Diep Leren voor Geavanceerde Beeldgebaseerde Halfgeleider Metrologie

Naarmate op EUV gebaseerde lithografie wordt toegepast om halfgeleiderapparaten in onze chips te blijven schalen, ontstaan er nieuwe uitdagingen op het gebied van metrologie en inspectie. We moeten deze kleine afmetingen snel kunnen meten zonder verlies van nauwkeurigheid en herhaalbaarheid. Metrologie en inspectie vormen de kern van procesbeheersing. Zonder voldoende metrologie en inspectiecapaciteit lijden tot vermindering van opbrengsten. Conventionele proces- en metrologietools, die in de industrie worden gebruikt, genereren weliswaar veel gegevens, maar gebruiken ze niet altijd in feed-forward- en feedback-cycli. Er is echter een continue behoefte aan beter inzicht in procesbeheersing door gebruik te maken van massale data. De bronnen van deze gegevens kunnen variëren van tool-proces-logboeken tot laboratorium-metrologie tot computationele tot FAB-metrologische inspectie. Handmatig toezicht, analyse en het vinden van relevante inter- en/of intra-correlaties tussen deze gigantische gegevensbronnen is bijna onmogelijk en vereist betere methoden voor gegevensanalyse en geavanceerde machine learning technieken. Het doel van dit project is om gegevens van de productietools te gebruiken voor het opstellen van modellen voor een betere procesbeheersing en correleren met elektrische prestaties van apparaten. De promovendus leert de conventionele processtroom en is verantwoordelijk om samen te werken aan het ontwikkelen en toepassen van 'machine learning' gebaseerde optimalisatie-algoritmen met als doel de bovengenoemde uitdagingen aan te pakken in termen van 1) het verminderen van de rekenkosten, 2) het verminderen van tool cyclustijd, 3) voorspellende procesbeheersingsbenadering voor het mogelijk maken van geavanceerde productie van halfgeleiders met knooppunten en 4) verbetering van metrologische gegevens. De toepasbaarheid van machine learning omvat: 1. Brainstorm over 'technische zorgvuldigheid' van het project: om te voldoen aan de gewenste prestatie en tijdlijn. 2. Analyse van toolgegevens: verzamel gegevens, analyseer gegevens en stel hypothesen voor met een feedbacklus van expertise. 3. Toepasbaarheid van beeldverwerking: Verzamel beeldgegevens (SEM/TEM/EDR/..), stel een op ML gebaseerde hypothese om verbeterde SEM gebaseerde metingen te extraheren. 4. Modellering van machine learning – een nieuw algoritme maken of een bestaand algoritme verbeteren voor een bepaalde applicatie. 5. Samenwerking aan patenten/publicaties en presentaties op internationale conferenties/tijdschriften. 6. Begeleiding van master thesissen gerelateerd aan het onderwerp van dit doctoraat.