DSO.ai
由人工智慧驱动的设计应用
瞭解更多 →
應用機器學習加速 TCAD 校正
英文原文：
2024年6月20日於《Semiconductor Engineering》刊登
幾近即時的執行數千個優化疊代(loops)，以更快地將TCAD 模型與特定製程校準，達到一致性。
TCAD 模型是半導體產業的基礎建構模塊。無論是新的製程節點還是數十億美元規模的新晶圓廠，精準的TCAD 模型都必須在能夠部署應用到技術開發之"前，就先完成校正並臻成熟。雖然 TCAD 模型已經存在(數)十年，但其複雜性還在以指數增長，對負責這些模型的研發工程師的需求也不斷增加。校正 TCAD 模型依然是一項勞力密集型且耗時的工作。
在技術開發過程中，TCAD 模型在晶片製造前 (pre-wafer) 階段及晶片製造後(post-wafer)階段都扮演關鍵的角色。在晶片製造前階段，TCAD 模型被用在預測基於物理定律的趨勢，幫助工程師探索和篩選设计選項，而這些選項將在设计晶片時進行验证。
在晶片製造后阶段，进行準确的罢颁础顿校正让模型与特定製程进行校準是不可或缺的，这确保在接下来进一步开发阶段中的可靠性。然而，传统的校正方法相当耗时。
在罢颁础顿校正部署机器学习(惭尝)
校正TCAD模型需要透過實驗设计(DoE)進行多次的晶圓實驗和完成數百次疊代(loop)優化。這些任務都需循序進行，這意味著這是一項非常耗時且资源密集的工作。如果我們可以將機器學習(ML)應用到這一流程的迭代部分又會如何？一個ML輔助的流程可以運用模拟在以前未探索的區域中執行DoE，而不是進行昂貴且耗時的實驗。
下面所展示的例子，可視為是使用手動校正方法與透過ML輔助的方法來建立模型的過程的比較。在這兩種方法中，我們都會輸入參數、進行敏感度分析，然後輸入第二組參數。(在這兩種情況下，我們都會從一組輸入參數開始，然後進行敏感度分析以識別最具影響力的參數。) 在手動方法中，我們將運行數百次疊代優化，每次可能需要數小時。這將轉化為數百小時(1-2週)的分析時間，以獲得校正的TCAD模型。在ML輔助方法中，我們有額外的步驟來運行模拟的DoE並訓練ML模型。這可能需要一天的時間。然而，一旦我們訓練好ML模型，疊代優化只需要幾毫秒，因此我們可以幾乎即時執行數千次疊代優化。ML輔助校正方法節省了大量的時間和资源。
在晶圆厂中实现础滨和惭尝
2023年，新思科技(Synopsys)推出一系列針對矽晶设计、測試和製造的AI新計畫。Synopsys Fab.da利用AI來優化高產量半導體晶圓廠的製程控制。新思科技也將機器學習(ML)應用在TCAD校正流程。
Sentaurus Calibration Workbench(SCW)利用ML，透過實現快速、系統化的校正，顯著提高TCAD模型的價值。ML輔助校正在提高結果品質(QoR)的同時減少了校正的週轉時間。SCW提供了一個自動化的工作流程，配有預先定義好的校正模組，並能輕鬆整合客戶創建的ML模型。
结论
半导体製造的经济性在挑战中持续成长。在价值数十亿美元的晶圆厂中，总是有朝向新製程节点竞争的压力，这意味着从击败竞争对手的角度来看，製程中的每一步都非常重要。经校正的罢颁础顿模型始终是晶圆厂成功的关键。虽然这些模型的校正歷来是一个耗时的步骤，但我们现在可以应用惭尝方法来优化并加速罢颁础顿模型的创建。这将有助於更快的製程提升和新晶圆厂更高的投资回报率(搁翱滨)。