Uncertainty-aware calibration from SEM profiles to electrical response using coupled process and device TCAD
Este artigo introduz uma estrutura computacional de malha fechada e consciente da incerteza que mapeia perfis de SEM para respostas elétricas ao propagar distribuições de contorno através de simulações TCAD de processo e dispositivo acopladas, melhorando, assim, a precisão da predição elétrica e a eficiência de anotação em comparação com a calibração convencional de fronteira rígida.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo invisível da eletrônica moderna, os menores transistores são construídos camada por camada, como arranha-céus microscópicos. Para garantir que essas estruturas minúsculas funcionem corretamente, os engenheiros devem inspecioná-las com microscópios poderosos que podem ver características na escala nanométrica. Essas imagens, conhecidas como perfis de microscopia eletrônica de varredura (SEM), mostram a forma exata da seção transversal de um transistor. No entanto, essas imagens nunca são perfeitamente nítidas; as bordas parecem borradas devido ao desfoque do SEM e à variação entre anotadores, e diferentes especialistas podem traçar o contorno de uma forma de maneiras ligeiramente diferentes. Essa incerteza é importante porque a geometria precisa de um transistor dita como a eletricidade flui através dele. Se a forma estiver apenas alguns nanômetros fora do lugar, o dispositivo pode falhar ao ligar ou desligar adequadamente, ou pode consumir energia demais. Durante décadas, os engenheiros tentaram corrigir isso pegando um único contorno, baseado na melhor estimativa, de uma imagem borrada e alimentando-o em uma simulação de computador para prever como o dispositivo se comportará. Mas essa abordagem descarta a valiosa informação contida no próprio desfoque, tratando uma gama de possibilidades como se apenas um resultado fosse real.
Um novo estudo de Qinao Hu, da Universidade Normal do Leste da China, propõe uma maneira diferente de lidar com esse problema. Em vez de forçar uma linha única e rígida sobre uma imagem borrada, os pesquisadores construíram um sistema que reconhece a incerteza desde o início. Eles trataram a borda do transistor não como uma linha fixa, mas como uma nuvem de possibilidades. Essa nuvem representa todas as formas plausíveis que um especialista poderia desenhar o limite, dada a imprecisão da imagem. Os pesquisadores então alimentaram todo esse conjunto de possibilidades em seus modelos de computador, em vez de apenas um palpite. Ao fazer isso, permitiram que o computador calculasse uma gama de comportamentos elétricos prováveis, capturando o quadro completo do que o dispositivo pode fazer. O objetivo era ver se manter essa incerteza viva durante todo o processo levaria a previsões mais precisas de como o transistor realmente performa.
Os pesquisadores focaram em um tipo específico de transistor avançado chamado transistor de efeito de campo de nanosheet, que é usado nos chips de computador mais poderosos de hoje. Eles examinaram o spacer, uma pequena parede isolante ao lado do canal do transistor, que é crítica para controlar o fluxo de eletricidade. Em seus experimentos, utilizaram um conjunto de dados de 180 imagens reais tiradas de cinco lotes diferentes de fabricação. Algumas dessas imagens foram traçadas por dois especialistas diferentes, permitindo que a equipe mensurasse exatamente o quanto o julgamento humano variava ao definir as bordas. A equipe treinou um programa de computador para olhar para essas imagens e gerar um mapa de probabilidade, mostrando onde a borda provavelmente estaria e o quão confiante ele estava naquela localização. Esse programa foi ensinado a minimizar erros na forma geral, na distância entre linhas e em medições críticas específicas, como a largura do canal e o ângulo das paredes.
Uma vez que o computador gerou um conjunto de formas possíveis para cada imagem, os pesquisadores passaram essas formas por uma simulação sofisticada que mimetiza o processo de fabricação. Esta etapa, conhecida como calibração de processo, ajustou as configurações internas da simulação para corresponder às formas observadas. Como a entrada era uma nuvem de formas em vez de uma única linha, a saída também era uma nuvem de possíveis configurações de fabricação. Essa incerteza foi então levada adiante para uma segunda simulação que previa o desempenho elétrico do dispositivo. Esta etapa final calculou métricas fundamentais, como a voltagem necessária para ligar o transistor e a quantidade de corrente que ele pode carregar. Os pesquisadores compararam essas previsões com os resultados reais de alta fidelidade das simulações do dispositivo para ver o quão próximos eles chegavam.
Os resultados mostraram que abraçar a incerteza levou a previsões significativamente melhores. Quando os pesquisadores usaram seu novo método, o erro ao prever a voltagem necessária para ligar o transistor caiu para 11,9 milivolts, uma melhoria substancial em relação ao erro de 21,8 milivolts observado com o método tradicional que utiliza uma fronteira rígida única. Da mesma forma, o erro ao prever a curva corrente-voltagem, que descreve como o dispositivo se comporta sob diferentes condições, caiu de 5,8 por cento para 3,1 por cento. O novo método também se mostrou mais confiável em seus intervalos de confiança; ele capturou corretamente o comportamento elétrico real dentro de seu intervalo previsto 91 por cento das vezes, comparado a apenas 63 por cento para o método antigo. Isso sugere que, ao reconhecer o desfoque das imagens de microscopia, os modelos de computador puderam navegar pelas variações de fabricação de forma mais eficaz.
O estudo também explorou como usar essa informação para melhorar os próprios dados. Como o sistema conseguia identificar quais imagens tinham a maior incerteza que realmente importava para o desempenho elétrico final, ele podia priorizar essas imagens específicas para reexame por especialistas humanos. Em um teste onde a equipe adicionou apenas 30 novas marcações ao seu conjunto de dados, essa estratégia de seleção inteligente reduziu o erro de previsão para 1,54 por cento. Em contraste, simplesmente escolher imagens aleatoriamente para serem rotuladas novamente, ou escolher baseando-se apenas no quão borradas elas pareciam sem considerar seu impacto elétrico, resultou em erros muito maiores de 2,36 por cento e 2,1 por cento, respectivamente. Essa descoberta destaca que nem toda incerteza é igual; algumas bordas borradas importam muito mais para o produto final do que outras, e o novo sistema aprendeu a distinguir a diferença.
Em última análise, este trabalho demonstra que, no mundo de alto risco da fabricação de semicondutores, ignorar os limites de nossas medições pode levar a previsões piores. Ao tratar a borda de um transistor como uma distribuição de possibilidades em vez de um fato único, os pesquisadores criaram um gêmeo digital mais robusto do processo de fabricação. Essa abordagem não apenas melhora a precisão dos números; ela fornece uma imagem mais clara dos riscos e variações inerentes à construção das menores máquinas do mundo. O método vinculou com sucesso as imperfeições visuais de uma imagem de microscopia à realidade elétrica de um chip funcional, provando que um registro cuidadoso do que não sabemos pode levar a uma melhor compreensão do que fazemos.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.