使用混合計量和機器學習的電氣測試預測

抽象的
線路後端（BEOL）的電氣測試測量對於晶片和模具分揀以及比較至關重要
預期的過程分裂。任何在線，非破壞性技術在過程流程中準確預測這些
測量可以顯著改善缺陷的平均時間 - 檢測（MTTD），並改善循環時間，以獲得產量和
過程學習。在BEOL金屬化之後測量通常用於過程控製和學習，特別是
散射測定法（也稱為OCD（光學關鍵尺寸），可以解決多種配置文件參數
作為金屬線高度或側壁角度，在圖案化區域內。這使散射測定法有一個優勢
基於基於顯微鏡的技術，提供自上而下的信息，因為這些技術可以不敏感
隱藏在溝槽的金屬填充下的側壁變化。但是當麵對與電氣測試相關時
特定於BEOL處理的測量，兩種技術都麵臨著采樣的額外挑戰。
基於顯微鏡的技術是采樣限製的，其探針尺寸小，而散射測定法傳統上有限
（對於微處理器）來劃線瞄準模擬設備地麵規則但不一定設計為電氣的目標
可測試。
該采樣挑戰的解決方案位於基於快速的基於基於的機器學習能力，允許OCD
即使它們不兼容，也可以直接測量電可測量的結構。通過合並
這種直接OCD測量，與貝爾電氣測試結構的電阻的相關性，從而進行預測
顯著改善。多種模具電氣可測力裝置的預測能力的改進
證明了結構。為了進一步提高電阻測量預測的質量，
使用使用OCD測量的混合計量以及X射線計量（XRF）。雜交計量是
從多個來源結合信息的實踐，以便啟用或改善一個或多個測量
關鍵參數。這裏，XRF測量用於檢測阻擋層組合物的微妙變化
可以對測試結構的電阻具有二階效應的厚度。通過考慮
借助於基於X射線的測量，進一步改善了與電測試的OCD相關性
達到測量。使用兩種類型的解決方案 - 加入快速參考的機器學習非
COOL的OCD兼容的測試結構和混合計量與XRF技術改進万博mantex体育入口
可以通過改善預測能力來實現循環時間學習。
關鍵詞：OCD，散射測定，機器學習，電氣測試，預測，XRF，雜交計量，阻力