Uncertainty-aware calibration from SEM profiles to electrical response using coupled process and device TCAD
Dit artikel introduceert een onzekerheidsbewust, gesloten-lus computationeel framework dat SEM-profielen naar elektrische responsen mapt door randverdelingen te propageren via gekoppelde proces- en device TCAD-simulaties, waardoor de nauwkeurigheid van elektrische voorspellingen en de annotatie-efficiëntie worden verbeterd in vergelijking met conventionele hard-boundary kalibratie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de onzichtbare wereld van moderne elektronica worden de kleinste transistors laag voor laag opgebouwd, als microscopische wolkenkrabbers. Om ervoor te zorgen dat deze minuscule structuren correct functioneren, moeten ingenieurs ze inspecteren met krachtige microscopen die kenmerken op nanometerschaal kunnen zien. Deze beelden, bekend als profielen van een scanning elektronenmicroscoop (SEM), tonen de exacte vorm van de dwarsdoorsnede van een transistor. Deze beelden zijn echter nooit perfect scherp; de randen lijken wazig door SEM-onscherpte en inter-annotator variatie, waarbij verschillende experts de contouren van een vorm op licht verschillende manieren kunnen traceren. Deze onzekerheid is van belang omdat de precieze geometrie van een transistor bepaalt hoe elektriciteit erdoorheen stroomt. Als de vorm zelfs maar enkele nanometers afwijkt, kan het apparaat mogelijk niet goed aan- of uitschakelen, of verbruikt het te veel vermogen. Decennialang hebben ingenieurs geprobeerd dit op te lossen door een enkele, beste gok van een omtrek uit een wazig beeld te nemen en deze in een computersimulatie te voeden om te voorspellen hoe het apparaat zal reageren. Maar deze aanpak gooit echter de waardevolle informatie die in de wazigheid zelf besloten ligt weg, door een reeks mogelijkheden te behandelen alsof slechts één uitkomst echt is.
Een nieuwe studie door Qinao Hu van de East China Normal University stelt een andere manier voor om dit probleem aan te pakken. In plaats van een enkele, rigide lijn op een wazig beeld te dwingen, hebben de onderzoekers een systeem gebouwd dat de onzekerheid vanaf het begin erkent. Ze beschouwden de rand van de transistor niet als een vaste lijn, maar als een wolk van mogelijkheden. Deze wolk vertegenwoordigt alle plausibele manieren waarop een expert de grens zou kunnen tekenen gezien de wazigheid van de afbeelding. De onderzoekers voedden vervolgens deze volledige wolk van mogelijkheden in hun computermodellen, in plaats van slechts één gok. Door dit te doen, stelden ze de computer in staat om een bereik van waarschijnlijke elektrische gedragingen te berekenen, waardoor het volledige beeld van wat het apparaat zou kunnen doen, wordt gevangen. Het doel was om te zien of het levend houden van deze onzekerheid gedurende het hele proces zou leiden tot nauwkeurigere voorspellingen van hoe de transistor daadwerkelijk presteert.
De onderzoekers concentreerden zich op een specif으로 type geavanceerde transistor genaamd een nanosheet field-effect transistor, die wordt gebruikt in de krachtigste computerchips van vandaag. Ze onderzochten de spacer, een minuscule isolerende wand naast het transistorkanaal, die cruciaal is voor het beheersen van de stroom van elektriciteit. In hun experimenten gebruikten ze een dataset van 180 echte beelden genomen uit vijf verschillende batches van productie. Sommige van deze beelden werden getraceerd door twee verschillende experts, waardoor het team precies kon meten hoeveel menselijk oordeel varieerde bij het definiëren van de randen. Het team trainde een computerprogramma om naar deze beelden te kijken en een waarschijnlijkheidskaart te genereren, die laat zien waar de rand zich waarschijnlijk bevindt en hoe zeker men is op die locatie. Dit programma werd geleerd om fouten in de algehele vorm, de afstand tussen lijnen en specifieke kritieke metingen zoals de breedte van het kanaal en de hoek van de wanden te minimaliseren.
Zodra de computer een set mogelijke vormen voor elk beeld genereerde, stuurden de onderzoekers deze vormen door een geavanceerde simulatie die het productieproces nabootst. Deze stap, bekend als proceskalibratie, paste de interne instellingen van de simulatie aan om overeen te komen met de geobserveerde vormen. Omdat de input een wolk van vormen was in plaats van een enkele lijn, was de output ook een wolk van mogelijke productie-instellingen. Deze onzekerheid werd vervolgens voortgevoerd naar een tweede simulatie die de elektrische prestaties van het apparaat voorspelde. Deze laatste stap berekende belangrijke metrieken, zoals de spanning die nodig is om de transistor aan te zetten en de hoeveelheid stroom die het kan dragen. De onderzoekers vergeleken deze voorspellingen met de werkelijke, hoogwaardige resultaten van de apparaatsimulaties om te zien hoe dicht ze in de buurt kwamen.
De resultaten toonden aan dat het omarmen van onzekerheid leidde tot aanzienlijk betere voorspellingen. Wanneer de onderzoekers hun nieuwe methode gebruikten, daalde de fout in het voorspellen van de spanning die nodig is om de transistor aan te zetten naar 11,9 millivolt, een substantiële verbetering ten op rispetto van de fout van 21,8 millivolt met de traditionele methode die een enkele harde grens gebruikt. Op dezelfde manier daalde de fout in het voorspellen van de stroom-spanningscurve, die beschrijft hoe het apparaat zich onder verschillende omstandigheden gedraagt, van 5,8 procent naar 3,1 procent. De nieuwe aanpak bleek ook betrouwbaarder in zijn betrouwbaarheidsintervallen; het legde de werkelijke elektrische werking in 91 procent van de gevallen correct vast, vergeleken met slechts 63 procent voor de oudere methode. Dit suggereert dat door de wazigheid van de microscoopbeelden te erkennen, de computermodellen de variaties in de productie effectiever kunnen navigeren.
De studie onderzocht ook hoe deze informatie gebruikt kan worden om de data zelf te verbeteren. Omdat het systeem kon identificeren welke afbeeldingen de meeste onzekerheid bevatten die er daadwerkelijk toe deed voor de uiteindelijke elektrische prestaties, kon het die specifieke afbeeldingen prioriteit geven voor hernieuwde inspectie door menselijke experts. In een test waarbij het team slechts 30 nieuwe labels aan hun dataset toevoegde, verminderde deze slimme selectiestrategie de voorspellingsfout tot 1,54 procent. In tegenstelling hiertoe resulteerde het simpelweg willekeurig kiezen van afbeeldingen om opnieuw te labelen, of het kiezen op basis van hoe wazig ze er alleen uitzagen zonder rekening te houden met hun elektrische impact, in veel hogere fouten van respectievelijk 2,36 procent en 2,1 procent. Deze bevinding benadrukt dat niet alle onzekerheid gelijk is; sommige wazige randen doen er veel meer toe voor het eindproduct dan andere, en het nieuwe systeem leerde het verschil te herkennen.
Uiteindelijk demonstreert dit werk dat in de hoogstaande wereld van halfgeleiderproductie het negeren van de beperkingen van onze metingen kan leiden tot slechtere voorspellingen. Door de rand van een transistor te behandelen als een distributie van mogelijkheden in plaats van een enkel feit, creëerden de onderzoekers een robuustere digitale tweeling van het productieproces. Deze aanpak verbetert niet alleen de nauwkeurigheid van de cijfers; het biedt ook een duidelijker beeld van de risico's en variaties die inherent zijn aan het bouwen van de kleinste machines ter wereld. De methode koppelde de visuele imperfecties van een microscoopbeeld succesvol aan de elektrische realiteit van een functionerende chip, waarmee werd bewezen dat een zorgvuldige verantwoording van wat we niet weten, kan leiden tot een beter begrip van wat we wel weten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.