使用OCD的機器學習用於預測性能性能

抽象的
隨著過程複雜性的增長和過程步驟的增加，早期預測
設備性能已成為半導體製造過程控製中的重要任務。
機器學習（ML）技術使我們能夠將在線測量與線路結束（EOL）聯係起來（EOL）
電測試。在我們的論文中，我們使用從散點圖工具獲得的反射光譜
預測金屬線電阻和電容。我們與Lele一起使用IMEC N-14工藝流
EUV在M1階段的雙重圖案。多個特殊設計（DOE）
參數使我們能夠為整個過程窗口創建一個計量解決方案並測試其
所有POI的精度。線CD和空間CD的誘導變化，特別是
設計的測量位點在金屬線電阻和電容中都產生了廣泛的變化。
在定義金屬線的兩個過程步驟中收集了反射光譜：HM蝕刻和Cu
多個目標的CMP，包括E檢驗測量位點，以及參考指標
覆蓋（OV）和CD（通過基於衍射的覆蓋層（DBO）和CD SEM）。EOL MT1
電氣測試結果用於ML訓練程序，用於早期預測模式
影響（CD和OL）對電性能的影響，從而實現早期決策和降低成本
在到達電氣測試之前，丟棄特定的晶圓。結果表明ML OCD
預測技術符合基於OCD模型的幾何解決方案
廣泛用於在線APC的參數。