Motivation
Die Chip-Fertigung besteht aus einer Vielzahl von Prozessschritten, die mit hoher Genauigkeit ausgeführt werden müssen, um alle gewünschten Strukturen zu fertigen. Optische Messverfahren arbeiten schnell und zerstörungsfrei und spielen daher eine wesentliche Rolle zur Qualitätssicherung im Produktionsprozess. Da eine direkte mikroskopische Vermessung von Chipstrukturen im Nanometer-Bereich nicht möglich ist, kommen inverse Messverfahren zum Einsatz. Auf Grundlage der Reflexionseigenschaften der Probe für viele Winkel oder Wellenlängen sowie einer numerischen Simulation des Messvorgangs werden dabei die wahrscheinlichsten Geometrieparameter rekonstruiert.
Ziele und Vorgehen
ede Simulation der Messung dauert oft viele Minuten, sodass eine iterative Suche nach den wahrscheinlichsten Geometrieparametern viele Stunden bis Tage in Anspruch nehmen kann. Diese Rekonstruktionsdauer ist insbesondere im Produktionsprozess nicht hinnehmbar, sodass vereinfachte bibliotheksbasierte Rekonstruktionsverfahren zum Einsatz kommen, die jedoch einige Nachteile haben. In NanoMaC soll mit Methoden des maschinellen Lernens (ML) eine genaue und schnelle Rekonstruktion umgesetzt werden, die im Produktionsprozess anwendbar ist. In NanoMaC werden neuartige Messmethoden entwickelt, die sensitive Messungen in weniger als einer Sekunde gewinnen. Eine weitere Kernidee des Vorhabens ist es, ML-Modelle auf Basis von neuronalen Netzen und Gaußprozessen so weiterzuentwickeln, dass Bibliotheken von Simulationsergebnissen dadurch ersetzt werden können. Die ML-Modelle schätzen dabei die Unsicherheit ihrer eigenen Vorhersage. Auf dieser Grundlage können jene Simulationsdaten berechnet werden, die beim Training der ML-Modelle den größten Informationsgewinn für die Parameterrekonstruktion liefern.
Innovationen und Perspektiven
Die Innovationen sollen die Geschwindigkeit und Genauigkeit optischer Messverfahren in der Chip-Metrologie wesentlich verbessern. Das kann im Laborstadium der Fabrikation zu schnelleren Innovationszyklen und während der Fertigung zu höherer Qualität und Ressourceneffizienz beitragen.