[논문 리뷰] A Novel Approach for Semiconductor Etching Process with Inductive Biases

Sanghoon Myung, Hyunjae Jang외 6명|arXiv (Cornell University)|2021. 04. 06.

Adversarial Robustness in Machine Learning참고 문헌 6인용 수 5

한 줄 요약

이 논문은 반도체 에칭에 대한 물리 기반 딥러닝 모델을 제안하며, 특히 Weibull 기반 프로파일 진화와 누적 에칭 제약 조건과 같은 인도적 편향(inductive biases)을 트랜스포머 아키텍처에 통합한다. 이 모델은 표준 딥러닝 모델과 TCAD 시뮬레이션을 모두 능가하여 물리적 행동을 더 잘 반영하고, 더 빠른 추론 속도와 더 높은 정확도를 확보하여, 기준 모델 대비 9.4%의 일반화 성능 향상을 달성한다.

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.

연구 동기 및 목표

• 분포 이탈과 물리적 일관성 부족으로 인해 표준 딥러닝 모델이 반도체 에칭에서 실패하는 문제를 해결하기 위해.
• 도메인 특화 물리 제약 조건을 인도적 편향으로 통합하여 모델의 일반화 능력과 신뢰성을 향상시키기 위해.
• 느린 캘리브레이션 과정을 수반하는 기존 TCAD 시뮬레이션을 대체하거나 보완할 수 있는 더 빠르고 정확한 예측 모델을 개발하기 위해.
• 아키텍처 설계를 통해 예측 결과가 물리 법칙(예: 순차적 수직 에칭, 단조적 재료 제거)을 따르도록 보장하기 위해.
• 불확실성 정량화와 설명 가능한 AI를 통해 신뢰성 있는 예측을 확보하고 도메인 지식과의 일치 여부를 검증하기 위해.

제안 방법

• 레시피 입력(장비 및 웨이퍼 위치 포함)을 기반으로 단계별로 DTI(딥 트렌치 이솔레이션) 프로파일을 예측하는 트랜스포머 기반 모델을 도입한다.
• 물리적으로 타당한 프로파일 진화를 보장하기 위해 학습 가능한 형상(parameter k)과 척도(parameter λ)를 가진 Weibull 활성화 함수를 적용한다.
• 에칭 단계 전반에 걸쳐 총 에칭 깊이가 단조롭게 증가하도록 누적 에칭 제약 조건을 적용하여 인위적 재코팅을 방지한다.
• 예측 불확실성을 단계별로 정량화하기 위해 딥 앙상블과 음의 로그우도(NLL) 손실 함수를 사용한다.
• 중간 측정 데이터가 필요 없이도 중간 프로파일을 생성할 수 있도록 모델 아키텍처를 설계한다.
• TCAD 시뮬레이션 결과와의 비교 및 분포 외 테스트 레시피에서의 일반화 성능 평가를 통해 모델을 검증한다.

실험 결과

연구 질문

• RQ1 표준 아키텍처를 초월해 인도적 편향을 통합함으로써 딥러닝 모델의 일반화 능력과 물리적 일관성은 반도체 에칭 분야에서 향상될 수 있는가?
• RQ2 Weibull 기반 프로파일 진화를 통합함으로써 모델의 물리적 에칭 행동과의 일치도는 어떻게 향상되는가?
• RQ3 누적 에칭의 단조성 조건을 강제로 적용할 경우 예측 신뢰도는 얼마나 향상되고 물리적으로 비합리적인 결과는 얼마나 감소하는가?
• RQ4 인도적 편향 통합이 표준 딥러닝 기준 모델 대비 분포 외 테스트 데이터에서 더 높은 성능을 내는가?
• RQ5 모델의 불확실성 추정치와 어텐션 맵은 도메인 특화 지식과 일치하는 방식으로 해석될 수 있는가?

주요 결과

• 인도적 편향을 통합한 제안된 모델은 분포 외 테스트 레시피에서 기준 모델 대비 9.4%의 일반화 성능 향상을 달성했다.
• Weibull 활성화 없이도 모델은 물리적으로 비합리적인 결과를 생성했으며, 예를 들어 에칭된 트렌치의 재코팅 현상이 발생했고, 이는 인도적 편향의 필요성을 입증했다.
• 모델의 예측 결과는 특히 최종 에칭 프로파일에서 기준 모델보다 TCAD 시뮬레이션 결과와 유사도가 뚜렷이 높았다.
• 모델의 불확실성 추정치는 각 단계에서 적절하게 증가했으며, 시간이 지남에 따라 예측의 신뢰도와 정확도가 향상됨을 반영했다.
• 어텐션 맵을 통해 모델이 트렌치의 상단과 하단 에칭을 적절한 단계에 할당하는 데 성공했으며, 도메인 지식과 일치함을 확인했다.
• 중간 측정 데이터 없이도 모델은 정확한 중간 프로파일을 생성했으며, 레시피 입력만으로도 전체 단계별 예측이 가능했다.