Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
ASML développe une technologie de métrologie virtuelle pour la fabrication de semi-conducteurs avec le Machine Learning
« En tant qu'ingénieur de procédés, je n'avais aucune expérience des réseaux de neurones ou du machine learning. J'ai travaillé sur les exemples MATLAB pour trouver les meilleures fonctions de machine learning, pour générer de la métrologie virtuelle. Je n'aurais pas pu faire cela en C ou en Python : cela aurait pris trop de temps pour trouver, valider et intégrer les bons packages. »
Challenge
Solution
Résultats
- Leadership industriel établi
- Améliorations potentielles de la fabrication identifiées
- Frais de maintenance minimisés
Dans la nanofabrication, la photolithographie est l'étape fondamentale de structuration qui contrôle la taille d'une micropuce. Au cours de la photolithographie, une source d'énergie à faible longueur d'onde est conditionnée avec des optiques à travers une image dont la taille est ensuite réduite avec plus d'optiques en un mince film de produit chimique sensible à la lumière recouvrant un substrat, généralement du silicium. Cette étape est répétée jusqu'à ce que toute la surface disponible sur le substrat ait été exposée avec la même image ; le résultat est appelé une couche. Plusieurs couches exposées sont nécessaires pour créer les structures microscopiques complexes qui constituent une puce. Pour éviter les problèmes de rendement dus à des échecs de connexion entre les couches, tous les modèles entre les couches doivent s'aligner comme prévu.
Pour garantir l'alignement des couches sans affecter le débit, le système de photolithographie TWINSCAN d'ASML doit limiter le nombre de marques d'alignement qu'il mesure avant l'étape d'exposition. La règle générale est que le temps nécessaire pour mesurer les marques d'alignement ne peut pas être plus long que le temps nécessaire pour exposer la tranche précédente dans la séquence. En raison de la grande quantité de marques de superposition requises pour une correction appropriée du modèle de superposition, il n'est pas possible de mesurer chaque tranche sortant d'un système TWINSCAN.
ASML a utilisé MATLAB® et Statistics and Machine Learning Toolbox™ pour développer un software de métrologie par superposition virtuelle. Ce software applique des techniques de machine learning pour obtenir une estimation prévue de la métrologie de superposition pour chaque tranche, à l'aide des données de métrologie d'alignement.
« Le travail que nous avons réalisé avec MATLAB et le machine learning démontre notre leadership dans l'utilisation optimale de la métrologie existante », déclare Emil Schmitt-Weaver, ingénieur en développement d'applications chez ASML. « Les articles que nous avons publiés sur ces travaux ont suscité l'intérêt des clients cherchant à améliorer leurs processus de fabrication avec les produits ASML. »
Challenge
Comme Schmitt-Weaver n'avait aucune expérience dans le développement d'algorithmes de machine learning, il a décidé de ne pas développer les algorithmes en Python, C ou un autre langage de bas niveau. Il souhaitait développer rapidement un prototype, en s'appuyant sur des fonctions, déployées auprès d’une base d'utilisateurs d’ASML large et diversifiée, et gérées par des professionnels dédiés.
Solution
Schmitt-Weaver a utilisé MATLAB, Statistics and Machine Learning Toolbox et Deep Learning Toolbox™ pour développer une méthode de génération de métrologie virtuelle.
Pour commencer, Schmitt-Weaver a utilisé l'application de prédiction et de modélisation de séries temporelles de réseau neuronal pour apprendre à préparer les données à utiliser avec Deep Learning Toolbox. À l’aide de l’application, il a généré et exporté l’exemple de code, ce qui lui a permis de mieux comprendre comment les fonctions pouvaient être utilisées ensemble. Au fur et à mesure que ses compétences augmentaient, il a pu s'appuyer sur le code généré en utilisant des exemples issus de la vaste communauté d'utilisateurs multidisciplinaire de MATLAB Central.
Schmitt-Weaver a collecté des données de métrologie d'alignement à partir des systèmes TWINSCAN et des données de métrologie de superposition à partir des mêmes tranches à l'aide des systèmes YieldStar. Il a ensuite divisé l'ensemble de données en deux groupes, un pour entraîner le réseau et un pour le valider.
À l'aide de Deep Learning Toolbox et de Statistics and Machine Learning Toolbox, il a conçu un réseau autorégressif non linéaire avec des entrées exogènes (NARX) et l'a entraîné avec les données du groupe d’apprentissage.
Pour éviter de suradapter le réseau neuronal au groupe d’apprentissage, il a utilisé Deep Learning Toolbox afin de mettre en œuvre une régularisation automatisée avec un cadre bayésien.
Une fois le réseau entraîné, il lui a fourni les données de test et a vérifié ses résultats par rapport aux résultats mesurés par le système YieldStar.
ASML a utilisé les données collectées pour développer un prototype de contrôleur de superposition en temps réel dans MATLAB. Le réseau a fourni la base d'une amélioration potentielle du rendement, ainsi que la capacité d'identifier les tranches qui n'auraient peut-être pas reçu de métrologie de superposition.
Résultats
Leadership industriel établi. « En utilisant MATLAB pour améliorer la métrologie de superposition, nous avons démontré à nos clients que nous sommes leaders dans le développement de méthodes innovantes pour atteindre leurs objectifs de performances de superposition », déclare Schmitt-Weaver.
Améliorations potentielles de la fabrication identifiées. « Le réseau que nous avons conçu et entraîné dans MATLAB a identifié des erreurs de superposition systématiques et aléatoires qui autrement auraient pu passer inaperçues », note Schmitt-Weaver. « Ce degré d'amélioration des performances de superposition est nécessaire pour la fabrication de micropuces jusqu'au nœud de 5 nm et en dessous. »
Frais de maintenance minimisés. « Depuis les débuts de l'entreprise, les systèmes ASML utilisent des algorithmes MATLAB compilés », explique Schmitt-Weaver. « En m'appuyant sur la vaste base de données de scripts existants évalués par des pairs, j'ai pu concentrer mon attention sur les nouvelles fonctionnalités de machine learning. »
« Métrologie virtuelle de superposition pour la détection des défauts prise en charge par une métrologie et un machine learning intégrés », Proc. ESPION 9424, Métrologie, inspection et contrôle des processus pour la microlithographie XXIX, 94241T (19 mars 2015), doi:10.1117/12.2085475.
