利用神经网络进行 CMP 氧化物沉积表面轮廓建模

作者：时间：2021-01-28来源：收藏

简介

本文引用地址：http://www.amcfsurvey.com/article/202101/422484.htm

化学机械抛光 (CMP) 是当今集成电路 (IC) 制造工艺中的关键作业。由于设计极其紧凑，并且缩小到最先进的工艺技术节点，CMP 后的平面性变化可能会对制造成功产生重大影响。

为了减轻 CMP 工艺的负面影响，大多数 IC 制造商使用 CMP 建模来检测前道工序 (FEOL) 和后道工序 (BEOL) 层中的潜在弱点，作为其可制造性设计 (DFM) 流程的一部分。CMP 弱点分析旨在寻找设计中经过 CMP 后出现缺陷的概率高于平均值的区域。不同材料在 CMP 工艺下会表现出不同的腐蚀速率，因此芯片的密度平衡必须保持稳定，以防止出现凸起和凹陷，避免造成金属互连短路和开路。CMP 分析会衡量版图的各个方面，以确保在多层上构建芯片时具有均匀的平面性。

高电介质金属栅极 (HKMG) 技术和额外 CMP 步骤 [1, 2] 的引入，双重和三重曝光导致的光刻高成本，强焦深 (DOF) 要求，以及 CMP 模型的精度提高，都提升了业界对 CMP 建模的关注度 [3-6]。

构建 CMP 模型

CMP 建模有很长的历史，包括单材料和双材料抛光的建模，以及众多沉积和蚀刻工艺的建模 [6]。CMP 建模背后的主要思路是：提取版图上图形的几何属性，在蚀刻和诸多沉积步骤之后生成 CMP 前的表面轮廓，以及预测版图上不同图形的 CMP 后表面轮廓。

芯片被划分为固定大小的重复单元，对于每个重复单元，提取并传送图形的平均几何特征

（例如宽度、间距、图形密度和周长），然后进行蚀刻、沉积和 CMP 仿真。利用有效的沟槽逼近来模拟为每个重复单元定义的结构（图 1）。一个重复单元代表一个具有给定几何特征的沟槽，它有两个高度数据 —— ZT 和 ZNT，分别定义沟槽内材料的高度和沟槽外材料的高度。

图 1：几何数据提取和有效沟槽逼近。

在 CMP 仿真期间，蚀刻、沉积和抛光模型仿真 ZT 和 ZNT 数据的变化，以及每个重复单元的几何数据变化。抛光模型使用 CMP 前表面轮廓数据作为输入，该数据由沉积模型或前一抛光步骤产生。第一抛光步骤总是使用沉积后轮廓作为输入。沉积后的表面轮廓不是平面性的，含有变化。因此，为实现高质量 CMP 建模，必须有一组与制造商使用的沉积工艺相对应的沉积模型，以产生用于 CMP 仿真的正确输入轮廓。

CMP 建模的一个关键步骤是使用来自测试芯片的测量数据构建模型。CMP 测试芯片通常由周期性放置的不同宽度的平行沟槽阵列块组成，沟槽之间的间距也有差异（图 2）。选择测试芯片的尺寸和结构的数量时，必须让它能很好地覆盖技术节点所支持的宽度、间距、周长和图形密度值，同时不违反设计规则检查 (DRC)。常常使用原子力显微镜 (AFM) 扫描仪或其他轮廓探查工具对测试图形进行行扫描来收集腐蚀和凹陷数据，如图 2 所示。知道叠层信息和材料厚度后，便可将腐蚀和凹陷数据转换成 ZT 和 ZNT 表面轮廓高度数据。

图 2：CMP 测试芯片和 AFM 行扫描，含腐蚀和凹陷定义。

由于 CMP 十分复杂且影响长远，生成高质量的 CMP 前表面轮廓对于 CMP 精确建模至关重要。即使采用先进的沉积工艺，已曝光晶圆的沉积后（CMP 前）轮廓也是不均匀的，可能有很大差异，影响 CMP 后的表面上平面性。对三维 (3D) 原子力显微镜 (AFM) 和透射电子显微镜 (TEM) 数据的分析表明，CMP 前轮廓高度对以下各项的底层图形几何形状有复杂的依赖关系：

■ 高密度等离子体 CVD (HDP-CVD)

■ 旋涂式电介质 (SOD)

■ 流动式 CVD (FCVD)

■ 增强型高纵横比工艺 (eHARP)

FEOL 层的浅沟槽隔离 (STI) 和 CMP 建模表明 HPD-CVD 和 SOD 沉积模型成功应用于 CMP建模。

与此同时，为 FCVD 和 eHARP 工艺构建基于物理特性的模型或简化模型则很困难，因为这些工艺包含若干沉积和退火步骤以填充沟槽。我们研究了通过机器学习 (ML) 算法对测量数据进行灵敏度分析，结果显示这些工艺的沉积后表面轮廓主要取决于底层图形几何形状，而长远影响是次要的。借助此信息，我们可以使用底层图形的几何特征作为输入，将神经网络 (NN) 回归计算应用于 CMP 前表面轮廓的建模。然后，CMP 前轮廓用作 CMP 建模的输入。

神经网络配置

机器学习、神经网络和深度学习在现代工业和生活的不同领域中有许多应用。它们“学习”如何分析和预测不精确数据的能力，大大提高了语音识别和语言翻译、基因组学和药物发现、计算机视觉、自动驾驶汽车以及许多其他领域的技术水平 [7]。

一种潜在的新用途是将神经网络应用于沉积后表面轮廓建模。该方法的工作原理如下：利用 Calibre® CMP ModelBuilder 和 Calibre CMPAnalyzer 产品从版图中提取图形的局部几何特征（宽度、间距、图形密度和周长），并将其用作多层神经网络的输入，以生成表面轮廓高度数据预测（图 3）。

图 3：具有两个隐藏层的多层前馈神经网络。

神经网络的输入层获取此几何数据，网络在输出层上生成预测的腐蚀和凹陷数据。为简便起见，本文不考虑沉积后的任何几何形状变化。神经网络经过高级学习算法的训练，训练集由沉积后从 CMP 测试芯片收集到的测量结果构成。经过训练的神经网络在测试芯片或生产设计上运行，以进行测试和验证。我们考虑用含一个、两个或更多隐藏层的神经网络来拟合腐蚀和凹陷数据。为将模型很好地泛化到未知数据，应该从最少数量的隐藏层和神经元开始，然后持续增加数量以更好地拟合验证数据，但应避免过拟合。针对我们的模型，我们确定两个隐藏层对于对所涉工艺的表面轮廓建模是最佳的，无需使用更深层架构（即具有许多隐藏层的神经网络）。

首先，我们利用神经网络模拟 HDP-CVD 和 SOD 工艺的 CMP 前轮廓，Calibre CMP ModelBuilder 工具中提供了其简化模型。使用测量数据，我们生成了用于训练神经网络的训练集。接下来，我们运用 Calibre CMP ModelBuilder 工具对测量数据和模型生成的仿真数据进行了验证。最后，我们将该神经网络应用于 FCVD 和 eHARP 工艺的 CMP 前轮廓建模。

神经网络在 CMP 轮廓建模中的应用

为了测试利用机器学习和神经网络生成 CMP 模型的实用性和准确性，我们使用以下四种沉积工艺进行了实验：HDP-CVD、SOD、FCVD、eHARP。

HDP-CVD 工艺建模：HDP-CVD 工艺最初用于 STI，但如今它与芯片制造中高纵横比沉积工艺一起，广泛用于不同氧化物的沉积。在 HDP-CVD 期间，沉积和离子溅射过程同时发生，因此有效区域上会出现三角形和梯形形状。这些几何形状随着底层有效区域图形几何形状而变化，导致沉积的氧化物厚度有差异（图 4）。