隨著晶圓廠和設備制造商對晶圓圖形缺陷檢測的精度和速度有了更高的要求,先進機器學習正成為提升良率和產量的解決方案。
晶圓制造工廠每個月能夠生產一千萬個經過檢驗、計量和測試的晶圓級圖像。工程師需要分析這些數據以實現產量提升,并丟棄那些無法加工的晶圓。同時,他們依賴于為數據分析提供數十年支持的計算機視覺算法。然而,如今的芯片復雜度不斷提升,對可靠性和更長使用壽命的要求日益提高,早期的機器視覺已經無法滿足當今市場的需求。誤分類率非常高,錯誤驗證經常發生,好的晶圓經過驗證被判定為壞晶圓,這就需要人工進行終檢和評估。
誤分類將會導致晶圓廠吞吐量的降低,增加了制造成本。此外,邊緣圖像的人工審查導致操作員或技術人員做出的決策不一致。隨著晶體管密度增加,決策分歧更加明顯,無論在水平方向還是垂直方向,圖形越來越細微,以至于現有設備愈加難以辨別。
為了提升精度,晶圓測試圖需要在不同工藝步驟的空間圖形背景下進行正確分類。反過來,這就需要一個與檢測晶圓圖像類似的計算分析。事實證明,隨著工程師開始使用最先進的深度學習方法,精度和速度的提升意義重大。通過使用深度學習技術,誤分類持續降低,所需人工也在不斷縮減。
據2021先進半導體制造大會(ASMC 2021)上的許多演講表示,工程師在晶圓級圖像上使用先進機器學習(包括深度學習技術)來快速響應產量限制事件,并提高產品質量和可靠性。相較于過去而言,這些方法的使用越來越廣泛,并且底層計算硬件——專為深度學習而設計的GPU——能夠使用大規模并行配置處理數據。
“全面推動使用先進的機器學習進行缺陷分類和晶圓處理,”新思科技(Synopsys)產品市場總監Anjaneya Thakar表示。“更好的硬件以及改進的軟件算法為機器學習更加廣泛的使用提供了助力。我們已經能夠將圖像處理和計算機視覺用于這些檢測和處理任務上。但是先進機器學習可以發現新的趨勢。”
除此之外,某些市場(尤其是汽車、醫療和軍用/航空)對消除潛在缺陷的需求也在不斷增長。在這些領域,越來越多更先進的分析晶圓圖像的方法被采用。
“與領先的汽車制造商及其供應商密切合作,使KLA更加專注零缺陷,從而推出I-PAT等新的解決方案,以實現十億分之一的目標,”KLA戰略合作高級總監Jay Rathert表示。“我們希望在這個領域持續創新,不斷推動汽車市場的互聯化、自動化和電子化趨勢。”
晶圓圖形和計算機視覺
應用程序、更高的復雜性和密度以及新方法等所有這些因素都會增加處理晶圓所需的時間。為了實現更加有效的成本管控,工程師使用晶圓圖像來識別低良率的來源。例如,通過使用晶圓圖像來主動報廢晶圓,識別需要返工的晶圓,并標記有問題的設備。
在過去的幾十年里,半導體制造商一直依賴計算機視覺,這也是機器視覺在半導體制造領域最早的應用之一。這些系統被稱為自動光學檢測(AOI),使用信號處理算法來識別宏觀和圍觀物理變形。
缺陷檢測為晶圓廠處理步驟提供了反饋回路。晶圓測試結果生成的分類圖(好或壞裸晶)也可以作為圖像進行分析。它們的數據粒度明顯大于來自光學檢測工具的像素化數據。然而,晶圓圖的測試結果可以匹配光刻過程中產生的飛濺,以及AOI系統可能遺漏的處理過程中產生的劃痕。因此,晶圓測試圖為晶圓廠提供了有效的反饋。
生成的模型基于好壞晶圓的圖形。數據預處理可以在特征提取或圖形標記之前增強圖像。例如,對于AOI圖像,工程師可以使用濾波器提高圖像質量以進一步增強圖像。相比之下,基于晶圓測試圖的圖像無法通過濾波器優化,因為每個晶圓都被簡單標記為好/壞。
特征提取要求工程師決定模型應該考慮哪些圖像特征。例如,通過圖像標記,工程師可以為模型命名空間圖形以供學習。
機器學習模型從一組訓練圖像數據開始。然后需要檢查算法來確保正確識別相似圖像。晶圓測試圖基于晶圓空間圖形進行分類。對于AOI晶圓圖形,重點是缺陷識別。需要良好和有缺陷的晶圓共同來訓練模型。
“當識別工具捕獲圖像時,僅缺陷圖像是否足以了解缺陷的詳細信息?對于計算圖像分類來講,有兩種解決方案——基于參考和非基于參考,”Onto Innovation市場和客戶解決方案總監Prasad Bachiraju表示。“由于缺陷圖像與同一晶圓的參考點進行比較,因此相較于非基于參考方案,基于參考的解決方案在缺陷分類時擁有更高的準確度。使用基于非參考的分類能夠減少晶圓間可變性或批次間可變性可能給缺陷分類帶來的挑戰。實現基于參考的設計并非沒有挑戰。大部分系統使用非參考方案,因此人們現在選擇使用深度學習。”
現階段,AOI系統仍使用傳統的計算機視覺機器學習。由于傳統方法會產生過多誤報,而檢測到沒有缺陷的缺陷,因此標記為有缺陷的晶圓需要人工審查。誤報數量在10%到15%的情況并不少見。人工審查既費時,又過于主觀,因此容易出錯。據2007年,AMD和Rudolph(現為Onto)工程師報告稱,經驗豐富的操作員之間一致性為43%,操作員判定結果的可重復性為93%。
AOI系統也無法找到晶圓廠工程師關注的所有缺陷。這就推動了傳統方式向先進機器學習技術的轉變,來構建更好的檢測和分類方法。
“我們當前的系統使用一個原始的人工智能技術,”CyberOptics CEO Subodh Kulkarni稱。“查看圖像后,你可以看到某些區域內存在問題,但AI并不能看到這個問題。當你使用深度學習算法時,可以檢測所有這些東西。但深度學習算法需要花費一周時間進行編程和測試,這是不切實際的。因此,在我們所面對的市場領域,機器學習正在不斷創新和發展。深度學習算法逐漸變得更加快速,編程也更加輕松簡單。”
要在這方面取得成功,需要對你試圖通過機器學習完成什么有一個深入的了解。
了解問題并減少解決問題所需的數據對于深度學習至關重要,但晶圓廠和設備供應商正在取得進展。在今年的ASMC上,幾個工程團隊報告了其企業在先進機器學習和深度學習技術的成功應用,以及支持迭代學習過程所需的工程工作。雖然深度學習技術能夠輕松區分貓和狗,但種類繁多的缺陷圖形及其廣泛的圖像尺寸范圍給學習過程帶來了巨大的挑戰。此外,盡管晶圓測試分類圖和晶圓圖像檢測的圖像在數據粒度方面有很大差異,它們可以采用同樣的解決方案。
機器學習和晶圓測試圖
自世紀之交以來,工程團隊已經使用晶圓測試結果來查看空間圖形,從而能夠對有問題的設備和工藝步驟進行反饋。通過應用先進機器學習方法,可以使用來自測試數據的產量特征圖庫正確識別圖形。反過來,這也可以反饋到晶圓廠設備上。
在2021 ASMC報告中,格芯(GlobalFoundries)的工程師將計算機視覺應用中常見的支持向量機(SVM)技術與用于晶圓測試圖分類的四層的卷積神經網絡(CNN)進行了比較。目標是提高低產量分類的準確性。
SVM需要特征工程來促進模型訓練。CNN需要對集合中現有的圖形進行訓練,并遍歷120次。使用12個不同的晶圓圖對300至500張圖像進行簽名,每個圖像都經由工程師手動標記,兩種模型都得到了訓練。
對12個不同特征的正確分類結果進行平均,CNN表現優于SVM。SVM解決方案的整體精度為59%,對圖形位置和密度具有高度靈敏度,但對圖形形狀的靈敏度較低。相比較而言,四層CNN整體精度為90%,并對圖形形狀的靈敏度較高。
低產量晶圓具有特定的空間圖形,通常可以追溯到特定的工藝步驟。將晶圓圖圖形分類與晶圓設備譜系(即處理晶圓的特定設備)相結合,可幫助工程師/技術人員查明根本原因。盡管制造設施將這些晶圓圖圖形存儲到圖形檢測庫中,如今的復雜系統仍會出現新的圖形。
主動檢測過去的未知圖形可以更快地響應流程問題。這促使SkyWater Technology和Onto Innovation共同開發解決方案。他們推出了一個在線空間特征檢測解決方案,構建了一個更加系統化的方式,來識別具有新的空間圖形分組(未知圖形)的4%的晶圓。
“首先采用機器學習技術對未知圖形進行自動發現,”SkyWater的David Gross和Katherine Gramling,以及Onto的Prasad Bachiraju在2021 ASMC的報告中寫道。“自動發現過程通過基于SPR引擎生成的數百個特征向量對具有相似圖形的晶圓驚醒分組來生成pareto報告。因此,我們最終得到top-n、高影響力、自動發現的圖像,來幫助我們理解那些新的、開始出現或未被注意到的圖形。這個過程幫助我們有效地維護了全面的圖形庫,能夠對生產問題作出主動響應。”
機器學習和晶圓AOI圖像
這項技術突破意義重大。在AOI圖形上成功運行深度學習模型需要實際圖像上的領域專業知識(即尋找變色或圖形形狀)和研發機器學習算法的專業知識。晶圓圖像數據提出了特殊圖像檢測和分類挑戰,由于廣泛的缺陷尺寸范圍和種類繁多的圖像應用。然后由工程師/技術人員在學習周期之間檢查結果,他們了解圖像處理和檢測到的缺陷。
在兩份2021 ASMC的報告中,作者詳細描述了構建模型的前期投入。不過,在這兩個情況下,這些投入都證明是值得的。由此產生的模型顯著改善了檢測和分類。
格芯工程團隊分享了其在光刻工藝中應用先進機器學習的結果。對于光刻過程的在線控制,晶圓廠在光阻顯影(也稱為顯影后檢查,或ADI)后使用AOI來檢測點缺陷和涂層缺陷。一旦檢測到涂層缺陷,可以通過從受影響的晶圓上去除所有抗蝕劑并在刻蝕前重復光刻步驟來修復涂層缺陷。如果遺漏掉缺陷,對晶圓產量的影響將會非常明顯。
通過100%的檢測,ADI以大于30微米的分辨率尋找宏觀層面的變化。這種檢測的檢測方法依賴于顏色差異,但它們對于微弱顏色缺乏靈敏性。雖然可以訓練和調整商用計算機視覺ML模型來提高靈敏度和選擇性,但它們的誤報率仍然很高。
格芯研發了一種新的方法,來提高微弱圖像的檢測并減少誤報結果。首先,采用圖像均衡來增加微弱缺陷區域的可見性。
其次,在學習周期中使用先進機器學習和可解釋人工智能方法。這提供了關于為什么初始預測結果在晶圓邊緣的圖像失敗的重要見解,包括誤報和漏報。
“我們的關注點聚焦于ADI圖像大小,以及ML系統如何管理這些尺寸,”格芯調查者寫道。“調查圖像大小發現ADI提供了廣泛的圖像尺寸(許多高達4256,但大多數低于2240像素);并且ML系統使用裁剪圖像到最大x或y尺寸為2240像素。這種裁剪方法是一個問題,因為如果尺寸過大和/或缺陷靠近邊緣,那么發送到模型進行預測的ML訓練集中的圖像可能已經被裁剪掉缺陷。”
他們通過將所有圖像按比例縮放到最大x/y尺寸為2240像素來修復圖像裁剪。
不過,晶圓圖像分類和更先進的機器學習算法不僅限于毫米以下的工藝技術。來自Hitachi ABB Power Grids的工程師也在ASMC 2021上分享了他們的成果。同樣為了減少誤報和增加檢測,他們開發了一種復雜的深度學習方法,用于來自五種不同功率器件的晶圓圖像中發現的缺陷,包括用于高壓應用(1．2kV至6．5kV)的雙極型IGBT和功率二極管。
由于要檢測的缺陷類型的范圍以及某些缺陷類型的罕見和獨特性,他們選擇使用對象檢測方法,而不是圖像分類方法。他們需要檢測的缺陷圖像大小從幾十到幾十萬像素不等。前者因為尺寸占總圖像的0．01%至0．1%,因此存在很大的檢測挑戰。若缺陷過大超過了圖像尺寸,則需要使用AOI工具進行裁剪。
通過選擇較小的圖像進行分析,他們報告說該模型更加容易學習圖像背景,從而減少誤報。通過他們的對象檢測方法,將基于區域的CNN和主動學習與遷移學習相結合,以使用僅有500至2500個實例的訓練集來檢測小缺陷。經歷6個學習周期,總共2431個訓練示例,分類結果的精度為0．98,召回率為0．8。精度等于正確率與預測正確的比率,而召回率等于正確率與實際正確的比率。
更多內容
使用晶圓圖像檢測或晶圓分類圖,工程目標從根本上圍繞晶圓圖像,以采取預動作提升產量和質量。
“從晶圓廠的檢測和測量工具中獲取的數據量非常大。因此,需要機器學習技術來遍歷這些數據,找到數據趨勢并在出現問題時做標記,”新思科技的Thakar表示。“對于這些模型來說,圖像是絕佳的訓練工具。機器學習解決了硅制造領域中一個關鍵性問題:如何查看所有這些數據并找出哪些是產量效應,哪些不是。找到這個問題的答案將會推動機器學習和深度學習在執行缺陷分析中的應用。”
總結
由于這些方法獲得了良好的分類和檢測指標,因此晶圓廠工程團隊正在采用更加復雜的機器學習算法進行晶圓圖像審查。用于加速神經網絡、開源圖像庫的計算硬件和增加的卷積神經網絡(CNN)經驗,通常有利于他們采用這些方法。
預計未來晶圓廠工程團隊將會開發先進的機器學習模型。
