机器学习应用于电子束刻法,以加速接触孔层的流程优化
Rongbo Zhao1, Xiaolin Wang1, Yayi Wei2,3
1Institute of Nuclear and New Energy Technology, Tsinghua University, Beijing 100084, China.
ACS applied materials & interfaces
|April 16, 2024
概括
这项研究将电子束光刻 (EBL) 实验与机器学习相结合,以优化芯片制造. 使用LSTM和SVM模型的新方法准确地预测了高分辨率图案设计的石版工艺条件.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
- 电气工程 电气工程
背景情况:
- 高分辨率的图案设计对于先进的芯片制造至关重要.
- 由于非线性系统动态,石版工艺的优化是复杂和耗时的.
- 目前的方法需要广泛的实验试验,在开发过程中造成瓶.
研究的目的:
- 开发一种高效的过程优化解决方案,用于金属氧化物纳米粒子光电阻的接触层.
- 利用机器学习来预测和分类最佳的光刻工艺条件.
- 为了加快半导体制造的光刻工艺的优化和控制.
主要方法:
- 电子束光刻 (EBL) 实验与机器学习算法的整合.
- 开发长期短期记忆 (LSTM) 网络,用于接触孔成像预测.
- 实现支持矢量机 (SVM) 模型用于过程条件分类.
主要成果:
- 该LSTM网络准确地预测了水平和垂直接触宽度,显示了与EBL实验数据的高度一致性.
- 结合的SVM和LSTM方法有效地选了符合关键维度统一性公差的工艺条件.
- 该分类模型在确定最佳过程参数方面表现出很好的准确性.
结论:
- 提出的基于机器学习的解决方案显著提高了石版工艺优化的效率.
- 这种方法为优化半导体制造中的接触层提供了可靠的参考.
- 将EBL与LSTM和SVM相结合,为克服芯片制造中的瓶提供了一个强大的策略.
关键词:
电子束 lithography 电子束 lithography 电子束 lithography 电子束 lithography 电子束 lithography 电子束长期短期内存网络长期内存网络机器学习是机器学习.过程优化优化过程优化支持矢量机器的支持矢量机器.更多相关视频
09:45Large-area Scanning Probe Nanolithography Facilitated by Automated Alignment and Its Application to Substrate Fabrication for Cell Culture Studies
Published on: June 12, 2018
9.6K
10:25Single-Digit Nanometer Electron-Beam Lithography with an Aberration-Corrected Scanning Transmission Electron Microscope
Published on: September 14, 2018
10.1K
