Angstrom flerlags metrologi ved at kombinere spektrale målinger og maskinlæring

Med den nylige eksplosive efterspørgsel efter datalagring, lige fra datacentre til forskellige smarte og tilsluttede enheder, behovet for større kapacitet og mere kompakte hukommelsesenheder er konstant stigende. Som resultat, halvlederenheder bevæger sig nu fra 2-D til 3-D. 3-D-NAND-flashhukommelsen er den mest kommercielt succesrige 3-D-halvlederenhed i dag, og efterspørgslen efter at understøtte vores datadrevne verden vokser nu eksponentielt.

Skaleringsloven for 3D-enheder opnås ved at stable flere og flere halvlederlag, godt over 100 lag, på en mere pålidelig måde. Da hver lagtykkelse svarer til den effektive kanallængde, nøjagtig karakterisering og kontrol af lag-for-lag tykkelse er kritisk. Til dato, desværre, ikke-destruktiv, nøjagtig måling af hver lagtykkelse af sådanne hundrede-lags struktur har ikke været mulig, som sætter en alvorlig flaskehals i den fremtidige skalering af 3-D-enheder.

I et nyt blad udgivet i Lys:Avanceret fremstilling , et team af ingeniører fra Korea Advanced Institute of Science and Technology (KAIST) og Samsung Electronics Co. Ltd., ledet af professor Jungwon Kim fra KAIST, Sydkorea, har udviklet en ikke-destruktiv tykkelseskarakteriseringsmetode ved at kombinere optiske spektrale målinger og maskinlæring. Ved at udnytte den strukturelle lighed mellem halvleder flerlags stakke og dielektriske flerlags spejle, spektroskopiske optiske målinger, inklusive ellipsometriske målinger og reflektansmålinger, er ansat. Maskinlæring bruges derefter til at udtrække sammenhængen mellem spektroskopiske måledata og flerlagstykkelse. Til mere end 200 lag af oxid- og nitrid-flerlagsstabel, tykkelsen af ​​hvert lag over hele stakken kunne bestemmes med et gennemsnit på ca. 1,6 Å rod-middel-kvadrat-fejl.

Ud over den nøjagtige bestemmelse af flerlagstykkelsen under normale fremstillingsforhold, hvilket er nyttigt til at kontrollere ætsnings- og aflejringsprocesser, forskerholdet udviklede en anden maskinlæringsmodel, der kan detektere outliers, når lagtykkelser varierer væsentligt fra designmålet. Den brugte et stort antal simulerede spektraldata til mere effektiv og økonomisk træning, og kunne med succes opdage de defekte enheder og den nøjagtige fejlagtige lagplacering i enheden.

"Maskinlæringstilgangen er nyttig til at eliminere målerelaterede problemer, " sagde Hyunsoo Kwak, en ph.d.-studerende ved KAIST og førsteforfatter til undersøgelsen. "Ved at bruge støjinjicerede spektrale data som input til maskinlæringsalgoritmen, vi kan eliminere forskellige fejl fra måleinstrumenter og ændringer i materialeegenskaber under forskellige fremstillingsbetingelser, " han tilføjede.

"Denne metode kan let anvendes til total inspektion af forskellige 3-D halvlederenheder, " sagde professor Kim, "hvilket er eksemplificeret ved det faktum, at alle de data, der blev brugt i dette arbejde, blev opnået i kommercielle 3-D NAND-produktionslinjer fra Samsung Electronics."