une, Principe de fonctionnement de la méthode démontrée. Les échantillons testés étaient des dispositifs semi-conducteurs multicouches avec des couches alternées d'oxyde (SiO2) et de nitrure (Si3N4) sur un substrat de silicium. Pour obtenir les données spectroscopiques, des ellipsomètres et réflectomètres commerciaux installés dans les lignes de production de semi-conducteurs ont été utilisés. Pour le modèle d'apprentissage automatique, les données spectrales mesurées et chaque épaisseur de couche ont été utilisées comme entrée et sortie, respectivement. b, Résultats de prédiction d'épaisseur pour les 23 échantillons d'essai. L'épaisseur prévue (cercles rouges) correspond bien à l'épaisseur réelle (triangles bleus), quel que soit le matériau ou la position de la couche, avec une prévision moyenne RMSE d'environ 1,6 Å. c, Résultats de détection de périphériques aberrants. Dix-sept échantillons normaux et deux échantillons aberrants ont été préparés pour le test. Tous les échantillons normaux et aberrants sont classés avec succès. Crédit :Hyunsoo Kwak, Sungyoon Ryu, Suil Cho, Junmo Kim, Yusin Yang, et Jungwon Kim
Avec la récente demande explosive de stockage de données, allant des centres de données aux divers appareils intelligents et connectés, le besoin de dispositifs de mémoire de plus grande capacité et plus compacts ne cesse d'augmenter. Par conséquent, les dispositifs semi-conducteurs passent maintenant de la 2-D à la 3-D. La mémoire flash 3-D-NAND est le dispositif semi-conducteur 3-D le plus réussi aujourd'hui, et sa demande de prise en charge de notre monde axé sur les données augmente maintenant de façon exponentielle.
La loi d'échelle pour les dispositifs 3-D est obtenue en empilant de plus en plus de couches semi-conductrices, bien au-dessus de 100 couches, d'une manière plus fiable. Comme chaque épaisseur de couche correspond à la longueur effective du canal, une caractérisation et un contrôle précis de l'épaisseur couche par couche sont essentiels. À ce jour, Malheureusement, non destructif, une mesure précise de chaque épaisseur de couche d'une telle structure de centaines de couches n'a pas été possible, ce qui crée un sérieux goulot d'étranglement dans la future mise à l'échelle des appareils 3D.
Dans un nouvel article publié dans Lumière :fabrication de pointe , une équipe d'ingénieurs du Korea Advanced Institute of Science and Technology (KAIST) et de Samsung Electronics Co. Ltd., dirigé par le professeur Jungwon Kim de KAIST, Corée du Sud, a développé une méthode de caractérisation non destructive de l'épaisseur en combinant mesures spectrales optiques et apprentissage automatique. En exploitant la similitude structurelle entre les empilements multicouches semi-conducteurs et les miroirs multicouches diélectriques, mesures optiques spectroscopiques, y compris les mesures ellipsométriques et de réflectance, sont employés. L'apprentissage automatique est ensuite utilisé pour extraire la corrélation entre les données de mesure spectroscopique et l'épaisseur des multicouches. Pour plus de 200 couches d'empilement multicouches d'oxydes et de nitrures, l'épaisseur de chaque couche sur l'ensemble de l'empilement a pu être déterminée avec une erreur moyenne quadratique moyenne d'environ 1,6 Å.
En plus de la détermination précise de l'épaisseur multicouche dans des conditions normales de fabrication, ce qui est utile pour contrôler les processus de gravure et de dépôt, l'équipe de recherche a développé un autre modèle d'apprentissage automatique qui peut détecter les valeurs aberrantes lorsque les épaisseurs de couche varient considérablement par rapport à la cible de conception. Il a utilisé un grand nombre de données spectrales simulées pour une formation plus efficace et économique, et pourrait détecter avec succès les appareils défectueux et l'emplacement exact de la couche erronée dans l'appareil.
"L'approche d'apprentissage automatique est utile pour éliminer les problèmes liés à la mesure, " dit Hyunsoo Kwak, doctorant au KAIST et premier auteur de l'étude. "En utilisant des données spectrales injectées de bruit en entrée de l'algorithme d'apprentissage automatique, nous pouvons éliminer diverses erreurs des instruments de mesure et les changements de propriétés des matériaux dans différentes conditions de fabrication, " il ajouta.
"Cette méthode peut être facilement appliquée pour l'inspection totale de divers dispositifs semi-conducteurs 3-D, " a déclaré le professeur Kim, "ce qui est illustré par le fait que toutes les données utilisées dans ce travail ont été obtenues dans des lignes de fabrication commerciales 3-D NAND de Samsung Electronics."
