Репортаж от Wedoany，Компания GigaLane (기가레인) успешно реализовала автоматический вывод оптимальных условий процесса плазменного травления с использованием технологий искусственного интеллекта, преобразовав подход к разработке процессов, ранее основанный на опыте инженеров и повторных экспериментах, в модель, управляемую данными. Компанию возглавляет представитель Ким Хён-дже (김현제), и она специализируется на оборудовании для травления полупроводников.
Процесс травления является ключевым этапом в производстве полупроводников, где с помощью плазмы точно удаляются ненужные части с пластины для формирования схемных рисунков. С развитием миниатюризации и повышением степени интеграции полупроводников количество переменных, которые необходимо контролировать инженерам, растет экспоненциально. К ним относятся такие входные параметры, как давление, мощность источника, мощность смещения, тип газа и объем впрыска каждого газа, температура подложкодержателя, гелий на обратной стороне, время процесса и другие. В то же время результаты процесса должны соответствовать шести целевым показателям: объему травления, скорости, углу, верхней и нижней ширине линии, селективности маски. Из-за большого количества переменных и строгих требований инженерам обычно приходится многократно проводить множество тестов для поиска оптимальных условий, что требует много времени и расходует большое количество пластин.
Для решения этой проблемы низкой эффективности компания GigaLane при поддержке проекта конвергентных исследовательских групп Национального совета по науке и технологиям использовала инструмент оптимизации процессов на основе ИИ, самостоятельно разработанный Исследовательской группой по интеллектуализации плазменного оборудования Корейского института термоядерной энергии. Исследовательская группа ввела в модель ИИ для обучения 34 очищенных набора данных, полученных после удаления выбросов из 51 экспериментального набора данных, выполненных инженерами. Всего за один цикл обучения модель успешно вывела оптимальные условия, одновременно удовлетворяющие всем шести целевым показателям процесса. Если за один цикл обучения цель не достигалась, система также включала повторяющийся алгоритм, который снова вводил новые результаты процесса в обучение и заново предлагал оптимальные условия, тем самым дополнительно повышая вероятность успешной разработки процесса. Это значительно сократило количество пластин и инженерных ресурсов, необходимых для оптимизации процесса, а также ускорило время реакции на разнообразные потребности клиентов.
На основе этих результатов компания GigaLane планирует расширить применение ИИ на другие процессы, создав положительный цикл, в котором по мере накопления данных эффективность разработки будет возрастать. Компания также намерена перейти от текущего этапа «сопоставления входных переменных и результирующих значений» к более высокому уровню, объединив данные реального времени с датчиков, генерируемые оборудованием в ходе процесса, с ИИ, чтобы создать систему «автономного оборудования», способного самостоятельно диагностировать и корректировать состояние процесса. Представитель GigaLane отметил, что компания будет эффективно реагировать на потребности мировых производителей полупроводниковых устройств на основе управляемого данными процесса оптимизации, повышая свою конкурентоспособность на рынке.
