Uncertainty-aware calibration from SEM profiles to electrical response using coupled process and device TCAD
Dieses Paper stellt ein unsicherheitbewusstes, geschlossenes computergestütztes Framework vor, das SEM-Profile durch die Fortpflanzung von Randverteilungen mittels gekoppelter Prozess- und Bauteil-TCAD-Simulationen auf elektrische Antworten abbildet und dadurch die Genauigkeit der elektrischen Vorhersage sowie die Effizienz der Annotation im Vergleich zur konventionellen Hard-Boundary-Kalibrierung verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der unsichtbaren Welt der modernen Elektronik werden die kleinsten Transistoren Schicht für Schicht aufgebaut, wie mikroskopische Wolkenkratzer. Um sicherzustellen, dass diese winzigen Strukturen korrekt funktionieren, müssen Ingenieure sie mit leistungsstarken Mikroskopen untersuchen, die Merkmale im Nanometerbereich sichtbar machen können. Diese Bilder, bekannt als Profile von Rasterelektronenmikroskopen (SEM), zeigen die exakte Form eines Querschnitts eines Transistors. Diese Bilder sind jedoch niemals perfekt scharf; die Kanten erscheinen aufgrund von SEM-Unschärfe und Inter-Annotator-Variationen verschwommen, und verschiedene Experten könnten die Umrisse einer Form auf leicht unterschiedliche Weise nachzeichnen. Diese Unsicherheit ist entscheidend, da die präzise Geometrie eines Transistors bestimmt, wie der Strom durch ihn fließt. Wenn die Form auch nur um wenige Nanometer abweicht, kann das Gerät möglicherweise nicht ordnungsgemäß ein- oder ausschalten oder es verbraucht zu viel Energie. Seit Jahrzehnten versuchen Ingenieure, dies zu beheben, indem sie eine einzige, „beste Schätzung“ des Umrisses aus einem unscharfen Bild nehmen und diese in eine Computersimulation einspeisen, um vorherzusagen, wie sich das Gerät verhalten wird. Aber dieser Ansatz wirft jedoch die wertvollen Informationen weg, die in der Unschärfe selbst enthalten sind, indem er einen Bereich von Möglichkeiten so behandelt, als wäre nur ein einziges Ergebnis real.
Eine neue Studie von Qinao Hu von der East China Normal University schlägt einen anderen Weg vor, um dieses Problem zu lösen. Anstatt eine einzige, starre Linie auf ein unscharfes Bild zu erzwingen, entwickelten die Forscher ein System, das die Unsicherheit von vornherein anerkennt. Sie behandelten die Kante des Transistors nicht als feste Linie, sondern als eine Wolke von Möglichkeiten. Diese Wolke repräsentiert alle plausiblen Arten, wie ein Experte die Grenze angesichts der Unschärfe des Bildes zeichnen könnte. Die Forscher speisten dann diese gesamte Wolke an Möglichkeiten in ihre Computermodelle ein, anstatt nur eine einzige Vermutung. Durch dies ermöglichten sie dem Computer, eine Reihe wahrscheinlicher elektrischer Verhaltensweisen zu berechnen und so das vollständige Bild dessen zu erfassen, was das Gerät tun könnte. Das Ziel war zu sehen, ob das Beibehalten dieser Unsicherheit durch den gesamten Prozess hindurch zu genaueren Vorhersagen darüber führen würde, wie der Transistor tatsächlich arbeitet.
Die Forscher konzentrierten sich auf einen speziellen Typ eines fortschrittlichen Transistors, den Nanosheet-Feldeffekttransistor, der in den leistungsfähigsten Computerchips von heute verwendet wird. Sie untersuchten den Spacer, eine winzige isolierende Wand neben dem Transistorkanal, die entscheidend für die Steuerung des Stromflusses ist. In ihren Experimenten verwendeten sie einen Datensatz von 180 realen Bildern, die aus fünf verschiedenen Fertigungschargen stammten. Einige dieser Bilder wurden von zwei verschiedenen Experten nachgezeichnet, was es dem Team ermöglichte, genau zu messen, wie stark das menschliche Urteilsvermögen bei der Definition der Kanten variierte. Das Team trainierte ein Computerprogramm, um diese Bilder zu analysieren und eine Wahrscheinlichkeitskarte auszugeben, die zeigt, wo sich die Kante wahrscheinlich befindet und wie sicher sie sich an dieser Position ist. Dieses Programm wurde darauf trainiert, Fehler in der Gesamtform, im Abstand zwischen Linien und in spezifischen kritischen Messwerten wie der Breite des Kanals und dem Winkel der Wände zu minimieren.
Nachdem der Computer eine Menge möglicher Formen für jedes Bild generiert hatte, leiteten die Forscher diese Formen durch eine hochentwickelte Simulation, die den Herstellungsprozess nachbildet. Dieser Schritt, bekannt als Prozesskalibrierung, passte die internen Einstellungen der Simulation an, um die beobachteten Formen zu entsprechen. Da der Input eine Wolke von Formen und keine einzelne Linie war, war auch der Output eine Wolke möglicher Fertigungseinstellungen. Diese Unsicherheit wurde dann in eine zweite Simulation weitergetragen, die die elektrische Leistung des Bauteils vorhersagt. Dieser letzte Schritt berechnete Schlüsselmetriken wie die Spannung, die benötigt wird, um den Transistor einzuschalten, und die Menge des Stroms, die er leiten kann. Die Forscher verglichen diese Vorhersagen mit den tatsächlichen High-Fidelity-Ergebnissen der Gerätesimulationen, um zu sehen, wie nah sie herankamen.
Die Ergebnisse zeigten, dass das Akzeptieren von Unsicherheit zu signifikant besseren Vorhersagen führte. Als die Forscher ihre neue Methode anwandten, sank der Fehler bei der Vorhersage der Spannung, die zum Einschalten des Transistors erforderlich ist, auf 11,9 Millivolt, eine erhebliche Verbesserung gegenüber dem Fehler von 21,8 Millivolt bei der traditionellen Methode, die eine einzige harte Grenze verwendet. Ähnlich sank der Fehler bei der Vorhersage der Strom-Spannungs-Kennlinie, die beschreibt, wie sich das Gerät unter verschiedenen Bedingungen verhält, von 5,8 Prozent auf 3,1 Prozent. Der neue Ansatz erwies sich auch bei den Konfidenzintervallen als zuverlässiger; er erfasste das tatsächliche elektrische Verhalten in 91 Prozent der Fälle innerhalb des vorhergesagten Bereichs, verglichen mit nur 63 Prozent bei der älteren Methode. Dies deutet darauf darauf hin, dass die Computermodelle durch die Anerkennung der Unschärfe der Mikroskopbilder die Fertigungsvariationen effektiver navigieren konnten.
Die Studie untersuchte auch, wie man diese Information nutzen kann, um die Daten selbst zu verbessern. Da das System identifizieren konnte, welche Bilder die meiste Unsicherheit aufwiesen, die sich tatsächlich auf die endgültige elektrische Leistung auswirkte, konnte es diese spezifischen Bilder für eine erneute Untersuchung durch menschliche Experten priorisieren. In einem Test, bei dem das Team nur 30 neue Labels zu ihrem Datensatz hinzufügte, reduzierte diese intelligente Auswahlstrategie den Vorhersagefehler auf 1,54 Prozent. Im Gegensatz dazu führten das einfache zufällige Auswählen von Bildern zur Neubearbeitung oder das Auswählen basierend auf der reinen Unschärfe ohne Berücksichtigung der elektrischen Auswirkungen zu wesentlich höheren Fehlern von 2,36 Prozent bzw. 2,1 Prozent. Dieser Befund unterstreicht, dass nicht alle Unsicherheiten gleich sind; einige unscharfe Kanten sind für das Endprodukt weit wichtiger als andere, und das neue System lernte, diesen Unterschied zu erkennen.
Letztendlich zeigt diese Arbeit, dass das Ignorieren der Grenzen unserer Messungen in der hochsensiblen Welt der Halbleiterfertigung zu schlechteren Vorhersagen führen kann. Indem die Forscher die Kante eines Transistors als eine Verteilung von Möglichkeiten statt als eine einzige Tatsache behandelten, schufen sie einen robusteren digitalen Zwilling des Herstellungsprozesses. Dieser Ansatz verbessert nicht nur die Genauigkeit der Zahlen; er liefert auch ein klareres Bild der Risiken und Variationen, die beim Bau der kleinsten Maschinen der Welt inhärent sind. Die Methode verknüpfte erfolgreich die visuellen Unvollkommenheiten eines Mikroskopbildes mit der elektrischen Realität eines funktionierenden Chips und bewies, dass eine sorgfältige Bilanzierung dessen, was wir nicht wissen, zu einem besseren Verständnis dessen führt, was wir tun.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.