用于沟槽型MOSFET工艺配方逆向设计与在线调优的物理约束序列生成模型

《Microelectronics Journal》:Physics-Constrained Sequential Generative Model for Process Recipe Inverse Design and In-line Tuning of Trench MOSFET

【字体: 大 中 小 】 时间:2026年09月19日 来源:Microelectronics Journal 2.2

编辑推荐:

   摘要本文提出了一种基于长短期记忆网络(LSTM)的上下文感知序列生成代理模型,用于沟槽MOSFET的逆向设计以及在线调优。与将高度耦合的制造流程视为静态黑盒的传统代理模型不同,所提出的框架显式地整合了半导体制造中的序列因果关系。该框架采用"预测-固定"序列生成策略,有效缓解了

  

摘要

本文提出了一种基于长短期记忆网络(LSTM)的上下文感知序列生成代理模型,用于沟槽MOSFET的逆向设计以及在线调优。与将高度耦合的制造流程视为静态黑盒的传统代理模型不同,所提出的框架显式地整合了半导体制造中的序列因果关系。该框架采用"预测-固定"序列生成策略,有效缓解了误差累积问题,并通过引入物理约束损失函数,精确合成可行的工艺配方。该框架已在工业级12英寸沟槽MOSFET制造工艺上进行了全面验证。结果表明,该模型通过闭环反馈机制,在新产品开发和大生产在线调优中均能实现配方的快速收敛。本工作支持仿真增强学习在实际制造中的应用,并严格满足离散设备约束,为半导体虚拟制造建立了一种稳健的、物理感知的人工智能范式。

引言

半导体制造的固有复杂性使得逆向设计和工艺优化成为一项艰巨的挑战 [1], [2], [3], [4]。在此背景下,主要的优化目标通常涉及平衡关键的电气参数,如阈值电压、击穿电压和比导通电阻,因为使用传统TCAD进行迭代试错的代价过于高昂。为了加速优化过程,现有研究广泛采用端到端AI方法(如ANN、DNN)[5], [6], [7], [8], [9],或结合AI与启发式算法、物理约束 [10], [11], [12], [13] 或Pareto算法的方法 [14], [15], [16]。尽管这些方法展现出巨大潜力,但在直接应用于工业场景时仍存在一定的局限性。半导体制造具有固有的顺序性:早期的器件结构(如刻蚀剖面)定义了基本的几何边界,从而严格约束了后续步骤(如氧化和CMP)的可行工艺窗口。许多当前的AI方法依赖于将期望的电气目标直接映射到整个器件结构的单步方法。这种方法涉及在高维空间中的大量搜索,容易收敛到局部最优解,并且容易忽略物理尺寸约束,产生不可行的参数组合。此外,虽然启发式算法和Pareto前沿解决方案是有效的,但它们的联合优化参数数量有限。当面对具有多个电气参数目标的器件时,这些方法严重依赖于使用大规模数据集进行综合验证。
在我们先前的探索性研究中,已成功建立了静态机器学习代理模型,实现了沟槽MOSFET的正向电性能预测 [13], [17],并利用贝叶斯优化进行了初步的工艺逆向设计 [13]。然而,与传统的基于数据的优化范式类似,由于多维空间中计算复杂度的指数级增长,这些早期尝试仅限于稀疏的优化参数和有限的优化目标(具体为器件品质因数中的 击穿电压BV 和 导通电阻Ron)。因此,将高度耦合的制造流程视为单步静态黑盒,无法有效解决实际工业生产中所需要的全面、多目标和全参数联合优化挑战。
本文提出了一种基于长短期记忆网络(LSTM)的上下文感知序列生成模型 [18], [19]。通过将物理制造时间线显式嵌入网络架构中,该框架采用"预测-固定"序列生成策略。随着工艺步骤的逐步完成,引入的掩码函数有效减少了误差累积。此外,数据束搜索策略生成多条候选路径,在一定程度上缓解了模型收敛到局部最优解的倾向。验证工作聚焦于12英寸硅基沟槽MOSFET的复杂多参数优化。该生成模型旨在与实际生产流程高度契合,建立一种高精度且可行的虚拟制造方法。

章节片段

器件与仿真

在本研究中,集成肖特基势垒二极管的沟槽栅MOS器件(SBD-TG-MOS)作为主要评估器件 [17], [20], [21]。在集成单元胞设计的基础上,该器件采用中心沟槽(CT)与源极短路形成肖特基接触。在实际应用中,该器件进行了改进。由于深CT穿透至基区,在CT底部注入了高浓度离子以形成屏蔽区,降低了高压器件的

建模框架

图3展示了基于改进型LSTM网络所提出的生成式代理模型。该模型采用上下文感知的编码器-融合-解码器架构,通过三个集成组件协同工作:(A) 集成特征编码模块将从晶圆中提取的目标电气参数(阈值电压Vth、导通电阻Ron、击穿电压BV、漏电流Idss、源漏电压Vsd、栅漏电流Igss)编码为高维上下文中胞状态和隐状态(c 和 h)。表1列出了关键在线电气参数的测试条件和范围

实验结果与讨论

在半导体制造中,关键物理参数通常在不同电压平台(从15 V到40 V及以上)之间呈现连续或规律性的变化。例如,沟槽深度从0.80 μm增加到1.05 μm,栅氧化层厚度从25 nm逐渐增加到50 nm。类似地,击穿电压BV 随着更高的基区掺杂剂量而增加。
图7展示了本研究中获得的跨标称的N沟道和P沟道沟槽MOSFET器件数据

结论

综上所述,本文提出了一种基于LSTM的序列生成代理模型,用于沟槽MOSFET的逆向设计和在线调优。与将整个制造过程视为单一黑盒的传统神经网络不同,我们的方法严格遵循实际的物理制造顺序。这种逐步预测有效缓解了误差累积,物理约束损失函数确保了工艺配方的可制造性。该模型已在工业级12英寸

利益冲突声明

作者声明不存在可能影响本论文所述工作的已知经济利益或个人关系冲突。

竞争利益声明

? 作者声明不存在可能影响本论文所述工作的已知经济利益或个人关系冲突。

致谢

本工作得到了浙江大学科研基金以及浙江省"建兵"和"凌云"研发计划(项目编号:2025C02259)的部分资助。
耿明强|孙宇婷|郭建明|高大卫|倪东
浙江大学 集成电路学院,杭州 311200,中国
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号