Systeme kompilierte MATLAB-Algorithmen“, sagt Schmitt-Weaver. „Indem ich auf der großen Datenbank mit von Experten geprüften Legacy-Skripten aufbaute, konnte ich meine Aufmerksamkeit auf die neuen Funktionen des Machine Learning richten.“
"Virtual overlay metrology for fault detection supported with integrated metrology and machine learning," Proc. SPIE 9424, Metrology, Inspection, and Process Control for Microlithography XXIX, 94241T (March 19, 2015), doi:10.1117/12.2085475.
