机器学习在半导体制造中的重要性提升

近年来，ML 的重大进步影响了计算机科学以外的多个领域，包括自动驾驶、结构色彩设计、医学和人脸识别。

ML 的功能可用于优化和自动化半导体制造过程和相关数据分析。已经进行了几项研究以在半导体制造中开发和应用不同的 ML 算法和模型，包括故障检测、设备生产、工艺优化和晶圆检测。

由于从现有半导体制造过程中获得的标记良好的历史数据的充分可用性，通常从经验中学习的监督判别 ML 模型可以提高未来的半导体设计和制造效率。

例如，多层感知器 (MLP) 分类器模型可以自动从故障图中识别上墨模式，并执行后处理以进行校正，从而无需在模具筛选期间对模具上墨进行人为干预。

同样，监督生成 ML 模型通常用于替代手动设计以提高可制造性。例如，基于条件生成对抗网络 (CGAN) 的 WellGAN 可用于版图设计阶段，自动生成模拟和混合信号 (AMS) 电路的版图，取代手动设计。

CGAN 还可以应用于光刻等制造过程，以根据给定的掩模图案有效地建模三维 (3D) 空间图像和抗蚀图案，从而显着提高制造效率。

机器学习在半导体制造中的应用

产量预测与分析

预测产品良率并了解工艺参数对良率的影响对于半导体制造至关重要，因为产品良率的下降与工艺参数的变化相互关联。用于模式识别的回归和卷积神经网络 (CNN) 等监督判别 ML 算法可以自动识别此类相关性。

例如，可以应用具有遗传算法 (GA) 选择特征的多元自适应回归样条 (MARS) 来有效地估计不同设计世代和制造过程的产量，从而显著减少所需制造或模拟数据的数量。

检测制造过程偏差

及早检测工艺挤压对于避免大量报废和测试成本以及潜在的质量问题至关重要。用于热点检查和异常模式识别的无监督生成 ML 算法（例如 GAN 或自动编码器）可用于基于探针晶圆图和工艺工具数据的偏移检测。

简化制造流程

无监督 ML 算法也可用于优化制造测试流程，例如启用封装老化 (BI) 消除，以识别「风险」材料并将它们发送到 BI 压力。例如，基于内核的聚类（KBC）算法是一种无监督学习，可以根据晶圆探针测试数据识别潜在的簇缺陷，并将有风险的芯片发送到封装 BI。

可制造性设计 (DFM) 工具的改进

考虑到所有关键指标和关键输入，ML，特别是深度神经网络 (DNN)，可用于改进和自动化 DFM 工具和检查器。可以训练 DNN 来预测潜在的设计失败/违规。

输入可以包括以前的客户质量投诉 (CQC) 数据库信息、良率标准、技术金属选项、物理集成和设计规则检查 (DRC)。每个需求的评分指南和具有相应优化目标的通过/失败标准也可以用作输入。

可以解释神经网络的决策以确定与预测的故障/违规相关的关键设计/布局特征。可以根据输出决策的高灵敏度来识别关键特性，并将其作为反馈提供给测试/设计过程。

其它机器学习应用

通过将晶圆的销售价格和成本价格作为优化因素，以 RoI 为优化目标，可以使用差分进化 (DE) 算法和 DNN 来提高晶圆生产率以提高投资回报率 (RoI)。

可以采用使用扫描电子显微镜图像作为输入的自动缺陷分类 (ADC) 系统来分类和识别晶圆表面缺陷。该系统可以使用 CNN 模型在没有人为干预的情况下有效地执行检测。

同样，基于 CNN 的迁移学习方法可用于晶圆缺陷分类，以显著降低 ML 计算成本。研究表明，该方法可以更准确地对缺陷图像进行分类。

不准确的晶圆通过/失败测试会对整个半导体制造产生不利影响。机器学习可用于预测和减少过程故障。例如，基于深度信念网络 (DBN) 的多分类器可以通过收集过程中传感器的信号自动评估晶圆测试，然后有效地预测故障检测。

未来展望

总而言之，ML 算法可以有效地用于半导体制造的多个领域，以实现自动化和优化。然而，需要更多的研究来解决有关 ML 应用的几个现有挑战。

例如，构建有效的通用 ML 模型所需的训练数据通常不足。ML 目标的泛化程度必须与训练数据的大小相匹配。此外，训练数据中的所有示例必须一致地表示目标和输入之间的隐藏关系。