Met de recente explosieve vraag naar gegevensopslag, variërend van datacenters tot diverse smart en connected devices, de behoefte aan grotere en compactere geheugenapparaten neemt voortdurend toe. Als resultaat, halfgeleiderapparaten gaan nu van 2D naar 3D. Het 3-D-NAND-flashgeheugen is momenteel het commercieel meest succesvolle 3D-halfgeleiderapparaat, en de vraag naar ondersteuning van onze datagestuurde wereld groeit nu exponentieel.

De schaalwet voor 3D-apparaten wordt bereikt door steeds meer halfgeleiderlagen te stapelen, ruim boven de 100 lagen, op een meer betrouwbare manier. Omdat elke laagdikte overeenkomt met de effectieve kanaallengte, nauwkeurige karakterisering en controle van laag-voor-laag dikte is van cruciaal belang. Daten, helaas, niet-destructief, nauwkeurige meting van elke laagdikte van een dergelijke structuur van honderden lagen is niet mogelijk geweest, wat een serieus knelpunt vormt in de toekomstige schaal van 3D-apparaten.

In een nieuw artikel gepubliceerd in Licht:geavanceerde productie , een team van ingenieurs van het Korea Advanced Institute of Science and Technology (KAIST) en Samsung Electronics Co. Ltd., onder leiding van professor Jungwon Kim van KAIST, Zuid-Korea, heeft een niet-destructieve methode voor het karakteriseren van diktes ontwikkeld door optische spectrale metingen en machine learning te combineren. Door gebruik te maken van de structurele gelijkenis tussen meerlaagse halfgeleiderstapels en diëlektrische meerlaagse spiegels, spectroscopische optische metingen, inclusief ellipsometrische en reflectiemetingen, zijn werkzaam. Machine learning wordt vervolgens gebruikt om de correlatie tussen spectroscopische meetgegevens en meerlaagse dikte te extraheren. Voor meer dan 200 lagen oxide en nitride meerlagige stapel, de dikte van elke laag over de gehele stapel kon worden bepaald met een gemiddelde van ongeveer 1,6 root-mean-square fout.

Naast de nauwkeurige bepaling van de meerlaagse dikte onder normale fabricageomstandigheden, wat handig is voor het regelen van ets- en afzettingsprocessen, het onderzoeksteam ontwikkelde een ander machine learning-model dat uitbijters kan detecteren wanneer laagdiktes aanzienlijk afwijken van het ontwerpdoel. Het gebruikte een groot aantal gesimuleerde spectrale gegevens voor een effectievere en economischere training, en kon met succes de defecte apparaten en de exacte foutieve laaglocatie in het apparaat detecteren.

"De machine learning-benadering is nuttig voor het elimineren van meetgerelateerde problemen, " zei Hyunsoo Kwak, een doctoraatsstudent aan KAIST en eerste auteur van de studie. "Door ruisgeïnjecteerde spectrale gegevens te gebruiken als invoer voor het machine learning-algoritme, we kunnen verschillende fouten van meetinstrumenten en veranderingen in materiaaleigenschappen onder verschillende fabricageomstandigheden elimineren, " hij voegde toe.

"Deze methode kan gemakkelijk worden toegepast voor de totale inspectie van verschillende 3D-halfgeleiderapparaten, " zei professor Kim, "wat wordt geïllustreerd door het feit dat alle gegevens die in dit werk zijn gebruikt, zijn verkregen in commerciële 3D NAND-productielijnen van Samsung Electronics."