White Light Interferometry 를 활용한 Fully Convolutional Network 기반 칩 전체 CMP 모델링
요약
본 논문은 IC 공정에서 중요한 역할을 하는 Chemical-Mechanical Polishing (CMP)의 정확한 예측 모델링을 목표로 합니다. 기존 방식이 가진 시간 소모 및 하드웨어 자원 문제를 해결하기 위해, White Light Interferometry (WLI)와 Atomic Force Microscopy (AFM) 두 가지 표면 분석 기법의 장점을 결합하여 딥러닝 기반 CMP 모델을 제안합니다. 이 CNN 기반 모델은 나노미터 단위의 정확도로 칩 전체의 CMP 후 나노 토포그래피를 예측함으로써, 설계 검증 단계와 시장 출시 시간을 가속화하는 데 기여할 것입니다.
핵심 포인트
- CMP 공정의 레이아웃 의존성(LDE)을 고려한 정확한 모델링이 IC 제조 과정에서 필수적이다.
- 기존 CMP 모델은 Density Step Height (DSH)에 의존하여 보정과 예측에 많은 시간과 자원이 필요하다는 한계가 있다.
- 제안된 방법은 WLI와 AFM의 장점을 결합하고 CNN을 사용하여 칩 전체의 나노 토포그래피를 높은 정확도로 예측한다.
- 이 모델은 두 단계 파이프라인으로 구성되어, 각 분석 기법별로 훈련하여 상세한 CMP 모델을 생성한다.
시장 출시 시간 (time-to-market) 이 IC 산업에서 결정적이므로, 레이아웃 제조 가능성 검증 (manufacturability verification) 을 가속화하는 것이 필수적입니다. Chemical-Mechanical Polishing (CMP) 는 IC 공정에서 중요한 역할을 하지만, Layout-Dependent Effects (LDE) 의 영향을 크게 받습니다. 정확한 CMP 모델은 설계 팀이 제작 전에 표면 불균일성을 수정할 수 있게 하여 비용을 절감하고 설계 단계를 가속화합니다. 그러나 기존 모델들은 주로 Density Step Height (DSH) 모델링에 의존하는데, 이는 보정 (calibration) 에 시간이 많이 소요되고 세밀한 예측을 위해 상당한 하드웨어 자원이 필요합니다. 본 논문에서는 White Light Interferometry (WLI) 와 Atomic Force Microscopy (AFM) 의 두 가지 표면 분석 기법의 장점을 결합하여 딥러닝 모델을 훈련하는 것을 제안합니다. 이 모델은 나노미터 단위의 정확도로 칩 전체 CMP 후 나노 토포그래피를 예측하는 것을 목표로 합니다. 우리의 딥러닝 모델은 Convolutional Neural Network (CNN) 을 기반으로 하며, 두 단계 파이프라인을 따릅니다. 각 기법에 대해 별도로 훈련하여 상세한 칩 전체 CMP 모델을 생성합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기