攻克DRAM良率难题,这一新思路值得一试

来源:半导纵横发布时间:2026-11-20 16:44
存储
技术进展
生成海报
工艺模型与机器学习相结合,能够在DRAM器件开发阶段加速良率改善。

随着存储技术持续微缩,制造工艺的复杂度也在不断提升。更多的工艺步骤、更严苛的工艺窗口,以及新的偏差来源,让达到合格良率的难度越来越大。系统性失效已经成为良率爬坡阶段良率损失的一大诱因。和随机缺陷不同,这类失效往往由多个工艺模块之间复杂的相互作用引发。

快速定位这类系统性缺陷的根本原因,是迅速提升良率、缩短上市周期的关键。但传统失效分析高度依赖晶圆实验与统计分析,随着制造复杂度上升,这类方法耗时久、成本高。而经过校准的虚拟孪生与机器学习优化技术,正好可以解决这个难题。

图1:系统性失效是良率爬坡过程中的核心瓶颈。更快识别并减少这类失效,能够加快良率爬坡速度,缩短达到目标良率所需的时间。

工艺工程师借助虚拟制造模型(SEMulator3D)搭配机器学习优化工具(Fabtex Yield Optimizer)预测工艺失效。虚拟孪生可以在校准后的数字环境中复现工艺偏差,以此完善DRAM良率分析。 机器学习则能够同步评估多种失效机理与工艺改动方案。

采用这套方法,工程师可以评估各类良率优化方案,大幅减少对晶圆实验的依赖。

借助虚拟量测识别多种DRAM失效模式

我们搭建了一套DRAM制造工艺流程的SEMulator3D模型(虚拟孪生)作为示例。在建模过程中,我们在整个工艺流程中布设了虚拟量测(图2)。

图2:依托工艺集成、虚拟量测以及硅片实测数据,搭建并校准DRAM虚拟孪生模型。

随后利用机器学习,结合硅片实测数据对模型进行校准,让虚拟环境更好地复现实际生产表现,为后续失效分析与优化打下基础。

搭建并校准DRAM虚拟孪生模型

在本次案例研究中,我们为这款DRAM存储器件搭建了经过校准的虚拟孪生模型,模型内置八种已知的系统性失效机理。

图3展示了部分失效机理示例,包括DRAM关键结构之间的短路、断路以及交叠类缺陷。

图3:复现DRAM系统性失效模式,并通过虚拟量测完成检测。

我们同时在虚拟孪生中配置了用于检出这些失效的虚拟量测方案。将每一类失效转化为可量化的几何状态,再通过虚拟量测持续监控,就可以在单次分析中自动检出、同步研判多种失效机理。

利用机器学习优化工艺目标参数

基于校准完成的虚拟孪生模型,我们运用机器学习分析工艺、结构偏差对预设八种失效模式带来的影响。

之后搜寻最优制造方案(特定工艺调整方案),使八种失效模式的失效概率整体降至最低。该优化流程不会单独处理某一类失效,而是同步评估多项工艺改动带来的综合影响,寻找能够提升整体良率的工艺目标参数。

案例结果:预测良率提升至78.5%

如图4所示,这套优化后的工艺参数,显著改善了全部八种系统性失效。

图4:基于机器学习优化与目标重调分析,同步降低多种系统性失效。图中重点展示SNLP(存储节点焊盘)断路 / 短路失效的目标重调样例。

在本次研究采用的基准工艺条件下,模型预测总良率仅为0.1%;经过优化之后,预测良率上升至78.5%,八种失效机理对应的失效概率全部下降。

该分析还将优化方案转化为产线可直接落地的在线工艺目标,帮助工程师明确需要调整哪些工艺、结构参数,进一步抑制系统性失效。

加快半导体良率提升进程

这项研究证明,工艺模型与机器学习相结合,能够在DRAM器件开发阶段加速良率改善。在校准后的虚拟环境中复现工艺波动,同步开展优化与参数重调,工程师可以识别多种器件失效、探索更大范围的优化方案,而无需耗费大量时间、成本开展硅片实验。

本文转自媒体报道或网络平台,系作者个人立场或观点。我方转载仅为分享,不代表我方赞成或认同。若来源标注错误或侵犯了您的合法权益,请及时联系客服,我们作为中立的平台服务者将及时更正、删除或依法处理。

评论
暂无用户评论