METROLOGY SOLUTIONS FOR COMPLEX STRUCTURES OF INTEREST

Complex structures, such as gate-all-around (GAA) field effect transistor or high-aspect ratio (HAR) Channel hole etch, etc., in semiconductor devices are measured using a combination of physical modeling and machine learning modeling. Metrology signals collected at different manufacturing process s...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Hauptverfasser: SHI, Jingsheng, WEN, Youxian, CHIEW, Wei Ming, LI, Jie, TEH, Pei Fen
Format: Patent
Sprache:eng ; fre
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:Complex structures, such as gate-all-around (GAA) field effect transistor or high-aspect ratio (HAR) Channel hole etch, etc., in semiconductor devices are measured using a combination of physical modeling and machine learning modeling. Metrology signals collected at different manufacturing process steps, e.g., pre-process step and post-process step of the structure of interest (SOI) may be used. The measurement signals acquired at the pre-process steps are used to determine a first parameter of the SOI, e.g., using physical modeling and machine learning, which may be fed forward and used to generate a physical model of the SOI at the post-process step. A second parameter of the SOI at the post-process step is determined using physical modeling and machine learning and may be fed back and used to generate the physical model of the SOI at the post-process step with post process signals and used to determine other parameters. L'invention concerne des structures complexes, telles que le transistor à effet de champ à grille enveloppante ou la gravure de trous de canal à rapport d'aspect élevé, etc., dans les dispositifs à semi-conducteur, qui sont mesurées à l'aide d'une combinaison de modélisation physique et de modélisation par apprentissage automatique. Les signaux de métrologie recueillis à différentes étapes du processus de fabrication, par exemple avant et après le traitement de la structure d'intérêt, peuvent être utilisés. Les signaux de mesure acquis lors des étapes de prétraitement sont utilisés pour déterminer un premier paramètre de la structure d'intérêt, par exemple à l'aide de la modélisation physique et de l'apprentissage automatique, qui peut être transmis et utilisé pour générer un modèle physique de la structure d'intérêt lors de l'étape de post-traitement. Un second paramètre de la structure d'intérêt à l'étape de post-traitement est déterminé à l'aide de la modélisation physique et de l'apprentissage automatique et peut être renvoyé et utilisé pour générer le modèle physique de la structure d'intérêt à l'étape de post-traitement avec des signaux de post-traitement, et utilisé pour déterminer d'autres paramètres.