Uncertainty propagation from SEM profiles to TCAD-referenced electrical predictions using coupled process and device models
Dit artikel presenteert een raamwerk dat onzekerheid van dwarsdoorsnede-SEM-profielen voortplant via gekoppelde proces- en device-TCAD-modellen om ruimtelijk coherente contouren en gekalibreerde elektrische voorspellingen te genereren, waarbij een hoge geometrische nauwkeurigheid en betrouwbare dekking van de drempelspanning-intervallen worden bereikt voor de karakterisering van halfgeleidercomponenten.
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 wereld van de moderne elektronica worden de kleinste componenten laag voor laag opgebouwd, als een microscopische wolkenkrabber gemaakt van silicium en metaal. Om ervoor te zorgen dat deze minuscule structuren correct functioneren, vertrouwen ingenieurs op krachtige computersimulaties die voorspellen hoe elektriciteit door hen zal stromen. Deze simulaties hebben een nauwkeurige blauwdruk nodig van de vorm van het apparaat. Echter, wanneer wetenschappers naar deze echte apparaten kijken onder een elektronenmicroscoop, zijn de beelden vaak wazig of ambigu bij de randen. Het is moeilijk om precies te bepalen waar het ene materiaal eindigt en het andere begint. Deze onzekerheid in het beeld creëert een probleem: als de computersimulatie begint met een wazige of geraden vorm, zal de voorspelling van de elektrische prestaties ook onzeker zijn. De vraag waar onderzoekers voor staan, is of ze de imperfecte microscoopafbeelding kunnen gebruiken om de mogelijke vormen voldoende in te perken om een betrouwbare elektrische voorspelling te doen, zelfs zonder de exacte fabricageparameters te kennen die het apparaat hebben gecreëerd.
Een onderzoeker aan de East China Normal University pakte deze uitdaging aan door een nieuwe methode te ontwikkelen die de wazige randen van een microscoopafbeelding niet behandelt als een enkele fout die gecorrigeerd moet worden, maar als een reeks mogelijkheden die verkend kan worden. In plaats van de computer te dwingen om één enkele lijn te kiezen om de rand van een materiaal te vertegenwoordigen, genereert hun systeem honderden licht verschillende, plausibele contouren die allemaal bij de afbeelding passen. Ze voeden vervolgens elk van deze mogelijke vormen aan een gedetailleerde natuurkundige simulator om te zien hoe de elektriciteit in elke versie zou gedragen. Door de resultaten van al deze simulaties te combineren, kunnen ze een voorspelling produceren die een mate van vertrouwen bevat, die ingenieurs niet alleen vertelt wat de elektrische prestatie waarschijnlijk is, maar ook hoeveel die prestatie kan variëren door de onzekerheid in het beeld.
De onderzoeker testte deze aanpak op een dataset van 180 echte microscoopbeelden van een specif kind van een geavanceerd type transistor. Ze vergeleken hun methode met verschillende standaardtechnieken die in de industrie worden gebruikt. De standaardmethoden proberen meestal slechts één beste lijn te vinden om de rand te representeren, of ze gebruiken simpelere statistische gissingen. De nieuwe methode, die de beeldanalyse koppelt aan de natuurkundige simulatie, bleek nauwkeuriger. Bij het voorspellen van een belangrijke elektrische eigenschap genaamd de drempelspanning — die bepaalt wanneer de transistor aangaat — zat de nieuwe methode gemiddeld slechts 11,9 millivolt naast de werkelijkheid. In contrast hiermee was de beste standaardmethode die gebruikmaakt van een enkele vaste lijn een grotere marge kwijt, en een complexere statistische baseline was iets minder nauwkeurig. Bovendien bood de nieuwe methode een bereik van waarschijnlijke waarden dat zowel precies als betrouwbaar was. In 91 procent van de testgevallen viel het werkelijke elektrische gedrag binnen het voorspelde bereik, en de breedte van dit bereik was nauw genoeg om bruikbaar te zijn voor technische beslissingen.
Een cruciaal onderdeel van de studie was het waarborgen dat de voorspellingen van de computer gebaseerd waren op de beeldgegevens en niet enkel op aannames over hoe het apparaat was gemaakt. De onderzoeker gebruikte een "gouden standaard"-referentie, gecreëerd door een expert die de vorm van het apparaat onafhankelijk heeft getraceerd zonder de computergestuurde gissingen te zien. Dit stelde hen in staat om de ware elektrische consequentie van de vormextractie te meten. Ze ontdekten dat hun methode erin slaagde de visuele onzekerheid van de microscoop succesvol te vertalen naar een realistische elektrische onzekerheid. Zo konden ze bijvoorbeeld voorspellen dat de stroom die door het apparaat vloeit, met een klein, berekenbaar bedrag zou variëren, in plaats van een enkel, potentieel misleidend getal te geven. Dit vermogen om onzekerheid te kwantificeren is essentieel omdat het ingenieurs helpt de risico's in hun ontwerpen te begrijpen zonder dat ze elke fysieke variatie hoeven te bouwen en te testen.
De studie onderzocht ook hoe het proces nog beter gemaakt kon worden door menselijke experts te vragen specifieke beelden te controleren. De onderzoeker ontwikkelde een slim systeem dat beslist welke beelden het meeste baat zouden hebben bij een tweede blik. In plaats van beelden willekeurig te kiezen of simpelweg te zoeken naar de beelden die het meest verwarrend lijken, berekende het systeem welke beelden, indien opnieuw onderzocht, de uiteindelijke elektrische voorspelling het meest zouden verbeteren. Toen zij slechts 30 extra menselijke annotaties toevoegden met behulp van deze slimme selectiemethode, daalde de fout in de elektrische voorspelling naar 2,12 procent. Dit was beter dan het willekeurig kiezen van beelden of het simpelweg kiezen van de beelden met de meeste visuele ambiguïteit. Deze bevinding suggereert dat ingenieurs in de toekomst tijd en geld kunnen besparen door hun beperkte menselijke aandacht te richten op de specifieke datapunten die het belangrijkst zijn voor de uiteindelijke prestaties van het product.
De onderzoeker merkte echter voorzichtig op wat de grenzen van hun succes waren. Wanneer zij probeerden hun getrainde systeem toe te passen op een volledig nieuwe batch apparaten die onder licht verschillende omstandigheden waren gemaakt, daalde de nauwkeurigheid en werden de betrouwbaarheidsintervallen minder betrouwbaar. Dit geeft aan dat hoewel de methode zeer goed werkt binnen een specifieke familie van apparaten, het nog geen universele oplossing is die perfect werkt over alle fabricagevariaties heen zonder enige aanpassing. Ze ontdekten dat het toevoegen van slechts een paar nieuwe voorbeelden uit de nieuwe batch de mogelijkheid bood om het systeem te herkalibreren en het grootste deel van de nauwkeurigheid te herstellen. Dit benadrukt dat hoewel de methode krachtig is, deze nog steeds afhankelijk is van het feit dat het fabricageproces relatief consistent blijft.
Uiteindelijk demonstreert dit werk een praktische manier om de kloof te overbruggen tussen de imperfecte beelden die we van kleine apparaten kunnen maken en de precieze elektrische voorspellingen die nodig zijn om ze te ontwerpen. Door te erkennen dat de rand van een materiaal niet een enkele lijn is maar een zone van mogelijkheden, en door wiskundig bij te houden hoe die zone de stroom van elektriciteit beïnvloedt, heeft de onderzoeker een instrument geleverd dat nauwkeuriger en eerlijker is over zijn eigen beperkingen dan eerdere methoden. Voor de industrie betekent dit een stap naar betrouwbaarder computerondersteund ontwerp, waarbij ingenieurs erop kunnen vertrouwen dat hun simulaties de ware variabiliteit van de fysieke wereld weerspiegelen, wat leidt tot betere chips en efficiëntere elektronica.
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.