使用物理辅助机器学习将氧化和晶圆清洁映射到器件特性

小英说半导体

引言

人们总是非常希望在半导体加工过程中的化学与器件特性之间建立明确的关系。金属氧化物半导体场效应晶体管 (MOSFET) 在当今的集成电路(IC)技术中发挥着至关重要的作用。理想情况下，对于MOS器件，希望电气特性应由bulk控制，而不是由界面控制。在半导体行业，基于TL的图像缺陷分类在晶圆制造行业中相当普遍。由于模型的性能已经达到了人类级别的分类，这有助于制造商降低成本和提高良率。TL算法在回归问题上的性能也很重要，例如使用其电子特性预测宽带半导体的声子特性。它还成功地用于确定材料的形成能，进一步改善材料性能。（江苏英思特半导体科技有限公司）

在可用数据较少的情况下，一些新材料的研究也可以使用TL进行分析。本文中，我们针对不同的任务提出了一个基于机器学习的模型。这里的任务被分类，它们基于C–V的预测对于中频。测得的数据将专门用于测试，不用于训练。这意味着我们提出的模型仅在低频和高频测量数据上进行训练。所有频率的物理建模将补充 ML模型以提高预测精度。（江苏英思特半导体科技有限公司）

实验

采用不同的工艺参数制造了三层金属氧化物半导体结构。我们考虑了不同类型的晶圆清洗、热氧化、金属沉积和金属电极光刻作为工艺参数。从制造和测量到机器学习的整个流程如图 1所示。

图1.MOS电容器建模流程。

首先，在两种不同类型的工艺中清洗p型晶圆：一种是RCA 清洗，另一个是标准清洁。在这两种清洁方法中，化学物质以不同的浓度使用。在标准清洁中，首先使用NH4OH、H2 O2和H2 O的化学成分按1:4:20的比例去除颗粒和有机污染物。接下来，HCl、H2O2和H2的组合物O按1:1:6的比例用于去除金属离子。在这些化学处理过程中，可能会产生原生氧化物。为了消除这种残留物，将晶圆浸入1:50比例的HF和H 2溶液中。每次对晶圆进行化学处理后，还使用快速倾倒冲洗器来保持晶圆质量。整个晶圆的清洗过程是在湿台上进行的，然后是旋转干燥器。清洁完成后，下一步就是生长氧化物。（江苏英思特半导体科技有限公司）

结果和讨论

图2为SSMTL在测试数据上的散点图。与基线模型相比，我们注意到，测试数据上的总体RMSE和r2分别提高了62.12%和54.58%。从表1中可以明显看出，所有个体频率的r2评分和RMSE均有显著提高。

图2。50个神经元SSMTL对所有工艺参数测试数据的散点图

表1。性能指标

结论

作为复杂半导体制造过程的结果，对器件性能的预测总是需要的。在这项工作中，我们展示了两个先进的数据驱动的物理辅助基于ML的模型，这些模型可有效地用于将设备C - V映射到氧化和晶圆清洁程序。我们观察到，与标准MLP模型相比，半监督多任务学习 (SSMTL) 和迁移学习(TL)实现了更好的性能。改进的数据驱动模型基于ML模型中某些层的权重和偏差的共享或传递。（江苏英思特半导体科技有限公司）

江苏英思特半导体科技有限公司主要从事湿法制程设备，晶圆清洁设备，RCA清洗机，KOH腐殖清洗机等设备的设计、生产和维护。

populaa

谢谢分享