Sandbox混合计量图像处理工具可简化新工艺配方的实验-电子发烧友网

Sandbox上个月开始销售的混合计量图像处理工具有望提高蚀刻和沉积步骤的计量精度，简化新工艺配方的实验，并最终降低工艺技术开发成本。该工具Weave与SandBox Studio AI建模平台配合使用，使用机器学习（ML）算法从扫描电子显微镜（SEM）和透射电子显微镜（TEM）数据中提取和分析轮廓，从而减少工程师的手动测量任务。

工艺技术变得越来越复杂

现代芯片制造技术的研发成本高达数十亿美元，而且越来越复杂和昂贵：公司需要进行研究以发现适合其需求的材料，然后设计出有望满足功率、性能和面积目标的晶体管结构。然后，他们必须开发正确的工艺配方，考虑到如何使用实际的晶圆厂工具处理这些材料和晶体管结构。

目前，工艺开发的后一步是通过反复试验进行的，需要大量的资金（材料和工具很昂贵）和时间投资（加工晶圆需要数周甚至数月）。
“最大限度地减少获得正确工艺配方所需的时间对我们的客户来说非常重要，”SandBox Semiconductor首席执行官Meghali Chopra告诉EE Times。“我们使用我们的计算建模平台来帮助工艺工程师模拟工艺结果，以便更快地获得他们的配方。

在开发新工艺技术时，要考虑的一个关键事项是准确了解器件结构及其制造方式：这对于新型3D NAND和DRAM存储器以及栅极全能晶体管尤其重要。实现这一目标的一种有效方法是使用从晶圆厂多个工具收集的计量数据，因为没有一种工具可以解决所有挑战。这就是所谓的混合计量。

“我们相信，不会有一个单一的、漂亮的计量工具可以解决每个人的问题;相反，我们利用混合计量方法，“乔普拉说。

问题在于，从多个来源获取数据容易出错、耗时，有时甚至是不可能的。据Sandbox称，工艺开发工程师经常将近20%的时间用于手动测量扫描电子显微镜（SEM）和透射电子显微镜（TEM）图像。这就是Weave发挥作用的地方。

“我们自动化提取，”乔普拉说。“因此，我们帮助工艺工程师节省大约 20% 的时间，只需纯粹自动化此 [提取] 功能。”

该工具聚合来自不同来源的数据。它使用 ML 技术通过分析来自多个来源的轮廓来提高计量的精度和准确性，例如 SEM、TEM、光学关键尺寸（OCD）光谱和横截面数据。SandBox说，这使工程师能够减少手动工作（通过将实验数量减少多达八倍）并提高计量的准确性，从而提供提高产量所需的更深入的知识。

通过聚合和纠正来自不同来源的数据，SandBox 简化了分析并集成到其建模框架中，并使工程师能够使用这些数据做出明智的过程预测。与通用的AI模型不同，SandBox使用为半导体生产工艺开发量身定制的半导体特定行为物理模型。这些模型考虑了不同的材料以及实际晶圆厂工具的工作原理。

“因此，使用所有这些计量数据，工程师现在可以利用他们掌握的所有工具来实际预测他们的工艺基础，”Chopra说。“我们能够做到这一点，因为我们减少了基于行为物理的模型，使过程工程师能够实际建模他们的过程空间。我们正在运行物理模拟，然后我们使用机器学习来增强这些模拟。因此，我们所做的所有模拟和预测都受到物理框架的限制，这往往会使我们的预测更加准确。

此外，SandBox 还提供半导体专用的可视化工具和量身定制的用户界面。

“然后我们有特定于半导体领域的可视化工具，”Chopra说。“我们的用户在消化真正大的多维流程步骤集方面需要的这些工具，我们有量身定制的UI体验。