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

　　在過去五年中，半導體行業(yè)對部署人工智能(AI)和機器學習(ML)應用程序的興趣迅速增長。借助可生成PB(千萬億字節(jié))級數(shù)據(jù)的流程和工具，人工智能及其挖掘和利用數(shù)據(jù)的能力為半導體制造商提供了許多機會，幫助他們努力改進流程、優(yōu)化人力和工具資源，以及自動化勞動密集型任務。人工智能和機器學習帶來的眾多機遇包括工藝自動化、工具優(yōu)化、故障檢測和分類、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，我們將重點介紹AI和ML用于半導體行業(yè)電子顯微鏡的自動化功能，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)。我們將從簡要討論AI和ML開始，介紹自動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。
 

人工智能和機器學習
 

　　在討論電子顯微鏡中的AI之前，簡要回顧一下AI概念可能會有所幫助。
 

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

　　人工智能系統(tǒng)包含四種能力：
 

　　1)使用相機或傳感器進行感知的能力；
 

　　2)通過提取信息、檢測模式和識別上下文來理解的能力；
 

　　3)行動能力;
 

　　4)學習能力。
 

　　在這四種能力中，學習與人工智能的關聯(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。機器學習是人工智能的一個子領域，指的是自動化學習。對于AI系統(tǒng)，ML允許它根據(jù)過去的結果針對特定參數(shù)在迭代過程中感知、理解、分配重要性和修改行為，以提高性能。機器學習應用程序可以是描述性的、預測性的或規(guī)范性的。
 

　　目前存在多種ML技術，大致分為兩大類：無監(jiān)督學習和監(jiān)督學習。
 

　　監(jiān)督學習需要數(shù)據(jù)標簽或注釋，這些將作為機器學習任務的教師。無監(jiān)督學習尋求在不需要標簽的情況下發(fā)現(xiàn)數(shù)據(jù)中的模式和自然分組。由于標記數(shù)據(jù)既昂貴又耗時，因此無監(jiān)督學習可能是有利的。然而，許多機器學習任務無法修改為純粹的無監(jiān)督學習，例如圖像分類。這些技術通常可以結合使用。自監(jiān)督學習的技術首先在大量未標記數(shù)據(jù)上學習使用與所需任務相關的任務。然后重新配置ML系統(tǒng)，從而在較小的標記數(shù)據(jù)體上進行自我調整。
 

△圖1：機器學習是人工智能的一個子領域。
 

　　無論使用哪一種方法，重要的是要記住ML取決于訓練數(shù)據(jù)集的質量、偏差和規(guī)模。錯誤、標記不當或不完整的數(shù)據(jù)可能會導致機器學習偏差，如果人工智能系統(tǒng)以某種方式進行訓練，它可能會以意想不到的方式提供信息。
 

　　另一個需要注意的子領域是深度學習(DL)。DL是受生物神經(jīng)網(wǎng)絡啟發(fā)的一種特定類型的ML。深度學習使用人工神經(jīng)網(wǎng)絡，它模仿人腦中的生物神經(jīng)網(wǎng)絡來處理信息，找到數(shù)據(jù)之間的聯(lián)系，并得出推論。DL熱潮是在2012年通過AlexNet而拉開帷幕，AlexNet在ImageNet分類任務方面產生了巨大的飛躍性改進，而這種分類任務是計算機視覺領域的一個關鍵挑戰(zhàn)。DL的部署進一步改變了機器翻譯、語音識別、蛋白質折疊和更多應用領域。
 

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

　　自動化電子顯微鏡的案例
 

　　簡單地說，半導體制造是人類有史以來最復雜的工作之一。制造當今的三維(3D)半導體需要數(shù)百個工藝步驟才能生產出包含數(shù)十億個晶體管和互連線的單個芯片。隨著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(tǒng)計相關數(shù)據(jù)的可用性，對于識別缺陷和超出公差的工藝步驟至關重要。因此，先進的FIB-SEM、SEM和TEM工具成為在所有前沿晶圓制造工藝中獲取數(shù)
 

　　據(jù)的關鍵組件。
 

　　在半導體行業(yè)中，電子顯微鏡已經(jīng)并將繼續(xù)在提供數(shù)據(jù)以改進和優(yōu)化制造工作流程方面發(fā)揮越來越大的作用。從樣本中提取數(shù)據(jù)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(zhí)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量。
 

　　過去，SEM和TEM分析的樣品制備這一具有挑戰(zhàn)性的任務一直由經(jīng)驗豐富的FIB-SEM用戶手動進行。在TEM樣品制備的情況下，這可能特別耗時。然而，隨著支持每一代持續(xù)的半導體開發(fā)所需的樣品數(shù)量呈指數(shù)級增長，人工處理正迅速變得不可持續(xù)，并且超過可用的人力資源。為了提供背景信息，一家典型的先進半導體制造商可能在當前工藝節(jié)點上每月生產35,000到40,000個樣品，并且這個數(shù)字預計會在下一代中大幅增加。
 

　　一旦樣品準備好后，分析工作就開始了。使用先進的計量(S)TEM，例如Thermo ScientifificTM MetriosTM AX，實驗室就可以測量關鍵尺寸并表征器件，以更好地了解其在原子尺度上的結構。與樣品制備類似，此任務傳統(tǒng)上也是手動進行的，而且也可能很耗時。
 

　　面對要處理的樣品數(shù)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驗室和晶圓廠的工具自動化，并表現(xiàn)出對實驗室和晶圓廠自動化工具的興趣。
 

△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領域：系統(tǒng)校準和過程自動化。一個欠開發(fā)的領域是數(shù)據(jù)分析。為了提供半導體行業(yè)的一些AI應用示例，下面將簡要介紹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(tǒng)校準
 

　　系統(tǒng)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(tǒng)校準中，四個廣為人知的應用程序是工具對準、預測性維護和監(jiān)控、隊列管理和圖像優(yōu)化。這些應用程序的示例如下。
 

　　通過工具對準，電子顯微鏡利用計算機視覺和高級算法來對齊縱列和光束。AI跟蹤縱列的對齊狀態(tài)并將其與穩(wěn)定性窗口進行比較，以保持工具對準并按規(guī)范運行。這確保了高質量的數(shù)據(jù)捕獲，并防止了由于運行時間錯誤或在收集數(shù)據(jù)后發(fā)現(xiàn)偏移導致的生產力損失。
 

　　通過使用AI和收集的傳感器數(shù)據(jù)來自動識別可能影響工具操作的潛在問題，從而實現(xiàn)預測性維護和監(jiān)控。預測性維護和監(jiān)控提供了避免計劃外停機，根據(jù)需要主動安排維護，或在即將發(fā)生突然故障時通知進行干預的能力。
 

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

過程自動化
 

　　過程自動化應用程序的目標是自動執(zhí)行樣品制備、數(shù)據(jù)采集和計量任務，以提高勞動力資源的生產效率。提供過程自動化的三個應用程序示例是終端點、自動化配方工作流程和感興趣區(qū)域(ROI)導航(圖4)。終端點檢測利用ML、傳感器和計量測量，在金屬或感興趣的通孔層暴露時停止切削。當看到特定的傳感器測量值、特征或閾值時，就會指示刻蝕工具停止刻蝕操作。通過自動化配方工作流程，“配方”(recipe)或腳本會編寫并用于執(zhí)行重復性任務。ML作為一個配方組件，使得配方能夠適應本地的數(shù)據(jù)。此領域中的最后一個示例是ROI導航，它允許檢測特定的特征以自動導航到ROI。通過此功能，用戶能夠改進切割位置，定義圖像采集區(qū)域，并提高最終數(shù)據(jù)的質量。
 

△圖4：AI支持的GAA器件的ROI導航和圖像采集。
 

　　數(shù)據(jù)分析
 

　　如上所述，半導體數(shù)據(jù)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(shù)據(jù)洞察來推動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。關鍵因素之一是數(shù)據(jù)缺乏。隨著深度學習的最新進展，它正在為新的應用程序創(chuàng)造機會。但是，對數(shù)據(jù)的需求很大。在某些情況下，不需要客戶的特定數(shù)據(jù)。對于其他情況來說，由于需要大量數(shù)據(jù)，因此需要與半導體制造商合作以構建具有生產價值的應用程序。
 

　　小結
 

　　對于半導體行業(yè)來說，許多因素匯集在一起，需要在生產操作中實現(xiàn)自動化，包括更復雜的設計、更長的開發(fā)周期、日益激烈的競爭和技術資源限制。因此，許多半導體制造商正在探索利用人工智能實現(xiàn)工作自動化的技術。
 

　　隨著半導體公司開發(fā)新產品和加速制造，人工智能有可能產生巨大的商業(yè)價值。其優(yōu)勢包括自動化任務以釋放熟練的人力資源、改善工具的性能、優(yōu)化人員和工具生產力，以及加快開發(fā)周期和上市時間。
 

　　為了支持半導體制造商的自動化需求，先進的電子顯微鏡正在集成AI功能，以提供更快的數(shù)據(jù)生成時間，并提高人力和工具資源的生產效率。雖然仍處于起步階段，但隨著制造商尋求提取隱藏在其數(shù)據(jù)中的價值，電子顯微鏡中的AI功能可能會迅速提升。