随着最近对数据存储的爆炸性需求，从数据中心到各种智能和连接设备，对更高容量和更紧凑的存储设备的需求正在增加。因此，半导体器件现在正在从2-D向3-d转变。3-D-NAND闪存是当今商业中最成功的3-D半导体器件，其支持数据驱动世界的需求呈指数级增长。
三维器件的标度律是通过更可靠地堆叠越来越多的半导体层(远远高于100层)来实现的。因为每层的厚度对应于有效沟道长度，所以精确表征和控制每层的厚度非常重要。遗憾的是，到目前为止，这几百层的每一层厚度都无法无损、准确地测量出来，这就为未来3D设备的缩放设置了严重的瓶颈。
在Light : Advanced Manufacturing上发表的一篇新论文中，由韩国高级科学技术研究院(KAIST)和三星电子有限公司的工程师组成的团队，在来自韩国KAIST的Jungwon教授的带领下，开发了一种结合光谱测量和机器学习的破坏性厚度表征方法。利用半导体多层堆和介质多层镜的结构相似性，采用了光谱光学测量方法，包括椭偏测量和反射测量。然后利用机器学习提取光谱测量数据与多层厚度的相关性。对于200层以上的氧化物和氮化物多层堆叠，可以确定整个堆叠上每层的厚度，平均误差约为1.6均方根。
除了在正常制造条件下精确确定多层厚度有助于控制蚀刻和沉积过程之外，研究团队还开发了另一种机器学习模型，当层厚度与设计目标显著不同时，该模型可以检测异常值。它使用大量更有效和更经济的模拟光谱数据训练，并能成功地检测出故障设备和错误层中的准确位置设备。
“机器学习方法对于消除与测量相关的问题非常有用，”KAIST的博士生、该研究的第一作者Hyunsoo Kwak说。“通过使用注入噪声的光谱数据作为机器学习算法的输入，我们可以消除测量仪器的各种误差和不同制造条件下材料性能的变化，”他补充说。
“这种方法可以很容易地应用于各种3D半导体器件的综合检测，”金教授说。“这项工作中使用的所有数据都是从3D NAND的商用3D NAND生产线上获得的。三星电子。”
版权声明：内容来源于互联网和用户投稿 如有侵权请联系删除