解决缺陷检测中的大问题需要大数据

传统的摩尔定律(Moore’s Law)的比例正在急剧下降。然而，作为一个行业，我们需要加快步伐。如果我们不能足够快地开发和提升新的半导体工艺，并在它们达到大批量生产后保持产量，我们将面临巨大的技术和资金障碍，以推进云计算、人工智能(AI)、物联网(IoT)、我们手中的设备以及设计师们从未想过的更神奇的东西。

作为一名工程师，一定程度上要相信技术可以解决世界面临的任何问题。它能解决技术未来的基础问题吗?我们认为可以。

这是一系列关于检查缺陷检测和纠正的挑战的博客中的第二篇。的第一个博客概述了在制造先进半导体的生产过程中发现和纠正缺陷的问题。我解释说，由于三个挑战，行业遗留的缺陷检测方法不再像以前那样工作了。

第一个挑战是跟上飞行速度复杂性半导体工艺技术和器件结构。光学缺陷检测的主流工业方法是在一个简单得多的时代发展起来的，没有包括极小的线宽，将微小的有害粒子变成扼杀产量的缺陷，以及在3D特征创建和多重图案中使用的高度迭代过程，其中微妙的变化乘法产生不明原因的致命缺陷。

第二个是上升成本．每个晶圆片的加工步骤数量在飞速增长，高端光学检测系统的成本也在飙升。随着复杂性和处理步骤的增加，需要更多的检查点，而每次扫描的成本也在上升，这促使工程师减少检查，以帮助控制预算。

但这些并不是最难克服的检查问题，因此新技术节点可以更快地从研发转向大批量生产，并获得高收入和利润。第三个也是最艰巨的挑战是噪音．随着时间的推移，光学检测系统的灵敏度大大提高。例如，在一个12英寸的晶圆上，他们可以生产出一个带有一百万个潜在缺陷的晶圆图。然而，这些信号中的绝大多数只是麻烦，而不是扼杀产量的缺陷。但是，对于想要在时间和预算范围内调试流程的晶圆厂工程师来说，信号的巨大数量可能是无法承受的。因此，他们通常会使用过滤算法来获得更易于管理的数据集。

花那么多钱提高敏感性，然后故意过滤结果，从而减少需要分析的数据量，这似乎有违直觉。过滤本质上把大数据变成小数据。较小的数据集更有可能错过yield-killing缺陷因为讨厌粒子的相对大小和实际缺陷现在重叠(参见图1)。他们看起来一样的光学检查员,这个问题只会变得更糟,功能使用EUV光刻继续收缩。

此外，如果算法不够智能或适应性不够强，那么在原始晶圆片上工作良好的滤波方案可能无法检测到缺陷的变化，并过滤掉本可以检测到的致命缺陷。这种错误的安全感是危险的，而且可能非常昂贵。

应用研究公司的研究人员认为，理想的解决方案将朝着相反的方向发展:从小数据转向大数据。收集和分析尽可能多的数据。捕获每个yield数据签名，不管噪声如何，这样就不会错过任何东西。并在技术上取得突破，使你可以对特定的特征(缺陷和噪声)进行推断，这样当你看到并理解一个特征时，你就有机会在整个晶圆图上更快地推断出这种理解。通过快速分类所有潜在的缺陷，同时消除噪音，理想的解决方案将给工程师提供一份只需要注意的缺陷的可操作的晶圆图。没有更多的猜测。不用担心过滤后的数据中隐藏着什么。

今天，对潜在缺陷进行分类的工作是扫描电子显微镜的工作，就像Applied公司的行业领导者一样SEMVision®eBeam审查系统它被广泛应用于世界各地的晶圆厂。eBeam审查系统具有极高的像素分辨率，可用于查看和分类缺陷，以及从噪声中区分缺陷。然而，在如此高的分辨率下扫描晶圆需要大量的时间，所以工程师通常使用eBeam系统来检查晶圆的一小部分。这种速度上的不足使得大数据策略变得不切实际——除非我们能找到一种方法，将光学晶片检测的速度与电子beam的分辨率结合起来。

在应用亚博最新版本材料公司(Applied Materials)，我们已经讨论了一段时间，业界如何越来越多地采用新的策略来推动芯片性能、功率、面积/成本和上市时间(PPACt)的改善。为了在人工智能时代实现缺陷检测和纠正的现代化，或许该行业还需要一个过程控制的新剧本——一个提高高端光学检测的经济性，将我们从一个小数据的世界带到一个大数据的世界。请继续关注我的下一个博客，在那里我将描述应用程序是如何使这个世界成为可能的。