通過結合光譜測量和機器學習的埃多層計量
隨著最近對數(shù)據(jù)存儲的爆炸性需求，從數(shù)據(jù)中心到各種智能和連接設備，對更高容量和更緊湊的存儲設備的需求不斷增加。因此，半導體器件現(xiàn)在正從 2-D 轉向 3-D。3-D-NAND 閃存是當今商業(yè)上最成功的 3-D 半導體設備，其支持數(shù)據(jù)驅動世界的需求正在呈指數(shù)級增長。
3-D 器件的縮放定律是通過以更可靠的方式堆疊越來越多的半導體層(遠高于 100 層)來實現(xiàn)的。由于每層厚度對應于有效通道長度，因此逐層厚度的準確表征和控制至關重要。遺憾的是，迄今為止，還無法對這種數(shù)百層結構的每一層厚度進行無損、準確的測量，這對 3D 設備的未來縮放設置了嚴重的瓶頸。
在Light: Advanced Manufacturing上發(fā)表的一篇新論文中，由韓國先進科學技術研究院 (KAIST) 和三星電子有限公司的工程師組成的團隊，由韓國 KAIST 的 Jungwon Kim 教授領導，開發(fā)了一種非一種結合光譜測量和機器學習的破壞性厚度表征方法. 通過利用半導體多層疊堆和電介質多層反射鏡之間的結構相似性，采用了光譜光學測量，包括橢偏測量和反射測量。然后使用機器學習來提取光譜測量數(shù)據(jù)與多層厚度之間的相關性。對于超過 200 層的氧化物和氮化物多層堆疊，整個堆疊上每層的厚度可以確定，平均約 1.6 Å 均方根誤差。
除了在正常制造條件下準確確定多層厚度有助于控制蝕刻和沉積過程外，研究團隊還開發(fā)了另一種機器學習模型，可以在層厚度與設計目標顯著不同時檢測異常值。它使用了大量的模擬光譜數(shù)據(jù)的更有效和更經濟的培訓，并且可以成功地檢測有故障的設備和確切的錯誤層中的位置設備。
“機器學習方法對于消除與測量相關的問題很有用，”KAIST 的博士生、該研究的第一作者 Hyunsoo Kwak 說。“通過使用注入噪聲的光譜數(shù)據(jù)作為機器學習算法的輸入，我們可以消除測量儀器的各種誤差以及不同制造條件下材料特性的變化，”他補充道。
“這種方法可以很容易地應用于各種 3D半導體器件的全面檢測，”Kim 教授說，“這項工作中使用的所有數(shù)據(jù)都是從 3D NAND 的商用 3D NAND 生產線中獲得的。三星電子。”
標簽： 機器學習