返回列表
集成电路AI Fab智能制造与研发优化
2021.06.23

集成电路AI Fab智能制造与研发优化

上海集成电路研发中心有限公司

 

(一)建设背景

目前,中国集成电路的市场规模已接近全球的三分之一,成为全球最大的集成电路芯片消费国,但与此形成鲜明对比的却是芯片自给率不足,对进口依赖严重。中国集成电路产业与世界先进水平仍然差距较大,尤其是国产集成电路装备仍远远落后于国外产品。以芯片制造的核心设备光刻机为例,目前全球光刻机市场基本被荷兰的阿斯麦(ASML)所垄断,市场份额高达80%,在高端光刻机领域更是无人能及。

更为重要的是,高端Fab(Fabrication)制造过程产生了大量的生产相关数据,仅28nm工艺每天产生的数据量就超过了100TB,但是数据的利用率很低,普遍低于10%。2019年,机器产生的数据已经超过人类产生的数据,预计到2022年,机器产生的数据是人类产生数据的9倍。

随着集成电路工艺技术代的演进,先进的半导体工艺流程高度复杂,有上千个制程步骤,每道制程都必须精准控制,每个工厂都有数百台机台,每个机台一天可收集数百万到数千万笔数据。Fab厂机台、工艺过程、产品检测等环节实时产生的极大量数据,已经无法通过现有传统的信息化手段来处理或者分析。随着以深度学习算法为代表的人工智能技术迅猛发展,在数据挖掘、效率提升、品质分析、智能运营等一批智能制造领域逐渐展现出巨大的生命力。

根据以上行业、设备等需求分析,结合现有条件,上海集成电路研发中心在国产光刻设备智能检测——光刻热点检测和Fab生产大数据应用——晶圆缺陷检测两大方向开展了对应的技术研究和应用探索,并获得了积极的反馈结果。

(二)建设内容

1.基于SEM(scanning electron microscope,扫描电子显微镜)图像的光刻热点检测。

 

硅片光刻热点示意图

当前光刻制造所面临的挑战主要有:数学模式匹配相关问题,如亚波长导致硅片图形存在形状缺陷,在正式流片前,需对光刻掩膜版的热点(局部光刻缺陷)进行检测和矫正,而现有的方法主要为模式匹配类方法。模式匹配的方法特点,速度快,无法检测新热点,而上海集成电路研发中心通过采用机器学习深度神经网络完成光刻热点高效检测,在保证检测精度的同时提高检测速度。

 

 SEM图像缺陷检测级联模型示意图(Original SEM images:原始SEM图像;Hard detection model:硬缺陷检测模型;SEM images without hard defect:没有硬缺陷的SEM图像;Contour extraction model:轮廓提取模型;Contours of SEM images:SEM 图像轮廓;Soft defect detection model:软缺陷检测模型;SEM images with soft defect:软缺陷SEM图像;SEM images with hard defect:硬缺陷SEM图像)

基于SEM图像的光刻热点检测框架,上海集成电路研发中心首次提出了在SEM图像光刻热点检测中引入轮廓信息进行辅助检测,一方面得益于SEM图像结构的类型和图像拍摄环境条件较为固定,对应图像轮廓信息具有较高一致性,借助轮廓的“差异”实现辅助热点的检测;另一方面依赖SEM图像轮廓提取框架的良好性能,采用DCNN(Deep Convolutional Neural Network,深层卷积神经网络)对图像轮廓进行提取,其轮廓提取能力已经得到较好证明,如果基于DCNN网络所检测的轮廓存在不连续或断裂,则原始SEM图像高概率存在问题。

上海集成电路研发中心设计了级联检测模型,通过级联模型完成对不同种类热点的准确检测。上海集成电路研发中心使用第一级模型完成硬缺陷类热点检测,经过第一级检测没有问题SEM图像由轮廓模型完成轮廓提取,得到对应SEM图像的轮廓信息,然后与SEM图像以多通道方式一并送入软缺陷类热点检测模型,通过第二级神经网络模型检测,实现对软缺陷类热点的有效检测。

2.晶圆缺陷检测

在集成电路制造的整个工艺过程中会产生各种各样的缺陷,严重影响到芯片制造的良率。集成电路制造厂商需要对生产过程中产生的缺陷进行严格监控,及时检测缺陷类别并判断缺陷产生的原因,进一步定位导致缺陷的具体工艺步骤,及时修正机台,提高集成电路制造的良率。

目标分类缺陷涵盖了集成电路产线上最常见的缺陷种类(>20类),缺陷图片为分辨率480x480或720x720的灰度图像。

晶圆缺陷种类多,缺陷分类难度大,缺陷的产生往往由多种因素造成,而最终反映到SEM图像二维空间上,通过采用深度学习方法,经过数据清洗、标注,模型训练,完成目标缺陷的准确分类,上海集成电路研发中心在纯粹的SEM图像检测方法中纳入了工艺信息(前后段),增强模型对缺陷分类的效果。

 

晶圆缺陷检测框架示意图

(三)建设成效

1.在光刻热点检测方面,目前达到如下效果:

实现SEM图像热点(硬缺陷和软缺陷)的准确检测:借助轮廓缺陷信息完成软缺陷的检测。从统计结果可以看出,上海集成电路研发中心提出的级联模型在热点检测方面取得了显著的效果,硬缺陷和软缺陷热点检测准确度平均高于90%,且借助GPU(Graphics Processing Unit,图形处理器)等硬件设备加速,光刻SEM图像的处理数独达到50ms/frame,实现了准实时处理。

 

光刻SEM图像热点检测统计结果

目前模型取得了积极的结果,但仍需在Fab量产环境下继续测试。同时上海集成电路研发中心在国产光刻机的智能化方面还开展了CD、Overlay等关键指标的智能分析与检测,通过AI算法进一步提升国产光刻机关键性能,相关指标已接近同类领先水平,为关键性能和产能的提升提供了技术方向,建设了一套面向国产装备升级的人工智能分析和控制系统,提供了智能化全套解决方案。

2.在晶圆缺陷检测方面,取得如下成果:

传统Fab的晶圆缺陷检测工作繁重而低效,1位工程师每天需要耗费约4个小时进行缺陷检测,检测速度为7s/frame,长时间的人为判断也会带来检测准确度的降低。在该应用方向上,上海集成电路研发中心引入了深度神经网络,通过对历史海量数据的学习,获得高准确度和鲁棒性的缺陷检测模型,然后部署到实际生产环境,取代低效的人工检测,既提高了检测效率又降低了生产成本。

上海集成电路研发中心完成了面向产线的在线缺陷的智能分类算法与软件开发:基于有监督深度学习,通过大量训练产线中不同类型的缺陷,实现了分类准确率超过95%,识别缺陷种类超过20种,检测速度20ms/s,速度高出人工检测两个数量级,综合节省了人工成本超70%,大幅提升产线控制效率和精细化水平。图像智能分析算法和软件已经实现产线的在线应用,用于检测缺陷图片,且效率和准确率均远高于人工。

集成电路AI Fab智能制造与研发优化项目,立足于国家级的上海集成电路研发中心,充分发挥研发中心在工艺、设备、材料、设计、算法、应用领域的实力和优势,赋能集成电路制造、提升研发效能,面向集成电路装备、工艺、产线、芯片领域的紧迫需求,上海集成电路研发中心优先启动并攻关了关键核心设备智能检测-光刻热点检测和Fab生产效率提升-晶圆缺陷检测两大应用领域,取得了积极的反馈结果,并形成了经验和技术积累,构建了相应的知识产权体系,在芯片领域,为突破相关卡脖子技术,上海集成电路研发中心迈出了坚实的一步,并朝着自主国产化不懈努力。

 

联系人:周涛

联系方式:15201765477