Lam Research | 虚拟孪生与机器学习如何优化 DRAM 良率

Lam Research 通过校准虚拟孪生与机器学习优化，将 DRAM 预测良率从 0.1% 提升至 78.5%。

机器学习与虚拟孪生优化 DRAM 良率-原文发表于 2026 年 10 月 28 日。

• 随着动态随机存取存储器制造日益复杂，虚拟孪生和机器学习为识别系统性良率问题提供了一种更快速、成本更低的方法。
• 通过利用硅片数据校准 SEMulator3D® 虚拟孪生，工程师可以模拟工艺波动、检测多种失效模式，并以更少的晶圆实验评估解决方案。
• 基于机器学习的优化使全部 8 种系统性失效模式得到改善，并将预测良率从 0.1% 提高至 78.5%。

随着存储器技术持续微缩，制造工艺正变得越来越复杂。

• 更多的工艺步骤、更窄的工艺窗口，以及新的波动来源，使制造商越来越难以达到可接受的良率水平。

在良率爬坡期间，系统性失效正成为良率损失的重要来源。与随机缺陷不同，这些失效通常由多个工艺模块之间复杂的相互作用引起。

快速识别这些系统性缺陷的根本原因，对于迅速提升良率和缩短产品上市时间至关重要。¹ 但传统失效分析高度依赖晶圆实验和统计分析。随着制造复杂度不断提升，这种方法可能变得缓慢且成本高昂。

经过校准的虚拟孪生与机器学习优化可以在这一环节发挥作用。

图 1：系统性失效是良率爬坡期间的关键瓶颈。更快地识别并减少这些失效，可以加快良率爬坡，并缩短达到目标制造良率所需的时间。

工艺工程师可以使用虚拟制造模型 SEMulator3D®，并结合机器学习优化工具 Fabtex™ Yield Optimizer，预测工艺失效。

• 虚拟孪生可以在经过校准的数字环境中复现工艺波动，从而改善动态随机存取存储器的良率分析。
• 机器学习随后可以同时评估多种失效机制和工艺变化。

利用这种方法，工程师可以在较少依赖晶圆实验的情况下，评估潜在的良率改善方案。

利用虚拟量测检测多种 DRAM 失效模式

作为这项技术的一个示例，我们建立了一个动态随机存取存储器制造工艺序列的 SEMulator3D 模型，也就是虚拟孪生模型。在构建该模型的过程中，我们在整个工艺序列中建立了虚拟量测项目，如图 2 所示。

图 2：利用工艺集成、虚拟量测和硅片数据构建并校准动态随机存取存储器虚拟孪生。

随后，我们利用机器学习根据硅片数据对模型进行校准，使虚拟环境能够更准确地复现实际观测到的制造行为，并为后续失效分析与优化建立基础。

构建并校准 DRAM 虚拟孪生

在这项具体案例研究中，我们为一种动态随机存取存储器器件建立了经过校准的虚拟孪生模型。该器件包含 8 种已知的系统性失效机制。

图 3 展示了这些失效机制的示例，包括关键动态随机存取存储器结构之间的短路、开路和重叠相关缺陷。

图 3：复现系统性动态随机存取存储器失效模式，并利用虚拟量测进行检测。

我们还在虚拟孪生模型中设定了用于检测这些失效的虚拟量测项目。通过将每一种失效转化为可测量的几何条件，并利用虚拟量测对其进行监测，我们能够在单项研究中自动检测并同时分析多种失效机制。

利用机器学习优化工艺目标

在完成虚拟孪生校准后，我们进一步应用机器学习，分析工艺变化和结构变化对预先设定的 8 种失效模式的影响。

随后，我们搜索经过优化的制造方案，也就是一组能够让上述 8 种失效模式总体失效率最低的具体工艺变化。

与分别处理每一种失效模式不同，优化程序会同时评估多种工艺变化的影响，并搜索能够改善总体通过率的工艺目标。

案例结果：预测良率提升至 78.5%

如图 4 所示，经过优化的工艺设定显著降低了全部 8 种系统性失效模式。

图 4：通过基于机器学习的优化和目标重新设定，同时减少多种系统性失效。图中突出展示了存储节点着陆焊盘开路/短路失效的一个目标重新设定示例。

在研究所采用的标称工艺条件下，预测总良率仅为 0.1%。经过优化后，预测良率提升至 78.5%，8 种失效机制的失效率均有所下降。

该分析还将优化后的方案转化为可以执行的在线晶圆厂目标。这些目标可以直接应用于实际工艺，帮助工程师确定需要调整的工艺参数和结构参数，从而进一步减少系统性失效。

加快半导体良率改善

这项工作表明，结合工艺模型与机器学习，可以加快动态随机存取存储器器件开发过程中的良率改善。

通过在经过校准的虚拟环境中复现工艺波动，并同时开展优化和目标重新设定，工程师能够检测多种器件失效，并在不承担大规模硅片实验所需时间与成本的情况下，研究更广泛的解决方案空间。

参考文献

Tirkel, "Yield Learning Curve Models in Semiconductor Manufacturing," IEEE Transactions on Semiconductor Manufacturing, vol. 26, no. 4, pp. 564-571, Nov. 2013. 

END

往期推荐

REVIEW

10 Å  之后，CMOS 如何继续微缩？

Lam 与 imec 扩大合作，加快干法光刻胶研发 ！

全球五大半导体设备厂商在华营收 ！

用 AI 工具模拟鞘层带电粒子运动

↓设置星标，精彩不错过↓

欢迎关注本公众号，获取更多半导体设备、工艺、产业动态

点分享

点收藏

点在看

点点赞