Анализ EUV-шаблонов при помощи цифровых двойников

Анализ EUV-шаблонов при помощи цифровых двойников

Выпуск 15(6739) от 05 августа 2021 г.
РУБРИКА: ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА

В предыдущем выпуске начата публикация перевода статьи из издания Semiconductor Digest, посвященной вопросам освоения EUV-литографии в массовом производстве ИС, в частности применению глубокого обучения для нахождения дефектов на изображениях шаблонов, полученных на сканирующем электронном микроскопе (SEM) с помощью цифровых двойников, и использования результатов для нахождения дефектов на SEM-изображениях реальных шаблонов. Представляем завершение статьи.


Применение: классификация дефектов VSB-систем формирования рисунка

Системы формирования шаблонов пучками с переменной формой сечения (variable-shaped beam, VSB) – это невероятно надежные установки, способные формировать структуры шаблонов круглосуточно и без выходных. Редкие случаи износа этих систем – например, в силу старения деталей – могут привести к ошибкам при создании рисунков на пластине в ходе формирования кристаллов ИС. Задача быстрой диагностики таких ошибок, их отладки и исправления, а также скорейшего возвращения установки в эксплуатацию крайне важна. При возникновении ошибки опытные специалисты на местах должны собрать соответствующую информацию для постановки диагноза – журналы регистрации событий, историю эксплуатации оборудования и изображения дефектов шаблонов, полученные при помощи сканирующего электронного микроскопа (SEM). Изображения SEM – одна из наиболее важных частей информации, использующейся для идентификации и классификации дефектов и дальнейшего определения того, какой компонент в VSB-установке формирования рисунка вызвал появление ошибки.

VSB-установки формирования шаблона – это сложные многокомпонентные системы, включающие электронную пушку, формирующие апертуры, формирующие отражатели (дефлекторы) и субдефлекторы. Проблемы с любой из этих деталей могут повлечь за собой ошибки при формировании рисунка. Например, неполадки в электронной пушке могут означать изменение интенсивности дозы излучения, сужение пределов дозы и уменьшение геометрии (рис. 5а). Неисправность субдефлекторов в нижней части установки может вызвать ошибку положения (рис. 5б), а проблема с формирующими отражателями в верхней части установки – ошибку образования формы (рис. 5в).



Источник: Semiconductor Digest

Рисунок 5. Возможные ошибки при формировании шаблонов


Процесс исследования SEM-изображений и классификации ошибок утомителен и трудоемок. Авторы статьи Automating Mask SEM Analysis Using Digital Twins, размещенной в выпуске журнала Semiconductor Digest за апрель–май 2021 г., создали инструментальное средство на основе глубокого обучения (DL) для классификации таких дефектов в VSB-системах формирования шаблона. Это средство использует SEM-изображения для выявления ошибок таким же образом, как это делают люди.

За основу модели DL для классификации дефектов VSB-установки был взят стандартный классификатор изображений на основе DL. Первоначально разработчики пытались использовать сверточные нейронные сети VGGNet и ResNet (Residual Network – остаточная [глубокая] сверточная нейронная сеть для анализа изображений), но без модификации они показали неудовлетворительные результаты. Затем был использован пользовательский (заказной) вариант архитектуры сверточной нейронной сети ResNet, состоящий из нескольких сверточных слоев с пропущенными соединениями между ними для извлечения объектов и нескольких полностью соединенных слоев для определения вероятностей категории ошибок. Эталонные и дефектные изображения SEM вводятся в модель DL, которая определяет вероятность того, что SEM-изображение содержит один из трех классов ошибок или же является нормальным (рис. 6).



Источник: Semiconductor Digest

* Пропускаемое соединение – используется для добавления выходных данных с более раннего уровня на более поздний, что помогает смягчить проблему исчезающего градиента.

Рисунок 6. Архитектура классификатора дефектов VSB-формирователя шаблонов


Создание обучающих данных для DL-модели классификатора дефектов VSB-установки оказалось одной из самых тяжелых задач – из-за ряда сложных переменных, включая структуру дозы излучения для формирования рисунка и ее интенсивности, а также множество сочетаний сдвигов и изменений размера снимков, которые способствуют возникновению ошибок различных типов. Было важно не только вызвать и смоделировать все возможные состояния и условия для каждого типа ошибок, но и учесть различные типы резистов, варианты травления при формировании рисунка и другие вариации изображений, полученных с помощью SEM. Для решения этой задачи использовалась платформа двойного моделирования «шаблон–пластина» TrueMask DS корпорации D2S. В этой платформе для моделирования различных типов ошибок используется ускоритель на основе графического процессора, а затем – цифровые двойники SEM-изображений. Таким образом было создано более миллиона изображений, охватывающих все типы регулярных структур и все три типа возможных дефектов.

В целом было обнаружено, что методы глубокого обучения могут успешно применяться для изучения топологических размеров элементов ИС по SEM-изображениям, сгенерированным с помощью цифровых двойников, после чего результаты этого обучения с успехом используются для поиска дефектов на реальных SEM-изображениях. В редких случаях оказывалось невозможно встроить в цифровые двойники какие-то специфические помехи и неравномерности краев линии (резиста) для формирования SEM-изображений, аналогичных реальным. Тогда разработчикам приходилось получать реальные SEM-изображения, чтобы DL-модель классификации могла учиться на них, но их число было минимальным.

В целях проверки точности своей DL-модели разработчики сформировали шаблоны с индуцированными ошибками и сделали более 2000 реальных SEM-изображений. Опытные специалисты корпорации NuFlare на условиях краудсорсинга вручную аннотировали 500 реальных SEM-изображений, использованных для оценки модели. При сравнении результатов DL-модели с результатами работ людей было обнаружено, что они эквивалентны. Также были обнаружены доказательства того, что человеческие оценки предвзяты по отношению к типам ошибок, с которыми специалисты сталкивались ранее, т. е. результаты DL-модели были более нейтральными.



Источник: Semiconductor Digest

Рисунок 7. Определение вероятности возникновения ошибки с использованием цифровых двойников SEM-изображений


На рис. 7а и 7б показаны примеры определения вероятности возникновения двух типов ошибок: ошибки положения и ошибки формы. В каждом примере слева направо показано эталонное изображение SEM, изображение SEM с ошибкой, визуализация тепловой карты, показывающая, что нейронная сеть видит во входном SEM-изображении, и, наконец, вероятности возникновения каждой ошибки, оцененные моделью. В этих примерах вероятность того, что моделью присвоена правильная категория ошибки, составляет 95 % или более.

На рис. 7в показана сложная ситуация, когда сеть затрудняется с распознанием и различением категории ошибок и DL-модель дает почти равную вероятность (45 и 55 % соответственно) ошибки дозы или формы. Специалисты-люди также испытывали трудности с классификацией ошибок такого рода.


Это только начало

Проведенная работа ясно показывает, что методы глубокого обучения применимы для анализа шаблонов. Фактически исследователи уже обобщили результаты работ по классификации ошибок VSB-установок формирования шаблонов для использования в других задачах классификации дефектов на основе SEM-изображений и создали инструментальную панель для развертывания этого классификатора в производстве. Тот факт, что ранее разработанные инструментальные средства на основе методов глубокого обучения (совмещение изображений, цифровые двойники SEM-изображений) использовались в технологическом процессе совместно с инструментальным средством классификации ошибок VSB-установок формирования шаблонов, иллюстрирует, как инвестиции в DL-модель для одного приложения могут принести дивиденды при создании другого приложения. Цифровые двойники SEM-изображений сыграли неоценимую роль – без возможности генерировать буквально миллионы SEM-изображений проведенная работа была бы крайне непрактичной. С помощью методов DL можно эффективно автоматизировать некоторые утомительные и чреватые ошибками процессы, выполняемые сегодня людьми, – но применение этих методов будет успешным только в том случае, если для создания больших объемов конкретных данных, требующихся для обучения, будут доступны соответствующие цифровые двойники.


Baranwal Ajay, Nakayamada Noriaki, et al. Automating Mask SEM Analysis Using Digital Twins. Semiconductor Digest, April/May 2021, pp. 18–20, 33.

 


ЧИТАЙТЕ ТАКЖЕ

Выпуск 22(6746) от 11 ноября 2021 г. г.
Выпуск 21(6745) от 28 октября 2021 г. г.