Uncertainty propagation from SEM profiles to TCAD-referenced electrical predictions using coupled process and device models
Este artículo presenta un marco de trabajo que propaga la incertidumbre desde los perfiles de SEM transversales a través de modelos acoplados de TCAD de proceso y de dispositivo para generar contornos espacialmente coherentes y predicciones eléctricas calibradas, logrando una alta precisión geométrica y una cobertura confiable del intervalo de voltaje de umbral para la caracterización de dispositivos semiconductores.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo de la electrónica moderna, los componentes más pequeños se construyen capa por capa, como un rascacielos microscópico hecho de silicio y metal. Para asegurar que estas diminutas estructuras funcionen correctamente, los ingenieros confían en potentes simulaciones por computadora que predicen cómo fluirá la electricidad a través de ellas. Estas simulaciones necesitan un plano preciso de la forma del dispositivo. Sin embargo, cuando los científicos observan estos dispositivos reales bajo un microscopio electrónico, las imágenes suelen ser borrosas o ambiguas en los bordes. Es difícil determinar exactamente dónde termina un material y comienza otro. Esta incertidumbre en la imagen crea un problema: si la simulación por computadora comienza con una forma borrosa o adivinada, su predicción del rendimiento eléctrico también será incierta. La pregunta que enfrentan los investigadores es si pueden usar la imagen imperfecta del microscopio para reducir las formas posibles lo suficiente como para realizar una predicción eléctrica confiable, incluso sin conocer los ajustes de fabricación exactos que crearon el dispositivo.
Un investigador de la Universidad Normal del Este de China abordó este desafío creando un nuevo método que trata los bordes borrosos de una imagen de microscopio no como un único error que debe corregirse, sino como un rango de posibilidades que deben explorarse. En lugar de obligar a la computadora a elegir una sola línea para representar el borde de un material, su sistema genera cientos de contornos ligeramente diferentes y plausibles que se ajustan a la imagen. Luego, introducen cada una de estas formas posibles en un simulador de física detallado para ver cómo se comportaría la electricidad en cada versión. Al combinar los resultados de todas estas simulaciones, pueden producir una predicción que incluye una medida de confianza, diciéndole a los ingenieros no solo cuál es probable que sea el rendimiento eléctrico, sino también cuánto puede variar ese rendimiento debido a la incertidumbre en la imagen.
El investigador probó este enfoque en un conjunto de datos de 180 imágenes reales de microscopio tomadas de un tipo específico de transistor avanzado. Comparó su método con varias técnicas estándar utilizadas en la industria. Los métodos estándar suelen intentar encontrar solo una mejor línea para representar el borde, o utilizan conjeturas estadísticas más simples. El nuevo método, que acopla el análisis de la imagen con la simulación de la física, resultó ser más preciso. Al predecir una propiedad eléctrica clave llamada voltaje de umbral —que determina cuándo se enciende el transistor—, el nuevo método tuvo un error promedio de solo 11.9 milivoltios. En contraste, el mejor método estándar que utiliza una sola línea fija tuvo un margen de error mayor, y una línea de base estadística más compleja fue ligeramente menos precisa. Además, el nuevo método proporcionó un rango de valores probables que fue tanto preciso como confiable. En el 91 por ciento de los casos de prueba, el comportamiento eléctrico real cayó dentro del rango predicho, y el ancho de este rango fue lo suficientemente estrecho como para ser útil para las decisiones de ingeniería.
Una parte crucial del estudio fue asegurar que las predicciones de la computadora se basaran en los datos de la imagen y no solo en suposiciones sobre cómo se fabricó el dispositivo. El investigador utilizó una referencia de "estándar de oro" creada por un experto que trazó de forma independiente la forma del dispositivo sin ver las conjeturas de la computadora. Esto permitió medir la verdadera consecuencia eléctrica de la extracción de la forma. Encontraron que su método traducía con éxito la incertidumbre visual del microscopio en una incertidumbre eléctrica realista. Por ejemplo, pudieron predecir que la corriente que fluye a través del dispositivo variaría en una cantidad pequeña y calculable, en lugar de dar un número único y potencialmente engañoso. Esta capacidad de cuantificar la incertidumbre es vital porque ayuda a los ingenieros a comprender los riesgos en sus diseños sin necesidad de construir y probar cada variación física.
El estudio también exploró cómo mejorar el proceso pidiendo a expertos humanos que revisen imágenes específicas. El investigador desarrolló un sistema inteligente que decide qué imágenes se beneficiarían más de una segunda mirada. En lugar de elegir imágenes al azar o simplemente buscar las que parecen más confusas, el sistema calculaba qué imágenes, si se examinaran de nuevo, mejorarían más la predicción eléctrica final. Cuando añadieron solo 30 anotaciones adicionales de expertos utilizando este método de selección inteligente, el error en la predicción eléctrica cayó al 2.12 por ciento. Esto fue mejor que elegir imágenes al azar o simplemente elegir las que tenían mayor ambigüedad visual. Este hallazgo sugiere que, en el futuro, los ingenieros podrían ahorrar tiempo y dinero enfocando su limitada atención humana en los puntos de datos que más importan para el rendimiento final del producto.
Sin embargo, el investigador fue cuidadoso al señalar los límites de su éxito. Cuando intentaron aplicar su sistema entrenado a un lote completamente nuevo de dispositivos fabricados bajo condiciones ligeramente diferentes, la precisión disminuyó y los intervalos de confianza se volvieron menos confiables. Esto indica que, si bien el método funciona muy bien dentro de una familia específica de dispositivos, aún no es una solución universal que funcione perfectamente en todas las variaciones de fabricación sin algún ajuste. Encontraron que añadir solo unos pocos ejemplos nuevos de ese nuevo lote permitía al sistema recalibrarse y recuperar la mayor parte de su precisión. Esto resalta que, si bien el método es poderoso, todavía depende de que el proceso de fabricación se mantenga relativamente constante.
En última instancia, este trabajo demuestra una forma práctica de cerrar la brecha entre las imágenes imperfectas que podemos tomar de dispositivos diminutos y las precisas predicciones eléctricas necesarias para diseñarlos. Al reconocer que el borde de un material no es una sola línea sino una zona de posibilidad, y al rastrear matemáticamente cómo esa zona afecta el flujo de electricidad, el investigador ha proporcionado una herramienta que es más precisa y más honesta sobre sus propias limitaciones que los métodos anteriores. Para la industria, esto significa un paso hacia un diseño asistido por computadora más confiable, donde los ingenieros puedan confiar en que sus simulaciones reflejan la verdadera variabilidad del mundo físico, lo que conducirá a chips mejores y electrónica más eficiente.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.