Проблемы изменчивости процесса с точки зрения оборудования и производимых ИС

Проблемы изменчивости процесса с точки зрения оборудования и производимых ИС

Выпуск 8(6682) от 18 апреля 2019 г.
РУБРИКА: ОБОРУДОВАНИЕ

Глубокое понимание поведения оборудования и потребностей рынка будет все сильнее влиять на всю цепочку поставок полупроводниковой промышленности. Производители полупроводникового оборудования начинают оснащать свою продукцию различными датчиками – ​с целью увеличения времени безотказной работы, повышения выхода годных пластин, снижения стоимости владения и сокращения частоты отказов ИС. При этом увеличение количества и разнообразия датчиков требует новых подходов их обучения. Один из путей – ​формирование методик глубокого стимулированного обучения на основе сочетания методик стимулированного обучения и сетей (схем) глубокого обучения.

Поставщики инструментальных средств производственных линий для изготовления полупроводниковых приборов устанавливают в свое оборудование все больше датчиков, пытаясь продлить сроки его безотказной эксплуатации и увеличить выход годных при одновременном снижении стоимости владения и уровня дефектности ИС. Ожидается, что огромный массив данных, собранных с помощью подобных инструментальных средств, позволит получить гораздо более подробную, чем ранее, информацию о различных типах и источниках отклонений в технологическом процессе. К подобной информации будут относиться, в частности, сведения о том, где произошли отклонения, каковы их причины и как (и когда) они влияют на отказы оборудования. В сочетании с данными об отказах полупроводниковых приборов, произведенных на оборудовании конкретного типа, а также с данными о топологических чертежах микросхем и данными верификации появляется возможность создать подробный временной график разработки и изготовления ИС с указанием моментов отклонений от технологического процесса, который, в свою очередь, может быть использован для повышения качества, выявления потенциальных источников дефектов и увеличения эффективности процессов.

Подобный подход в производстве полупроводниковых приборов равносилен сейсмическому сдвигу. Например, вместо обычной проверки или тестирования кристалла можно собрать все данные по миллионам кристаллов и моделей и использовать их для прогнозной аналитики. Но при этом необходимо переосмыслить то, как и когда выполняются различные операции и почему их осуществление приводит к дефектам, способным повлиять на устоявшиеся процессы производства. Также требуется учет неожиданных подвижек конъюнктуры рынка.

По мере того как методы больших данных находят все более широкое применение в различных отраслях, клиенты полупроводниковых фирм все больше внимания будут уделять тому, какие данные предоставляет фирма-поставщик и как его стратегия работы с данными согласуется с аналогичной стратегией заказчика. До сих пор существует мнение, что тот, кто владеет данными, обладает бЧльшими преимуществами. Владельцы данных стремятся «придерживать» их, что оказывается контрпродуктивным для всех. Данные, наработанные конкретной фирмой, представляют собой большую ценность. Но столь же ценны данные о прикладных областях использования полупроводниковых приборов. Задача состоит в том, чтобы правильно подготовить данные и знать, как их фильтровать и преобразовывать во что-то полезное для конкретного применения и области возможного использования в целом.

Датчики, встроенные в технологическое оборудование, анализируют данные начиная с непосредственных действий инструментальных средств и заканчивая мониторингом всего процесса обработки пластины. Например, они собирают информацию о том, в каких технологических камерах проходили обработку конкретные пластины, на каких этапах они перемещались при помощи робота-манипулятора и т. п. Все эти данные должны поступать в систему, где их можно собирать и анализировать в реальном масштабе времени. И это касается только одной единицы оборудования, в то время как на заводе по обработке пластин используются десятки и даже сотни единиц технологического оборудования, осуществляющего различные процессы. Комплексная обработка этого массива информации – ​проблема технологии больших данных, которую приходится решать каждому производителю полупроводниковых приборов.


ОТКЛОНЕНИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА.

Одна из целей анализа данных, собранных размещенными в технологическом оборудовании датчиками, – ​отклонения параметров технологического процесса, которыестановятся все более существенной проблемой в рамках всей цепочки поставок.

Вариабельность – изменение параметров производственного процесса при изготовлении полупроводниковых приборов – имела место всегда. Однако важность понимания ее источников растет по мере ужесточения допусков при переходе к технологиям со все меньшими топологическими нормами, использованию новейших методик корпусирования, а также по мере того, как ИС все более широко задействуются в критических с точки зрения безопасности применениях, таких как автомобильная, медицинская и промышленная электроника. Причины вариабельности процесса могут быть любыми – ​от EUV-сканера до чистоты материалов тонких пленок. Кроме того, существует фактор случайных ошибок. Результаты также могут меняться в зависимости от местоположения завода, тщательности осуществления контроля в цепочке поставок материалов для изготовления ИС и т. п. Свой вклад в суммарную изменчивость вносят все единицы технологического и вспомогательного оборудования. С точки зрения литографии ключевыми элементами в этом плане являются совмещение воспроизводимости критических размеров (critical dimension uniformity, CDU) и неравномерность краев линий (line-edge roughness, LER), а с точки зрения осаждения и травления – ​CDU и заполнение каким-либо материалом подготовленных структур.

Методики травления и модификации материалов можно использовать с целью снижения LER, что очень полезно потребителям, переходящим к использованию EUV-литографии.

Однако этого недостаточно для обес-печения приемлемого выхода годных на уровне технологий с критическими топологическими размерами порядка 3 нм. Все отклонения от параметров процесса в конце концов будут приводить к проблеме ошибки установки угла кристалла в заданное положение (edge-placement error, EPE). Ввиду того, что разработчики имеют дело как с систематическими, так и с несистематическими отклонениями, их учет в методике «проектирования под производство» (DFM) будет недостаточен. Поэтому разработчикам приходится все теснее работать с клиентами, чтобы дать им возможность задействовать новые инновационные схемы формирования рисунка во избежание EPE-ошибки за счет использования методик проработки материальных потоков.

Подобные проблемы особенно трудно отследить без достаточного объема данных, обеспечивающего создание более плотного распределения, показывающего, что именно вызывает возникновение выпадающих из общей закономерности (аномальных) значений.

Наиболее существенное препятствие на пути к достижению нулевой дефектности – ​скрытые дефекты. Они могут характеризоваться размером или местоположением, которое изначально не имеет катастрофических последствий для работоспособности кристалла, или же находиться в нетестируемой зоне, что является все более обостряющейся проблемой «систем-на-кристалле» (SoC). В результате кристалл с дефектом потенциального отказа попадает в цепь поставок. В жестких условиях эксплуатации автомобильной электроники и автомобильных полупроводниковых приборов (высокие температура, влажность, вибрация) это может привести к активации скрытых дефектов и, следовательно, к выходу из строя прибора или системы в целом.

Полупроводниковая промышленность долгое время полагалась на электрические испытания как на основной метод отбраковки негодных кристаллов, однако скрытые дефекты зачастую их успешно проходят. Необходимы другие методы контроля, пригодные для выявления дефектов как можно ближе к источнику их возникновения, что поможет сократить соответствующие издержки. По оценкам отраслевых специалистов, на каждом новом уровне интеграции стоимость обнаружения дефекта увеличивается в 10 раз. Один из крупнейших источников возникновения скрытых дефектов – ​изменчивость параметров процесса, особенно на операциях литографии любого типа, приводящих к изменчивости критических размеров, совмещения, неравномерности краев линии и локализованной изменчивости параметров процесса литографии.

Изменчивость параметров технологического процесса может вызвать и вызывает образование частичных пустот или мостов, которые затем в экстремальных условиях эксплуатации автомобиля, медицинской или промышленной электроники разрушаются. То же самое можно сказать о любых проблемах с формированием рисунков, вызванных как травлением (частичное травление), так и химико-механической полировкой (образование впадин, чашеобразных углублений).


РАСТУЩАЯ ЦЕННОСТЬ СОВМЕСТНО ИСПОЛЬЗУЕМЫХ ДАННЫХ

Поступление большего объема данных от датчиков, размещенных на инструментальных средствах заводов по обработке пластин, может иметь существенное значение для решения многих проблем. Однако их следует рассматривать в комплекте с другими данными, такими как топология кристалла и структур, проектирование и материалы. Хотя для некоторых приборов могут использоваться достаточно зрелые процессы, новые уровни технологического процесса12 и новые технологии, такие как печатная электроника, требуют большего объема данных, чем в прошлом. Постоянно возникает потребность в новых инструментальных средствах и новых источниках данных.

В области металлокомпозитных структур, таких как «чернила» для литографии, отказы по большей части носят механический характер. Сложнее раборать с долгосрочными тенденциями. Одна из сторон проблемы включает в себя контроль качества, при том что каждый датчик требует единообразной проверки в установленное время. Вторая часть – ​это понимание того, как приборы работают в реальных условиях эксплуатации. Большинство заказчиков активно сотрудничают с разработчиками для достижения лучшего понимания того, как работает оборудование и как можно усовершенствовать процесс. Требуется особо тщательно изучать долгосрочные тенденции, связанные с отклонениями параметров производственного процесса, которые могут быть вызваны самыми разными причинами – ​от уровня примесей в окружающей среде до уровней загрязняющих частиц в подложке или пассивирующих (барьерных) слоях. Данные, полученные на всех этих этапах, также должны быть включены в общий контекст. Для того чтобы понять, почему какая-либо вещь ломается, нужно, чтобы она сломалась.

Обычно тестирование начинается с методов неразрушающего контроля (чаще всего с использованием рентгеновской или ультразвуковой аппаратуры), которые позволяют, просматривая модули и компоненты, находить скрытые дефекты. Затем осуществляется разрушающий контроль для выявления первопричины дефекта. Это может быть электронный, электростатический разряд, искровой разряд, слишком большое напряжение и т. п.


ДВИЖЕНИЕ К ПРОГНОЗНОЙ АНАЛИТИКЕ

В прошлом данные о производственных сбоях и эксплуатационных отказах были относительно дефицитны по двум основным причинам. Во-первых, некоторые крупные фирмы, занимающиеся глубинным анализом данных, считали недостаточным объем данных, генерируемых полупроводниковой промышленностью, – ​особенно по сравнению с объемами данных облачных вычислений. Во-вторых, заводы по обработке пластин крайне неохотно делились данными, получаемыми в ходе производства – ​по конкурентным причинам. Многое изменилось за последние пару лет, и тенденция продолжает развиваться. На уровне новейших топологий теперь конкурирует крайне ограниченное число кремниевых заводов, а их процессы существенно отличаются друг от друга. Кроме того, кремниевые заводы осознали, что для наращивания выпуска полупроводниковых приборов им необходимо теснее работать со своими поставщиками инструментальных средств САПР, разработчиками сложнофункциональных (СФ) блоков, а также с заказчиками. Благодаря этому поток данных стал более открытым и с течением времени будет только увеличиваться, особенно по мере добавления датчиков как в производственное оборудование, так и в собственно кристаллы ИС (самотестирование).

Проблема здесь не только в качестве, но и в заводской себестоимости и возможности повышения выхода годных и снижения отходов. При производстве автомобильных полупроводниковых приборов и электроники для контроля качества используется искусственный интеллект. При сборке электроники, особенно на операциях пайки, для предсказания возникновения дефектов все шире используются накопленные по параметрам аналогичных операций данные. Конечная цель в данном случае – ​прогнозная аналитика, благодаря которой применение инструментальных средств и ход процесса могут быть скорректированы до того, как возникнут проблемы. Но этот подход увеличивает уровень сложности. В теории хорошо иметь больше данных, но на практике не все данные одинаково полезны.

Отмечается, что отсутствие достаточно большого объема данных затрудняет прогнозную аналитику. Однако выход есть – ​если нет хороших данных, нужны хорошие модели обучения. Зачастую даже у крупных полупроводниковых фирм анализ первопричин выявляет только случайную (несистематическую) ошибку. Но если есть возможность провести многовариантный анализ, можно найти то, что не удается обнаружить вручную или при использовании других методов (и, соответственно, устранить или преодолеть источник возникновения дефектов или отклонений параметров технологического процесса). Многовариантный анализ позволяет выявить общность явлений и событий, не выявляемую при использовании других подходов из-за обилия данных. При простом поиске случайных сбоев обычно с первого захода отыскивается порядка восьми причин из 15. При использовании многовариантного подхода результат всегда выше, иногда до 100%.

Именно этот момент благоприятен для начала использования искусственного интеллекта (ИИ) – ​он способен быстро идентифицировать комбинации (модели) данных, которые могут быть обучены для конкретных целей.

Цель использования ИИ в производственном полупроводниковом оборудовании – ​обеспечение улучшенной обработки миллиардов бит данных. Инструментальные средства, оснащенные датчиками и актюаторами, собирают данные и реагируют на них – ​в большинстве систем это происходит автоматически. Растущие возможности ИИ в конечном счете позволят использовать подход, основанный на сформированных выводах, когда полученные данные используются для обучения и формулирования выводов, благодаря чему настройки инструментального средства будут корректироваться на основе области выявленных данных. Все это обеспечивает хорошую наглядность модели.

Инструментальные средства генерируют данные о своей работе и процессе изо дня в день, собирая значимые входные и выходные данные. Поэтому на самом деле нет необходимости понимать динамику перехода от входа к выходу, так как данные добавляются в механизм обучения. В перспективе информация может использоваться в режиме прямой связи для контроля толщины или фазового состояния материала или, при необходимости, для формирования команды на прекращение работы инструментального средства. Такой подход позволяет контролировать не только инструментальное средство, но и качество, а также разброс параметров на пластине.

Кроме того, появляется возможность настройки процессов под требования потребителя, например для изготовления малых партий ИС или специализированных изделий. Надо отметить, что стандартные математические методы обеспечивают недостаточный уровень оптимизации планирования. Для использования больших объемов генерируемых данных в будущем потребуется планирование, основанное на глубоком стимулированном обучении. Методики глубокого стимулированного обучения создаются на основе уже существующих методик стимулированного обучения (часто используемого в биологии) и сетей (схем) глубокого обучения. При этом методики стимулированного обучения трансформируются под специфические потребности полупроводниковой промышленности (см. рисунок).



Структура глубокого стимулированного обучения


ПОВЫШЕНИЕ УРОВНЕЙ ТОЧНОСТИ И ИНТЕГРАЦИИ

Ключевое в данной области – ​понимание того, как данные применяются к конкретному срезу производства, который может включать в себя один этап многоэтапной операции, и как он влияет на другие этапы. Такого рода межинструментальные, межпроцессные данные в настоящее время представляют собой скорее намеченное направление, чем реальность, – ​по ряду причин. Прежде всего, необходимо получать данные с новых приборов, которые только проходят тестирование в условиях эксплуатации. Например, для систем искусственного интеллекта в автономных транспортных средствах пока недостаточно реальных данных, выходящих за рамки современного моделирования и подходов однократного тестирования. В будущем задача будет заключаться в понимании данных, поступающих от работающих приборов, особенно от различных типов устройств внутрикристального мониторинга сигналов и данных в широком диапазоне различных случаев применения, а затем в циклическом возврате этих данных по всей цепочке поставок. Все эти данные должны быть сокращены и понятны в контексте того, как они используются, что добавляет еще один уровень сложности.

В контексте кристалла ИС данных может оказаться слишком много. Основным фактором резкого сокращения их объема станут дешевые средства интеллектуального управления и фильтрации. Если необходимо осуществить простую выборку сигналов с тактовой частотой 2 ГГц на 64-разрядной шине, будет вполне достаточно одного канала со скоростью передачи данных 110 Гбит/с. Если же речь идет о терабайтах или петабайтах данных, интеллектуальная локальная фильтрация необходима для превращения стяжек данных в ценные интеллектуальные сигналы. Это положение столь же верно для производственного оборудования, как и для кристаллов ИС. Вполне возможно собрать каждый бит данных, исходящий с каждого инструментального средства, а затем интегрировать эту информацию с возможностями встроенных в производственную линию средств метрологии, систематизации контроля дефектов, электрического тестирования. Благодаря этому можно осуществлять полностью функциональное тестирование. Тем не менее и здесь есть ряд проблем. Главная из них – ​проблема больших данных, а именно – ​получение на их основе структуры и формата, которые можно использовать. Поскольку специалисты имеют дело с огромным количеством данных из большого числа источников с разными форматами, проблема должна решаться в контексте других больших объемов данных, а это, в свою очередь, отнюдь не тривиальная задача.

 

Sperling Ed. Deeper Understanding of Equipment Behavior and Market Needs Will Have Broad Impact Across the Semiconductor Supply Chain. Semiconductor Engineering, February 21, 2019: https://semiengineering.com/using-sensor-data-to-improve-chip-manufacturing-and-yield/


ЧИТАЙТЕ ТАКЖЕ