머신 러닝을 적용한 선단 공정 노드의 수율 향상 촉진

IC 제조가 계속해서 복잡해짐에 따라 새로운 공정 노드를 개발하는 일도 더 어려워지고 있습니다. 최초 공정 노드의 아키텍처 탐구부터 최초 설계 규칙의 사양, 나아가 초기 RET 개발과 "리스크 프로덕션" 초기 NPI(New Product Introductions)에 이르기까지, 성능과 수율에 큰 영향을 미치는 중대한 결정을 내려야 합니다.

알려진 수율 저하 요인을 파악, 분류 및 근본 원인을 찾고 잠재적인 위험 패턴에 표시하는 새로운 기법을 통해 설계자는 수율 리스크를 완화하고 지속적으로 학습이 가능합니다. 각 신제품에서 축적된 학습 내용은 시험체 개선, 공정 최적화와 PDK 강화를 이끌어내며, 이는 더 강력한 설계와 궁극적인 성능 및 수율 향상으로 이어집니다. 본 문서에서는 공정 개선, 설계 지원, 수율 향상을 위한 DFM(Design for Manufacturing)과 DTCO(Design Technology Co-optimization) 분야의 혁신적인 머신 러닝 기법에 대하여 설명합니다.

IC 제조를 위한 머신 러닝의 이점

IC 산업의 지속적인 기술 노드 발전으로 제조는 더 복잡해지고 제품 수율을 높이는 것이 더욱 어려워지고 있습니다. 반도체 업계는 우수한 품질과 높은 수율의 제품을 보장하기 위해 끊임없이 혁신적인 방법을 모색합니다. 저희는 새로운 제품의 리스크를 분석하고 완화할 새로운 기법을
소개하고자 합니다.

머신 러닝과 빅 데이터 기술을 활용하여 리스크가 큰 패턴을 파악해 축적된 학습 내용을 담은 데이터베이스를 구축하고, 고장 조사의 우선순위를 지정 및 피드백하여 공정 최적화, DFM과 DRC 룰 덱을 개선하고 현재 및 향후 제품의 수율을 빠르게 개선할 수 있습니다. 이것을 머신 러닝의 Closed loop DFM이라고 합니다.

머신 러닝의 Closed loop DFM은 크게 4가지 구성 요소로 이루어져 있습니다. 합성 레이아웃 생성을 통해 초기 패턴 학습을 지원하고, 첫 실물 설계 이전에 분석할 레이아웃을 제시합니다. LFD 리소그래피 핫스팟 탐지로 패턴과 공정의 상호 영향을 평가해 제조상의 취약점을 발견합니다. SONR 설계 분석으로 레이아웃 특징을 포착하고 이를 그동안 알려진 패턴이 축적된 라이브러리를 기준으로 분석합니다. 빅 데이터 Calibre MLDB 데이터베이스는 저장공간을 제공하며 패턴의 특징 및 특성에 대해 쿼리합니다.