半導体製造

半導体製造のための機械学習と不確かさの定量化

半導体産業には、解析と不確かさの定量化で解決できる課題が数多くあります。電子機器やチップの製造は世代を追うごとに高い精度と一貫性を求められるため、不確かさが最終製品の性能と製造プロセスの両方に与える影響を理解することが、事実上欠かせなくなっています。エンジニアは、この厳しい品質を保ち、複雑な根本原因をたどり、製造プロセスと装置を最適化・検証するという、特有の課題に取り組まなければなりません。プロセスの監視とデータ収集の技術が高度になり、取得できるデータが増え続けるなか、データを正確かつ効率よく解析できる、強力で使いやすいエンジニアリング解析ツールの必要性はかつてなく高まっています。

SmartUQは、あらゆる原因から生じるばらつきと不確かさへの対処を速め、問題をその原因までたどり、ロバスト設計でプロセス制御を改善するための最先端の技術を提供します。不確かさを理解し、減らすことで、製品の性能向上、設計サイクルの短縮、コストの削減につながります。

ファウンドリでの主な適用分野

半導体ファウンドリでのSmartUQの主な適用分野には、次のようなものがあります。

TCADの高速化とプロセスウィンドウの探索

最先端のノード（N3、N2、A16など）では、ナノシートGAAFETや裏面電源供給ネットワーク（BSPDN）のTCAD（Technology Computer-Aided Design）シミュレーションの計算コストが、現実的に負担できないほど大きくなります。

• 高精度なサロゲートモデル：SmartUQは、限られた回数の高精度TCAD計算からガウス過程ベースのエミュレーターを構築します。何時間もかかる物理シミュレーションを、多パラメータの空間全体でほぼ瞬時の予測に置き換えます。
• 空間充填DOE：ラテン超方格法やソボル列などの高度なサンプリングで、ソース・ドレインのエピタキシー、ゲート酸化膜の厚さ、ドーパント注入のプロファイルといった多変数のプロセスウィンドウを、最小限のシミュレーション回数で描き出します。

統計的な歩留まりの最適化とばらつきの解析

300mmウェーハ全体でプロセスのばらつき（確率的な効果、ラインエッジラフネス、しきい値電圧のシフト）を管理することは、量産の歩留まりを立ち上げるうえで欠かせません。

• 大域的感度解析（GSA）：ソボル指数を使って、装置のどの許容差や、露光・エッチングのどのばらつきが歩留まりの低下を招いているかを切り分けます。エンジニアは、品質管理の対象とすべき工程を絞り込めます。
• 不確かさ伝播とRBDO：装置の偶然的なばらつきと、モデルの認識論的な不確かさを伝播させて信頼性ベース設計最適化（RBDO）を行い、ロバストな設計・技術協調最適化（DTCO）のルールを定めます。

製造装置の計測とデジタルツイン

• マルチフィデリティのデータ融合：大量の粗い2次元マルチフィジックスの装置シミュレーションと、まばらで高精度なインライン計測や実ウェーハのCD-SEMのデータを融合し、高精度なハイブリッド予測モデルを構築します。
• ベイズ統計に基づくキャリブレーション：マルチフィジックスのモデルを工場のセンサーアレイに合わせてキャリブレーションし、直接観測できないプロセスの不一致を切り分けて、レシピの調整を速めます。
• デジタルツインとFMUの書き出し：学習済みのモデルを、FMU（Functional Mock-up Unit）やPython APIのエンドポイントとして書き出し、工場の歩留まり監視や装置の予知保全のための仮想センサーとして使えます。

製造メーカーの品質管理と歩留まり最適化の事例

ある半導体製造企業は、多段のバッチめっきプロセスの品質管理と生産の最適化に苦労していました。SmartUQは、このメーカーの既存のデータを受け取って処理スクリプトを作り、従来の解析と高度な統計モデリングの両方を行いました。これらの解析によって、複数の反応物の濃度、消耗品の状態、成膜速度のあいだにある、それまで知られていなかった相関が浮かび上がりました。これらの関係がわかったことで、それまで説明のつかなかったプロセスのずれの原因が明らかになって制御できるようになり、プロセスを最適化するための次の実験も特定できました。

データが集まり、適切な形に自動で処理されるようになれば、統計解析によって、製造プロセスの性質や、消耗品などの入力と出力の品質との関係について、多くの有用な知見が得られます。こうした解析には、既存の製造データに対して感度解析や分散分析を行い、プロセスの最適化や品質管理に使うべき重要な入力を特定することも含まれます。

さらに、高度な統計モデルの生成では、既存のデータと意図的に計画した実験計画（DOE）の両方を使い、製造プロセスのふるまいを再現する予測モデルを学習させます。これにより、処理工程を変えたときの結果をすばやく予測し、故障解析で根本原因を特定しやすくし、プロセスをすばやく最適化できます。

関連資料