Uncertainty propagation from SEM profiles to TCAD-referenced electrical predictions using coupled process and device models
Diese Arbeit präsentiert ein Framework, das Unsicherheiten aus Querschnitts-SEM-Profilen durch gekoppelte Prozess- und Bauteil-TCAD-Modelle propagiert, um räumlich kohärente Konturen und kalibrierte elektrische Vorhersagen zu generieren und dabei eine hohe geometrische Genauigkeit sowie eine zuverlässige Abdeckung der Schwellenspannungsintervalle für die Halbleitercharakterisierung zu erreichen.
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 Welt der modernen Elektronik werden die kleinsten Komponenten Schicht für Schicht aufgebaut, wie ein mikroskopischer Wolkenkratzer aus Silizium und Metall. Um sicherzustellen, dass diese winzigen Strukturen korrekt funktionieren, verlassen sich Ingenieure auf leistungsstarke Computersimulationen, die vorhersagen, wie der Strom durch sie hindurchfließen wird. Diese Simulationen benötigen einen präzisen Bauplan der Form der Vorrichtung. Wenn Wissenschaftler jedoch diese realen Bauteile unter einem Elektronenmikroskop betrachten, sind die Bilder an den Kanten oft verschwommen oder mehrdeutig. Es ist schwierig zu sagen, wo genau ein Material endet und ein anderes beginnt. Diese Unsicherheit im Bild erzeugt ein Problem: Wenn die Computersimulation mit einer verschwommenen oder geratenen Form beginnt, wird auch ihre Vorhersage der elektrischen Leistung unsicher sein. Die Frage, der sich Forscher stellen, ist, ob sie das unvollkommene Mikroskopbild nutzen können, um die möglichen Formen so weit einzugrenzen, dass eine zuverlässige elektrische Vorhersage möglich ist, selbst ohne die genauen Fertigungseinstellungen zu kennen, die das Bauteil erzeugt haben.
Ein Forscher der Ostchina Normal University ging diese Herausforderung an, indem er eine neue Methode entwickelte, die die verschwommenen Kanten eines Mikroskopbildes nicht als einen einzigen Fehler behandelt, der korrigiert werden muss, sondern als einen Bereich von Möglichkeiten, der erforscht werden kann. Anstatt den Computer zu zwingen, eine einzige Linie zu wählen, die die Kante eines Materials darstellt, generiert ihr System hunderte von leicht unterschiedlichen, plausiblen Umrissen, die alle zum Bild passen. Sie speisen dann jede dieser möglichen Formen in einen detaillierten Physiksimulator ein, um zu sehen, wie sich der Strom in jeder Version verhalten würde. Durch die Kombination der Ergebnisse all dieser Simulationen können sie eine Vorhersage erstellen, die ein Maß an Konfidenz enthält, das Ingenieuren nicht nur sagt, wie die elektrische Leistung wahrscheinlich ist, sondern auch, wie sehr diese Leistung aufgrund der Unsicherheit im Bild variieren kann.
Der Forscher testete diesen Ansatz an einem Datensatz von 180 realen Mikroskopbildern eines spezifischen Typs eines fortschrittlichen Transistors. Er verglich seine Methode mit mehreren in der Industrie üblichen Standardtechniken. Die Standardmethoden versuchen meist, nur eine einzige beste Linie zu finden, die die Kante repräsentiert, oder sie verwenden einfachere statistische Vermutungen. Die neue Methode, die die Bildanalyse mit der Physiksimulation koppelt, erwies sich als genauer. Bei der Vorhersage einer Schlüsselkenngröße namens Schwellenspannung – die bestimmt, wann der Transistor einschaltet – wich die neue Methode im Durchschnitt nur um 11,9 Millivolt ab. Im Gegensatz dazu war die beste Standardmethode, die eine einzige feste Linie verwendet, um einen größeren Betrag daneben, und eine komplexere statistische Baseline war etwas weniger genau. Darüber hinaus lieferte die neue Methode einen Bereich wahrscheinlicher Werte, der sowohl präzise als als auch zuverlässig war. In 91 Prozent der Testfälle fiel das tatsächliche elektrische Verhalten innerhalb des vorhergesagten Bereichs, und die Breite dieses Bereichs war eng genug, um für technische Entscheidungen nützlich zu sein.
Ein entscheidender Teil der Studie war die Sicherstellung, dass die Vorhersagen des Computers auf den Bilddaten basieren und nicht bloß auf Annahmen darüber, wie das Gerät hergestellt wurde. Der Forscher verwendete einen „Goldstandard“-Referenzwert, der von einem Experten erstellt wurde, der das Bauteil unabhängig von den Computer-Vermutungen nachgezeichnet hatte. Dies ermöglichte es ihnen, die wahren elektrischen Folgen der Formextraktion zu messen. Sie fanden heraus, dass ihre Methode die visuelle Unsicherheit des Mikroskops erfolgreich in eine realistische elektrische Unsicherheit übersetzte. Beispielsweise konnten sie vorhersagen, dass der durch das Bauteil fließende Strom um einen kleinen, berechenbaren Betrag variieren würde, anstatt nur eine einzige, potenziell irreführende Zahl anzugeben. Diese Fähigkeit, Unsicherheit zu quantifizieren, ist von entscheidender Bedeutung, da sie Ingenieuren hilft, die Risiken in ihren Designs zu verstehen, ohne jedes einzelne physische Bauteil bauen und testen zu müssen.
Die Studie untersuchte auch, wie man den Prozess noch weiter verbessern kann, indem man menschliche Experten bittet, bestimmte Bilder zu überprüfen. Der Forscher entwickelte ein intelligentes System, das entscheidet, welche Bilder am meisten von einem zweiten Blick profitieren würden. Anstatt Bilder nach dem Zufallsprinံ zu wählen oder einfach diejenigen auszuwählen, die am verwirrendsten aussehen, berechnete das System, welche Bilder die endgültige elektrische Vorhersage am stärksten verbessern würden, wenn sie erneut untersucht würden. Als sie nur 30 zusätzliche Expertenannotationen mithilfe dieser intelligenten Auswahlmethode hinzufügten, sank der Fehler in der elektrischen Vorhersage auf 2,12 Prozent. Dies war besser als das zufällige Auswählen von Bildern oder das einfache Wählen der Bilder mit der größten visuellen Mehrdeutigkeit. Dieser Befund deutet darauf hin, dass Ingenieure in Zukunft Zeit und Geld sparen könnten, indem sie ihre begrenzte menschliche Aufmerksamkeit auf die spezifischen Datenpunkte konzentrieren, die für die Leistung des Endprodukts am wichtigsten sind.
Der Forscher war jedoch sorgfältig darin, die Grenzen seines Erfolgs zu benennen. Als er versuchte, sein trainiertes System auf eine völlig neue Charge von Bauteilen anzuwenden, die unter leicht anderen Bedingungen hergestellt wurden, sank die Genauigkeit und die Konfidenzintervalle wurden weniger zuverlässig. Dies deutet darauf hin, dass die Methode zwar sehr gut innerhalb einer spezifischen Familie von Bauteilen funktioniert, aber noch keine universelle Lösung ist, die ohne Anpassungen perfekt über alle Fertigungsvariationen hinweg arbeitet. Er stellte fest, dass das Hinzufügen von nur wenigen neuen Beispielen aus der neuen Charge es dem System ermöglichte, zu rekalibrieren und den Großteil seiner Genauigkeit wiederherzustellen. Dies unterstreicht, dass die Methode zwar leistungsstark ist, sie aber dennoch darauf angewiesen ist, dass der Herstellungsprozess relativ konsistent bleibt.
Letztendlich zeigt diese Arbeit einen praktischen Weg auf, um die Lücke zwischen den unvollkommenen Bildern, die wir von winzigen Bauteilen aufnehmen können, und den präzisen elektrischen Vorhersagen zu schließen, die für das Design benötigt werden. Indem der Forscher anerkennt, dass die Kante eines Materials nicht eine einzelne Linie, sondern eine Zone der Möglichkeiten ist, und indem er mathematisch verfolgt, wie diese Zone den Stromfluss beeinflusst, hat er ein Werkzeug bereitgestellt, das genauer und ehrlicher gegenüber seinen eigenen Grenzen ist als bisherige Methoden. Für die Industrie bedeutet dies einen Schritt hin zu einem zuverlässigeren computergestützten Design, bei dem Ingenieure darauf vertrauen können, dass ihre Simulationen die wahre Variabilität der physischen Welt widerspiegeln, was zu besseren Chips und effizienterer Elektronik führt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.