[论文解读] A Novel Approach for Semiconductor Etching Process with Inductive Biases
本文提出了一种用于半导体刻蚀的物理信息深度学习模型，通过将归纳偏置——特别是基于威布尔分布的轮廓演化和累积刻蚀约束——嵌入Transformer架构中。该模型在匹配物理行为方面优于标准深度学习模型和TCAD仿真，实现了更快的推理速度和在未见数据上的更高精度，相较于基线模型实现了9.4%的泛化性能提升。
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.
研究动机与目标
- 解决标准深度学习模型在半导体刻蚀中因分布偏移和缺乏物理一致性而导致的失效问题。
- 通过将领域特定的物理约束作为归纳偏置嵌入，提升模型的泛化能力和可靠性。
- 以更快、更准确的预测模型替代或补充耗时且需大量校准的TCAD仿真。
- 通过架构设计确保预测结果符合物理定律（例如，顺序垂直刻蚀、单调材料去除）。
- 通过不确定性量化和可解释AI提升可信度，并基于领域知识进行验证。
提出的方法
- 提出一种基于Transformer的模型，通过工艺参数输入（包括设备和晶圆位置）逐步预测DTI（深槽隔离）轮廓。
- 采用可学习形状参数（k）和尺度参数（λ）的威布尔激活函数，以在每一步刻蚀中强制实现物理上合理的轮廓演化。
- 施加累积刻蚀约束，确保总刻蚀深度在各步骤中单调递增，防止人为再沉积现象。
- 采用深度集成模型并结合负对数似然（NLL）损失，量化各步骤的预测不确定性。
- 设计模型架构，使其能够生成中间轮廓，而无需依赖中间测量数据。
- 通过将预测结果与TCAD仿真对比，并评估其在分布外测试工艺下的泛化能力，对模型进行验证。
实验结果
研究问题
- RQ1归纳偏置是否能在标准架构之外，进一步提升深度学习模型在半导体刻蚀中的泛化能力和物理一致性？
- RQ2嵌入基于威布尔分布的轮廓演化对模型与物理刻蚀行为的一致性有何影响？
- RQ3强制实施单调累积刻蚀在多大程度上提升了预测的可靠性并减少了物理上的不合理性？
- RQ4与标准深度学习基线相比，归纳偏置的整合是否在分布外测试数据上带来了更好的性能表现？
- RQ5模型的不确定性估计和注意力图是否能与领域特定知识一致地进行解释？
主要发现
- 所提出的带有归纳偏置的模型在分布外测试工艺的泛化性能上，相较于基线模型提升了9.4%。
- 若不使用威布尔激活，模型会产生物理上不合理的输出，例如刻蚀沟槽的再沉积现象，表明该归纳偏置的必要性。
- 模型的预测结果与TCAD仿真的吻合度显著优于基线模型，尤其在最终刻蚀轮廓上表现更优。
- 模型的不确定性估计随每一步推移而合理增加，反映出预测置信度和可靠性随时间提升。
- 注意力图证实，模型正确地将沟槽顶部和底部的刻蚀归因于对应步骤，与领域知识一致。
- 模型在无需中间测量数据的情况下，成功生成了准确的中间轮廓，仅凭工艺输入即可实现完整步骤的逐级预测。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。