[論文レビュー] A Novel Approach for Semiconductor Etching Process with Inductive Biases

Sanghoon Myung, Hyunjae Jang+6 more|arXiv (Cornell University)|Apr 6, 2021

Adversarial Robustness in Machine Learning参考文献 6被引用数 5

ひとこと要約

本論文は、半導体エッチングに特化した物理情報付きディープラーニングモデルを提案する。このモデルは、Weibullに基づくプロファイル進化と累積エッチング制約といった誘導的バイアスを、Transformerアーキテクチャに埋め込む。標準的なディープラーニングとTCADシミュレーションを上回る性能を発揮し、物理的挙動をよりよく再現する。予測が高速で、未知のデータに対して精度が向上し、ベースラインモデル比で一般化性能が9.4%向上する。

ABSTRACT

The etching process is one of the most important processes in semiconductor manufacturing. We have introduced the state-of-the-art deep learning model to predict the etching profiles. However, the significant problems violating physics have been found through various techniques such as explainable artificial intelligence and representation of prediction uncertainty. To address this problem, this paper presents a novel approach to apply the inductive biases for etching process. We demonstrate that our approach fits the measurement faster than physical simulator while following the physical behavior. Our approach would bring a new opportunity for better etching process with higher accuracy and lower cost.

研究の動機と目的

• 分布シフトと物理的一致性の欠如による標準的ディープラーニングモデルの失敗を解消すること。
• ドメイン固有の物理的制約を誘導的バイアスとして埋め込むことで、モデルの一般化性能と信頼性を向上させること。
• 遅く、キャリブレーションに時間がかかるTCADシミュレーションの代替または補完として、より速く正確な予測モデルを構築すること。
• アーキテクチャ設計により、物理法則（例：逐次的垂直エッチング、単調な材料除去）に予測が一致することを保証すること。
• 不確実性の定量化と説明可能なAIを統合し、ドメイン知識と照合することで信頼性を高めること。

提案手法

• レシピ入力（装置情報、ウェハ位置など）を用いて、DTI（ディープトレーチ・イソレーション）プロファイルを段階的に予測するTransformerベースのモデルを導入する。
• 物理的に妥当なプロファイル進化を保証するため、学習可能な形状パラメータ（k）とスケールパラメータ（λ）を有するWeibull活性化関数を適用する。
• 累積エッチング制約を課し、各ステップで総エッチング深さが単調に増加するようにすることで、人工的な再被塗布を防止する。
• 予測の不確実性を段階ごとに定量化するために、ディープアンサンブルとネガティブ・ログリクアリティ（NLL）損失を用いる。
• 中間測定データが不要なように、中間プロファイルを生成できるモデルアーキテクチャを設計する。
• TCADシミュレーションとの比較と、分布外のテストレシピにおける一般化性能の評価により、モデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 誘導的バイアスを組み込むことで、標準アーキテクチャを上回る一般化性能と物理的一致性が、半導体エッチング分野のディープラーニングモデルで達成可能か？
• RQ2 Weibullに基づくプロファイル進化を埋め込むことで、モデルの物理的エッチング挙動への適合性はどのように向上するか？
• RQ3 累積エッチングの単調性を強制することで、予測の信頼性がどの程度向上し、物理的に不自然な挙動がどの程度減少するか？
• RQ4 誘導的バイアスの統合により、標準ディープラーニングベースラインと比較して、分布外テストデータにおける性能がどの程度向上するか？
• RQ5 モデルの不確実性推定値とアテンションマップは、ドメイン固有の知識と整合的に解釈可能か？

主な発見

• 誘導的バイアスを組み込んだ本モデルは、分布外テストレシピにおいて、ベースラインモデル比で一般化性能が9.4%向上した。
• Weibull活性化を導入しない場合、再被塗布を伴う物理的に不自然な結果が生じた。これは、誘導的バイアスの必要性を示している。
• 本モデルの予測結果は、特に最終エッチングプロファイルにおいて、ベースラインモデルよりもTCADシミュレーションと著しく一致した。
• モデルの不確実性推定値は、各ステップで適切に増加し、時間の経過とともに予測の信頼性が向上していることを反映していた。
• アテンションマップから、モデルがトレーチの上部と底部のエッチングを適切なステップに割り当てており、ドメイン知識と整合していた。
• 中間測定データが不要な状態で、正確な中間プロファイルを生成でき、レシピ入力のみで全ステップにわたる予測を可能にした。