阿斯麦开发虚拟计量技术为半导体制造与机器学习
“作为一名过程工程师，我对神经网络或机器学习没有任何经验。我通过MATLAB实例来寻找生成虚拟计量的最佳机器学习函数。我不能用C或python来做这件事——查找、验证和集成正确的包会花费太长时间。”
埃米尔Schmitt-Weaver, ASML
在纳米制造中，光刻是控制微芯片尺寸的基本制模步骤．在光刻过程中，低波长功率源通过图像进行光学调节，然后通过更多的光学缩小到覆盖衬底(通常是硅)的光敏化学薄膜。重复这一步骤，直到基片上所有可用的表面积都用相同的图像进行曝光;结果被称为一个层。要形成组成芯片的复杂微观结构，需要多个暴露层。为了防止由于层与层之间的连接失败而导致的屈服问题，层与层之间的所有模式必须按预期排列。
为了确保层对齐而不影响吞吐量，ASML的TWINSCAN光刻系统必须限制曝光步骤前测量的对齐标记的数量。一般的规则是测量对齐标记所需的时间不能超过曝光序列中前一个晶圆所需的时间。由于适当的覆盖模型校正需要大量的覆盖标记，因此不可能测量从TWINSCAN系统中出来的每个晶圆。
ASML使用MATLAB®统计和机器学习工具箱™开发虚拟覆盖计量软件。该软件应用机器学习技术，利用对齐计量数据，得出每个晶圆的覆盖计量的预测估计。
ASML的应用开发工程师Emil schmidt - weaver说:“我们用MATLAB和机器学习所做的工作证明了在最佳利用现有计量方法方面的行业领先地位。”“我们在这方面发表的论文已经吸引了那些希望改进ASML产品制造工艺的客户的兴趣。”2022世界杯八强谁会赢？
挑战
因为Schmitt-Weaver之前没有开发机器学习算法的经验，所以他决定不使用Python、C或其他低级语言开发算法。他希望快速开发一个原型，依赖于已经部署在ASML庞大、多样化的用户群中并由专业人员维护的功能。
解决方案
Schmitt-Weaver使用MATLAB、统计和机器学习工具箱和深度学习工具箱™开发了一种生成虚拟计量的方法。
首先，施密特-韦弗使用神经网络时间序列预测和建模应用程序学习如何准备数据使用深度学习工具箱。使用该应用程序，他生成并导出了示例代码，这让他更详细地了解了如何将这些函数结合使用。随着他能力的提高，他能够在生成的代码上使用来自MATLAB Central上大量多学科用户社区的示例。世界杯预选赛小组名单
schmidt - weaver从TWINSCAN系统中收集校准计量数据，并使用YieldStar系统从相同晶圆中收集覆盖计量数据。然后他将数据集分成两组，一组用于训练网络，另一组用于验证网络。
利用“深度学习工具箱”和“统计与机器学习工具箱”设计了具有外生输入的非线性自回归网络(NARX)，并使用训练组数据进行训练。
为了避免神经网络与训练群的过拟合，他使用了深度学习工具箱，利用贝叶斯框架实现了自动正则化。
在对网络进行训练之后，他向其提供来自测试数据的输入，并将其结果与YieldStar系统的测量结果进行验证。
ASML利用采集到的数据在MATLAB中开发了一个实时叠加控制器原型。该网络提供了潜在的提高产量的基础，以及识别可能没有接收覆盖计量的晶圆的能力。
结果
建立行业领导．“通过使用MATLAB改进覆盖计量，我们向客户展示了我们在开发创新方法以达到覆盖性能目标方面的领先地位，”施密特-韦弗说。
发现潜在的制造改进．“我们在MATLAB中设计和训练的网络识别了系统和随机的覆盖错误，否则可能不会被检测到，”施密特-韦弗指出。“这种程度的覆盖性能改进对于5nm及以下节点的微芯片制造是必要的。”
维护开销最小化．“自从公司成立以来，ASML系统已经使用了编译的MATLAB算法，”施密特-韦弗说。“通过构建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。”
“支持集成计量和机器学习的故障检测虚拟覆盖计量。”Proc。学报微光刻XXIX的计量、检验和过程控制，94241T(2015年3月19日)doi: 10.1117/12.2085475．
2022世界杯八强谁会赢？产品使用
귀하의성공을소개하십시오。
고객사례공유하기
您也可以从以下列表中选择网站: