이 페이지는 기계 번역을 사용하여 번역되었습니다.
ASML - 머신러닝을 통한 반도체 제조에 대한 가상 계측 기술 개발 사례
"프로세스 엔지니어로서 저는 신경망이나 머신러닝에 대한 경험이 없었습니다. 저는 MATLAB 예제를 통해 가상 계측 생성을 위한 최고의 머신러닝 기능을 찾았습니다. C나 Python으로는 이 작업을 수행할 수 없었을 것입니다. 올바른 패키지를 찾고, 검증하고, 통합하는 데 너무 오랜 시간이 걸렸을 것입니다."
과제
솔루션
결과
- 업계 리더십 확립
- 잠재적인 제조 개선 사항 확인
- 유지관리 오버헤드 최소화
나노공정에서 포토공정은 마이크로칩의 크기를 제어하는 기본 패터닝 단계입니다. 포토공정 과정에서 저파장 전원은 이미지를 통해 광학 장치로 조절되며, 그 다음 더 많은 광학 장치를 사용하여 크기를 줄여 기판(일반적으로 실리콘)을 덮는 감광성 화학 물질의 박막으로 만듭니다. 이 단계는 기판의 사용 가능한 모든 표면 영역이 동일한 이미지에 노출될 때까지 반복됩니다. 결과를 레이어라고 합니다. 칩을 구성하는 복잡한 미세 구조를 생성하려면 여러 개의 노광이 완료된 레이어가 필요합니다. 레이어 간 연결 실패로 인한 수율 문제를 방지하려면 레이어 간 모든 패턴이 의도한 대로 정렬되어야 합니다.
처리량에 영향을 주지 않고 레이어 정렬을 보장하려면 ASML의 TWINSCAN 포토공정 시스템은 노광 단계 전에 측정하는 정렬 마크 수를 제한해야 합니다. 일반적인 규칙은 정렬 마크를 측정하는 데 필요한 시간이 이전 웨이퍼를 순서대로 노출하는 데 필요한 시간보다 길 수 없다는 것입니다. 적절한 오버레이 모델 수정에 필요한 대량의 오버레이 마크로 인해 TWINSCAN 시스템에서 나오는 모든 웨이퍼를 측정하는 것은 불가능합니다.
ASML은 가상 오버레이 계측 소프트웨어를 개발하기 위해 MATLAB ®과 Statistics and Machine Learning Toolbox™를 사용했습니다. 이 소프트웨어는 머신러닝 기술을 적용하여 정렬 계측 데이터를 사용하여 모든 웨이퍼에 대한 예측된 오버레이 계측 추정치를 제시합니다.
ASML의 애플리케이션 개발 엔지니어인 Emil Schmitt-Weaver는 "MATLAB 과 머신러닝을 통해 수행한 작업은 기존 계측을 최대한 활용하는 업계 리더십을 보여줍니다."라고 말합니다. "이 작업에 대해 우리가 출판한 논문은 ASML 제품으로 제조 공정을 개선하려는 고객의 관심을 끌었습니다."
과제
Schmitt-Weaver는 이전에 머신러닝 알고리즘을 개발한 경험이 없었기 때문에 Python, C 또는 다른 저수준 언어로 알고리즘을 개발하지 않기로 결정했습니다. 그는 ASML의 크고 다양한 사용자 기반에 배포되고 전담 전문가가 유지 관리하는 기능을 활용하여 프로토타입을 신속하게 개발하기를 원했습니다.
솔루션
Schmitt-Weaver는 MATLAB, Statistics and Machine Learning Toolbox, Deep Learning Toolbox™를 사용하여 가상 계측을 생성하는 방법을 개발했습니다.
먼저 Schmitt-Weaver는 신경망 시계열 예측 및 모델링 앱을 사용하여 Deep Learning Toolbox에서 사용할 데이터를 준비하는 방법을 배웠습니다. 그는 앱을 사용하여 예제 코드를 생성하고 내보냈으며 이를 통해 기능을 함께 사용할 수 있는 방법을 더 자세히 이해할 수 있었습니다. 그의 능력이 향상됨에 따라 그는 MATLAB Central 의 광범위한 다분야 사용자 커뮤니티의 예제를 사용하여 생성된 코드를 기반으로 구축할 수 있었습니다.
Schmitt-Weaver는 TWINSCAN 시스템에서 정렬 계측 데이터를 수집하고 YieldStar 시스템을 사용하여 동일한 웨이퍼에서 오버레이 계측 데이터를 수집했습니다. 그런 다음 그는 데이터셋을 두 그룹으로 나누었습니다. 하나는 네트워크 훈련용이고 다른 하나는 검증용입니다.
그는 Deep Learning Toolbox와 Statistics and Machine Learning Toolbox를 사용하여 외생 입력(NARX)이 포함된 비선형 자기회귀 네트워크를 설계하고 훈련 그룹의 데이터로 훈련했습니다.
훈련 그룹에 신경망이 과적합되는 것을 방지하기 위해 그는 Deep Learning Toolbox 사용하여 베이지안 프레임워크로 자동화된 정규화를 구현했습니다.
네트워크가 훈련된 후 그는 네트워크에 테스트 데이터의 입력을 제공하고 YieldStar 시스템에서 측정된 결과와 비교하여 결과를 검증했습니다.
ASML은 수집된 데이터를 사용하여 MATLAB 에서 프로토타입 실시간 오버레이 컨트롤러를 개발했습니다. 네트워크는 잠재적으로 수율을 향상시킬 수 있는 기반을 제공했을 뿐만 아니라 오버레이 계측을 수신하지 않았을 수 있는 웨이퍼를 식별하는 기능도 제공했습니다.
결과
업계 리더십 확립. Schmitt-Weaver는 "MATLAB 사용하여 오버레이 계측을 개선함으로써 우리가 오버레이 성능 목표를 달성할 수 있는 혁신적인 방법을 개발하는 데 있어 선두주자임을 고객에게 보여주었습니다."라고 말합니다.
잠재적인 제조 개선 사항 확인. Schmitt-Weaver는 "우리가 MATLAB 에서 설계하고 훈련한 네트워크는 그렇지 않으면 감지되지 않았을 체계적이고 무작위적인 오버레이 오류를 식별했습니다."라고 말합니다. "5nm 노드 이하의 마이크로칩 제조에는 오버레이 성능에 대한 이러한 정도의 개선이 필요합니다."
유지관리 오버헤드 최소화. Schmitt-Weaver는 "회사 설립 초기부터 ASML 시스템은 컴파일된 MATLAB 알고리즘을 사용해 왔습니다."라고 말합니다. "동료 검토를 거친 레거시 스크립트의 대규모 데이터베이스를 구축함으로써 새로운 머신러닝 기능에 관심을 집중할 수 있었습니다."
"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.
