Siemens erweitert EDA um KI-gestützte Halbleitermetrologie

Die Machine-Learning- (ML) und KI-Technologie von Canopus AI für Messtechnik und Inspektion – Messung des Kantenplatzierungsfehlers (EPE) zur Verbesserung der Simulationsmodelle für die Waferherstellung.

Schrumpfende Strukturgrößen und engere Prozessfenster erhöhen den Bedarf an hochpräzisen Messverfahren in der gesamten Halbleiterproduktion. Vor diesem Hintergrund hat Siemens sein Portfolio im Bereich Electronic Design Automation (EDA) durch die Übernahme von Canopus AI erweitert, einem Entwickler KI-basierter Metrologie- und Inspektionssoftware für die Wafer- und Maskenfertigung.

Messtechnik rückt näher an die Prozessphysik
Die moderne Halbleiterfertigung erfordert eine präzise Kontrolle von Lithografie-, Ätz- und Abscheidungsprozessen im Nanometerbereich. Schwankungen in diesen Größenordnungen wirken sich unmittelbar auf Ausbeute, Leistung und Zuverlässigkeit aus. Metrologiesysteme müssen daher physikalische Messergebnisse zunehmend mit Designvorgaben und Prozesssimulationsdaten in Beziehung setzen.

Canopus AI entwickelt computergestützte Metrologiewerkzeuge, die Machine-Learning-Modelle auf Inspektions- und Messdaten von Wafern und Fotomasken anwenden. Ziel ist es, aus großen Inspektionsdatensätzen prozessrelevante Parameter zu extrahieren und so die Defektklassifizierung sowie die dimensionsbezogene Analyse bei fortschrittlichen Technologieknoten zu verbessern.

Durch die Integration dieser Funktionen in seine EDA-Umgebung verknüpft Siemens Design, Simulation und In-Line-Messtechnik enger miteinander. Dadurch entsteht ein kontinuierlicherer Rückkopplungsprozess zwischen Layout, Maskenvorbereitung und Waferbearbeitung – ein wichtiger Schritt hin zu einem hochpräzisen digitalen Zwilling der Halbleiterfertigung.

Von Inspektionsdaten zur wirksamen Prozessregelung
Konventionelle Inspektionssysteme erzeugen große Mengen an Bild- und Signaldaten. Die Überführung dieser Daten in konkrete Prozessanpassungen erfordert jedoch häufig mehrere manuelle oder teilautomatisierte Schritte. KI-basierte Metrologieplattformen nutzen stattdessen trainierte Modelle, um Messsignaturen mit spezifischen Prozessabweichungen wie Fokusdrift, Overlay-Fehlern oder Linienkantenrauheit zu verknüpfen.

Canopus AI bezeichnet seinen Softwareansatz als „Metrospection“ – ein Framework, das Metrologie- und Inspektionsdatenanalyse in einer einheitlichen Umgebung zusammenführt. Ziel ist es, die Lücke zwischen optischen und Elektronenstrahl-Inspektionsdaten sowie prozessbezogenen Kenngrößen zu schließen, die von Prozess- und Yield-Ingenieuren verwendet werden. So lassen sich systematische Strukturabweichungen früher erkennen und engere Prozessfenster bei fortschrittlichen Technologieknoten unterstützen.

Diese Fähigkeiten sind besonders relevant für Hersteller von Logik- und Speicherbausteinen im Sub-10-nm-Bereich, wo Maskentreue und Musterpräzision auf dem Wafer die parametische Ausbeute direkt beeinflussen. Eine schnellere Korrelation zwischen Inspektionsergebnissen und Prozessparametern kann die Reaktionszeit bei Prozessabweichungen verkürzen und die Stabilität der Fertigungslinie verbessern.

Simulation als Grundlage der Fertigungsoptimierung
Das EDA-Portfolio von Siemens umfasst bereits rechnergestützte Lithografie sowie physikalische Fertigungssimulation, insbesondere über die Calibre-Plattform. Diese Werkzeuge modellieren, wie Layoutstrukturen unter Berücksichtigung optischer Effekte, Prozessabweichungen und Variabilität auf Silizium abgebildet werden.

Durch die Kombination von Simulation und KI-gestützter Messtechnik lassen sich Modellvorhersagen kontinuierlich mit In-Line-Daten abgleichen. Es entsteht ein geschlossener Regelkreis, in dem simulierte Prozessfenster mithilfe realer Messdaten von Wafern und Masken verfeinert werden. Das erhöht die Vorhersagegenauigkeit für gedruckte Strukturabmessungen und Musterqualität, insbesondere bei fortschrittlichen Knoten mit sehr engen Toleranzen.

Diese Integration ermöglicht eine Prozessüberwachung im Subnanometerbereich, indem Designdaten, Maskenmodelle und Waferinspektionsergebnisse in einer einheitlichen Datenumgebung zusammengeführt werden. Gleichzeitig verbessert sie die Rückverfolgbarkeit entlang der Halbleiter-Wertschöpfungskette und unterstützt damit ein stärker vernetztes Datenökosystem für Chips in sicherheitskritischen Elektronikanwendungen.

Einordnung im Halbleiter-Softwarestack
Mit der Ergänzung um KI-gestützte Metrologie positioniert sich Siemens in einem Bereich, in dem bislang vor allem Anbieter von Inspektionsanlagen die Datengenerierung dominierten, während EDA-Anbieter sich auf Design und Pre-Silicon-Verifikation konzentrierten. Durch die stärkere Ausrichtung auf die Analyse von Messdaten erweitert Siemens seine Rolle vom Designabschluss hin zur Prozesskontrolle direkt in der Fertigung.

Vergleichbare Ansätze in der Branche koppeln Metrologiedaten typischerweise an statistische Prozesskontrollsysteme (SPC) oder Yield-Management-Plattformen. Der Unterschied liegt hier in der engen Verzahnung von physikbasierter Simulation und KI-gestützter Messdatenanalyse innerhalb einer EDA-orientierten Gesamtumgebung.

Für Siemens erweitert die Übernahme den Softwarestack für die Halbleiterfertigung über Design und Verifikation hinaus in Richtung KI-gestützter, datengetriebener Prozessregelung und stärkt damit die Rolle von EDA-Werkzeugen sowohl in der Produktion als auch in der Vor-Silizium-Entwicklung.

www.siemens.com