使用機器學習對 ECD 建模以改善 CMP 模擬

化學機械平坦化 / 拋光 (CMP) 是在製造半導體晶片和電子 device 多層級互連時，所使用的重要技術。西門子 EDA 與亞美尼亞美國大學研究了先進機器學習 (ML) 建模技術的使用，以預測這些複雜的形貌變異。我們採用了各式 ML 方法對 ECD 之後的表面輪廓進行建模並評估結果，以判斷哪種架構和模型提供了最佳的執行時間和準確度組合。

使用機器學習對電化學沉積後表面進行建模，可以確定最佳的化學機械拋光工藝

CMP 模擬是一種非常有價值的工具，可判斷要在晶片製造期間使用的最佳 CMP 製程。ECD 之後產生的較大表面形貌變異會影響 CMP 後表面輪廓。此外，設計圖樣的較弱長程交互作用，原本就存在於 ECD 後表面輪廓中，這表示特定圖樣上方的表面高度，並非單獨由圖樣本身決定，也會受鄰近圖樣的影響。建立準確的 ECD 後模型的能力，是成功執行 CMP 模擬的必要條件。

西門子 EDA 與亞美尼亞美國大學使用了不同 ML 方法來對其表面輪廓建模，以建立晶片的連結導線。使用物理和化學式電化學沉積模擬，產生了建構 ML 模型使用的訓練、驗證和測試資料。使用過的 ML 模型包括合併的 DNNLSTM RNN 模型、合併的 CNN-DNN 模型，以及 XGBoost 式模型。結果發現 XGBoost 式模型提供了最佳的表面高度預測準確度，正確的資料趨勢，以及與模擬線掃描的高度相關性。