2. März 2026

MA: Investigation of correlations between process data, test structure properties and device caracteristics of MOSFETs via machine learning models

Zhifeng Huang

—

In den letzten Jahren haben sich künstliche Intelligenz (KI)-Technologien wie das Machine Learning rasant entwickelt. Sinkende Rechenkosten bieten eine potenziell effiziente Lösung zur Überwachung, Analyse und Vorhersage zentraler Parameter von Metall-Oxid-Halbleiter-Feldeffekttransistoren (MOSFETs).
Auf dieser Grundlage untersucht diese Arbeit eine Methode, bei der ein Random-Forest-Regressionsmodell eingesetzt wird, um den Zusammenhang zwischen Teststruktur-Eigenschaften und Bauteileigenschaften von MOSFETs zu analysieren. Zunächst werden elektrische Parameter, die diese beiden Aspekte repräsentieren, aus den Rohmessdaten extrahiert. Fehlende Werte der erstgenannten Parameter werden mithilfe eines K-Nearest-Neighbors-(KNN)-Modells interpoliert. Zur Analyse der erwarteten Korrelation zwischen Teststruktur-Eigenschaften und Bauteileigenschaften werden die Teststruktur-Parameter sowie kategoriale und räumliche Parameter mit Wafer-Informationen als Eingangsmerkmale in das Random-Forest-Regressionsmodell eingebracht, während die Leistungskennzahlen als Zielgrößen verwendet werden.
Die Ergebnisse zeigen, dass das Modell eine gewisse Anpassungsfähigkeit besitzt und identifiziert, dass der Schichtwiderstand der ersten Metallisierungsschicht (M1) eine signifikante Bedeutung für die Vorhersage bestimmter Leistungsparameter, wie beispielsweise der Schwellenspannung des MOSFET, hat. In dieser Arbeit wird das Bestimmtheitsmaß (R²) zur Bewertung der Modellleistung verwendet. Die R²-Werte zeigen, dass das Modell in der Lage ist, bestimmte Muster in bekannten Daten zu erlernen; die Vorhersagegenauigkeit für unbekannte Daten ist jedoch gering.
Weitere Darstellungen der paarweisen Beziehungen zwischen Eingangsmerkmalen und Zielgrößen zeigen, dass keiner dieser Zusammenhänge eindeutig ausgeprägt ist. Zudem zeigen die Wafer-Maps, dass die Trends eines einzelnen Eingangsmerkmals und einer einzelnen Zielgröße nur schwer miteinander in Einklang zu bringen sind. Darüber hinaus variieren die Korrelationsdiagramme derselben Eingangsmerkmale und Zielgrößen zwischen verschiedenen Wafern erheblich. Gleichzeitig weisen auch die entsprechenden Wafer-Maps deutliche Unterschiede zwischen den Wafern auf. Daher ist anzunehmen, dass die Stichprobe Ausreißer enthält, die sowohl auf Bauteildefekte als auch auf nicht erkannte Messfehler zurückzuführen sein können.
Diese Ergebnisse deuten darauf hin, dass die geringe Vorhersagegenauigkeit des Modells durch Ausreißer beeinflusst wird, die möglicherweise auf nicht erkannte Messfehler zurückzuführen sind.