对基于有效平面化长度的芯片级CMP预测模型的图形参数提取算法的优化

科学领域:

• 材料科学 材料科学 材料科学
• 半导体制造业 半导体制造业
• 计算机建模 计算建模

背景情况:

• 化学机械抛光 (CMP) 对于半导体平面化至关重要,但由于材料厚度的模式依赖变化而受到影响.
• 这些变化,称为布局依赖效应 (LDE),显著影响集成电路性能和制造产量.
• 目前用于预测CMP后形态的模型通常依赖于图形参数提取,这不足以捕捉复杂的布局模式交互.

研究的目的:

• 通过解决现有的布局依赖效应 (LDE) 模型的局限性,开发一种改进的方法来预测CMP后芯片形态.
• 通过结合新的密度校正和权重功能来提高CMP预测模型的准确性.
• 根据实验数据验证拟议的优化方法的有效性.

主要方法:

• 计算平均密度作为密度校正因子,以考虑模式效应.
• 引入了一维线接触变形形状作为加权函数,以更好地描述模式相互作用.
• 将密度校正方法应用于基于密度阶段高度的高K金属门-CMP预测模型.
• 对比表面预测结果与没有优化与数据相比.

主要成果:

• 优化的CMP预测模型显示,预测错误显著减少.
• 在氧化物高度预测中,平均平方误差 (MSE) 降低了40.1%.
• 与预优化结果相比, (Al) 高度预测的MSE降低了35.2%.
• 通过直接比较与实验数据验证了改进的准确性.

结论:

• 拟议的密度校正和线路接触变形概况有效地增强了CMP预测模型.
• 优化方法显著提高了预测CMP后芯片形态的准确性.
• 这一进步对于半导体行业的设计验证和制造开发至关重要.