近年來(lái)，ML 的重大進(jìn)步影響了計(jì)算機(jī)科學(xué)以外的多個(gè)領(lǐng)域，包括自動(dòng)駕駛、結(jié)構(gòu)色彩設(shè)計(jì)、醫(yī)學(xué)和人臉識(shí)別。

ML 的功能可用于優(yōu)化和自動(dòng)化半導(dǎo)體制造過(guò)程和相關(guān)數(shù)據(jù)分析。已經(jīng)進(jìn)行了幾項(xiàng)研究以在半導(dǎo)體制造中開發(fā)和應(yīng)用不同的 ML 算法和模型，包括故障檢測(cè)、設(shè)備生產(chǎn)、工藝優(yōu)化和晶圓檢測(cè)。

由于從現(xiàn)有半導(dǎo)體制造過(guò)程中獲得的標(biāo)記良好的歷史數(shù)據(jù)的充分可用性，通常從經(jīng)驗(yàn)中學(xué)習(xí)的監(jiān)督判別 ML 模型可以提高未來(lái)的半導(dǎo)體設(shè)計(jì)和制造效率。

例如，多層感知器 (MLP) 分類器模型可以自動(dòng)從故障圖中識(shí)別上墨模式，并執(zhí)行后處理以進(jìn)行校正，從而無(wú)需在模具篩選期間對(duì)模具上墨進(jìn)行人為干預(yù)。

同樣，監(jiān)督生成 ML 模型通常用于替代手動(dòng)設(shè)計(jì)以提高可制造性。例如，基于條件生成對(duì)抗網(wǎng)絡(luò) (CGAN) 的 WellGAN 可用于版圖設(shè)計(jì)階段，自動(dòng)生成模擬和混合信號(hào) (AMS) 電路的版圖，取代手動(dòng)設(shè)計(jì)。

CGAN 還可以應(yīng)用于光刻等制造過(guò)程，以根據(jù)給定的掩模圖案有效地建模三維 (3D) 空間圖像和抗蝕圖案，從而顯著提高制造效率。

機(jī)器學(xué)習(xí)在半導(dǎo)體制造中的應(yīng)用

產(chǎn)量預(yù)測(cè)與分析

預(yù)測(cè)產(chǎn)品良率并了解工藝參數(shù)對(duì)良率的影響對(duì)于半導(dǎo)體制造至關(guān)重要，因?yàn)楫a(chǎn)品良率的下降與工藝參數(shù)的變化相互關(guān)聯(lián)。用于模式識(shí)別的回歸和卷積神經(jīng)網(wǎng)絡(luò) (CNN) 等監(jiān)督判別 ML 算法可以自動(dòng)識(shí)別此類相關(guān)性。

例如，可以應(yīng)用具有遺傳算法 (GA) 選擇特征的多元自適應(yīng)回歸樣條 (MARS) 來(lái)有效地估計(jì)不同設(shè)計(jì)世代和制造過(guò)程的產(chǎn)量，從而顯著減少所需制造或模擬數(shù)據(jù)的數(shù)量。

檢測(cè)制造過(guò)程偏差

及早檢測(cè)工藝擠壓對(duì)于避免大量報(bào)廢和測(cè)試成本以及潛在的質(zhì)量問(wèn)題至關(guān)重要。用于熱點(diǎn)檢查和異常模式識(shí)別的無(wú)監(jiān)督生成 ML 算法（例如 GAN 或自動(dòng)編碼器）可用于基于探針晶圓圖和工藝工具數(shù)據(jù)的偏移檢測(cè)。

簡(jiǎn)化制造流程

無(wú)監(jiān)督 ML 算法也可用于優(yōu)化制造測(cè)試流程，例如啟用封裝老化 (BI) 消除，以識(shí)別「風(fēng)險(xiǎn)」材料并將它們發(fā)送到 BI 壓力。例如，基于內(nèi)核的聚類（KBC）算法是一種無(wú)監(jiān)督學(xué)習(xí)，可以根據(jù)晶圓探針測(cè)試數(shù)據(jù)識(shí)別潛在的簇缺陷，并將有風(fēng)險(xiǎn)的芯片發(fā)送到封裝 BI。

可制造性設(shè)計(jì) (DFM) 工具的改進(jìn)

考慮到所有關(guān)鍵指標(biāo)和關(guān)鍵輸入，ML，特別是深度神經(jīng)網(wǎng)絡(luò) (DNN)，可用于改進(jìn)和自動(dòng)化 DFM 工具和檢查器?？梢杂?xùn)練 DNN 來(lái)預(yù)測(cè)潛在的設(shè)計(jì)失敗/違規(guī)。

輸入可以包括以前的客戶質(zhì)量投訴 (CQC) 數(shù)據(jù)庫(kù)信息、良率標(biāo)準(zhǔn)、技術(shù)金屬選項(xiàng)、物理集成和設(shè)計(jì)規(guī)則檢查 (DRC)。每個(gè)需求的評(píng)分指南和具有相應(yīng)優(yōu)化目標(biāo)的通過(guò)/失敗標(biāo)準(zhǔn)也可以用作輸入。

可以解釋神經(jīng)網(wǎng)絡(luò)的決策以確定與預(yù)測(cè)的故障/違規(guī)相關(guān)的關(guān)鍵設(shè)計(jì)/布局特征。可以根據(jù)輸出決策的高靈敏度來(lái)識(shí)別關(guān)鍵特性，并將其作為反饋提供給測(cè)試/設(shè)計(jì)過(guò)程。

其它機(jī)器學(xué)習(xí)應(yīng)用

通過(guò)將晶圓的銷售價(jià)格和成本價(jià)格作為優(yōu)化因素，以 RoI 為優(yōu)化目標(biāo)，可以使用差分進(jìn)化 (DE) 算法和 DNN 來(lái)提高晶圓生產(chǎn)率以提高投資回報(bào)率 (RoI)。

可以采用使用掃描電子顯微鏡圖像作為輸入的自動(dòng)缺陷分類 (ADC) 系統(tǒng)來(lái)分類和識(shí)別晶圓表面缺陷。該系統(tǒng)可以使用 CNN 模型在沒(méi)有人為干預(yù)的情況下有效地執(zhí)行檢測(cè)。

同樣，基于 CNN 的遷移學(xué)習(xí)方法可用于晶圓缺陷分類，以顯著降低 ML 計(jì)算成本。研究表明，該方法可以更準(zhǔn)確地對(duì)缺陷圖像進(jìn)行分類。

不準(zhǔn)確的晶圓通過(guò)/失敗測(cè)試會(huì)對(duì)整個(gè)半導(dǎo)體制造產(chǎn)生不利影響。機(jī)器學(xué)習(xí)可用于預(yù)測(cè)和減少過(guò)程故障。例如，基于深度信念網(wǎng)絡(luò) (DBN) 的多分類器可以通過(guò)收集過(guò)程中傳感器的信號(hào)自動(dòng)評(píng)估晶圓測(cè)試，然后有效地預(yù)測(cè)故障檢測(cè)。

未來(lái)展望

總而言之，ML 算法可以有效地用于半導(dǎo)體制造的多個(gè)領(lǐng)域，以實(shí)現(xiàn)自動(dòng)化和優(yōu)化。然而，需要更多的研究來(lái)解決有關(guān) ML 應(yīng)用的幾個(gè)現(xiàn)有挑戰(zhàn)。

例如，構(gòu)建有效的通用 ML 模型所需的訓(xùn)練數(shù)據(jù)通常不足。ML 目標(biāo)的泛化程度必須與訓(xùn)練數(shù)據(jù)的大小相匹配。此外，訓(xùn)練數(shù)據(jù)中的所有示例必須一致地表示目標(biāo)和輸入之間的隱藏關(guān)系。