為了支持半導體制造商的自動(dòng)化需求，先進(jìn)的電子顯微鏡正在集成人工智能功能，以提供更快的數據生成時(shí)間并提高人力和工具資源的生產(chǎn)效率。
 

　　在過(guò)去五年中，半導體行業(yè)對部署人工智能(AI)和機器學(xué)習(ML)應用程序的興趣迅速增長(cháng)。借助可生成PB(千萬(wàn)億字節)級數據的流程和工具，人工智能及其挖掘和利用數據的能力為半導體制造商提供了許多機會(huì )，幫助他們努力改進(jìn)流程、優(yōu)化人力和工具資源，以及自動(dòng)化勞動(dòng)密集型任務(wù)。人工智能和機器學(xué)習帶來(lái)的眾多機遇包括工藝自動(dòng)化、工具優(yōu)化、故障檢測和分類(lèi)、預測性工具維護、計量、工藝控制、排隊管理等許多方面。
 

　　在本文中，我們將重點(diǎn)介紹AI和ML用于半導體行業(yè)電子顯微鏡的自動(dòng)化功能，包括掃描電子顯微鏡(SEM)、聚焦離子束SEM(FIB-SEM)、透射電子顯微鏡(TEM)和掃描透射電子顯微鏡((S)TEM)。我們將從簡(jiǎn)要討論AI和ML開(kāi)始，介紹自動(dòng)化電子顯微鏡的案例，并討論當今電子顯微鏡中可用的AI/ML功能。
 

人工智能和機器學(xué)習
 

　　在討論電子顯微鏡中的AI之前，簡(jiǎn)要回顧一下AI概念可能會(huì )有所幫助。
 

　　在較高的層面上，人工智能不是一項單一的技術(shù)。相反，它是使機器能夠模仿人類(lèi)智能的技術(shù)集合。
 

　　人工智能系統包含四種能力：
 

　　1)使用相機或傳感器進(jìn)行感知的能力；
 

　　2)通過(guò)提取信息、檢測模式和識別上下文來(lái)理解的能力；
 

　　3)行動(dòng)能力;
 

　　4)學(xué)習能力。
 

　　在這四種能力中，學(xué)習與人工智能的關(guān)聯(lián)度最高。
 

　　雖然許多人認為AI和ML是同義詞，但兩者是略有不同的概念。機器學(xué)習是人工智能的一個(gè)子領(lǐng)域，指的是自動(dòng)化學(xué)習。對于A(yíng)I系統，ML允許它根據過(guò)去的結果針對特定參數在迭代過(guò)程中感知、理解、分配重要性和修改行為，以提高性能。機器學(xué)習應用程序可以是描述性的、預測性的或規范性的。
 

　　目前存在多種ML技術(shù)，大致分為兩大類(lèi)：無(wú)監督學(xué)習和監督學(xué)習。
 

　　監督學(xué)習需要數據標簽或注釋?zhuān)@些將作為機器學(xué)習任務(wù)的教師。無(wú)監督學(xué)習尋求在不需要標簽的情況下發(fā)現數據中的模式和自然分組。由于標記數據既昂貴又耗時(shí)，因此無(wú)監督學(xué)習可能是有利的。然而，許多機器學(xué)習任務(wù)無(wú)法修改為純粹的無(wú)監督學(xué)習，例如圖像分類(lèi)。這些技術(shù)通常可以結合使用。自監督學(xué)習的技術(shù)首先在大量未標記數據上學(xué)習使用與所需任務(wù)相關(guān)的任務(wù)。然后重新配置ML系統，從而在較小的標記數據體上進(jìn)行自我調整。
 

△圖1：機器學(xué)習是人工智能的一個(gè)子領(lǐng)域。
 

　　無(wú)論使用哪一種方法，重要的是要記住ML取決于訓練數據集的質(zhì)量、偏差和規模。錯誤、標記不當或不完整的數據可能會(huì )導致機器學(xué)習偏差，如果人工智能系統以某種方式進(jìn)行訓練，它可能會(huì )以意想不到的方式提供信息。
 

　　另一個(gè)需要注意的子領(lǐng)域是深度學(xué)習(DL)。DL是受生物神經(jīng)網(wǎng)絡(luò )啟發(fā)的一種特定類(lèi)型的ML。深度學(xué)習使用人工神經(jīng)網(wǎng)絡(luò )，它模仿人腦中的生物神經(jīng)網(wǎng)絡(luò )來(lái)處理信息，找到數據之間的聯(lián)系，并得出推論。DL熱潮是在2012年通過(guò)AlexNet而拉開(kāi)帷幕，AlexNet在ImageNet分類(lèi)任務(wù)方面產(chǎn)生了巨大的飛躍性改進(jìn)，而這種分類(lèi)任務(wù)是計算機視覺(jué)領(lǐng)域的一個(gè)關(guān)鍵挑戰。DL的部署進(jìn)一步改變了機器翻譯、語(yǔ)音識別、蛋白質(zhì)折疊和更多應用領(lǐng)域。
 

　　最后，同樣重要的是要注意自動(dòng)化可能也是勞動(dòng)密集型的。機器學(xué)習算法需要進(jìn)行訓練，可能需要使用標記數據進(jìn)行訓練，這需要在數據注釋上投入時(shí)間。然而，一旦完成，只要目標/推理數據與訓練數據域相匹配，算法就可以很好地處理目標任務(wù)。如果數據漂移，則需要重新進(jìn)行訓練。
 

　　自動(dòng)化電子顯微鏡的案例
 

　　簡(jiǎn)單地說(shuō)，半導體制造是人類(lèi)有史以來(lái)最復雜的工作之一。制造當今的三維(3D)半導體需要數百個(gè)工藝步驟才能生產(chǎn)出包含數十億個(gè)晶體管和互連線(xiàn)的單個(gè)芯片。隨著(zhù)邏輯和存儲轉向具有更高密度的更高比率的3D結構，具有亞埃精度的統計相關(guān)數據的可用性，對于識別缺陷和超出公差的工藝步驟至關(guān)重要。因此，先進(jìn)的FIB-SEM、SEM和TEM工具成為在所有前沿晶圓制造工藝中獲取數
 

　　據的關(guān)鍵組件。
 

　　在半導體行業(yè)中，電子顯微鏡已經(jīng)并將繼續在提供數據以改進(jìn)和優(yōu)化制造工作流程方面發(fā)揮越來(lái)越大的作用。從樣本中提取數據用于(S)TEM成像和分析，以校準工具集、診斷故障機理并優(yōu)化工藝良率。然而，在執行高度特定的測量之前，需要使用FIB-SEM準備樣品，并且應該注意的是，(S)TEM的成像和分析在很大程度上取決于樣品的質(zhì)量。
 

　　過(guò)去，SEM和TEM分析的樣品制備這一具有挑戰性的任務(wù)一直由經(jīng)驗豐富的FIB-SEM用戶(hù)手動(dòng)進(jìn)行。在TEM樣品制備的情況下，這可能特別耗時(shí)。然而，隨著(zhù)支持每一代持續的半導體開(kāi)發(fā)所需的樣品數量呈指數級增長(cháng)，人工處理正迅速變得不可持續，并且超過(guò)可用的人力資源。為了提供背景信息，一家典型的先進(jìn)半導體制造商可能在當前工藝節點(diǎn)上每月生產(chǎn)35,000到40,000個(gè)樣品，并且這個(gè)數字預計會(huì )在下一代中大幅增加。
 

　　一旦樣品準備好后，分析工作就開(kāi)始了。使用先進(jìn)的計量(S)TEM，例如Thermo ScientifificTM MetriosTM AX，實(shí)驗室就可以測量關(guān)鍵尺寸并表征器件，以更好地了解其在原子尺度上的結構。與樣品制備類(lèi)似，此任務(wù)傳統上也是手動(dòng)進(jìn)行的，而且也可能很耗時(shí)。
 

　　面對要處理的樣品數量的增加和提供信息的需要變得更快(圖2)，許多半導體制造商正在尋求實(shí)驗室和晶圓廠(chǎng)的工具自動(dòng)化，并表現出對實(shí)驗室和晶圓廠(chǎng)自動(dòng)化工具的興趣。
 

△圖2：電子顯微鏡(EM)樣品從10nm到3nm。
 

　　電子顯微鏡中的AI/ML
 

　　在某種程度上，當今電子顯微鏡的人工智能能力還處于起步階段，主要應用于如下兩個(gè)領(lǐng)域：系統校準和過(guò)程自動(dòng)化。一個(gè)欠開(kāi)發(fā)的領(lǐng)域是數據分析。為了提供半導體行業(yè)的一些AI應用示例，下面將簡(jiǎn)要介紹Thermo Fisher Scientifific的(S)TEM、DualBeam和掃描電子顯微鏡中支持AI的一些功能。
 

　　系統校準
 

　　系統校準主要是保持電子顯微鏡處于工作狀態(tài)并優(yōu)化其性能。在系統校準中，四個(gè)廣為人知的應用程序是工具對準、預測性維護和監控、隊列管理和圖像優(yōu)化。這些應用程序的示例如下。
 

　　通過(guò)工具對準，電子顯微鏡利用計算機視覺(jué)和高級算法來(lái)對齊縱列和光束。AI跟蹤縱列的對齊狀態(tài)并將其與穩定性窗口進(jìn)行比較，以保持工具對準并按規范運行。這確保了高質(zhì)量的數據捕獲，并防止了由于運行時(shí)間錯誤或在收集數據后發(fā)現偏移導致的生產(chǎn)力損失。
 

　　通過(guò)使用AI和收集的傳感器數據來(lái)自動(dòng)識別可能影響工具操作的潛在問(wèn)題，從而實(shí)現預測性維護和監控。預測性維護和監控提供了避免計劃外停機，根據需要主動(dòng)安排維護，或在即將發(fā)生突然故障時(shí)通知進(jìn)行干預的能力。
 

　　此領(lǐng)域中的另一個(gè)應用程序示例是圖像優(yōu)化。對于半導體行業(yè)，數據清理凈化或去噪對(S)TEM數據進(jìn)行可重復且具有統計意義的定量分析至關(guān)重要。在圖3的示例中，ML網(wǎng)絡(luò )在結構上進(jìn)行了訓練，以降低信噪比(SNR)并提高SEM圖像質(zhì)量和采集速度。右邊的圖像是去噪后的圖像。
 

過(guò)程自動(dòng)化
 

　　過(guò)程自動(dòng)化應用程序的目標是自動(dòng)執行樣品制備、數據采集和計量任務(wù)，以提高勞動(dòng)力資源的生產(chǎn)效率。提供過(guò)程自動(dòng)化的三個(gè)應用程序示例是終端點(diǎn)、自動(dòng)化配方工作流程和感興趣區域(ROI)導航(圖4)。終端點(diǎn)檢測利用ML、傳感器和計量測量，在金屬或感興趣的通孔層暴露時(shí)停止切削。當看到特定的傳感器測量值、特征或閾值時(shí)，就會(huì )指示刻蝕工具停止刻蝕操作。通過(guò)自動(dòng)化配方工作流程，“配方”(recipe)或腳本會(huì )編寫(xiě)并用于執行重復性任務(wù)。ML作為一個(gè)配方組件，使得配方能夠適應本地的數據。此領(lǐng)域中的最后一個(gè)示例是ROI導航，它允許檢測特定的特征以自動(dòng)導航到ROI。通過(guò)此功能，用戶(hù)能夠改進(jìn)切割位置，定義圖像采集區域，并提高最終數據的質(zhì)量。
 

△圖4：AI支持的GAA器件的ROI導航和圖像采集。
 

　　數據分析
 

　　如上所述，半導體數據分析應用并不像許多其他行業(yè)那樣發(fā)達。雖然人們對于利用數據洞察來(lái)推動(dòng)更好選擇的應用程序很感興趣，但許多因素導致了這些應用程序的缺乏。關(guān)鍵因素之一是數據缺乏。隨著(zhù)深度學(xué)習的最新進(jìn)展，它正在為新的應用程序創(chuàng )造機會(huì )。但是，對數據的需求很大。在某些情況下，不需要客戶(hù)的特定數據。對于其他情況來(lái)說(shuō)，由于需要大量數據，因此需要與半導體制造商合作以構建具有生產(chǎn)價(jià)值的應用程序。
 

　　小結
 

　　對于半導體行業(yè)來(lái)說(shuō)，許多因素匯集在一起，需要在生產(chǎn)操作中實(shí)現自動(dòng)化，包括更復雜的設計、更長(cháng)的開(kāi)發(fā)周期、日益激烈的競爭和技術(shù)資源限制。因此，許多半導體制造商正在探索利用人工智能實(shí)現工作自動(dòng)化的技術(shù)。
 

　　隨著(zhù)半導體公司開(kāi)發(fā)新產(chǎn)品和加速制造，人工智能有可能產(chǎn)生巨大的商業(yè)價(jià)值。其優(yōu)勢包括自動(dòng)化任務(wù)以釋放熟練的人力資源、改善工具的性能、優(yōu)化人員和工具生產(chǎn)力，以及加快開(kāi)發(fā)周期和上市時(shí)間。
 

　　為了支持半導體制造商的自動(dòng)化需求，先進(jìn)的電子顯微鏡正在集成AI功能，以提供更快的數據生成時(shí)間，并提高人力和工具資源的生產(chǎn)效率。雖然仍處于起步階段，但隨著(zhù)制造商尋求提取隱藏在其數據中的價(jià)值，電子顯微鏡中的AI功能可能會(huì )迅速提升。