FTCO与数字孪生
我们将半导体行业的专业知识与机器学习（ML，Machine Learning）及数据分析相结合，开发了Fab Technology Co-Optimization解决方案，简称FTCO™。借助FTCO™，TCAD工程师使用基于人工智能的Victory Analytics和 Victory DoE，设置并执行迭代方案，来训练非线性模型。该模型使用来自仿真和物理实验的数据对制造工艺进行表征。训练中可纳入器件与电路仿真，从而自动呈现工艺、器件及电路参数之间的相互关系。经过充分地训练，该模型便成为一个数字孪生，涵盖训练数据中蕴含的全部知识以及TCAD仿真工程师提供的输入信息。
AI驱动的FTCOTM解决方案流程图
优势
通过减少物理晶圆的试错周期，既能将成本和产品上市时间降至最低，又能实现生产规模的最大化。
为TCAD初级用户提供智能且直观的界面，使其能够在虚拟环境中 “亲身实践” 制造优化。
为工程师打造一个创新平台，大幅降低风险，加快下一代技术的上市时间。
虚拟实验 支持工程师在一个直观且专门设计的交互界面进行数据分析，研究工艺参数与目标设计参数之间的相关性。针对用户定义的设计参数，重要的工艺参数会被自动突出显示。场景示例：工程师使用数字孪生技术筛选特定晶体管的工艺和器件目标变量，实时结果表明，改变注入剂量对阈值电压有显著影响，而对击穿电压的影响很微弱。
设计目标设定功能 支持工程师向数字孪生模型查询，获取特定目标设计值对应的最佳工艺参数值，这大大加快了参数探索以及最佳工艺参数的确定。场景示例：工程师设定一个目标阈值电压，数字孪生模型实时返回达到该阈值电压所必需的掺杂剂量。
交互式结构建模 支持工程师更改工艺参数，带来的改变能够立即直观地呈现在展示结构的渲染窗口中。所呈现的输出结果是根据基于物理原理的训练数据，因此能高度可靠地反映物理现实。场景示例：工程师更改蚀刻参数，随即就能看到其对蚀刻轮廓形状的影响。
工艺能力分析 支持工程师通过蒙特卡罗分析以及Cp/Cpk分析来进行参数变化和良率研究。场景示例：工程师提供氧化层厚度的批次偏差数据，数字孪生模型则给出工艺和器件参数分布情况。
与美光科技合作开发以优化存储器件
美光科技公司（Micron Technology, Inc.）运用量产数据和基于物理原理的仿真技术，重点关注蚀刻、沉积和机械应力，并结合Silvaco公司的FTCO™平台进行数据分析和数字孪生模型训练。该数字孪生模型能让TCAD初级用户也能快速直观地对工艺、设计和良率进行优化，加速存储产品开发的设计和路径探索。
直接联系FTCO专家，了解更多关于使用Silvaco人工智能驱动解决方案来优化工艺、设计和良率的信息。