虚拟孪生与机器学习协同优化DRAM良率,系统性失效分析效率显著提升
随着DRAM制程持续微缩,系统性失效成为良率爬坡阶段的主要瓶颈。通过构建 calibrated 虚拟孪生模型并结合机器学习优化,工程师可在数字环境中复现工艺波动、同步评估多种失效机制,大幅减少晶圆实验...
在DRAM制造向1αnm及更先进节点推进的过程中,工艺复杂度呈指数级上升。新增的工艺步骤、更窄的工艺窗口以及多源变异因素,使得达到可接受良率的难度日益增大。尤其在良率爬坡(yield ramp)阶段,系统性失效(systemic failures)正逐渐取代随机缺陷,成为制约量产进度的关键瓶颈。这类失效并非孤立发生,而是由多个工艺模块间复杂的耦合效应引发,传统依赖晶圆实验与统计分析的故障定位方法已显乏力——耗时长、成本高,且难以在早期快速锁定根因。
图1展示了良率爬坡阶段的核心挑战:仅依靠晶圆统计数据(黄色曲线)时,良率提升缓慢;而引入“晶圆数据 + Fabtex Yield Optimizer”联合建模后(虚线),良率曲线明显上移,效率与时间优势显著。这背后的技术路径是:以SEMulator3D构建高保真虚拟孪生(virtual twin),再通过机器学习算法(如Fabtex Yield Optimizer)实现对失效机制的快速识别与工艺参数优化。
虚拟孪生的本质是一个经过实测数据校准的数字化制造环境。它不仅能复现物理产线中的关键工艺步骤(如沉积、刻蚀、光刻),还能在模型内部嵌入虚拟量测点(virtual metrology),实时捕捉结构尺寸、形貌变化等中间状态参数。以DRAM电容结构为例,其关键层包括字线(WL)、位线(BL)、存储节点(SNL)及接触孔(SNC)等,各层之间的间隙(gap)、交叠(overlap)和三维间距(3D minimum distance)极易因工艺漂移而引发短路或开路。
为验证该方法的有效性,研究团队构建了一套完整的DRAM工艺序列虚拟模型,并在其中部署了多层级虚拟量测体系。例如,在BLC_AA(位线接触-有源区)区域,模型可输出XY方向间隙值;在SNLP_SNC(存储节点接触-位线接触)交界处,则可量化交叠长度与3D最小间距。这些虚拟量测数据与实际硅片测试结果进行交叉校准,确保模型具备工程级可信度。
图2左侧柱状图显示了某DRAM产品在未优化前的总失效比例为0.1%,其中BLC_AA_short、BL_SNC_short等五类失效占主导;右侧优化后总失效比降至78.5%——注意此处“78.5%”实为“通过优化后良率提升至78.5%”,即总失效率下降至21.5%。更重要的是,机器学习驱动的参数重调(retargeting)精准降低了SNLP相关失效(如SNLP_SNC_short)的发生概率,从0.58降至0.01,降幅达98%以上。这一过程无需额外流片,仅在数字环境中完成数千次参数组合仿真即可得出最优解。
具体到技术实现层面,虚拟孪生模型首先基于工艺集成知识构建三维结构演化流程。以图3所示的DRAM单元阵列为例,模型依次模拟:
图3清晰呈现了从原始结构→顶视图量测→三维重构→间距校验的完整建模链路。每一步都对应真实产线中的关键质检环节,但虚拟方式可在数小时内完成全参数扫描,而物理量测需耗费数天甚至数周。
机器学习在此过程中承担双重角色:一是作为模型校准器,通过监督学习将虚拟输出与实测数据对齐;二是作为优化引擎,采用强化学习或贝叶斯优化策略,在高维工艺参数空间中搜索使综合失效概率最低的配置组合。例如,当发现SNLP_SNC_short频发时,ML可自动建议调整刻蚀偏置电压、退火温度或CVD膜厚,而非依赖工程师经验试错。
该方法的实际价值已在多家存储厂商的先进DRAM项目中得到验证。相比传统FA(Failure Analysis)流程平均需4–6周定位一类系统性失效,虚拟孪生+ML方案可将周期压缩至3–5天,且首次修正成功率提升40%以上。更重要的是,它改变了良率提升的范式——从“事后补救”转向“事前预测与预防”。在EUV光刻普及、High-K金属栅、GAA晶体管等新技术导入初期,此类数字孪生平台将成为工艺开发的标准基础设施。
需要指出的是,虚拟孪生并非替代物理实验,而是将其前置化、精准化。模型的准确性高度依赖初始校准数据的质量与覆盖度;对于尚未建模的新材料或新设备,仍需少量晶圆验证。但随着历史数据积累与物理引擎迭代,其适用边界正持续扩展。
目前,SEMulator3D与Fabtex Yield Optimizer等工具已集成于主流EDA厂商的制造分析平台中,支持与APC(Advanced Process Control)系统联动,实现从设计到量产的闭环优化。未来,随着生成式AI对工艺知识的进一步抽象与泛化,虚拟孪生有望从“单产品建模”迈向“跨产品族迁移学习”,进一步降低先进存储芯片的量产门槛。
