计算机辅助的开发方法,基于计算机辅助设计技术(TCAD)的工艺开发

随着半导体工艺开发和制造成本的快速上升和复杂程度不断加深,半导体制造商如今面临着前所未有的挑战。为了满足成本更低和功能更多的产品需求,半导体工艺的更新换代取决于不同器件类型的升级和集成——核心逻辑金属-氧场效晶体管(MOSFETs),嵌入式闪存,高压器件等——需要对制造设备和晶圆试验测试进行巨额投资才能实现工艺目标。而且,一旦新工艺投入制造,尽快实现制造良品率达到尽可能高的水平则变得越来越重要,甚至要保证采用新工艺制造的产品的获利能力。

为帮助减轻这些挑战,东芝已经开发出基于模拟的技术实现良率的快速提升,并减少工艺开发成本和时间。该方法在技术生命周期的各个阶段,从开发到制造,都依赖工艺和器件模拟软件的应用,即计算机辅助设计技术(TCAD)。这种技术适用性强,可以应用到其它半导体制造环境当中。

方法描述

计算机辅助设计技术(TCAD)方法依赖于特征尺度形貌模拟器Sentaurus Topography和硅工艺模拟器Sentaurus Process,其中包括三个阶段。

1. 工艺开发概念的设计和选择

2. 概念选择

3. 对批量生产进行工艺优化

开发工艺流程的第一阶段是对开发概念的设计和制定,移除无效工艺步骤和失效(或危险)的晶格。确认这些“危险晶格”对建立一个初始工艺流程至关重要,并为进一步优化打下坚实的基础。

这个确认过程是通过使用工艺模拟工具二维器件形状(Device D-2)来完成的,横截面形状通过形貌模拟器进行模拟,温度步骤如扩散和氧化过程则由工艺模拟器来完成。一旦整个工艺的轮廓制定完成,代表晶格被移除并核对,对这些晶格的横截面视图是否存在故障进行检查。

下一步骤开始进行晶圆测试,并对物理模型进行校准。对工艺流程变量进行优化,使该流程可以更适应制造过程中出现的变化。在最后阶段投入批量生产时,工艺流程的重点再次回到使用从生产环节获得的质量控制数据进行模拟,这些数据包括蚀刻速率、沉积率、氧化条件等,这些将被作为模拟器的输入数据。

通过这个方法,结合移除所谓的危险晶格,以及容易导致故障的工艺,减少检验工艺流程所需要的试验分裂条件数量,可以明显地减少开发时间,同时提供更适用的工艺进行批量生产。其结果就是:优化良率。

开发和制造阶段

图1为第一阶段移除危险工艺步骤和晶格。首先,用户确定获得横截面视图的位置。如A-A’或E-E’。

器件版图(左上图)及对其不同横截面进行分析(右侧)。底部为工艺流程。

7a7373f4ff584210afaeda0da1905d25.png

图1.器件版图(左上图)及对其不同横截面进行分析(右侧)。底部为工艺流程。

在给定工艺流程和所选择位置使用计算机辅助设计技术(TCAD)工具,通过观测检查每个晶格模拟结果的不同横截面视图。例如,在A-A’横截面的接触处形成孔隙;在B-B’ 横截面的接触处,在栅与接触之间对准精度不足可能导致失效;以及在C-C’横截面的接触开口处显然可能出现失效。

如图2所示,一旦工艺流程变的更加具体,对目标工艺流程中不同晶格的许多横截面视图进行系统检查,可使用自动建立和生成许多结构,这些结构可以覆盖大量的器件类型所使用的尖端工艺:n- 和p- 通道金属氧化物半导体(MOS)晶体管、嵌入式内存、输入/输出器件等。如果不能自动生成结构,则几乎不可能手动建立和模拟所需横截面视图。

为过滤危险晶格,计算机辅助设计技术(TCAD)工具可最多对代表晶格的截面通过最多150个工艺步骤对晶粒X进行系统检测,这几乎是手动所无法完成的。

9f03abe9686747a9716c0b26d3638ca0.png

图2.为过滤危险晶格,计算机辅助设计技术(TCAD)工具可最多对代表晶格的截面通过最多150个工艺步骤对晶粒X进行系统检测,这几乎是手动所无法完成的。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值