機器學習在半導體制造中的重要性提升

近年來，ML 的重大進步影響了計算機科學以外的多個領域，包括自動駕駛、結構色彩設計、醫學和人臉識別。

ML 的功能可用于優化和自動化半導體制造過程和相關數據分析。已經進行了幾項研究以在半導體制造中開發和應用不同的 ML 算法和模型，包括故障檢測、設備生產、工藝優化和晶圓檢測。

由于從現有半導體制造過程中獲得的標記良好的歷史數據的充分可用性，通常從經驗中學習的監督判別 ML 模型可以提高未來的半導體設計和制造效率。

例如，多層感知器 (MLP) 分類器模型可以自動從故障圖中識別上墨模式，并執行后處理以進行校正，從而無需在模具篩選期間對模具上墨進行人為干預。

同樣，監督生成 ML 模型通常用于替代手動設計以提高可制造性。例如，基于條件生成對抗網絡 (CGAN) 的 WellGAN 可用于版圖設計階段，自動生成模擬和混合信號 (AMS) 電路的版圖，取代手動設計。

CGAN 還可以應用于光刻等制造過程，以根據給定的掩模圖案有效地建模三維 (3D) 空間圖像和抗蝕圖案，從而顯著提高制造效率。

機器學習在半導體制造中的應用

產量預測與分析

預測產品良率并了解工藝參數對良率的影響對于半導體制造至關重要，因為產品良率的下降與工藝參數的變化相互關聯。用于模式識別的回歸和卷積神經網絡 (CNN) 等監督判別 ML 算法可以自動識別此類相關性。

例如，可以應用具有遺傳算法 (GA) 選擇特征的多元自適應回歸樣條 (MARS) 來有效地估計不同設計世代和制造過程的產量，從而顯著減少所需制造或模擬數據的數量。

檢測制造過程偏差

及早檢測工藝擠壓對于避免大量報廢和測試成本以及潛在的質量問題至關重要。用于熱點檢查和異常模式識別的無監督生成 ML 算法（例如 GAN 或自動編碼器）可用于基于探針晶圓圖和工藝工具數據的偏移檢測。

簡化制造流程

無監督 ML 算法也可用于優化制造測試流程，例如啟用封裝老化 (BI) 消除，以識別「風險」材料并將它們發送到 BI 壓力。例如，基于內核的聚類（KBC）算法是一種無監督學習，可以根據晶圓探針測試數據識別潛在的簇缺陷，并將有風險的芯片發送到封裝 BI。

可制造性設計 (DFM) 工具的改進

考慮到所有關鍵指標和關鍵輸入，ML，特別是深度神經網絡 (DNN)，可用于改進和自動化 DFM 工具和檢查器。可以訓練 DNN 來預測潛在的設計失敗/違規。

輸入可以包括以前的客戶質量投訴 (CQC) 數據庫信息、良率標準、技術金屬選項、物理集成和設計規則檢查 (DRC)。每個需求的評分指南和具有相應優化目標的通過/失敗標準也可以用作輸入。

可以解釋神經網絡的決策以確定與預測的故障/違規相關的關鍵設計/布局特征。可以根據輸出決策的高靈敏度來識別關鍵特性，并將其作為反饋提供給測試/設計過程。

其它機器學習應用

通過將晶圓的銷售價格和成本價格作為優化因素，以 RoI 為優化目標，可以使用差分進化 (DE) 算法和 DNN 來提高晶圓生產率以提高投資回報率 (RoI)。

可以采用使用掃描電子顯微鏡圖像作為輸入的自動缺陷分類 (ADC) 系統來分類和識別晶圓表面缺陷。該系統可以使用 CNN 模型在沒有人為干預的情況下有效地執行檢測。

同樣，基于 CNN 的遷移學習方法可用于晶圓缺陷分類，以顯著降低 ML 計算成本。研究表明，該方法可以更準確地對缺陷圖像進行分類。

不準確的晶圓通過/失敗測試會對整個半導體制造產生不利影響。機器學習可用于預測和減少過程故障。例如，基于深度信念網絡 (DBN) 的多分類器可以通過收集過程中傳感器的信號自動評估晶圓測試，然后有效地預測故障檢測。

未來展望

總而言之，ML 算法可以有效地用于半導體制造的多個領域，以實現自動化和優化。然而，需要更多的研究來解決有關 ML 應用的幾個現有挑戰。

例如，構建有效的通用 ML 模型所需的訓練數據通常不足。ML 目標的泛化程度必須與訓練數據的大小相匹配。此外，訓練數據中的所有示例必須一致地表示目標和輸入之間的隱藏關系。