Технологические процессы: повышение популярности некоторых методик

Технологические процессы: повышение популярности некоторых методик

Выпуск 22 (6696) от 07 ноября 2019 г.
РУБРИКА: МИКРОЭЛЕКТРОНИКА

По мере освоения новых технологических процессов с меньшими топологическими нормами в полупроводниковой промышленности усиливается популярность некоторых технологических процессов, включая осаждение атомарных слоев (atomic layer deposition, ALD) и химическое осаждение из паровой фазы (ХОПФ). Возрастает значение тестирования пластин, своевременного обнаружения дефектов (в том числе за счет программного моделирования). Не менее важным требованием становится унификация проверки функциональной безопасности с целью сокращения сроков вывода новой продукции на рынок.


Рост спроса на прекурсоры атомарно-слоевого осаждения и химического осаждения из паровой фазы

По данным консалтинговой фирмы TECHCET, мировой рынок прекурсоров процессов атомарно-слоевого осаждения (ALD) и химического осаждения из паровой фазы (ХОПФ) демонстрирует в 2019 г. устойчивый рост, несмотря на проблемы рынка полупроводниковых приборов. Рост доходов в сфере ХОПФ в основном связан с расширением применения методик плазмохимического ХОПФ (PECVD) и ХОПФ методом разложения металлоорганических соединений (MOCVD), используемых при производстве кремниевых ИС и других приборов, включая микродисплеи, РЧ ИС для средств связи и сетей 5G, а также фотоники. Совокупный рынок металлов-прекурсоров для ALD- и ХОПФ-процессов в 2019 г. оценивается на уровне 582 млн долл., что на 6,3% больше по сравнению с предыдущим годом. Как ожидается, в 2025 г. он превысит 930 млн долл. (рис. 1).



Источник: TECHCET

Рисунок 1. Прогноз роста доходов от продаж ALD/ХОПФ-прекурсоров в период до 2030 г. (для производства ИС с топологическими нормами 65 нм и менее)


На данный момент ~75% рынка прекурсоров приходится на трех ведущих поставщиков – ​ADEKA, Air Liquide и Versum. Однако недавно корпорация Merck поглотила Versum, и благодаря этому с высокой вероятностью сможет стать крупнейшим поставщиком металлических прекурсоров, прекурсоров с высокой диэлектрической проницаемостью (high-κ) и диэлектрических прекурсоров.

Рынок ХОПФ- и ALD-прекурсоров охватывает специальные газы (например, фторид вольфрама – ​WF6), жидкие прекурсоры, а также значительный сегмент твердых прекурсоров (таких как хлорид гафния – ​HfCl4 и пентакис (диметиламид) тантала – ​PDMAT). Кроме того, существуют небольшие сегменты прекурсоров, объем продаж которых по-прежнему не превышает 5 млн долл., таких как рутений и другие редкоземельные элементы (РЗЭ).

Ведущими поставщиками ХОПФ- и ALD-прекурсоров являются: ADEKA, Air Liquide, Air Products, AZmax, BASF, DNF Co., Entegris, Epivalence, FujiFilm, Gelest, Hansol Chemical, H. C. Starck, Kojundo, Linde (Praxair), Mecaro, Merck EMD, Nanmat, Norquay, Pegasus Chemicals, Soulbrain, Strem, Tanaka Kikinzoku Group, Tokyo Chemical Industry, Tri Chemical Laboratories, Umicore, UP Chemical (Yoke) и Versum [1].


Совершенствование методик тестирования для облегчения вывода на рынок новых технологий

Почти каждый новый технологический прорыв в полупроводниковой промышленности нацелен на крупносерийное производство изделий с новыми уникальными особенностями. Это порождает трудности в области изготовления и тестирования новых ИС на уровне пластины. Для поддержки разработки продукта, предназначенного для конечного пользователя, пластины должны быть протестированы с учетом уникальности новой технологии. В последние десятилетия были продемонстрированы различные методы решения проблем тестирования пластин для ряда полупроводниковых технологий, например технологии схем ДОЗУ, присутствующих во всех ПК.

Современные пластины диаметром 300 мм со сформированными кристаллами ДОЗУ полностью проходят зондовый контроль за очень небольшое количество касаний или опусканий датчиков на пластину благодаря значительно усовершенствованной системе зондовых плат. Это способствовало снижению стоимости ДОЗУ и, следовательно, снижению стоимости ПК. В области MEMS-датчиков также был решен ряд проблем тестирования. MEMS-датчики в основном используются в мобильных телефонах и автомобилях для измерения ускорения или вращения. При освоении массового производства MEMS возникли сложности с тестированием и проверкой их механических и электрических характеристик – ​во время электрического испытания требовалось перемещать устройства, чтобы гарантировать, что они могут точно обнаруживать и определять движение. Однако все эти трудности были в основном преодолены, что и позволило использовать в повседневной жизни большое число разнообразных MEMS.

Совсем недавно полупроводниковая промышленность столкнулась с проблемами при тестировании и поддержке широкомасштабного развертывания подложек пластин типа «кремний-на-изоляторе» (КНИ/SOI) для производства ИС для систем и средств связи 5G и самих этих ИС. Поскольку протоколы связи 5G имеют большую ширину полосы частот, необходимо исследовать пластины на радио- и СВЧ-частотах, а это дорогостоящий и сложный процесс, особенно в отношении производительности при поточно-массовом производстве. Кроме того, тестирование работающих приборов – ​сложная задача, так как динамика измерений должна быть очень высокой. Наряду с 5G и соответствующим большим объемом данных, передающихся со скоростью более 10 Гбит/с, обязательным становится использование ультрабыстродействующего процессора, обеспечивающего высокую скорость передачи данных и взаимодействие с ЗУ высокой плотности.

Ожидается, что в ближайшие годы будут освоены и начнут производиться в больших объемах приборы спинтронной памяти. Данная технология хранения информации работает с использованием внутренней магнитной ориентации (спина) электронов. Магнитная память на эффекте переключения спинового момента электрона (spin-transfer torque MRAM/ОЗУ, STT-MRAM) – ​наиболее многообещающий тип для нужд энергонезависимой встроенной памяти Интернета вещей и искусственного интеллекта (ИИ) и хороший кандидат для поддержки развертывания 5G на различных мобильных устройствах. STT-MRAM также потенциально способна заменить традиционные схемы памяти, такие как ДОЗУ и СОЗУ, благодаря своей высокой скорости, низкому энергопотреблению и масштабируемости до технологических уровней менее 20 нм. Основу STT-MRAM составляет магнитный туннельный переход (magnetic tunnel junction, MTJ), представляющий собой сэндвич из двух тонких магнитных слоев, разделенных границей туннельного барьера. STT-MRAM MTJ – ​это двухпозиционное устройство с состоянием низкого сопротивления, когда магнитные слои ориентированы в одном направлении, и состоянием высокого сопротивления, когда две магнитные ориентации направлены в противоположные стороны. Каждое из этих состояний соответствует одному состоянию бита, «0» или «1» соответственно. Поскольку это магнитное устройство, некоторые физические параметры должны быть извлечены путем приложения внешнего магнитного поля над пластиной при электрическом исследовании. Многообещающая спинтронная память для встраиваемых приложений ориентирована на развертывание в очень больших объемах со своей спецификой магнитного устройства. Следовательно, сложно испытать STT-MRAM с внешним магнитным полем, приложенным сверху пластины во время зондирования, особенно при условии высокой пропускной способности тестирования пластин и как можно меньшего соответствующего времени тестирования на одну ИС (это требование связано с необходимостью минимизации себестоимости). Представители ряда фирм, специализирующихся на тестировании, утверждают, что они решили эти проблемы и могут поддержать отрасль в переходе на массовое производство STT-MRAM [2].


Байесовское машинное обучение в микроэлектронике

Сканирующая диагностика обычно используется для приборов, содержащих протестированную средством автоматизированной генерации тестовых последовательностей (automated test pattern generation, ATPG) логику. Это делается для обеспечения широкого спектра приложений обучения. Процесс включает в себя сбор результатов цифровых отказов устройства из шаблонов оборудования автоматизированного тестирования (ATE) и предоставление их в качестве входных данных для имитации диагностического сбоя. Моделирование выполняется на большом количестве неисправных полупроводниковых приборов с использованием того же программного обеспечения САПР, которое генерировало тестовые шаблоны. Физическое местоположение и типы дефектов, определенные посредством моделирования, могут быть затем сопоставлены с различными пространственными местоположениями, параметрическими данными или другими параметрами заводов по обработке пластин. Для высокоуровневого анализа эта методика оказалась очень продуктивной.

На уровне анализа отказов физического уровня (physical failure analysis, PFA) используется имитация диагностических ошибок на выходе, что помогает определить физическую область, где может быть обнаружен дефект кристалла ИС. Во многих случаях это моделирование может иметь неоднозначные результаты, которые выглядят как множественные кандидаты или классификации дефектов для одного и того же электрического отказа. Используя экспертные знания, аналитик должен учитывать этот «диагностический шум» при выборе места, где, по его мнению, имеется наибольшая вероятность возникновения дефекта. Если PFA успешен, то дефект и его классификация подтверждаются.

Традиционные подходы, основанные на встроенных в оборудование технологических линий заводов по обработке пластин средствах контроля и PFA, достаточно дороги. По этой причине их использование очень избирательно и ограничено. В случае новейших технологий со все меньшими топологическими нормами возможности оптического и электронного контроля все более сужаются, а полупроводниковые предприятия, выпускающие продукцию на основе более зрелых технологий (поэтому и более дешевую), могут не располагать ресурсами для обновления существующих метрологических инструментов. В обоих случаях разнообразие и сложность цифрового контента в конструкциях ИС продолжает увеличиваться.

С введением в анализ механизма отказов (FMA) байесовского машинного обучения возникает еще одна возможность комплексного объемного анализа. FMA обрабатывает совокупность результатов диагностического сканирования с целью отделения истинных, ограничивающих выход годных, механизмов отказа от диагностического шума.

Если все сделано правильно, извлеченные сигналы служат той же цели, что и диаграмма дефектов Парето, сформированная на основе результатов PFA или данных встроенных средств контроля. В случаях доступности данных по ошибкам объемного сканирования диаграмма Парето по дефектам кристалла ИС может быть получена с помощью ПО достаточно быстро и при небольших издержках. Это означает, что использование дорогостоящих встроенных в технологические линии средств контроля может быть уменьшено или дополнено определением механизмов отказа с помощью ПО на основе больших объемов данных.


Пример FMA

Как показано на рис. 2, в ходе диагностики были выявлены несколько кандидатов и наборов физических данных, которые могут объяснить сбой. FMA определяет для каждой из этих возможностей вероятность механизма отказа (failure mechanism likelihood, FML). FML предоставляет пользователю экспертные знания в определении лучшего кандидата для PFA, в данном случае это Bridge.M3. Из всех представленных механизмов Bridge.M3 – ​единственный, который должен учитываться как часть механизма отказа Парето и полной вероятности для механизма отказа мостового соединения.



Источник: Synopsys

Рисунок 2. Определение механизмов сбоя и вероятности возникновения дефектов (использовалось средство Yield Explorer корпорации Synopsys)


Преимущества FMA

FMA кластеризует популяцию диагностического сканирования по механизму отказа, что помогает кремниевому заводу уточнять предмет анализа отказов и увеличивает шансы обнаружения различных ограничителей выхода годных при меньшем числе этапов PFA. Таким образом обеспечивается значительная экономия затрат на PFA и сокращение времени цикла обнаружения полного спектра дефектов.

На кремниевых заводах часто приходится сравнивать разные группы процессов по специ-фическим режимам отказов. FMA, настроенный на уровне базовых пластин для обнаружения конкретного механизма отказа, может быть использован для быстрого формирования логического вывода об улучшении процесса обработки пластин без необходимости каждый раз переходить к PFA. Это позволяет ускорить формирование выводов, сэкономить время цикла, связанное с внедрением окончательного изменения процесса или последующих экспериментов.


Методология FMA

Байесовское машинное обучение – ​это перераспределение правдоподобия между возможностями по мере появления большего объема информации. Модель FMA может рассматриваться как вероятностная графическая модель, состоящая из четырех компонентных распределений вероятностей, каждое из которых может быть описано как их собственные вероятностные распределения, обусловленные некоторым предшествующим распределением.

Данные наблюдений, необходимые для ввода в FMA, поступают из диагностических отчетов. Сканирующая диагностика генерируется четырьмя скрытыми факторами, описанными ниже.

Механизм отказа Парето (вверху на рис. 3) показывает истинный механизм отказа, описывающий физические атрибуты, связанные с неисправным прибором. Например, если предполагается, что дефект Парето содержит только один механизм отказа (из-за отклонения), механизм отказа в идеале должен сообщать только о причинном механизме.



Источник: Semiconductor Digest

Рисунок 3. Упрощенный вид модели FMA


Правильный кандидат (справа на рис. 3) относится к диагностическому кандидату с наибольшей вероятностью из множества кандидатов, о которых можно сообщить по диагнозу. Можно рассмотреть предварительные данные об определенности кандидата, поскольку каждый новый кандидат в популяции, не прошедшей проверку, должен быть обработан.

Аномальность конструкции (внизу на рис. 3) – ​это показатель, при котором чем больше наблюдаемое значение (физических данных) относительно того, что характерно для конструкции, тем выше вероятность того, что она ответственна за дефект.

При параметризации аномальности конструкции используется ее всесторонняя характеристика, чтобы оценить, какие значения будут считаться типичными.

Точная диагностика (слева на рис. 3) относится к точности моделирования диагностических ошибок. Это может быть связано с неопределенностью, вызванной различными метаданными в диагностике. Например, большое количество необъяснимых паттернов при диагностике снижает степень влияния.

Физические данные – ​это фиксированное наблюдаемое значение, полученное в результате диагностического сканирования (в центре на рис. 3). Это единственное наблюдаемое значение в модели FMA. Если физические данные соответствуют реальному физическому дефекту, можно считать, что значение берется из вероятностного распределения, описывающего сигнал. Если такого соответствия нет, данные можно рассматривать как взятые из вероятностного распределения шума.


Экспериментальная установка

Блок-схема экспериментов показана на рис. 4.

Объемное диагностическое сканирование – ​это логическое моделирование, выполняемое с использованием списка цепей, физической схемы, тестовых шаблонов и битов сбоев, собранных из ATE. Его цель – ​определить, какие места в физической конструкции могли вызвать сбои. Такие места называются кандидатами, потому что может быть несколько точек, вызывающих одинаковые ошибки тестирования.



Источник: Semiconductor Digest

Рисунок 4. Блок-схема сопоставления результатов анализа механизма отказов и результатов обнаружения дефектов при помощи анализа отказов физического уровня


Экспериментальный анализ данных – ​на этом этапе данные очищаются путем удаления кандидатов, которые смещают результаты, полученные по методу FMA. Примеры кандидатов, подлежащих удалению, включают тех, которые были идентифицированы по результатам использования тестового шаблона, но полностью не объяснены результатами моделирования.

Механизм отказов Парето, предоставленный FMA, позволяет отобрать только тех кандидатов, которые имеют отношение к доминирующему механизму отказов в совокупности всех анализируемых кандидатов.

Анализ физического отказа позволяет отобрать кандидатов (идентифицированных на предыдущем этапе) для отправки на лабораторный анализ, который определит, действительно ли существует механизм физического отказа, идентифицированный с помощью программного моделирования.

При выравнивании дефектов по механизму отказов аналитики классифицируют дефект как один из механизмов, существующих в механизме отказов Парето.

Проверка прогнозируемого механизма отказа, предсказанного FMA, сравнивается с результатом PFA.


Результаты диагностики кремниевого завода

Данные диагностического сканирования были собраны по 89 диагностическим признакам на шести пластинах с учетом некоторых технологических экспериментов с завершающими операциями обработки полупроводниковых пластин (включая металлизацию) – ​BEOL. Следовательно, ожидаются производственные проблемы, связанные с металлизацией и межслойными переходами, но нет четких указаний относительно того, на какой слой они воздействуют.

На рис. 5 показано, что все пластины, проходившие FMA, вероятно, были затронуты проблемами межслойных переходов третьего уровня. Пластина 2, по-видимому, несет большую часть потерь выхода годных, приписываемых этому фактору, тогда как для пластин 3 и 4 большая часть потери выхода годных приходится на межслойные переходы второго уровня.



Источник: Synopsys

Рисунок 5. Анализ механизма отказов, показывающий межслойный переход третьего уровня в качестве доминирующего ограничителя выхода годных при тестировании средством Yield Explorer корпорации Synopsys



Источник: Semiconductor Digest

Рисунок 6. Результаты диагностики с использованием анализа механизма отказов и анализа отказов физического уровня


На рис. 6 показан результат PFA, выполненного на шести кристаллах пластины 2. FMA демонстрирует дефекты разомкнутости межслойных переходов третьего уровня в качестве доминирующего фактора. Его наличие было обнаружено в пяти локациях. Анализ механизма отказов повышает ценность объемного диагностического сканирования для определения механизма отказов Парето через ПО и обеспечивает значительные преимущества в плане экономии затрат и производительности [3].


Первое унифицированное решение для проверки функциональной безопасности

Корпорация Synopsys представила первое в отрасли комплексное решение по проверке функциональной безопасности, позволяющее ускорить сертификацию по ISO 26262 фирм, разрабатывающих СФ-блоки и полупроводниковые приборы автомобильного назначения. Сертификация проводится по высшим требованиям уровней полноты безопасности автомобиля (ASIL D). В рамках решения Synopsys представила ряд инструментальных средств и технологию автоматической классификации ошибок, позволяющую разработчикам архитектур, СФ-блоков и специалистам по тестированию ускорить проверку функциональной безопасности с повышением производительности до 50% по сравнению с традиционными методами.

Конструкции автомобильных полупровод-никовых приборов усложняются. Это необходимо для удовлетворения растущего спроса на функциональность трансмиссии, перспективных систем помощи водителю (ADAS) и средств автономного вождения. В то же время полупроводниковые компании обязаны предоставлять клиентам продукцию, сертифицированную по стандарту ISO 26262. Новое унифицированное решение Synopsys по функциональной безопасности обеспечивает уникальные возможности для заполнения имеющихся недостатков по производительности, предлагая комплексное решение автоматизации FMEA/FMEDA и классификации ошибок с использованием унифицированного определения ошибок и базы данных с самыми быстрыми механизмами проверки. Кроме того, Synopsys предоставляет необходимые инструменты сертификации и экспертные услуги, позволяя клиентам ускорить планирование, разработку и создание рабочих продуктов для оценщиков и клиентов.

Поскольку сложность автомобильных электронных систем продолжает расти, снижение риска систематических и случайных отказов оборудования имеет решающее значение для современных автомобилей.

Технологические компоненты для унифицированного решения функциональной проверки безопасности Synopsys включают в себя:

VC Functional Safety Manager – ​высококачественный, масштабируемый и распределенный инструмент автоматизации FMEDA, обеспечивающий высокую производительность раннего анализа функциональной безопасности на уровне регистровых передач или на уровне шлюза и выявления кандидатов на избыточность TMR и DCLS;

Z01X – ​симулятор неисправностей для быстрого и проверенного цифрового моделирования неисправностей;

VC Formal FuSa – ​приложение для ускорения классификации ошибок путем применения формальной фильтрации;

Synopsys TestMax CustomFault – ​средство для высокопроизводительного моделирования неисправностей аналоговых ИС и ИС смешанной обработки сигналов для полной функциональной безопасности и анализа покрытия тестирования;

ZeBu Server – ​самый быстрый в отрасли эмулятор для эмуляции сбоев при длительных программных тестах;

Verdi Fault Analysis – ​средство отладки, планирования и охвата, включая интеграцию с ведущими в отрасли инструментами отслеживания требований [4].


1. Davis Shannon. Global Market Remains Strong for ALD & CVD Precursors in IC Fabs. Semiconductor Digest. News and Industry Trends, October 3, 2019: https://www.semiconductor-digest.com/2019/10/03/global-market-remains-strong-for-ald-cvd-precursors-in-ic-fabs/

2. Singer Pete. Revolutionizing Wafer Testing to Bring New Technologies to Market. Semiconductor Digest. News and Industry Trends, September 24, 2019: https://www.semiconductor-digest.com/2019/09/24/revolutionizing-wafer-testing-to-bring-new-technologies-to-market/

3. Singer Pete. Bayesian Machine Learning Enables a Virtual Defect Pareto Through Software Simulation. Semiconductor Digest. Artifical Intelligence, September 24, 2019: https://www.semiconductor-digest.com/2019/09/14/bayesian-machine-learning-enables-a-virtual-defect-pareto-through-software-simulation/

4. Davis Shannon. Synopsys Announces Industry-First Unified Functional Safety Verification Solution to Accelerate Time-to-Certification for IPs and SoCs. Semiconductor Digest. Daily, October 8, 2019: https://www.semiconductor-digest.com/2019/10/08/synopsys-announces-industry-first-unified-functional-safety-verification-solution-to-accelerate-time-to-certification-for-ips-and-socs/


ЧИТАЙТЕ ТАКЖЕ

Выпуск 24/25 (6748/6749) от 23 декабря 2021 г. г.
Выпуск 24/25 (6748/6749) от 23 декабря 2021 г. г.