Современная электроника №7/2023

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ 25 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 7 / 2023 Рис . 1. Схема виртуального процесса , используемого в игре затруднило бы интерпретацию резуль - татов . Чтобы преодолеть эти практи - ческие трудности , мы провели сорев - нование на сложной виртуальной платформе , которая позволяет срав - нивать действия участников в рамках одного и того же процесса . Игра - соревнование между человеком и ИИ Конкурс проводился в виртуаль - ной среде , напоминающей лабора - торию , как схематично показано на рис . 1. Процесс нашего исследования представляет собой плазменное трав - ление отверстия с высоким коэффи - циентом сжатия в плёнке диоксида кремния , которое наряду с многими другими этапами используется для изготовления полупроводниковых чипов [11]. Моделирование этого про - цесса было параметризовано и отка - либровано на основе существующих данных в запатентованном симулято - ре профиля характеристик с использо - ванием основанных на физике эмпи - рических соотношений , чтобы связать метод комбинации входных параме - тров инструмента с выходным резуль - татом травления на виртуальной пла - стине . Для участника этот симулятор служит эффективным чёрным ящиком [9] преобразования метода ( например , значений давления , мощности и тем - пературы ) в требования технологиче - ского этапа , необходимого для произ - водства полупроводникового чипа . Как и в лаборатории , цель игры состоит в том , чтобы свести к миниму - му целевые затраты на поиск метода , обеспечивающего выходные показа - тели , соответствующие цели . Участ - ник отправляет партию ( один или несколько методов ) и получает выход - ные метрики и изображения профи - ля поперечного сечения . Участник продолжает отправлять партии до тех пор , пока цель не будет достигну - та ( рис . 1). Мы определяем « траекто - рию » как серию партий , выполнен - ных для достижения цели . Исходя из фактических затрат , мы определяем стоимость метода в размере 1000 дол - ларов США для затрат на пластины и накладные расходы в размере 1000 долларов США на партию для работы с инструментом . Существует множество потенциальных выигрышных методов из - за высокого уровня погрешности во входных параметрах . Тем не менее мы с самого начала установили низкие шансы случайного достижения цели : 0,003% на метод на основе 35 000 слу - чайных образцов . Эталонное оценивание специалистов - людей Ориентир для целевой стоимости был определён игроками - людьми . Среди добровольцев нашлось шесть профессиональных инженеров - тех - нологов со степенью кандидата физи - ческих наук : три старших инженера с опытом работы более семи лет и три младших инженера с опытом работы менее одного года . Инженеры разра - ботали свои эксперименты , исполь - зуя механистические гипотезы , осно - ванные на их предыдущих знаниях о тенденциях процесса и зависимо - стях параметров плазмы . Они выбра - ли средний размер партии из четырёх методов , используя одномерные или двумерные изменения параметров в 95% всех вариантов . Для справки , так - же участвовали три человека без соот - ветствующего опыта работы с процес - сами . Траектории технологов показаны на рис . 2. Они показывают качественно сходные пути с постепенным продви - жением к цели , которые мы характе - ризуем как два этапа : грубая настройка и тонкая настройка . Грубая настрой - ка относится к начальному быстрому прогрессу по направлению к цели , тог - да как точная настройка относится к медленному прогрессу в конце траек - тории , на котором инженеры изо всех сил пытались одновременно улуч - шить все выходные показатели . Стар - шим инженерам требуется примерно половина стоимости младших инже - неров для того же прогресса . Побе - дивший участник - человек – старший инженер № 1 с целевой стоимостью 105 000 долларов США , как показано на рис . 2. Это наш « экспертный » чело - веческий ориентир . Эталонное оценивание компьютерных алгоритмов Компьютерные алгоритмы , уча - ствующие в этом конкурсе , представ - ляют собой байесовские оптимиза - ции – широко используемый метод машинного обучения для дорогосто - ящих функций чёрного ящика [12, 13, 14]. Этот класс алгоритмов изучался на других приложениях в полупрово - дниковой промышленности [15, 16, 17]. Были выбраны три различные разно - видности байесовских оптимизаций : 1) Algo1 с использованием выборки Монте - Карло с цепью Маркова [18], многомерной линейной суррогатной модели для компенсации высокой вычислительной стоимости выбор - ки и функции ожидаемого улучше - ния (EI); 2) Algo2 из программного обеспече - ния с открытым исходным кодом , Вводные 750 нм 200 нм Оксид Фоторезистивная маска Метод Давление Мощность плазмы 1 Мощность плазмы 2 Ar поток C 4 F 6 поток C 4 F 8 поток CH 3 F поток O 2 поток Частота импульсов Температура пластины Импульсный рабочий цикл Симулятор Результат Критическая величина Глубина травления Скорость травления Оставшаяся маска Высшаякритическаявеличина Разницакритическихвеличин Отклоняющаясякритическая величина Другие профили Цель Полимер Потоки газа Температура Пульсация Мощность 2 Мощность 1 Давление Плазма Пластина Глубина