编者按：在集成电路设计领域，谷歌已经使用人工智能实现了巨大的效率提升（详情参阅于此）。今天就来看看制造领域，人工智能将带来哪些惊喜？
发言大咖
Onto Innovation公司市场部高级总监Yudong Hao
Mycronic公司数据科学家Romain Roux
D2S公司首席执行官Aki Fujimura
比利时微电子中心（IMEC）高级光刻项目总监Kurt Ronse
从左到右依次为Yudon Hao、RomainRoux、Aki Fujimura、Kurt Ronse
公司概要
美国Onto Innovation公司由Nanometrics（1975年成立）和 Rudolph（1940年成立）在2019年10月合并而来，提供微电子制造过程控制设备及软件，产品包括非图案化晶圆质量检查，从纳米级晶体管到微米级芯片的三维测量，晶圆和封装的宏观缺陷检测，金属互连组成，工厂分析，先进半导体封装的光刻技术。
瑞典Mycronic公司成立超过40余年，提供完整的表面贴装技术解决方案，包括设备和软件。
美国D2S公司成立于2007年，提供计算设计平台来提高电子束光刻技术，实现20纳米及以下工艺节点的先进掩模设计。
IMEC成立于1984年，目前是欧洲领先的独立研究中心，研究方向主要集中在微电子，纳米技术，辅助设计方法，以及信息通讯系统技术（ICT）。
问：机器学习在芯片制造中的一些关键应用是？
Fujimura：在D2S公司中，我们以两种方式将其用在逆向光刻技术（ILT）中。在最近的SPIE先进光刻大会上，我们发表了一篇关于使用深度学习加速掩模3D仿真的文章。掩模3D是一种复杂的光刻效应，严格的掩模3D仿真需要太长时间才能使用。而深度学习仿真的速度很快，可以让ILT结合掩模3D效应。第二种方式是去年BACUS会议上讨论过的，我们使用深度学习进行迭代优化过程的初始嵌入来加快ILT的速度。我们在一群图案上运行ILT。接下来，我们将训练深度学习引擎识别输入的目标晶圆图案与ILT输出之间的变化。深度学习非常擅长快速估计，所以我们能够快速得到最终结果的近似值，从而减少优化迭代次数。我们的论文和其他论文都显示出ILT/光学邻近效应修正（OPC）的运行时间提高了2倍，并提高了仿真结果的质量。
Ronse：让我们沿着OPC继续说下去。在OPC出现的早期，它足以模拟出空中拍摄的图像，你唯一要做的事情就是选择阈值，模拟器就能预测出线条会在哪里偏离目标。随着规格变得严苛，精度就变得越来越重要了。所以光靠空中拍摄图像就不足了。另外，光刻胶发挥作用的过程也有一定影响。你需要在这个过程中增加一些控制的旋钮及进行优化，要确保仿真器确实在模仿真实工艺。在光刻处理之后，还有蚀刻。蚀刻会使你的最终特征与你想要的出现偏差。所以到最后，你会有很多旋钮。如果你手动做所有的事情，可能要花上一辈子的时间来拟合一个代表你的过程的模型。所以，这就是你要做一些机器学习的地方。我们有一个有所有旋钮的模型，我们从一个特定的起始点开始选取参数，这些参数是随机选择的。然后我们让模拟器运行并核对，它就会自我修正一些旋钮参数。有些旋钮并不重要，而有些旋钮非常关键，对最后结果影响很大。所以越是复杂的工艺，尤其是在EUV中，旋钮越多。这意味着你必须依靠机器学习来确保在合理的时间内找到所有旋钮的最佳设置。
问：能达到什么效果？
Ronse：OPC中的模型生成可以通过机器学习来完成，可以加快模型生成的速度。如果你用手动的方式来做，有这么多的变量，可能是相关的，也可能是不相关的，可能要花很长时间才能有一个好的模型。有了机器学习，你可以非常快的方式自动完成所有这些迭代，可以更快的速度，以最小的偏差得出最优的点。
问：有一些问题阻碍了机器学习在芯片制造领域的广泛应用。如需要大数据集才能得到更好的结果。否则结果可能并不准确。然而，大多数设备厂商都无力开发大数据集。这里是否需要大数据集？
Hao：一般来说，这是事实。深度学习是建立在大数据的基础上。你不可能只用几个方程就能解决很多未知。这是基本的概念。但在计量领域，有一些技术可在小的标注集上部署深度学习。
Roux：数据的质量是成功的关键之一。好的数据意味着有足够的数据数且标注良好，并且是在尽可能接近最终应用的背景下生成的。同时，数据应该描述所有你希望模型能够很好地处理的典型案例。要做到这一点，我们需要直接从实际生产环境中获取数据。这就是为什么我们要想继续为工业合作伙伴提供高端设备就必须与他们紧密合作。
问：未来，机器学习会不会在芯片制造领域普遍应用？还是会继续使用传统的基于物理学的模型方法？或者说这两种方法是否都可行？
Roux：物理学仍然是我们构建仿真器的唯一可靠基础。基于机器学习的模块可以模仿一些行为，但你需要物理学来区分相关性和因果关系。物理模型可以给你提供准确性和深度理解，而机器学习可以为你提供速度，帮助你解决一些具有挑战性的逆向问题。这是两个非常明显可以互补的领域。
Fujimura：在我看来，机器学习和特别是机器学习中的深度学习毫无疑问将在光掩模领域变得越来越普遍。光掩模制造商将继续使用传统的方法，但当机器学习以生产形式出现时，会逐渐加入其中。深度学习的特点之一是，可以很快地展示出前景或可行性。然而，将这种能力产品化仍然需要时间。我们已经开始看到在软件和设备中加入了深度学习的产品。任何需要人类操作人员执行的繁琐且易出错的过程，尤其是涉及视觉检测的过程，都是深度学习的绝佳应用。在检测和计量领域有很多机会。在软件方面也有很多机会，可以更快地产生更准确的结果，帮助解决先进光掩模制造的周转时间问题。将光掩模制造的大数据和机器日志文件与机器学习的预测性维护相关联，也有很多机会。
Ronse：未来，它可以用在任何地方。举个例子，你可以想象一下一个EUV光刻机的复杂程度。机器里有很多传感器会产生大量数据。现在已经没有一个工程师可以处理这些数据并从中获取有用的东西。他们可以用深度学习来尝试预测趋势。比如说，可以用它在工具意外出现故障前做预防性的维护。
Hao：至于我们在多大程度上使用机器学习，这在不同类型的应用中可能会有所不同。我们来谈谈检测方面的应用。如涉及到ADC或自动缺陷分类的检测，这是机器学习的理想用例，因为它是基于图像分析和图像分类。通常情况下，检验中会用到很多标注的数据。这也是深度学习最容易应用的地方。
问：举例说明计量学如何工作，以及是如何应用到机器学习中？
Hao：有一个例子，光学临界尺寸计量（OCD）是用于过程控制的高通量在线计量技术。除了OCD之外，计量学还包括CD-SEM、CD-SAX等。对于逻辑器件来说，OCD可以用来测量鳍片的轮廓和高度。还有一个非常关键的参数叫接近度，决定了器件的性能。我们在纳米范围内测量这些关键的尺寸，精度在亚埃级。OCD是基于散射测量法的OCD。在这个世界上，我们通常不会像在图像处理方面有一个非常大的数据集。从TEM获得的参考数据非常昂贵，我们只有非常小的标注数据集。我们有一个产品是用机器学习来做OCD的产品。我们正在积极探索深度学习在这方面的应用。
SE：机器学习是否能解决计量领域的每一个问题？
Hao：在计量领域首要的是要有灵敏度。工具必须要有对过程中发生维度变化的敏感性。如果没有灵敏度，任何机器学习或者其他技术都无法发挥作用。其次，由于灵敏度低和我们所测量的器件的复杂，使用经典的基于物理学的建模技术已经不够用了，这就是机器学习的作用所在。另一方面，机器学习本身可能不是唯一的解决方案。物理学仍然很重要。物理模型和机器学习模型都是预测模型。我们发现，把物理学和机器学习结合在一起，可以获得最好的性能。机器学习是对物理学的补充。它可以帮助物理学，但它不会取代物理学。
联系客服
