中国科学院 一、演示方法的工作原理
被测试的样品是在硅衬底上具有氧化物(二氧化硅)和氮化物(氮化硅)交替层的多层半导体器件
为了获得光谱数据，使用了安装在半导体生产线上的商用椭偏仪和反射仪
对于机器学习模型，测量的光谱数据和各层厚度分别用作输入和输出
23个试样的厚度预测结果
预测厚度(红色圆圈)与实际厚度(蓝色三角形)匹配良好，无论材料或层位置如何，平均预测RMSE约为1
六
异常设备检测结果
为测试准备了17个正常样本和2个异常样本
所有正常和异常样本都被成功分类
荣誉:金贤洙，成允龙，赵穗，莫峻金，杨宇新，金俊元 随着近来从数据中心到各种智能和连接设备对数据存储的爆炸性需求，对更高容量和更紧凑的存储设备的需求不断增加
因此，半导体器件现在正从二维走向三维
三维与非门闪存是当今商业上最成功的三维半导体器件，其对支持我们的数据驱动世界的需求正呈指数级增长
三维器件的标度律是通过以更可靠的方式堆叠越来越多的半导体层(远远超过100层)来实现的
由于每层厚度对应于有效沟道长度，准确表征和逐层控制厚度至关重要
不幸的是，迄今为止，这种数百层结构的每层厚度的非破坏性精确测量还不可能实现，这在三维器件的未来扩展中设置了严重的瓶颈
在《光:先进制造》杂志上发表的一篇新论文中，一组来自韩国高级科学技术研究所和三星电子公司的工程师
有限的
由韩国KAIST的Jungwon教授领导，开发了一种结合光谱测量和机器学习的无损厚度表征方法
通过利用半导体多层堆叠和介电多层反射镜之间的结构相似性，采用了光谱光学测量，包括椭偏测量和反射测量
然后使用机器学习来提取光谱测量数据和多层厚度之间的相关性
对于超过200层的氧化物和氮化物多层堆叠，整个堆叠上的每层的厚度可以用大约1
6均方根误差
除了在正常制造条件下准确确定多层厚度(这有助于控制蚀刻和沉积过程)之外，研究团队还开发了另一种机器学习模型，当层厚度与设计目标相差很大时，该模型可以检测异常值
它使用大量的模拟光谱数据进行更有效和经济的训练，并能成功地检测出故障器件和器件中的准确错误层位置
“机器学习方法有助于消除测量相关的问题，”KAIST的博士生、该研究的第一作者Hyunsoo Kwak说
“通过使用注入噪声的光谱数据作为机器学习算法的输入，我们可以消除测量仪器的各种误差和不同制造条件下材料特性的变化，”他补充说
“这种方法可以很容易地应用于各种三维半导体器件的全面检查，”金教授说，“这项工作中使用的所有数据都是在三星电子的商用三维与非生产线上获得的，这就是一个例证。”
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
