Esta página fue traducida automáticamente.
Complete una encuesta de 1 minuto sobre la calidad de esta traducción.
ASML desarrolla tecnología de metrología virtual para la fabricación de semiconductores con Machine Learning
"Como ingeniero de procesos, no tenía experiencia con redes neuronales o Machine Learning. Trabajé con los ejemplos de MATLAB para encontrar las mejores funciones de Machine Learning para generar metrología virtual. No podría haber hecho esto en código C o Python; me habría llevado demasiado tiempo encontrar, validar e integrar los paquetes correctos".
El reto
La solución
Los resultados
- Reconocimiento como líder en la industria
- Identificación de mejoras de fabricación
- Reducción de gastos operativos de mantenimiento
En la nanofabricación, la fotolitografía es el paso fundamental de creación de patrones que controla el tamaño de un microchip. Durante la fotolitografía, una fuente de energía de baja longitud de onda se acondiciona con ópticas a través de una imagen que luego se reduce de tamaño con más ópticas hasta formar una fina película de sustancia química sensible a la luz que cubre un sustrato, generalmente silicio. Este paso se repite hasta que toda la superficie disponible en el sustrato haya sido expuesta con la misma imagen; el resultado se denomina capa. Se necesitan múltiples capas expuestas para crear las complejas estructuras microscópicas que forman un chip. Para evitar problemas de rendimiento debido a fallos de conexión entre capas, todos los patrones entre capas deben alinearse según lo previsto.
Para garantizar la alineación de las capas sin afectar el rendimiento, el sistema de fotolitografía TWINSCAN de ASML debe limitar la cantidad de marcas de alineación que mide antes del paso de exposición. La regla general es que el tiempo necesario para medir las marcas de alineación no puede ser mayor que el tiempo de exposición de la oblea anterior en la secuencia. Debido a la gran cantidad de marcas de superposición que se deben corregir en el modelo de superposición, no es posible medir cada oblea que sale del sistema TWINSCAN.
ASML utilizó MATLAB® y Statistics and Machine Learning Toolbox™ para desarrollar software de metrología de superposición virtual. Este software aplica técnicas de Machine Learning para generar una predicción de la metrología de superposición de cada oblea, utilizando datos de metrología de alineación.
"El trabajo que hemos realizado con MATLAB y Machine Learning demuestra el mejor uso de metrología existente y nos coloca como lideres de la industria", afirma Emil Schmitt-Weaver, ingeniero de desarrollo de aplicaciones en ASML. "Los artículos que hemos publicado sobre este trabajo han atraído el interés de clientes que buscan mejorar sus procesos de fabricación con productos ASML".
El reto
Como Schmitt-Weaver no tenía experiencia previa en el desarrollo de algoritmos de Machine Learning, decidió no desarrollar los algoritmos en Python, C u otro lenguaje elemental. Necesitaba desarrollar un prototipo rápidamente, basando en funciones ya desplegadas por usuarios de ASML, mantenidas por profesionales dedicados.
La solución
Schmitt-Weaver utilizó MATLAB, Statistics and Machine Learning Toolbox y Deep Learning Toolbox™ para desarrollar un método para generar metrología virtual.
Para empezar, Schmitt-Weaver utilizó la app Neural Net Time Series para aprender a preparar datos para su uso con Deep Learning Toolbox. Con la app, generó y exportó el código de ejemplo, para aprender cómo usar las funciones juntas. A medida que aumentó su competencia, pudo desarrollar el código generado utilizando ejemplos de la comunidad de usuarios de MATLAB Central.
Schmitt-Weaver recopiló datos de metrología de alineación de sistemas TWINSCAN y datos de metrología de superposición de las mismas obleas utilizando sistemas YieldStar. Luego dividió el conjunto de datos en dos grupos, uno para entrenar la red y otro para validarla.
Utilizando Deep Learning Toolbox y Statistics and Machine Learning Toolbox, diseñó una red autorregresiva no lineal con entradas exógenas (NARX) y la entrenó con datos del grupo de entrenamiento.
Para evitar sobreadaptar la red neuronal al grupo de entrenamiento, utilizó Deep Learning Toolbox para implementar regularización automatizada con un marco bayesiano.
Una vez entrenada la red, agregó datos de prueba y verificó sus resultados frente a los resultados medidos del sistema YieldStar.
ASML utilizó los datos recopilados para desarrollar un prototipo de controlador de superposición en tiempo real con MATLAB. La red proporcionó la base para mejorar potencialmente el rendimiento, así como la capacidad de identificar obleas que sin metrología de superposición.
Los resultados
Reconocimiento como líder en la industria. "Utilizar MATLAB para mejorar la metrología de superposición nos colocó como líderes en desarrollo de innovaciones para alcanzar objetivos de rendimiento de superposiciones", afirma Schmitt-Weaver.
Identificación de mejoras de fabricación. "La red que diseñamos y entrenamos en MATLAB identificó errores de superposición sistemáticos y aleatorios que, de otro modo, no habríamos detectado", señala Schmitt-Weaver. "Este grado de mejora en el rendimiento de la superposición es necesario para la fabricación de microchips hasta y por debajo del nodo de 5 nm".
Reducción de gastos operativos de mantenimiento. "Desde los inicios de la empresa, los sistemas ASML utilizan algoritmos compilados de MATLAB ", afirma Schmitt-Weaver. "Aprovechar la extensa base de datos de scripts evaluados por pares, me permitió centrar mi atención en las nuevas funcionalidades de Machine Learning".
"Virtual overlay metrology for fault detection supported with integrated metrology and machine learning,". Proc. SPIE 9424, Metrology, Inspection, and Process Control for Microlithography XXIX, 94241T (19 de marzo de 2015), doi:10.1117/12.2085475.
