发明内容
本发明针对上述问题,提出了一种半导体先进过程控制(APC)的参数优化控制方法,采用了基于遗传算法优化的BP神经网络非线性预测模型与APC系统相结合,得到R2R级别工艺过程控制的APC解决方法,从而能有效控制半导体工艺过程中的器件参数的漂移,使得半导体工艺可以在非常小的工艺窗口内正常进行,达到对半导体工艺过程进行精确控制的目的。
为实现上述目的本发明采用了如下技术方案:半导体先进过程控制的参数优化控制方法,包括以下步骤:
S1:对经过工艺加工后晶圆的至少一个相关工艺参数进行实时的数据采集;S2:利用遗传算法建立半导体工艺参数BP神经网络非线性预测模型;S3:利用步骤S2所述BP神经网络非线性预测模型对晶圆的相关工艺参数进行预测;S4:对步骤S1中实时采集的数据与步骤S3中预测模型预测的数据进行指数加权移动平均控制算法处理,进而调整所述晶圆当前的工艺参数,然后转入步骤S1,直至完成工艺过程。
更进一步地,上述建立半导体工艺参数BP神经网络非线性预测模型的具体步骤为:
S21、以半导体工艺过程的刻蚀操作为例,将刻蚀机的控制参数TCP RF功率、偏置RF功率、OES控制信号、IEP控制信号、化学气体流速作为神经网络的出来参数,然后根据以上相关工艺参数随机初始化BP神经网络的所有初始权值和阈值,并由这些权值和阈值构建遗传算法的初始种群并进行实数编码。
S22、根据初始种群中的个体,即BP神经网络的最初权值和阈值,然后用控制参数TCP RF功率、偏置RF功率、OES控制信号、IEP控制信号、化学气体流速训练BP神经网络后预测系统输出参数,即刻蚀速率、刻蚀均匀性、刻蚀组分和刻蚀终点,将预测输出和期望输出相减得到误差绝对值,并将误差绝对值作为个体适应度值。
S23、对种群个体i进行选择操作,个体i的选择概率为:
fi=k/Fi
式中:Fi是个体i的适应度值,k是系数,N是种群个体数,pi是选择概率。
S24、交叉操作是:在任一代种群中将两个个体的染色体随机搭配成对,以交叉概率交换它们之间的某个或某些位点,从而产生两个新的个体;第u个染色体和第j个染色体在l位的交叉操作方法为:
aul=aul(1-b)+ajlb
ajl=ajl(1-b)+aulb
式中:b∈[0,1]。
S25、变异操作是:从种群中任选一个个体,选择染色体中的一点进行变异以产生更优秀的个体;第i个个体的第v个基因的变异操作方法为:
式中:amax是基因aiv的上界;amin是基因aiv的下界;r1是随机数;g是当前迭代次数;Gmax是最大进化次数;r∈[0,1]。
S26、计算适应度值,判断是否满足结束要求,如果不满足要求,则返回到S23。
具体地,步骤S3包括,根据步骤S1中实时采集的数据确定BP神经网络的输入节点数和输出节点数,由BP神经网络的输入节点数和输出节点数确定隐含层的节点数,其中选择隐含层节点数len的公式为:
len<n-1
len=log2n
式中,n为输入层节点数;m为输出层节点数;a为0-10 之间的常数。
上述输入节点数根据控制模块的输出变量确定,输出节点数根据非线性的工艺过程模块输出的检测变量确定。
本发明的优点在于:神经网络预测模型可以很好的拟合非线性系统,增强控制系统的鲁棒性和抗干扰能。采用遗传算法优化BP神经网络预测模型,利用遗传算法良好的全局搜索能力,比较容易得到全局最优解,或性能很好的次优解,这对于提高神经网络的建模能力,有很好的促进作用。采用指数加权移动平均控制算法(EWMA控制算法)的控制律能有效地补偿半导体工艺过程的光滑漂移和干扰。
具体实施方式
下面将参照附图对本发明的优选实施例进行阐释。
根据本发明的方案,如图1所示,本发明提供一种半导体先进过程控制的参数优化控制方法,包括下述步骤:S1、对经过工艺加工后晶圆至少一个相关工艺参数进行实时的数据采集;S2、利用遗传算法设计最优的半导体工艺参数BP神经网络非线性预测模型;S3、利用基于遗传算法优化BP神经网络非线性预测模型对晶圆的对应工艺参数进行预测;S4:对实际测得的数据与预测模型预测的数据进行指数加权移动平均控制算法处理来调整所述晶圆当前的工艺参数,然后转入步骤S1,直至完成工艺过程。
如图2所示为半导体工艺过程先进控制系统的结构图,由于半导体工艺是分批次进行的,从图中可以看出每到工序的单元操作由三部分组成:设备控制器对工艺过程进行实时控制;过程控制器调整设备控制器的相关参数,削弱过程扰动; Run-to-Run 控制器根据历史批次输出信息实现生产工艺的自动更新。
如图3所示为图1中Run-to-Run控制模块内部原理图,即:基于遗传算法优化BP神经网络的半导体工艺过程批次间优化控制的原理框图。整个系统由控制模块、非线性的工艺过程模块、基于遗传算法优化的神经网络预测模型和EWMA控制模块(即指数加权移动平均控制模块)组成。通过神经网络预测模型对非线性的半导体工艺过程进行预测得到输出yk,然后将它与实际输出outk相减得到误差ek,接着将误差传给EWMA控制模块,通过EWMA控制模块处理反馈给控制模块进行调节,从而补偿半导体工艺过程的扰动和漂移。
如图4所示为基于遗传算法优化的神经网络预测模型流程图。利用遗传算法来优化神经网络的初始权值和阈值,使优化后的神经网络能够更好的预测输出。整个模块由三部分组成:神经网络拓扑结构的确定、遗传算法的优化、神经网络的预测。根据控制模块的输出变量作为神经网络架构的输入层参数,将非线性的半导体工艺过程模块输出的检测变量作为神经网络架构的输出层参数,从而根据神经网络权值、阈值的位宽和作为遗传算法个体的编码长度,因此种群中每个个体都包含了整个网络所有权值和阈值。神经网络将最初的权值和阈值输给遗传算法模块,通过该模块获得最优个体,并将其赋给网络的初始的权值和阈值,再将网络进行训练和仿真预测。
以半导体工艺过程的刻蚀操作为例,建立基于遗传算法优化的刻蚀操作的神经网络预测模型的具体步骤包括:
步骤一: 根据刻蚀过程的控制参数TCP RF功率、偏置RF功率、OES控制信号、IEP控制信号、化学气体流速参数构建BP神经网络;
步骤二:由刻蚀过程的控制参数和刻蚀过程的输出检测的刻蚀速率、刻蚀均匀性、刻蚀组分和刻蚀终点参数确定BP神经网络的输入节点数和输出节点数,然后根据以下公式确定隐含层的节点数。最佳隐含层节点数len选择参考公式:
len<n-1
len=log2n
式中,n为输入层节点数;m为输出层节点数;a为0-10 之间的常数。
步骤三:根据BP神经网络模型的所有初始权值和阈值构建遗传算法的初始种群并进行实数编码。
步骤四: 利用种群的初始个体,即BP神经网络的最初的权值和阈值,然后控制参数TCP RF功率、偏置RF功率、OES控制信号、IEP控制信号、化学气体流速训练BP神经网络后预测系统输出参数,即刻蚀速率、刻蚀均匀性、刻蚀组分和刻蚀终点,把预测输出和期望输出相减得到误差绝对值和E作为个体适应度值F:
式中:n为网络输出节点数;yi为神经网络第i个节点的期望输出;oi为第i个节点的预测输出;k为系数。
步骤五:采用轮盘赌法,即基于适应度比例的选择策略,对个体i进行选择操作,个体i的选择概率为:
fi=k/Fi
式中:Fi是个体i的适应度值;k为系数;N为种群个体数。
步骤六:交叉操作方法为在这一代群体中将两个个体的染色体随机搭配成对,以交叉概率交换它们之间的某个或某些位,从而产生两个新的个体。由于个体采用的实数编码,所以交叉操作方法采用实数交叉法,如第u个染色体和第j个染色体在l位的交叉操作方法为:
aul=aul(1-b)+ajlb
ajl=ajl(1-b)+aulb
式中:b∈[0,1]。
步骤七:变异操作是从种群中任选一个个体,选择染色体中的一点进行变异以产生更优秀的个体。第i个个体的第v个基因的变异操作方法为:
式中: amax是基因aij的上界;amin是基因aij的下界;r1是随机数;g是当前迭代次数;Gmax是最大进化次数;r∈[0,1]。
步骤八:计算适应度值,判断是否满足结束要求,如果不满足要求,返回到步骤五。
步骤九:将最优化的初始权值和阈值赋给BP神经网络模型,然后对BP神经网络利用变学习率学习算法进行训练,变学习率学习算法指学习概率η在BP神经网络进化初期较大,收敛速度快,随着学习的进行,学习率不断的减小,网络趋于稳定。边学习率的计算公式:
η(t)=ηmax-t(ηmax-ηmin)/tmax
式中,ηmax为最大学习率;ηmin为最小学习率;tmax为最大迭代次数;t为当前迭代次数。
步骤十:计算误差,判断输出是否满足收敛要求,如果不满足,则更新权值和阈值。
步骤十一:代附加动量的权值和阈值更新算法:
ω(k)=ω(k-1)+Δω(k)+a[ω(k-1)-ω(k-2)]
b(k)=b(k-1)+Δb(k)+a[b(k-1)-b(k-2)]
式中,ω(k),ω(k-1),ω(k-2) b(k),b(k-1),b(k-2)为k,k-1,k-2时刻的权值和阈值;a为动量学习率。
如图5所示为EWMA控制模块的结构图,EWMA控制模块可以有效地补偿半导体工艺过程的光滑漂移和扰动。假设装置在批量n时的输出值为y[n]可以表示成装置输入值x[n-1]的非线性函数:
y[n]=f(x[n-1])+β[n-1]+D[n]
式中:β为装置的偏权值;D为批量n时的装置干扰;f为层间转换函数。
EWMA控制模块采用的每一层神经网络的非线性过程预测模型为:
y[n]=f(x[n])+b[n]
式中:f为层间转换函数;b[n]为偏权值。
EWMA控制模块更新神经网络模型的偏权值为:
式中,W=(ω1…ωm);
从而使神经网络预测输出不断的逼近期望输出。
本发明采用遗传算法,采用选择操作、概率交叉和变异操作等,根据每个染色体所对应的适应度函数F,判断适应度值F是否收敛,直到最优个体适应度函数值F达到最优值或达到最大遗传代数,输出最优解,由此确定神经网络的最优初始权值和阈值。并利用附加动量方法和变学习率学习算法提高BP神经网络的收敛速度。BP神经网络预测模型对非线性的半导体工艺过程控制进行预测,能获得良好的效果;EWMA控制方法能有效的补偿半导体工艺过程的扰动和漂移,使得批次间的差异减少。
以半导体工艺的深亚微米多晶硅栅等离子体刻蚀过程为例,通过RF匹配装置、OES传感器、IEP传感器、化学气体流量控制器对TCP RF功率、偏置RF功率、OES控制信号、IEP控制信号和化学气体流速进行数据采集,然后作为BP神经网络的输入,将等离子体刻蚀机的输出信号,即刻蚀速率、刻蚀均匀性、刻蚀终点作为BP神经网络的输出,然后将所建立的BP神经网络模拟等离子体刻蚀机的刻蚀工艺过程。利用等离子体刻蚀机刻蚀工艺的经验数据对该神经网络模型的最优初始权值和阈值进行确定,而后对建立的BP神经网络模型进行训练,从而得到可用于等离子体刻蚀工艺过程控制的最优的BP神经网络模型。