技术论文

使用机器学习对 ECD 进行建模以改进 CMP 仿真

Using machine learning to model post-electrochemical deposition surfaces can determine the optimum chemical mechanical polishing process | Scatter plots of predictions vs. targets for ZNT and ZT using XGBoost ML model

我们研究了使用先进的机器学习 (ML) 建模技术来对这些复杂的形貌变化进行预测。我们应用了各种 ML 方法对 ECD 后的表面轮廓进行建模并评估结果,以确定哪些架构和模型提供了最佳的运行时间和精度组合。

应用各种 ML 方法对 ECD 后的表面轮廓进行建模并评估结果,以确定哪些架构和模型提供了最佳的运行时间和精度组合。

CMP 仿真是选择在芯片制造期间使用最佳 CMP 工艺的宝贵工具。ECD 后产生的大幅表面形貌变化会影响 CMP 后的表面轮廓。此外,设计上较弱的远程相互作用是 ECD 后的表面轮廓所固有的,这意味着给定图形上方的表面高度不仅仅由图形本身定义,还受相邻图形的影响。能否创建精确的 ECD 后模型对于成功的 CMP 仿真至关重要。

我们使用不同的 ML 方法对用来创建芯片互连导线的电化学铜沉积后的芯片表面轮廓进行建模。使用基于物理学和化学的电化学沉积仿真,我们生成了用于构建 ML 模型的训练、验证和测试数据。我们对比的 ML 模型包括 DNN LSTM RNN 合并模型、CNN-DNN 合并模型和基于 XGBoost 的模型。我们发现,基于 XGBoost 的模型提供了最佳的表面高度预测精度,正确的数据趋势以及与仿真线扫描的高度相关性。此外,该模型的训练时间(一两个小时)远远短于其他方法(数小时或数天)。

分享

相关资源