麵向大批量製造計量挑戰的機器學習實現

摘要
隨著更多先進的技術節點和設備架構被用於万博mantex体育入口大批量半導體製造，
過程控製和計量正麵臨著越來越大的挑戰。更先進的計量方法是
應對這些挑戰。本研究研究機器學習預測作為一種補充方法
到光學臨界尺寸(OCD)測量。我們已經評估了機器學習解決高的適用性
生產線前端(FEOL)和後端應用的批量生產計量要求
(BEOL)來自先進技術節點的扇區。万博mantex体育入口在FEOL領域，我們已經初步證明了預測的可行性
利用機器學習從內聯測量中獲得鰭CD值。在BEOL領域，機器學習被證明
使用從OCD測量點和電采集的光譜提供直接的電阻預測
測試(電性能測試)的網站。與OCD結果相比，預測電阻與實際e-test值的相關性得到了改善
適用於各種產品的多種金屬水平。同時也表明，通過機器學習的電子考試預測可以輔助
減輕了傳統計量方法在金屬線寬變小時所麵臨的挑戰。
此外，研究了訓練集樣本數量的影響，發現訓練集樣本數量的減少
訓練集中的樣本沒有顯著降低e-test相關性和總測量不確定度(TMU)。
本文論證了基於機器學習的預測計量是一種優勢和補充
大批量製造半導體的技術。加上傳統的強迫症測量，一台機器
學習方法可以成功克服先進半導體製造中複雜的計量挑戰。
關鍵詞:機器學習，大批量生產，電子測試，過程控製，光學計量，計量學
預算,模型的複雜性