Les conceptions avancées de système sur puce sont extrêmement complexes en termes de nombre de transistors et sont difficiles à construire en utilisant les derniers processus de fabrication. Afin de rendre la production de puces de nouvelle génération économiquement réalisable, les fabricants de puces doivent garantir des rendements élevés au début de leur cycle de vie en détectant et corrigeant rapidement les défauts.

Mais trouver et corriger les défauts n’est pas facile aujourd’hui, car les outils d’inspection optique traditionnels n’offrent pas une résolution d’image suffisamment détaillée, tandis que les outils d’inspection par faisceau électronique et multifaisceaux haute résolution sont relativement lents. Cherchant à combler le fossé en termes de coûts et de temps d’inspection, Applied Materials a développé une technologie appelée technologie ExtractAI, qui utilise une combinaison du dernier outil d’inspection optique Enlight de la société, du système d’examen par faisceau électronique SEMVision G7 et de l’apprentissage en profondeur (AI) pour trouver rapidement les défauts. Et étonnamment, cette solution est utilisée depuis environ un an maintenant.

«Le nouveau playbook d’Applied pour le contrôle des processus combine le Big Data et l’IA pour fournir une solution intelligente et adaptative qui accélère le temps de nos clients pour atteindre un rendement maximal», a déclaré Keith Wells, vice-président du groupe et directeur général, Imagerie et contrôle des processus chez Applied Materials. «En combinant nos meilleures technologies d’inspection optique et d’examen eBeam, nous avons créé la seule solution du secteur dotée de l’intelligence pour non seulement détecter et classer les défauts critiques en termes de rendement, mais également apprendre et s’adapter aux changements de processus en temps réel. Cette capacité unique permet aux fabricants de puces d’accélérer la montée en puissance de nouveaux nœuds de processus et de maintenir des taux de capture élevés des défauts critiques en termes de rendement pendant toute la durée de vie du processus. »

Détection des défauts: une étape cruciale dans la fabrication de puces

En tant qu’industrie hautement compétitive, l’industrie des semi-conducteurs est également extrêmement sensible au facteur temps. Les entreprises modernes doivent développer de nouvelles puces, les corriger, puis les lancer toutes dans des délais assez serrés. De nos jours, il faut des années pour développer une puce avancée et plusieurs mois pour fabriquer réellement un lot. L’un des paramètres de temps les plus cruciaux est le temps de céder, c’est-à-dire de pouvoir fournir un grand nombre de puces avec des rendements suffisamment élevés. Un concepteur de puces a peut-être l’architecture la plus efficace du marché, mais s’il ne peut pas la fabriquer en gros volumes, il perdra toujours de l’argent et des parts de marché. Même les fonderies ressentent ce pincement, car le temps nécessaire pour réparer les défauts et mettre les lignes à niveau représente des millions de dollars d’amortissement de l’équipement à lui seul – une semaine d’arrêt d’une usine de 3 nm devrait coûter 25 millions de dollars en coûts d’amortissement non amortis. Par conséquent, l’obtention d’un délai acceptable pour produire des métriques dépend fortement de la capacité d’une usine à détecter et à corriger les défauts destructeurs de rendement.

Étant donné que la majorité des SoC avancés sont fabriqués à l’aide de processus de fabrication extrêmement petits – dont beaucoup reposent sur une lithographie à motifs multiples et / ou une lithographie ultraviolette extrême (EUV) – il devient très difficile de détecter les défauts. Applied Materials affirme que le nombre d’étapes du processus a augmenté de 48% de 2015 à 2021.

Pendant ce temps, de petits écarts et largeurs de ligne peuvent finir par devenir des défauts destructeurs de rendement s’ils se multiplient. De plus, si ces minuscules écarts sont détectés tardivement, toutes les étapes du processus effectuées après l’introduction de la variance sont essentiellement une perte de temps et d’argent. En fait, même une détection tardive peut être considérée comme de la malchance, car il est extrêmement difficile de rechercher la cause première d’un défaut d’un circuit intégré comportant des transistors FinFET et réalisé à l’aide de plusieurs motifs.

Tout comme les scanners utilisés pour fabriquer des puces, les outils d’inspection ont considérablement évolué au fil des ans. Mais ils sont également devenus plus chers, ce qui augmente le coût par balayage de wafer. Selon Applied Materials, le prix d’un système d’inspection optique haut de gamme a augmenté de 56% au cours des six dernières années, ce qui à son tour a augmenté le coût par balayage de tranche de 54% au cours de la même période.

En conséquence, l’industrie fab fait face à un catch-22. D’une part, il doit faire plus d’inspections (de préférence après chaque étape du processus) afin d’accélérer le temps de production et de rendre la production plus efficace. De plus, les fabricants de puces procèdent toujours à des améliorations continues des processus (IPC), pour améliorer les rendements et réduire les variations de performances / puissance à l’aide du contrôle statistique des processus (SPI), ce qui implique à nouveau des inspections supplémentaires. Mais d’un autre côté, comme il y a tellement d’étapes de processus aujourd’hui et que les outils d’inspection sont si chers, les ingénieurs doivent limiter les étapes d’inspection pour empêcher leurs budgets de contrôle de processus de monter en flèche, ce qui allonge essentiellement le temps de production et tout en ralentissant le processus. Processus IPC.

Un autre problème auquel sont confrontés les ingénieurs d’usine est la quantité de bruit captée par les outils d’inspection optique modernes. À un moment donné, le bruit devient impossible à distinguer des défauts de rendement, de sorte que les ingénieurs doivent appliquer certains modèles de filtrage pour réduire les ensembles de données avec lesquels ils doivent travailler. Tout naturellement, cela réduit leur capacité à détecter un défaut suffisamment tôt.

Utilisation de l’IA pour l’inspection des plaquettes

Cela nous amène à la technologie ExtractAI d’Applied Materials. En tant que l’un des plus grands fabricants d’outils de production au monde, Applied Materials propose une large gamme d’outils d’inspection, y compris des outils d’inspection optique et des outils d’examen par faisceau électronique. La société cherche donc à exploiter son expertise dans le domaine pour trouver un moyen d’utiliser les deux technologies pour atténuer les inconvénients de chaque outil – des outils d’inspection optique rapides mais à résolution limitée et des outils de faisceau électronique lents mais détaillés.

À cette fin, Applied Materials a combiné son dernier système d’inspection optique de plaquettes Enlight avec sa nouvelle technologie ExtractAI. Le logiciel ExtractAI utilise essentiellement l’apprentissage en profondeur (IA) pour essayer de mieux interpréter les résultats des scanners optiques, en traitant les données optiques tout en utilisant leur système d’examen par faisceau électronique SEMVision G7 comme source de formation et de vérification des résultats.

Sur le papier, tout fonctionne assez simplement. Un système Enlight capture une image haute résolution d’une plaquette et génère rapidement une base de données de défauts potentiels. La plaquette est ensuite envoyée à un système d’examen par faisceau électronique SEMVision G7 qui distingue les défauts du bruit et classe les défauts. Les images et les données capturées par Enlight et le SEMVision G7 sont ensuite transmises au logiciel ExtractAI pour l’entraîner à reconnaître automatiquement les défauts de rendement spécifiques sur la carte des plaquettes générée à l’aide des systèmes matériels et à les distinguer du bruit.

En conséquence, le processus de balayage prend beaucoup moins de temps avec les futures plaquettes de la même puce, car les systèmes ont déjà une carte de plaquettes exploitable avec des défauts de rendement potentiels et devraient savoir ce qu’il faut rechercher. Pendant ce temps, au fur et à mesure que le logiciel ExtractAI obtient plus de données à partir de plus de plaquettes, la formation supplémentaire devrait lui permettre d’offrir encore plus de précision et de performances. D’autant que les bases de données de défauts qui en résultent peuvent être partagées dans une fabrique ou même dans toute l’entreprise.

Déjà au travail

Comme cela se produit généralement avec les annonces d’Applied Materials, leur plus récent ensemble d’outils est déjà installé dans plusieurs fabs. Selon la société, leur outil d’inspection optique Enlight avec la technologie ExtractAI est déjà utilisé dans des usines logiques en Corée du Sud, à Taiwan et aux États-Unis, qui l’utilisent tous pour améliorer le temps de production de leurs dernières technologies.

«Les données supplémentaires obtenues par la surveillance en ligne me permettent d’accélérer et de gérer les rendements d’une manière que je ne pourrais jamais me permettre de faire auparavant», a déclaré un client anonyme d’Applied en juin 2020 (selon la présentation de l’entreprise).

Applied Materials a commencé le développement du système Enlight avec ExtractAI en 2016, les expéditions commerciales aux producteurs de logique commençant au premier trimestre 2020. D’ici la fin du premier trimestre 2021, les ventes cumulées de l’outil d’inspection devraient dépasser 400 millions de dollars. Les outils d’inspection par faisceau d’électrons SEMVision d’Applied sont également largement utilisés par l’industrie (plus de 1500 unités ont été installées depuis 1998), mais seuls le SEMVision G7 et ses successeurs sont compatibles avec Enlight et ExtractAI.

Aujourd’hui, le système d’inspection optique Enlight d’Applied Materials avec la technologie ExtractAI est utilisé par les principales usines de logique (comme il n’y en a pas beaucoup, leurs noms ne sont pas difficiles à deviner). Mais à mesure que les technologies de processus DRAM deviennent de plus en plus complexes, la société s’attend à ce que les fabricants d’autres domaines industriels adoptent également l’ensemble d’outils d’Applied axés sur l’apprentissage en profondeur dans les trimestres et les années à venir.