Migliorare le previsioni del tasso di incisione nella produzione di semiconduttori
Un nuovo approccio basato sui dati migliora le previsioni dei tassi di incisione per una produzione di semiconduttori migliore.
Abhijit Pranav Pamarty, Robert Neuweiler, Le Quyen Do, Keaton Johnson, James J. Sanchez, Dinesh Koli
― 5 leggere min
Indice
- Importanza di Prevedere i Tassi di Incisione
- Un Nuovo Approccio: Usare Dati e Machine Learning
- Come Funziona il Modello
- Raccolta dei Dati
- Creazione di un Campo Scalare
- Addestramento del Modello
- Valutazione dell'Accuratezza del Modello
- Comprendere gli Errori
- Vantaggi del Nuovo Metodo
- Conclusione
- Direzioni Future
- Fonte originale
Nella produzione di semiconduttori, l'Incisione è un processo fondamentale usato per rimuovere materiale dalla superficie dei wafer. Questo è cruciale per creare i circuiti minuscoli che si trovano nei dispositivi elettronici. Un metodo comune è l'incisione a ioni reattivi (RIE), che utilizza un tipo speciale di gas che si trasforma in plasma. Questo plasma aiuta a incidere in modo efficiente la superficie colpendo fisicamente il materiale, mentre utilizza anche reazioni chimiche per rimuoverlo.
Importanza di Prevedere i Tassi di Incisione
Prevedere il tasso di incisione, o quanto velocemente viene rimosso il materiale, è importante per i produttori. Se il tasso di incisione è troppo alto o troppo basso, può portare a difetti e sprechi, influenzando la qualità complessiva del prodotto e aumentando i costi. I metodi tradizionali per capire i tassi di incisione richiedono molte misurazioni e possono essere costosi e lentissimi.
Dati e Machine Learning
Un Nuovo Approccio: UsarePer affrontare queste sfide, è stato sviluppato un nuovo metodo che utilizza i dati degli strumenti di incisione stessi. Questo approccio raccoglie dati dai sensori durante il processo di incisione e li utilizza per creare un Modello che può prevedere i tassi di incisione in modo più efficiente. Concentrandosi sui dati generati dall'attrezzatura, i produttori possono risparmiare tempo e ridurre i costi.
Come Funziona il Modello
Il modello combina diverse tecniche per analizzare i dati. Usa un tipo speciale di machine learning chiamato autoencoder. Questo implica due parti: un encoder che comprime i dati in ingresso in una forma più semplice, e un decoder che aiuta a ricreare l'output basato su quella forma semplificata. Questo consente al modello di apprendere schemi importanti nei dati sui tassi di incisione senza avere bisogno di una conoscenza approfondita precedente.
Raccolta dei Dati
I dati raccolti includono varie misurazioni dal processo di incisione, come i tassi di flusso del gas e i livelli di potenza. Ogni dato corrisponde a un wafer specifico e alle sue condizioni durante il processo. Analizzando questi punti dati, il modello può identificare come fattori diversi influenzano il tasso di incisione.
Creazione di un Campo Scalare
Dopo aver raccolto le misurazioni, il modello crea una rappresentazione visiva dei tassi di incisione su tutto il wafer. Questo avviene mappando i dati su una griglia, permettendo un'analisi visiva migliore su come il tasso di incisione cambia dal centro del wafer ai bordi.
Addestramento del Modello
Per assicurarsi che il modello faccia previsioni accurate, viene addestrato usando una parte dei dati mantenendo un'altra parte per i test. Questo aiuta a verificare che il modello possa generalizzare le sue previsioni su nuovi dati, assicurando che possa gestire varie condizioni che non ha mai visto prima.
Valutazione dell'Accuratezza del Modello
Per valutare quanto bene funziona il modello, si usano diversi metodi. Questo include il confronto dei tassi di incisione previsti con le misurazioni reali prese dai wafer. I risultati mostrano che il modello può prevedere i tassi di incisione in modo accurato, specialmente quando le nuove condizioni sono simili a quelle su cui il modello è stato addestrato.
Comprendere gli Errori
Sebbene il modello sia efficace, ci sono ancora alcuni errori nella previsione dei tassi di incisione, specialmente quando si tratta di condizioni lontane dai dati di addestramento. Per la maggior parte dei casi, le previsioni sono entro un rango ragionevole di accuratezza, il che è essenziale per l'uso pratico nella produzione.
Vantaggi del Nuovo Metodo
Il nuovo metodo basato sui dati per prevedere i tassi di incisione offre vari vantaggi:
- Risparmio sui Costi: Riducendo la necessità di misurazioni extensive, i produttori possono risparmiare.
- Efficienza del Tempo: Il modello può fornire previsioni più veloci rispetto ai metodi tradizionali.
- Migliore Qualità: Con previsioni accurate, il rischio di difetti nel prodotto finale può essere ridotto, portando a tassi di resa più elevati.
Conclusione
In sintesi, prevedere i tassi di incisione nella produzione di semiconduttori è un compito complesso che tradizionalmente richiedeva sforzi e risorse significative. Lo sviluppo di un modello basato sui dati che utilizza tecniche di machine learning offre un'alternativa promettente. Sfruttando i dati dei sensori dagli strumenti di incisione, questo approccio può migliorare la precisione e l'efficienza del processo di incisione, portando infine a prodotti migliori e costi più bassi. Con l'evoluzione della tecnologia, metodi del genere probabilmente diventeranno pratiche standard nella produzione di semiconduttori, aprendo la strada a ulteriori innovazioni nel settore.
Direzioni Future
Guardando al futuro, c'è potenziale per ulteriori progressi in quest'area. Con il crescente numero di dati disponibili e l'evoluzione delle tecniche di machine learning, l'accuratezza e l'affidabilità delle previsioni sui tassi di incisione dovrebbero migliorare ulteriormente. Inoltre, integrare questo modello con altri processi di produzione potrebbe creare un ambiente di produzione più snello ed efficiente. Questo potrebbe, alla fine, migliorare le prestazioni dei dispositivi elettronici, beneficiando sia i consumatori che i produttori.
Continuando a perfezionare questi modelli predittivi ed espandendone le applicazioni, l'industria dei semiconduttori può guardare a processi di produzione più efficienti e a prodotti di migliore qualità per il futuro.
Titolo: Data-driven surrogate model for etch rate profiles using sensor data from a reactive ion etcher
Estratto: Reliable predictions of the etch rate profile are desirable in semiconductor manufacturing to prevent etch rate target misses and yield rate excursions. Conventional methods for analyzing etch rate require extensive metrology, which adds considerable costs to manufacturing. We demonstrate a data-driven method to predict the etch rate profiles of a capacitively-coupled plasma RIE etcher from the tool's sensor data. The model employs a hybrid autoencoder-multiquadric interpolation-based approach, with the autoencoder being used to encode the features of the wafers' etch rate profiles into a latent space representation. The tool's sensor data is then used to construct interpolation maps for the latent space variables using multiquadric radial basis functions, which are then used to generate synthetic wafer etch rate profiles using the decoder. The accuracy of the model is determined using experimental data, and the errors are analyzed in interpolation and extrapolation.
Autori: Abhijit Pranav Pamarty, Robert Neuweiler, Le Quyen Do, Keaton Johnson, James J. Sanchez, Dinesh Koli
Ultimo aggiornamento: 2024-09-19 00:00:00
Lingua: English
URL di origine: https://arxiv.org/abs/2409.12925
Fonte PDF: https://arxiv.org/pdf/2409.12925
Licenza: https://creativecommons.org/licenses/by/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.