數位微影與光學檢測整合技術開發
實驗室探討的主要研究主題為無光罩微影技術之光點能量規劃,以達成更高精度的微影製成。為此需要針對實際曝光缺陷作分析,再使用機器學習或演算法等方式,來完成對曝光能量之優化。而所使用的無光罩微影技術,主要是利用控制Digital Micromirror Device(DMD)所產生光點,解析度可達1920x1080 pixels,並利用移動平台來移動晶圓進行曝光程序。得到實際的光阻圖形後可使用Keyence雷射掃描共軛焦顯微鏡,做線寬與三維側壁角等量測。
數位微影系統校正
目前正在進行的研究與實驗為以製作出三維下的光阻圖形成像為目標之研究,首先,為量測實際曝光時焦點下的光點形狀,使用了Laplace卷積運算,因邊緣明顯時具有較高Laplace平方差,即代表有較廣的頻率響應,來找出不同焦距下一系列光點圖形中最清晰的結果作為焦距,防止tilting與rotation所造成的誤差。未來,可使用演算法調整灰度與位移規劃曝光能量,使光阻經曝光顯影達成特定側壁角。
本數位微影製程亦正在進行針對整體數位微影系統之波前量測,量測光學曝光系統中光學元件產生之像差。運用了影像處理中多種演算法來達成波前量測,利用計算其投影矩陣校正CCD對準光線之誤差進行校正其旋轉與傾斜之量測誤差。再使用光點灰階重心量測演算法量測單一光點重心,並結合影像對位演算法比對目標圖案後,導入Shack-Hartmann Algorithm 進行波前重建,再導入Zernike Polynomial 擬合其波前數值模型,進行像差分類。
DMD光點能量優化
使用許多方式作光點能量規劃,例如使用基於反向微影技術(LIT)的機器學習模型(Indosage-Model)或蒙地卡羅(Monte-Carlo Method),其中以蒙地卡羅的演算法優化最為優秀,測試4𝜇𝑚扇出封裝線路,原目標圖案target pattern的實際尺寸為1000x1000 pixels,經由能量規劃前的誤差像素約66355個像素,經過蒙地卡羅方法進行能量規劃後可減少至1047個誤差像素,共減少了65308個像素,優化率可達為98.4%。
缺陷分類機器學習模型
在缺陷分類的部分,使用了CNN-based average precision的機器學習模型對下表的6種典型缺陷做分類,使用的訓練集與測試集圖形為600x600 pixels共3200張,使分類缺陷準確率可達 90%。在檢測出缺陷後也可以對缺陷處做修正,最後優化的結果可由下表觀察。