p Com a recente demanda explosiva por armazenamento de dados, variando de data centers a vários dispositivos inteligentes e conectados, a necessidade de dispositivos de memória de maior capacidade e mais compactos está aumentando constantemente. Como resultado, dispositivos semicondutores estão agora mudando de 2-D para 3-D. A memória flash 3-D-NAND é o dispositivo semicondutor 3-D de maior sucesso comercial hoje, e sua demanda por suporte ao nosso mundo movido a dados está crescendo exponencialmente. p A lei de escalonamento para dispositivos 3-D é alcançada pelo empilhamento de mais e mais camadas semicondutoras, bem acima de 100 camadas, de uma forma mais confiável. Como cada espessura de camada corresponde ao comprimento efetivo do canal, a caracterização precisa e o controle da espessura camada por camada são críticos. A data, Infelizmente, não destrutivo, a medição precisa da espessura de cada camada dessa estrutura de centenas de camadas não foi possível, o que cria um sério gargalo no dimensionamento futuro de dispositivos 3-D.

p Em um novo artigo publicado em Leve:Manufatura Avançada , uma equipe de engenheiros do Instituto Avançado de Ciência e Tecnologia da Coreia (KAIST) e da Samsung Electronics Co. Ltd., liderado pelo professor Jungwon Kim da KAIST, Coreia do Sul, desenvolveu um método não destrutivo de caracterização de espessura combinando medições ópticas espectrais e aprendizado de máquina. Ao explorar a semelhança estrutural entre as pilhas multicamadas de semicondutores e espelhos multicamadas dielétricas, medições ópticas espectroscópicas, incluindo medições elipsométricas e de refletância, estão empregados. O aprendizado de máquina é então usado para extrair a correlação entre os dados de medição espectroscópica e a espessura de multicamadas. Por mais de 200 camadas de pilha de multicamadas de óxido e nitreto, a espessura de cada camada sobre toda a pilha pode ser determinada com uma média de aproximadamente 1,6 Å de erro quadrático médio.

p Além da determinação precisa da espessura multicamada em condições normais de fabricação, o que é útil para controlar processos de corrosão e deposição, a equipe de pesquisa desenvolveu outro modelo de aprendizado de máquina que pode detectar valores discrepantes quando as espessuras das camadas variam significativamente em relação ao alvo do projeto. Ele usou um grande número de dados espectrais simulados para um treinamento mais eficaz e econômico, e poderia detectar com sucesso os dispositivos com defeito e a localização exata da camada incorreta no dispositivo.

p "A abordagem de aprendizado de máquina é útil para eliminar problemas relacionados à medição, "disse Hyunsoo Kwak, estudante de doutorado na KAIST e primeiro autor do estudo. "Ao usar dados espectrais injetados por ruído como entrada para o algoritmo de aprendizado de máquina, podemos eliminar vários erros de instrumentos de medição e mudanças nas propriedades dos materiais sob diferentes condições de fabricação, " ele adicionou.

p "Este método pode ser aplicado prontamente para a inspeção total de vários dispositivos semicondutores 3-D, "disse o professor Kim, "o que é exemplificado pelo fato de que todos os dados usados ​​neste trabalho foram obtidos nas linhas de fabricação 3-D NAND comerciais da Samsung Electronics."