虚拟孪生案例:机器学习如何同时优化DRAM制造中的八种系统性缺陷
Lam Research团队在DRAM制造中构建校准虚拟孪生,将八种已知系统性缺陷转化为可测量的几何条件,用机器学习同时搜索使整体通过率最优的工艺目标,预测良率从名义条件的0.1%升至优化后的78.5%。
半导体制造中,良率爬坡阶段最棘手的不是随机缺陷,而是系统性缺陷——那些由多个工艺模块之间复杂交互驱动的失效模式。它们不像随机颗粒污染那样容易通过统计方法定位,往往需要大量晶圆实验才能逐一排查,成本高、周期长。
Lam Research的工艺工程团队在《Semiconductor Engineering》发表了一项案例研究,展示了如何用校准虚拟孪生和机器学习来绕过这一瓶颈。方法的核心思路是:先在虚拟环境中复现制造过程,再把每种缺陷翻译成可测量的几何条件,最后用机器学习同时搜索能让所有缺陷通过率都最优的工艺参数组合。
具体操作分三步。第一步,用SEMulator3D构建DRAM工艺序列的虚拟模型,并在过程中设置虚拟量测点,捕捉关键结构的几何状态。第二步,用机器学习将模型校准到真实硅片数据上,使虚拟环境能够复现观察到的制造行为。第三步,在模型中嵌入八种已知系统性缺陷——包括短路、断路和关键DRAM结构之间的重叠缺陷——并为每种缺陷定义对应的虚拟量测条件。
方法论上的关键选择是同时优化而非逐缺陷处理。工程团队没有分别解决八种缺陷中的每一种,而是让优化算法在所有八种缺陷的失效率上同时搜索,寻找使整体通过率最高的工艺目标。文章原文描述了这一思路:优化例程同时评估多种工艺变更的影响,搜索能改善整体通过率的工艺目标。
在名义工艺条件下,该模型的预测总良率仅为0.1%。经过机器学习优化后,预测良率升至78.5%,八种缺陷的失效率均显著下降。分析还将优化方案转化为可操作的产线工艺目标,帮助工程师识别哪些工艺和结构参数应当调整。
需要明确的是,这些数字全部来自虚拟孪生环境中的预测,文章未报告在真实晶圆上的验证结果。八种缺陷由作者自行定义并嵌入模型,因此优化方案的有效性取决于这八种模式是否覆盖了实际产线中真正制约良率的失效机制;若存在未被纳入的缺陷类型,预测的良率提升幅度未必能在硅片上复现。