Lam Research
2 节点1 篇2 来源
Lam Research(美国半导体设备制造商)展示了一种结合校准虚拟孪生与机器学习优化以显著提升DRAM制造良率的方法。该方案旨在解决“系统性缺陷”这一核心挑战——即由多个工艺模块间复杂交互产生的缺陷,这类缺陷传统上需通过昂贵且耗时的晶圆实验才能识别。
Lam Research的Semiverse Solutions团队构建了DRAM工艺流程的数字孪生模型,并利用硅片数据对其进行校准。他们在模型中定义了八种已知的系统性失效机制(包括短路、开路及重叠缺陷),将其转化为可测量的几何条件。随后,利用Fabtex™ Yield Optimizer软件应用机器学习算法,同时搜索能最小化这八种失效模式的整体工艺目标,而非逐一顺序优化。
在该案例研究中,名义条件下的预测总良率为0.1%。经过机器学习驱动的优化后,预测良率升至78.5%,且所有八种机制的失效率均有所降低。【存疑】需注意,这些数据为模型预测值,并非实测硅片良率。该分析将优化后的解决方案转化为可执行的在线晶圆厂目标,使工程师能够直接在现实生产中调整工艺参数。
此方法旨在通过减少良率爬坡期间对大量物理晶圆测试的需求,从而加速产品上市时间并降低成本。
事情怎么走到这一步
Lam Research在SEMICON West 2025上推出Fabtex™ Yield Optimizer,强调其利用虚拟硅数字孪生和AI/ML技术解决大批量制造中的良率波动问题。
newsroom.lamresearch.com ↗Lam Research发布技术博客,详述一个具体案例研究:通过校准虚拟孪生和机器学习优化,针对八种系统性失效模式,将DRAM预测良率从0.1%提升至78.5%。
newsroom.lamresearch.com ↗
还没定论的部分
- 模型预测的良率提升如何在实际生产环境中转化为实测硅片良率?
- 晶圆厂采用这种虚拟孪生方法论的具体计算资源需求和集成时间表是怎样的?