利用神經(jīng)網(wǎng)絡進行 CMP 氧化物沉積表面輪廓建模

作者：時間：2021-01-28 來源：

加入技術交流群
- 掃碼加入
  和技術大咖面對面交流
  海量資料庫查詢

簡介

本文引用地址：http://butianyuan.cn/article/202101/422484.htm

化學機械拋光 (CMP) 是當今集成電路 (IC) 制造工藝中的關鍵作業(yè)。由于設計極其緊湊，并且縮小到最先進的工藝技術節(jié)點，CMP 后的平面性變化可能會對制造成功產(chǎn)生重大影響。

為了減輕 CMP 工藝的負面影響，大多數(shù) IC 制造商使用 CMP 建模來檢測前道工序 (FEOL) 和后道工序 (BEOL) 層中的潛在弱點，作為其可制造性設計 (DFM) 流程的一部分。CMP 弱點分析旨在尋找設計中經(jīng)過 CMP 后出現(xiàn)缺陷的概率高于平均值的區(qū)域。不同材料在 CMP 工藝下會表現(xiàn)出不同的腐蝕速率，因此芯片的密度平衡必須保持穩(wěn)定，以防止出現(xiàn)凸起和凹陷，避免造成金屬互連短路和開路。CMP 分析會衡量版圖的各個方面，以確保在多層上構建芯片時具有均勻的平面性。

高電介質金屬柵極 (HKMG) 技術和額外 CMP 步驟 [1, 2] 的引入，雙重和三重曝光導致的光刻高成本，強焦深 (DOF) 要求，以及 CMP 模型的精度提高，都提升了業(yè)界對 CMP 建模的關注度 [3-6]。

構建 CMP 模型

CMP 建模有很長的歷史，包括單材料和雙材料拋光的建模，以及眾多沉積和蝕刻工藝的建模 [6]。CMP 建模背后的主要思路是：提取版圖上圖形的幾何屬性，在蝕刻和諸多沉積步驟之后生成 CMP 前的表面輪廓，以及預測版圖上不同圖形的 CMP 后表面輪廓。

芯片被劃分為固定大小的重復單元，對于每個重復單元，提取并傳送圖形的平均幾何特征

（例如寬度、間距、圖形密度和周長），然后進行蝕刻、沉積和 CMP 仿真。利用有效的溝槽逼近來模擬為每個重復單元定義的結構（圖 1）。一個重復單元代表一個具有給定幾何特征的溝槽，它有兩個高度數(shù)據(jù) —— ZT 和 ZNT，分別定義溝槽內(nèi)材料的高度和溝槽外材料的高度。

圖 1：幾何數(shù)據(jù)提取和有效溝槽逼近。

在 CMP 仿真期間，蝕刻、沉積和拋光模型仿真 ZT 和 ZNT 數(shù)據(jù)的變化，以及每個重復單元的幾何數(shù)據(jù)變化。拋光模型使用 CMP 前表面輪廓數(shù)據(jù)作為輸入，該數(shù)據(jù)由沉積模型或前一拋光步驟產(chǎn)生。第一拋光步驟總是使用沉積后輪廓作為輸入。沉積后的表面輪廓不是平面性的，含有變化。因此，為實現(xiàn)高質量 CMP 建模，必須有一組與制造商使用的沉積工藝相對應的沉積模型，以產(chǎn)生用于 CMP 仿真的正確輸入輪廓。

CMP 建模的一個關鍵步驟是使用來自測試芯片的測量數(shù)據(jù)構建模型。CMP 測試芯片通常由周期性放置的不同寬度的平行溝槽陣列塊組成，溝槽之間的間距也有差異（圖 2）。選擇測試芯片的尺寸和結構的數(shù)量時，必須讓它能很好地覆蓋技術節(jié)點所支持的寬度、間距、周長和圖形密度值，同時不違反設計規(guī)則檢查 (DRC)。常常使用原子力顯微鏡 (AFM) 掃描儀或其他輪廓探查工具對測試圖形進行行掃描來收集腐蝕和凹陷數(shù)據(jù)，如圖 2 所示。知道疊層信息和材料厚度后，便可將腐蝕和凹陷數(shù)據(jù)轉換成 ZT 和 ZNT 表面輪廓高度數(shù)據(jù)。

圖 2：CMP 測試芯片和 AFM 行掃描，含腐蝕和凹陷定義。

由于 CMP 十分復雜且影響長遠，生成高質量的 CMP 前表面輪廓對于 CMP 精確建模至關重要。即使采用先進的沉積工藝，已曝光晶圓的沉積后（CMP 前）輪廓也是不均勻的，可能有很大差異，影響 CMP 后的表面上平面性。對三維 (3D) 原子力顯微鏡 (AFM) 和透射電子顯微鏡 (TEM) 數(shù)據(jù)的分析表明，CMP 前輪廓高度對以下各項的底層圖形幾何形狀有復雜的依賴關系：

■ 高密度等離子體 CVD (HDP-CVD)

■ 旋涂式電介質 (SOD)

■ 流動式 CVD (FCVD)

■ 增強型高縱橫比工藝 (eHARP)

FEOL 層的淺溝槽隔離 (STI) 和 CMP 建模表明 HPD-CVD 和 SOD 沉積模型成功應用于 CMP建模。

與此同時，為 FCVD 和 eHARP 工藝構建基于物理特性的模型或簡化模型則很困難，因為這些工藝包含若干沉積和退火步驟以填充溝槽。我們研究了通過機器學習 (ML) 算法對測量數(shù)據(jù)進行靈敏度分析，結果顯示這些工藝的沉積后表面輪廓主要取決于底層圖形幾何形狀，而長遠影響是次要的。借助此信息，我們可以使用底層圖形的幾何特征作為輸入，將神經(jīng)網(wǎng)絡 (NN) 回歸計算應用于 CMP 前表面輪廓的建模。然后，CMP 前輪廓用作 CMP 建模的輸入。

神經(jīng)網(wǎng)絡配置

機器學習、神經(jīng)網(wǎng)絡和深度學習在現(xiàn)代工業(yè)和生活的不同領域中有許多應用。它們“學習”如何分析和預測不精確數(shù)據(jù)的能力，大大提高了語音識別和語言翻譯、基因組學和藥物發(fā)現(xiàn)、計算機視覺、自動駕駛汽車以及許多其他領域的技術水平 [7]。

一種潛在的新用途是將神經(jīng)網(wǎng)絡應用于沉積后表面輪廓建模。該方法的工作原理如下：利用 Calibre? CMP ModelBuilder 和 Calibre CMPAnalyzer 產(chǎn)品從版圖中提取圖形的局部幾何特征（寬度、間距、圖形密度和周長），并將其用作多層神經(jīng)網(wǎng)絡的輸入，以生成表面輪廓高度數(shù)據(jù)預測（圖 3）。

圖 3：具有兩個隱藏層的多層前饋神經(jīng)網(wǎng)絡。

神經(jīng)網(wǎng)絡的輸入層獲取此幾何數(shù)據(jù)，網(wǎng)絡在輸出層上生成預測的腐蝕和凹陷數(shù)據(jù)。為簡便起見，本文不考慮沉積后的任何幾何形狀變化。神經(jīng)網(wǎng)絡經(jīng)過高級學習算法的訓練，訓練集由沉積后從 CMP 測試芯片收集到的測量結果構成。經(jīng)過訓練的神經(jīng)網(wǎng)絡在測試芯片或生產(chǎn)設計上運行，以進行測試和驗證。我們考慮用含一個、兩個或更多隱藏層的神經(jīng)網(wǎng)絡來擬合腐蝕和凹陷數(shù)據(jù)。為將模型很好地泛化到未知數(shù)據(jù)，應該從最少數(shù)量的隱藏層和神經(jīng) 元開始，然后持續(xù)增加數(shù)量以更好地擬合驗證數(shù)據(jù)，但應避免過擬合。針對我們的模型，我們確定兩個隱藏層對于對所涉工藝的表面輪廓建模是最佳的，無需使用更深層架構（即具有許多隱藏層的神經(jīng)網(wǎng)絡）。

首先，我們利用神經(jīng)網(wǎng)絡模擬 HDP-CVD 和 SOD 工藝的 CMP 前輪廓，Calibre CMP ModelBuilder 工具中提供了其簡化模型。使用測量數(shù)據(jù)，我們生成了用于訓練神經(jīng)網(wǎng)絡的訓練集。接下來，我們運用 Calibre CMP ModelBuilder 工具對測量數(shù)據(jù)和模型生成的仿真數(shù)據(jù)進行了驗證。最后，我們將該神經(jīng)網(wǎng)絡應用于 FCVD 和 eHARP 工藝的 CMP 前輪廓建模。

神經(jīng)網(wǎng)絡在 CMP 輪廓建模中的應用

為了測試利用機器學習和神經(jīng)網(wǎng)絡生成 CMP 模型的實用性和準確性，我們使用以下四種沉積工藝進行了實驗：HDP-CVD、SOD、FCVD、eHARP。

HDP-CVD 工藝建模：HDP-CVD 工藝最初用于 STI，但如今它與芯片制造中高縱橫比沉積工藝一起，廣泛用于不同氧化物的沉積。在 HDP-CVD 期間，沉積和離子濺射過程同時發(fā)生，因此有效區(qū)域上會出現(xiàn)三角形和梯形形狀。這些幾何形狀隨著底層有效區(qū)域圖形幾何形狀而變化，導致沉積的氧化物厚度有差異（圖 4）。