系統(tǒng)性良率問題正在取代隨機缺陷，成為最先進工藝節(jié)點半導體制造中的主要問題，需要更多的時間、努力和成本來實現(xiàn)足夠的良率。

良率是半導體制造中的終極秘密話題，但它也是最關鍵的，因為它決定了有多少芯片可以有利可圖地出售。PDF Solutions的首席技術官 Andrzej Strojwas 說：“在較舊的節(jié)點上，當您開始批量生產(chǎn)時，您唯一需要擔心的良率問題就是隨機缺陷?！薄按蠖鄶?shù)系統(tǒng)學將被淘汰，參數(shù)問題將得到控制?！?/p>

情況不再如此。Strojwas 解釋說，系統(tǒng)缺陷和參數(shù)變化現(xiàn)在出現(xiàn)在早期生產(chǎn)中，需要積極的良率管理策略才能將產(chǎn)品良率提高到可接受的水平?！坝袝r特定的布局模式會出現(xiàn)問題，”他說?！袄?，在互連層面，您可能會遇到金屬島問題，這些問題會導致災難性故障，如短路或開路。不幸的是，盡管人們對光學鄰近校正(OPC)給予了很多關注，以確保打印的結構非常接近設計意圖，但這些情況仍在發(fā)生。”

圖1：分析以解決良率上升的設計系統(tǒng)問題。資料來源：先進制造公司

GlobalFoundries 最近在其壽命為兩到三年的 14 納米 finFET 移動產(chǎn)品的量產(chǎn)期間實施了良率改進方法。該公司表示，工藝、設計和布局之間的系統(tǒng)性缺陷是早期良率損失的主要原因。該流程（見圖 1）將客戶 GDS 文件與經(jīng)過調整的從設計到硅的流程相結合，該流程根據(jù)歷史學習中的弱點或缺陷評估良率損失。設計特征為模式匹配提供輸入，計算過程開發(fā)期間捕獲的薄弱點 (WP) 或夾點的出現(xiàn)次數(shù)。設計示意圖根據(jù)產(chǎn)量影響對 WP 進行排名，并將其反饋到 NPI 工藝設置中。最關鍵的是，在 NPI 設置期間使用在線 CD、明場檢查、電子束掃描、自動圖案檢查和工藝窗口鑒定對系統(tǒng)進行全面的工藝表征。根據(jù)這些發(fā)現(xiàn)實施修復，然后在晶圓上進行驗證。

在一個例子中，GlobalFoundries 的工程師發(fā)現(xiàn)了一個中間線接觸接觸短路的薄弱點，“這與一個 7.5T 標準電池有關，雙圖案接觸 (CA) – CA1 和 CA2 之間的邊緣空間很小，晶圓邊緣芯片丟失(>5%)（見圖 2）?；谠O計布局分析和圖案匹配，實施了光學鄰近校正 (OPC) 修復解決方案以擴大工藝余量并提高良率，如圖 2g 所示?！癈D 檢查確認了整個過程窗口?！?/p>

圖 2：通過光學 (a)、布局 (b、e) 和電子束 (d) 確認的觸點短路已使用 OPC 進行校正，并通過更大的間距 (f) 和晶圓邊緣良率增益 (g) 進行了驗證。資料來源：IEEE ASMC

3D 計量和良率學習

最近最重要的變化之一是 3D 檢測和計量學習的增加。finFET 和納米片晶體管的采用發(fā)生在前端，而高級封裝則需要在后端進行 3D 計量。

“我們看到的主要挑戰(zhàn)實際上是 3D 復雜性，” Nova的首席技術官 Shay Wolfling 說?！八赃@始于具有數(shù)百層的 3D NAND——而且不是一層，而是兩層和三層?？蛻舨粌H對 CD 感興趣，還對頂部 CD、中間 CD 和底部 CD 感興趣——配置文件中的多個參數(shù)。堆疊納米片的邏輯也是如此?！?/p>

例如，納米片晶體管的三維測量和過程控制產(chǎn)生了一種新工具，即垂直移動光譜儀，Wolfling 將其描述為在傳統(tǒng) OCD 功能（散射測量）之上添加了干涉測量法。這項新技術為反射率測量帶來了額外的相位信息，例如，這顯著提高了納米片晶體管中腔體和間距測量的準確性。

在 FEOL 中，同時使用了光學和電子束技術。西門子 EDA 的Tessent Group產(chǎn)品管理總監(jiān) Matt Knowles 說：“在晶體管級別采用環(huán)柵技術，你會在前端缺陷中引入更多的復雜性。”“已經(jīng)完成了光學檢測并正在應用電子束檢測，但澆口的三維特性帶來了重大挑戰(zhàn)?！?/p>

具體而言，Knowles 強調布局模式系統(tǒng)缺陷的影響越來越大?！斑@是人們多年來一直面臨挑戰(zhàn)的領域，但在高級節(jié)點，圖案復雜度更高，這些缺陷可能占良率的百分之幾。因此，我們將 YieldInsights YMS 的機器學習與 PDF Solutions 的模式引擎相結合，以解決其中的一些問題?！?/p>

模式簽名

在生產(chǎn)過程中，工程團隊尋找可用于快速提高產(chǎn)量或減少產(chǎn)量限制事件影響的可操作數(shù)據(jù)。工具和處理問題通常在晶圓級模式中捕獲，軟件程序可以對其進行建模和自動識別。

良率管理系統(tǒng)中的機器學習可以分析晶圓級空間模式。例如，Skywater Technology 和 Onto Innovation 的工程師實施了基于 ML 的空間模式識別 (SPR) 引擎，以根除由于工藝或工具邊際性導致的系統(tǒng)產(chǎn)量問題。該引擎主動生成高影響步驟的 Paretos，以更有效地識別產(chǎn)量限制事件的原因?！?a target="_blank">半導體行業(yè)對采用 SPR 并不陌生，”SkyWater Technology 的 David Gross 說?！叭欢?，有效利用 SPR 結果來加快確定根本原因和采取糾正措施仍然是一個挑戰(zhàn)。”

圖 3：三個月的未知模式學習結果。資料來源：IEEE ASMC

產(chǎn)量改進方法從基于 ML 的基于數(shù)月生產(chǎn)數(shù)據(jù)的模式自動發(fā)現(xiàn)開始（見圖 3）。工程師將模式樣本添加到庫中，而庫和配方設置組合用于改進跨多個產(chǎn)品和層的模式識別。在生產(chǎn)中，當晶圓檢測、計量和探測數(shù)據(jù)被輸入良率管理系統(tǒng)時，SPR 引擎會檢測具有空間特征的晶圓并對其進行分類。根據(jù)工程師的監(jiān)控標準，采取自動行動，例如電子郵件警報、自動報告等。

SPR 引擎識別出三種未知圖案，包括光刻條紋、兩個邊緣帶和一個中心簇?！肮饪虠l紋可能是由于光罩污染或檢查配方敏感性問題造成的。但是，執(zhí)行 Repeater 和 Event Reports 等深入分析可以快速找出根本原因。”生產(chǎn)中的產(chǎn)量限制模式儀表板（見圖 4）被發(fā)現(xiàn)可以提高工程生產(chǎn)力 (+25%)，方法是突出顯示有助于產(chǎn)量限制警報條件的工藝工具，從而實現(xiàn)快速反應和恢復。

圖 4：通過將設備研究信息與 AOI 圖像相結合，使用儀表板定期監(jiān)測缺陷模式將工程生產(chǎn)力提高了約 25%。資料來源：IEEE ASMC

Skywater 的其他案例研究確定了受特定空間模式影響的所有晶圓，從而無需進行耗時的手動分類。SPR 引擎還可以在完全影響之前捕獲已知的故障模式，例如晶圓上呈風車狀的蝕刻薄片，其實時警報會通知工程師組件需要更換。該團隊得出結論，SPR 引擎有助于勾勒出偏移范圍并將內(nèi)聯(lián)簽名與限制產(chǎn)量的缺陷相關聯(lián)。

可操作的數(shù)據(jù)

更好的數(shù)據(jù)分析程序有助于更好地利用缺陷和故障數(shù)據(jù)?！拔覀兛吹降囊粋€大趨勢是，為了讓缺陷數(shù)據(jù)更容易獲得和操作，人們在生產(chǎn)中運行更多的批量診斷，”Knowles 說?！斑^去，只有幾家大公司收集并分析了他們所有的故障數(shù)據(jù)。其他客戶在新產(chǎn)品推出或某些良率問題的臨時基礎上這樣做。但現(xiàn)在，所有客戶都變得更加主動。他們必須這樣做，因為他們不能忍受持續(xù)一周或更長時間的收益率波動?！?/p>

缺陷隔離是一項持續(xù)的挑戰(zhàn)，尤其是當缺陷被隱藏時（見圖 5）。“在前端，你有兩種功能截然不同的工具，”諾爾斯說。“第一個檢測工具非?？焖俚貟呙枵麄€晶圓，尋找所有污染物和缺陷。然后，審查工具會提供非常高分辨率的圖像，很可能就是您要查找的缺陷?！彼赋?，審查分析已縮短到大約 10 分鐘。

然而，陳指出，抽樣程序正在發(fā)生變化。舊例程不足以捕獲所有致命缺陷，尤其是在汽車和服務器芯片中，可接受的缺陷水平低于 ppm。因此，公司必須投資于工具以提高產(chǎn)量，例如使用 TSMC 的 CoWoS 的 HBM 內(nèi)存堆棧。他指出了一種范式轉變，從在少數(shù)芯片上產(chǎn)生 ppm 速率的舊采樣率到具有數(shù)千個具有復合故障率的設備的現(xiàn)代汽車系統(tǒng)?！霸诜掌鲉卧蚋咝阅?a href="http://www.brongaenegriffin.com/v/tag/150/" target="_blank">人工智能芯片中，投資回報率更具吸引力。但是對于外包制造，任何影響生產(chǎn)力的事情，比如額外的檢查步驟，都需要一個整體的行業(yè)解決方案?！?/p>

圖 5：100% X 射線缺陷檢測（左排圖像）之后是審查（中）和橫截面驗證（右），以隔離 HBM 中光學技術可能遺漏的隱藏缺陷。資料來源：Bruker

Bruker對芯片連接后的 X 射線檢查和審查的采樣率和自動反饋進行了研究，以確定最佳采樣率、良率增益和偏移持續(xù)時間（見圖 6）?！拔覀儗?HBM 隱藏缺陷的分析表明，您可以通過進行 30% 的采樣來顯著減少偏移時間，這會產(chǎn)生大約 7 天的偏移時間。一直到 100% 采樣可將產(chǎn)量提高 1.7%，并將偏移時間縮短至 2 天。”

快速計量過程反饋是將缺陷率提高到 100 ppb 水平的關鍵?！皩τ谧詣臃答?，僅僅提高采樣率是不夠的，”Bruker 說?！皩嶋H上，您需要提供更多反饋才能在工藝窗口內(nèi)進行自動更正，以將事情保持在工藝規(guī)范內(nèi)?！?/p>

圖 6：30% 的采樣率將偏移時間減少到 7 天。最終，采樣率達到收益遞減點。資料來源：Bruker

工程師識別可操作數(shù)據(jù)的方法之一是通過故障缺陷分類 (FDC) 程序。FDC 使用過程工具上的傳感器數(shù)據(jù)和監(jiān)控數(shù)據(jù)來自動對故障進行分類?！拔覀冊诠に嚬ぞ吆陀嬃肯到y(tǒng)上做越來越多的 FDC，” Onto Innovation軟件產(chǎn)品管理總監(jiān) Mike McIntyre 說?！袄纾幸环N最著名的方法是將 FDC 放在您的計量工具上，從而實現(xiàn)車隊匹配，從而能夠確保它們每天的行為始終如一。這樣您就不必依賴校準標準來確保計量測量處于受控狀態(tài)。因此，我們正在引入這種學習，我們可以開始研究工具上的固有信號?！?/p>

但越來越多的工具上的傳感器數(shù)量在增加，因此維護和分析來自過程監(jiān)視器的所有數(shù)據(jù)的成本也在增加。并且需要在整個產(chǎn)品生命周期中從一開始就跟蹤缺陷。

數(shù)據(jù)分析和生命周期管理

晶圓廠、組裝和測試設施的數(shù)據(jù)管理有兩個方面——歷史數(shù)據(jù)和日常運營產(chǎn)生的實時數(shù)據(jù)。Synopsys硅生命周期管理高級產(chǎn)品營銷經(jīng)理 Guy Cortez 表示：“在宏觀層面上，隨著先進節(jié)點的出現(xiàn)，需要分析的數(shù)據(jù)量確實發(fā)生了階躍函數(shù)變化?！薄斑@些工具必須能夠很好地處理架構，以執(zhí)行容量分析、跟蹤實時和歷史數(shù)據(jù)以了解產(chǎn)量問題，從而支持實時行動?！?/p>

半導體加工中的數(shù)據(jù)管理挑戰(zhàn)可以簡化，尤其是從真正重要的方面來看——半導體材料或芯片。“在 Onto，我們查看數(shù)據(jù)，我們基本上發(fā)現(xiàn)它都符合三個向量之一，”麥金泰爾說?！八词桥c正在生產(chǎn)的材料相關的矢量，要么是與在材料上執(zhí)行功能的設備相關的矢量，要么是與應用于影響材料的工具的過程相關。所以所有數(shù)據(jù)都屬于這三個桶之一。這有助于我們組織數(shù)據(jù)進行分析?！?/p>

從設計方面來看，內(nèi)存設計和制造都得益于自我修復機制?，F(xiàn)在，在某種程度上，類似的技術正在應用于邏輯器件?！霸谥圃煸O計中，我們正在將 BiST 擴展到自我修復，就像我們對記憶所做的那樣，然后是其他塊。現(xiàn)在我們正在為接口 IP、重新配置、校準、流式傳輸?shù)冗M行現(xiàn)場改進技術，”Synopsys 首席架構師兼研究員 Yervant Zorian 說?！暗珜⒐ぞ呦嗷ユ溄邮俏覀冊?LCM 中所做的較新的事情，因為有了傳感器監(jiān)視器，芯片內(nèi)部的修復系統(tǒng)可以一直延伸到云端的分析。因此，我們不會將分析與片上資源分開。我們正在將它們相互連接和關聯(lián)，并進行優(yōu)化。”

結論

系統(tǒng)性缺陷在最近的工藝節(jié)點中明顯占主導地位，推動了對涉及空間模式識別、實時報告和缺陷識別以及工具問題自動建議的更復雜良率管理程序的需求。機器學習和數(shù)據(jù)分析程序正在幫助加快新節(jié)點和生產(chǎn)過程中產(chǎn)量上升的根本原因分析。

審核編輯：郭婷