# 机器学习与深度学习在半导体制造中的应用：提升良率的实战教程 在半导体制造领域，良率直接决定了成本与利润。机器学习（ML）与深度学习（DL）正逐步成为晶圆厂优化工艺流程、快速识别缺陷、提升良率的关键技术。本教程将深入解析这些技术在多个制造环节中的实际应用，涵盖缺陷自动分类、蚀刻工艺优化、深层缺陷检测以及芯片贴装检测，并分享实用技巧与常见问题解答。 --- ## 一、机器学习为什么对半导体制造如此重要？ 从总体成本来看，良率直接影响芯片量产成本以及企业收益与利润。良率越高，每颗芯片分摊的成本就越低。传统方法依赖于人工经验，但在日益复杂的数据和工艺面前，机器学习、人工智能等新兴技术能够： - 识别超出人类视觉范围的图形模式 - 快速完成缺陷分类 - 从嘈杂的过程控制中提取关键信息 正如CyberOptics总裁Subodh Kulkarni所说：“通过提取异常值，并在更高一个级别集成，从而将良率提升到新的高度。” > **小提示**：并非所有问题都需要机器学习。在现有成熟方案（如2X或3X Cpk改进）已经足够好的情况下，盲目追求ML可能并非最佳选择。ML是工具箱中的重要工具，但并非唯一。 --- ## 二、缺陷自动分类（ADC）—— Synopsys决策树神经网络 ### 2.1 背景：传统CNN的局限 使用光学显微镜或SEM图像的自动缺陷分类（ADC）是晶圆厂中最广泛的缺陷分析方法。许多先进的ADC基于卷积神经网络（CNN），但传统CNN难以达到半导体所需的高分类精度，且成本高昂。 ### 2.2 Synopsys的解决方案：决策树深度学习 Synopsys工程师研究发现，一种**决策树深度学习方法**能够对98%的缺陷和特征进行分类，重新训练时间相比传统CNN快60倍。该方法采用8个CNN和ResNet对SEM与光学工具图像中的12种缺陷类型进行自动分类。 *图1：使用决策树NN对十几种缺陷类型进行分类，结合多个卷积神经网络以实现更高分类准确性（图源：Synopsys/IEEE ASMC）* #### 工作原理： - **选择ResNet**：因为它在多分类问题（如卫星图像分类）中表现优异，并且是首个超过人类视觉的ImageNet冠军。 - **自学习机制**：当分类置信度低于阈值时，将图像标记为“未知”。工程师检查并标注这部分占2%的未知缺陷，然后重新训练特定的DNN。 - **决策树结构**：根据缺陷的物理特征分为类和超类，形成4级决策树。允许单独重新训练某个分支，而非整个网络，显著节省计算资源。 *图2：决策树神经网络可重新训练单个分支，减少计算资源需求（图源：Synopsys/IEEE ASMC）* > **小提示**：该程序运行时间为98分钟，远低于传统CNN。如果你有分类精度需求且数据量中等，可考虑类似的分层策略。 --- ## 三、深沟槽蚀刻工艺优化—— Macronix的机器学习模型 ### 3.1 问题：3D NAND深沟槽蚀刻的挑战 在3D NAND器件中，深沟槽狭缝蚀刻有两个关键参数：**底部CD（BCD）** 和**多晶硅蚀刻凹槽深度**（也称为蚀刻停止）。底部CD过小会导致字线短路，第一层多晶层穿孔则会导致结构崩溃。传统方法难以满足跨晶圆均匀性要求。 ### 3.2 机器学习加速优化 Macronix团队转向机器学习模型，在有限的数据库规模下，通过神经网络建模进行虚拟轮廓预测和验证，快速优化晶圆中心、中间和边缘的蚀刻BCD与多边形凹槽。 #### 7步模型流程： 1. **数据收集** — 获取中心、中间、边缘的SEM横截面 2. **数据挖掘** — 识别对BCD、聚乙烯凹槽的可变影响（如O2流量、蚀刻时间、功率等） 3. **模型设置** 4. **模型选择** 5. **模型检查** — 通过测试数据验证，不通过则返回第3步 6. **预测** — 确定理想的底部CD和多边形凹槽值 7. **精度检查** — 使用实际蚀刻剖面进行验证 重复步骤2-7直到达到目标结果。神经网络采用4层结构：12个蚀刻变量输入第一隐藏层（6个激活函数），第二隐藏层（8个激活函数），由TanH、线性和高斯函数组成。可同时预测中心、中间、边缘的BCD与多边形凹槽值。 *图3：四层前馈神经网络模型同时预测晶圆不同位置的底CD和多晶凹槽（图源：Macronix，IEEE ASMC）* #### 验证结果： - 模型精度 >92% - 与已知数据相比，R² = 0.78~1，相关性良好 - 成功找到可在晶圆上获得所需BCD与多边形凹槽值的理想工艺条件 *图4：最终深沟槽蚀刻过程，通过4层神经网络快速调整（图源：Macronix，IEEE ASMC）* > **小提示**：即使数据库规模有限，机器学习仍可通过虚拟轮廓预测加速开发。关键在于选择合适的神经网络层数和激活函数。 --- ## 四、3D NAND深层缺陷检测—— KLA的深度学习分类 ### 4.1 挑战：96层结构中的深埋缺陷 3D NAND堆叠结构高达96层，深层缺陷深达6μm，光学检测无法发现。电子束（e-beam）检测工具可以检测，但需要较高的着陆能量。 ### 4.2 KLA的深度学习方案 KLA工程师开发了针对深沟槽蚀刻后埋藏缺陷的自动检测与分类系统。关键点： - **着陆能量**：30KeV 适合检测和分类100nm特征中深达6μm的缺陷 - **训练数据**：4个晶圆上的9个垂直通道行，使用25个缺陷，揭示9个缺陷类别 - **验证**：通过FIB横截面和SEM成像，显示干扰率仅为2% - **准确率**：90% 的缺陷检测与分类准确率 *图5：深度学习模型以90%的准确率检测和分类缺陷（图源：KLA，IEEE ASMC）* #### 主要缺陷类型： - 通道欠刻蚀 - 通道中残留钨（牺牲膜） > **小提示**：手动检查需要20~30分钟，而深度学习模型可在作业运行期间实时执行ADC。此外，模型能有效滤除噪声，区分真正的缺陷（DOI）和滋扰缺陷（如垂直通道孔直径变化）。 --- ## 五、SMT芯片贴装优化—— CyberOptics的角填充检测 ### 5.1 背景：自动光学检测的局限性 存储器制造商需要检测SMT角落底部填充（underfill）的质量。传统自动光学检测（AOI）使用斑点分析算法，但结果一致性较差。 ### 5.2 深度学习迁移学习方案 CyberOptics开发了用于角填充检测的深度学习算法，优化了对象分类、检测和角填充长度的迁移学习任务。 - **架构设计**：神经网络需足够深入以理解问题复杂性，但也不能过深以免训练困难 - **四角检测**：MRS工具上的侧面摄像头无需移动基板即可实现四角检测 - **数据通信**：SQ软件支持一端训练模型，客户在另一端执行推理（inference） *图6：设备底部填充质量的四面检查（图源：CyberOptics）* > **小提示**：新模型训练可能需要几天到一周的时间。随着半导体封装复杂性增加，可能需要针对特定生产应用的定制化机器学习培训。 --- ## 常见问题与解答 **Q1：机器学习是否一定需要非常大的数据集？** 不一定。Macronix的案例表明，即使数据库规模有限，仍可通过神经网络建模期间的虚拟轮廓预测来加速开发。关键在于合理设计网络结构（如层数、激活函数）并采用迭代验证。 **Q2：深度学习模型会不会难以维护？** Onto Innovation的Mike McIntyre指出：深度学习模型会立即自我更新，维护工作更少。但不能进行诊断。与旧的机器逻辑模型（需要不断调整斜率、截距）相比，维护工作量更少。但注意：这些解决方案并非“设置后即可不管”，需要定期使用不同数据集进行验证。 **Q3：如何解决分类置信度低的问题？** Synopsys的做法是：当置信度低于阈值时，将图像标记为“未知”，由工程师检查并标注这些未知缺陷（通常占2%），然后重新训练特定的DNN。这种分层策略可逐步提高准确率。 **Q4：在光学检测和电子束检测之间如何配合？** 通常流程是：光学检测系统（如KLA的宽带光学系统）利用机器学习工具分档技术，将检测到的事件划分为不同缺陷类型和滋扰缺陷；需要额外分类的缺陷则被送至电子束检测系统进行复审。最终工程师利用缺陷信息优化生产线，获得更好的裸芯片。 --- ## 总结 机器学习算法已成为半导体工程师工具箱中不可或缺的新工具，尤其在缺陷分类、工艺优化和检测灵敏度提升方面展现出显著价值。但正如Onto的Mike McIntyre所说：“这是工具箱中的另一个好工具。工程师将继续应用机器学习和深度学习，看看在提高产量和过程控制方面可以把他们引向何方，但它们只是工具箱中的一个工具。” 合理评估需求、选择合适的算法架构、充分利用迁移学习和分层策略，是成功应用这些技术的关键。希望本教程能为你在半导体制造中引入ML/DL提供清晰的指引。