CN115310390A - 模型训练方法、工艺诊断方法、装置及存储介质 - Google Patents
模型训练方法、工艺诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115310390A CN115310390A CN202110496674.5A CN202110496674A CN115310390A CN 115310390 A CN115310390 A CN 115310390A CN 202110496674 A CN202110496674 A CN 202110496674A CN 115310390 A CN115310390 A CN 115310390A
- Authority
- CN
- China
- Prior art keywords
- parameters
- parameter
- predicted
- model
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 154
- 230000008569 process Effects 0.000 title claims abstract description 98
- 238000012549 training Methods 0.000 title claims abstract description 91
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000003745 diagnosis Methods 0.000 title abstract description 30
- 239000004065 semiconductor Substances 0.000 claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 18
- 239000002184 metal Substances 0.000 claims description 18
- 238000002405 diagnostic procedure Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 10
- 230000005669 field effect Effects 0.000 claims description 9
- 229910052732 germanium Inorganic materials 0.000 claims description 6
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 239000012535 impurity Substances 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 32
- 230000003287 optical effect Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- INQLNSVYIFCUML-QZTLEVGFSA-N [[(2r,3s,4r,5r)-5-(6-aminopurin-9-yl)-3,4-dihydroxyoxolan-2-yl]methoxy-hydroxyphosphoryl] [(2r,3s,4r,5r)-5-(4-carbamoyl-1,3-thiazol-2-yl)-3,4-dihydroxyoxolan-2-yl]methyl hydrogen phosphate Chemical compound NC(=O)C1=CSC([C@H]2[C@@H]([C@H](O)[C@@H](COP(O)(=O)OP(O)(=O)OC[C@@H]3[C@H]([C@@H](O)[C@@H](O3)N3C4=NC=NC(N)=C4N=C3)O)O2)O)=N1 INQLNSVYIFCUML-QZTLEVGFSA-N 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 235000012431 wafers Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000003070 Statistical process control Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013400 design of experiment Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本申请提供的模型训练方法、工艺诊断方法、装置及存储介质,对机器学习模型训练以学习器件电性参数及相应器件特征参数之间的映射关系,得到已训练的器件参数预测模型,可用于半导体工艺问题的诊断中。由器件参数预测模型根据输入的器件电性参数获得预测器件特征参数,比较预测预测器件特征参数和标准器件特征参数数据偏差,以判断是否异常,确定异常预测器件特征参数所对应的工艺问题。本申请创新地利用机器学习模型准确预测器件特征参数,并根据其异常分析工艺问题异常的判断,快速定位出现问题的工艺环节及相应的机台设备,极大提升诊断效率而诊断时间短;并且,基于已训练的器件参数预测模型准确地得到器件特征参数,准确率高。
Description
技术领域
本申请涉及集成电路技术领域,尤其涉及模型训练方法、工艺诊断方法、装置及存储介质。
背景技术
在集成电路的制造过程中,例如当前主流的基于鳍式场效应晶体管(FinFET)架构的先进技术节点中,晶圆经过前段和中段的结构形成的工艺制程后,会进入到后段互联工艺。一般在金属互联的不同层之间,对单个晶体管或者简单门级电路(例如环形振荡器)进行电性测试,即被称为晶片允收测试(Wafer Acceptance Test,WAT)测试,进而提取出多个器件电性参数值,如饱和电流、阈值电压、亚阈值摆幅、漏电流、电容、环形振荡器频率等等。
通过对这些WAT参数进行监控,并形成相应的WAT参数统计过程控制(StatisticalProcess Control,SPC)数据,用于监控线上工艺和电性的稳定性。通过WAT参数SPC,可以评估线上工艺(主要是前段和中段工艺)的健康程度及产品良率。一旦发现有异常的WAT参数,可以通过分析异常的WAT参数进行,以发现异常的工艺。
然而,通过异常WAT参数进行工艺异常的分析,会存在诸多问题。
一方面,目前所采用的WAT异常数据分析诊断方法中,需要对异常WAT参数相关的线上量测数据或者各个机台设备的工艺参数一一进行相关性分析。如果发现某个线上量测数据或者机台的工艺参数与异常WAT参数相关度较高,那么可诊断该异常WAT参数是源于与该量测或者机台相关的工艺问题。但是这样的遍历排查方式的缺陷非常明显,即需要逐一排查线上量测及机台相关数据,数据量大,导致相应的工作量大且时间成本高;另外,其准确性也难以保障,诊断中会使用单一电性参数对应单一或者多个机台工艺参数进行相关性分析,然而单对单并不符合实际的多对多的情况。
另一方面,也有采用失效性分析(Failure Analysis,FA)的诊断方法,即将出现异常WAT参数的测试点拿去做透射电镜(TEM)切片,以得到实际剖面图,并由此通过测量其结构是否超出标准范围来诊断工艺问题。但是,其缺点在于,由于目前先进技术节点的几何尺寸已经是纳米级甚至是亚纳米级,其三维结构较为复杂,这对要进行测量的样品的制备提出了很大的挑战。例如,在聚焦离子束(Focused Ion Beam,FIB)制备样品的过程中样品容易非晶化,这将导致图像模糊。再有,剖面图像的质量也会受到复杂结构的影响,例如三维叠影会造成图像的模糊化,造成很难得到确定的结论,这对工艺的诊断造成较大的不确定性与困扰。
再一方面,也有借助半导体工艺模拟以及器件模拟(Technology Computer AidedDesign,TCAD)工具进行仿真以对异常WAT参数进行线上工艺诊断。但是,借助TCAD工具的模拟需要在分析数据的过程完全依赖于测试人员的经验,需要测试人员根据经验猜想影响异常WAT参数的因素,进而借助TCAD工具仿真来验证其猜想,简单来讲就是根据经验“试错”的方式,难度大且不可靠,时间成本也不可控。
综上,如何提供一种高效准确的诊断半导体工艺问题的方案,已成为业界亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点,本申请的目的在于提供模型训练方法、工艺诊断方法、装置及存储介质,从而解决现有技术的问题。
为实现上述目标及其他相关目标,本申请提供一种模型训练方法,包括:获取训练数据集,所述训练数据集中的每条训练数据包括:半导体器件的器件电性参数及对应情形下的参考的器件特征参数;通过所述训练数据集训练机器学习模型,以获得根据器件电性参数预测器件特征参数的器件参数预测模型;其中,在训练过程中,根据所述器件参数预测模型的预测输出相比参考的器件特征参数的误差,更新其模型参数。
在一些实施例中,所述器件特征参数包括:相关于半导体器件各个预设局部区域的参数。
在一些实施例中,所述器件特征参数包括以下至少一种:半导体器件的结构尺寸参数;半导体器件的金属组分参数、半导体器件的杂质浓度分布、半导体器件应变材料组分(如锗)。
在一些实施例中,所述半导体器件包括鳍式场效应晶体管、平面场效应晶体管、全环绕栅极场效应晶体管中的任一种。
在一些实施例中,所述器件特征参数包括:鳍顶部尺寸、鳍角度、鳍高度、栅极长度、侧墙厚度、栅极与源漏极交叠、源漏掺杂浓度、锗组分及金属功函数值中的一种或多种组合。
在一些实施例中,所述机器学习模型至少包括全链接的两层神经网络,包括:输入层;隐藏层及输出层;其中,所述输入层的维数与器件电性参数的类型数量一致;所述输出层的维数与器件特征参数的类型数量一致。
在一些实施例中,所述训练数据的数据源包括:设计实验数据、实际量测数据及仿真数据中的一种或多种组合。
为实现上述目标及其他相关目标,本申请提供一种用于半导体器件的工艺诊断方法,包括:获取半导体器件的器件电性参数;通过经中任一项所述模型训练方法所得到的器件参数预测模型,根据所述器件电性参数获得预测器件特征参数;根据所述预测器件特征参数相比于标准器件特征参数数据的偏差,以判断预测器件特征参数是否异常;确定异常的预测器件特征参数所对应的工艺问题。
为实现上述目标及其他相关目标,本申请提供一种模型训练装置,包括:数据获取模块,用于获取训练数据集,所述训练数据集中的每条训练数据包括:半导体器件的器件电性参数及对应情形下的参考的器件特征参数;训练模块,用于通过所述训练数据集训练机器学习模型,以获得根据器件电性参数预测器件特征参数的器件参数预测模型;其中,在训练过程中,根据所述器件参数预测模型的预测输出相比参考的器件特征参数的误差,更新其模型参数。
为实现上述目标及其他相关目标,本申请提供一种用于半导体器件的工艺诊断装置,包括:参数获取模块,用于获取半导体器件的器件电性参数;经任一项所述模型训练方法所得到的器件参数预测模型,用于根据所述器件电性参数获得预测器件特征参数;比较模块,用于根据所述预测器件特征参数相比于标准器件特征参数数据的偏差,以判断预测器件特征参数是否异常;确定模块,用于确定异常的预测器件特征参数所对应的工艺问题。
为实现上述目标及其他相关目标,本申请提供一种计算机装置,包括:存储器及处理器;所述存储器存储有程序指令;所述处理器用于运行所述程序执行,以执行任一项所述的模型训练方法;或执行任一项所述的工艺诊断方法。
为实现上述目标及其他相关目标,本申请提供一种计算机可读存储介质,存储有程序指令,所述程序指令被运行时执行任一项所述的模型训练方法;或执行任一项所述的工艺诊断方法。
综上,本申请提供的模型训练方法、工艺诊断方法、装置及存储介质,通过对机器学习进行训练以学习器件电性参数及相应器件特征参数之间的关系,以得到已训练的器件参数预测模型,所述器件参数预测模型可以用于半导体工艺问题的诊断中,以由器件参数预测模型根据输入的器件电性参数获得预测器件特征参数,并根据所述预测器件特征参数相比于标准器件特征参数数据的偏差,以判断预测器件特征参数是否异常,进而确定异常的预测器件特征参数所对应的工艺问题。本申请的方案利用机器学习模型来进行准确预测,并且相比于现有技术改进成直接根据器件特征参数异常进行工艺问题异常的判断,更易于快速定位出现问题的工艺环节及相应的机台设备,极大提升诊断效率而使得诊断时间短;并且,可以基于已训练的器件参数预测模型准确地得到器件特征参数,准确率高且无需失效分析。
附图说明
图1显示为本申请实施例中模型训练方法的流程示意图。
图2显示为本申请实施例中工艺诊断方法的流程示意图。
图3显示为本申请一实验示例中IV曲线及CV曲线示意图。
图4(a)显示为所述实验示例中Fin高度的预测值与真实值的比较图。
图4(b)显示为所述实验示例中栅极长度的预测值与真实值的比较图。
图4(c)显示为所述实验示例中栅极与源漏区域交叠的尺寸的预测值与真实值的比较图。
图4(d)显示为所述实验示例中金属功函数的预测值与真实值的比较图。
图5显示为本申请实施例中模型训练装置的模块示意图。
图6显示为本申请实施例中工艺诊断装置的模块示意图。
图7显示为本申请实施例中计算机装置的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用系统,本说明书中的各项细节也可以基于不同观点与应用系统,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面以附图为参考,针对本申请的实施例进行详细说明,以便本申请所属技术领域的技术人员能够容易地实施。本申请可以以多种不同形态体现,并不限定于此处说明的实施例。
为了明确说明本申请,省略与说明无关的器件,对于通篇说明书中相同或类似的构成要素,赋予了相同的参照符号。
在通篇说明书中,当说某器件与另一器件“连接”时,这不仅包括“直接连接”的情形,也包括在其中间把其它元件置于其间而“间接连接”的情形。另外,当说某种器件“包括”某种构成要素时,只要没有特别相反的记载,则并非将其它构成要素排除在外,而是意味着可以还包括其它构成要素。
当说某器件在另一器件“之上”时,这可以是直接在另一器件之上,但也可以在其之间伴随着其它器件。当对照地说某器件“直接”在另一器件“之上”时,其之间不伴随其它器件。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件,但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如,第一接口及第二接口等描述。再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
此处使用的专业术语只用于言及特定实施例,并非意在限定本申请。此处使用的单数形态,只要语句未明确表示出与之相反的意义,那么还包括复数形态。在说明书中使用的“包括”的意义是把特定特性、区域、整数、步骤、作业、要素及/或成份具体化,并非排除其它特性、区域、整数、步骤、作业、要素及/或成份的存在或附加。
表示“下”、“上”等相对空间的术语可以为了更容易地说明在附图中图示的一器件相对于另一器件的关系而使用。这种术语是指,不仅是在附图中所指的意义,还包括使用中的装置的其它意义或作业。例如,如果翻转附图中的装置,曾说明为在其它器件“下”的某器件则说明为在其它器件“上”。因此,所谓“下”的示例性术语,全部包括上与下方。装置可以旋转90°或其它角度,代表相对空间的术语也据此来解释。
虽然未不同地定义,但包括此处使用的技术术语及科学术语,所有术语均具有与本申请所属技术领域的技术人员一般理解的意义相同的意义。普通使用的字典中定义的术语追加解释为具有与相关技术文献和当前提示的内容相符的意义,只要未进行定义,不得过度解释为理想的或非常公式性的意义。
鉴于目前对于半导体制造中产生的工艺问题进行诊断时,存在效率低下、准确性欠缺以及可靠性差等问题,本申请实施例中提供创新的诊断方案。具体的,本申请实施例创新性地通过机器学习模型的训练来学习器件电性参数和相应的半导体器件的器件特征参数之间的映射关系,以形成能预测半导体器件的器件特征参数的器件参数预测模型。
进一步的,相比于现有技术通过器件电性参数的相对间接的方式来推断工艺问题所不同的是,本申请实施例中提供的诊断方法可以根据半导体器件的预测器件特征参数来更加直接地确定工艺问题,从而直接而准确地定位到相应的工艺步骤和机台设备,在效率和准确性上都大大提升。
以下先通过实施例来介绍关于器件参数预测模型的训练方法的原理。
如图1所示,展示本申请一实施例中的模型训练方法的流程示意图。
在此示例中,所述模型训练方法包括:
步骤S101:获取训练数据集,所述训练数据集中的每条训练数据包括:半导体器件的器件电性参数及对应情形下的参考的器件特征参数。
在一些实施例中,所述训练数据的数据源包括:设计实验数据、实际量测数据及仿真数据中的一种或多种组合。示例性地,所述参考的器件特征参数可以来自实际的设计实验(Design of experiment,DOE)数据,比如通过在DOE过程中的在线或离线量测得到。以半导体器件为鳍式场效应晶体管(FinFet)为例,其器件特征参数可以是鳍顶部尺寸(如Fin宽度)、鳍角度、鳍高度、栅极长度、侧墙厚度、栅极与源漏极交叠、源漏掺杂浓度、锗组分及金属功函数值等中的一种或多种组合,通过实际的在线量测如光学线宽量测(OpticalCritical Dimension,OCD)、关键尺寸扫描电子显微镜(Critical Dimension ScanningElectronic Microscope,CDSEM)量测方式,或者离线量测如扫描电子显微镜(ScanningElectronic Microscope,SEM)量测、透射电镜(Transmission Electron Microscope,TEM)得到。
在一些实施例中,所述器件电性参数指的是半导体器件的电学性能参数。在可能示例中,器件电性参数可以从晶圆实际电性测试中提取得到例如,在FinFet的工艺中,晶圆经过前段形成鳍(Fin),栅极(Gate)及漏极/源极(Source/Drain)等,以及在中段形成层间介质(Interlayer dielectric,ILD)、虚拟多晶硅去除(Dummy Poly Removal,DPR)、具有高介电常数(HK)的栅介质层以及金属栅(MG)(High k Metal Gate)HKMG的形成、及金属0层(Metal0,简写为M0)/M0G(地)的形成等工艺制程后,会进入到后段的互联工艺。工程师一般在金属互联1到3层(M1~M3)之间,会对单个晶体管或者简单门级电路,如环形振荡器(RingOscillator,RO)电路)等,在M1~M3之间进行WAT电性测试,则从该测试中可以得到器件电性参数。或者在另外示例中,也可以通过TCAD工具进行仿真得到器件电性参数,例如根据由TCAD仿真FinFET器件电流-电压(current-voltage,IV)曲线and电容-电压(Capacitance-Voltage,CV)曲线得到器件电性参数。
通过生成每条训练数据,其包含器件电性参数(例如FinFet相关的饱和电流Idsat,阈值电压Vdsat,亚阈值摆幅SS,漏电流Ioff,电容Cdg,RO频率等等),以及在此器件电性参数情形下对应的参考的器件特征参数。多条训练数据即构成训练数据集。
在一些实施例中,所述器件特征参数包括:相关于半导体器件各个预设局部区域的参数。以FinFet为例,所述器件特征参数中可以包含例如鳍、栅极、源极、漏极等FinFet器件上局部区域的参数,通过这些局部区域相关的器件特征参数训练机器学习模型,以能让其学习到器件电性参数和半导体器件局部区域的参数之间的关系,则用于诊断时可以更加精准定位到具体局部区域所对应的工艺上,相比之下,前述根据WAT参数异常来进行工艺问题的推断中并不能实现如此精准的工艺问题的确定。
在一些实施例中,所述器件特征参数包括以下至少一种:半导体器件的结构尺寸参数;半导体器件的金属组分参数。以FinFet为例,在上述示例中列举的各种器件特征参数中,局部结构尺寸相关的有鳍顶部尺寸(如Fin宽度)、鳍角度、鳍高度、栅极长度、侧墙厚度、栅极与源漏极交叠等,局部金属组成组分相关的参数有源漏掺杂浓度、锗组分及金属功函数值等。通过几个维度组合的器件特征参数可以更好地反映FinFet器件上关键区域的状况,从而准确而全面地反映FinFet器件工艺质量。当然以上只是举例,在实际示例中可以根据需求进行任意的器件特征参数的选择及组合。
步骤S102:通过所述训练数据集训练机器学习模型,以获得根据器件电性参数预测器件特征参数的器件参数预测模型。
在一些示例中,所述机器学习模型为全链接的两层神经网络,包括:输入层;隐藏层及输出层;其中,所述输入层的维数与器件电性参数的类型数量一致;所述输出层的维数与器件特征参数的类型数量一致,维数可以通过神经元数量来表示。举例来说,假设选择了33种器件电性参数,则输入层有33个神经元供输入各个器件电性参数,隐藏层可以包含例如100个神经元,输出层对应9个神经元,分别对应每个器件特征参数。
可以理解的是,此处示例的机器学习模型架构(33-100-9)只是一种举例,其隐藏层的层数、不同层的神经元数量皆可以加以变化,并非以此为限制。在具体示例中,所述机器学习模型也可以基于一些开源的机器学习库来快速构建,比如开源的Python机器学习库等。
在训练过程中,所述参考的器件特征参数作为与模型的预测输出比较的真实结果(Groud truth)。通过构建损失函数来描述所述器件参数预测模型的预测输出(即预测的器件特征参数)相比所述参考的器件特征参数间的误差,更新其模型参数迭代计算,以减小所述误差为目的(即预测输出和Groud truth最接近)更新模型参数,即通过梯度下降方法来求最小化所述损失函数时的模型参数。一般在具体实施中,可以在损失函数的结果趋于稳定、迭代次数达到一定数量、或训练时间达到一定时等条件下时,可以认为训练完成。
在通过上述示例的模型训练方法训练得到器件参数预测模型,可以将所述器件参数预测模型用于半导体器件的工艺诊断。
如图2所示,展示本申请实施例中用于半导体器件的工艺诊断方法的流程示意图。
所述工艺诊断方法包括:
步骤S201:获取半导体器件的器件电性参数。
在一些实施例中,如果是在半导体生产线上在线测量,则所述器件电性参数(即器件电性参数)可以是在线测试中得到。比如在FinFet器件的加工过程中,线上晶圆在M1~M3经WAT测试时,提取出相应的器件电性参数。
步骤S202:通过已训练的所述器件参数预测模型,根据所述器件电性参数获得预测器件特征参数。
在一些示例中,利用经上述模型训练方法已训练的器件参数预测模型,对其输入步骤S201中获取的各个器件电性参数(例如33种器件电性参数),则可以由器件参数预测模型输出预测的各个预测器件特征参数(例如前述9种器件特征参数)。
步骤S203:根据所述预测器件特征参数相比于标准器件特征参数数据的偏差,以判断预测器件特征参数是否异常。
在一些示例中,所述标准器件特征参数数据可以是器件特征参数的统计过程控制数据(SPC),是预先设置的期望的器件特征参数,例如期望的器件特征参数值、均值、或者概率分布等。
相应的,在判断所述预测器件特征参数是否异常时,通过判断预测器件特征参数的例如值、平均值或者概率分布是否偏离所述标准器件特征参数数据。可以理解的,判断为异常时的偏离程度的标准可以根据预先标准、实际情形等加以设定,此处不作其具体偏离程度
步骤S204:确定异常的预测器件特征参数所对应的工艺问题。
如果数据异常,我们可以通过异常数据的器件特征参数判断线上哪些工艺出现问题,例如,经机器学习模型推理出的栅极长度变长了,那么出现问题的工艺大概率在Poly光刻、Poly刻蚀或Dummy poly removal工艺。我们在通过器件特征参数诊断出现问题的工艺之后,对相关工艺进行进一步的核查与改善,最终形成解决方案,在新一轮的晶圆上做实验,验证机器学习辅助的快速工艺诊断框架及其解决方案的有效性。
在一些实施例中,所述半导体器件的工艺诊断方法执行于半导体制造的线上阶段,即在线上阶段进行器件电性参数的获取,并即时对工艺进行诊断。
当下,由于尺寸的极限微缩及工艺的极度复杂,先进技术节点的开发遭受很高的时间和金钱成本。故而,根据器件电性参数数据对线上工艺进行分析诊断是研发或者产线维护过程中一个重要的环节。基于上述本申请实施例的方案,以线上的器件电性参数数据作为输入,通过机器学习模型,本申请实施例中的诊断方案,有如下三个方面的优势:1)诊断时间短,在已训练的模型下,仅仅需要几秒钟,便可以获得预测器件特征参数,从而推断相关工艺的问题。2)准确地量化器件特征参数,不需要借助于失效性分析手段;3)机器学习模型建立了输入的器件电性参数与输出的器件特征参数之间的映射,进而基于器件特征参数进行直接的工艺问题确定,诊断效率高;而TCAD工具只能根据输入的器件特征参数仿真出器件电性参数,之后依然需要根据器件电性参数本身进行效率较低的工艺问题定位。
此外,本申请实施例中的诊断方法也不同于传统的光学量测手段。传统的光学两侧手段,是通过建立光谱和几何结构的关系,达到用光谱推理其几何结构的目的。本申请的诊断方法,要优于传统光学量测手段,优点在于:
1)传统光学量测手段所量测的结构为半导体器件的周期性阵列结构,认为周期性阵列结构的几何结构和电路中标准单元中的结构(如2Fin FinFET结构、3Fin FinFET结构)一致或者有固定的偏差,以此来监控电路中标准单元的几何结构的稳定性。然而,目前的先进技术节点在不同的几何结构之间有较大且不稳定的负载效应,传统的光学量测在这一点上有不足之处。
与之相反,本申请实施例中使用的结构可以直接是标准单元结构,不需要器件周期性阵列结构,直接监控电路中最小标准单元的电性稳定性,不需要考虑工艺在不同结构间的负载效应。
2)一般而言,传统光学量测方式因周期性阵列结构的要求,OCD作为量测手段可以用于分析半导体器件全局不均匀性(Global variation),而不能分析半导体器件的局域不均匀性(Local variation)。本申请实施例中提出的方案既可以用于根据预测器件特征参数中的结构参数分析半导体器件的全局不均匀性(比如根据鳍顶部尺寸、鳍角度、鳍高度、栅极长度、侧墙厚度、栅极与源漏极交叠等中的全部进行半导体器件的全局结构分析),也可以用于分析其局域不均匀性(根据其中某个或部分结构参数进行单独分析),不同于传统光学量测的限制。需要提及的是,半导体器件的电性不均匀性(包括全局与局域)对于产品的良率及性能有着重要的影响,改善器件几何结构和电性不均匀性一直都是半导体集成电路制造中重要的一环。
为进一步说明本申请实施例中诊断方法的技术效果,以下结合具体示例中的实验结果进行说明。
以FinFET先进技术节点为例。通过TCAD工具仿真FinFET器件的IV及CV曲线。该实施例所研究的对象可以例如为7nm技术节点下的FinFET器件原型,其主要器件特征参数可参考2018国际器件与系统路线图(IRDS),Fin及Poly周期分别设为30nm和54nm。
通过该仿真得到的器件特征参数有9个,其变化范围如下表所示:
参数 | 变化范围 |
Fin顶部尺寸(nm) | 6+-2 |
Fin角度(Degree) | 88+-2 |
Fin高度(nm) | 50+-4 |
栅长度(nm) | 20+-3 |
侧墙厚度(nm) | 6+-2 |
栅与源漏交叠(nm) | 1+-2 |
源漏掺杂浓度(cm<sup>-3</sup>) | 2e20+-0.5e20 |
Ge组分 | 0.50+-0.05 |
金属功函数(V) | 4.8+-0.05 |
针对FinFET器件的电学性能,g对应栅极,d对应漏极,s对应源极;Cgg表示栅极的小信号电容。在关于Cgg的可选测试流程中,会采用例如对Vg从-Vdd扫到Vdd,在Vg扫描的时候对Vg加一个小信号交流电,这时候测试栅极的小信号电容。图3展示FinFET器件在Vd=Vdd(即对应Idsat)及Vd=0.05V(即对应线性区汲极电流Idlin)下仿真的IV曲线及CV曲线。
构建器件参数预测模型。在一些示例中,可以通过Pytorch搭建神经网络模型并进行训练训练。器件参数预测模型为全连接的2层神经网络,包含一个隐藏层及输出层,输入层为33个神经元,代表IV及CV曲线中的33个器件电性参数;隐藏层包含100个神经元;输出层包括9个神经元,对应9种器件特征参数。该器件参数预测模型可以例如采用双曲正切函数(tanh)作为激活函数。训练数据集可由之前TCAD工具仿真得到。在本次训练过程中,训练集样本可以选择150个,其器件特征参数在各自的动态范围内呈随机分布。
器件参数预测模型经过训练之后,便建立了FinFET器件电性参数与器件自身特征参数之间的映射关系,用于器件特征参数的预测。在此示例中,选择多个样本用于模型推断与验证,其9个器件特征参数呈线性分布。在推断之前,TCAD仿真这6个不同器件特征参数下的器件电学性能。
将仿真的器件电性参数作为输入,经训练好的器件参数预测模型来预测得到预测器件特征参数,并与真实值做比较。如图4(a)至图4(d)所示,其中图4(a)展示Fin高度的预测值与真实值的比较图,图4(b)展示栅极长度的预测值与真实值的比较图,图4(c)展示栅极与源漏区域交叠的尺寸的预测值与真实值的比较图,图4(d)展示金属功函数的预测值与真实值的比较图。经实验可见,经训练的器件参数预测模型的预测结果与FinFet器件真实的器件特征参数非常相近,预测值的变化趋势较好地吻合真实值变化趋势,而具有极高的准确性。可以注意到图4(a)~图4(d)中实线表示理想中的预测值与真实值间的关系,即预测值等于真实值(即y=x),而表示预测值的各离散点与所述实线非常接近。
如图5所示,展示本申请实施例中的模型训练装置的模块示意图。需说明的是,所述模型训练装置与之前实施例(例如图1实施例)中的模型训练方法原理相应,故可以参考之前实施例,此处不再对技术特征进行重复赘述。
所述模型训练装置包括:
数据获取模块501,用于获取训练数据集,所述训练数据集中的每条训练数据包括:半导体器件的器件电性参数及对应情形下的参考的器件特征参数;
训练模块502,用于通过所述训练数据集训练机器学习模型,以获得根据器件电性参数预测器件特征参数的器件参数预测模型;其中,在训练过程中,根据所述器件参数预测模型的预测输出相比参考的器件特征参数的误差,更新其模型参数。
在一些实施例中,所述器件特征参数包括:相关于半导体器件各个预设局部区域的参数。
在一些实施例中,所述器件特征参数包括以下至少一种:半导体器件的结构尺寸参数;半导体器件的金属组分参数。
在一些实施例中,所述半导体器件为鳍式场效应晶体管。
在一些实施例中,所述器件特征参数包括:鳍顶部尺寸、鳍角度、鳍高度、栅极长度、侧墙厚度、栅极与源漏极交叠、源漏掺杂浓度、锗组分及金属功函数值中的一种或多种组合。
在一些实施例中,所述机器学习模型为全链接的两层神经网络,包括:输入层;隐藏层及输出层;其中,所述输入层的维数与器件电性参数的类型数量一致;所述输出层的维数与器件特征参数的类型数量一致。
在一些实施例中,所述训练数据的数据源包括:设计实验数据、实际量测数据及仿真数据中的一种或多种组合。
如图6所示,展示本申请实施例中的用于半导体器件的工艺诊断装置的模块示意图。所述工艺诊断装置之前实施例(例如图2实施例)中的工艺诊断方法原理相应,故可以参考之前实施例,此处不再对技术特征进行重复赘述。
所述工艺诊断装置包括:
参数获取模块601,用于获取半导体器件的器件电性参数;
经所述模型训练方法所得到的器件参数预测模型602,用于根据所述器件电性参数获得预测器件特征参数;
比较模块603,用于根据所述预测器件特征参数相比于标准器件特征参数数据的偏差,以判断预测器件特征参数是否异常;
确定模块604,用于确定异常的预测器件特征参数所对应的工艺问题。
如图7所示,展示本申请实施例中提供的计算机装置的结构示意图。
所述计算机装置700包括存储器和处理器702,所述存储器701上存储有可由所述处理器运行的程序指令,所述处理器702运行所述程序指令时执行所述的目标检测方法中的步骤,例如图1中的模型训练方法或图2实施例中的工艺诊断方法中的步骤。
在一些示例中,所述存储器701可能包含高速RAM存储器,也可能还包括非易失性存储器(Non-volatile Memory),例如至少一个磁盘存储器。
所述处理器702可以是实现计算功能的组合,例如包含一个或多个微处理器组合,数字信号处理(Digital Signal Processing,DSP)、或ASIC等。在具体实施例中,处理器702例如是图像处理器(GPU)、或协同工作的图像处理器和中央处理器(CPU)。
在一些示例中,所述计算机装置700可以实现于例如服务器、服务器组、台式机、笔记本电脑、智能手机、平板电脑、智能手环、智能手表、或其它智能设备、或这些智能设备通信连接而形成的分布式处理系统等。
本申请实施例还可以提供计算机可读存储介质,其上存储有程序指令,所述程序指令运行时执行例如图1中的模型训练方法或图2实施例中的工艺诊断方法。
即上述功能、方法步骤被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以程序指令产品的形式实现。程序指令产品包括一个或多个程序指令。在计算机上加载和执行程序指令指令时,全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。程序指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
例如,前述图5、图6实施例中的各个功能模块、子模块可以是软件实现;或者也可以是软硬件配合实现,例如通过计算机设备实施例中的处理器运行存储器的程序指令实现;或者,也可以是通过硬件电路实现。
此外,在本申请各个实施例中的各功能模块可以集成在一个处理部件中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个部件中。上述集成的部件既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述集成的部件如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
例如,前述图5、图6实施例中各个功能模块可以是独立、单一的程序实现,也可以是一程序中的不同程序段分别实现,在某些实施场景中,这些功能模块可以位于一个物理设备,也可以位于不同的物理设备但相互通信耦合。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
例如,前述图1、图2实施例中的方法,其中的各个步骤的顺序可能可以在具体场景中加以变化,并非以上述描述为限。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
综上,本申请提供的模型训练方法、工艺诊断方法、装置及存储介质,通过对机器学习进行训练以学习器件电性参数及相应器件特征参数之间的关系,以得到已训练的器件参数预测模型,所述器件参数预测模型可以用于半导体工艺问题的诊断中,以由器件参数预测模型根据输入的器件电性参数获得预测器件特征参数,并根据所述预测器件特征参数相比于标准器件特征参数数据的偏差,以判断预测器件特征参数是否异常,进而确定异常的预测器件特征参数所对应的工艺问题。本申请的方案利用机器学习模型来进行准确预测,并且相比于现有技术改进成直接根据器件特征参数异常进行工艺问题异常的判断,更易于快速定位出现问题的工艺环节及相应的机台设备,极大提升诊断效率而使得诊断时间短;并且,可以基于已训练的器件参数预测模型准确地得到器件特征参数,准确率高且无需失效分析。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (12)
1.一种模型训练方法,其特征在于,包括:
获取训练数据集,所述训练数据集中的每条训练数据包括:半导体器件的器件电性参数及对应情形下的参考的器件特征参数;
通过所述训练数据集训练机器学习模型,以获得根据器件电性参数预测器件特征参数的器件参数预测模型;其中,在训练过程中,根据所述器件参数预测模型的预测输出相比参考的器件特征参数的误差,更新其模型参数。
2.根据权利要求1所述的模型训练方法,其特征在于,所述器件特征参数包括:相关于半导体器件各个预设局部区域的参数。
3.根据权利要求1所述的模型训练方法,其特征在于,所述器件特征参数包括以下至少一种:半导体器件的结构尺寸参数;半导体器件的金属组分参数、半导体器件的杂质浓度分布、半导体器件应变材料组分。
4.根据权利要求1所述的模型训练方法,其特征在于,所述半导体器件包括鳍式场效应晶体管、平面场效应晶体管、全环绕栅极场效应晶体管中的任一种。
5.根据权利要求4所述的模型训练方法,其特征在于,所述器件特征参数包括:鳍顶部尺寸、鳍角度、鳍高度、栅极长度、侧墙厚度、栅极与源漏极交叠、源漏掺杂浓度、锗组分及金属功函数值中的一种或多种组合。
6.根据权利要求1所述的模型训练方法,其特征在于,所述机器学习模型至少包括全链接的两层神经网络,包括:输入层;隐藏层及输出层;其中,所述输入层的维数与器件电性参数的类型数量一致;所述输出层的维数与器件特征参数的类型数量一致。
7.根据权利要求1所述的模型训练方法,其特征在于,所述训练数据的数据源包括:设计实验数据、实际量测数据及仿真数据中的一种或多种组合。
8.一种用于半导体器件的工艺诊断方法,其特征在于,包括:
获取半导体器件的器件电性参数;
通过经权利要求1至7中任一项所述模型训练方法所得到的器件参数预测模型,根据所述器件电性参数获得预测器件特征参数;
根据所述预测器件特征参数相比于标准器件特征参数数据的偏差,以判断预测器件特征参数是否异常;
确定异常的预测器件特征参数所对应的工艺问题。
9.一种模型训练装置,其特征在于,包括:
数据获取模块,用于获取训练数据集,所述训练数据集中的每条训练数据包括:半导体器件的器件电性参数及对应情形下的参考的器件特征参数;
训练模块,用于通过所述训练数据集训练机器学习模型,以获得根据器件电性参数预测器件特征参数的器件参数预测模型;其中,在训练过程中,根据所述器件参数预测模型的预测输出相比参考的器件特征参数的误差,更新其模型参数。
10.一种用于半导体器件的工艺诊断装置,其特征在于,包括:
参数获取模块,用于获取半导体器件的器件电性参数;
经权利要求1至7中任一项所述模型训练方法所得到的器件参数预测模型,用于根据所述器件电性参数获得预测器件特征参数;
比较模块,用于根据所述预测器件特征参数相比于标准器件特征参数数据的偏差,以判断预测器件特征参数是否异常;
确定模块,用于确定异常的预测器件特征参数所对应的工艺问题。
11.一种计算机装置,其特征在于,包括:存储器及处理器;所述存储器存储有程序指令;所述处理器用于运行所述程序执行,以执行如权利要求1至7中任一项所述的模型训练方法;或执行如权利要求8所述的工艺诊断方法。
12.一种计算机可读存储介质,其特征在于,存储有程序指令,所述程序指令被运行时执行如权利要求1至7中任一项所述的模型训练方法;或执行如权利要求8所述的工艺诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496674.5A CN115310390A (zh) | 2021-05-07 | 2021-05-07 | 模型训练方法、工艺诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496674.5A CN115310390A (zh) | 2021-05-07 | 2021-05-07 | 模型训练方法、工艺诊断方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310390A true CN115310390A (zh) | 2022-11-08 |
Family
ID=83853527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110496674.5A Pending CN115310390A (zh) | 2021-05-07 | 2021-05-07 | 模型训练方法、工艺诊断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310390A (zh) |
-
2021
- 2021-05-07 CN CN202110496674.5A patent/CN115310390A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11275361B2 (en) | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process | |
US11282695B2 (en) | Systems and methods for wafer map analysis | |
US8139844B2 (en) | Methods and systems for determining a defect criticality index for defects on wafers | |
KR102386536B1 (ko) | 시편 상의 관심 패턴의 하나 이상의 특성의 결정 | |
US7739065B1 (en) | Inspection plan optimization based on layout attributes and process variance | |
US11054459B2 (en) | Optimization of integrated circuit reliability | |
US7930123B2 (en) | Method, apparatus, and computer readable medium for evaluating a sampling inspection | |
KR102352702B1 (ko) | Ic 신뢰성 결함 검출 | |
US10133838B2 (en) | Guided defect detection of integrated circuits | |
US20100010768A1 (en) | Identifying manufacturing disturbances using preliminary electrical test data | |
JP2005134255A (ja) | 試験装置、良否判定基準設定装置、試験方法及び試験プログラム | |
US9824852B2 (en) | CD-SEM technique for wafers fabrication control | |
WO2024000731A1 (zh) | 晶圆缺陷评估方法、装置、存储器芯片和可读存储介质 | |
US7991497B2 (en) | Method and system for defect detection in manufacturing integrated circuits | |
Shintani et al. | Wafer-level variation modeling for multi-site RF IC testing via hierarchical Gaussian process | |
Yen et al. | CNN-based stochastic regression for IDDQ outlier identification | |
TW202248659A (zh) | 使用內嵌缺陷部分平均測試用於半導體適應測試之系統及方法 | |
TW202227838A (zh) | 半導體試樣的電屬性的預測 | |
TW202146884A (zh) | 檢查樣本的方法和其系統 | |
CN115310390A (zh) | 模型训练方法、工艺诊断方法、装置及存储介质 | |
US8190391B2 (en) | Determining die performance by incorporating neighboring die performance metrics | |
CN116646281A (zh) | 异常测试结构获取方法、验证方法及相关装置 | |
US8526708B2 (en) | Measurement of critical dimensions of semiconductor wafers | |
Kim et al. | AI-guided reliability diagnosis for 5, 7nm automotive process | |
WO2019006222A1 (en) | SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN A SEMICONDUCTOR MANUFACTURING PROCESS |
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 |