本页面使用了机器翻译。
请花 1 分钟时间完成一个翻译质量的调查。
ASML 运用机器学习开发半导体制造虚拟量测技术
“作为一名工艺工程师，我没有神经网络或机器学习方面的经验。我通过 MATLAB 示例找到了用于生成虚拟计量的最佳机器学习函数。我无法用 C 或 Python 来完成这项工作——查找、验证和集成正确的包会花费太长时间。”
挑战
解决方案
结果
- 确立行业领导地位
- 确定潜在的制造改进
- 维护费用最小化
在纳米制造中，光刻是控制微芯片尺寸的基本图案化步骤。在光刻过程中，低波长电源通过光学器件进行调节，然后利用更多的光学器件将图像缩小为覆盖基板（通常是硅）的感光化学薄膜。重复此步骤，直到基材上所有可用的表面区域均已曝光相同的图像；结果称为一层。需要多个暴露层来创建构成芯片的复杂微观结构。为了防止由于层间连接失败而导致的产量问题，所有层间图案必须按预期排列。
为了确保层对准而不影响吞吐量，ASML 的 TWINSCAN 光刻系统必须限制其在曝光步骤之前测量的对准标记的数量。一般规则是，测量对准标记所需的时间不能长于按序列曝光前一个晶圆所需的时间。由于正确的叠加模型校正需要大量的叠加标记，因此无法测量 TWINSCAN 系统出来的每个晶圆。
ASML 使用 MATLAB® 以及 Statistics and Machine Learning Toolbox™ 来开发虚拟覆盖计量软件。该软件应用机器学习技术，使用对准计量数据，得出每个晶圆的叠加计量的预测估计值。
ASML 应用程序开发工程师 Emil Schmitt-Weaver 表示：“我们利用 MATLAB 和机器学习所做的工作展示了我们在充分利用现有计量技术方面的行业领导地位。我们发表的有关这项工作的论文引起了希望利用 ASML 产品改进制造工艺的客户的兴趣。”
挑战
由于 Schmitt-Weaver 之前没有开发机器学习算法的经验，因此他决定不使用 Python、C 或其他低级语言来开发算法。他希望依靠已在 ASML 庞大、多样化的用户群中部署并由专业人员维护的功能来快速开发原型。
解决方案
Schmitt-Weaver 使用 MATLAB、Statistics and Machine Learning Toolbox 以及 Deep Learning Toolbox™ 开发了一种生成虚拟计量的方法。
首先，Schmitt-Weaver 使用神经网络时间序列预测和建模应用程序来学习如何准备数据以供 Deep Learning Toolbox 使用。他使用该应用程序生成并导出示例代码，这使他更详细地了解了如何将这些功能一起使用。随着能力的提高，他能够使用来自 MATLAB Central 上庞大的多学科用户社区的示例来构建生成的代码。
Schmitt-Weaver 使用 YieldStar 系统收集来自 TWINSCAN 系统的对准计量数据和来自相同晶圆的叠加计量数据。然后，他将数据集分成两组，一组用于训练网络，一组用于验证网络。
他利用 Deep Learning Toolbox 和 Statistics and Machine Learning Toolbox，设计了一个具有外生输入的非线性自回归网络" (NARX)"，并使用训练组的数据对其进行训练。
为了避免神经网络对训练组过度拟合，他利用 Deep Learning Toolbox 通过贝叶斯框架实现自动正则化。
网络训练完成后，他为其提供测试数据的输入，并根据 YieldStar 系统的测量结果验证其结果。
ASML 利用收集到的数据在 MATLAB 中开发了原型实时覆盖控制器。该网络为潜在提高产量奠定了基础，并具有识别可能未接受覆盖测量的晶圆的能力。
结果
确立行业领导地位。“通过使用 MATLAB 改进叠加计量，我们向客户展示了我们在开发创新方法实现叠加性能目标方面的领先地位，”Schmitt-Weaver 说道。
确定潜在的制造改进。Schmitt-Weaver 指出：“我们在 MATLAB 中设计和训练的网络可以识别出系统性和随机性叠加错误，而这些错误原本可能无法被发现。”“对于 5nm 及以下节点的微芯片制造而言，这种程度的覆盖性能改进是必要的。”
维护费用最小化。Schmitt-Weaver 表示：“自公司成立以来，ASML 系统就一直使用编译的 MATLAB 算法。”“通过建立经过同行评审的遗留脚本的大型数据库，我能够将注意力集中在新的机器学习功能上。”
"Virtual overlay metrology for fault detection supported with integrated metrology and machine learning," Proc.SPIE 9424, Metrology, Inspection, and Process Control for Microlithography XXIX, 94241T (March 19, 2015), doi:10.1117/12.2085475.
