CN110036464A - 使用神经网络的光谱监测 - Google Patents

使用神经网络的光谱监测 Download PDF

Info

Publication number
CN110036464A
CN110036464A CN201780073024.1A CN201780073024A CN110036464A CN 110036464 A CN110036464 A CN 110036464A CN 201780073024 A CN201780073024 A CN 201780073024A CN 110036464 A CN110036464 A CN 110036464A
Authority
CN
China
Prior art keywords
substrate
spectrum
value
neural network
characterization value
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
Application number
CN201780073024.1A
Other languages
English (en)
Other versions
CN110036464B (zh
Inventor
B·切里安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Applied Materials Inc
Original Assignee
Applied Materials Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Applied Materials Inc filed Critical Applied Materials Inc
Priority to CN202310801698.6A priority Critical patent/CN116833898A/zh
Publication of CN110036464A publication Critical patent/CN110036464A/zh
Application granted granted Critical
Publication of CN110036464B publication Critical patent/CN110036464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B24B37/013—Devices or means for detecting lapping completion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/04—Lapping machines or devices; Accessories designed for working plane surfaces
    • B24B37/042—Lapping machines or devices; Accessories designed for working plane surfaces operating processes therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/04—Lapping machines or devices; Accessories designed for working plane surfaces
    • B24B37/07—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool
    • B24B37/10—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool for single side lapping
    • B24B37/105—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool for single side lapping the workpieces or work carriers being actively moved by a drive, e.g. in a combined rotary and translatory movement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/02—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent
    • B24B49/04—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent involving measurement of the workpiece at the place of grinding during grinding operation
    • B24B49/045—Specially adapted gauging instruments
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G05B13/027—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 using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having at least one potential-jump barrier or surface barrier, e.g. PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having at least one potential-jump barrier or surface barrier, e.g. PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic System or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67092—Apparatus for mechanical treatment
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations

Abstract

处理基板的方法包括以下步骤：使基板经受修改所述基板的外层的厚度的处理，在处理期间测量从所述基板反射的光的光谱，缩减测得的光谱的维度以产生多个分量值，使用人工神经网络产生表征值，以及基于所述表征值来确定停止处理所述基板或调整处理参数中的至少一个。所述人工神经网络具有接收所述多个分量值的多个输入节点、输出所述表征值的输出节点以及将所述输入节点连接至所述输出节点的多个隐藏节点。

Description

使用神经网络的光谱监测
技术领域
本申请案涉及例如在处理(诸如，化学机械抛光)期间的基板的光学监测。
背景技术
集成电路通常通过在硅晶片上顺序沉积导电层、半导体层或绝缘层而形成在基板上。制造步骤涉及在非平面表面上沉积填料层及使填料层平坦化。对于一些应用来说，填料层被平坦化直到图案化层的顶表面被暴露为止。例如，可以将导电填料层沉积在图案化的绝缘层上，以填充绝缘层中的沟槽或孔。在平坦化之后，保留在绝缘层的凸起图案之间的导电层的部分形成通孔、插塞以及在基板上的薄膜电路之间提供导电路径的线。对于其他应用来说，填料层被平坦化直到预定厚度留在底层上。例如，经沉积的介电层可以被平坦化以进行光刻。
化学机械抛光(CMP)是一种公认的平坦化方法。此平坦化方法通常要求基板安装在承载头上。通常将基板的暴露表面放置靠在具有耐久粗糙表面的旋转抛光垫上。承载头在基板上提供可控制的负载以将该基板推靠至抛光垫。通常将抛光液(如，具有研磨颗粒的研磨浆料)供给至抛光垫的表面。
CMP中的一个问题是使用合适的抛光速率来获得所需的轮廓，例如，已经平坦化到所期望的平坦度或厚度的基板层或已去除了期望量的材料。基板层的初始厚度、浆料分布、抛光垫状态、抛光垫和基板之间的相对速度以及基板上的负载的变化可以引起基板上和基板之间的材料移除速率的变化。这些变化导致达到抛光终点所需时间以及所去除的量的变化。因此，仅将抛光终点确定为抛光时间的函数可能是不可能的，或仅通过施加恒定压力来实施期望轮廓可能是不可能的。
在一些系统中，例如通过光监测系统在抛光期间原位监测基板。来自原位监测系统的厚度测量可以用于调节施加至基板的压力，以调节抛光速率并且减少晶片内不均匀性(WIWNU)。
发明内容
在一方面，一种用于控制基板的处理的计算机程序产品具有使处理器执行以下操作的指令：从原位光监测系统接收从正在进行处理的基板反射的光的测得的光谱，该处理修改该基板的外层的厚度；缩减该测得的光谱的维度以产生多个分量值；使用人工神经网络来产生表征值，以及基于该表征值来确定基板的停止处理或处理参数的调整中的至少一个。
在另一方面中，一种处理基板的方法包括以下步骤：使基板经受修改该基板的外层的厚度的处理，在该处理期间利用原位光监测系统测量从正在进行处理的基板所反射的光的测得的光谱，缩减该测得的光谱的维度以产生多个分量值，使用人工神经网络来产生表征值，以及基于该表征值来确定基板的停止处理或处理参数的调整中的至少一个。
在另一方面中，一种抛光系统包括：支撑件、承载头、电机、原位光检测系统以及控制器，支撑件支撑抛光垫，承载头保持基板与该抛光垫接触，电机在该支撑件与该承载头之间产生相对运动，原位光检测系统测量在抛光期间从基板反射的光的光谱，控制器被配置成执行以下步骤：接收从正在进行处理的基板所反射的光的测得的光谱，缩减该测得的光谱的维度以产生多个分量值，使用人工神经网络来产生表征值，以及基于该特征值来确定基板的停止处理或处理参数的调整中的至少一个。
人工神经网络具有用于接收多个分量值的多个输入节点、用于输出表征值的输出节点以及将输入节点连接至输出节点的多个隐藏节点。
实现可以包括下列特征中的一个或多个。
可以对多个参考光谱执行特征提取以产生多个分量。特征提取可以包括执行主成分分析，奇异值分解，独立成分分析或自编码。可以在具有已知表征值的多个参考光谱中的两个或更多个上执行维度缩减以产生训练数据。可以使用训练数据和已知表征值而通过反向传播来训练人工神经网络。两个或更多个光谱可以少于全部的多个光谱。可以对具有已知表征值的多个参考光谱执行维度缩减以产生训练数据。可以使用训练数据和已知表征值而通过反向传播来训练人工神经网络。
神经网络可以包括至少一个输入节点，该至少一个输入节点被配置成接收基板的先前测量、先前基板的测量、处理系统中的另一个传感器的测量、来自处理系统外部的传感器的测量、来自控制器所存储的处理配方的值或由控制器所追踪的变量的值中的至少一个。
可以通过表征值(CV)的计算来执行维度的缩减和表征值的产生，该表征值(CV)的计算是基于下式：
CV＝C1*tanh(0.5(N1·S)+0.5b1)+C2*tanh(0.5(N2·S)+0.5b2)+……+CL*tanh(0.5(NL·S)+0.5bL)
其中S是测得的光谱，Nk＝(ak1V1·+ak2V2·+...+akLVL)，aki、bi和Ci是由神经网络所设定的权重，并且Vi是用于该维度缩减的特征向量。
处理可以是化学机械抛光、蚀刻或沉积。
某些实现可以具有以下优势中的一个或多个。可以更精确和/或更快速地测量基板上的层的厚度。可以减少晶片内厚度不均匀性和晶片之间厚度不均匀性(WIWNU和WTWNU)，并且可以改善终点系统检测期望的处理终点的可靠性。
在所附附图和下文叙述中阐述了一或多个实施例的细节。其他特征、方面和优势从说明书、所附附图和权利要求而将变得显而易见。
附图说明
图1示出了抛光设备的示例的示意性横截面图。
图2示出了具有多个区域的基板的示意性俯视图。
图3示出了示意性俯视图，该示意性俯视图示出了在第一基板上进行原位测量的位置。
图4示出了用作抛光设备的控制器的一部分的神经网络。
图5示出了包括多个神经网络的控制器。
图6示出了将由控制系统输出的表征值作为时间的函数的曲线图。
在各个附图中的相似的附图标记及指定表示相似的组件。
具体实施方式
一种监测技术是测量从被抛光的基板反射的光的光谱。已经提出了各种技术来从测得的光谱中确定表征值(例如，被抛光层的厚度)。例如，可以从参考光谱库中选择与测得的光谱最匹配的参考光谱并且可以使用参考光谱的表征值。作为另一个例子，可以追踪光谱中的峰的位置并且峰的位置可以与表征值相关联。然而，当测得的光谱与厚度之间的关系太复杂以至于无法在小型库或单个特征中有效地捕获时，这些技术可能是有问题的。
尽管可以通过经验模型来让光谱与厚度统计学上相关，但由于光谱具有许多数据点，所以存在过度拟合(即，统计模型最终描述了随机误差或噪声，而不是潜在关系)的危险。然而，可以通过缩减光谱的维度来减少过度拟合的危险，接着将缩减维度的数据输入至神经网络以产生厚度测量。
图1示出了抛光设备20的示例。抛光设备20可以包括可旋转的盘状平台22，抛光垫30位于该盘状平台22上。可操作平台以围绕轴23旋转。例如，电机24可以转动驱动轴26以旋转平台22。抛光垫30可以，例如，通过一层黏合剂来可拆卸地固定在平台22上。抛光垫30可以是具有外抛光层32和较软的背托层34的两层抛光垫。
抛光设备20可以包括抛光液供给口40，以将抛光液42(如，研磨浆料)分配至抛光垫30上。抛光设备20也可以包括研磨抛光垫30的抛光垫修整器，以保持抛光垫30处于一致的研磨状态。
可以操作承载头50以将基板10保持靠在抛光垫30上。每个承载头50也包括多个可独立控制的可加压腔室(例如，三个腔室52a至52c)，该可加压腔室可以施加独立可控的加压至基板10上的相关区域12a至12c(见图2)。参考图2，中心区域12a可以是大致圆形，其余区域12b至12c可以是围绕中心区域12a的同心环形区域。
回到图1，腔室52a至52c可以由柔性膜54限定，柔性膜54具有底表面，基板10安装在柔性膜54的底表面上。承载头50也可以包括固定环56，以将基板10固定在柔性膜54下方。尽管为了便于说明而在图1和图2中仅示出了三个腔室，但在图1和图2中可以具有两个腔室，或四个或更多个腔室(例如，五个腔室)。此外，可以在承载头50中使用其他机构(例如，压电致动器)来调整施加至基板的压力。
每个承载头50悬挂在支撑结构60(例如，转盘或轨道)上，并且通过驱动轴62将每个承载头50连接至承载头旋转电机64，以使得承载头可以围绕轴51旋转。可选地，每个承载头50可以通过沿着轨道运动或通过转盘本身的旋转摆动而例如在转盘的滑块上横向摆动。在操作中，平台22围绕其中心轴23旋转，并且承载头50围绕其中心轴51旋转并跨抛光垫30的顶表面横向平移。
抛光设备也包括原位监测系统70，该原位监测系统70可以用来控制抛光参数(例如，在一个或多个腔室52a至52c中被施加的压力)，以控制一个或多个区域12a至12c的抛光速率。原位监测系统70产生指示在区域12a至12c的每一个中被抛光的层的厚度的信号。原位监测系统可以是光监测系统(例如，光谱监测系统)。
光监测系统70可以包括光源72、光检测器74以及用于在控制器90(例如，计算机)与光源72和光检测器74之间发送及接收信号的电路系统76。一个或多个光纤可以用于将来自光源72的光传送至抛光垫30中的窗36，并且将从基板10所反射的光传送到检测器74。例如，分叉光纤78可以用于将光从光源62传送至基板10并传回至检测器74。作为光谱系统，光源72可以是可操作的以发射白光，并且检测器74可以是分光计。
电路系统76的输出可以是数字电子信号，该数字电子信号通过驱动轴26中的旋转耦合器28(例如，集电环)到控制器90。替代地，电路系统76可以通过无线信号与控制器90进行通信。控制器90可以是包括微处理器、存储器和输入/输出电路系统的计算装置(例如，可编程计算机)。尽管用单一框来说明，但是控制器90可以是具有分散在多个计算机上的功能的联网系统。
在一些实施中，原位监测系统70包括安装在平台22中并与平台22一起旋转的传感器80。例如，传感器80可以是光纤78的端部。平台22的运动将引起传感器80扫描基板。如图3所示，由于平台的旋转(由箭头38示出)，当传感器80在承载头下方行进时，原位监测系统以取样频率进行测量；因此，在穿过基板10的圆弧中的位置14处进行测量(点的数量是说明性的；取决于取样频率，可以采取比所示更多或更少的测量)。
在平台的旋转中，从基板10上的不同位置获得光谱。具体而言，可以从更靠近基板10的中心的位置获得一些光谱，并且可以从更靠近边缘的位置获得一些光谱。控制器90可以被配置为针对来自扫描的每次测量，而基于时间点、电机编码器信息、平台旋转或位置传感器数据和/或基板和/或固定环的边缘的光学检测来(相对于基板10的中心)计算径向位置。控制器因此可以将各种测量结果与各个区域12a至12c(见图2)相关联。在一些实施中，测量的时间可以用作对径向位置的精确计算的替代。
回到图1，控制器90可以基于来自原位监测系统的信号来导出基板的每个区域的表征值。具体而言，随着抛光进行，控制器90随时间产生表征值的序列。控制器90可以为基板10下方的传感器的每次扫描产生每个区域的至少一个表征值，或者以测量频率(不需要与取样频率相同)为每个区域产生表征值，例如，以用于不在基板上扫描传感器的抛光系统。在一些实施中，每次扫描产生单个表征值；例如，可以组合多个测量以产生表征值。在一些实施中，使用每个测量来产生表征值。
表征值通常是外层的厚度，但可以是相关特征(诸如，去除的厚度)。另外，表征值可以是通过抛光处理的基板进展的更一般的表示(例如，表示平台旋转的时间或数量的指标值；在预定进展后的抛光处理中将期望以该指标值来观察测量)。
控制器90可以使用两步骤处理以从来自原位光谱监测系统70的测得的光谱产生表征值。首先，缩减测得的光谱的维度，接着经缩减维度的数据被输入至人工神经网络，该人工神经网络将输出表征值。通过对每个测得的光谱执行此过程，人工神经网络可以产生表征值序列。
原位光谱监测系统70和控制器90的组合可以提供终点和/或抛光均匀性控制系统100。即，控制器90可以基于一系列的特征值来检测抛光终点并停止抛光和/或在抛光处理过程中调节抛光压力以减少抛光不均匀性。
图4示出了由控制器90实施的功能框，该功能框包括执行维度缩减的维度缩减模块110、神经网络120以及用于调节抛光处理的处理控制系统130；例如，基于一系列的特征值来检测抛光终点并停止抛光和/或在抛光处理过程中调整抛光压力以减少抛光不均匀性。如上所述，这些功能框可以分布在多台计算机上。
神经网络120包括用于每个主要组件的多个输入节点122、多个隐藏节点124(下文中也称为“中间节点”)以及将产生表征值的输出节点126。在具有单层隐藏节点的神经网络中，每个隐藏节点124可以耦合至每个输入节点122，并且输出节点126可以耦合至每个隐藏节点220。
通常来说，隐藏节点124输出来自隐藏节点所连接到的输入节点122的值的加权和的非线性函数的值。
例如，隐藏节点124(指定节点k)的输出可以表示成下式：
tanh(0.5*ak1(I1)+ak2(I2)+……+akM(IM)+bk)等式1
其中tanh是双曲正切，akx是第k个中间节点与第x个输入节点(取自M个输入节点)之间的连接的权重，并且IM是第M个输入节点处的值。然而，可以使用其他非线性函数来取代tanh，诸如修正线性单元(ReLU)函数及其变体。
维度缩减模块110将测得的光谱减少至更有限数量的分量值(例如，L个分量值)。神经网络120包括用于光谱被减少到的分量中的每个分量的输入节点122(例如，在模块110产生L个分量值的情况下，神经网络120将至少包括输入节点N1、N2……NL)。
因此，在输入节点的数目对应于测量光谱被减少到的分量的数目(即，L＝M)的情况下，隐藏节点124(指定节点k)的输出Hk可以表达成下式：
Hk＝tanh(0.5*ak1(I1)+ak2(I2)+……+akL(IL)+bk)
假定测得的光谱S由列矩阵(i1、i2...及in)表示，则中间节点124(指定节点k)的输出可以表示成下式：
Hk＝tanh(0.5*ak1(V1·S)+ak2(V2·S)+……+akL(VL·S)+bk)等式2
其中Vx是将提供将测得的光谱转换至经缩减维度数据的第x个分量(取自L个分量)的值的转换的列矩阵(v1、v2……vn)。例如，可以通过下述矩阵W或矩阵W’的第x列(取自L个列)来提供Vx；即，Vx是WT的第x行。因此，Wx可以表示来自维度缩减矩阵的第x个特征向量。
输出节点126可以产生表征值CV，该表征值CV是隐藏节点的输出的加权和。例如，这可以表示成下式：
CV＝C1*H1+C2*H2+…+CL*HL
其中Ck是第k个隐藏节点的输出的权重。
然而，神经网络120可以可选地包括一个或多个其他输入节点(例如，节点122a)以接收其他数据。此其他数据可以来自原位监测系统对基板的先前测量(例如，从基板处理中早期收集的光谱)、来自先前基板的测量(例如，在处理另一基板期间收集的光谱)、来自抛光系统中的另一个传感器(例如，由温度传感器所测量的衬垫或基板的温度)、来自由用于控制抛光系统的控制器所存储的抛光配方(例如，如用于抛光基板的承载头压力或平台旋转速率的抛光参数)、来自由控制器所追踪的变量(例如，自从衬垫被改变以来的基板数量)或来自不是抛光系统的一部分的传感器(例如，由计量站所测量的底层的厚度)。这允许神经网络120在计算表征值时考虑到这些其他处理或环境变量。
在用于例如装置晶片之前，需要配置维度缩减模块110和神经网络112。
作为维度缩减模块110的配置过程的一部分，控制器90可以接收多个参考光谱和与多个参考光谱中的每个参考光谱相关联的表征值(例如，厚度)。例如，可以在一个或多个测试基板上的特定位置处测量参考光谱。另外，可以使用计量设备(例如，接触式表面光度仪或椭圆偏振计)来执行特定位置处的厚度的测量。厚度测量因此可以与来自基板上的相同位置的参考光谱相关联。多个参考光谱可以包括例如五至十个参考光谱。
作为用于维度缩减模块110的配置过程的另一部分，控制器90可以产生用于参考光谱的数据集的协变矩阵的一组特征向量。一旦已经产生了该组特征向量，可以排序特征向量，并且可以保留预设数量的具有最大特征值(例如，最前面的四至八个)的特征向量。
通过与特征向量相关联的特征值对特征向量进行排序显示了数据集变化最大的方向。测得的光谱在排名最高的特征向量上的投影以显著降低的基础提供了原始向量的有效表示。
作为解释，每个参考光谱可以由下列矩阵表示：
R＝(i1,i2,…,in)
其中ij表示在总共n个波长的第j个波长处的光强度。光谱可以包括例如二百到五百个强度测量；n可以是二百到五百。
假设产生了m个参考光谱，则可以组合m个矩阵R以形成以下矩阵：
其中ijk表示第j个参考光谱的第k个波长处的光强度。矩阵A的每行表示参考光谱(例如，在基板上的一个位置处的测量)。
对矩阵A应用如主成分分析(PCA)的缩减维度处理。PCA执行正交化线性变换，该正交化线性变换将A矩阵(m×n维)中的数据变换为新的坐标系，使得数据的任何投影的最大变异数在第一个坐标(称为第一主成分)上，第二大变异数在第二个坐标上，依次类推。在数学上，变换由一组p维的权重向量wk＝(wk1,wk2……wkp)定义，该组权重向量wk将矩阵A的每个m维行向量Ai映射至主成分分数ti＝(tk1,tk2...tip)的新向量，其中tki为下式：
tki＝Ai·wk
每个向量wk被限制成单位向量。结果，ti的各个变量继承矩阵A的最大可能变异数。矩阵A的分解可以写成下式：
T＝AW
其中W是n*p的矩阵，该矩阵中的列是ATA的特征向量。
在詹姆斯拉姆齐和B.W.西耳弗曼所著的“功能数据分析(Functional DataAnalysis)”(Springer出版社；第2版(2005年7月1日))和I.T.乔立夫所著的“主成分分析(Principal Component Analysis)”(Springer出版社；第2版(2002年10月2日))中也论述了PCA的细节。
控制器可以使用SVD(奇异值分解)或ICA(独立成分分析)来取代PCA，SVD是参考光谱数据集的广义特征分解，而ICA是发现预定数量的统计上独立的信号，其添加组合产生了参考光谱数据集。
接着，通过仅保持排名最高的特征向量来缩减维度。具体来说，可以保持总共L个主成分而不是p个主成分，其中L为0及p之间的整数(例如，3到10)。举例而言，例如通过保持使用T矩阵的最左边的L列，可以将T矩阵简化为m×L矩阵T'。类似地，例如通过保持W矩阵的最左边的L列，可以将W矩阵缩减为n×L矩阵W'。
作为另一示例，可以使用如自动编码的非线性缩减维度技术。可以将所使用的自动编码器实施为神经网络，该神经网络尝试通过将原始输入传递至多个层来重建原始输入(原始输入可以具有维度N)。多个中间层中的一个将具有缩减数目的隐藏神经元。通过最小化输出层和输入层之间的差异来训练网络。在这种情况中，隐藏神经元的值可以被视为缩减维度的光谱。由于缩减维度不再是线性过程，所以此技术可以提供优于PCA及其他类似技术的优势。
从神经网络120的配置程序开始，使用每个参考频谱的分量值和表征值来训练神经网络120。
矩阵T'的每一行对应于参考光谱中的一个，因此矩阵T'的每一行与表征值相关联。当神经网络120以训练模式(如反向传播模式)运作时，沿特定行的值(t1,t2...tL)被馈送至用于主成分的相应输入节点N1、N2...NL，同时该行的特征值V被馈送至输出节点126。可以为每行重复此过程。此过程设置上述等式1或等式2中的ak1等的值。
可以使用比用于训练神经网络的数据集更大的数据来执行例如通过PCA、SVD和ICA等的主成分的确定。即，用于确定主成分的光谱的数量可以大于具有用于训练的已知特征值的光谱的数量。
系统现在准备运行。使用原位光谱监测系统70来在抛光期间从基板测量光谱。测得的光谱可以由列矩阵S＝(i1,i2...in)表示，其中ij表示在总共n个波长的第j个波长处的光强度。列矩阵S乘以W'矩阵以产生列矩阵；即，S·W'＝P，其中P＝(P1,P2...PL)，其中Pi表示第i个主成分的分量值。
当以推论模式使用神经网络120时，这些值(P1,P2……PL)作为输入被馈送至相应的输入节点N1、N2……NL。结果，神经网络120在输出节点126处产生特征值(例如，厚度)。
由维度缩减模块110和神经网络120所执行的用以产生表征值CV的组合计算可以如下式表示：
CV＝C1*tanh(0.5(N1·S)+0.5b1)+C2*tanh(0.5(N2·S)+0.5b2)+……+CL*tanh(0.5(NL·S)+0.5bL)
其中Nk＝(ak1V1+ak2V2+……+akLVL)，其中权重aki是由神经网络120设定的权重，并且向量Vi是由维度缩减模块110确定的特征向量。
神经网络120的架构可以在深度和宽度上变化。例如，尽管神经网络120被示为具有单列中间节点124，但神经网络120可以包括多个列。中间节点124的数量可以等于或大于输入节点122的数量。
如上所述，控制器90可以将各种测得的光谱与基板10上的不同区域12a至12c(见图2)相关联。每个神经网络120的输出可以基于在测量光谱时传感器在基板10上的位置而被分类成属于多个区域中的一个。这允许控制器90为每个区域产生单独的表征值序列。
表征值被馈送至处理控制模块130，例如，处理控制模块130接着可以使用每个区域的表征值来调整处理参数，以减少整个基板的不均匀性和/或检测抛光终点。
在一些实现中，参考图5，控制器90可以被配置为具有多个神经网络120。神经网络120可以平行运作以基于区域的测得的光谱来产生该区域的表征值。神经网络的数量可以匹配区域的数量。例如，可以有用于第一区域12a的第一神经网络120a、用于第二区域12b的第二神经网络120b和用于第三区域12c的第三神经网络。每个神经网络120的输出可以被馈送至处理控制模块130。
可以通过重建光谱并且接着确定重建的光谱与原始测得的光谱之间的差异来评估计算出的表征值的可靠性。例如，一旦已经计算了主成分值(P1,P2,……,PL)，便可以通过P·W'T＝Q来产生重建的光谱Q。接着，可以例如使用平方差的和来计算P和S之间的差。如果差很大，则处理模块130可以忽略相关的表征值。
例如，参考图6，第一函数204可以拟合于第一区域的特征值202的序列200，并且第二函数214可以拟合于第二区域的特征值212的序列210。处理控制器可以计算第一函数和第二函数达到目标值V被映射到的时间T1和时间T2并且计算经调整的处理参数(例如，经调整的承载头压力)，这将导致多个区域中的一个以经修改的速率(由线220示出)被抛光，使得多个区域大致在同时达到目标。
在函数指示特征值达到目标值V时，处理控制器130可以触发抛光终点。
本发明的实施例和本说明书中描述的所有功能操作可以用数字电子电路系统或计算机软件、固件或硬件来实现，该数字电子电路系统或计算机软件、固件或硬件包括本说明书中所公开的结构手段及其结构等同物，或结构手段及其结构的组合。本发明的实施例可以实施为一个或多个计算机程序产品，即，一个或多个计算机程序，该计算机程序有形地实施在机器可读取存储介质中以由数据处理设备(例如，可编程处理器、计算机或多个处理器或计算机)执行或控制数据处理设备的操作。计算机程序(也称为程序、软件、软件应用程序或代码)可以用任何形式的程序语言(包括编译语言或解释语言)编写，并且可以以任何形式(包括作为独立程序或作为适合在计算环境中使用的模块、组件、子例程或其他单元)来部署计算机程序。计算机程序不一定对应于档案。程序可以存储在保存其他程序或数据的档案的一部分中，或存储在专用于所论述的程序的单个档案中，或存储在多个协同档案中(例如，存储一个或多个模块、子程序或部分代码的档案)。计算机程序可以在一台计算机上、或在一个站点处的多台计算机上、或在分布于多个站点并通过通信网络互连的多台计算机上部署或执行。
本说明书中描述的处理和逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程处理器执行，以通过操作输入数据并产生输出来执行功能。处理和逻辑流程也可以由专用逻辑电路系统(例如，FPGA(现场可编程门阵列)或ASIC(专用集成电路))来执行，设备也可以实施为该专用逻辑电路系统。
上述抛光设备及方法可以应用于各种抛光系统。抛光垫或承载头或两者皆可以移动以在抛光表面及基板之间提供相对运动。例如，平台可以是绕轨道运行而不是在旋转。抛光垫可以是被固定至平台的圆形(或一些其他形状)垫。抛光系统可以是线性抛光系统，例如，其中抛光垫是线性移动的连续的或卷对卷带。抛光层可以是标准(例如，具有或不具有填料的聚氨酯)抛光材料、软材料或固定研磨材料。相对定位的术语是用于组件的相对定向或定位；应理解的是，抛光表面和基板可以相对于重力而保持在垂直取向或一些其他取向。
尽管上文叙述集中于化学机械抛光，但控制系统可以适用于其他半导体处理技术，例如，蚀刻或沉积(例如，化学气相沉积)。此外，可以将技术应用于在线或独立的计量系统而不是原位监测。
已经描述了本发明的特定实施例。其他实施例在所附权利要求的范围内。

Claims (15)

1.一种用于控制基板的处理的计算机程序产品，所述计算机程序产品有形地实施于非瞬时计算机可读取介质中，并且包括用于使处理器执行以下操作的指令：
从原位光监测系统接收从正进行处理的基板反射的光的测得的光谱，所述处理修改所述基板的外层的厚度；
缩减所述测得的光谱的维度以产生多个分量值；
使用人工神经网络来产生表征值，所述人工神经网络具有接收所述多个分量值的多个输入节点、输出所述表征值的输出节点以及将所述输入节点连接至所述输出节点的多个隐藏节点；以及
基于所述表征值来确定所述基板的停止处理或处理参数的调整中的至少一个。
2.如权利要求1所述的计算机程序产品，包括对多个参考光谱执行特征提取以产生多个分量的指令。
3.如权利要求2所述的计算机程序产品，其中执行特征提取的所述指令包括执行主成分分析、奇异值分解、独立成分分析或自编码的指令。
4.如权利要求2所述的计算机程序产品，包括对具有已知表征值的所述多个参考光谱中的两个或更多个参考光谱来执行维度缩减以产生训练数据的指令。
5.如权利要求4所述的计算机程序产品，包括使用所述训练数据和所述已知表征值而通过反向传播训练所述人工神经网络的指令。
6.如权利要求5所述的计算机程序产品，其中两个或更多个光谱小于所有的多个光谱。
7.如权利要求5所述的计算机程序产品，包括对具有已知表征值的多个参考光谱执行维度缩减以产生训练数据的指令。
8.如权利要求1所述的计算机程序产品，其中所述神经网络包括至少一个输入节点，所述至少一个输入节点被配置为接收所述基板的先前测量、先前基板的测量、来自所述处理系统中的另一传感器的测量、来自在所述处理系统外部的传感器的测量、来自所述控制器所存储的处理配方的值或由所述控制器追踪的变量的值中的至少一个。
9.一种处理基板的方法，包括以下步骤：
使基板经受修改所述基板的外层的厚度的处理；
在所述处理期间利用原位光监测系统测量从正进行处理的所述基板反射的光的测得的光谱；
缩减所述测得的光谱的维度以产生多个分量值；
使用人工神经网络来产生表征值，所述人工神经网络具有接收所述多个分量值的多个输入节点、输出所述表征值的输出节点以及将所述输入节点连接至所述输出节点的多个隐藏节点；以及
基于所述表征值来确定所述基板的停止处理或处理参数的调整中的至少一个。
10.如权利要求9所述的方法，其中所述处理包括化学机械抛光。
11.如权利要求9所述的方法，包括对多个参考光谱执行特征提取以产生多个分量。
12.如权利要求11所述的方法，包括对具有已知表征值的所述多个参考光谱中的两个或更多个执行维度缩减以产生训练数据。
13.一种抛光系统，包括：
支撑件，所述支撑件支撑抛光垫；
承载头，所述承载头保持与所述抛光垫接触的基板；
电机，所述电极在所述支撑件与所述承载头之间产生相对运动；
原位光监测系统，所述原位光检测系统测量在抛光期间从所述基板所反射的光的光谱；以及
控制器，所述控制器被配置成：
从所述原位光监测系统接收从正进行处理的所述基板所反射的光的测得的光谱，
缩减所述测得的光谱的维度以产生多个分量值，
使用人工神经网络来产生表征值，所述人工神经网络具有接收所述多个分量值的多个输入节点、输出所述表征值的输出节点以及将所述输入节点连接至所述输出节点的多个隐藏节点，以及
基于所述特征值来确定所述基板的停止处理或处理参数的调整中的至少一个。
14.如权利要求13所述的系统，其中所述控制器被配置为对多个参考光谱执行特征提取以产生多个分量。
15.如权利要求14所述的系统，其中所述控制器被配置为对具有已知表征值的所述多个参考光谱中的两个或更多个参考光谱执行维度缩减以产生训练数据。
CN201780073024.1A 2016-11-30 2017-11-22 使用神经网络的光谱监测 Active CN110036464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310801698.6A CN116833898A (zh) 2016-11-30 2017-11-22 使用神经网络的光谱监测

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662428410P 2016-11-30 2016-11-30
US62/428,410 2016-11-30
PCT/US2017/063155 WO2018102222A1 (en) 2016-11-30 2017-11-22 Spectrographic monitoring using a neural network

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310801698.6A Division CN116833898A (zh) 2016-11-30 2017-11-22 使用神经网络的光谱监测

Publications (2)

Publication Number Publication Date
CN110036464A true CN110036464A (zh) 2019-07-19
CN110036464B CN110036464B (zh) 2023-07-07

Family

ID=62193281

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201780073024.1A Active CN110036464B (zh) 2016-11-30 2017-11-22 使用神经网络的光谱监测
CN202310801698.6A Pending CN116833898A (zh) 2016-11-30 2017-11-22 使用神经网络的光谱监测

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202310801698.6A Pending CN116833898A (zh) 2016-11-30 2017-11-22 使用神经网络的光谱监测

Country Status (6)

Country Link
US (2) US10732607B2 (zh)
JP (2) JP7193456B2 (zh)
KR (2) KR102556340B1 (zh)
CN (2) CN110036464B (zh)
TW (3) TWI779986B (zh)
WO (1) WO2018102222A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115135450A (zh) * 2020-05-14 2022-09-30 应用材料公司 训练神经网络用于抛光期间的原位监测的技术和抛光系统

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI783037B (zh) * 2017-09-25 2022-11-11 美商應用材料股份有限公司 使用機器學習方式以產生製程控制參數的半導體製造
KR20210014747A (ko) 2018-06-28 2021-02-09 어플라이드 머티어리얼스, 인코포레이티드 분광 모니터링을 위한 기계 학습 시스템을 위한 훈련 스펙트럼 생성
JP7472111B2 (ja) * 2018-09-24 2024-04-22 アプライド マテリアルズ インコーポレイテッド Ｃｍｐプロセス制御アルゴリズムへの入力としてのマシンビジョン
KR20240017122A (ko) * 2018-09-26 2024-02-06 어플라이드 머티어리얼스, 인코포레이티드 인-시튜 전자기 유도 모니터링에 대한 가장자리 재구성에서의 기판 도핑에 대한 보상
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
US11215840B2 (en) * 2018-10-18 2022-01-04 International Business Machines Corporation Testing a biological sample based on sample spectrography and machine learning techniques
CN109724917B (zh) * 2018-12-26 2021-01-22 西安电子科技大学 基于神经网络及宽带滤波调制的分光方法
TWI820308B (zh) 2019-03-21 2023-11-01 美商應用材料股份有限公司 監視化學機械拋光中的拋光墊紋理
EP3736648B1 (en) * 2019-05-08 2023-07-05 Agathon AG, Maschinenfabrik Method for autonomous optimization of a grinding process
JP2021028099A (ja) * 2019-08-09 2021-02-25 株式会社荏原製作所 終点検知装置、終点検知方法
JP2021058955A (ja) * 2019-10-04 2021-04-15 株式会社荏原製作所 研磨装置、情報処理システム、情報処理方法及びプログラム
US11216184B2 (en) * 2019-12-06 2022-01-04 Western Digital Technologies, Inc. Non-volatile memory with on-chip principal component analysis for generating low dimensional outputs for machine learning
CN117900999A (zh) 2020-06-24 2024-04-19 应用材料公司 使用研磨垫磨损补偿的基板层厚度确定
JP2023516872A (ja) 2020-06-29 2023-04-21 アプライド マテリアルズ インコーポレイテッド 機械学習に基づく基板画像処理からの膜厚推定
US11688616B2 (en) 2020-07-22 2023-06-27 Applied Materials, Inc. Integrated substrate measurement system to improve manufacturing process performance
USD977504S1 (en) 2020-07-22 2023-02-07 Applied Materials, Inc. Portion of a display panel with a graphical user interface
US20220066411A1 (en) * 2020-08-31 2022-03-03 Applied Materials, Inc. Detecting and correcting substrate process drift using machine learning
US11709477B2 (en) 2021-01-06 2023-07-25 Applied Materials, Inc. Autonomous substrate processing system
US11919121B2 (en) 2021-03-05 2024-03-05 Applied Materials, Inc. Control of processing parameters during substrate polishing using constrained cost function
KR20240016345A (ko) * 2021-06-01 2024-02-06 램 리써치 코포레이션 프로세스 제어를 위한 인 시츄 (in situ) 센서 및 로직

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090001262A1 (en) * 2003-10-22 2009-01-01 Erik Visser System and Method for Spectral Analysis
US20100094790A1 (en) * 2008-10-10 2010-04-15 Micron Technology, Inc. Machine learning of dimensions using spectral intensity response of a reflectometer
JP2011007581A (ja) * 2009-06-25 2011-01-13 Hitachi High-Technologies Corp 寸法計測装置およびこれを用いた半導体装置の製造方法
US20110052029A1 (en) * 2009-08-27 2011-03-03 David Connah Method and system for generating accented image data
CN103715114A (zh) * 2008-07-11 2014-04-09 应用材料公司 用于可适性自对准双图案成型的基于序列内测量的过程调谐
JP2014514533A (ja) * 2011-03-04 2014-06-19 東京エレクトロン株式会社 ライブラリベースで限界寸法（ｃｄ）を計測するための正確かつ高速なニューラルネットワークの訓練
WO2016086138A1 (en) * 2014-11-25 2016-06-02 Stream Mosaic, Inc. Improved process control techniques for semiconductor manufacturing processes

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW320591B (zh) * 1995-04-26 1997-11-21 Fujitsu Ltd
US7037172B1 (en) * 1999-04-01 2006-05-02 Beaver Creek Concepts Inc Advanced wafer planarizing
DE19917649C2 (de) 1999-04-19 2001-10-31 Nico Pyrotechnik System aus einem Übungsgeschoß für eine automatische Schnellfeuerwaffe und einem Waffenrohr
US6532467B1 (en) * 2000-04-10 2003-03-11 Sas Institute Inc. Method for selecting node variables in a binary decision tree structure
US6511363B2 (en) 2000-12-27 2003-01-28 Tokyo Seimitsu Co., Ltd. Polishing end point detecting device for wafer polishing apparatus
US6941289B2 (en) * 2001-04-06 2005-09-06 Sas Institute Inc. Hybrid neural network generation system and method
US20030002043A1 (en) * 2001-04-10 2003-01-02 Kla-Tencor Corporation Periodic patterns and technique to control misalignment
US6594024B1 (en) * 2001-06-21 2003-07-15 Advanced Micro Devices, Inc. Monitor CMP process using scatterometry
US6939198B1 (en) 2001-12-28 2005-09-06 Applied Materials, Inc. Polishing system with in-line and in-situ metrology
US6942546B2 (en) 2002-01-17 2005-09-13 Asm Nutool, Inc. Endpoint detection for non-transparent polishing member
US20030236759A1 (en) * 2002-06-21 2003-12-25 Tsung-Hsuan Ho Neural network for determining the endpoint in a process
US6954678B1 (en) * 2002-09-30 2005-10-11 Advanced Micro Devices, Inc. Artificial intelligence system for track defect problem solving
US7001243B1 (en) * 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
US7052921B1 (en) * 2004-09-03 2006-05-30 Advanced Micro Devices, Inc. System and method using in situ scatterometry to detect photoresist pattern integrity during the photolithography process
US7427457B1 (en) * 2004-09-03 2008-09-23 Advanced Micro Devices, Inc. Methods for designing grating structures for use in situ scatterometry to detect photoresist defects
US7226339B2 (en) 2005-08-22 2007-06-05 Applied Materials, Inc. Spectrum based endpointing for chemical mechanical polishing
US7409260B2 (en) * 2005-08-22 2008-08-05 Applied Materials, Inc. Substrate thickness measuring during polishing
US7930058B2 (en) * 2006-01-30 2011-04-19 Memc Electronic Materials, Inc. Nanotopography control and optimization using feedback from warp data
US20090275265A1 (en) * 2008-05-02 2009-11-05 Applied Materials, Inc. Endpoint detection in chemical mechanical polishing using multiple spectra
KR101834944B1 (ko) 2008-09-04 2018-03-06 어플라이드 머티어리얼스, 인코포레이티드 프로세싱 동안 기판의 분광 모니터링의 이용에 의한 연마 속도들의 조정
US8751033B2 (en) * 2008-11-14 2014-06-10 Applied Materials, Inc. Adaptive tracking spectrum features for endpoint detection
US8579675B2 (en) 2008-11-26 2013-11-12 Applied Materials, Inc. Methods of using optical metrology for feed back and feed forward process control
US8024676B2 (en) * 2009-02-13 2011-09-20 Tokyo Electron Limited Multi-pitch scatterometry targets
US8842937B2 (en) * 2011-11-22 2014-09-23 Raytheon Company Spectral image dimensionality reduction system and method
US9551567B2 (en) 2013-10-25 2017-01-24 Applied Materials, Inc. Reducing noise in spectral data from polishing substrates
JP2015221509A (ja) 2014-05-22 2015-12-10 セイコーエプソン株式会社 印刷装置、及び印刷方法
JP6585445B2 (ja) * 2015-09-28 2019-10-02 株式会社荏原製作所 研磨方法
US10197504B2 (en) * 2016-10-10 2019-02-05 Altria Client Services Llc Method and system of detecting foreign materials within an agricultural product stream

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090001262A1 (en) * 2003-10-22 2009-01-01 Erik Visser System and Method for Spectral Analysis
CN103715114A (zh) * 2008-07-11 2014-04-09 应用材料公司 用于可适性自对准双图案成型的基于序列内测量的过程调谐
US20100094790A1 (en) * 2008-10-10 2010-04-15 Micron Technology, Inc. Machine learning of dimensions using spectral intensity response of a reflectometer
JP2011007581A (ja) * 2009-06-25 2011-01-13 Hitachi High-Technologies Corp 寸法計測装置およびこれを用いた半導体装置の製造方法
US20110052029A1 (en) * 2009-08-27 2011-03-03 David Connah Method and system for generating accented image data
JP2014514533A (ja) * 2011-03-04 2014-06-19 東京エレクトロン株式会社 ライブラリベースで限界寸法（ｃｄ）を計測するための正確かつ高速なニューラルネットワークの訓練
WO2016086138A1 (en) * 2014-11-25 2016-06-02 Stream Mosaic, Inc. Improved process control techniques for semiconductor manufacturing processes

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115135450A (zh) * 2020-05-14 2022-09-30 应用材料公司 训练神经网络用于抛光期间的原位监测的技术和抛光系统

Also Published As

Publication number Publication date
TW202220049A (zh) 2022-05-16
JP7193456B2 (ja) 2022-12-20
CN110036464B (zh) 2023-07-07
TWI807987B (zh) 2023-07-01
KR20190082830A (ko) 2019-07-10
US10732607B2 (en) 2020-08-04
TWI779986B (zh) 2022-10-01
KR102556340B1 (ko) 2023-07-18
JP2019537270A (ja) 2019-12-19
TW201826371A (zh) 2018-07-16
US11966212B2 (en) 2024-04-23
US20180150052A1 (en) 2018-05-31
KR20230112737A (ko) 2023-07-27
TWI755448B (zh) 2022-02-21
WO2018102222A1 (en) 2018-06-07
TW202305930A (zh) 2023-02-01
JP2023051931A (ja) 2023-04-11
CN116833898A (zh) 2023-10-03
US20200363784A1 (en) 2020-11-19

Similar Documents

Publication Publication Date Title
CN110036464A (zh) 使用神经网络的光谱监测
JP7036908B2 (ja) プロセス制御パラメータを生成するために機械学習アプローチを使用する半導体製造
TWI817992B (zh) 用於半導體處理監視的機器學習系統
TWI811387B (zh) 用於光譜監測的機器學習系統的訓練光譜產生
TWI794293B (zh) 使用製程控制參數矩陣的半導體製造
CN109844923A (zh) 用于化学机械抛光的实时轮廓控制
TW202239524A (zh) 用於標記用於攝譜監測的機器學習系統的訓練光譜的原位監測

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