Mit kalibrierten virtuellen Zwillingen und Machine Learning lässt sich die DRAM1. dynamic random access memorySpeichertechnologie beziehungsweise System zur dauerhaften oder temporären Ablage digitaler Informationen.2. dynamic random-access memoryDRAM ist ein flüchtiger Arbeitsspeicher-Fertigungsoptimierung deutlich beschleunigen. Im Mittelpunkt steht ein digital nachgebildeter Prozessfluss, der Prozessschwankungen in einer kontrollierten Umgebung reproduziert und dadurch die Analyse von Ausbeuteverlusten verkürzt. Statt einzelne Fehlerbilder nacheinander zu untersuchen, können mehrere Fehlermodi gleichzeitig bewertet werden.
Das zugrunde liegende Vorgehen kombiniert ein virtuelles Fertigungsmodell mit einer Optimierung auf Basis von Machine Learning. So lassen sich Prozessfehler vorhersagen, verschiedene Ursachen parallel untersuchen und mögliche Prozessänderungen vergleichen, ohne dafür in großem Umfang auf reale Waferexperimente angewiesen zu sein. Gerade bei zunehmender Prozesskomplexität wird diese verkürzte Analyse als Vorteil dargestellt.
Als Beispiel wurde ein virtueller Zwilling für eine DRAM1. dynamic random access memorySpeichertechnologie beziehungsweise System zur dauerhaften oder temporären Ablage digitaler Informationen.2. dynamic random-access memoryDRAM ist ein flüchtiger Arbeitsspeicher-Prozessfolge aufgebaut und mit virtueller Metrologie versehen. Während des Modellaufbaus wurden Messpunkte entlang der gesamten Prozesskette definiert. Anschließend wurde das Modell mit Siliziumdaten kalibriert, damit es beobachtetes Fertigungsverhalten besser abbilden kann und als Basis für die weitere Fehleranalyse dient.
In dem betrachteten Fall enthielt der virtuelle Zwilling acht bekannte systemische Fehlermodi. Dazu gehörten unter anderem Kurzschlüsse, Unterbrechungen und Überlappungsfehler an kritischen DRAM1. dynamic random access memorySpeichertechnologie beziehungsweise System zur dauerhaften oder temporären Ablage digitaler Informationen.2. dynamic random-access memoryDRAM ist ein flüchtiger Arbeitsspeicher-Strukturen. Jeder Fehlermodus wurde in eine messbare geometrische Bedingung übersetzt und über die virtuelle Metrologie überwacht, sodass sich mehrere Fehlerarten automatisch und innerhalb einer einzigen Untersuchung erfassen ließen.
Auf dieser Grundlage wurde Machine Learning eingesetzt, um den Einfluss von Prozess- und Strukturvariation auf die acht Fehlermodi zu bewerten. Anschließend suchte die Optimierung nach einem veränderten Fertigungsfenster mit möglichst niedriger Fehlerquote über alle betrachteten Mechanismen hinweg. Statt jeden Fehlermodus separat zu behandeln, bewertete das Verfahren mehrere Prozessänderungen gleichzeitig und suchte nach Zielwerten mit besserer Gesamt-Passrate.
Die optimierten Prozesseinstellungen reduzierten alle acht Fehlermodi spürbar. Unter den nominalen Prozessbedingungen lag die vorhergesagte Gesamtausbeute bei 0,1 %. Nach der Optimierung stieg sie auf 78,5 %. Zusätzlich wurden die gefundenen Lösungen in konkrete Inline-Fab-Zielwerte übersetzt, die direkt auf den realen Prozess anwendbar sein sollen.
Der Ansatz zeigt, wie sich Prozessmodelle und Machine Learning für die DRAM1. dynamic random access memorySpeichertechnologie beziehungsweise System zur dauerhaften oder temporären Ablage digitaler Informationen.2. dynamic random-access memoryDRAM ist ein flüchtiger Arbeitsspeicher-Entwicklung kombinieren lassen, um Ausbeuteverbesserungen schneller zu erreichen. Durch die kalibrierte digitale Umgebung, die simultane Optimierung und die Rückübersetzung in umsetzbare Prozessziele lassen sich Fehlermodi früher erkennen und größere Lösungsräume mit weniger Zeit- und Kostenaufwand untersuchen.