マイクハエル・ユー、トーマス・ザノン、リシ バンブ – PDFソリューションズマイケル・ユー、トーマス・ザノン、リシ・バム – PDFソリューションズ
はじめに
人工知能（AI）の進歩は、半導体製造を含む産業に革命をもたらしています。検査と診断にAIを活用する能力は、生産効率の向上、従来検出不可能だった欠陥の特定、市場投入までの時間短縮を実現する画期的な戦略として浮上しています。本ブログ記事では、半導体設計情報と統合されたAIが、より効果的な検査・診断プロセスにどのように貢献し得るかを考察します。
このブログ記事は 基調講演 を基にしています。 PDFソリューションズAIエグゼクティブカンファレンス
半導体検査の課題を理解する
半導体製造は本質的に複雑であり、微細構造や精巧な設計が各工程で精密さを要求する。最も重大な課題の一つは、光学検査などの従来手法では検出できない欠陥の検査にある。これには表面下欠陥、微小ビア、または不明瞭な短絡などが含まれる。
従来の検査手法であるラスター走査電子ビーム技術などは処理速度が遅いことで知られており、現代の生産サイクルが求める高速化には不十分です。こうした課題は、よりスマートで高速かつ信頼性の高いソリューションを必要としており、半導体検査におけるAI技術活用の道を開く可能性があります。本ブログ記事では、AIがこうした高速かつ信頼性の高いテスト・検査の実現に貢献すると期待される複数の分野を探ります。
検査におけるAIを推進する基盤技術基盤技術が検査におけるAIを推進する
AIを活用した検査プロセスを支える基盤となる能力がいくつか存在し、それぞれが結果の最適化において重要な役割を果たす可能性があります。これには以下が含まれます：以下に挙げる：
- eProbeテクノロジー: 従来のラスタ走査型電子ビーム法とは異なり、eProbeはポイント走査方式を採用しており、関心領域へ直接ジャンプすることが可能です。この革新的な走査方式により、スループットが桁違いに向上します。
- Fire AIとファジーパターンアルゴリズム: Fire AIプラットフォームは設計形状と電気的挙動を要約し、より精密な欠陥検出を実現します。そのファジーパターンアルゴリズムはレイアウトパターンを故障モードファミリーに分類し、検査対象の精度を向上させます。
- ガイド付き分析設計およびスキャン診断データをガイデッド・アナリティクス・ツールに統合することで、エンジニアは根本原因に関する豊富な知見を得られ、より迅速かつ正確な診断が可能となります。
- ダッシュボードによる自動化された日次収量サマリー自動化された日次収量サマリー（ダッシュボード付き）
- 従来不可能であった追加的な根本原因の検出
- スキャン診断からの物理的位置情報のレイアウトパターン解析への連携スキャン診断からレイアウトパターン解析への物理位置情報の連携
- 歩留まり問題におけるレイアウト感度の特定歩留まり問題におけるレイアウト感度の特定
- シーメンス EDA Tessent との統合シーメンスのテッセントプラットフォームはスキャン診断機能を強化し、故障セルや故障ネットの分析を可能にするとともに、高度な機械学習アルゴリズム（根本原因分解）による故障モード抽出を実現します。この提携は設計情報とAI駆動型分析の相乗効果を体現するものです。
- Tessentからのスキャン診断データがExensioにインポートされるテッセントからスキャンされた診断データがエクセンシオにインポートされます
- 生の診断レポートは、障害が発生しているネットワーク、セル、および物理的な場所に関する情報を提供します
- 機械学習ベースの「Yield Insight」がダイ配置パターンを分析する機械学習ベースの「Yield Insight」がダイ配置パターンを分析する
統合ソリューションにより、より効果的な故障解析と診断が可能となります
AIを活用したスマート検査レシピAIを活用したスマート検査レシピ
半導体検査へのAI統合は、速度と精度の両方を向上させる複数の革新をもたらす。半導体設計データを活用し、AIアルゴリズムは対象を絞った検査レシピを生成し、欠陥検出の重要領域を特定し、診断プロセスを最適化できるようになる。以下に、AIの影響が変革的であると期待される3つの主要な応用分野を概説する。
-
ランダム欠陥率検査
従来、ランダム欠陥検査では時間的制約から、重要特性のごくわずかな割合を分析するに留まっていた。しかしAIを活用すれば、このプロセスは大幅に効率化される可能性がある。設計情報を活用することで、AIはスキャン位置を最適化し、電子ビーム検査を欠陥発生確率が最も高い領域へ誘導できる。
新しいアプローチは以下の通りです：
- 製品レイアウト上の電子ビーム挙動を学習することで、スキャン位置の選択を最適化する電子ビームの製品レイアウト上での挙動を学習することで、スキャン位置の選択を最適化する
- 電子ビームで観察可能な重要配線の検査を優先する電子ビームで観察可能な重要配線の検査を優先する
- 同じ時間枠内で、はるかに高い割合の重要領域検査を達成する達成する
- AIサポートのないソリューションと比較して、観測可能なワイヤ長の大幅に高い割合をスキャンするAI非搭載ソリューションと比較して、観測可能なワイヤ長の大幅に高い割合をスキャンする
選定基準には以下の優先順位付けが含まれる：以下の優先順位付け：
- 優れた信号対雑音比を有する金属線
- 十分な長さを持つ線は、意味のある臨界領域を提示する十分な長さのラインで、意味のあるクリティカル領域を提示する
- 電子ビーム検査で観察可能な適切な接地特性を有するライン。
-
未知の系統的欠陥検出
半導体製造における未知の系統的故障モードは、適切な検査アルゴリズムなしでは検出されないことが多いため、重大な課題となっている。AIは設計パターンを分析し、履歴データと動作データに基づいて潜在的な故障箇所を優先順位付けすることで、この課題に対処できる可能性がある。
AIの支援のもと、アプローチは以下の通りとなる：
- 全体のレイアウトの地図作成を行う全体レイアウトの地図作成を行う
- ファジーパターンアルゴリズムを用いてパターンを故障モードグループに分類するファジーパターンアルゴリズムを用いてパターンを故障モードグループに分類する
- 未知の体系的なパターンに対する検査予算を優先する未知の系統的パターンに対する検査予算を優先する
- 体系的な故障モードのカバレッジを大幅に高め、未知の体系的なパターン位置の最大99%を捕捉することを目標とする
-
スキャンテスト駆動検査
AIの影響は、スキャンテストデータを検査プロセスと統合することでさらに増幅される可能性がある。スキャンベクトルを分析し、不良ネットを特定することで、AIモデルが体系的な故障モードを特定するためのターゲットを絞った検査レシピを作成できると予測される。この統合により、エンジニアは物理設計属性と観察された欠陥を関連付けられ、診断精度が大幅に向上する。
例えば、特定のスキャンテストで不良ネットが検出された場合、AIはレイアウトを分析し、ビアや交差する金属配線など、潜在的な不良箇所を特定できるべきである。このアプローチにより、集中的な調査が可能となり、時間とリソースの消費を削減しつつ、診断精度全体を向上させることができる。
このアプローチでは、スキャンテストの結果を活用して検査を導きます：
- スキャンテストの失敗に関連する特定のネットを特定する特定のスキャンテスト失敗に関連する特定のネットを特定する
- それらのネットワーク内および周辺における潜在的な体系的な障害パターンを分析する
- 電子ビーム検査レシピを最適化し、これらの特定のパターンを対象とする電子ビーム検査レシピを最適化し、これらの特定のパターンを対象とする
- ランダムな欠陥発生率の100分の1の収率への影響であっても、体系的な故障を確実に特定する
AI導入の戦略的メリット
半導体検査ワークフローへのAI統合は、いくつかの包括的な利点をもたらします：
- スループットの向上: eProbeのようなAI搭載ツールは重要領域を優先的に検査するため、検査時間を大幅に短縮しながら検査範囲を拡大します。これにより、メーカーは欠陥検出を損なうことなく厳しい生産スケジュールに対応できます。
- コスト削減: 優先度の高い領域を特定し、不要な検査を削減することで、AIは資源の支出を最小限に抑えます。診断能力の向上と相まって、これにより費用対効果の高い運用が実現します。
- 精度向上: AIが設計データと動作パターンを分析する能力により、欠陥検出と診断の精度が向上し、より高い歩留まり率と低い欠陥率（DPB）を実現します。
- 将来を見据えた設計: 5Gなどの新興技術を支える半導体において、AI駆動の検査機能は進化する要求に応えるために必要な適応性と精度を提供する。
半導体検査の今後の道筋
AIを活用した設計データと検査・診断の統合は、パラダイムシフトをもたらす可能性がある。ランダムな欠陥検査の最適化から未知の系統的故障の検出、診断機能の強化に至るまで、AIは半導体製造における可能性の再定義への扉を開く。
AIの潜在能力を最大限に活用するためには、半導体メーカーは以下の次のステップを検討すべきである：
- AIプラットフォームへの投資: Fire AIやSiemens Tessentのようなプラットフォームは、設計データやスキャンテストデータを検査ワークフローに統合する実績ある機能を提供します。
- スキル開発に注力: チームがAI駆動システムを効果的に運用するために必要な知識とツールを装備する。
- 協働的なアプローチを採用する: 設計、テスト、分析プラットフォーム間の連携により、AIの効果を最大化する相乗効果が生まれます。
これらの戦略により、製造業者は今日の検査課題を解決できるだけでなく、将来に向けた競争優位性を構築することも可能となる。
結論
設計情報を検査・診断と統合することで、半導体メーカーは膨大な訓練データを待つことなく、欠陥検出と歩留まり管理を大幅に改善できる。このアプローチにより、検査効率と体系的な欠陥検出において桁違いの改善が期待され、半導体製造における効果的なAIモデルの実装への道筋を提供する。
設計、試験、歩留まり情報の統合は、半導体検査および診断能力において重要な進歩となる。特に、従来の検査手法のスループット制限を管理しつつ、検出不能なビアやコンタクトなどの困難な欠陥に対処する上で有効である。