CN114503244A - 用于预测晶圆上测量值的使用多级lstm的工具控制 - Google Patents
用于预测晶圆上测量值的使用多级lstm的工具控制 Download PDFInfo
- Publication number
- CN114503244A CN114503244A CN202080064612.0A CN202080064612A CN114503244A CN 114503244 A CN114503244 A CN 114503244A CN 202080064612 A CN202080064612 A CN 202080064612A CN 114503244 A CN114503244 A CN 114503244A
- Authority
- CN
- China
- Prior art keywords
- post
- measurements
- historical
- computer
- process measurements
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70691—Handling of masks or workpieces
- G03F7/70783—Handling stress or warp of chucks, masks or workpieces, e.g. to compensate for imaging errors or considerations related to warpage of masks or workpieces due to their own weight
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
一种用于使用预测性长短期记忆的过程控制的方法,包括:获取在制造过程的先前产品上采集的历史后过程测量值;获取在制造过程期间在先前工件上采集的历史过程中测量值;响应于相应的历史过程中测量值和前面的历史后过程测量值,训练神经网络以预测历史后过程测量值中的每个历史后过程测量值;获取在制造过程期间在目前工件上的目前过程中测量值;通过提供目前过程中测量值和历史后过程测量值作为神经网络的输入来预测针对目前工件的未来后过程测量值;以及响应于对未来后过程测量值的预测来调整制造过程的至少一个可控制变量。
Description
背景技术
本发明涉及电气、电子和计算机领域,更具体地,涉及制造半导体设备。
在半导体制造中,晶圆上的测量值对于控制过程工具是重要的。这样的测量值依赖于诸如来自不同工具的跟踪传感器数据的物理变量。然而,关键测量值可以仅在已经完全制造晶圆之后进行。由于诸如传感器噪声、材料中的自然可变性、机械噪声等的非自然可变性,来自过程中传感器网络的观察(包括贡献于后事实晶圆厚度的关键状态变量的测量)是随机过程。可靠地预测晶圆上测量值(即,以比目前可实现的更精确和准确的方式近似筛选随机噪声的晶圆厚度的实际值)是重要的挑战。
存在用于对时间序列数据进行建模的几个深度学习模型。然而,所有这些都不能有效地用于半导体问题。例如,存在关于用于时间序列数据的状态标识和预测的统计模型的大量文献,诸如ARMAX和动态线性模型、扩展卡尔曼滤波器等。大多数先前的统计模型基于线性化或高斯分布假设。
发明内容
本发明的原理提供了用于使用多级LSTM来预测晶圆上测量值的工具控制的技术。在一个方面,用于在制造过程的当前过程步骤期间实时控制制造过程的示例性方法包括获取在制造过程的先前产品上采集的历史后过程测量值,并且获取在当前过程步骤的先前迭代期间在先前工件上采集的历史过程中测量值。(该方法还包括通过使用采集自历史后过程测量值和相关联的历史过程中测量值的训练数据来训练神经网络。)该方法然后包括:在当前过程步骤期间获取目前工件上的目前过程中测量值;通过提供目前过程中测量值和历史后过程测量值作为神经网络的输入,预测针对目前工件的未来后过程测量值;以及响应于对未来后过程测量值的预测,调整制造过程的至少一个可控制变量。
本发明的一个或多个实施例或其元素能够以计算机程序产品的形式实现,该计算机程序产品包括具有用于促进所指示的方法步骤的计算机可用程序代码的计算机可读存储介质。此外,本发明的一个或多个实施例或其元素能够以系统(或装置)的形式实现,该系统(或装置)包括:存储器,该存储器包含计算机可执行指令;以及至少一个处理器,该至少一个处理器耦合至该存储器并且由这些指令操作以促进示例性方法步骤。更进一步地,在另一方面,本发明的一个或多个实施例或其元素能够以用于执行在此描述的方法步骤中的一者或多者的装置的形式来实现;该装置可以包括(i)硬件模块,(ii)存储在有形的计算机可读存储介质(或多个这样的介质)中并在硬件处理器上实现的软件模块,或者(iii),(i)和(ii)的组合;(i)-(iii)中的任一项实现本文中阐述的特定技术。
如本文所使用的,“促进”动作包括执行动作、使动作更容易、帮助执行动作或使得动作被执行。因此,作为示例而非限制,在一个处理器上执行的指令可以通过发送适当的数据或命令来促使或帮助执行动作来促进由在远程处理器上执行的指令执行的动作。为了避免疑问,在动作者通过除了执行动作之外的动作来促进该动作的情况下,该动作仍然由某个实体或实体的组合执行。
鉴于上述情况,本发明的技术可以提供显著的有益技术效果。例如,一个或多个实施例提供以下各项中的一项或多项:
在晶圆制造期间晶圆厚度或电阻率的可靠预测,从而使得过程工具控制能够实时调整成品晶圆的厚度。
在制造过程期间实时可靠地预测后过程测量值,从而使得过程工具控制能够调整后过程测量。
基于响应于后过程测量值的可靠预测而实时调整过程的能力,制造具有改善的晶圆厚度一致性和其他后过程测量值的晶圆,从而引起与现有技术相比更高质量的晶圆和更高质量的集成电路。
从以下结合附图阅读的对本发明的示例性实施例的详细描述中,本发明的这些和其他特征和优点将变得明显。
附图说明
图1描绘了示例性实施例适用的示例性制造过程流程的示意图;
图2描绘了根据示例性实施例的控制过程的流程图;
图3描绘了根据示例性实施例的神经网络的示意图;
图4描绘了根据示例性实施例的用于训练图3的神经网络的方法的示意图;
图5示出了图4的方法的流程图;
图6描绘了根据示例性实施例的神经网络的示意图;
图7描绘了根据示例性实施例的神经网络的示意图;
图8描绘了示例性概率分布;
图9描绘了根据示例性实施例的控制过程的示意图;以及
图10描绘了可以被用以实现本发明的一个或多个方面和/或元件的计算机系统。
具体实施方式
一个或多个实施例涉及一种用于半导体制造的预测性模型,该预测性模型通过利用历史晶圆测量值和过程中传感器数据来预测后过程晶圆上测量值。示例性过程中传感器数据包括温度、压力、等离子体流速、电流和电压。在一个或多个实施例中,底层模型是可从混合高斯概率分布采样预测的概率多级长短期存储器(LSTM)系统。通过在过程期间预测后过程测量值,本发明的实施例使得实时工具控制能够响应于与其他变量相关的过程中信号来调整后过程测量值。
本发明的各方面包括开发用于后过程测量值的基于深度学习的预测性模型。在一个或多个实施例中,预测模型经由多层LSTM架构将过程中传感器数据与后过程测量的历史组合,以便预测当前过程迭代的后过程测量。在一个或多个实施例中,预测性模型将LSTM网络的输出建模为条件高斯混合。
在一个或多个实施例中,预测性模型采用随机采样方法(例如,Monte Carlo采样)用于概率分布的预测,然后将预测的概率密度函数发送至过程控制系统或控制操作员用于控制动作。在一个或多个实施例中,控制动作包括基于优化最可能的预测的测量值来调整一个或多个过程参数。示例性过程参数(可控制变量)包括沉积过程的持续时间、沉积温度、等离子体流速、等离子体发生器电压或电流。
现在转向附图,图1示出了用于半导体晶圆的示例性制造过程流程100。尽管示例性系统制造半导体晶圆,但实施例同样适用于其他制造系统;作为非限制性实例,钢或铝轧机、自动化化学过程设备等。
示例性制造过程流程100发生在包括部件组件LLA、LLB、A、B、C、D、E、F、1、2、3、4和5的装置中。虽然部件组件的特定功能对于本发明的一个或多个实施例的范围并不重要,但是值得注意的是,过程流程100包括发生在部件组件LLA中的步骤s1,然后是发生在部件组件F中的步骤s2。还包括部件组件B中的步骤s3、部件组件2中的步骤s4以及部件组件A中的步骤s5。在步骤s5之后,完成的晶圆离开过程流程并且后过程测量值被采集。在各个步骤期间,采集过程中测量值。后过程测量值的非限制性实例是晶圆电阻率。过程中测量值的非限制性实例是等离子体电压、电流、温度和压力以及在材料沉积或蚀刻期间流逝的时间。
图2描绘了根据示例性实现的控制过程200的流程图。在每个过程步骤s1...s5期间,在202处过程中测量值被采集,并且在204处基于这些过程中测量值来预测后过程测量组。在206处,响应于后过程测量值的预测来调整当前过程步骤的至少一个可控制变量,以便减小预测和过程后测量值的目标值之间的误差差异。
图3描绘了根据示例性实施例的神经网络300的示意图,神经网络300用于根据单个过程步骤的过程中传感器信号预测后过程测量值或目标变量。例如,单个过程步骤可以是化学气相沉积。神经网络300合并接受过程中传感器信号X1,...X10,...XM(其可以是时序的或并发的)并产生后过程目标变量的原始预测yt’的第一LSTM层302。注意,尽管附图示出了10个或更多个过程中传感器信号,但一个或多个实施例的功能与少于10个过程中传感器信号相同。网络300还包括第二LSTM层304,其接受目标变量yt-L...yt-1以及当前预测yt’的历史测量值。可选地,第二LSTM层304还接受预测y’t-L...y’t-1的历史。第二LSTM层304将其输出传递到全连接层(FCN)306,其产生作为考虑测量值的历史的条件高斯混合概率分布的知情预测y”’t。
图4在示意图400中描绘了如何训练图3的神经网络300。对于第一LSTM层302,历史过程中测量值Xi(即,X1,...X10,...XM)作为输入提供,而历史后过程测量值yi作为期望输出提供。为了训练第二LSTM层304和FCN306,提供历史后过程测量值yt-L...yt-1和历史后过程预测yi’(来自第一LSTM层302)作为输入,历史后过程测量值yi作为期望输出。在一个或多个实施例中,在时间步骤i从t-L到t-1重复扫描时,同时一起训练第一和第二LSTM层302、304,直到LSTM和FCN权重收敛到在每个时间步骤产生预测yt’和实际测量值yt之间可接受水平的误差(误差微分)的值。作为非限制性示例,可接受的误差差异可以是6%、3%、1%、0.5%或0.01%,这取决于最终用户对目标变量的制造容差。
图5以流程图描绘了与图4的示意图一致的方法500。在502,获取历史后过程测量值Y。在504处,获取历史过程中测量值X1,...X10,...XM。在506处,在历史过程中测量值X上以历史后过程测量值yt-L...yt-1作为目标值训练神经网络的第一LSTM层,并且同时,在历史后过程测量值和后过程测量值的历史预测yt上以最近历史后过程测量值yt作为目标值训练神经网络的第二LSTM层。
图6描绘了根据示例性实施例的用于从过程中传感器信号为多个过程步骤预测后过程测量值或目标变量的更复杂的神经网络600的示意图。例如,第一过程步骤可以是等离子体气相沉积,而第二过程步骤可以是原子层沉积。神经网络600包括从第一过程接收传感器信号X1,...X10,...XM的第一LSTM层602,以及从与第一过程串联运行的第二过程接收传感器信号Z1...Z10...ZS的第二LSTM层603。注意,尽管附图示出了来自第二过程的10个或更多个传感器信号,但一个或多个实施例的功能与少于10个过程中的传感器信号相同。LSTM层602、603中的每个为目标变量产生相应的预测yt’,yt”。预测yt’和yt”被输入到第三LSTM层604,该第三LSTM层还将目标变量测量值yt-L...yt-1的历史作为输入。第三LSTM层604将其输出传递到完全连接层606,其产生最终预测y”’t作为条件高斯混合概率分布。
神经网络600例如与神经网络300类似地被训练。
图7描绘了根据示例性实施方式的另一个神经网络700的示意图,该神经网络700用于结合过程外部的信号U从单个过程步骤的过程中传感器信号X1...X10...XM中预测后过程测量值或目标变量。例如,过程步骤可以是光刻,而外部信号可以是进入过程步骤的晶圆的关键尺寸。神经网络700包括第一LSTM层302、第二LSTM层304和全连接层(FCN)706。神经网络700与神经网络300的不同之处在于FCN 706被配置为不仅接受第二LSTM层304的输出,而且接受外部信号的值U作为输入。
神经网络700例如与神经网络300或600类似地被训练。此外,FCN306以历史测量值yi作为期望输出并以外部信号值U和历史预测yi作为输入来训练。
因此,一个或多个实施例从目标变量的历史测量值结合过程中传感器数据X学习目标变量Y的分布:
Yt=g(Xt,yt-1,yt-2,....,yt-L)
这种实施例建模Yt的条件分布,
P(Yt|Xt,yt-1,yt-2,....,yt-L),
作为高斯混合:
图8以实线描绘了示例性高斯混合概率分布800。虚线表示单个高斯分布802、804、806。混合高斯800由三个单个高斯组成。
图9以示意图方式描绘了根据示例性实施例实现的控制过程900的概况。从图1的制造过程流程100中,实时获取过程中测量值X1...XM(如在图2中的202)。深度学习模型(例如,神经网络300、600或700)被应用于过程中测量值,以产生后过程测量值(目标变量)的预测y”’t(如在图2中的204处)。预测y”’t被馈送到控制系统902中,控制系统902实时调整制造过程流程100(如图2中的206处),以努力使目标变量接近期望值。在一个或多个实施例中,控制系统902可以调整经验上已经证明影响后过程测量值的变化的过程参数。例如,可以根据相对于过程参数的一个或多个过程中测量值的经验误差函数来调节过程参数。或者,可以根据相对于过程参数的后过程测量值的经验误差函数来调整过程参数。在一个或多个实施例中,可以获取进一步的过程中测量值,并且可以再次应用学习模型300、600或700以获取可以导致对过程参数的新调整的新预测。在一个或多个实施例中,人类专家可涉及操作控制系统902以调整过程参数。
因此,基于由本发明的实施例产生的预测,制造过程操作者获取对过程结果是否可能与期望规格相匹配的增强的理解。在过程结果不可能匹配规格的情况下,本发明的实施例使得过程操作者能够实时(即,在过程进行时)调整过程。
鉴于到目前为止的讨论,将理解的是,一般地说,根据本发明的一方面,用于在制造过程的当前过程步骤期间实时地控制制造过程的示例性方法包括:在502,获取对制造过程的先前产品上采集的历史后过程测量值Y;在504处,获取在当前过程步骤的先前迭代期间在先前工件上采集的历史过程中测量值X;在506处,响应于相应的历史过程中测量值并响应于在要预测的历史后过程测量值中的至少一个之前的历史后过程测量值的子集,训练神经网络以预测历史后过程测量值中的至少一个历史后过程测量值;在202,在当前过程步骤期间获取目前工件上的目前过程中测量值;在204,通过提供目前过程中测量值和历史后过程测量值作为神经网络的输入来预测目前工件的未来后过程测量值;以及在206处,响应于对未来后过程测量值的预测而调节制造过程的至少一个可控制变量。
在一个或多个实施例中,神经网络合并第一长短期记忆层302,其采用来自当前过程步骤的过程中测量值X作为输入,并产生未来后过程测量值的(第一)原始预测yt作为输出。附加地,神经网络可以结合第二长短期记忆层304,该第二长短期记忆层将历史后过程测量值yt-L,...yt-1和后过程测量值的(第一)原始预测y’t作为输入,并且产生未来后过程测量值的可靠预测y”’t作为输出。备选地,该神经网络可以结合第二长短期记忆层603,该第二长短期记忆层将来自先前过程步骤的过程中测量值Z1...Z10...ZS作为输入,并且产生该未来后过程测量值的第二原始预测y”t作为输出。在一个或多个实施例中,神经网络合并第三长短期记忆层604,该第三长短期记忆层604将第一原始预测、第二原始预测和历史后过程测量值作为输入,并且产生未来后过程测量值的知情预测y”’t作为输出。
在一个或多个实施例中,调整至少一个可控制变量包括重复地获取至少一个过程中测量值和预测将来的后过程测量值。例如,步骤202...206可以在执行过程步骤的过程中重复。在一个或多个实施例中,调整至少一个可控制变量包括将至少一个可控制变量改变为与针对相对于至少一个可控制变量的未来后过程测量值的经验误差函数一致。
本发明的一个或多个实施例或其元素能够以装置的形式来实现,所述装置包括存储器和至少一个处理器,所述至少一个处理器耦合到所述存储器并且可操作以促进示例性方法步骤,或者以体现计算机可执行指令的非瞬态计算机可读介质的形式来实现,所述计算机可执行指令在被计算机执行时使所述计算机促进示例性方法步骤。
图10示出了可以被用以实现本发明的一个或多个方面和/或元件的过程控制系统10。在制造过程控制系统10中,存在计算机系统/服务器12,其可以与许多其他通用或专用计算系统环境或配置一起操作。可以适用于计算机系统/服务器12的公知的计算系统、环境和/或配置的示例包括但不限于个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持式或膝上型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、小型计算机系统、大型计算机系统和包括上述任何系统或设备的分布式云计算环境等。
计算机系统/服务器12可以在由计算机系统执行的计算机系统可执行指令(例如程序模块)的一般上下文中描述。一般而言,程序模块可包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、逻辑、数据结构等。计算机系统/服务器12可以在分布式云计算环境中实践,其中任务由通过通信网络链接的远程处理设备执行。在分布式云计算环境中,程序模块可以位于包括存储器存储设备的本地和远程计算机系统存储介质中。
如图10所示,制造过程控制系统10中的计算机系统/服务器12以通用计算设备的形式示出。计算机系统/服务器12的组件可以包括但不限于一个或多个处理器或处理单元16、系统存储器28和将包括系统存储器28的不同系统组件耦合到处理器16的总线18。
总线18表示若干类型的总线结构中的任何一种或多种,包括存储器总线或存储器控制器、外围总线、加速图形端口、以及使用各种总线架构中的任一种的处理器或局部总线。作为示例而非限制,这样的体系结构包括工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)局部总线和外围组件互连(PCI)总线。
计算机系统/服务器12通常包括各种计算机系统可读介质。这样的介质可以是可由计算机系统/服务器12访问的任何可用介质,并且其包括易失性和非易失性介质、可移除和不可移除介质。
系统存储器28可包含呈易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓冲存储器32。计算机系统/服务器12可以进一步包括其他可移除/不可移除、易失性/非易失性计算机系统存储介质。仅通过示例的方式,存储系统34可以被提供用于从不可移除、非易失性磁介质(未示出,并且通常被称为“硬盘驱动器”)中读取和向其写入。尽管未示出,可以提供用于从可移动非易失性磁盘(例如,“软盘”)读取或向其写入的磁盘驱动器,以及用于从可移除非易失性光盘(如CD-ROM、DVD-ROM或其他光学介质)读取或向其写入的光盘驱动器。在这样的情况下,每一个可以通过一个或多个数据介质接口连接到总线18。如以下将进一步描绘和描述的,存储器28可以包括具有被配置为执行本发明的实施例的功能的一组(例如,至少一个)程序模块的至少一个程序产品。
具有一组(至少一个)程序模块42的程序/实用程序40,以及操作系统、一个或多个应用程序、其他程序模块和程序数据,可以通过示例而非限制的方式存储在存储器28中。操作系统、一个或多个应用程序、其他程序模块和程序数据中的每个或它们的一些组合可以包括网络环境的实现。程序模块42通常执行如在此所描述的本发明的实施例的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、定点设备、显示器24等)通信;和/或使计算机系统/服务器12能与一个或多个其他计算装置(例如半导体生产层工具腔室控制器)通信的任何装置(例如网卡、调制解调器等)。这种通信可以经由输入/输出(I/O)接口22进行。此外,计算机系统/服务器12可以通过网络适配器20与一个或多个网络通信,例如局域网(LAN)、通用广域网(WAN)和/或公共网络(例如互联网)。如图所示,网络适配器20通过总线18与计算机系统/服务器12的其他组件通信。应当理解,虽然未示出,但是其他硬件和/或软件组件可以与计算机系统/服务器12结合使用。示例包括但不限于:微代码、设备驱动器、冗余处理单元和外部磁盘驱动阵列、RAID系统、磁带驱动器和数据归档存储系统等。在一些实例中,过程控制还可以经由网络适配器20发生。
由此,一个或多个实施例可以利用在通用计算机或工作站上运行的软件。参考图10,这种实现可以例如采用处理器16、存储器28和到显示器24和外部设备14(诸如键盘、定点设备等)的输入/输出接口22。如本文中使用的术语“处理器”旨在包括任何处理设备,例如,包括CPU(中央处理单元)和/或其他形式的处理电路的处理设备。此外,术语“处理器”可以指多于一个单独的处理器。术语“存储器”旨在包括与处理器或CPU相关联的存储器,例如,RAM(随机存取存储器)30、ROM(只读存储器)、固定存储设备(例如,硬盘驱动器34)、可移除存储设备(例如,磁盘)、闪存等。此外,如本文中使用的短语“输入/输出接口”旨在考虑例如用于将数据输入至处理单元的一个或多个机构(例如,鼠标)的接口,以及用于提供与处理单元相关联的结果的一个或多个机构(例如,打印机)的接口。处理器16、存储器28和输入/输出接口22可以例如经由作为数据处理单元12的一部分的总线18互连。合适的互连(例如经由总线18)也可以被提供给网络接口20(诸如网卡)和介质接口(诸如软盘或CD-ROM驱动器),网络接口20可以被提供用于与计算机网络接口连接,介质接口可以被提供用于与合适的介质接口连接。
因而,包括用于执行这里描述的本发明的方法的指令或代码的计算机软件可以被存储在一个或多个相关联的存储器设备(例如,ROM、固定或可移除存储器)中,并且当准备好被使用时,被部分或全部加载(例如,加载到RAM中)并且由CPU实现。这样的软件可以包括但不限于固件、驻留软件、微代码等。
适合于存储和/或执行程序代码的数据处理系统将包括通过系统总线18直接或间接地耦合到存储器元件28的至少处理器16。存储器元件可以包括在程序代码的实际实现期间使用的本地存储器、大容量存储器、以及提供至少一些程序代码的临时存储以便减少在实现期间必须从大容量存储器取回代码的次数的高速缓冲存储器32。
输入/输出或I/O设备(包括但不限于键盘、显示器、定点设备等)可以直接地或通过中间的I/O控制器耦合到系统。
网络适配器20还可以耦合到系统,以使得数据处理系统能够通过居间的私有或公共网络耦合到其他数据处理系统或远程打印机或存储设备。调制解调器、电缆调制解调器和以太网卡仅是一些当前可用类型的网络适配器。
如本文中使用的,包括权利要求,“服务器”包括运行服务器程序的物理数据处理系统(例如,如图10所示的系统12)。将理解,这样的物理服务器可以包括或可以不包括显示器和键盘。
一个或多个实施例可以至少部分地在云或虚拟机环境的情境中实现,但是这是示例性的且非限制性的。
应注意,本文描述的任何方法可包括提供系统的附加步骤,所述系统包括包含在计算机可读存储介质上的不同软件模块;这些模块可以包括例如框图中所描绘的和/或在此描述的任何或所有适当元件;通过举例而非限制的方式,所描述的任何一个、一些或全部模块/框和/或子模块/框。然后可以使用在诸如16的一个或多个硬件处理器上执行的如上所述的系统的不同软件模块和/或子模块来执行方法步骤。进一步,计算机程序产品可包括计算机可读存储介质,该计算机可读存储介质具有适于实现以执行本文描述的一个或多个方法步骤的代码,包括提供具有不同软件模块的系统。
示例性系统和制造物品细节
本发明可以是任何可能的技术细节集成度的系统、方法和/或计算机程序产品。计算机程序产品可包括其上具有用于使处理器执行本发明的各方面的计算机可读程序指令的计算机可读存储介质(或多个介质)。
计算机可读存储介质可以为可保留和存储供指令执行装置使用的指令的有形装置。计算机可读存储介质可以是,例如但不限于,电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备、或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各项:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式紧凑盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、诸如穿孔卡之类的机械编码设备或具有记录在其上的指令的槽中的凸出结构、以及上述各项的任何合适的组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如,穿过光纤电缆的光脉冲)或通过电线发射的电信号。
本文中所描述的计算机可读程序指令可以经由网络(例如,互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理设备,或者下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令,并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据、或以一种或多种程序设计语言的任何组合编写的源代码或目标代码,这些程序设计语言包括面向对象的程序设计语言(诸如Smalltalk、C++等)和处理程序设计语言(诸如“C”程序设计语言或类似程序设计语言)。计算机可读程序指令可以完全地在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接至用户计算机,或者可连接至外部计算机(例如,使用互联网服务提供商通过互联网)。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来使电子电路个性化来执行计算机可读程序指令,以便执行本发明的各方面。
下面将参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解,流程图和/或框图的每个框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器,使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的或多个框中指定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置、和/或其他设备以特定方式工作,从而,其中存储有指令的计算机可读存储介质包括包含实现流程图和/或框图中的或多个方框中规定的功能/动作的方面的指令的制造品。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图中的或多个框中规定的功能/动作。
附图中的流程图和框图示出了根据本发明的不同实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。对此,流程图或框图中的每个框可表示指令的模块、段或部分,其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些备选实现中,框中标注的功能可以不按照图中标注的顺序发生。例如,取决于所涉及的功能,连续示出的两个框实际上可以基本上同时执行,或者这些框有时可以以相反的顺序执行。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作或执行专用硬件与计算机指令的组合的专用的基于硬件的系统来实现。
已经出于说明的目的呈现了本发明的各种实施例的描述,但并不旨在是详尽的或者限于所公开的实施例。在不脱离所描述的实施例的范围的情况下,许多修改和变化对于本领域普通技术人员来说是明显的。这里使用的术语被选择来最好地解释实施例的原理、实际应用或对在市场中找到的技术的技术改进,或者使得本领域普通技术人员能够理解这里公开的实施例。
Claims (9)
1.一种用于在制造过程的当前过程步骤期间实时控制所述制造过程的方法,所述方法包括:
获取在所述制造过程的先前产品上采集的历史后过程测量值;
获取在所述当前过程步骤的先前迭代期间在先前工件上采集的历史过程中测量值;
响应于相对应的历史过程中测量值,并且响应于所述历史后过程测量值的子集,训练神经网络以预测所述历史后过程测量值中的至少一个历史后过程测量值,所述历史后过程测量值的子集在将要被预测的所述历史后过程测量值中的所述至少一个历史后过程测量值之前;
在所述当前过程步骤期间获取对目前工件的目前过程中测量值;
通过将所述目前过程中测量值和所述历史后过程测量值作为所述神经网络的输入提供,预测针对所述目前工件的未来后过程测量值;以及
响应于对所述未来后过程测量值的所述预测,调整所述制造过程的至少一个可控制变量。
2.根据权利要求1所述的方法,其中所述神经网络合并第一长短期记忆层,所述第一长短期记忆层将所述目前过程中测量值作为输入,并且产生所述未来后过程测量值的原始预测以作为输出。
3.根据权利要求2所述的方法,其中所述神经网络合并第二长短期记忆层,所述第二长短期记忆层将历史后过程测量值和所述后过程测量值的所述原始预测作为输入,并且产生所述未来后过程测量值的知情预测以作为输出。
4.根据权利要求2所述的方法,其中所述原始预测包括第一原始预测,并且其中所述神经网络合并第二长短期记忆层,所述第二长短期记忆层将来自对所述目前工件的所述当前过程步骤之前的先前过程步骤的过程中测量值作为输入,并且产生所述未来后过程测量值的第二原始预测以作为输出。
5.根据权利要求4所述的方法,其中所述神经网络合并第三长短期记忆层,所述第三长短期记忆层将所述第一原始预测、所述第二原始预测和历史后过程测量值作为输入,并且产生所述未来后过程测量值的知情预测以作为输出。
6.根据权利要求1所述的方法,其中调整所述至少一个可控制变量包括重复地获取至少一个过程中测量值和预测所述未来后过程测量值。
7.根据权利要求7所述的方法,其中调整所述至少一个可控制变量包括:将所述至少一个可控制变量改变为与针对相对于所述至少一个可控制变量的所述未来后过程测量值的经验误差函数一致。
8.一种包含计算机可执行指令的非瞬态计算机可读介质,所述计算机可执行指令在由计算机执行时,使所述计算机促进根据前述权利要求中任一项所述的方法,所述方法用于在制造过程的当前过程步骤期间实时控制所述制造过程。
9.一种过程控制系统,包括:
存储器,所述存储器包含计算机可执行指令;以及
至少一个处理器,所述至少一个处理器被耦合到所述存储器,并且由所述计算机可执行指令操作以促进根据权利要求1至7中任一项所述的方法,所述方法用于在制造过程的当前过程步骤期间实时控制所述制造过程。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/596,732 US20210103221A1 (en) | 2019-10-08 | 2019-10-08 | Tool control using multistage lstm for predicting on-wafer measurements |
US16/596,732 | 2019-10-08 | ||
PCT/IB2020/058381 WO2021069984A1 (en) | 2019-10-08 | 2020-09-09 | Tool control using multistage lstm for predicting on-wafer measurements |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114503244A true CN114503244A (zh) | 2022-05-13 |
CN114503244B CN114503244B (zh) | 2023-09-15 |
Family
ID=75275084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080064612.0A Active CN114503244B (zh) | 2019-10-08 | 2020-09-09 | 用于预测晶圆上测量值的使用多级lstm的工具控制 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210103221A1 (zh) |
JP (1) | JP2023500581A (zh) |
CN (1) | CN114503244B (zh) |
DE (1) | DE112020004837T5 (zh) |
GB (1) | GB2603400A (zh) |
WO (1) | WO2021069984A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592064B (zh) * | 2021-07-05 | 2024-02-09 | 中国科学院上海光学精密机械研究所 | 环抛机工艺参数预测方法、系统、应用、终端及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110131162A1 (en) * | 2008-03-08 | 2011-06-02 | Tokyo Electron Limited | Autonomous biologically based learning tool |
CN104658962A (zh) * | 2013-11-19 | 2015-05-27 | 中芯国际集成电路制造(上海)有限公司 | 通孔的形成方法 |
CN106158679A (zh) * | 2015-01-28 | 2016-11-23 | 英属开曼群岛商达盟系统有限公司 | 结合晶圆实体测量与数位模拟以改善半导体元件制程方法 |
US20190295890A1 (en) * | 2018-03-20 | 2019-09-26 | Tokyo Electron Limited | Platform and method of operating for integrated end-to-end fully self-aligned interconnect process |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7873585B2 (en) * | 2007-08-31 | 2011-01-18 | Kla-Tencor Technologies Corporation | Apparatus and methods for predicting a semiconductor parameter across an area of a wafer |
US8437870B2 (en) * | 2009-06-05 | 2013-05-07 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for implementing a virtual metrology advanced process control platform |
US20140236515A1 (en) * | 2011-07-27 | 2014-08-21 | Tom Thuy Ho | Cloud-based architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor |
CN103310285A (zh) * | 2013-06-17 | 2013-09-18 | 同济大学 | 可用于半导体生产线动态调度的性能预测方法 |
US9471743B1 (en) * | 2015-03-31 | 2016-10-18 | Globalfoundries Inc. | Predicting process fail limits |
-
2019
- 2019-10-08 US US16/596,732 patent/US20210103221A1/en active Pending
-
2020
- 2020-09-09 CN CN202080064612.0A patent/CN114503244B/zh active Active
- 2020-09-09 GB GB2205127.0A patent/GB2603400A/en active Pending
- 2020-09-09 WO PCT/IB2020/058381 patent/WO2021069984A1/en active Application Filing
- 2020-09-09 JP JP2022521521A patent/JP2023500581A/ja active Pending
- 2020-09-09 DE DE112020004837.3T patent/DE112020004837T5/de active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110131162A1 (en) * | 2008-03-08 | 2011-06-02 | Tokyo Electron Limited | Autonomous biologically based learning tool |
CN104658962A (zh) * | 2013-11-19 | 2015-05-27 | 中芯国际集成电路制造(上海)有限公司 | 通孔的形成方法 |
CN106158679A (zh) * | 2015-01-28 | 2016-11-23 | 英属开曼群岛商达盟系统有限公司 | 结合晶圆实体测量与数位模拟以改善半导体元件制程方法 |
US20190295890A1 (en) * | 2018-03-20 | 2019-09-26 | Tokyo Electron Limited | Platform and method of operating for integrated end-to-end fully self-aligned interconnect process |
Also Published As
Publication number | Publication date |
---|---|
GB202205127D0 (en) | 2022-05-25 |
JP2023500581A (ja) | 2023-01-10 |
GB2603400A (en) | 2022-08-03 |
WO2021069984A1 (en) | 2021-04-15 |
DE112020004837T5 (de) | 2022-07-07 |
US20210103221A1 (en) | 2021-04-08 |
CN114503244B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11449684B2 (en) | Contrastive pre-training for language tasks | |
US10656631B2 (en) | Orchestration of learning and execution of model predictive control tool for manufacturing processes | |
US20230273575A1 (en) | Empirical modeling with globally enforced general constraints | |
US20220374572A1 (en) | Determination of recipe for manufacturing semiconductor | |
US11348006B1 (en) | Mitigating overfitting in training machine trained networks | |
JP2008305373A (ja) | 2段階仮想測定方法 | |
US11449731B2 (en) | Update of attenuation coefficient for a model corresponding to time-series input data | |
US20210341884A1 (en) | Generation of a control system for a target system | |
WO2020149971A2 (en) | Robust and data-efficient blackbox optimization | |
JP2023515015A (ja) | 製造プロセスのためのシステム、方法、及び媒体 | |
CN111191834A (zh) | 用户行为的预测方法、装置及服务器 | |
CN114503244B (zh) | 用于预测晶圆上测量值的使用多级lstm的工具控制 | |
US20230073669A1 (en) | Optimising a neural network | |
US20180095936A1 (en) | Optimizing a manufacturing or fabrication process using an integrated bayesian statistics and continuum model approach | |
WO2022103720A1 (en) | Predictive maintenance for semiconductor manufacturing equipment | |
US11195116B2 (en) | Dynamic boltzmann machine for predicting general distributions of time series datasets | |
TWI802374B (zh) | 用於校正製造程序之系統、方法及非暫態電腦可讀媒體 | |
WO2018130890A1 (en) | Learning apparatus and method for bidirectional learning of predictive model based on data sequence | |
CN115640933A (zh) | 生产线缺陷自动管理方法、装置、设备及存储介质 | |
EP3971782A2 (en) | Neural network selection | |
Gholaminejad et al. | Direct adaptive model predictive control tuning based on the first‐order plus dead time models | |
Yu et al. | Deep neural networks | |
JP2019095894A (ja) | 推定装置、学習装置、学習済みモデル、推定方法、学習方法、及びプログラム | |
EP4354344A1 (en) | Adaptive functional neural layer and network | |
US11954615B2 (en) | Model management for non-stationary systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |