具有Zernike校正功能的神经网络,用于在化学气相沉积过程中精确预测晶圆图形

《Engineering Applications of Artificial Intelligence》:Zernike-aware neural networks for accurate wafer map prediction in chemical vapor deposition processes

【字体: 大 中 小 】 时间:2026年05月07日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  张载元|金泰健|高贤洙|李儒松|金世珍|朴顺荣|崔在明|金英圭|金大信|刘东铉|李相成 仁荷大学机械工程系,韩国仁川22212,仁荷路100号 **摘要** 本研究提出了一种基于物理原理的预测神经网络,用于高效优化半导体制造工艺。鉴于化学气相沉积(CVD)在半导体制

  张载元|金泰健|高贤洙|李儒松|金世珍|朴顺荣|崔在明|金英圭|金大信|刘东铉|李相成
仁荷大学机械工程系,韩国仁川22212,仁荷路100号

**摘要**
本研究提出了一种基于物理原理的预测神经网络,用于高效优化半导体制造工艺。鉴于化学气相沉积(CVD)在半导体制造中的关键作用,准确快速地预测CVD过程中的偏差对于最大化生产产量和设备可靠性至关重要。虽然传统的多尺度计算流体动力学(CFD)模型具有较高的精确度,但由于宏观和微观尺度相互作用之间的迭代计算,这些模型在计算上要求较高,因此不适合实时优化。为了解决这一挑战,我们引入了一种混合预测建模方法,该方法结合了基于Zernike多项式的物理感知初始化模块(提供初步的低阶预测)和用于高阶细化的预测神经网络。我们的物理感知神经网络通过使用最少的数据量准确预测整个晶圆的轮廓图,并有效捕获复杂的工艺条件,从而显著优于传统方法。在多种具有挑战性的工艺条件下进行验证后,所提出的神经网络模型在准确性和训练稳定性方面始终优于传统方法,特别是在数据可用性有限的情况下。

**引言**
随着人工智能的发展,数据中心的扩张导致了对半导体的全球需求增加。在半导体制造中,质量控制变得越来越重要,因为产量和制造复杂性受到纳米级工艺的强烈影响(Elers等人,2006年;Tai等人,2012年)。因此,预测晶圆级工艺不均匀性(例如抛光、沉积、刻蚀)对于优化工艺产量和设备性能至关重要。传统上,计算流体动力学(CFD)和分子动力学(MD)建模被用来预测涉及多尺度化学反应的各种制造工艺。例如,在化学气相沉积(CVD)过程中,宏观和微观现象分别使用CFD和动力学蒙特卡洛(kMC)方法进行模拟(Cheimarios等人,2010年;Cale等人,1991年;Coltrin等人,1984年)。这些多尺度、化学反应模型与实际制造工艺相比显示出高精度(Kim等人,2026年)。尽管这些方法准确,但计算成本高昂,通常不适用于需要快速评估的应用,如实时控制或逆向设计。

**需求与挑战**
对于复杂物理现象的快速而准确的预测需求促使人们采用机器学习(ML)方法作为替代模型。经过训练后,这些模型可以以微不足道的在线成本提供快速预测,使其在需要重复查询评估的工程应用中非常吸引人,包括流场预测、基于替代模型的热建模和虚拟计量(Jiang等人,2023年;Zhang等人,2024年;Jang等人,2025年)。越来越多的研究表明,ML能够在传统数值方法成本过高或限制过多的情况下有效支持流体流动分析、外推预测和基于物理原理的科学建模(Wang等人,2025年;Fukami等人,2020年;Jo等人,2026年)。除了直接的前向预测之外,基于ML的框架在工程控制和迁移学习中也显示出了强大的潜力,其中先验知识和学习到的表示可以提高适应性和泛化能力(Jeon等人,2025年;Lee等人,2022年)。更广泛地说,最近的研究表明,ML不仅可以作为预测替代工具,还可以作为数据驱动的特征发现和工程设计优化的实用工具,进一步凸显了其在现代工程工作流中的重要性和多功能性(Shin等人,2024年;Tran等人,2024年)。

**先前研究**
以往在半导体制造工艺中使用ML技术(包括数据驱动和基于物理原理的神经网络(PINNs)的研究往往依赖于简化的几何形状或轴对称假设(Chaffart和Ricardez-Sandoval,2018年;Ding等人,2019年;Chaffart等人,2024年)。然而,现实世界中的工艺通常涉及非对称的硬件配置,需要更灵活的建模方法。在这方面,来自计算机视觉领域的数据驱动模型(如卷积神经网络(CNNs)、条件生成对抗网络(c-GANs)和条件扩散模型(c-DMs)在处理复杂的生成和空间预测任务方面显示出了潜力(Van den Oord等人,2016年;Mirza和Osindero,2014年;Ho等人,2020年)。尽管这些模型具有潜力,但它们通常需要大量标记的数据。对于CVD工艺来说,由于制造过程的成本高昂且复杂,涉及广泛的控制参数,获取这些数据非常昂贵(Tian等人,2024年)。这种处理小数据集的限制与传统预测模型面临的挑战一致,特别是在数据有限的领域。在小数据集中,CNNs容易受到数据不平衡和过拟合的影响(Marinakis等人,2025年)。类似地,c-GANs经常遇到模式崩溃和生成多样性降低的问题,添加判别器还会进一步增加超参数调优的复杂性(Alauthman等人,2023年;Dewi等人,2021年;Hagiwara和Tanaka,2020年)。条件扩散模型(c-DMs)虽然功能强大,但通常需要大量的计算资源和较长的训练时间。在小数据场景下,它们往往会出现样本多样性不足、过拟合以及高频细节丢失的问题,表现为输出模糊(Zhu等人,2023年;Kim等人,2024年;Lee和You,2019年)。

**解决数据稀缺问题的策略**
在神经网络模型中加入物理先验是一种解决数据稀缺问题的策略。尽管纯数据驱动的模型可以在训练分布内实现高实证精度,但它们往往难以在数据有限或外推条件下泛化。将领域知识直接嵌入学习过程中可以通过引导模型进行物理上一致的预测来缓解这些限制。一种有效的方法是使用降阶模型(ROMs),它将复杂的物理行为简化为低维表示。例如,在光学系统中,Zernike多项式分解已被证明有助于使用少量的正交模式高效地捕捉空间变化(Born和Wolf,2013年;Zernike,1934年)。

**本研究**
在本研究中,我们提出了一种混合建模框架,称为Soft-Zernike神经网络(SZNN),它结合了基于物理原理的ROMs和神经网络的表达能力。我们的方法利用基于Zernike的回归器(Z-Reg)从有限数量的工艺参数中学习低阶空间模式。这些Zernike系数提供了晶圆级沉积轮廓的粗略但物理上合理的近似。然后,通过预测网络(如CNN或c-GAN)对这种低分辨率预测进行细化,以重构高频空间细节。这种混合架构确保物理约束引导预测神经网络,同时仍能捕捉到细小尺度结构。SZNN特别适合小数据场景,这在CVD研究中很常见,因为测量吞吐量有限且模拟成本较高。我们的实验表明,所提出的框架在预测误差方面明显优于没有Z-Reg的传统预测模型,通过MRE和SSIM指标实现了误差的降低。此外,该框架在面对常见神经网络问题(包括幻觉、模式崩溃和过拟合)时表现出韧性,尤其是在数据有限的挑战性场景中。通过将降阶建模与深度学习相结合,SZNN为半导体工艺应用提供了一种实用的物理感知建模方法。它有助于减少对大型训练数据集的需求,同时提高空间预测质量,成为第一性原理模拟和数据驱动方法之间的折中方案。

**本文结构**
本文的其余部分安排如下:第2节介绍SZNN框架,详细阐述了Z-Reg模块的构建及其与神经生成器的集成;第4节在各种配置下进行了定量评估;最后,第5节讨论了将此框架扩展到实验数据和多物理建模的关键发现和未来方向。

**方法**
所提出的SZNN(图1)旨在从一维条件向量c预测二维轮廓MTarget。该框架由两个不同的模块组成:(i)包含Zernike正交基模式的降阶模型(ROM);(ii)诸如卷积神经网络(CNN)、条件生成对抗网络(c-GAN)或条件去噪扩散隐式模型(c-DDIM)之类的预测模型。

**数据集**
我们使用了两个数据集进行模型开发:(i)一个具有行业代表性的晶圆图数据集;(ii)一个通过计算流体动力学(CFD)生成的晶圆图数据集。行业代表性数据集由半导体制造商提供,分辨率为256 × 256网格,能够捕捉商业半导体制造环境中常见的工艺偏差。相比之下,CFD生成的数据集是通过自动化计算流体动力学构建的。

**结果与讨论**
本节评估并讨论了所提出的SZNN框架在两个不同数据集上的性能:行业代表性晶圆图和CFD模拟。对于每对基线/SZNN模型,使用了相同的超参数、训练周期和数据分割,唯一的区别在于是否包含Z-Reg组件。所有实验在两个数据集中都采用了一致的数据分割。

**结论**
所提出的框架Soft-Zernike神经网络(SZNN)为半导体制造中普遍存在的数据有限场景提供了一种有效的解决方案。当训练数据稀缺时,传统的深度学习方法往往表现糟糕,经常导致过拟合、模式崩溃或幻觉效应,正如我们的实验结果所证明的。SZNN通过Z-Reg实现的物理感知初始化从根本上解决了这一限制。

**作者贡献声明**
张载元:撰写——原始草稿、方法论、调查、 formal分析、数据 cur curation、概念化;
金泰健:撰写——审查与编辑、软件、方法论;
高贤洙:撰写——审查与编辑、软件、方法论、概念化;
李儒松:撰写——审查与编辑、方法论;
金世珍:撰写——审查与编辑、方法论;
朴顺荣:撰写——审查与编辑、方法论;
崔在明:撰写——审查与编辑、方法论;

**利益冲突声明**
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:
李相成报告称得到了三星电子有限公司的财务支持;
李相成报告称得到了韩国能源技术评估与规划院的财务支持;
高贤洙持有三星电子的专利;
如果还有其他作者,他们声明自己并未在三星电子工作。

**致谢**
本研究得到了韩国三星电子有限公司(IO250806-13391-01)以及韩国能源技术评估与规划院(KETEP)和韩国气候、能源与环境部(MCEE)(RS-2023-00243974)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

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