DSO.ai
由人工智慧驅動的設計應用
瞭解更多 →
應用機器學習加速 TCAD 校正
幾近即時的執行數千個優化疊代(loops)，以更快地將TCAD 模型與特定製程校準，達到一致性。
TCAD 模型是半導體產業的基礎建構模塊。無論是新的製程節點還是數十億美元規模的新晶圓廠，精準的TCAD 模型都必須在能夠部署應用到技術開發之前，就先完成校正並臻成熟。雖然 TCAD 模型已經存在(數)十年，但其複雜性還在以指數增長，對負責這些模型的研發工程師的需求也不斷增加。校正 TCAD 模型依然是一項勞力密集型且耗時的工作。
在技術開發過程中，TCAD 模型在晶片製造前 (pre-wafer) 階段及晶片製造後(post-wafer)階段都扮演關鍵的角色。在晶片製造前階段，TCAD 模型被用在預測基於物理定律的趨勢，幫助工程師探索和篩選設計選項，而這些選項將在設計晶片時進行驗證。
在晶片製造後階段，進行準確的TCAD校正讓模型與特定製程進行校準是不可或缺的，這確保在接下來進一步開發階段中的可靠性。然而，傳統的校正方法相當耗時。
在TCAD校正部署機器學習(ML)
校正TCAD模型需要透過實驗設計(DoE)進行多次的晶圓實驗和完成數百次疊代(loop)優化。這些任務都需循序進行，這意味著這是一項非常耗時且資源密集的工作。如果我們可以將機器學習(ML)應用到這一流程的迭代部分又會如何？一個ML輔助的流程可以運用模擬在以前未探索的區域中執行DoE，而不是進行昂貴且耗時的實驗。
下面所展示的例子，可視為是使用手動校正方法與透過ML輔助的方法來建立模型的過程的比較。在這兩種方法中，我們都會輸入參數、進行敏感度分析，然後輸入第二組參數。(在這兩種情況下，我們都會從一組輸入參數開始，然後進行敏感度分析以識別最具影響力的參數。) 在手動方法中，我們將運行數百次疊代優化，每次可能需要數小時。這將轉化為數百小時(1-2週)的分析時間，以獲得校正的TCAD模型。在ML輔助方法中，我們有額外的步驟來運行模擬的DoE並訓練ML模型。這可能需要一天的時間。然而，一旦我們訓練好ML模型，疊代優化只需要幾毫秒，因此我們可以幾乎即時執行數千次疊代優化。ML輔助校正方法節省了大量的時間和資源。
在晶圓廠中實現AI和ML
2023年，新思科技(Synopsys)推出一系列針對矽晶設計、測試和製造的AI新計畫。Synopsys Fab.da利用AI來優化高產量半導體晶圓廠的製程控制。新思科技也將機器學習(ML)應用在TCAD校正流程。
Sentaurus Calibration Workbench(SCW)利用ML，透過實現快速、系統化的校正，顯著提高TCAD模型的價值。ML輔助校正在提高結果品質(QoR)的同時減少了校正的週轉時間。SCW提供了一個自動化的工作流程，配有預先定義好的校正模組，並能輕鬆整合客戶創建的ML模型。
結論
半導體製造的經濟性在挑戰中持續成長。在價值數十億美元的晶圓廠中，總是有朝向新製程節點競爭的壓力，這意味著從擊敗競爭對手的角度來看，製程中的每一步都非常重要。經校正的TCAD模型始終是晶圓廠成功的關鍵。雖然這些模型的校正歷來是一個耗時的步驟，但我們現在可以應用ML方法來優化並加速TCAD模型的創建。這將有助於更快的製程提升和新晶圓廠更高的投資回報率(ROI)。