Внедрение методов перспективного машинного обучения

Внедрение методов перспективного машинного обучения

Выпуск 19(6743) от 30 сентября 2021 г.
РУБРИКА: ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА

Усложнение конструкций перспективных ИС и уменьшение минимальных размеров топологических элементов, ужесточающиеся требования к надежности приводят к необходимости совершенствования методов контроля, метрологии и тестирования пластин. Алгоритмы компьютерного (машинного) зрения и современные методы машинного обучения не соответствуют ужесточающимся требованиям и по-прежнему требуют участия человека. Все очевиднее необходимость внедрения перспективных методов машинного обучения.

Внедрение методов перспективного машинного обучения (МО) в методологию увеличения выхода годных обусловлено стремлением операторов заводов по обработке пластин и изготовителей оборудования с большей точностью и скоростью выявлять дефекты структур на пластинах со сформированными рисунками. Ежемесячно на заводе по обработке пластин в результате операций контроля, метрологии и тестирования на уровне пластин формируются десятки миллионов их изображений. Для повышения выхода годных и отбраковки пластин, которые не стоит обрабатывать далее, необходимо анализировать данные этих изображений. Специалисты при анализе этих изображений десятилетиями полагались на алгоритмы компьютерного (машинного) зрения. Но ранние реализации МО не соответствуют современным сложным кристаллам и растущему спросу на надежность в течение более длительного срока службы. Частота неправильной классификации высока, что приводит к ложным срабатываниям при классификации – ​отделении годных пластин от дефектных – ​и требует для окончательной оценки участия человека.

Ошибки классификации также снижают производительность заводов по обработке пластин, что увеличивает издержки производства. Кроме того, анализ человеком пограничных (по уровню дефектности) изображений приводит к несогласованным решениям операторов или технических специалистов, выполняющим задачи отбраковки. Это особенно очевидно, поскольку плотность размещения транзисторов увеличивается как по горизонтали, так и по вертикали, создавая тонкие структуры, которые существующему оборудованию может быть трудно различить.

Для повышения точности карты тестирования полупроводниковых пластин должны быть правильно классифицированы в контексте пространственных моделей различных этапов технологического процесса. Это, в свою очередь, требует как адекватного вычислительного анализа, так и изображений контрольных пластин. Поскольку инженеры заводов по обработке пластин начинают использовать самые современные подходы к глубокому обучению, улучшения в точности и скорости оказываются значительными. Там, где используются эти методы, число ошибок классификации снижается, а потребность участия человека сокращается.

В ряде презентаций на последней Конференции по перспективным методам производства полупроводниковых приборов (2021 Advanced Semiconductor Manufacturing Conference, ASMC 2021) было продемонстрировано использование передовых методов МО, включая методы глубокого обучения, при анализе изображений на уровне пластин, которые обеспечивают быстрое реагирование на факторы, ограничивающие выход годных, а также повышение качества и надежности продукции. Этому помогает то, что такого рода подходы стали более доступными, чем в прошлом, и что базовое вычислительное оборудование – ​графические процессоры, специально разработанные для глубокого обучения, – ​способно обрабатывать данные с использованием массовыми параллельными конфигурациями.

Наряду с этим, на некоторых рынках, особенно на рынках автомобильной, военной/авиакосмической и медицинской электроники, также растет спрос на устранение скрытых дефектов. Здесь также наблюдается рост внедрения более перспективных методов анализа пластин со сформированными рисунками.


Изображения на пластинах и компьютерное зрение

Все эти факторы – ​применение, большая сложность и плотность размещения элементов, а также новые подходы – ​увеличивают время, необходимое для обработки пластины. Для управления этими издержками и используются изображения пластин, позволяющие определить источники снижения выхода годных. Например, изображения пластин могут использоваться для упреждающего удаления пластин, для идентификации пластин, требующих переработки, и для обозначения проблемного оборудования.

В течение последних двух десятилетий производители полупроводниковых приборов полагались на компьютерное зрение, которое является одним из самых ранних применений МО в полупроводниковой промышленности. Эти системы автоматизированного оптического контроля (AOI) для выявления макро- и микро физических деформаций используют алгоритмы обработки сигналов.

Обнаружение дефектов обеспечивает цикл обратной связи в рамках этапов технологических процессов, реализуемых на заводах по обработке пластин. Результаты тестирования пластин позволяют сформировать карты годности кристаллов (годные или негодные кристаллы), которые также могут быть проанализированы в виде изображений. Их детализация данных значительно больше, чем пиксельные данные, полученные с помощью инструмента оптического контроля. Тем не менее, результаты тестирования карт годности пластин могут помочь выявить те дефекты, образовавшиеся в процессе реализации операций литографии и других операций технологического процесса, которые могут быть пропущены системами AOI. Таким образом, карты тестирования пластин дают полезную обратную связь для операторов заводов по обработке пластин.

Обучение модели МО компьютерного зрения включает в себя три этапа процесса (рис. 1).



Источник: Semiconductor Engineering

Рисунок 1. Этапы обучения машинному обучению компьютерному зрению


Полученная модель основана на изображениях пластин высокого и низкого качества. Предварительная обработка данных может улучшить изображение до извлечения объектов или маркировки изображений. Например, с помощью AOI изображений можно повысить качество изображений, применяя для их дальнейшего улучшения фильтры. В отличие от этого, изображения на основе карт тестирования пластин не выигрывают от такой фильтрации, потому что каждый кристалл просто помечен как годный/негодный.

Для извлечения топологических элементов (контроль размера, формы) необходимо решить, какие характеристики изображения следует учитывать в модели. Например, с помощью маркировки изображений можно выбрать пространственный шаблон для изучения модели.

Модель машинного обучения начинается с обучающего набора данных изображений. Затем алгоритм необходимо проверить, чтобы убедиться, что он правильно идентифицирует похожие изображения. При использовании карт тестирования пластин классификация основана на пространственных изображениях структур пластин. При использовании изображений пластин, полученных при помощи средств AOI, основное внимание уделяется выявлению дефектов. Для обучения моделей требуются изображения как годных, так и дефектных пластин.

Для классификации вычислительных изображений существует два подхода – ​на основе эталона и без использования эталона. Первый подход обеспечивает более высокую точность классификации дефектов, поскольку изображение дефекта сравнивается с контрольной точкой на той же пластине. Это уменьшает проблемы, такие как изменчивость параметров пластин в одной партии или изменчивость параметров между партиями пластин, которые могут возникать для процесса классификации дефектов при использовании подхода без использования эталона. Внедрение проектирования на основе эталона не обходится без проблем. Большинство систем (проектирования) применяют подход без использования эталона, поэтому сейчас специалисты предпочитают использовать глубокое обучение.

Современные системы AOI используют традиционное МО компьютерного зрения. Пластины, помеченные как дефектные, нуждаются в проверке человеком, потому что они генерируют слишком много ложных срабатываний, обнаруживая дефект там, где его нет. Ложноположительные числа порядка 10–15 % не являются редкостью. Человеческий анализ отнимает много времени и субъективен, а значит, подвержен ошибкам. В одной из статей, опубликованной в 2007 г., специалисты корпораций AMD и Rudolph (ныне Onto) сообщали, что согласие между опытными операторами составляет 43 %, а стабильность оценок оператора – ​93 %.

Системы AOI также не могут найти все дефекты, которые необходимо выявить специалистам заводов по обработке пластин. Это способствует переходу к перспективным методам МО, позволяющим создавать более совершенные методы обнаружения и классификации дефектов.

Большинство систем используют обычные алгоритмы МО. Но при их использовании возникают проблемы с определенными областями, которые обычные средства МО не видят. При переходе к алгоритмам глубокого обучения данные проблемы выявляются. Но этим алгоритмам требуется время (до недели) для программирования и обнаружения подобных дефектов, а это непрактично. Таким образом, многие инновации в данной сфере начинают происходить в области МО с помощью более быстрых алгоритмов глубокого обучения, которые легче программировать.

Для достижения успеха требуется глубокое понимание того, что именно необходимо достичь с помощью МО.

Еще более важным при глубоком обучении становится понимание проблемы и сокращение объема данных, необходимых для решения этой проблемы. Однако специалистам заводов по обработке пластин и фирм-поставщиков оборудования удалось достичь определенного прогресса. На ASMC 2021 несколько групп разработчиков сообщили об успешном применении перспективных методов МО и глубокого обучения, а также о необходимых технических работах для поддержки итерационных процессов обучения. В то время как методы глубокого обучения легко позволяют отличить кошку от собаки, большое разнообразие дефектов структур и широкий диапазон размеров изображений создают проблемы в процессе обучения. Как в случае карт годности тестовых пластин, так и в случае изображений для проверки пластин используются те же подходы, хотя их изображения значительно отличаются с точки зрения детализации данных.

Продолжение следует…

Anne Meixner. Fabs Drive Deeper Into Machine Learning. Semiconductor Engineering, September 7th, 2021 https://semiengineering.com/fabs-drive-deeper-into-machine-learning/


ЧИТАЙТЕ ТАКЖЕ

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