CN112446167A - 指导半导体制造过程的方法和电子设备 - Google Patents

指导半导体制造过程的方法和电子设备 Download PDF

Info

Publication number
CN112446167A
CN112446167A CN202010876227.8A CN202010876227A CN112446167A CN 112446167 A CN112446167 A CN 112446167A CN 202010876227 A CN202010876227 A CN 202010876227A CN 112446167 A CN112446167 A CN 112446167A
Authority
CN
China
Prior art keywords
semiconductor
data
model
countermeasure
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010876227.8A
Other languages
English (en)
Inventor
金宰浩
白康铉
李光熙
全镕宇
权义熙
金润硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020200051830A external-priority patent/KR20210025461A/ko
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN112446167A publication Critical patent/CN112446167A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Semiconductor Integrated Circuits (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

一种指导半导体制造过程的方法包括：接收与目标半导体产品对应的半导体制造过程数据；通过使用技术计算机辅助设计(TCAD)模型来生成与半导体制造过程数据对应的第一半导体特性数据，该TCAD模型是基于包括TCAD模拟数据的训练数据通过机器学习进行训练的；通过使用紧凑模型来生成与半导体制造过程数据对应的第二半导体特性数据，该紧凑模型是基于第一半导体产品的至少一个半导体特性的测量信息来生成的；基于第一半导体特性数据和第二半导体特性数据，通过使用多个对策模型生成分别与多个对策参考对应的多个过程策略；以及基于多个过程策略提供与目标半导体产品对应的最终过程策略。

Description

指导半导体制造过程的方法和电子设备
相关申请的交叉引用
本申请要求在韩国专利局于2019年8月27日提交的韩国专利申请No.10-2019-0105286和于2020年4月28日提交的韩国专利申请No.10-2020-0051830的优先权，其公开内容通过引用整体并入本文。
技术领域
本发明构思的示例实施例涉及用于指导半导体制造过程的方法和电子设备，并且更具体地涉及根据用户输入并基于技术计算机辅助设计(TCAD)模型和紧凑模型来提供用于半导体产品的过程策略的方法和电子设备。
背景技术
随着电子工业的发展，制造商生产由其它公司设计的半导体产品的半导体铸造工业变得越来越重要。在铸造工业中，制造商可以根据设计在实际制造半导体产品之前通过模拟来检查半导体产品的性能。在这种情况下，当在模拟过程中需要改变半导体产品的设计时(例如，通过来自制造商的客户的请求)，可能需要花费大量时间才能基于改变的设计重新执行模拟，因而可能招致额外的成本和时间损失。而且，制造商的客户可以从制造商请求有关模拟的数据。在这种情况下，制造商的模拟和制造专有知识会被不加掩饰地发布。
发明内容
本发明构思的一个或多个示例实施例提供了用于基于反映现有半导体产品的半导体特性的基于技术计算机辅助设计(TCAD)的模拟数据和基于紧凑模型的数据来提供过程策略(例如，最优过程策略)并用于通过为每个用户信息项指派不同的权限级别来增强制造专有知识的安全性的方法和电子设备。
根据本发明构思的一方面，提供了一种指导半导体制造过程的方法，该方法包括：接收与目标半导体产品对应的半导体制造过程数据；通过使用技术计算机辅助设计(TCAD)模型来生成与半导体制造过程数据对应的第一半导体特性数据，该TCAD模型是基于包括TCAD模拟数据的训练数据通过机器学习进行训练的；通过使用紧凑模型来生成与半导体制造过程数据对应的第二半导体特性数据，该紧凑模型是基于第一半导体产品的至少一个半导体特性的测量信息来生成的；基于第一半导体特性数据和第二半导体特性数据，通过使用多个对策模型生成分别与多个对策参考对应的多个过程策略；以及基于多个过程策略提供与目标半导体产品对应的最终过程策略。
根据本发明构思的另一方面，提供了一种用于指导半导体制造过程的电子设备。该电子设备包括显示器；至少一个非暂态计算机可读介质；以及至少一个处理器，被配置为执行存储在至少一个非暂态计算机可读介质中的指令，其中至少一个处理器还被配置为：接收与目标半导体设备对应的半导体制造过程数据；通过使用技术计算机辅助设计(TCAD)模型来生成与半导体制造过程数据对应的第一半导体特性数据，该TCAD模型是基于包括多个半导体特性的信息的训练数据通过机器学习进行训练的；通过使用紧凑模型来生成与半导体制造过程数据对应的第二半导体特性数据，该紧凑模型是基于第一半导体设备的至少一个半导体特性的测量信息来生成的；以及基于第一半导体特性数据和第二半导体特性数据，通过使用多个对策模型生成与多个对策参考对应的多个过程策略，并控制显示器显示多个过程策略中的至少一个作为与目标半导体设备对应的过程策略。
根据本发明构思的另一方面，提供了一种用于指导半导体制造过程的电子系统。该电子系统包括通信单元、显示器、处理器，处理器被配置为：接收与目标半导体设备对应的半导体制造过程数据；通过使用技术计算机辅助设计(TCAD)模型来输出与半导体制造过程数据对应的第一半导体特性数据，该TCAD模型是基于包括TCAD模拟数据的训练数据通过机器学习进行训练的；通过使用紧凑模型来输出与半导体制造过程数据对应的第二半导体特性数据，该紧凑模型是基于第一半导体设备的至少一个半导体特性的测量信息来生成的；基于第一半导体特性数据和第二半导体特性数据，生成多个过程策略；以及管理设备，被配置为从处理器接收用户信息，并向处理器传输关于与该用户信息对应的权限级别的信息，其中处理器还被配置为控制显示器基于关于权限级别的信息显示多个过程策略的至少一部分。
附图说明
结合附图，从下面的详细描述中，将更清楚地理解本发明构思的实施例，其中：
图1是根据示例实施例的电子设备的框图；
图2是根据示例实施例的指导半导体制造过程的方法的流程图；
图3是根据示例实施例的电子设备的框图；
图4是根据示例实施例的用于描述技术计算机辅助设计(TCAD)模型的框图；
图5是根据示例实施例的用于描述半导体制造过程数据的表；
图6是用于描述根据示例实施例的输出设置的表；
图7是根据示例实施例的电子设备的框图；
图8是用于描述根据示例实施例的紧凑模型的框图；
图9是用于描述根据示例实施例的紧凑子模型的框图；
图10是根据示例实施例的用于描述将第一半导体特性数据与第二半导体特性数据进行比较的操作的框图；
图11是根据示例实施例的比较操作的流程图；
图12是根据示例实施例的用于描述生成多个过程策略和最终过程策略的方法的框图；
图13是根据示例实施例的图形用户界面的图；以及
图14是根据示例实施例的电子系统的框图。
具体实施方式
在下文中，将参考附图详细描述示例实施例。
图1是根据示例实施例的电子设备的框图。
参考图1，电子设备1可以包括输入单元11、存储装置12、处理器13、显示器14和通信单元15。电子设备1可以基于与目标半导体产品相关的各种信息来提供要制造的目标半导体产品的过程策略。例如，电子设备1可以通过基于与目标半导体产品相关的信息执行模拟来获取关于期望的半导体特性(例如，电气特性和/或结构特性)的信息，并基于所获取的关于特性的信息来提供目标半导体产品的过程策略。过程策略可以包括与半导体产品的制造过程相关的各种信息，诸如设计结构、施加的电压和离子注入的类型。
输入单元11可以从用户接收在目标半导体产品的模拟中使用的半导体制造过程数据。用户可以通过输入单元11将与目标半导体产品对应的半导体制造过程数据输入到电子设备1。
半导体制造过程数据可以包括关于选自半导体产品的种类、半导体制造过程、半导体设备和半导体产品的版本中的至少一个的信息。半导体制造过程数据还可以包括关于至少一个半导体布局(或结构)和离子注入的信息，其与半导体产品、过程、设备和/或半导体产品的版本对应。关于离子注入的信息可以包括掺杂剂的种类和掺杂剂的浓度。半导体制造过程数据不限于上述那些，并且可以附加地包括各种信息。
在实施例中，输入单元11可以从用户接收关于选自与目标半导体产品对应的半导体产品的种类、过程、设备和版本中的至少一个的信息以及关于选自半导体布局和离子注入中的至少一个的信息。例如，输入单元11可以从用户接收与目标半导体产品对应的第一半导体产品和与第一半导体产品对应的第一半导体布局。
在实施例中，输入单元11可以从用户接收关于选自与目标半导体产品对应的半导体布局和离子注入中的至少一个的信息，作为半导体制造过程数据。例如，输入单元11可以从用户仅接收与第二半导体设备对应的第二半导体离子注入信息，第二半导体设备与目标半导体产品对应。通过输入单元11接收的半导体制造过程数据可以被提供给处理器13。由输入单元11接收的半导体制造过程数据不限于上述示例。
输入单元11还可以从用户接收目标半导体产品的电气和/或结构特性，作为输出设置。输出设置可以是指示用户选择目标半导体产品的电气和/或结构特性中用户期望的至少一个作为目标半导体产品的模拟结果的设置信息。例如，用户可以通过输出设置选择的信息可以包括选自阈值电压、增益、线性度、击穿电压、氧化物降级、结和/或隧穿泄漏电流、电容-电压(C-V)曲线、电流-电压(I-V)曲线、漏极电流-栅极电压(Id-Vg)曲线、漏极电压-漏极电流(Vd-Id)曲线、半导体产品的分布图像(例如，电位分布、掺杂分布或静电场分布)以及半导体产品的场图像中的至少一个。
例如，输入单元11可以包括诸如键盘、鼠标和触摸面板之类的一个或多个硬件接口，以及诸如图形用户界面和基于文本的界面之类的一个或多个软件接口。在另一个示例中，输入单元11可以包括被配置为从电子设备1的内部或外部设备接收半导体制造过程数据和输出设置的通用接口。通用接口的示例可以包括外围组件互连Express(PCIe)接口、通过以太网的远程直接存储器访问(RDMA)接口、串行高级技术附件(SATA)接口、光纤通道接口、非易失性存储器Express(NVMe)接口、以太网接口和通用串行总线(USB)接口。
存储装置12可以包括至少一个非暂态计算机可读介质。在实施例中，存储装置12可以附加地包括至少一个暂态计算机可读介质。
处理器13可以执行计算机程序命令并且与其它系统元件交互以执行本文描述的各种功能。电子设备1可以包括至少一个处理器13。在下文中，根据一些实施例，电子设备1的操作可以被实现为存储在非暂态计算机可读介质中的指令，并且指令可以由处理器13执行。
存储装置12可以存储基于通过机器学习的训练数据训练的技术计算机辅助设计(TCAD)模型。TCAD模型可以使用半导体制造过程数据作为输入数据来执行模拟并且输出关于目标半导体产品的电气和/或结构特性的信息作为模拟结果。可以根据数学和物理理论以数学表达式来实施TCAD模型。可以使用TCAD模拟结果作为训练数据通过机器学习来训练TCAD模型。可以预先训练TCAD模型并将其存储在存储装置12中，但是处理器13可以通过机器学习来训练TCAD模型。
处理器13可以基于存储在存储装置12中的TCAD模型来获取关于与半导体制造过程数据对应的目标半导体产品的电气和/或结构特性的信息。在实施例中，处理器13可以将从输入单元11接收的半导体制造过程数据输入到TCAD模型中，并且从TCAD模型获取目标半导体产品的电气和/或结构特性。在下文中，为了便于描述，将通过TCAD模型获取的关于目标半导体产品的电气和/或结构特性的信息称为第一半导体特性数据。
在实施例中，TCAD模型可以生成包括与通过输入单元11输入的输出设置对应的电气和/或结构特性的第一半导体特性数据。例如，当用户将击穿电压作为输出设置输入到输入单元11时，TCAD模型可以生成包括关于击穿电压的信息的第一半导体特性数据作为模拟结果。
存储装置12可以存储紧凑模型。就像TCAD模型，紧凑模型可以使用半导体制造过程数据作为输入数据执行模拟，并输出关于目标半导体产品的电气和/或结构特性的信息作为模拟结果。不像TCAD模型，紧凑模型可以反映半导体产品的电气和/或结构特性的真实测量信息。详细地，紧凑模型可以反映通过使用半导体测量装备测量由半导体制造装备制造的实际半导体产品的电气和/或结构特性而获得的测量信息。处理器13可以基于通过测量实际半导体产品的电气和/或结构特性而获得的测量信息来生成或更新紧凑模型。
处理器13可以基于存储在存储装置12中的紧凑模型来获取关于与半导体制造过程数据对应的目标半导体产品的电气和/或结构特性的信息。在实施例中，处理器13可以将从输入单元11接收的半导体制造过程数据输入到紧凑模型中，并且从紧凑模型获取目标半导体产品的电气和/或结构特性。在下文中，为了便于描述，将通过紧凑模型获取的关于目标半导体产品的电气和/或结构特性的信息称为第二半导体特性数据。
在实施例中，紧凑模型可以生成第二半导体特性数据，该第二半导体特性数据包括与通过输入单元11输入的输出设置对应的电气和/或结构特性。例如，当用户将击穿电压作为输出设置输入到输入单元11时，紧凑模型可以生成包括关于击穿电压的信息的第二半导体特性数据作为模拟结果。
因为紧凑模型反映了已经制造的实际半导体产品的电气和/或结构特性，所以会产生保守的模拟结果。在另一个示例中，紧凑模型可以是包括少量数据的经验数据模型。另一方面，TCAD模型不包括测量半导体产品的电气和/或结构特性的结果，因此可以视为基本数据模型。因为使用大量训练数据来训练TCAD模型，所以TCAD模型可以是包括大量数据的基本数据模型。
处理器13可以使用第一半导体特性数据和第二半导体特性数据来生成至少一个过程策略。详细地，处理器13可以使用决策模型从第一半导体特性数据和第二半导体特性数据生成至少一个过程策略，该决策模型被配置为基于关于半导体产品的电气和/或结构特性的信息来生成过程策略。决策模型可以根据用于生成过程策略的对策参考使用关于目标半导体产品的电气和/或结构特性的信息(例如，第一半导体特性数据和/或第二半导体特性数据)来生成过程策略。
在实施例中，当决策模型具有多个对策参考时，决策模型可以生成与多个对策参考对应的多个过程策略。对策参考可以包括选自风险承担度、电气和/或结构特性的优先级次序、电气和/或结构特性的目标范围及其任意组合中的至少一个。对策参考不限于上述描述，并且可以包括各种项目。下面将参考图12详细描述通过使用决策模型生成多个过程策略的操作。
处理器13可以通过使用决策模型来将多个过程策略中的至少一个确定为最终过程策略(例如，作为最优过程策略)。在实施例中，输入单元11可以从用户接收用于确定半导体产品的多个过程策略中的最终过程策略的决策权重。决策模型可以基于决策权重将过程策略中的至少一个确定为最终过程策略。
在此，决策权重可以包括关于多个半导体特性中的至少一个的优先级次序。半导体特性可以包括半导体产品的电气和/或结构特性。例如，半导体特性可以包括半导体产品本身的电气和/或结构特性。可替代地，半导体特性可以包括半导体产品中包括的至少一个元件的电气和/或结构特性。下面将参考图12详细描述通过使用决策模型将多个过程策略中的至少一个确定为最终过程策略的操作。
处理器13可以通过显示器14显示最终过程策略。实施例不限于此。例如，处理器13可以在显示器14上显示所有过程策略当中的所有过程策略或预定数量的过程策略，或者可以在显示器14上顺序显示所有过程策略。
处理器13可以包括中央处理单元(CPU)和/或图形处理单元(GPU)。选自存储装置12、处理器13和通信单元15中的至少一个可以包括应用处理器(AP)。
存储装置12的至少一个非暂态计算机可读介质可以包括易失性计算机可读介质，该易失性计算机可读介质包括例如但不限于寄存器、高速缓存、静态随机存取存储器(SRAM)、动态RAM(DRAM)等，其临时存储数据并可由设备读取。不像图1的实施例，易失性计算机可读介质可以被包括在处理器13中。例如，处理器13的算术结果可以存储在处理器13中包括的暂态计算机可读介质中。但是，实施例不限于此。
存储装置12的至少一个非暂态计算机可读介质可以包括诸如光盘(CD)、数字通用光盘(DVD)、硬盘、固态驱动器(SSD)、蓝光光盘、USB存储器或只读存储器(ROM)之类的介质，其半永久性地存储数据并且可由设备读取。非易失性计算机可读介质可以包括一个或多个各种非易失性存储器设备。例如，非易失性存储器设备可以包括选自闪存、相变RAM(PRAM)、电阻RAM(ReRAM)和磁阻RAM(MRAM)中的至少一种，但是不限于此。
计算机程序命令、TCAD模型、紧凑模型和决策模型可以存储在暂态或非暂态计算机可读介质中。在至少一些实施例中，可以将由处理器13执行的模拟所产生的值或从由处理器13执行的算术处理所获得的值存储在暂态或非暂态计算机可读介质中。在至少一些实施例中，机器学习期间生成的中间值可以存储在暂态或非暂态计算机可读介质中。在至少一些实施例中，将在下面描述的第一半导体特性数据、第二半导体特性数据和过程策略可以存储在暂态或非暂态计算机可读介质中。但是，实施例不限于此。
显示器14可以在视觉上输出要用于电子设备1的操作的各种数据。例如，显示器14可以显示设置屏幕，经由该设置屏幕接收半导体制造过程数据、输出设置和决策权重的一个或多个输入。在另一个示例中，显示器14可以显示至少一个过程策略。显示器14可以包括选自液晶显示器(LCD)、发光二极管(LED)显示器、有机LED(OLED)显示器和量子点(QD)显示器中的至少一个，并且可以包括三维(3D)显示器。
通信单元15可以将由电子设备1生成和/或输出的数据、数据模型和过程策略传输到电子设备1的内部或外部，或者可以从外部设备接收要用于电子设备1的算术处理的数据和数据模型。通信单元15可以经由各种有线和/或无线通信接口来执行通信。
图2是根据示例实施例的指导半导体制造过程的方法的流程图。图1的相同附图标记将用于指代相同或相似的元件。
在操作S210中，电子设备1可以接收与目标半导体产品对应的半导体制造过程数据以及用于设置目标半导体产品的电气和/或结构特性的输出设置。
在操作S220中，电子设备1可以使用TCAD模型输出与半导体制造过程数据对应的第一半导体特性数据，该TCAD模型是基于包括TCAD模拟数据的训练数据通过机器学习来训练的。例如，可以将通过机器学习训练的TCAD模型存储在存储装置12中，并且处理器13可以将半导体制造过程数据输入到TCAD模型并输出从TCAD模型接收的第一半导体特性数据，第一半导体特性数据与目标半导体产品的电气和/或结构特性对应。
电子设备1可以基于通过在操作S230中实际测量半导体产品的电气和/或结构特性而获得的值来生成或更新紧凑模型，并且可以在操作S240中使用紧凑模型输出与半导体制造过程数据对应的第二半导体特性数据。例如，可以基于通过使用半导体测量装备测量已经由半导体制造装备制造的实际半导体产品的电气和/或结构特性而获得的测量信息来实时地新生成或更新紧凑模型。处理器13可以将半导体制造过程数据输入到紧凑模型并可以输出从紧凑模型接收的第二半导体特性数据，第二半导体特性数据与目标半导体产品的电气和/或结构特性对应。
在操作S250中，电子设备1可以通过使用决策模型来基于第一半导体特性数据和第二半导体特性数据输出多个过程策略，所述决策模型基于关于半导体产品的电气和/或结构特性的信息来生成过程策略。第一半导体特性数据可以反映TCAD模型的结果(例如，模拟结果)，并且第二半导体特性数据可以反映实际测量半导体产品的结果。因而，电子设备1可以通过考虑第一半导体特性数据和第二半导体特性数据两者来输出过程策略。
在操作S260中，电子设备1可以基于过程策略来提供最终过程策略。例如，电子设备1可以提供过程策略中的至少一个作为最终过程策略，或者可以确定过程策略中的至少一些的优先级次序并通过根据优先级次序显示过程策略来提供最终过程策略。
图3是根据示例实施例的电子设备的框图；图4是用于描述根据示例实施例的TCAD模型的框图；图5是用于描述根据示例实施例的半导体制造过程数据的表；图6是用于描述根据示例实施例的输出设置的表。图1的相同附图标记将用于指代相同或相似的元件。
参考图3，电子设备1a可以包括输入单元11、存储装置12和处理器13。存储装置12可以包括TCAD模型121。
根据示例实施例，输入单元11可以将半导体制造过程数据MD传输到处理器13，并且处理器13可以通过使用TCAD模型121从半导体制造过程数据MD生成第一半导体特性数据。在这种情况下，TCAD模型121可以包括数据模型，该数据模型通过一系列学习过程被存储在存储装置12中。可替代地，处理器13可以通过机器学习来接收训练数据并训练存储在存储装置12中的TCAD模型121。
参考图4，TCAD模型121可以包括多个TCAD子模型，例如，第一至第N TCAD子模型121_1至121_N，以及组合模块131。在此，N是等于或大于2的自然数。处理器13可以通过将半导体制造过程数据MD输入到TCAD模型121来执行算术处理。例如，第一至第N TCAD子模型121_1至121_N可以由人工神经网络模型实现，该人工神经网络模型可以包括选自卷积神经网络(CNN)、具有CNN的区域(R-CNN)、区域提案网络(RPN)、循环神经网络(RNN)、基于堆栈的深度神经网络(S-DNN)、状态空间动态神经网络(S-SDNN)、反卷积网络、深度置信网络(DBN)、受限玻尔兹曼机(RBM)、完全卷积网络、长短期记忆(LSTM)网络和分类网络中的至少一个。
第一至第N TCAD子模型121_1至121_N中的每一个可以执行机器学习以模拟半导体产品的不同电气和/或结构特性。半导体产品的电气和/或结构特性可以包括选自阈值电压、增益、线性度、击穿电压、氧化物降级、结和/或隧穿泄漏电流、C-V曲线、I-V曲线、Id-Vg曲线、Vd-Id曲线、半导体产品的分布图像(例如，电位分布、掺杂分布或静电场分布)以及半导体产品的场图像中的至少一个。分别由第一至第N TCAD子模型121_1至121_N模拟的半导体产品的电气和/或结构特性的项可以与输出设置的项相同。
例如，可以基于第一训练数据ED1来训练第一TCAD子模型121_1，该第一训练数据ED1可以包括关于半导体产品的C-V曲线的数据。第一TCAD子模型121_1可以基于半导体制造过程数据MD执行模拟，并且生成关于C-V曲线的第一预测数据TO1。在另一个示例中，可以基于第二训练数据ED2来训练第二TCAD子模型121_2，该第二训练数据ED2可以包括半导体产品的横截面的图像数据以示出掺杂浓度。第二TCAD子模型121_2可以基于半导体制造过程数据MD执行模拟，并且生成第二预测数据TO2，该第二预测数据TO2包括半导体产品的截面的图像数据以示出掺杂浓度。在又一个示例中，可以基于第N训练数据EDN来训练第NTCAD子模型121_N，该第N训练数据EDN可以包括关于半导体产品的静电场特性的数据。第NTCAD子模型121_N可以基于半导体制造过程数据MD执行模拟，并且生成关于半导体产品的静电场特性的第N预测数据TON。
处理器13可以通过使用选自第一至第N TCAD子模型121_1至121_N中的至少一个来执行模拟。例如，处理器13可以基于半导体制造过程数据MD和/或输出设置从第一至第NTCAD子模型121_1至121_N中选择要用于模拟的TCAD子模型。例如，当输出设置包括C-V曲线项时，处理器13可以选择生成关于C-V曲线的预测数据的TCAD子模型(例如，第一TCAD子模型121_1)。
根据示例实施例，处理器13可以设置环境变量。例如，处理器13可以设置模拟装备、设计者、制造装备等中涉及的环境变量。环境变量可以包括校准参数和关于数据缩放的信息。处理器13可以响应于用户输入而设置环境变量，并且还可以使用已经存储在存储装置12中的数据来设置环境变量。考虑到环境变量，第一至第N TCAD子模型121_1至121_N可以执行模拟。
TCAD模型121可以生成第一至第N预测数据TO1至TON。可以分别从第一至第N TCAD子模型121_1至121_N输出第一至第N预测数据TO1至TON。换句话说，第一至第N预测数据TO1至TON可以与半导体产品的电气和/或结构特性对应，第一至第N预测数据TO1至TON分别由第一至第N TCAD子模型121_1至121_N从半导体制造过程数据MD预测。
TCAD模型121可以通过使用组合模块131通过组合第一至第N预测数据TO1至TON来输出第一半导体特性数据SD1。例如，组合模块131可以包括硬件和/或软件模块，其被实现为通过组合包括彼此不同的电气特性和彼此不同的结构特性的第一至第N预测数据TO1至TON来表示指示半导体产品的一般特性的数据。处理器13可以使用TCAD模型121来生成第一半导体特性数据SD1，并且可以将第一半导体特性数据SD1存储在存储装置12中，或者在后续的算术处理中使用第一半导体特性数据SD1。
参考图5，半导体制造过程数据MD可以包括根据要用于半导体制造过程的元件类型的数据值。半导体制造过程数据MD可以包括关于产品的信息A(例如，产品名称)、关于过程的信息B(例如，过程名称)、关于半导体产品的信息C(例如，半导体设备的名称)、关于版本的信息D、关于半导体布局的信息E，以及关于离子注入的信息F。实施例不限于此，并且半导体制造过程数据MD可以省略或替换以上任何信息，或者还可以包括各种其它项。
参考图6，输出设置可以包括与半导体产品的输出相关的数据类型和指示选择或不选择对应数据类型的字段。
当用户在输出设置中选择与输出相关的数据类型中的至少一种时，处理器13可以通过模拟来输出关于所选择的数据的类型的值、文本和/或图像。输出设置可以包括选自阈值电压、增益、线性度、击穿电压、氧化物降级、结和/或隧穿泄漏电流、C-V曲线、I-V曲线、Id-Vg曲线、Vd-Id曲线、半导体产品的分布图像(例如，电位分布、掺杂分布或静电场分布)以及半导体产品的场图像中的至少一个。实施例不限于此，并且输出设置可以包括例如关于半导体电路的布局的信息和/或布局的图像，并且还可以包括指示半导体产品的结构和特性的各种数据。
例如，参考图6，用户选择用于输出设置的半导体产品的阈值电压Vt，击穿电压和分布图像，处理器13可以使用TCAD模型和/或紧凑模型来执行模拟，并且可以输出阈值电压Vt、击穿电压和分布图像，作为目标半导体产品的预测电气和/或结构特性。
图7是根据示例实施例的电子设备的框图，图8是用于描述根据示例实施例的紧凑模型的框图，并且图9是用于描述根据示例实施例的紧凑子模型的框图示例实施例。
参考图7，电子设备1b可以包括输入单元11、存储装置12和处理器13，并且存储装置12可以包括紧凑模型122。电子设备1b、半导体制造装备31和半导体测量装备32可以形成半导体系统。实施例不限于此，并且电子设备1b可以被实现为与半导体制造设备31和半导体测量设备32分离的半导体系统。
根据示例实施例，输入单元11可以将半导体制造过程数据MD传输到处理器13，并且处理器13可以通过使用紧凑模型122从半导体制造过程数据MD生成第二半导体特性数据。处理器13可以基于测量数据SM生成或更新紧凑模型122，并且将紧凑模型122存储在存储装置12中。
可以基于测量数据SM来生成或更新紧凑模型122。测量数据SM可以包括由半导体测量装备32实际测量的半导体产品的电气和/或结构特性。由半导体测量装备32测量的半导体产品可以已经由半导体制造装备31基于半导体制造数据OD制造。半导体制造数据OD可以与目标半导体设备的制造或与目标半导体设备类似的半导体设备的制造相关。
可以响应于半导体测量装备32对半导体产品的电气和/或结构特性的测量而更新紧凑模型122。例如，响应于从半导体测量装备32接收到测量数据SM，处理器13可以更新紧凑模型122以反映最新的测量数据SM。处理器13可以通过输入单元11或通信单元15从半导体测量装备32接收测量数据SM。
存储装置12可以包括选自半导体制造装备31和半导体测量装备32中的至少一个的装备信息。例如，根据半导体制造装备31的类型，半导体产品可以具有不同的电气和/或结构特性。此外，可以根据半导体测量装备32的类型来不同地测量半导体产品的电气和/或结构特性。为了减少与半导体制造装备31和半导体测量装备32的类型相关的错误，存储装置12可以包括各种装备信息，诸如关于半导体制造装备31的制造商和半导体测量装备32的制造商的信息、半导体制造装备31和半导体测量装备32的型号信息，及其性能信息。处理器13可以参考存储在存储装置12中的装备信息来更新紧凑模型122。
参考图8，紧凑模型122可以是一种数据模型，并且可以基于半导体制造过程数据MD执行模拟。为了获取准确的模拟结果，处理器13可以基于测量数据SM来更新紧凑模型122。换句话说，处理器13可以通过使用已经基于测量数据SM更新的紧凑模型122基于半导体制造过程数据MD来输出第二半导体特性数据SD2。
参考图9，紧凑模型122可以包括多个紧凑子模型，例如，第一至第N紧凑子模型122_1至122_N，以及组合模块132。例如，N可以是等于或大于2的自然数。在另一个示例中，N可以等于上述的第一至第N TCAD子模型121_1至121_N的数量。换句话说，处理器13可以生成与第一至第N TCAD子模型121_1至121_N相同数量的第一至第N紧凑子模型122_1至122_N。第一至第N紧凑子模型122_1至122_N中的每一个可以包括关于与第一至第N TCAD子模型121_1至121_N中的对应一个相同的电气和/或结构特性的信息。例如，当第一TCAD子模型121_1的第一预测数据TO1是关于图4中的C-V曲线时，第一紧凑子模型122_1可以生成关于C-V曲线的第一输出数据CO1。当第二TCAD子模型121_2包括图4中的半导体产品的横截面的图像数据以示出掺杂浓度时，第二紧凑子模型122_2可以生成第二输出数据CO2，第二输出数据CO2包括半导体产品的横截面的图像数据以示出掺杂浓度。
处理器13可以使用选自第一至第N紧凑子模型122_1至122_N中的至少一个来执行模拟。例如，处理器13可以基于半导体制造过程数据MD和/或输出设置从第一至第N紧凑子模型122_1至122_N中选择要用于模拟的紧凑子模型。例如，当输出设置包括C-V曲线项时，处理器13可以选择生成关于C-V曲线的输出数据的紧凑子模型。
根据示例实施例，处理器13可以设置环境变量。例如，处理器13可以设置模拟装备、设计者、制造装备等中涉及的环境变量。环境变量可以包括校准参数和关于数据缩放的信息。处理器13可以响应于用户输入而设置环境变量，并且还可以使用已经存储在存储装置12中的数据来设置环境变量。考虑到环境变量，第一至第N紧凑子模型122_1至122_N可以执行模拟。
紧凑模型122可以生成第一至第N输出数据CO1至CON，每个输出数据包括关于不同电气和/或结构特性的信息。紧凑模型122可以通过使用组合模块132组合第一至第N输出数据CO1至CON来输出第二半导体特性数据SD2。例如，组合模块132可以包括硬件和/或软件模块，其被实现为通过组合包括彼此不同的电气特性和/或彼此不同的结构特性的第一至第N输出数据CO1至CON来表示指示半导体产品的一般特性的数据。处理器13可以使用紧凑模型122来生成第二半导体特性数据SD2，并且可以将第二半导体特性数据SD2存储在存储装置12中，或者可以在后续的算术处理中使用第二半导体特性数据SD2。
图10是根据示例实施例的用于描述将第一半导体特性数据与第二半导体特性数据进行比较的操作的框图；并且图11是根据示例实施例的比较操作的流程图。
参考图10和11，处理器13可以通过使用TCAD模型121来生成第一半导体特性数据SD1，并且通过使用紧凑模型122来生成第二半导体特性数据SD2，并且可以基于第一半导体特性数据SD1和第二半导体特性数据SD2来生成组合数据CM。
详细地，在操作S310中，处理器13可以接收输出设置，该输出设置包括半导体产品的电气和/或结构特性当中的第一特性(例如，在图6中选择为输出设置的击穿电压)和第二特性(例如，在图6中选择为输出设置的半导体产品的分布图像)。
在操作S320中，处理器13可以将包括在第一半导体特性数据SD1和第二半导体特性数据SD2的每一个中的关于第一特性的信息分类为第一分类数据CA1或CB1。详细地，参考图10，处理器13可以通过使用第一分类模块141将关于第一半导体特性数据SD1中的第一特性的信息分类为第一分类数据CA1。此外，处理器13可以通过使用第二分类模块142将关于第二半导体特性数据SD2中的第一特性的信息分类为第一分类数据CB1。第一分类数据CA1和CB1可以包括相同种类的电气特性或相同种类的结构特性。
类似地，在操作S350中，处理器13可以将包括在第一半导体特性数据SD1和第二半导体特性数据SD2的每一个中的关于第二特性的信息分类为第二分类数据CA2或CB2。详细地，参考图10，处理器13可以通过使用第一分类模块141将关于第一半导体特性数据SD1中的第二特性的信息分类为第二分类数据CA2。此外，处理器13可以通过使用第二分类模块142将关于第二半导体特性数据SD2中的第二特性的信息分类为第二分类数据CB2。第二分类数据CA2和CB2可以包括相同种类的电气特性或相同种类的结构特性。
在操作S330中，处理器13可以基于第一比较参考RF1将第一半导体特性数据SD1的第一分类数据CA1与第二半导体特性数据SD2的第一分类数据CB1进行比较，并且可以在操作S340输出第一比较结果数据CA。详细地，处理器13可以通过使用第一比较模块151将第一分类数据CA1与第一分类数据CB1进行比较，并且可以输出第一分类数据CA1和第一分类数据CB1之间与第一比较参考RF1更符合的数据作为第一比较结果数据CA。
第一比较参考RF1可以与第一特性对应并且可以根据第一特性的性质来设置。例如，当第一特性是击穿电压时，可以将第一比较参考RF1设置为具有较小的击穿电压。在这种情况下，处理器13可以输出与第一分类数据CA1和第一分类数据CB1之间的较小击穿电压对应的数据作为第一比较结果数据CA。设置第一比较参考RF1的方法不限于以上所述。例如，可以考虑针对第一特性设置的选自优先级次序、风险承受度和目标范围中的至少一个及其任意组合来设置第一比较参考RF1。例如，可以将第一比较参考RF1设置为针对第一特性设置的目标范围，并且处理器13可以输出第一分类数据CA1和第一分类数据CB1之间与由第一比较参考RF1指示的针对第一特性设置的目标范围更符合的数据作为第一比较结果数据CA。
在操作S360中，处理器13可以基于第二比较参考RF2将第一半导体特性数据SD1的第二分类数据CA2与第二半导体特性数据SD2的第二分类数据CB2进行比较，并且可以在操作S370中输出第二比较结果数据CB。详细地，处理器13可以通过使用第二比较模块152将第二分类数据CA2与第二分类数据CB2进行比较，并且可以输出第二分类数据CA2和第二分类数据CB2之间与第二比较参考RF2更符合的数据作为第二比较结果数据CB。
第二比较参考RF2可以与第二特性对应并且可以根据第二特性的性质来设置。设置第二比较参考RF2的方法不限于以上所述。例如，可以考虑选自针对第二特性设置的优先级次序、风险承受度和目标范围中的至少一个来设置第二比较参考RF2。
在操作S380中，处理器13可以通过将第一比较结果数据CA与第二比较结果数据CB组合来生成组合数据。详细地，参考图10，处理器13可以通过使用组合模块161通过将第一比较结果数据CA与第二比较结果数据CB组合来生成组合数据CM。例如，第一比较结果数据CA可以关于第一特性，并且第二比较结果数据CB可以关于第二特性。因而，处理器13可以通过使用组合模块161来将第一比较结果数据CA与第二比较结果数据CB组合，以生成包括半导体产品的多个半导体特性的组合数据CM。组合数据CM可以包括多片比较结果数据，例如，第一比较结果数据CA和第二比较结果数据CB。
虽然图10和11图示了仅关于第一和第二特性的信息的分类和比较，但是实施例不限于此，并且可以对至少两个半导体产品的特性进行分类和比较。在这种情况下，可以使用至少两个分类模型和至少两个比较模型。
图12是用于描述根据示例实施例的生成多个过程策略和最终过程策略的方法的框图。
参考图12，决策模型170可以包括多个对策模型，例如，第一至第M对策模型170_1至170_M(其中M是等于或大于2的自然数)，以及过程策略决策模块180。决策模型170可以接收图10中的组合数据CM，并输出最终过程策略(例如，最优过程策略)FP。
详细地，决策模型170的第一至第M对策模型170_1至170_M可以基于组合数据CM分别生成第一至第M过程策略PP1至PPM。第一至第M对策模型170_1至170_M可以根据相应的不同对策参考分别生成不同的过程策略。对策参考可以包括选自风险承受度、电气和/或结构特性的优先级次序、电气和/或结构特性的目标范围及其组合中的至少一个。可以训练第一至第M对策模型170_1至170_M中的每一个以根据对策参考来生成过程策略。
在此，风险承受度可以是指与半导体产品的可靠性(例如，耐用性或成品率)相比给予半导体产品的性能(例如，带宽)的优先级的程度。例如，当半导体产品的风险承受度增加时，半导体产品的性能可以增加，但是半导体产品的可靠性会降低。在实施例中，可以基于与半导体产品相关的各种信息来计算风险承受度。例如，可以使用基于半导体产品的电气和/或结构特性计算出的性能得分以及基于相对于第一特性的改变的第二特性的改变而计算出的可靠性得分来确定风险承受度，其中第一和第二特性包括在半导体产品的电气和/或结构特性中。
在此，第一特性可以包括选自与离子注入相关的特性(例如，离子注入能量、离子注入角度、离子注入投影范围和离子注入掩模)、与设计结构相关的特性(例如，栅极氧化物、栅极长度、栅极宽度、浅沟槽隔离(STI)深度和/或斜率以及接触位置)以及内部物理特性(例如，随机掺杂物波动、陷阱分布和流动性)中的至少一个。第二特性可以包括选自阈值电压、增益、线性度、击穿电压、氧化物降级、结和/或隧穿泄漏电流、C-V曲线、I-V曲线、Id-Vg曲线、Vd-Id曲线、半导体产品的分布图像(例如，电位分布、掺杂分布和/或静电场分布)以及半导体产品的场图像中的至少一个。上述第一和第二特性的种类仅仅是示例，并且实施例不限于此。第一和第二特性可以包括各种其它特性。
例如，可以将第一对策模型170_1的第一对策参考设置为生成具有高风险承受度的过程策略。在这种情况下，第一对策模型170_1可以输出具有高性能的半导体产品的第一过程策略PP1，同时提供较低的产量。
电气和/或结构特性的优先级次序可以指指派给半导体产品的电气和/或结构特性中的每一个的优先级次序值。可以设置对策参考以生成允许具有高优先级的半导体特性具有适当值的过程策略。例如，可以将第二对策模型170_2的第二对策参考设置为在半导体产品的电气和/或结构特性当中给予泄漏电流最高的优先级。在这种情况下，第二对策模型170_2可以输出被设计用于低泄漏电流的第二过程策略PP2。基于优先级次序值的设置的对策参考不限于以上所述。例如，可以设置对策参考以生成允许具有至少特定优先级次序值的多个半导体特性具有适当值的过程策略。
电气和/或结构特性的目标范围可以指半导体产品的电气和/或结构特性中的每一个的测量值(或模拟值)的目标范围。例如，可以设置第M对策模型170_M的第M对策参考，以允许至少一个电气和/或结构特性在目标范围内。在这种情况下，第M对策模型170_M可以输出第M过程策略PPM，以允许至少一个电气和/或结构特性在目标范围内。换句话说，关于相同的输入(即，组合数据CM)，第一至第M对策模型170_1至170_M可以分别输出不同的过程策略，即，第一至第M过程策略PP1至PPM)。
处理器13可以通过输入单元11和/或通信单元15从用户接收决策权重。例如，决策权重可以包括多个半导体特性中的至少一个或一些的优先级次序。半导体特性可以包括半导体产品本身的电气和/或结构特性和/或半导体产品中包括的至少一个元件的电气和/或结构特性。在实施例中，处理器13可以从用户接收关于目标半导体产品的决策权重。
决策模型170的过程策略决策模块180可以基于第一至第M过程策略PP1至PPM来确定最终(例如，最优)过程策略FP。在实施例中，过程策略决策模块180可以通过使用决策权重来计算第一至第M过程策略PP1至PPM中的每一个的优先级分数，并且可以基于计算出的优先级分数来确定最终过程策略FP。例如，过程策略决定模块180可以将第一至第M过程策略PP1至PPM当中具有最高优先级分数的第一过程策略PP1确定为最终过程策略FP。通过使用过程策略决定模块180来确定最终过程策略FP的方法不限于上述示例，并且可以存在至少一个最终过程策略FP。例如，最终过程策略FP可以包括基于决策权重而排定优先级的第一至第M过程策略PP1至PPM的全部或一些。
处理器13可以将从决策模型170输出的最终过程策略FP提供给电子设备1的用户作为过程策略，该过程策略最优地符合半导体制造处理数据MD和用户选择的值。例如，处理器13可以通过经由显示器14显示最终过程策略FP来向用户提供最终过程策略。
图13是根据示例实施例的图形用户界面的图。
参考图13，处理器13可以通过显示器14显示图形用户界面(GUI)。GUI可以包括用于选择要包括在半导体制造过程数据MD中的信息的菜单“半导体制造过程数据选择1”和“半导体制造过程数据选择2”。通过菜单“半导体制造过程数据选择1”，处理器13可以接收与半导体制造过程数据MD中包括的半导体产品、半导体制造过程、半导体设备和半导体产品版本相关的一个或多个输入。通过菜单“半导体制造过程数据选择2”，处理器13可以接收选自关于半导体布局(或结构)的信息和关于离子注入的信息中的至少一个，该信息与在菜单“半导体制造过程数据选择1”中选择的产品、过程、设备和/或版本对应。
GUI可以包括菜单“输出设置”，用于在目标半导体产品的电气和/或结构特性当中选择用户期望作为目标半导体产品的模拟结果提供的至少一个特性。例如，通过菜单“输出设置”，处理器13可以接收包括在一维(1D)值信息(例如，电压或电流值)、二维(2D)值信息(例如，电压-电流(VI)曲线)和分布信息(例如，3D电气特性、掺杂浓度或静电场信息)中的每一个中的至少一项信息。
图14是根据示例实施例的电子系统的框图。
参考图14，电子系统2可以包括电子设备1和管理设备16。电子设备1可以具有与图1的电子设备1基本相同的结构。
电子设备1可以从用户接收用户信息ID1。例如，用户可以通过诸如键盘之类的输入设备将个性化的用户信息ID1输入到电子设备1。处理器13可以识别用户信息ID1的权限级别。
例如，管理设备16可以是电子设备1外部的服务器，并且可以包括多项用户信息和关于电子设备1的使用历史的数据。处理器13可以通过通信单元15向管理设备16传输用户信息ID1，并且管理设备16可以响应于用户信息ID1通过通信单元15而向处理器13传输关于权限级别的信息。处理器13可以基于通过管理设备16接收的关于用户信息ID1的信息来识别用户信息ID1的权限级别。
可替代地，存储装置12可以存储关于权限级别的信息。处理器13可以基于存储在存储装置12中的关于用户信息ID1的信息来识别用户信息ID1的权限级别。例如，处理器13可以基于铸造公司的用户信息ID1识别与指派给铸造公司的权限级别对应的第一级别，并且可以基于无加工公司的用户信息ID1识别与指派给无加工公司的权限级别对应的第二级别。
处理器13可以根据识别出的权限级别向用户提供半导体制造过程数据MD的至少一部分。在实施例中，当识别出的权限级别是第一级别时，处理器13可以向用户提供半导体制造过程数据MD的所有项(例如，图13中的产品、过程、设备、版本、布局或结构以及离子注入)。当识别出的权限级别是第二级别时，处理器13可以不将半导体制造过程数据MD的所有项提供给用户(例如，不提供离子注入项)。处理器13可以根据识别出的权限级别将最终过程策略FP的至少一部分提供给用户。在实施例中，当识别出的权限级别是第一级别时，处理器13可以将最终过程策略FP的所有项(例如，设计结构、施加的电压和离子注入的类型)提供给用户。当识别出的权限级别是第二级别时，处理器13可以不将最终过程策略FP的一些项提供给用户。
根据实施例，当存在多个最终过程策略FP时，处理器13可以将最终过程策略FP中的至少一个提供给用户。在实施例中，当识别出的权限级别是第一级别时，处理器13可以将所有最终过程策略FP提供给用户。当识别出的权限级别是第二级别时，处理器13可以仅将最终过程策略FP之一提供给用户。
由处理器13根据权限级别提供给用户的信息的范围不限于上述示例，并且可以随实施例而变化。例如，可以存在至少三个权限级别，并且处理器13可以设置为使得至少三个权限级别具有要提供给用户的信息的不同范围。
处理器13可以根据权限级别阻止、掩盖、擦除和/或隐藏半导体制造过程数据MD的至少一部分和最终过程策略FP的至少一部分，并且可以在显示器14上显示数据DP_ID1，该数据包括剩余信息(即，根据权限级别的可访问信息)。
术语“模块”可以指软件组件和/或硬件组件，诸如现场可编程门阵列(FPGA)或专用集成电路(ASIC)，并且“模块”可以执行某些功能。但是，“模块”不限于软件或硬件。“模块”可以被配置为被包括在可寻址存储介质中或再现一个或多个处理器。因而，例如，“模块”可以包括诸如软件组件、面向对象的软件组件、类组件以及任务组件、进程、函数、属性、过程、子例程、程序代码段、驱动程序、固件、微代码、电路、数据、数据库、数据结构、表、数组和变量之类的组件。组件和“模块”中提供的功能可以与更少数量的组件和“模块”集成在一起，也可以划分为附加组件和“模块”。
虽然已经参考本发明的示例实施例具体示出和描述了本发明的构思，但是应该理解的是，在不脱离所附权利要求的精神和范围的情况下，可以在形式和细节上进行各种改变。

Claims (20)

1.一种指导半导体制造过程的方法，所述方法包括：
接收与目标半导体产品对应的半导体制造过程数据；
通过使用技术计算机辅助设计(TCAD)模型来生成与所述半导体制造过程数据对应的第一半导体特性数据，所述TCAD模型是基于包括TCAD模拟数据的训练数据通过机器学习进行训练的；
通过使用紧凑模型来生成与所述半导体制造过程数据对应的第二半导体特性数据，所述紧凑模型是基于第一半导体产品的至少一个半导体特性的测量信息来生成的；
基于所述第一半导体特性数据和所述第二半导体特性数据，通过使用多个对策模型生成分别与多个对策参考对应的多个过程策略；以及
基于所述多个过程策略提供与所述目标半导体产品对应的最终过程策略。
2.如权利要求1所述的方法，还包括从用户接收决策权重；
其中提供所述最终过程策略包括基于所述决策权重从所述多个过程策略中确定最终过程策略。
3.如权利要求2所述的方法，其中所述决策权重包括至少一个半导体特性的优先级次序。
4.如权利要求3所述的方法，其中所述至少一个半导体特性包括选自半导体产品的电气特性、所述半导体产品的结构特性、所述半导体产品的至少一个元件的电气特性以及所述至少一个元件的结构特性中的至少一个。
5.如权利要求3所述的方法，其中提供所述最终过程策略包括在所述多个过程策略当中将相对于与所述决策权重对应的所述至少一个半导体特性具有高优先级的过程策略确定为所述最终过程策略。
6.如权利要求1所述的方法，还包括接收用于设置与所述目标半导体产品对应的至少一个半导体特性的输出设置，
其中生成所述第一半导体特性数据包括从所述TCAD模型的输出生成包括与所述输出设置对应的所述至少一个半导体特性的所述第一半导体特性数据，以及
生成所述第二半导体特性数据包括从所述紧凑模型的输出生成包括与所述输出设置对应的所述至少一个半导体特性的所述第二半导体特性数据。
7.如权利要求1所述的方法，其中所述多个对策模型包括第一对策模型和第二对策模型，
其中所述第一对策模型包括基于所述多个对策参考中的第一对策参考而进行训练的决策模型，以及
其中所述第二对策模型包括基于所述多个对策参考中的第二对策参考而进行训练的决策模型。
8.如权利要求7所述的方法，其中所述多个过程策略包括第一过程策略和第二过程策略，
其中基于所述第一对策参考通过使用所述第一对策模型来生成所述第一过程策略，以及
其中基于所述第二对策参考通过使用所述第二对策模型来生成所述第二过程策略。
9.如权利要求7所述的方法，其中所述多个对策参考包括选自风险承受度、多个半导体特性中的每一个的优先级次序值以及所述多个半导体特性中的每一个的目标范围中的至少一个。
10.如权利要求1所述的方法，其中基于使用外部测量装备对所述第一半导体产品的多个半导体特性的测量的信息来更新所述紧凑模型。
11.如权利要求1所述的方法，其中生成所述多个过程策略包括：
基于将所述第一半导体特性数据与所述第二半导体特性数据进行比较的结果来生成比较结果数据；以及
通过使用所述多个对策模型，基于所述比较结果数据来生成所述多个过程策略。
12.如权利要求11所述的方法，其中所述第一半导体特性数据和所述第二半导体特性数据中的每一个包括与第一特性对应的数据和与第二特性对应的数据，以及
其中生成所述比较结果数据包括：
在所述第一半导体特性数据和所述第二半导体特性数据的每一个中，将与所述第一特性对应的数据分类为第一分类数据；
在所述第一半导体特性数据和所述第二半导体特性数据的每一个中，将与所述第二特性对应的数据分类为第二分类数据；
通过基于第一比较参考将所述第一半导体特性数据的所述第一分类数据与所述第二半导体特性数据的所述第一分类数据进行比较来生成第一比较结果数据；以及
通过基于第二比较参考将所述第一半导体特性数据的所述第二分类数据与所述第二半导体特性数据的所述第二分类数据进行比较来生成第二比较结果数据。
13.如权利要求1所述的方法，其中所述TCAD模型包括多个TCAD子模型，
其中基于所述训练数据不同片来训练所述多个TCAD子模型中的每一个，以及
其中所述训练数据包括选自阈值电压、增益、线性度、击穿电压、氧化物降级、结和/或隧穿泄漏电流、电容-电压曲线、电流-电压曲线、漏极电流-栅极电压曲线、漏极电压-漏极电流曲线、半导体产品的分布图像和所述半导体产品的场图像中的至少一个。
14.如权利要求13所述的方法，其中通过将所述半导体制造过程数据输入到所述TCAD模型并组合分别从所述多个TCAD子模型输出的多片数据来获得所述第一半导体特性数据。
15.如权利要求13所述的方法，其中所述紧凑模型包括多个紧凑子模型，以及
其中基于所述第一半导体产品的不同半导体特性的测量的信息分别更新所述多个紧凑子模型，所述多个紧凑子模型分别与所述多个TCAD子模型对应地进行训练。
16.如权利要求1所述的方法，还包括：
接收用户信息；以及
识别所述用户信息的权限级别，
其中提供所述最终过程策略包括根据所识别的权限级别提供所述最终过程策略的至少一部分。
17.一种用于指导半导体制造过程的电子设备，该电子设备包括：
显示器；
至少一个非暂态计算机可读介质；以及
至少一个处理器，被配置为执行存储在所述至少一个非暂态计算机可读介质中的指令，
其中所述至少一个处理器还被配置为：
接收与目标半导体设备对应的半导体制造过程数据；
通过使用技术计算机辅助设计(TCAD)模型来生成与所述半导体制造过程数据对应的第一半导体特性数据，所述TCAD模型是基于包括关于多个半导体特性的信息的训练数据通过机器学习进行训练的；
通过使用紧凑模型来生成与所述半导体制造过程数据对应的第二半导体特性数据，所述紧凑模型是基于第一半导体设备的至少一个半导体特性的测量信息来生成的；以及
基于所述第一半导体特性数据和所述第二半导体特性数据，通过使用多个对策模型生成分别与多个对策参考对应的多个过程策略，并控制所述显示器显示所述多个过程策略中的至少一个过程策略作为与所述目标半导体设备对应的过程策略。
18.如权利要求17所述的电子设备，其中所述多个对策模型包括第一对策模型和第二对策模型，
其中所述至少一个处理器还被配置为基于所述多个对策参考当中的第一对策参考通过使用所述第一对策模型来生成第一过程策略，以及
其中所述至少一个处理器还被配置为基于所述多个对策参考当中的第二对策参考通过使用所述第二对策模型来生成第二过程策略。
19.如权利要求17所述的电子设备，其中所述多个对策参考包括选自风险承受度、多个半导体特性中的每一个的优先级次序值以及所述多个半导体特性中的每一个的目标范围中的至少一个。
20.一种用于指导半导体制造过程的电子系统，该电子系统包括：
通信单元；
显示器；
处理器，被配置为：
接收与目标半导体设备对应的半导体制造过程数据；
通过使用技术计算机辅助设计(TCAD)模型来输出与所述半导体制造过程数据对应的第一半导体特性数据，所述TCAD模型是基于包括TCAD模拟数据的训练数据通过机器学习进行训练的；
通过使用紧凑模型来输出与所述半导体制造过程数据对应的第二半导体特性数据，所述紧凑模型是基于第一半导体设备的至少一个半导体特性的测量信息来生成的；
基于所述第一半导体特性数据和所述第二半导体特性数据，生成多个过程策略；以及
管理设备，被配置为从所述处理器接收用户信息，并向所述处理器传输关于与所述用户信息对应的权限级别的信息，
其中所述处理器还被配置为控制所述显示器基于关于所述权限级别的信息显示所述多个过程策略的至少一部分。
CN202010876227.8A 2019-08-27 2020-08-27 指导半导体制造过程的方法和电子设备 Pending CN112446167A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2019-0105286 2019-08-27
KR20190105286 2019-08-27
KR10-2020-0051830 2020-04-28
KR1020200051830A KR20210025461A (ko) 2019-08-27 2020-04-28 반도체 제조 공정 가이드 방법 및 이를 포함하는 전자 장치

Publications (1)

Publication Number Publication Date
CN112446167A true CN112446167A (zh) 2021-03-05

Family

ID=74682158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010876227.8A Pending CN112446167A (zh) 2019-08-27 2020-08-27 指导半导体制造过程的方法和电子设备

Country Status (2)

Country Link
US (1) US11693386B2 (zh)
CN (1) CN112446167A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592064B (zh) * 2021-07-05 2024-02-09 中国科学院上海光学精密机械研究所 环抛机工艺参数预测方法、系统、应用、终端及介质
KR20230063688A (ko) * 2021-11-02 2023-05-09 삼성전자주식회사 3차원 모델링을 위한 방법 및 시스템
CN114755993B (zh) * 2022-06-13 2022-11-22 深圳市玄羽科技有限公司 应用于工业互联网的协同控制方法、系统及相关设备

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001015058A1 (en) 1999-08-23 2001-03-01 St Ville James A Manufacturing system and method
US6826517B2 (en) 2000-12-21 2004-11-30 Kabushiki Kaisha Toshiba Method and apparatus for simulating manufacturing, electrical and physical characteristics of a semiconductor device
US7792595B1 (en) 2004-03-30 2010-09-07 Synopsys, Inc. Method and system for enhancing the yield in semiconductor manufacturing
US7904181B2 (en) * 2004-06-01 2011-03-08 Ils Technology Llc Model for communication between manufacturing and enterprise levels
GB0624846D0 (en) * 2006-12-13 2007-01-24 Imec Inter Uni Micro Electr Application level estimation techniques for parametric yield in embedded systems under static real-time constraints
US20100010782A1 (en) 2008-07-09 2010-01-14 Livermore Software Technology Corporation Systems and Methods of Selecting a CAE Analysis Solver with Appropriate Numerical Precision in Each of a Series of Hierarchically Related Engineering Simulations
JP4973957B2 (ja) 2009-11-02 2012-07-11 独立行政法人科学技術振興機構 有限要素法解析方法、有限要素法解析装置及び有限要素法解析プログラム
US10242142B2 (en) * 2013-03-14 2019-03-26 Coventor, Inc. Predictive 3-D virtual fabrication system and method
US10401279B2 (en) 2013-10-29 2019-09-03 Kla-Tencor Corporation Process-induced distortion prediction and feedforward and feedback correction of overlay errors
TWI576715B (zh) 2014-05-02 2017-04-01 希諾皮斯股份有限公司 非暫態電腦可讀取媒體以及用於模擬積體電路處理的系統
US10204188B2 (en) 2015-03-13 2019-02-12 Samsung Electronics Co., Ltd. Systems, methods and computer program products for analyzing performance of semiconductor devices
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US10346740B2 (en) * 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
KR101917006B1 (ko) 2016-11-30 2018-11-08 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
KR102578644B1 (ko) 2017-08-30 2023-09-13 삼성전자주식회사 반도체 집적회로의 수율 예측 장치, 및 이를 이용한 반도체 장치 제조 방법
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification

Also Published As

Publication number Publication date
US11693386B2 (en) 2023-07-04
US20210063999A1 (en) 2021-03-04

Similar Documents

Publication Publication Date Title
CN112446167A (zh) 指导半导体制造过程的方法和电子设备
US9804827B2 (en) Information processing system and management apparatus
US20200184137A1 (en) Layout design system and layout design method
US10796068B2 (en) Standard cell design system, standard cell design optimization method thereof, and semiconductor design system
EP4007993A1 (en) Sub-pixel data simulation system
KR20200073269A (ko) 인공 신경망의 자동 생성을 위한 방법 및 장치
US11975483B2 (en) Part packing
US20150186793A1 (en) System and method for distance learning with efficient retrieval
KR20210025461A (ko) 반도체 제조 공정 가이드 방법 및 이를 포함하는 전자 장치
US20230053696A1 (en) Method of predicting characteristics of semiconductor device and computing device performing the same
US10853538B2 (en) Model generation system and model generation method
US20230125401A1 (en) Method of predicting characteristic of semiconductor device and computing device performing the same
WO2021220775A1 (ja) 材料の特性値を推定するシステム
US8676547B2 (en) Parameter extraction method
WO2022015390A1 (en) Hardware-optimized neural architecture search
US20230113207A1 (en) Method of predicting characteristic of semiconductor device and computing device performing the same
US9411919B2 (en) Method and apparatus for bitcell modeling
US20230056869A1 (en) Method of generating deep learning model and computing device performing the same
US20230194594A1 (en) Method of generating device model and computing device performing the same
JP7360016B2 (ja) データ処理方法、データ処理装置、及びプログラム
WO2018025288A1 (ja) 推論システム、情報処理システム、推論方法、及び、記録媒体
US9858364B2 (en) Computing device and method for processing point clouds
US20240185586A1 (en) Object detection models adjustments
US9547734B2 (en) Array modeling for one or more analog devices
US20230176957A1 (en) Simulation method and modeling method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination