為了支持半導體制造商的自動化需求，先進的電子顯微鏡正在集成人工智能功能，以提供更快的數據生成時間并提高人力和工具資源的生產效率。
 

　　在過去五年中，半導體行業對部署人工智能(AI)和機器學習(ML)應用程序的興趣迅速增長。借助可生成PB(千萬億字節)級數據的流程和工具，人工智能及其挖掘和利用數據的能力為半導體制造商提供了許多機會，幫助他們努力改進流程、優化人力和工具資源，以及自動化勞動密集型任務。人工智能和機器學習帶來的眾多機遇包括工藝自動化、工具優化、故障檢測和分類、預測性工具維護、計量、工藝控制、排隊管理等許多方面。
 

　　在本文中，我們將重點介紹AI和ML用于半導體行業電子顯微鏡的自動化功能，包括掃描電子顯微鏡(SEM)、聚焦離子束SEM(FIB-SEM)、透射電子顯微鏡(TEM)和掃描透射電子顯微鏡((S)TEM)。我們將從簡要討論AI和ML開始，介紹自動化電子顯微鏡的案例，并討論當今電子顯微鏡中可用的AI/ML功能。
 

人工智能和機器學習
 

　　在討論電子顯微鏡中的AI之前，簡要回顧一下AI概念可能會有所幫助。
 

　　在較高的層面上，人工智能不是一項單一的技術。相反，它是使機器能夠模仿人類智能的技術集合。
 

　　人工智能系統包含四種能力：
 

　　1)使用相機或傳感器進行感知的能力；
 

　　2)通過提取信息、檢測模式和識別上下文來理解的能力；
 

　　3)行動能力;
 

　　4)學習能力。
 

　　在這四種能力中，學習與人工智能的關聯度最高。
 

　　雖然許多人認為AI和ML是同義詞，但兩者是略有不同的概念。機器學習是人工智能的一個子領域，指的是自動化學習。對于AI系統，ML允許它根據過去的結果針對特定參數在迭代過程中感知、理解、分配重要性和修改行為，以提高性能。機器學習應用程序可以是描述性的、預測性的或規范性的。
 

　　目前存在多種ML技術，大致分為兩大類：無監督學習和監督學習。
 

　　監督學習需要數據標簽或注釋，這些將作為機器學習任務的教師。無監督學習尋求在不需要標簽的情況下發現數據中的模式和自然分組。由于標記數據既昂貴又耗時，因此無監督學習可能是有利的。然而，許多機器學習任務無法修改為純粹的無監督學習，例如圖像分類。這些技術通常可以結合使用。自監督學習的技術首先在大量未標記數據上學習使用與所需任務相關的任務。然后重新配置ML系統，從而在較小的標記數據體上進行自我調整。
 

△圖1：機器學習是人工智能的一個子領域。
 

　　無論使用哪一種方法，重要的是要記住ML取決于訓練數據集的質量、偏差和規模。錯誤、標記不當或不完整的數據可能會導致機器學習偏差，如果人工智能系統以某種方式進行訓練，它可能會以意想不到的方式提供信息。
 

　　另一個需要注意的子領域是深度學習(DL)。DL是受生物神經網絡啟發的一種特定類型的ML。深度學習使用人工神經網絡，它模仿人腦中的生物神經網絡來處理信息，找到數據之間的聯系，并得出推論。DL熱潮是在2012年通過AlexNet而拉開帷幕，AlexNet在ImageNet分類任務方面產生了巨大的飛躍性改進，而這種分類任務是計算機視覺領域的一個關鍵挑戰。DL的部署進一步改變了機器翻譯、語音識別、蛋白質折疊和更多應用領域。
 

　　最后，同樣重要的是要注意自動化可能也是勞動密集型的。機器學習算法需要進行訓練，可能需要使用標記數據進行訓練，這需要在數據注釋上投入時間。然而，一旦完成，只要目標/推理數據與訓練數據域相匹配，算法就可以很好地處理目標任務。如果數據漂移，則需要重新進行訓練。
 

　　自動化電子顯微鏡的案例
 

　　簡單地說，半導體制造是人類有史以來最復雜的工作之一。制造當今的三維(3D)半導體需要數百個工藝步驟才能生產出包含數十億個晶體管和互連線的單個芯片。隨著邏輯和存儲轉向具有更高密度的更高比率的3D結構，具有亞埃精度的統計相關數據的可用性，對于識別缺陷和超出公差的工藝步驟至關重要。因此，先進的FIB-SEM、SEM和TEM工具成為在所有前沿晶圓制造工藝中獲取數
 

　　據的關鍵組件。
 

　　在半導體行業中，電子顯微鏡已經并將繼續在提供數據以改進和優化制造工作流程方面發揮越來越大的作用。從樣本中提取數據用于(S)TEM成像和分析，以校準工具集、診斷故障機理并優化工藝良率。然而，在執行高度特定的測量之前，需要使用FIB-SEM準備樣品，并且應該注意的是，(S)TEM的成像和分析在很大程度上取決于樣品的質量。
 

　　過去，SEM和TEM分析的樣品制備這一具有挑戰性的任務一直由經驗豐富的FIB-SEM用戶手動進行。在TEM樣品制備的情況下，這可能特別耗時。然而，隨著支持每一代持續的半導體開發所需的樣品數量呈指數級增長，人工處理正迅速變得不可持續，并且超過可用的人力資源。為了提供背景信息，一家典型的先進半導體制造商可能在當前工藝節點上每月生產35,000到40,000個樣品，并且這個數字預計會在下一代中大幅增加。
 

　　一旦樣品準備好后，分析工作就開始了。使用先進的計量(S)TEM，例如Thermo ScientifificTM MetriosTM AX，實驗室就可以測量關鍵尺寸并表征器件，以更好地了解其在原子尺度上的結構。與樣品制備類似，此任務傳統上也是手動進行的，而且也可能很耗時。
 

　　面對要處理的樣品數量的增加和提供信息的需要變得更快(圖2)，許多半導體制造商正在尋求實驗室和晶圓廠的工具自動化，并表現出對實驗室和晶圓廠自動化工具的興趣。
 

△圖2：電子顯微鏡(EM)樣品從10nm到3nm。
 

　　電子顯微鏡中的AI/ML
 

　　在某種程度上，當今電子顯微鏡的人工智能能力還處于起步階段，主要應用于如下兩個領域：系統校準和過程自動化。一個欠開發的領域是數據分析。為了提供半導體行業的一些AI應用示例，下面將簡要介紹Thermo Fisher Scientifific的(S)TEM、DualBeam和掃描電子顯微鏡中支持AI的一些功能。
 

　　系統校準
 

　　系統校準主要是保持電子顯微鏡處于工作狀態并優化其性能。在系統校準中，四個廣為人知的應用程序是工具對準、預測性維護和監控、隊列管理和圖像優化。這些應用程序的示例如下。
 

　　通過工具對準，電子顯微鏡利用計算機視覺和高級算法來對齊縱列和光束。AI跟蹤縱列的對齊狀態并將其與穩定性窗口進行比較，以保持工具對準并按規范運行。這確保了高質量的數據捕獲，并防止了由于運行時間錯誤或在收集數據后發現偏移導致的生產力損失。
 

　　通過使用AI和收集的傳感器數據來自動識別可能影響工具操作的潛在問題，從而實現預測性維護和監控。預測性維護和監控提供了避免計劃外停機，根據需要主動安排維護，或在即將發生突然故障時通知進行干預的能力。
 

　　此領域中的另一個應用程序示例是圖像優化。對于半導體行業，數據清理凈化或去噪對(S)TEM數據進行可重復且具有統計意義的定量分析至關重要。在圖3的示例中，ML網絡在結構上進行了訓練，以降低信噪比(SNR)并提高SEM圖像質量和采集速度。右邊的圖像是去噪后的圖像。
 

過程自動化
 

　　過程自動化應用程序的目標是自動執行樣品制備、數據采集和計量任務，以提高勞動力資源的生產效率。提供過程自動化的三個應用程序示例是終端點、自動化配方工作流程和感興趣區域(ROI)導航(圖4)。終端點檢測利用ML、傳感器和計量測量，在金屬或感興趣的通孔層暴露時停止切削。當看到特定的傳感器測量值、特征或閾值時，就會指示刻蝕工具停止刻蝕操作。通過自動化配方工作流程，“配方”(recipe)或腳本會編寫并用于執行重復性任務。ML作為一個配方組件，使得配方能夠適應本地的數據。此領域中的最后一個示例是ROI導航，它允許檢測特定的特征以自動導航到ROI。通過此功能，用戶能夠改進切割位置，定義圖像采集區域，并提高最終數據的質量。
 

△圖4：AI支持的GAA器件的ROI導航和圖像采集。
 

　　數據分析
 

　　如上所述，半導體數據分析應用并不像許多其他行業那樣發達。雖然人們對于利用數據洞察來推動更好選擇的應用程序很感興趣，但許多因素導致了這些應用程序的缺乏。關鍵因素之一是數據缺乏。隨著深度學習的最新進展，它正在為新的應用程序創造機會。但是，對數據的需求很大。在某些情況下，不需要客戶的特定數據。對于其他情況來說，由于需要大量數據，因此需要與半導體制造商合作以構建具有生產價值的應用程序。
 

　　小結
 

　　對于半導體行業來說，許多因素匯集在一起，需要在生產操作中實現自動化，包括更復雜的設計、更長的開發周期、日益激烈的競爭和技術資源限制。因此，許多半導體制造商正在探索利用人工智能實現工作自動化的技術。
 

　　隨著半導體公司開發新產品和加速制造，人工智能有可能產生巨大的商業價值。其優勢包括自動化任務以釋放熟練的人力資源、改善工具的性能、優化人員和工具生產力，以及加快開發周期和上市時間。
 

　　為了支持半導體制造商的自動化需求，先進的電子顯微鏡正在集成AI功能，以提供更快的數據生成時間，并提高人力和工具資源的生產效率。雖然仍處于起步階段，但隨著制造商尋求提取隱藏在其數據中的價值，電子顯微鏡中的AI功能可能會迅速提升。