Uncertainty-aware calibration from SEM profiles to electrical response using coupled process and device TCAD
تقدم هذه الورقة إطار عمل حوسبي مغلق الحلقة ومدركاً لعدم اليقين، يقوم برسم خرائط لملفات تعريف المجهر الإلكتروني الماسح (SEM) إلى الاستجابات الكهربائية عبر نشر توزيعات الحدود من خلال محاكاة (TCAD) للعمليات والأجهزة المقترنة، مما يحسن دقة التنبؤ الكهربائي وكفاءة التوصيف مقارنة بمعايرة الحدود الصلبة التقليدية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في العالم غير المرئي للإلكترونيات الحديثة، تُبنى أصغر الترانزستورات طبقة تلو الأخرى، مثل ناطحات السحاب المجهرية. ولضمان عمل هذه الهياكل الدقيقة بشكل صحيح، يجب على المهندسين فحصها باستخدام مجاهر قوية يمكنها رؤية المعالم بمقياس النانومتر. هذه الصور، المعروفة باسم مقاطع المجهر الإلكتروني الماسح (SEM)، تُظهر الشكل الدقيق للمقطع العرضي للترانزستور. ومع ذلك، فإن هذه الصور ليست حادة تمامًا أبدًا؛ إذ تبدو الحواف ضبابية بسبب تشوه المجهر الإلكتروني الماسح (SEM blur) والتباين بين الملاحظين، وقد يقوم خبراء مختلفون بتتبع حدود الشكل بطرق مختلفة قليلاً. هذا اليقين أمر بالغ الأهمية لأن الهندسة الدقيقة للترانزستور هي التي تحدد كيفية تدفق الكهرباء من خلاله. فإذا انحرف الشكل ولو ببضعة نانومترات، فقد يفشل الجهاز في العمل (التشغيل أو الإيقاف) بشكل صحيح، أو قد يستهلك الكثير من الطاقة. لعقود من الزمن، حاول المهندسون إصلاح ذلك عبر أخذ خط تحديد واحد، وهو "أفضل تخمين" من صورة ضبابية وتغذيته في محاكاة حاسوبية للتنبؤ بكيفية سلوك الجهاز. لكن هذا النهج يتخلص من المعلومات القيمة الموجودة في الضبابية نفسها، حيث يعامل مجموعة من الاحتمالات كما لو كانت نتيجة واحدة حقيقية.
تقترح دراسة جديدة أجراها "كيناو هو" في جامعة شرق الصين العادية طريقة مختلفة للتعامل مع هذه المشكلة. فبدلاً من فرض خط واحد صلب على صورة ضبابية، قام الباحثون ببناء نظام يقر بالشك منذ البداية. لقد عاملوا حافة الترانزستور ليس كخط ثابت، بل كسحابة من الاحتمالات. تمثل هذه السحابة جميع الطرق المعقولة التي قد يرسم بها خبير الحدود بناءً على ضبابية الصورة. ثم قام الباحثون بتغذية هذه السحابة الكاملة من الاحتمالات في نماذجهم الحاسوبية، بدلاً من مجرد تخمين واحد. ومن خلال القيام بذلك، سمحوا للحاسوب بحساب نطاق من السلوكيات الكهربائية المحتملة، مما يلتقط الصورة الكاملة لما قد يفعله الجهاز. كان الهدف هو معرفة ما إذا كان الحفاظ على هذا اليقين حياً طوال العملية سيؤدي إلى تنبؤات أكثر دقة لكيفية أداء الترانزستور فعليًا.
ركز الباحثون على نوع معين من الترانزستورات المتقدمة يسمى "ترانزستور التأثير المجالي ذو الصفائح النانوية" (nanosheet field-effect transistor)، والذي يُستخدم في أقوى شرائح الكمبيوتر اليوم. وقد فحصوا "الفاصل" (spacer)، وهو جدار عازل صغير بجانب قناة الترانزستور، وهو أمر بالغ الأهمية للتحكم في تدفق الكهرباء. وفي تجاربهم، استخدموا مجموعة بيانات مكونة من 180 صورة حقيقية مأخوذة من خمس دفعات مختلفة من التصنيع. تم تتبع بعض هذه الصور من قبل خبيرين مختلفين، مما سمح للفريق بقياس مدى تباين التقدير البشري بالضبط عند تحديد الحواف. درب الفريق برنامجًا حاسوبيًا للنظر في هذه الصور وإخراج خريطة احتمالية، توضح أين من المرجح أن تكون الحافة ومدى الثقة في ذلك الموقع. تم تعليم هذا البرنامج لتقليل الأخطاء في الشكل العام، والمسافة بين الخطوط، والقياسات الحرجة المحددة مثل عرض القناة وزاوية الجدران.
بمجرد أن أنشأ الكمبيوتر مجموعة من الأشكال المحتملة لكل صورة، مرر الباحثون هذه الأشكال عبر محاكاة متطورة تحاكي عملية التصنيع. هذه الخطوة، المعروفة باسم "معايرة العملية" (process calibration)، قامت بضبط الإعدادات الداخلية للمحاكاة لتتطابق مع الأشكال المرصودة. ولأن المدخلات كانت سحابة من الأشكال وليس خطًا واحدًا، كانت المخرجات أيضًا سحابة من إعدادات التصنيع المحتملة. تم نقل هذا اليقين بعد ذلك إلى محاكاة ثانية تتنبأ بالأداء الكهربائي للجهاز. قامت هذه الخطوة النهائية بحساب مقاييس رئيسية مثل الجهد المطلوب لتشغيل الترانزستور وكمية التيار التي يمكنه حملها. وقارن الباحثون هذه التنبؤات بالنتائج الفعلية عالية الدقة من محاكاة الجهاز ليروا مدى قربهم منها.
أظهرت النتائج أن احتضان عدم اليقين أدى إلى تنبؤات أفضل بشكل ملحوظ. فعندما استخدم الباحثون طريقتهم الجديدة، انخفض الخطأ في التنبؤ بالجهد المطلوب لتشغيل الترانزستور إلى 11.9 ميلي فولت، وهو تحسن كبير عن خطأ الـ 21.8 ميلي فولت الذي لوحظ في الطريقة التقليدية التي تستخدم حدًا واحدًا صلبًا. وبالمثل، انخفض الخطأ في التنبؤ بمنحنى (الجهد-التيار)، الذي يصف كيفية سلوك الجهاز تحت ظروف مختلفة، من 5.8 بالمائة إلى 3.1 بالمائة. كما أثبت النهج الجديد موثوقية أكبر في فترات الثقة الخاصة به؛ حيث نجح في التقاط السلوك الكهربائي الحقيقي ضمن النطاق المتوقع بنسبة 91 بالمائة، مقارنة بـ 63 بالمائة فقط للطريقة القديمة. يشير هذا إلى أنه من خلال الاعتراف بضبابية صور المجهر، استطاعت النماذج الحاسوبية التنقل عبر متغيرات التصنيع بشكل أكثر فعالية.
استكشفت الدراسة أيضًا كيفية استخدام هذه المعلومات لتحسين البيانات نفسها. نظرًا لأن النظام استطاع تحديد الصور التي تحتوي على أكبر قدر من عدم اليقين الذي يؤثر فعليًا على الأداء الكهربائي النهائي، فقد تمكن من تحديد أولويات تلك الصور المحددة لإعادة فحصها من قبل الخبراء البشريين. في اختبار حيث أضاف الفريق 30 تسمية (label) جديدة فقط إلى مجموعة بياناتهم، قللت استراتيجية الاختيار الذكي هذه من خطأ التنبؤ إلى 1.54 بالمائة. في المقابل، أدى مجرد اختيار الصور عشوائيًا لإعادة تسميتها، أو اختيارها بناءً على مدى ضبابيتها فقط دون النظر إلى تأثيرها الكهربائي، إلى أخطاء أعلى بكثير بلغت 2.36 بالمائة و2.1 بالمائة على التوالي. يسلط هذا الاكتشاف الضوء على أن ليس كل عدم يقين متساويًا؛ فبعض الحواف الضبابية تهم أكثر بكثير للمنتج النهائي من غيرها، وقد تعلم النظام الجديد كيفية رصد الفرق.
في نهاية المطاف، يوضح هذا العمل أنه في عالم تصنيع أشباه الموصلات عالي المخاطر، يمكن أن يؤدي تجاهل حدود قياساتنا إلى تنبؤات أسوأ. من خلال معاملة حافة الترانزستور كتوزيع من الاحتمالات وليس كحقيقة واحدة، أنشأ الباحثون "توأمًا رقميًا" أكثر قوة لعملية التصنيع. لا يحسن هذا النهج دقة الأرقام فحسب، بل يوفر أيضًا صورة أوضح للمخاطر والمتغيرات المتأصلة في بناء أصغر الآلات في العالم. لقد ربطت الطريقة بنجاح بين العيوب البصرية لصورة المجهر والواقع الكهربائي لشريحة تعمل، مما أثبت أن المحاسبة الدقيقة لما لا نعرفه يمكن أن تؤدي إلى فهم أفضل لما نفعله.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.