ВЫБОР РЕДАКЦИИ

Обзор рынка мощных GaN- и SiC‑приборов

Проблемы парковки в Китае стимулируют финансирование ИИ‑стартапов

Проблема старения, моделирование и проектирование ИС

IMEC разрабатывает процесс интеграции 2D-материалов на 300-мм пластинах

Краткий обзор деятельности ведущих кремниевых заводов

SMIC: передовые технологии, производственная база и государственное финансирование

Возобновление доступа к материалам Solid State Technology

FanFET – новая транзисторная структура для 3D-флэш-памяти NAND-типа

Производственная база микроэлектроники США

Маршрутная карта развития FEOL-, MEOL- и BEOL-процессов

Материалы 66-й международной конференции по электронным приборам

Маршрутная карта развития FEOL-, MEOL- и BEOL-процессов

Методика оценки экологичности производства ИС

Материалы 66-й международной конференции по электронным приборам

Данные технологического процесса как средство повышения выхода годных

Данные технологического процесса как средство повышения выхода годных

Выпуск 10(6684) от 23 мая 2019 г.
РУБРИКА: ПРОРЫВНЫЕ ТЕХНОЛОГИИ МИКРО И РАДИОЭЛЕКТРОНИКИ

Одна из важнейших задач при освоении производства новых поколений приборов или модернизированных семейств – ​достижение уровня выхода годных, обеспечивающее рентабельность. Единого решения не существует, но есть много возможностей усовершенствовать производственный процесс за счет оптимизации использования данных. На эти цели производители готовы тратить значительные средства.

Сегодня поставщики инструментальных средств и оборудования придают все большее значение данным как средству увеличения выхода годных. Для этого в процесс производства встраивается множество датчиков и средств анализа, что должно помочь избежать возможных проблем в реальном масштабе времени. Насколько это повлияет на стоимость разработки сложных ИС наиболее передовых технологических уровней, а также 2,5D- и 3D-модулей – ​еще предстоит выяснить. Но соперничество за лучшие разработки в сфере максимально быстрой генерации и анализа данных о производственном процессе уже началось. Область разработок включает в себя создание датчиков, более приспособляемых под требования конкретных заказчиков и процессов, средств и методик машинного обучения и систем искусственного интеллекта (ИИ), способных достаточно быстро выделять важные данные, влияющие на текущие процессы, а также осуществлять долгосрочный сбор данных с целью выявления закономерностей. Сюда также относится возможность быстрого устранения ненужных данных.

Движущий фактор этих усилий – ​математический аппарат. По данным исследовательской корпорации International Business Strategies, стоимость проекта по разработке 5-нм специализированных ИС (ASIC) уже равна 500 млн долл., а на 3-нм технологическом уровне достигнет 1,5 млрд. Процесс разработки может включать несколько этапов пересмотра с целью улучшения функциональности структуры, формирующейся на кристалле ИС, и обеспечения ее соответствия первоначальному проекту. Существует ряд способов снижения стоимости проекта и сокращения времени от начала разработки до вывода нового изделия на рынок, с одной стороны, а с другой – ​есть растущий спрос разработчиков подобных ИС на реализацию этих возможностей.

При уменьшении минимальных размеров топологических элементов схемы становятся более чувствительными к возникающим дефектам. Соответственно, оснащение производственных линий средствами обнаружения дефектов становится не только необходимым, но и полезным. Так, за счет подобных средств в I кв. 2019 г. корпорации TSMC удалось вовремя снять с обработки партию пластин из-за проблем с сопротивлением. Ранее подобная партия могла бы пройти весь цикл обработки и даже выйти на рынок.

Проблемы, связанные с различными типами дефектов, усугубляются по мере увеличения плотности расположения элементов и снижения их топологических размеров. На уровне 28-нм технологий, например, несовершенно сформированный топологический элемент не был проблемой, однако на уровне 7-нм технологий он может стать причиной явного или скрытого дефекта. На передовых технологических уровнях управление технологическим процессом должно быть связано с проектным допуском, будь то FinFET-конструкция или FinFET + 3D. В настоящее время функции обнаружения и классификации отказов (fault detection and classification, FDC) и датчики отделены от конструкции. Однако по мере дальнейшего продвижения при рассмотрении топологии и допусков их необходимо увязывать с возможностями процесса. Начальные этапы реализации концепции Industry 4.0 и развития ИИ принесли некоторые успехи, но теперь проектировщики больше внимания уделяют наличию необходимых датчиков и достоверных данных, которые можно увязать с конкретным процессом – это важно для сокращения времени вывода нового (модернизированного) продукта на рынок (time-to-market).

Немаловажно понимание того, какие данные полезны, а какие – ​нет. Также важен вопрос об использовании данных. Их может быть очень много – ​от встроенных, невстроенных, метрологических датчиков, датчиков инструментальных средств и даже датчиков для обнаружения того, чего нет в технологической камере – ​регуляторов расхода газа в газопроводах, подающих в технологическую камеру различные газы. Существуют данные мониторинга на уровне инструментальных средств и оборудования, есть и чисто функциональные данные (в какие камеры и какие пластины направляют роботизированные манипуляторы и т. п.). Собственный набор данных определяет пределы действия инструментального средства или окружающей вычислительной среды.

Разделение всех перечисленных данных на конкретные области не так просто, особенно если используется несколько типов данных. Соответственно, так же трудно улучшить управление технологическим процессом в целом, поскольку различные процессы, вовлеченные в формирование кристалла ИС, представляют собой последовательность точно настроенных независимых этапов, а не единый унифицированный процесс. То, что считается важным в одной области и для одного приложения, может быть менее важным в других областях, соответственно, контроль должен осуществляться на каждом этапе, но не нарушать при этом движение пластин по всему производственному циклу обрабатывающего завода.

Различные этапы процесса имеют различные допуски. В прошлом на каждом этапе процесса мог существовать свой допуск, но при этом конечное изделие работало. Сегодня с каждым этапом формирования рисунка бюджет ошибок накапливается, поэтому требуются более жесткий контроль, более частые выборки данных и больший объем информации. Ранее для определения характеристик слоя можно было использовать от 10 до 30 точек данных в процессе его обработки. Сегодня нужно проводить выборки большего объема с прямой и обратной передачей данных, благодаря чему становится возможным определение характеристик изменчивости по всей пластине или по всему кристаллу.

Генерация больших объемов данных требует использования локальных серверов или облачных вычислений. Для большинства производственных операций достаточно было бы связать датчики с облачным хранилищем, однако кремниевые заводы всегда были противниками хранения любых данных в общедоступных облаках (из соображений защиты данных и интеллектуальной собственности). В результате анализ того, какие данные необходимо обработать немедленно, а какие позже, приходится проводить самим заводам по обработке пластин.

Размеры формируемых на пластине структур измеряются на уровне ангстрема, поэтому допуски на изменчивость параметров стали гораздо жестче. С точки зрения контроля изменчивость проявляется по-разному: от партии к партии пластин, от пластины к пластине, собственно на пластине, на уровне кристалла, а также на уровнях неравномерности краев линии (резиста), неравномерности ширины линии и локальной воспроизводимости критических размеров – ​LER/LWR/LCDU. Некоторые из используемых сегодня точек данных рассматриваются как возможность лучше контролировать процесс. Но здесь есть проблемы. Одна из них – ​понимание того, как использовать полученные данные. Не все производители одинаково хорошо осознают, что с ними делать. Важный фактор – ​подключение как можно большего числа источников метрологической контрольной информации. Если удается стабилизировать процесс на этапе НИОКР, то число параметров или выборок, необходимых для обеспечения надежности, может быть снижено.


ИЗМЕНЧИВОСТЬ

Полупроводниковая промышленность вынуждена все больше сил и средств тратить на борьбу с изменчивостью параметров процессов и приборов – ​в этом смысле выбора практически нет. Конструкции ИС становятся все больше и сложнее, число переменных растет, а потенциал изменчивости каждой переменной чреват взрывообразным ростом числа дефектов.

Различные схемы контроля и управления процессами предлагают множество вариантов компенсаций, особенно для решения проблемы изменчивости. Промышленность находится только в начале этого пути. Появление FinFET внесло свои трудности – ​в силу трехмерности этой структуры традиционные подходы перестают работать и промышленность ищет надежные решения для поточно-массового производства. Приходится беспокоиться об остаточных продуктах реакций в малых углах, селективности травления одного материала по сравнению с другим, конформности осаждения.

Когда размеры топологических элементов преодолели рубеж в 5 нм, трудности еще усилились, а с освоением структур следующего поколения круговых затворов (gate-all-around) с топологиями 3 нм и менее проблемы возрастут на порядок. На первый взгляд эта архитектура выглядит как модификация FinFET, однако ее сложность значительно выше, и требования к производству становятся все более жесткими. Усложнение структур происходит практически при каждом технологическом переходе на новый уровень с меньшими топологиями. Тем не менее полупроводниковая промышленность продолжает двигаться вперед. Наряду с указанными факторами существует множество других источников изменчивости параметров процессов и приборов, и все они будут иметь значение.

Источники изменчивости варьируются от примесей в используемых материалах до того, как эти материалы применяются в технологическом процессе. Так, на каждом новом технологическом уровне тонкие пленки должны применяться с гораздо большей точностью, чем на предшествующем, поскольку допуски становятся все более жесткими. В то же время выявлять отклонения параметров процесса с использованием существующих инструментальных средств контроля становится все сложнее.

Один из серьезных вопросов на сегодня – ​охват области сбора данных. Зачастую неизвестно, в чем состоят и где возникают проблемы, поэтому требуется большее число выборок и больший объем данных. Если речь идет о разрешении порядка 1 нм на уровне пластины – ​это 1012 пикселей. Такие огромные объемы нуждаются в фильтрации по мере поступления, так как часть данных надо анализировать сразу, причем некоторые – ​в сравнении с другими данными, а часть – ​накапливать. Главное – ​знать, где искать проблемы, потому что не все можно проверить и измерить. Однако это не всегда очевидно.

Например, несколько лет назад, отрабатывая один из процессов, специалисты корпорации Brewer Science столкнулись с изменчивостью параметров процесса. Первоначальный анализ производился исходя из предположения об ошибке оператора. Однако это предположение не подтвердилось. Новый процесс был в высокой степени автоматизирован – ​вплоть до очистки смесительных блоков, поэтому изменчивость параметров в автоматизированной его части практически не наблюдалась. Для преодоления остававшихся вариаций параметров процесса исследователи добавили в него машинное обучение с целью обес-печения адаптивного управления. Дело в том, что при выводе продукта, произведенного на закупленном оборудовании либо с помощью приобретенной или лицензированной технологии, на рынок последнее, что нужно клиенту, – ​это изменчивость параметров. Чтобы обеспечить клиенту соответствующую защиту, поставщик оборудования или технологического процесса должен понимать границы адаптивной изменчивости. Таким образом, теперь приходится иметь дело с изменчивостью параметров процесса по сравнению с изменчивостью параметров продукции.


НОВЫЕ ТРЕБОВАНИЯ РЫНКА

Борьба с изменчивостью параметров процессов и продуктов и, соответственно с дефектностью должна происходить в реальном масштабе времени. Задержки освоения новой продукции на заводе по обработке пластин не только увеличивают издержки производства, но также могут повлиять на окна рыночных возможностей производимых кристаллов ИС. Кроме того, будут страдать графики выпуска на рынок новых конструкций конечных электронных систем, в которых предусмотрено использование данных ИС, сужаться окна рыночных возможностей этих систем. С другой стороны, прохождение каких-либо дефектов сквозь сито контроля может вызвать другие проблемы, особенно когда речь идет о ИС, разработанных по передовым топологиям для таких рынков, как автомобильная, медицинская, промышленная электроника.

Отраслевые специалисты указывают на несколько методов снижения дефектности. Один из них заключается в тщательном контроле и непрерывном совершенствовании процесса с помощью соответствующих программ для уменьшения случайной дефектности. В этом случае используются базовые методы повышения выхода годных, такие как мониторинг инструментальных средств в процессе обработки. Второй подразумевает осуществление выборок данных на уровне, достаточном для обеспечения отслеживаемости процесса. Третий подход все еще разрабатывается.

В последнее время все больший интерес вызывает метод, основанный на получении информации о дефектах от встроенных в производственную линию средств метрологии. Подобная информация используется не только для контроля реализации технологического процесса, но и для выявления риска возникновения проблем с надежностью, пока кристаллы все еще находятся на заводе по обработке пластин, где стоимость исправления проблем самая низкая. Производители автомобильных полупроводниковых приборов давно полагаются на метод скрининга (screening), в рамках которого инструмент с высокой пропускной способностью проверяет 100% кристаллов ИС на всех пластинах в конце производственного процесса (при этом число слоев в завершенном кристалле ИС может достигать 10–12). Кристалл, отвечающий определенным критериям отказа (размер, тип, местоположение дефекта), выбраковывается или помечается специальным образом (для дальнейшего использования в системах с меньшими нагрузками и требованиями к надежности). Метод эффективен для выявления крупных неполадок, но сам по себе недостаточен для обнаружения небольших скрытых дефектов. Решением может стать новая, встроенная в технологический процесс методика усредненного (обычного) тестирования приборов в процессе обработки и формирования (in-line parts average testing, I-PAT). Она основана на методике, известной как усредненный параметрический контроль приборов (parametric parts average testing, PPAT) и используемой в автомобильной промышленности более 20 лет. Первоначальный метод, основанный на электронном тестировании, позволяет идентифицировать любой кристалл, результаты тестирования которого лежат вне нормального распределения концентрации дефектов, даже если они находятся в пределах эксплуатационных спецификаций. За счет небольшого снижения выхода годных (от 0,5 до 2,5%) удается добиться значительного улучшения надежности – ​от 20 до 30% после выбраковки кристаллов. Методика I-PAT позволяет использовать эту концепцию непосредственно в технологическом процессе с целью поиска кристаллов с выделяющимися концентрациями дефектов в рамках многократных этапов контроля на протяжении всего производственного процесса.

Со статистической точки зрения скрытые дефекты, образования которых необходимо избежать, легче найти по выбросам и провалам в полученной по точкам данных картине. Для уточнения полученной информации ее можно совместить с полученными электрическими методами данными, что улучшит вводные для принятия решения «подходит или не подходит» по кристаллу.

Отмечается, что выход годных может зависеть от того, в каком месте пластины размещаются кристаллы, а также от диаметра обрабатываемой пластины (см. рисунок).

По мере того как все больше фирм-интеграторов конечных электронных систем участвует в разработке ИС, реализованных по новейшим технологиям с минимальными размерами топологических элементов, все больше внимания уделяется тому, чтобы производимые структуры в точности соответствовали проекту. Проблема выходит далеко за рамки процесса проектирования. Все чаще подобный подход охватывает всю цепочку поставок для ИС, формируемых по передовым технологиям.

Еще одна проблема – ​дефектность шаблонов. Если нет бездефектных заготовок шаблона с нанесенным слоем резиста, не будет и бездефектного шаблона. С этой точки зрения можно вый-ти на счетное число дефектов на всей пластине, на которой с использованием шаблона формируется рисунок. Соответственно, можно определить области, на которых формирование рисунка нецелесообразно. При этом некоторые дефекты незначительны, и речь может идти не о выбраковке кристаллов, а о переопределении сферы их конечного применения. Некоторые другие дефекты можно даже исправить. Заводы по обработке пластин тратят значительные средства для того, чтобы создать надежные методы, позволяющие отличить некатастрофические дефекты от катастрофических и таким образом увеличить выход годных.

Похожая проблема преследует команды разработчиков кристаллов ИС на нескольких последних поколениях технологического процесса. С точки зрения проектирования основное внимание всегда уделяется воспроизводимости рисунка. Причина использования моделей коррекции эффекта оптической близости (optical proximity correction, OPC) заключается в возможности исправить незначительные дефекты и воспроизвести известные паттерны. Но с FinFET все сложнее. Появляется необходимость травления с последующим изучением формы структуры после травления, также нужно учитывать толщину материалов и однородность рисунка. В этом случае производственную воспроизводимость с помощью OPC улучшить нельзя. Такие факторы, как обнаружение конечных точек, сигналы OES (оптической эмиссионной спектроскопии) и толщины измеряемых на пластинах структур, тоже оказывают воздействие на конечный результат.



Источник: KLA

Сопоставление выхода годных по центру и по краю пластины во время освоения нового прибора как функция времени


ЗАКЛЮЧЕНИЕ

Изменчивость параметров процесса, возрастающая сложность конструкций и законы физики делают проектирование кристалла ИС все более трудной задачей. Вопросы выхода годных и сокращение сроков выхода новой продукции на уровень рентабельности были взаимосвязаны и ранее, но на технологиях с топологиями порядка 5 нм и менее ставки существенно возрастают. Даже незначительные дефекты могут вызвать серьезные проблемы по всей цепочке поставок, от начальных этапов обработки пластины до анализа сформированного кристалла ИС. Соответственно, растет осознание того, что лучший способ справиться с любой из них – ​использование большего числа датчиков и более информативных данных.

Наиболее успешными окажутся фирмы, способные увязать производство с процессом проектирования. Речь идет о сочетании датчиков данных и датчиков инструментальных средств. Сейчас в центре внимания многих поставщиков оборудования находятся вопросы использования современных и перспективных средств аналитики. Эти средства уже позволяют собирать большие объемы данных, и теперь задача состоит в том, чтобы найти в этих данных смысл.

 

Sperling Ed. Controlling IC Manufacturing Processes for Yield. Semiconductor Engineering, April 24, 2019: https://semiengineering.com/controlling-ic-manufacturing-processes-to-boost-yield/


ЧИТАЙТЕ ТАКЖЕ

Выпуск 22(6746) от 11 ноября 2021 г. г.
Выпуск 16(6740) от 19 августа 2021 г. г.
Выпуск 13(6737) от 08 июля 2021 г. г.