来源：本文由半导体行业观察编译自【
anandtech
】，谢谢。
先进的片上系统设计在晶体管数量方面极为复杂，并且难以使用最新的制造工艺来构建。为了使下一代芯片的生产在经济上可行，芯片制造厂需要通过快速发现和纠正缺陷来确保生命周期早期的高产量。
但是，如今发现和修复缺陷并不容易，因为传统的光学检测工具无法提供足够详细的图像分辨率，而高分辨率电子束和多束检测工具相对较慢。为了弥补检查成本和时间上的差距，应用材料公司一直在开发一种名为ExtractAI技术的技术，该技术将公司最新的Enlight光学检查工具，SEMVision G7电子束检查系统和深度学习（AI）结合使用，迅速发现缺陷。令人惊讶的是，该解决方案已经使用了大约一年。
“应用材料公司新的过程控制手册将大数据和人工智能相结合，提供了一种智能且自适应的解决方案，可加快客户实现最大成品率的时间，”应用材料集团图像处理和过程控制部门副总裁兼总经理Keith Wells说。“通过结合我们一流的光学检测和eBeam审查技术，我们创建了业界唯一的智能解决方案，不仅可以检测和分类对产量至关重要的缺陷，还可以实时了解和适应工艺变化。这独特的功能使芯片制造商能够更快地增加新的工艺节点，并在整个工艺生命周期内保持对良率至关重要的缺陷的高捕获率。”
作为竞争激烈的行业，半导体行业也非常注重时间。现代公司必须开发新芯片，对其进行错误修复，然后在相当紧迫的计划中全部启动。如今，开发高级芯片需要数年的时间，而实际制造一批要花费数月的时间。最关键的时间参数之一是良品率，即能够以足够高的良率提供大量芯片。芯片设计师可能拥有最高效的架构，但是如果他们无法批量生产，那么他们仍然会损失金钱和市场份额。甚至代工厂也感到这种压力，由于修复缺陷和使线段整齐所需的时间仅在设备折旧上就意味着数百万美元的费用– 3纳米晶圆厂停机一周时间预计将产生2500万美元的未摊销折旧费用。因此，实现可接受的产出时间指标很大程度上取决于fab检测和修复扼杀产出缺陷的能力。
由于大多数高级SoC是使用非常小的制造工艺制造的（其中许多制造工艺依赖于多图案化和/或极紫外（EUV）光刻），因此检测缺陷变得越来越困难。Applied Materials表示，从2015年到2021年，工艺步骤数量增加了48％。
同时，小的方差和线宽如果相乘，最终可能会导致产量减少的缺陷。此外，如果这些微小的差异被发现得较晚，则引入差异之后进行的所有处理步骤实际上都是在浪费时间和金钱。实际上，即使是较晚的检测也可以算是运气不佳，因为要找出具有FinFET晶体管并使用多重图案制作的IC的缺陷的根本原因，这是非常困难的。
就像用于构建芯片的扫描仪一样，这些年来检查工具也有了长足的发展。但是它们也变得更加昂贵，这增加了每次晶片扫描的成本。根据Applied Materials的数据，在过去的六年中，高端光学检测系统的价格标签上涨了56％，这反过来又使同期的每片晶圆扫描成本增加了54％。
结果，晶圆厂行业面临两难境地。一方面，它需要进行更多的检查（最好在每个过程步骤之后），以加快生产速度并提高生产效率。此外，芯片制造商一直在使用统计过程控制（SPI）来进行持续的过程改进（CPI），以提高产量并减少性能/功率变化，这又需要进行额外的检查。但是另一方面，由于当今有太多的处理步骤，而且检查工具非常昂贵，工程师必须限制检查步骤，以防止其过程控制预算猛增，这实际上延长了生产时间，同时降低了
CPI流程
生产速度。
晶圆厂工程师面临的另一个问题是现代光学检测工具所捕获的噪声量。在某些时候，噪声与消除良率的缺陷变得难以区分，因此工程师必须应用某些过滤模型来减少必须使用的数据集。很自然地，这会降低他们足够早地发现缺陷的能力。
这将我们带入了Applied Materials的ExtractAI技术。作为全球最大的生产工具制造商之一，应用材料公司拥有广泛的检查工具，包括光学检查工具和电子束检查工具。因此，该公司正在寻求利用其在该领域的专业知识，找到一种使用两种技术来缓解每种工具的方面缺陷的方法-快速但分辨率有限的光学检测工具和慢速但详细的电子束工具。
为此，应用材料公司将其最新的Enlight光学晶圆检测系统与他们的新ExtractAI技术相结合。ExtractAI软件实质上是使用深度学习（AI）来尝试更好地解释光学扫描仪的结果，处理光学数据，同时使用其SEMVision G7电子束查看系统作为培训和结果验证的来源。
在纸上，一切工作都非常简单。Enlight系统捕获晶圆的高分辨率图像并快速生成潜在缺陷的数据库。然后将晶圆发送到SEMVision G7电子束检查系统，该系统可将缺陷与噪声区分开来并对缺陷进行分类。然后，将Enlight和SEMVision G7捕获的图像和数据输入到ExtractAI软件中，对其进行训练，以自动识别使用硬件系统生成的整个晶圆图上特定的抑制产量的缺陷，并将其与噪声区分开。
结果是，对于同一芯片的未来晶圆来说，扫描过程所花费的时间要少得多，因为系统已经有了一个具有潜在减产缺陷的可操作晶圆图，并且应该知道应该寻找什么。同时，随着ExtractAI软件从更多晶圆中获得更多数据，额外的培训将使其提供更高的准确性和性能。特别是当产生的缺陷数据库可以在整个工厂甚至整个公司共享时。
正如应用材料公司发布公告时通常发生的那样，他们最新的工具集已经安装在多个晶圆厂中。据该公司称，其采用ExtractAI技术的Enlight光学检测工具已在韩国，台湾和美国的逻辑工厂中使用，所有这些公司都在使用它来缩短生产最新技术的时间。
“通过生产线监控获得的额外数据使我能够以前所未有的方式加速和管理产量，” 2020年6月Applied的一位不愿透露姓名的客户表示（根据该公司的介绍）。
应用材料公司于2016年开始使用ExtractAI开发Enlight系统，并于2020年第一季度开始向逻辑生产商进行商业发货。到2021年第一季度末，该检测工具的累计销售额预计将超过4亿美元。Applied的SEMVision电子束检查工具在业界也得到了广泛使用（自1998年以来已安装了1,500多个），但是只有SEMVision G7及其后续产品与Enlight和ExtractAI兼容。
如今，领先的逻辑晶圆厂正在使用应用材料公司的具有ExtractAI技术的Enlight光学检测系统（由于数量不多，因此很难猜出它们的名称）。但是随着DRAM处理技术的不断复杂化，该公司预计其他晶圆厂的制造商也将在未来几个季度和几年内采用Applied的深度学习驱动工具集。
*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。
今天是《半导体行业观察》为您分享的第2620内容，欢迎关注。
『
半导体第一垂直媒体
』
实时 专业 原创 深度
识别二维码
，回复下方关键词，阅读更多
晶圆｜集成电路｜设备｜模拟芯片
｜射频｜传感器｜晶体管｜ASML
回复
投稿
，看《如何成为“半导体行业观察”的一员 》
回复
搜索
，还能轻松找到其他你感兴趣的文章！
