要为苹果iPhone生产顶级芯片，比如A14，或者Nvidia的A100系列人工智能处理器，拥有数十亿个晶体管，需要一个耗资160亿美元的工厂来建造和维护。这一数字已从8年前的100亿美元上升到未来几年的180亿美元，并将再次大幅上升。
这给芯片行业带来了一个窘境：这种芯片比以往任何时候都更需要检查缺陷，但芯片制造商比以往任何时候都面临着更大的压力，要他们把产品推出去收回投资。
应用材料公司成像与过程控制集团副总裁基思•威尔斯说：“你自然应该想进行更多的检查，因为有更多的工艺步骤，更多的事情可能会出错，但如果你看看发生了什么，经济状况已经禁止我们的客户进行这种检查。”，最大的芯片制造工具制造商。
“我们看到有必要为我们的客户真正解决这个经济问题，”Wells说，他通过Zoom与ZDNet进行了交谈。许多工具被用来解决这个经济难题，Wells说，最有潜力的领域之一是人工智能，特别是人工智能的机器学习形式。
光学扫描仪，光线，在低分辨率下快速读取晶片，指出可能存在的缺陷。扫描电子显微镜SEMVision只对晶圆的各个部分进行较慢的扫描，将可疑缺陷仔细分类为良性异常或严重缺陷。机器学习分类器ExtractAI使用SEMVision的输出来识别更多值得仔细检查的区域，并指导SEMVision进行查看。
今年3月，该公司推出了Enlight，这是一款历时5年开发的扫描仪，于2019年在beta版中部署。
Enlight使用光偏振来最大限度地提高分辨率，并在典型光学扫描仪的一半时间内发现关键缺陷。该扫描仪将首次捕获晶圆表面反射的直射光和散射光，分别称为“亮场”和“灰场”。这就好比一次扫描两件东西，节省了一半的时间。
但是，除了新的光学元件外，扫描仪将采用可变的算法，而不是硬连线。这为使用机器学习的学习函数的算法开辟了道路。
随着越来越多的粒子出现在晶圆上，芯片制造商必须找出哪些粒子实际上对芯片是致命的。真正糟糕的缺陷的例子是“开路”，即一个电路断开，或“短路”，即两个相互平行的电路被落在它们之间的粒子桥接，也称为桥接。
这导致了一个分类问题，这是一个典型的机器学习任务：这个缺陷是致命的吗，或者可以管理？
应用系统可以训练检测两种缺陷：一种是电路断开时的“开路”，另一种是电路短路，也称为电桥，两个相邻的电路意外地被一个粒子连接起来。
“当你降到5纳米时，“如果一个粒子落在一个开放的区域，你不在乎，它不太可能影响电路，”威尔斯解释说但如果落在晶体管的顶部，很可能会杀死芯片，“这意味着硅片的一部分无法使用。芯片制造就是从一个晶圆（已知的好的芯片）上能得到多少芯片。这个指标就是芯片制造的“收益率”。
威尔斯说：“因此，我们的客户不仅想知道晶圆上有什么，而且想知道什么是或不可能杀死晶圆的，所以你必须在这两件事之间进行分类。”。一个快，一个慢。由于Enlight扫描仪比以前的扫描仪速度更快，因此能够在制造过程中更频繁地使用，从而收集更多潜在缺陷的图像。在15分钟到1小时内，它将产生可能是致命缺陷的100万张图像，或者可能只是散射光中的噪音。
那些潜在的efects被提供给一个单独的工具，称为SEMVision，它进行分类。SEMVision是一种扫描电子显微镜。它用聚焦的电子束扫描晶圆表面。它看起来更慢，分辨率更高，仅仅是由光线所暗示的晶圆的一部分。它需要查看由Enlight发出的潜在缺陷，看看它们是开口还是桥，或者可能是无害的突起。它把它看到的东西分类。
扫描需要30分钟，然后是45分钟。”威尔斯解释说：“这些技术协同工作，用光学系统进行探测，用eBeam工具进行非常高分辨率的复查。”在人工智能的初始训练中，它会告诉你产量杀手缺陷的预测。”
来自Enlight和SEMVision的数据都会被发送到第三个系统，一个运行一个叫做ExtractAI程序的基于机架的计算机。该程序计算出一段晶圆的概率，并能告诉SEMVision如何使用其缓慢的方法来检查其他区域。
“ExtractAI说，我查看了最后15个放入这个n维空间的缺陷，它们都是桥，所以现在我对所有这些都是桥非常有信心，”Wells解释道别再看那些区域了，去抽样这些人群，然后取50或100个，然后它通过SEMVision和ExtractAI计算机之间的这种前后向的通信来遍历这些区域。”
Wells说，反馈回路在AI的使用中是新的。传统的扫描电子显微镜使用一套静态的规则来分类缺陷。
“你听到人们说我们使用人工智能，但他们建立了一个静态分类器，然后必须有人来决定这个分类器是否不再好了，过程已经改变了，”威尔斯解释说。
相比之下，“这种分类方案不断地进行调整和自我更新，”他在谈到ExtractAI时说。
“每一个经过Enlight并被发送到SEMVision的晶片，都会进入一个实时AI过程，学习和调整我们的分类器，以找出什么是破坏产量的缺陷，什么是令人讨厌的缺陷。从启蒙到视觉再到提取的每一个周期都在重新“试图优化输出”。
“我们正在使用一种适应性学习方法，这是独一无二的，”他说。这意味着“每一个晶圆，我们都在适应我们所看到的，每一个晶圆，AI都在做决定，并试图优化结果。”
提取器，一旦经过训练，就可以使用整个百万个感兴趣的点来对整个晶圆表面进行分类。”我们给出了一个实际的缺陷图，它比竞争对手能做的更准确，更有价值，”威尔斯说。
成就是多种因素的汇合。用光线进行光学扫描的速度加快，使人们比看扫描电镜（SEM）的结果更早地看到更多的东西。但是更快的计算机算法所带来的计算能力允许不断的重新训练。
他说：“半导体行业正在发生这种协同效应，突然之间CPU和GPU的速度足够快，你就可以开始部署人工智能，并迅速获得结果。”“使这种技术近乎实时的计算元素，你在几秒钟内就能得到答案，“Wells以受保护的知识产权为由，不愿透露机器学习算法的具体细节。鉴于数据点较少，他明确表示，这并不是真正的深度学习。
“它比神经网络更接近于传统的机器学习，我们走上这条道路的一个原因是神经网络非常需要数据，”威尔斯说，“我们有大数据，但如果你看看谷歌图像分类器，它们的设置是数十万个数据点，然而，我们有数千个数据点。“最初，为了让晶圆检查开始并运行，对这数千个数据点有效的方法”更接近于机器学习方法，即提取“感兴趣”的属性，然后使用技术找出哪些属性在分类中最重要。”请记住，工厂是一个安全的设施。它不在互联网上，也没有外部连接到芯片厂的工具，韦尔斯指出。
“当你想办法做到这一点时，你可以从一个算法开始，这个算法有一些权重，但不包含任何人的IP，”他说但是，要进行培训的所有附加数据只能在现场生成，在该工厂，我们不能引入一堆其他数据点。”
Wells说，Enlight和SEMVision and ExtractAI的直接经济回报是，组合工具检查晶圆的频率提高了1.6倍，从而有更多的机会发现致命缺陷。随着时间的推移，Applied相信越来越多的工具，如ExtractAI，将增加人类制造技术人员的工作，从而有助于缩小产量差距，即欲望和实际产出之间的差距。
ExtractAI工具迄今为止只用于逻辑电路，Wells说，目前正在向DRAM和NAND内存芯片制造商推出测试版。
Copyright © 2017-2023 soword.cn SOWORD科技言
网站地图 BUG反馈 联系我们 用户隐私
栖族科技开发服务中心
浙公网安备 33011002016917号
京ICP备19009350号-2
soword科技言免费资源网站，免费API接口，免费开发模板，免费开发工具，开发技术问题，汉化版免费开发工具，API接口，开发教程，免费教程
SOWORD科技言
