半导体行业自动化：电子显微镜、人工智能和机器学习

来源：《半导体芯科技》杂志

作者：David Akerson, Thermo Fisher公司高级全球市场开发经理；John Flanagan, Thermo Fisher公司软件工程师

为了支持半导体制造商的自动化需求，先进的电子显微镜正在集成人工智能功能，以提供更快的数据生成时间并提高人力和工具资源的生产效率。

在过去五年中，半导体行业对部署人工智能(AI)和机器学习(ML)应用程序的兴趣迅速增长。借助可生成PB（千万亿字节）级数据的流程和工具，人工智能及其挖掘和利用数据的能力为半导体制造商提供了许多机会，帮助他们努力改进流程、优化人力和工具资源，以及自动化劳动密集型任务。人工智能和机器学习带来的众多机遇包括工艺自动化、工具优化、故障检测和分类、预测性工具维护、计量、工艺控制、排队管理等许多方面。

在本文中，我们将重点介绍AI和ML用于半导体行业电子显微镜的自动化功能，包括扫描电子显微镜(SEM)、聚焦离子束SEM(FIB-SEM)、透射电子显微镜(TEM)和扫描透射电子显微镜((S)TEM)。我们将从简要讨论AI和ML开始，介绍自动化电子显微镜的案例，并讨论当今电子显微镜中可用的AI/ML功能。

人工智能和机器学习

在讨论电子显微镜中的AI之前，简要回顾一下AI概念可能会有所帮助。

在较高的层面上，人工智能不是一项单一的技术。相反，它是使机器能够模仿人类智能的技术集合。人工智能系统包含四种能力：

1）使用相机或传感器进行感知的能力；

2）通过提取信息、检测模式和识别上下文来理解的能力；

3）行动能力;

4）学习能力。

在这四种能力中，学习与人工智能的关联度最高。

虽然许多人认为AI和ML是同义词，但两者是略有不同的概念。机器学习是人工智能的一个子领域，指的是自动化学习。对于AI系统，ML允许它根据过去的结果针对指定参数在迭代过程中感知、理解、分配重要性和修改行为，以提高性能。机器学习应用程序可以是描述性的、预测性的或规范性的。

目前存在多种ML技术，大致分为两大类：无监督学习和监督学习。

监督学习需要数据标签或注释，这些将作为机器学习任务的教师。无监督学习寻求在不需要标签的情况下发现数据中的模式和自然分组。由于标记数据既昂贵又耗时，因此无监督学习可能是有利的。然而，许多机器学习任务无法修改为纯粹的无监督学习，例如图像分类。这些技术通常可以结合使用。自监督学习的技术首先在大量未标记数据上学习使用与所需任务相关的任务。然后重新配置ML系统，从而在较小的标记数据体上进行自我调整。

无论使用哪一种方法，重要的是要记住ML取决于训练数据集的质量、偏差和规模。错误、标记不当或不完整的数据可能会导致机器学习偏差，如果人工智能系统以某种方式进行训练，它可能会以意想不到的方式提供信息。

另一个需要注意的子领域是深度学习(DL)。DL是受生物神经网络启发的一种特定类型的ML。深度学习使用人工神经网络，它模仿人脑中的生物神经网络来处理信息，找到数据之间的联系，并得出推论。DL热潮是在2012年通过AlexNet而拉开帷幕，AlexNet在ImageNet分类任务方面产生了巨大的飞跃性改进，而这种分类任务是计算机视觉领域的一个关键挑战。DL的部署进一步彻底改变了机器翻译、语音识别、蛋白质折叠和更多应用领域。

最后，同样重要的是要注意自动化可能也是劳动密集型的。机器学习算法需要进行训练，可能需要使用标记数据进行训练，这需要在数据注释上投入时间。然而，一旦完成，只要目标/推理数据与训练数据域相匹配，算法就可以很好地处理目标任务。如果数据漂移，则需要重新进行训练。

自动化电子显微镜的案例

简单地说，半导体制造是人类有史以来最复杂的工作之一。制造当今的三维(3D)半导体需要数百个工艺步骤才能生产出包含数十亿个晶体管和互连线的单个芯片。随着逻辑和存储转向具有更高密度的更高比率的3D结构，具有亚埃精度的统计相关数据的可用性，对于识别缺陷和超出公差的工艺步骤至关重要。因此，先进的FIB-SEM、SEM和TEM工具成为在所有前沿晶圆制造工艺中获取数据的关键组件。

在半导体行业中，电子显微镜已经并将继续在提供数据以改进和优化制造工作流程方面发挥越来越大的作用。从样本中提取数据用于(S)TEM成像和分析，以校准工具集、诊断故障机理并优化工艺良率。然而，在执行高度特定的测量之前，需要使用FIB-SEM准备样品，并且应该注意的是，(S)TEM的成像和分析在很大程度上取决于样品的质量。

过去，SEM和TEM分析的样品制备这一具有挑战性的任务一直由经验丰富的FIB-SEM用户手动进行。在TEM样品制备的情况下，这可能特别耗时。然而，随着支持每一代持续的半导体开发所需的样品数量呈指数级增长，人工处理正迅速变得不可持续，并且超过可用的人力资源。为了提供背景信息，一家典型的领先半导体制造商可能在当前工艺节点上每月生产35,000到40,000个样品，并且这个数字预计会在下一代中大幅增加。

一旦样品准备好后，分析工作就开始了。使用先进的计量(S)TEM，例如Thermo ScientifificTM MetriosTM AX，实验室就可以测量关键尺寸并表征器件，以更好地了解其在原子尺度上的结构。与样品制备类似，此任务传统上也是手动进行的，而且也可能很耗时。

面对要处理的样品数量的增加和提供信息的需要变得更快，许多半导体制造商正在寻求实验室和晶圆厂的工具自动化，并表现出对实验室和晶圆厂自动化工具的兴趣。

电子显微镜中的AI/ML

在某种程度上，当今电子显微镜的人工智能能力还处于起步阶段，主要应用于如下两个领域：系统校准和过程自动化。一个欠开发的领域是数据分析。为了提供半导体行业的一些AI应用示例，下面将简要介绍Thermo Fisher Scientifific的(S)TEM、DualBeam和扫描电子显微镜中支持AI的一些功能。

系统校准

系统校准主要是保持电子显微镜处于工作状态并优化其性能。在系统校准中，四个最广为人知的应用程序是工具对准、预测性维护和监控、队列管理和图像优化。这些应用程序的示例如下。

通过工具对准，电子显微镜利用计算机视觉和高级算法来对齐纵列和光束。AI跟踪纵列的对齐状态并将其与稳定性窗口进行比较，以保持工具对准并按规范运行。这确保了高质量的数据捕获，并防止了由于运行时间错误或在收集数据后发现偏移导致的生产力损失。

通过使用AI和收集的传感器数据来自动识别可能影响工具操作的潜在问题，从而实现预测性维护和监控。预测性维护和监控提供了避免计划外停机，根据需要主动安排维护，或在即将发生突然故障时通知进行干预的能力。

此领域中的另一个应用程序示例是图像优化。对于半导体行业，数据清理净化或去噪对(S)TEM数据进行可重复且具有统计意义的定量分析至关重要。在示例中，ML网络在结构上进行了训练，以降低信噪比(SNR)并提高SEM图像质量和采集速度。右边的图像是去噪后的图像。

过程自动化

过程自动化应用程序的目标是自动执行样品制备、数据采集和计量任务，以提高劳动力资源的生产效率。提供过程自动化的三个应用程序示例是终端点、自动化配方工作流程和感兴趣区域(ROI)导航。终端点检测利用ML、传感器和计量测量，在金属或感兴趣的通孔层暴露时停止切削。当看到特定的传感器测量值、特征或阈值时，就会指示刻蚀工具停止刻蚀操作。通过自动化配方工作流程，“配方”（recipe）或脚本会编写并用于执行重复性任务。ML作为一个配方组件，使得配方能够适应本地的数据。此领域中的最后一个示例是ROI导航，它允许检测特定的特征以自动导航到ROI。通过此功能，用户能够改进切割位置，定义图像采集区域，并提高最终数据的质量。

数据分析

如上所述，半导体数据分析应用并不像许多其他行业那样发达。虽然人们对于利用数据洞察来推动更好选择的应用程序很感兴趣，但许多因素导致了这些应用程序的缺乏。关键因素之一是数据缺乏。随着深度学习的最新进展，它正在为新的应用程序创造机会。但是，对数据的需求很大。在某些情况下，不需要客户的特定数据。对于其他情况来说，由于需要大量数据，因此需要与半导体制造商合作以构建具有生产价值的应用程序。

小结

对于半导体行业来说，许多因素汇集在一起，需要在生产操作中实现自动化，包括更复杂的设计、更长的开发周期、日益激烈的竞争和技术资源限制。因此，许多半导体制造商正在探索利用人工智能实现工作自动化的技术。

随着半导体公司开发新产品和加速制造，人工智能有可能产生巨大的商业价值。其优势包括自动化任务以释放熟练的人力资源、改善工具的性能、优化人员和工具生产力，以及加快开发周期和上市时间。

为了支持半导体制造商的自动化需求，先进的电子显微镜正在集成AI功能，以提供更快的数据生成时间，并提高人力和工具资源的生产效率。虽然仍处于起步阶段，但随着制造商寻求提取隐藏在其数据中的价值，电子显微镜中的AI功能可能会迅速提升。

审核编辑：汤梓红