在当今集成电路制造工艺中，化学机械抛光（CMP）扮演着不可或缺的关键角色。随着芯片设计日益紧凑、工艺节点不断向更先进尺寸迈进，CMP之后的平坦性变化直接决定制造成败。这种变化原本可以通过合理手段加以控制——关键在于建模。 为了减轻CMP工艺可能带来的负面影响，大多数IC制造商已将CMP建模纳入可制造性设计流程，用于检测前道工序（FEOL）和后道工序（BEOL）层中的潜在薄弱环节。CMP弱点分析的目标是精准定位抛光后缺陷概率明显高于平均水平的区域。不同材料在CMP工艺下腐蚀速率各异，这就要求芯片内部密度分布保持稳定，从而防止凸起或凹陷的产生，避免金属互连出现短路和断路。简而言之，CMP分析就是评估版图各区域的表现，确保多层结构构建过程中芯片整体拥有均匀的平坦性。 近年来，随着高介电常数金属栅极（HKMG）技术的普及以及额外CMP步骤的引入，加上双重曝光与三重曝光导致光刻成本上升、焦深要求提高，再加上CMP模型自身精度的持续提升，整个行业对CMP建模的关注度显著增强。 ### 构建CMP模型 CMP建模的发展历史由来已久，从单材料、双材料抛光模型的探索，到各类沉积与蚀刻工艺的仿真，技术路线持续演进。背后的核心思路其实并不复杂：首先提取版图上图形的几何属性，再模拟经过蚀刻和一系列沉积步骤后、CMP之前的表面轮廓，最终预测不同图形区域在CMP完成后的表面形貌。 具体做法是将芯片划分为固定大小的重复单元，对每个单元提取图形的平均几何特征——如宽度、间距、图形密度和周长——然后执行蚀刻、沉积和CMP的仿真。这里采用了有效的沟槽逼近方法，来模拟每个重复单元的结构（图1）。每个重复单元实际上代表一个具有给定几何特征的沟槽，它包含两个关键高度数据：ZT和ZNT，分别对应沟槽内部和外部材料的高度。 图1：几何数据提取与有效沟槽逼近示意图。 在CMP仿真过程中，蚀刻、沉积和抛光模型会驱动ZT和ZNT数据的变化，同时每个重复单元的几何数据也随之动态调整。抛光模型以CMP前的表面轮廓数据作为输入，这些数据来源于沉积模型或前一次抛光步骤的计算结果。需要特别注意的是，第一轮抛光始终以沉积完成后的轮廓作为起点。而沉积后的表面轮廓并非平坦，本身存在起伏。因此，要实现高质量的CMP建模，必须配备一套与制造商实际使用的沉积工艺相匹配的模型，才能生成准确的输入轮廓，为后续仿真打下坚实基础。 CMP建模的关键一步是利用测试芯片的测量数据来构建模型。测试芯片通常由周期性排列、宽度各异、间距不同的平行沟槽阵列块组成（图2）。选择测试芯片的尺寸和结构数量时，必须确保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）。腐蚀和凹陷数据的收集通常借助原子力显微镜（AFM）扫描仪或其他轮廓探测工具，对测试图形进行行扫描，如图2所示。只要掌握了叠层信息和材料厚度，就可以将这些数据转换为ZT和ZNT表面轮廓高度数据。 图2：CMP测试芯片与AFM行扫描，包含腐蚀和凹陷定义。 CMP工艺本身复杂且影响深远，因此生成高质量的CMP前表面轮廓对精确建模至关重要。即便采用先进的沉积工艺，已曝光晶圆的沉积后轮廓也不可能完全均匀，差异可能相当显著，直接影响CMP后的表面平坦性。对三维原子力显微镜和透射电子显微镜数据的分析表明，CMP前的轮廓高度对底层图形的几何形状呈现出复杂的依赖关系，具体涉及以下几类工艺： - 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） 在FEOL层的浅沟槽隔离（STI）和CMP建模中，HDP-CVD与SOD的沉积模型已经得到成功应用。而FCVD和eHARP工艺则更具挑战性，因为它们包含多个沉积和退火步骤来填充沟槽，基于物理特性构建模型或进行简化十分困难。不过，通过对测量数据进行机器学习算法的灵敏度分析，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，长远影响反而是次要的。基于这一发现，可以借助底层图形的几何特征作为输入，采用神经网络（NN）回归计算来对CMP前表面轮廓进行建模。随后，这个CMP前轮廓再作为输入，用于后续的CMP建模。 ### 神经网络配置 如今，机器学习、神经网络和深度学习已经渗透到工业与生活的各个领域。它们“学习”并分析、预测不精确数据的能力，大幅提升了语音识别、语言翻译、基因组学、药物发现、计算机视觉、自动驾驶等技术的水平。 一个极具潜力的新应用方向，就是利用神经网络对沉积后表面轮廓进行建模。具体做法是：通过Calibre® CMP ModelBuilder和Calibre CMP Analyzer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），将这些特征作为多层神经网络的输入，从而生成表面轮廓高度数据的预测（图3）。 图3：包含两个隐藏层的多层前馈神经网络结构。 神经网络的输入层接收这些几何数据，输出层则生成预测的腐蚀和凹陷数据。为简化问题，本文不考虑沉积后的任何几何形状变化。网络通过高级学习算法进行训练，训练集来源于沉积后从CMP测试芯片收集的实测结果。训练好的神经网络在测试芯片或生产设计上运行，进行测试和验证。实验中分别尝试了含一个、两个或更多隐藏层的神经网络来拟合腐蚀和凹陷数据。为了让模型能够很好地泛化到未知数据，合理的策略是从最少的隐藏层和神经元开始，然后逐步增加数量以更好地拟合验证数据，同时警惕过拟合。针对当前所涉及的工艺表面轮廓建模，确定两个隐藏层已足够，无需使用更深的网络架构。 首先，用神经网络模拟HDP-CVD和SOD工艺的CMP前轮廓，Calibre CMP ModelBuilder工具中提供了相应的简化模型。利用测量数据，构建了用于训练神经网络的训练集。接着，使用该工具对测量数据和模型生成的仿真数据进行了验证。最后，将这种方法应用于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模型的实用性与准确性，围绕四种沉积工艺开展了实验：HDP-CVD、SOD、FCVD、eHARP。 **HDP-CVD工艺建模**：HDP-CVD工艺最初用于STI，如今它与高纵横比沉积工艺一起，广泛应用于不同氧化物的沉积。在HDP-CVD过程中，沉积和离子溅射同时发生，因此有效区域上会形成三角形和梯形形状。这些形状随底层有效区域图形几何形状的变化而变化，导致沉积的氧化物厚度出现差异（图4）。 图4：HDP-CVD后表面轮廓的横截面视图。 从测试芯片的AFM行扫描数据中收集腐蚀和凹陷数据，然后构建成适用于神经网络输入的训练数据集（表1）。