Uncertainty propagation from SEM profiles to TCAD-referenced electrical predictions using coupled process and device models
本論文は、断面SEMプロファイルからの不確かさを、プロセスおよびデバイスの結合TCADモデルを通じて伝播させることで、空間的に整合したコンター（等高線）と較正された電気的予測を生成し、半導体デバイス特性評価における高い幾何学的精度と信頼性の高い閾値電圧区間のカバレッジを実現するフレームワークを提示するものである。
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
現代の電子機器の世界では、最も小さなコンポーネントは、シリコンと金属で作られた微小な超高層ビルのように、一層ずつ積み上げられて構築されています。これらの極小構造が正しく機能することを保証するために、エンジニアは、電気がどのように流れるかを予測する強力なコンピュータ・シミュレーションに頼っています。これらのシミュレーションには、デバイスの形状に関する精密な設計図が必要です。しかし、科学者が電子顕微鏡でこれらの実在するデバイスを観察すると、その画像のエッジ（端）の部分がしばしばぼやけていたり、曖昧であったりすることがあります。ある材料がどこで終わり、別の材料がどこから始まるのかを正確に判断することは困難です。この画像における不確実性は問題を引き起こします。もしコンピュータ・シミュレーションが、ぼやけた、あるいは推測に基づいた形状から開始した場合、その電気的性能の予測もまた不確実なものになってしまうからです。研究者が直面している問いは、製造プロセスがデバイスをどのように作り出したかという正確な設定を知ることなく、不完全な顕微鏡画像を用いて、信頼できる電気的予測を行うために、可能な形状の範囲を十分に絞り込めるかどうかという点です。
華東師範大学の研究者は、顕微鏡画像のぼやけたエッジを、修正すべき単一のミスとしてではなく、探索すべき可能性の範囲として扱う新しい手法を考案することで、この課題に取り組みました。彼らのシステムは、エッジを代表する単一の線をコンピュータに強制的に選ばせるのではなく、画像の形状に適合する、わずかに異なる、妥当と思われる何百もの輪郭を生成します。次に、これらすべての可能な形状を詳細な物理シミュレータに入力し、それぞれのバージョンにおいて電気がどのように振る舞うかを確認します。これらすべてのシミュレーションの結果を組み合わせることで、彼らは信頼度を含む予測を出すことができます。つまり、電気的性能がおそらくどの程度であるかだけでなく、画像の不確実性によってその性能がどの程度変動し得るかをも、エンジニアに伝えることができるのです。
研究者は、このアプローチを、特定の種類の高度なトランジスタから撮影された180枚の実物の顕微鏡画像データセットを用いてテストしました。彼らは、自らの手法を業界で使用されているいくつかの標準的な手法と比較しました。標準的な手法は通常、エッジを表す単一の「最良の線」を見つけ出そうとするか、あるいはより単純な統計的推測を用います。画像解析と物理シミュレーションを結合させたこの新手法は、より正確であることが証明されました。トランジスタがいつオンになるかを決定する「しきい値電圧」と呼ばれる主要な電気的特性を予測した際、新手法の誤差は平均わずか11.9ミリボルトでした。対照的に、単一の固定された線を用いた最良の標準的手法はより大きな誤差を示し、より複雑な統計的ベースラインもわずかに精度が劣りました。さらに、新手法が提供した値の範囲は、精密かつ信頼できるものでした。テストケースの91パーセントにおいて、実際の電気的挙動は予測範囲内に収まっており、その範囲の幅はエンジニアリング上の意思決定に有用なほど十分にタイトなものでした。
本研究の重要な部分は、コンピュータの予測が、デバイスの製造方法に関する仮定に基づいているのではなく、画像データに基づいていることを確実にすることでした。研究者は、コンピュータによる推測を見ることなく、独立してデバイスの形状をトレースした専門家によって作成された「ゴールドスタンダード（黄金基準）」のリファレンスを使用しました。これにより、形状抽出の真の電気的影響を測定することができました。彼らは、自らの手法が、顕微鏡による視覚的な不確実性を、現実的な電気的な不確実性へと正常に変換していることを発見しました。例えば、デバイスを流れる電流が、単一の誤解を招きかねない数値ではなく、計算可能な小さな範囲内で変動することを予測できるのです。この不確実性を定量化する能力は、エンジニアがすべての物理的なバリエーションを実際に製作してテストする必要なく、設計のリスクを理解する上で極めて重要です。
また、本研究では、人間の専門家に特定の画像を再確認させることで、プロセスをさらに改善する方法についても探求しました。研究者は、どの画像が二次的な検討から最も恩恵を受けるかを決定するスマートなシステムを開発しました。ランダムに画像を選んだり、単に見た目が最も混乱している画像を選んだりするのではなく、システムは、再検討した場合に最終的な電気的予測を最も改善することになる画像を選別しました。このスマートな選択法を用いてわずか30件の追加の専門家によるアノテーション（注釈付け）を加えたところ、電気的予測の誤差は2.12パーセントまで減少しました。これは、画像をランダムに選んだり、単に視覚的な曖昧さが大きいものを選んだりする場合よりも優れた結果でした。この知見は、将来的にエンジニアが、製品の性能に最も重要なデータポイントに限定して限られた人間の注意を向けることで、時間とコストを節約できる可能性を示唆しています。
しかし、研究者は自身の成功の限界についても慎重に言及しました。トレーニングされたシステムを、わずかに異なる条件下で作られた全く新しいバッチのデバイスに適用しようとしたところ、精度が低下し、信頼区間が信頼できなくなりました。これは、本手法が特定のデバイスのファミリー内では非常によく機能するものの、調整なしにすべての製造バリエーションに対して完璧に機能する普遍的な解決策にはまだなっていないことを示しています。彼らは、新しいバッチからわずかな新しい例を追加するだけで、システムを再校正し、その精度の大部分を回復させることができたことも発見しました。これは、本手法が強力である一方で、製造プロセスが比較的安定していることに依存していることを浮き彫りにしています。
結局のところ、この研究は、微小なデバイスの不完全な画像と、それらを設計するために必要な精密な電気的予測との間の溝を埋めるための、実践的な方法を提示しています。材料のエッジは単一の線ではなく「可能性の領域」であることを認め、その領域が電気の流れにどのように影響するかを数学的に追跡することで、研究者は以前の手法よりも正確で、かつ自らの限界に対しても誠実なツールを提供しました。業界にとって、これは、エンジニアがシミュレーションが物理的世界の真の変動性を反映していると信頼できる、より信頼性の高いコンピュータ支援設計への一歩を意味しており、より優れたチップや、より効率的な電子機器の実現につながります。
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。