Uncertainty-aware calibration from SEM profiles to electrical response using coupled process and device TCAD
本論文は、境界分布を結合されたプロセスおよびデバイスTCADシミュレーションを通じて伝播させることにより、SEMプロファイルを電気的応答へとマッピングする、不確実性を考慮したクローズドループ計算フレームワークを導入し、これにより従来のハード境界キャリブレーションと比較して、電気的予測の精度とアノテーション効率を向上させるものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
現代のエレクトロニクスの目に見えない世界では、最小のトランジスタは、まるで微小な超高層ビルのように、一層ずつ積み上げられて作られています。これらの極小の構造が正しく機能するように、エンジニアはナノメートルスケールの特徴を見ることができる強力な顕微鏡を用いて、それらを検査しなければなりません。走査電子顕微鏡（SEM）プロファイルとして知られるこれらの画像は、トランジスタの断面の正確な形状を示しています。しかし、これらの画像は決して完璧に鮮明なわけではありません。SEMによるぼけや、アノテーター（注釈者）間のばらつきによってエッジは不鮮明に見え、専門家によって形状の輪郭をトレースする方法もわずかに異なる場合があります。この不確実性は重要です。なぜなら、トランジスタの正確な幾何学的形状が、そこを流れる電流を決定するからです。もし形状がわずか数ナノメートルでもずれていれば、デバイスが適切にオン・オフできなくなったり、電力を消費しすぎたりする可能性があります。何十年もの間、エンジニアはこの問題を解決するために、ぼやけた画像から「最善と思われる一つの推測」による輪郭を取り出し、それをコンピュータシミュレーションに投入してデバイスの挙動を予測しようとしてきました。しかし、この手法は、不鮮明さ自体に含まれる貴重な情報を捨て去っており、可能性の範囲をあたかも一つの現実であるかのように扱ってしまっています。
華東師範大学のQinao Hu氏による新しい研究は、この問題に対処するための異なる方法を提案しています。ぼやけた画像に対して単一の硬直した線を強制する代わりに、研究者たちは、最初から不確実性を認めるシステムを構築しました。彼らはトランジスタのエッジを固定された線としてではなく、「可能性の雲」として扱いました。この雲は、画像のぼけ具合を考慮した上で、専門家が境界線を引く可能性のあるあらゆる妥当な方法を表しています。研究者たちは、単一の推測ではなく、この「可能性の雲」全体をコンピュータモデルに投入しました。これにより、コンピュータが起こりうる電気的挙動の範囲を計算できるようになり、デバイスが実際にどのように動作するかという全容を捉えることができました。その目的は、この不確実性をプロセス全体を通じて維持させることが、トランジスタの実際の性能のより正確な予測につながるかどうかを確認することでした。
研究者たちは、今日の最も強力なコンピュータチップに使用されている、ナノシート電界効果トランジスタと呼ばれる特定の高度なトランジスタに焦点を当てました。彼らは、トランジスタチャネルの隣にある、電気の流れを制御するために極めて重要な小さな絶縁壁である「スペーサー」を調査しました。実験では、5つの製造バッチから取得された180枚の実画像を用いたデータセットを使用しました。これらの画像の中には、2人の異なる専門家によってトレースされたものも含まれており、これにより、エッジを定義する際の人間の判断がどの程度変化するかを正確に測定することができました。チームは、これらの画像を観察して、エッジがどこにある可能性が高いか、そしてその場所に対する確信度がどの程度かを示す「確率マップ」を出力するようにコンピュータプログラムを訓練しました。このプログラムは、全体の形状、線間の距離、およびチャネル幅や壁の角度といった特定の重要な測定値における誤差を最小限に抑えるよう学習されました。
コンピュータが各画像に対して一連の可能な形状を生成すると、研究者たちはそれらの形状を、製造プロセスを模倣する高度なシミュレーションに通過させました。プロセスキャリブレーションとして知られるこのステップでは、観察された形状に一致するようにシミュレーションの内部設定を調整しました。入力が単一の線ではなく「形状の雲」であったため、出力もまた「製造設定の雲」となりました。この不確実性は、デバイスの電気的性能を予測する第2のシミュレーションへと引き継がれました。この最終ステップでは、トランジスタをオンにするために必要な電圧や、流れることができる電流量といった主要な指標が計算されました。研究者たちは、これらの予測をデバイスシミュレーションからの実際の高精度な結果と比較し、どれほど近似しているかを確認しました。
結果は、不確実性を受け入れることが、予測精度の著しい向上につながったことを示しました。研究者が新しい手法を用いた場合、トランジスタをオンにするために必要な電圧の予測誤差は11.9ミリボルトに低下し、単一の硬い境界線を使用する従来の手法で見られた21.8ミリボルトの誤差と比較して大幅な改善となりました。同様に、デバイスが異なる条件下でどのように振る舞うかを示す電流－電圧曲線（I-V特性）の予測誤差は、5.8パーセントから3.1パーセントに減少しました。また、新しいアプローチは信頼区間においてもより信頼性が高いことが証明されました。それは、予測された範囲内に真の電気的挙動を91パーセントの割合で正確に捉えており、これは古い手法の63パーセントと比較して高い数値です。このことは、顕微鏡画像の不鮮明さを認めることで、コンピュータモデルが製造のばらつきをより効果的にナビゲートできることを示唆しています。
この研究はまた、データを改善するためにこの情報をどのように活用するかについても探求しました。システムは、最終的な電気的性能にとって実際に重要となる不確実性がどの画像に最も多く含まれているかを特定できるため、それらの特定の画像を人間の専門家による再検査の対象として優先順位付けすることができました。チームがデータセットにわずか30個の新しいラベルを追加したテストでは、このスマートな選択戦略によって予測誤差が1.54パーセントに減少しました。対照的に、画像をランダムに選んで再ラベル付けしたり、電気的な影響を考慮せずに単に見た目のぼけ具合に基づいて選んだりした場合、誤差はそれぞれ2.36パーセントおよび2.1パーセントと、より高い数値になりました。この発見は、すべての不確実性が等価ではないことを浮き彫りにしています。つまり、ある種のぼやけたエッジは、最終製品に対して他のものよりもはるかに大きな影響を与えるのです。そして、新しいシステムは、その違いを見分けることを学習しました。
結局のところ、この研究は、半導体製造という極めて重要な世界において、私たちの測定の限界を無視することが、予測の質の低下を招く可能性があることを示しています。トランジスタのエッジを単一の事実としてではなく、「可能性の分布」として扱うことで、研究者たちは製造プロセスのより堅牢なデジタルツインを構築しました。このアプローチは、単に数値の精度を高めるだけでなく、世界最小の機械を構築する際に内在するリスクと変動のより明確な姿を提供します。この手法は、顕微鏡画像の視覚的な不完全さと、機能するチップの電気的な現実とを結びつけることに成功し、「私たちが知らないこと」を注意深く計上することが、「私たちが知っていること」へのより深い理解につながることを証明しました。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。