Angstrom meerlaagse metrologie door spectrale metingen en machine learning te combineren

Met de recente explosieve vraag naar gegevensopslag, variërend van datacenters tot verschillende slimme en verbonden apparaten, neemt de behoefte aan compactere geheugenapparaten met een hogere capaciteit voortdurend toe. Als gevolg hiervan gaan halfgeleiderinrichtingen nu van 2D naar 3D. Het 3D-NAND-flashgeheugen is momenteel het commercieel meest succesvolle 3D-halfgeleiderapparaat en de vraag naar ondersteuning van onze datagestuurde wereld groeit nu exponentieel.

De schaalwet voor 3D-apparaten wordt bereikt door steeds meer halfgeleiderlagen, ruim boven 100 lagen, op een betrouwbaardere manier te stapelen. Aangezien elke laagdikte overeenkomt met de effectieve kanaallengte, is een nauwkeurige karakterisering en controle van laag-voor-laagdikte van cruciaal belang. Tot op heden is helaas niet-destructieve, nauwkeurige meting van elke laagdikte van een dergelijke structuur met honderden lagen niet mogelijk geweest, wat een ernstig knelpunt vormt in de toekomstige schaalvergroting van 3D-apparaten.

In een nieuw artikel gepubliceerd in Licht: geavanceerde productie, heeft een team van ingenieurs van Korea Advanced Institute of Science and Technology (KAIST) en Samsung Electronics Co. Ltd., geleid door professor Jungwon Kim van KAIST, Zuid-Korea, een niet-destructieve diktekarakteriseringsmethode ontwikkeld door optische spectrale metingen te combineren machine learning. Door gebruik te maken van de structurele gelijkenis tussen meerlagige halfgeleiderstapels en diëlektrische meerlagige spiegels, worden spectroscopische optische metingen, waaronder ellipsometrische en reflectiemetingen, gebruikt. Machine learning wordt vervolgens gebruikt om de correlatie tussen spectroscopische meetgegevens en meerlagige dikte te extraheren. Voor meer dan 200 lagen oxide en nitride meerlagige stapel kon de dikte van elke laag over de gehele stapel worden bepaald met een gemiddelde van ongeveer 1,6 Å wortel-gemiddelde-kwadraatfout.

Naast de nauwkeurige bepaling van de meerlaagse dikte onder normale fabricageomstandigheden, wat handig is voor het beheersen van ets- en afzettingsprocessen, heeft het onderzoeksteam een ​​ander machine learning-model ontwikkeld dat uitschieters kan detecteren wanneer de laagdikte aanzienlijk afwijkt van het ontwerpdoel. Het gebruikte een groot aantal gesimuleerde spectrale gegevens voor een effectievere en economischere training en kon met succes de defecte apparaten en de exacte foutieve laaglocatie in het apparaat detecteren.

“De machine learning-benadering is nuttig voor het elimineren van meetgerelateerde problemen”, zegt Hyunsoo Kwak, een doctoraalstudent aan KAIST en eerste auteur van het onderzoek. “Door ruis-geïnjecteerde spectrale gegevens te gebruiken als invoer voor het machine learning-algoritme, kunnen we verschillende fouten van meetinstrumenten en veranderingen in materiaaleigenschappen onder verschillende fabricageomstandigheden elimineren”, voegde hij eraan toe.

“Deze methode kan gemakkelijk worden toegepast voor de totale inspectie van verschillende 3D-halfgeleiderinrichtingen”, zei professor Kim, “wat wordt geïllustreerd door het feit dat alle gegevens die in dit werk zijn gebruikt, zijn verkregen in commerciële 3D-NAND-productielijnen van Samsung Electronics. ”