Uncertainty propagation from SEM profiles to TCAD-referenced electrical predictions using coupled process and device models
Cet article présente un cadre qui propage l'incertitude des profils MEB transversaux à travers des modèles TCAD de processus et de dispositif couplés afin de générer des contours spatialement cohérents et des prédictions électriques calibrées, atteignant une grande précision géométrique et une couverture fiable des intervalles de tension de seuil pour la caractérisation des dispositifs semi-conducteurs.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde de l'électronique moderne, les composants les plus petits sont construits couche par couche, comme un gratte-ciel microscopique fait de silicium et de métal. Pour garantir que ces structures minuscules fonctionnent correctement, les ingénieurs s'appuient sur de puissantes simulations informatiques qui prédisent comment l'électricité circulera à travers elles. Ces simulations nécessitent un plan précis de la forme du dispositif. Cependant, lorsque les scientifiques observent ces dispositifs réels sous un microscope électronique, les images sont souvent floues ou ambiguës au niveau des bords. Il est difficile de déterminer exactement où un matériau se termine et un autre commence. Cette incertitude dans l'image crée un problème : si la simulation informatique part d'une forme floue ou devinée, sa prédiction de la performance électrique sera elle aussi incertaine. La question à laquelle les chercheurs sont confrontés est de savoir s'ils peuvent utiliser l'image imparfaite du microscope pour restreindre suffisamment les formes possibles afin de réaliser une prédiction électrique fiable, même sans connaître les paramètres de fabrication exacts qui ont créé le dispositif.
Un chercheur de l'Université normale de l'Est de la Chine a relevé ce défi en créant une nouvelle méthode qui traite le bord flou d'une image de microscope non pas comme une erreur unique à corriger, mais comme une gamme de possibilités à explorer. Au lieu de forcer l'ordinateur à choisir une seule ligne pour représenter le bord d'un matériau, leur système génère des centaines de contours légèrement différents et plausibles qui correspondent tous à l'image. Ils injectent ensuite chacune de ces formes possibles dans un simulateur physique détaillé pour voir comment l'électricité se comporterait dans chaque version. En combinant les résultats de toutes ces simulations, ils peuvent produire une prédiction qui inclut une mesure de confiance, indiquant aux ingénieurs non seulement quelle est la performance électrique probable, mais aussi à quel point cette performance peut varier en raison de l'incertitude de l'image.
Le chercheur a testé cette approche sur un ensemble de 180 images de microscopes réelles prises à partir d'un type spécifique de transistor avancé. Il a comparé sa méthode à plusieurs techniques standards utilisées dans l'industrie. Les méthodes standards tentent généralement de trouver une seule meilleure ligne pour représenter le bord, ou utilisent des conjectures statistiques plus simples. La nouvelle méthode, qui couple l'analyse d'image avec la simulation physique, s'est révélée plus précise. Lorsqu'il s'agissait de prédire une propriété électrique clé appelée tension de seuil — qui détermine quand le transistor s'allume — la nouvelle méthode n'avait qu'un écart moyen de seulement 11,9 millivolts. En revanche, la meilleure méthode standard utilisant une seule ligne fixe présentait une marge d'erreur plus grande, et une référence statistique plus complexe était légèrement moins précise. De plus, la nouvelle méthode fournissait une gamme de valeurs probables qui était à la fois précise et fiable. Dans 91 % des cas de test, le comportement électrique réel se situait dans la plage prédite, et la largeur de cette plage était suffisamment étroite pour être utile aux décisions d'ingénierie.
Une partie cruciale de l'étude consistait à s'assurer que les prédictions de l'ordinateur étaient basées sur les données de l'image et non simplement sur des suppositions concernant la fabrication du dispositif. Le chercheur a utilisé une référence « étalon-or » créée par un expert qui a tracé indépendamment la forme du dispositif sans voir les conjectures de l'ordinateur. Cela lui a permis de mesurer la véritable conséquence électrique de l'extraction de la forme. Ils ont constaté que leur méthode traduisait avec succès l'incertitude visuelle du microscope en une incertitude électrique réaliste. Par exemple, ils pouvaient prédire que le courant circulant à travers le dispositif varierait d'une quantité faible et calculable, plutôt que de donner un chiffre unique et potentiellement trompeur. Cette capacité à quantifier l'incertitude est vitale car elle aide les ingénieurs à comprendre les risques de leurs conceptions sans avoir besoin de construire et de tester chaque variation physique.
L'étude a également exploré comment améliorer encore le processus en demandant à des experts humains de vérifier des images spécifiques. Le chercheur a développé un système intelligent qui décide quelles images bénéficieraient le plus d'un second regard. Au lieu de choisir les images au hasard ou de simplement choisir celles qui paraissent les plus confuses, le système calculait quelles images, si elles étaient réexaminées, amélioreraient le plus la prédiction électrique finale. Lorsqu'ils ont ajouté seulement 30 annotations d'experts supplémentaires en utilisant cette méthode de sélection intelligente, l'erreur dans la prédiction électrique est tombée à 2,12 %. C'était meilleur que de choisir des images de manière aléatoire ou de simplement choisir celles qui présentent l'ambiguïté visuelle la plus forte. Cette découverte suggère qu'à l'avenir, les ingénieurs pourraient gagner du temps et de l'argent en concentrant leur attention humaine limitée sur les points de données les plus importants pour la performance finale du produit.
Cependant, le chercheur a pris soin de noter les limites de son succès. Lorsqu'ils ont tenté d'appliquer leur système entraîné à un tout nouvel ensemble de dispositifs fabriqués sous des conditions légèrement différentes, la précision a chuté et les intervalles de confiance sont devenus moins fiables. Cela indique que bien que la méthode fonctionne très bien pour une famille spécifique de dispositifs, elle n'est pas encore une solution universelle capable de fonctionner parfaitement à travers toutes les variations de fabrication sans certains ajustements. Ils ont constaté qu'en ajoutant seulement quelques nouveaux exemples de ce nouveau lot, le système pouvait se recalibrer et recouvrer la majeure partie de sa précision. Cela souligne que, bien que la méthode soit puissante, elle dépend encore du fait que le processus de fabrication reste relativement constant.
En fin de compte, ce travail démontre une façon pratique de combler le fossé entre les images imparfaites que nous pouvons prendre de dispositifs minuscules et les prédictions électriques précises nécessaires pour les concevoir. En reconnaissant que le bord d'un matériau n'est pas une ligne unique mais une zone de possibilité, et en suivant mathématiquement comment cette zone affecte le flux d'électricité, le chercheur a fourni un outil qui est plus précis et plus honnête quant à ses propres limites que les méthodes précédentes. Pour l'industrie, cela représente un pas vers une conception assistée par ordinateur plus fiable, où les ingénieurs peuvent avoir la certitude que leurs simulations reflètent la variabilité réelle du monde physique, menant à de meilleures puces et à des composants électroniques plus efficaces.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.