CN111066131A - 将光学计量与质量计量相结合的系统和方法 - Google Patents
将光学计量与质量计量相结合的系统和方法 Download PDFInfo
- Publication number
- CN111066131A CN111066131A CN201880057888.9A CN201880057888A CN111066131A CN 111066131 A CN111066131 A CN 111066131A CN 201880057888 A CN201880057888 A CN 201880057888A CN 111066131 A CN111066131 A CN 111066131A
- Authority
- CN
- China
- Prior art keywords
- substrate
- model
- mass
- metrology
- measurement locations
- 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.)
- Pending
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims description 70
- 239000000758 substrate Substances 0.000 claims abstract description 199
- 238000005259 measurement Methods 0.000 claims abstract description 72
- 238000001228 spectrum Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 26
- 239000000835 fiber Substances 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000000611 regression analysis Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 27
- 238000004519 manufacturing process Methods 0.000 description 25
- 235000012431 wafers Nutrition 0.000 description 12
- 239000004065 semiconductor Substances 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000151 deposition Methods 0.000 description 6
- 230000032258 transport Effects 0.000 description 6
- 230000008021 deposition Effects 0.000 description 5
- 238000005530 etching Methods 0.000 description 5
- 238000000231 atomic layer deposition Methods 0.000 description 4
- 238000005229 chemical vapour deposition Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000005240 physical vapour deposition Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000013442 quality metrics Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 oxide Substances 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
- G01B11/0625—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection
-
- 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
- H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
-
- 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
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
- G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/08—Optical fibres; light guides
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种用于衬底处理的计量系统包括光学计量站，所述光学计量站包括多个光学传感器以测量来自衬底上的多个测量位置的光谱。多个光缆连接所述多个光学传感器。光谱仪选择性地连接所述多个光缆。质量计量站测量所述衬底的质量或质量变化中的至少一者。控制器包括：模型化模块，其基于来自所述多个测量位置的所述光谱以及学习模型，产生所述多个测量位置的厚度值。空间模型化模块基于来自所述模型化模块的所述多个测量位置的所述厚度值以及来自所述质量计量站的所述质量或所述质量变化中的所述至少一者，产生用于所述衬底的空间厚度分布模型。
Description
相关申请的交叉引用
本申请要求于2017年9月6日提交的美国专利申请No.15/696,768的优先权。上述申请的全部公开内容通过引用合并于本文。
技术领域
本公开涉及衬底处理系统，并且更具体地涉及用于组合光学计量和质量计量的系统和方法。
背景技术
这里提供的背景描述是为了总体呈现本公开的背景的目的。在此背景技术部分以及在提交申请时不能确定为现有技术的描述的各方面中描述的范围内的当前指定的发明人的工作既不明确也不暗示地承认是针对本公开的现有技术。
电子设备通过使用各种处理技术(如沉积、蚀刻、清洁及/或其它处理)于衬底(如半导体晶片)上制造。沉积技术的示例包括化学气相沉积(CVD)、物理气相沉积(PVD)、原子层沉积(ALD)等。去除或蚀刻技术的示例包括剥离、湿蚀刻、干蚀刻、化学机械研磨(CMP)等。
这些衬底的处理通常导致衬底表面及/或衬底质量的变化。例如，沉积通常会增加衬底的质量，而蚀刻通常会减少衬底的质量。在生产过程中，期望评估衬底以确定处理是否正确进行及/或以在后续衬底的生产之前调整处理。
质量计量系统已开发来测量在处理期间衬底的质量或质量变化。虽然质量计量系统相当精确，但是产生的质量数据的使用受到一定限制。例如，由于多种因素，质量变化可能在工艺期间发生。质量变化的一些原因是与改变相关联。一些质量的变化是分布在整个衬底上并可能产生零质量变化。虽然有些工艺将质量计量系统与其它计量系统结合在一起，但成本容易过高。
发明内容
一种用于衬底处理的计量系统包括光学计量站，所述光学计量站包括多个光学传感器以测量来自衬底上的多个测量位置的光谱。多个光缆连接所述多个光学传感器。光谱仪选择性地连接所述多个光缆。质量计量站测量所述衬底的质量或质量变化中的至少一者。控制器包括：模型化模块，其基于来自所述多个测量位置的所述光谱以及学习模型，产生所述多个测量位置的厚度值。空间模型化模块基于来自所述模型化模块的所述多个测量位置的所述厚度值以及来自所述质量计量站的所述质量或所述质量变化中的所述至少一者，产生用于所述衬底的空间厚度分布模型。
在其他特征中，多个断续器分别连接所述多个光缆。所述多个断续器被配置用于顺序地每次将来自所述多个光缆中的一个的光谱输出到所述光谱仪。所述学习模型使用机器学习产生。所述机器学习包括监督式学习模型，其选自于由线性模型、支持向量机器模型、判定树模型、随机森林模型和高斯模型所组成的群组。所述学习模型以第一原理模型为基础。所述第一原理模型选自于由菲涅耳多光束干涉、严格耦合波分析(RCWA)或者时域有限差分(FDTD)所组成的群组。
在其他特征中，所述衬底包括多个管芯。所述光学传感器具有从多个邻接管芯的部分产生样本的光束直径。所述学习模型通过如下方式产生：将来自多个样本衬底的多个测量位置的所述光谱与由独立计量站针对所述多个样本衬底的所述多个测量位置产生的厚度数据、关键尺寸数据、深度数据和材料密度数据中的至少一者相关联。
在其他特征中，所述学习模型通过执行主成分分析而产生。所述空间模型化模块使用所述质量或所述质量变化中的所述至少一者作为回归分析期间的限制或边界条件中的至少一者。
在其他特征中，所述学习模型使用自动编码器产生。光学传感器定位器用于调整所述光学传感器中的至少一者的位置。衬底支撑件定位器调整所述衬底支撑件的位置。所述多个光学传感器测量来自所述衬底的相对的表面的光谱。
在其他特征中，所述空间模型化模块进一步基于在膜处理前的所述衬底的厚度而产生用于所述衬底的所述空间厚度分布模型。
一种用于提供衬底处理的计量的方法包括：提供光学计量站，所述光学计量站包括多个光学传感器以测量来自衬底上的多个测量位置的光谱；测量所述衬底的质量或质量变化中的至少一者；基于来自所述多个测量位置的所述光谱和学习模型，产生在所述衬底的所述多个测量位置的厚度值；以及基于所述多个测量位置的所述厚度值以及所述质量或所述质量变化中的所述至少一者，产生用于所述衬底的空间厚度分布模型。
在其他特征中，所述学习模型使用机器学习产生。所述机器学习包括监督式学习模型，其选自于由线性模型、支持向量机器模型、判定树模型、随机森林模型和高斯模型所组成的群组。所述模型以第一原理模型为基础。所述第一原理模型选自于由菲涅耳多光束干涉、严格耦合波分析(RCWA)或者时域有限差分(FDTD)所组成的群组。
在其他特征中，所述衬底包括多个管芯。所述光学传感器具有足以从多个邻接管芯的部分产生样本的光束直径。
在其他特征中，所述方法包括通过如下方式产生所述学习模型：将来自多个样本衬底的多个测量位置的所述光谱与由独立计量站针对所述多个样本衬底的所述多个测量位置产生的厚度数据、关键尺寸数据、深度数据和材料密度数据中的至少一者相关联。
在其他特征中，所述方法包括通过执行主成分分析来产生所述模型。所述方法包括：使用所述质量或所述质量变化中的所述至少一者作为在对所述空间厚度分布模型进行回归分析期间的限制或边界条件中的至少一者。
在其他特征中，所述方法包括使用自动编码来产生所述学习模型。所述方法包括在测量针对所述衬底的所述光谱期间调整所述光学传感器中的至少一者的位置。所述方法包括在测量针对所述衬底的所述光谱期间，调整支撑衬底支撑件的位置。所述方法测量来自所述衬底的相对的表面的光谱。
在其他特征中，所述方法包括：在膜处理之前产生所述衬底的厚度；以及基于在膜处理前的所述衬底的所述厚度而产生用于所述衬底的所述空间厚度分布模型。
根据详细描述、权利要求和附图，本公开内容的适用性的进一步的范围将变得显而易见。详细描述和具体示例仅用于说明的目的，并非意在限制本公开的范围。
附图说明
根据详细描述和附图将更充分地理解本公开，其中：
图1A是根据本公开的示例的被配置用于模型训练的计量系统的功能框图；
图1B是根据本公开的示例的用于光学传感器及/或衬底支撑件的定位设备的功能框图；
图1C是根据本公开的另一示例的用于光学传感器及/或衬底支撑件的定位设备的功能框图；
图1D是根据本公开的配置于衬底的上方和下方的一示例的光学传感器的功能框图；
图2A是根据本公开的描绘包含缺口的衬底；
图2B是根据本公开的示例的相对于衬底的多个管芯的大光学传感器光束的平面图；
图3示出了根据本公开的用于衬底的空间厚度分布模型的一示例；
图4A和图4B是根据本公开的流程图，其示出了用于产生模型的方法的示例，所述模型用于使用目标参考值将测得的光谱与衬底厚度相关联，其中目标参考值由独立计量系统产生；
图5是根据本公开的计量系统的示例的功能框图，其被配置用于生产；及
图6和图7是根据本公开的流程图，其示出了用于使用学习模型、由光学计量站产生的光谱、及由质量计量站产生的质量以确定衬底参数及/或调整工艺参数。
在附图中，可以重复使用附图标记来标识相似和/或相同的元件。
具体实施方式
根据本公开的系统和方法涉及一种计量系统，其同时将光学计量和质量计量结合为有成本效益且准确的计量系统。可以理解，待监测的工艺可以是添加工艺(例如沉积)、削减工艺(例如剥离或蚀刻)、或其它处理工艺(例如清洁)。
在学习模型的训练模式和后续生产模式期间，计量系统使用包括多个光学传感器和光谱仪的光学计量站。光谱仪针对多个衬底中的每一个于多个测量位置产生光谱。光谱与衬底和位置识别数据一起被储存。光谱在多个不同波长下被测量。
具有空间分辨率的高成本和高准确度的独立计量站也用于产生多个衬底的参考测量值。参考测量值与至少同一组的衬底的多个测量位置的衬底参数有关。经由独立计量站测量的衬底参数包括厚度数据、关键尺寸数据、深度数据及/或材料密度数据中的至少一者。目标参考值基于由独立计量站所产生的测量值。目标参考值与衬底和位置识别数据一起被储存。
模型化用于将光谱和目标参考值关联以及用于产生学习模型。之后，学习模型用于将针对生产衬底的光谱转换成物理衬底参数(例如衬底于特定位置处的厚度)，这将进一步描述如下。
当扩增至生产量时，衬底处理系统和计量系统被复制以规模化衬底的生产。在生产期间，独立计量系统的相对高成本通常使得使用成本太高。根据本公开，由较便宜的质量计量站取代独立的计量系统，且不再需要昂贵的独立计量系统，如此降低了成本。
在生产期间，光学计量系统产生如上所述的针对生产衬底的光谱。光谱被馈送给产生物理参数(例如厚度数据或用于衬底的多个测量位置的其它衬底物理参数)的学习模型。质量计量站用于产生每个衬底的质量或质量变化数据。
测量位置的厚度数据作为输入被提供给空间厚度分布模块，其确定表面模型或衬底的顶表面的曲率。空间模型定义了衬底或在衬底的整个表面上的衬底的层的厚度。质量或质量变化被空间厚度分布模型作为回归分析的限制或边界条件。换句话说，已增加或移除的层的密度是已知的，且质量变化也是已知的。因此，质量或质量变化用于限制空间模型。得到的衬底表面的空间厚度分布模型用于确定衬底于测量位置以外的位置的顶表面的厚度。厚度可与质量或质量变化结合使用以诊断系统性能及改变后续衬底生产的工艺参数。
现在参考图1A，示出了于训练期间的计量系统100。衬底运输和搬运系统128可包括一或多个机械手、转移站及/或用于将衬底运输和传送到计量系统100的计量站的其它设备。在一些示例中，衬底通过包括机械手和相机的系统准确定位，但是也可以使用其它方法。例如，用于定位衬底的合适系统被描述于共同转让的美国专利公开No.20170028560，其于2017年2月2日公开且名称为“System and Method for Wafer Alignment andCentering with CCD Camera and Robot”,而所述文献的全部内容通过引用并入本文。
计量系统100包括独立计量站110以产生用于产生学习模型的目标参考值。在一些示例中，独立计量站110包括衬底支撑件112。衬底114布置在衬底支撑件112上，并且对衬底114进行物理测量。在一些示例中，独立计量站110是高成本和高准确度的计量站，例如光学计量站。独立计量站110产生高准确度的计量数据。于下文将进一步描述的目标参考值由独立计量站110至少针对由下述的光学计量站使用到的测量位置产生。在一些示例中，由独立计量站110产生的目标测量值包括厚度数据、临界尺寸数据、深度数据及/或材料密度数据中的至少一者。
计量系统100还包括光学计量站126。光学计量站126包括在进行光学计量测量期间支撑衬底114的衬底支撑件130。光学计量站126于衬底上的多个测量位置产生光谱。
光学计量站126包括用于多个测量位置中的每一个的多个光学传感器136-1、136-2、…和136-X(统称为光学传感器136)，其中X是大于1的整数。多个光学传感器136-1、136-2、…和136-X每一个分别通过光缆138-1、138-2、...和138-X(统称为光缆138)连接至光谱仪150。包括多个断续器142-1、142-2、...和142-X(统称断续器142)的多路调制器140可用于将光缆138中选定的一个输出给光谱仪150。
如下面将进一步描述的，独立计量站110及/或光学计量站126可包括：一或多个传感器152(例如光学传感器、照相机、物理传感器等)以感测衬底相对于衬底支撑件的位置；和控制系统，其用于根据需求调整衬底的位置。例如，确定衬底在平行衬底支撑件112及/或130的上表面的平面中的x-y轴位置，及/或相对于期望旋转位置确定衬底的缺口(notch)的旋转位置。
在学习模型的训练模式期间，使用光学计量站126和独立计量站110二者，在多个衬底中的每一个的多个测量位置进行衬底测量。计量数据包括光谱数据和目标参考值(连同衬底识别和位置数据)被储存(例如在数据库中)以用于后续分析。
计量系统100还包括一或多个控制器154(统称为控制器154)以控制工艺、衬底运输和搬运及/或计量站。控制器154与独立计量站110、光学计量站126、衬底运输和搬运系统128、光谱仪150及/或多路调制器140进行通信，并协调衬底的传送和定位及计量测量。控制器154接收来自独立计量站110和光学计量站126的计量数据。在一些示例中，计量数据储存在数据库158中。
控制器154还可包括模型化模块162。在一些示例中，模型化模块162建立基于光谱和目标参考值使用机器学习的学习模型。在一些示例中，机器学习包括监督式学习模型，其选自于由线性模型、支持向量机器模型、判定树模型、随机森林模型和高斯模型所组成的群组。机器学习的示例包括主成分分析(PCA)、神经网络、自动编码器、回归及/或偏最小平方(PLS)。自动编码器描述于斯坦福大学的“Unsupervised Feature Learning and DeepLearning Tutorial”(http://ufldl.stanford.edu/tutorial/unsupervised/Autoencoders/)，其全部内容通过引用合并于本文。在其它示例中，模型化模块162使用第一原理模型，例如菲涅耳(Fresnel)多光束干涉、严格耦合波分析(Rigorous Coupled-WaveAnalysis，RCWA)或时域有限差分(Finite-Difference Time-Domain，FDTD)。
学习模型将由光学计量站126产生的光谱与由独立计量站110产生的目标参考值相关联。之后，学习模型可在生产期间直接根据光谱而无需产生目标参考值来产生厚度值。一旦在训练模式期间产生学习模型，便不再需要独立计量站110，这降低了计量系统的成本，如下面将进一步描述的。
空间模型化模块170基于学习模型于测量位置产生的厚度来产生用于衬底的空间厚度分布模型。当产生空间模型时，质量计量站产生的质量计量数据(于下面进一步描述)作为回归分析的限制或边界条件。
现在参考图1B和1C。在一些示例中，衬底支撑件130的位置由衬底定位设备173调整。衬底定位设备173调整衬底114在x、y或z轴方向上的位置及/或旋转衬底114。光谱测量可在一或多个静态位置及/或一或多个动态位置处进行。
替代改变衬底支撑件的位置，或是附加于改变衬底支撑件的位置，光学传感器定位设备172-1、...172-X(统称为定位设备172)可以分别调整光学传感器136-1、...136-X的位置。衬底定位设备172调整衬底114在x、y或z轴方向上的位置及/或旋转衬底114。光谱计量可在一或多个静态位置及/或一或多个动态位置处进行。
在图1C中，替代改变衬底支撑件的位置，或是附加于改变衬底支撑件的位置，光学传感器定位设备174可将光学传感器136-1、.....136-X的位置共同地调整。衬底定位设备170调整衬底114在x、y或z轴方向上的位置及/或旋转衬底114。光谱计量可在一或多个静态位置及/或一或多个动态位置处进行。
在图1D中，光学传感器178-1、...178-Y(统称为光学传感器178)(其中Y是大于零的整数)配置在衬底114下方，使测量在衬底114的相对表面上进行。衬底114的边缘可通过类似使用于旋转卡盘中的边缘夹持销或使用任何其它合适的设备来啮合。替代地，通过反转衬底114并再次测量衬底114，图1A中的光学传感器136可用于衬底114的两个表面。在处理期间，膜可沉积在衬底的背面上。沉积在晶片背面的膜不会影响正面的厚度测量。然而，衬底背面上的膜增加了衬底的质量并影响质量变化或质量差量(delta)(处理后的质量减去处理前的质量)。对衬底背面上的厚度进行测量可用于获得更准确的质量差量测量值并且进一步限制空间厚度分布模型，于下面进一步描述的。
除了前述之外，在一些示例中，在膜处理之前，输入的衬底的厚度可通过使用光学传感器136及/或178测量。用于膜处理(如沉积或蚀刻)之后的输出的衬底的空间厚度分布模型可基于质量差量和输入的衬底在整个晶片上的厚度变化的组合而被限制。
现在参考图2A～2B，计量系统和衬底运输和搬运系统128确保衬底相对于衬底支撑件被正确地定位。换句话说，衬底被正确地定位在与衬底支撑件平行的平面中。另外，衬底的旋转位置相对于参考位置或衬底支撑件是正确的。在图2A中，衬底114可包括位于其径向外边缘上的缺口178使得衬底114的旋转定位准确。
在图2B中，光学传感器136可使用大的光束直径。例如，衬底114可包括彼此相邻配置的多个管芯180。在一些示例中，光学传感器136可具有从多个管芯(例如，至少九个相邻管芯180)中至少部分地捕获数据的光束直径。使用较大的光束消除了测量对精确照射点的依赖性，并允许横跨多个管芯进行有效的空间平均化。
现在参考图3，一旦建立了学习模型，学习模型将于测量位置进行的后续光谱测量转换为厚度测量。在图3中，下述的空间厚度分布模块使用测量位置的厚度以至少部分地定义空间厚度分布模型。换句话说，厚度测量是用于建立衬底的空间模型。所述模型在围绕衬底中心的径向方向上可以是均匀的或不均匀的(例如3D模型)。质量计量系统提供质量或质量变化给空间厚度分布模块。当使用回归分析或其它方法确定上表面的曲率时，质量或质量变化系作为限制或边界条件。
现在参考图4A和4B，示出用于产生学习模型的方法200。在图4A的步骤220中，将衬底定位于衬底支撑件上。在一些示例中，对衬底进行精确定位(例如，相对于平行于衬底支撑件的上表面的平面中的X-Y位置及/或衬底缺口的旋转定位)。在步骤224，光学计量系统针对每个衬底产生并储存位置和光谱配对。在一些示例中，于每个位置产生的光谱包括多个波长。
在步骤228，独立计量系统至少在由光学计量系统测量的相同位置产生并储存衬底的目标参考值。如在步骤232所确认，对另外的衬底重复所述工艺。当已经测量了足够数量的衬底样本时，在步骤238，使用机器学习将测得的光谱与在每个位置测量的目标参考值相关联并产生学习模型。
在图4B中，如步骤240所示，机器学习可包括执行主成分分析(PCA)并确定多个主成分分数。在步骤242，使用机器学习将多个主成分分数与目标参考值相关联。
例如，主成分分析(PCA)可用于从多个样本衬底上的测量位置产生的光谱。每个主成分具有向量，其为波长的函数。第一主成分对应于具有最高变异数的第一波长。其它主成分对应于具有次高变异数的其它波长。所有主成分的子集可以使用。例如，10个主成分可用于每个光谱。
光谱是通过每个主成分的分数投射至主成分空间。在由预定数量的衬底的测量位置产生预定数量的样本之后，可以产生包括主成分分数的第一矩阵，可以产生具有主成分向量的第二矩阵，且可以产生包括对应的目标值的第三矩阵。可使用任何合适的方法(例如神经网络、线性回归、非线性模型等)从这些矩阵产生学习向量或模型。学习模型用于在生产期间不需要目标参考值的情况下将在生产期间进行的后续光谱测量转换为厚度值和每个衬底的空间厚度分布模型(受来自质量计量站的质量测量所限制)。质量测量和空间厚度分布模型的组合可用于评估工艺的操作及/或调整于后续衬底的生产期间使用的工艺参数。
现在参考图5，示出了在生产配置中的计量系统300。由较便宜的质量计量站310取代独立的计量系统110，并且不再使用独立计量系统110，这显著降低了成本。在一些示例中，质量计量站310补偿一或多个参数，例如倾斜、温度、湿度、压力、高度、重力及/或浮力。在一些示例中，质量计量站310包括具有内部重力校准的载荷单元。合适的质量计量站可从Lam Research Company的Metryx获得。例如，提供重力、温度和/或浮力补偿的合适的质量计量站描述于共同拥有的美国专利No.9,228,886中，其名称为“Semiconductor WaferWeight Metrology Apparatus”，其全部内容通过引用整体合并于此。
在学习模型的训练模式期间产生的学习模型与质量计量站310输出的质量测量结果一并使用以确定各种参数，例如层的厚度、表面空间模型或其它参数(将于下面进一步叙述)。虽然质量计量站310和光学计量站126示出为分开的工作站，但是质量计量站310和光学计量站126可共同位于同一工作站中。换句话说，光学传感器可配置在位于相同工作站的载荷单元的上方。
在生产模式期间，光学计量系统产生如上所述的光谱。光谱被馈送至产生物理参数(例如厚度数据或用于衬底的多个测量位置的其它衬底物理参数)的学习模型。质量计量站产生每个衬底的质量或质量变化数据。质量变化数据可以使用衬底预测量值和后测量值来产生。
测量位置的厚度数据作为输入被提供给空间厚度分布模块，其确定衬底的表面模型或顶表面的曲率。空间厚度分布模型使用质量作为回归分析的限制或边界条件。得到的衬底表面的空间厚度分布模型用于确定衬底于测量位置以外的位置的顶表面的厚度。厚度是可与质量或质量变化结合使用以诊断系统性能及改变后续衬底生产的工艺参数。
现在参考图6，示出了方法400，其使用学习模型、由光学计量站产生的光谱和由质量计量站产生的质量来确定衬底的物理参数。在410，衬底定位于光学计量站中的衬底支撑件上。在414，光学计量系统产生及储存衬底的位置和光谱配对。在424，质量计量系统用以确定在衬底处理之前和之后的衬底的质量或质量变化。
在432，在训练模式期间产生的学习模型系是生产期间用于将测量位置的光谱转换为厚度值或其它参数。在436，由空间厚度分布模块使用测量位置处的厚度来确定衬底顶表面的空间厚度分布模型的参数。在回归分析期间，质量或质量变化计量用作限制或边界条件。在440，使用厚度、空间厚度分布模型或其它参数来调整工艺参数。
现在参考图7，示出了方法500，其使用学习模型、由光学计量站产生的光谱和由质量计量站产生的质量确定衬底的物理参数。在510，衬底定位于光学计量站中的衬底支撑件上。在514，光学计量系统产生并储存衬底的位置和光谱配对。在520，对光谱执行主成分分析。在524，质量计量系统用以确定在衬底处理之前和之后的衬底的质量或质量变化。
在528，在训练模式期间产生的学习模型是在生产期间用于将主成分分析转换为厚度值或其它参数。在536，由空间厚度分布模块使用测量位置处的厚度来确定衬底顶表面的空间厚度分布模型的参数。在回归分析期间，质量或质量变化计量用作限制或边界条件。在540，使用厚度、空间厚度分布模型或其它参数来调整工艺参数。
前面的描述本质上仅仅是说明性的，并且绝不旨在限制本公开、其应用或用途。本公开的广泛教导可以以各种形式实现。因此，虽然本公开包括特定示例，但是本公开的真实范围不应当被如此限制，因为在研究附图、说明书和所附权利要求时，其他修改将变得显而易见。应当理解，在不改变本公开的原理的情况下，方法中的一个或多个步骤可以以不同的顺序(或同时地)执行。此外，虽然每个实施方式在上面被描述为具有某些特征，但是相对于本公开的任何实施方式描述的那些特征中的任何一个或多个，可以在任何其它实施方式的特征中实现和/或与任何其它实施方式的特征组合，即使所述组合没有明确描述。换句话说，所描述的实施方式不是相互排斥的，并且一个或多个实施方式彼此的置换保持在本公开的范围内。
使用各种术语来描述元件之间(例如，模块之间、电路元件之间、半导体层之间等)的空间和功能关系，各种术语包括“连接”、“接合”、“耦合”、“相邻”、“紧挨”、“在...顶部”、“在...上面”、“在...下面”和“设置”。除非将第一和第二元件之间的关系明确地描述为“直接”，否则在上述公开中描述这种关系时，所述关系可以是直接关系，其中在第一和第二元件之间不存在其它中间元件，但是也可以是间接关系，其中在第一和第二元件之间(在空间上或功能上)存在一个或多个中间元件。如本文所使用的，短语“A、B和C中的至少一个”应当被解释为意味着使用非排他性逻辑或(OR)的逻辑(A或B或C)，并且不应被解释为表示“A中的至少一个、B中的至少一个和C中的至少一个”。
在一些实现方式中，控制器是系统的一部分，所述系统可以是上述示例的一部分。这样的系统可以包括半导体处理设备，半导体处理设备包括一个或多个处理工具、一个或多个室、用于处理的一个或多个平台、和/或特定处理部件(晶片基座、气体流系统等)。这些系统可以与用于在半导体晶片或衬底的处理之前、期间和之后控制它们的操作的电子器件集成。电子器件可以被称为“控制器”，其可以控制一个或多个系统的各种部件或子部件。根据处理要求和/或系统类型，控制器可以被编程以控制本文公开的任何工艺，包括处理气体的输送、温度设置(例如加热和/或冷却)、压力设置、真空设置、功率设置、射频(RF)产生器设置、RF匹配电路设置、频率设置、流率设置、流体输送设置、位置和操作设置、晶片转移进出工具和其他转移工具和/或与具体系统连接或通过接口连接的加载锁。
概括地说，控制器可以定义为电子器件，电子器件具有接收指令、发出指令、控制操作、启用清洁操作、启用端点测量等的各种集成电路、逻辑、存储器和/或软件。集成电路可以包括存储程序指令的固件形式的芯片、数字信号处理器(DSP)、定义为专用集成电路(ASIC)的芯片、和/或一个或多个微处理器、或执行程序指令(例如，软件)的微控制器。程序指令可以是以各种单独设置(或程序文件)的形式发送到控制器的指令，单独设置(或程序文件)定义用于在半导体晶片或系统上或针对半导体晶片或系统执行特定工艺的操作参数。在一些实施方式中，操作参数可以是由工艺工程师定义的配方的一部分，以在一或多个(种)层、材料、金属、氧化物、硅、二氧化硅、表面、电路和/或晶片的管芯的制造期间完成一个或多个处理步骤。
在一些实现方式中，控制器可以是与系统集成、耦合到系统、以其它方式联网到系统或其组合的计算机的一部分或耦合到所述计算机。例如，控制器可以在“云”中或是晶片厂(fab)主机系统的全部或一部分，其可以允许对晶片处理的远程访问。计算机可以实现对系统的远程访问以监视制造操作的当前进展、检查过去制造操作的历史、检查多个制造操作的趋势或性能标准，改变当前处理的参数、设置处理步骤以跟随当前的处理、或者开始新的处理。在一些示例中，远程计算机(例如服务器)可以通过网络(其可以包括本地网络或因特网)向系统提供工艺配方。远程计算机可以包括使得能够输入或编程参数和/或设置的用户界面，然后将所述参数和/或设置从远程计算机发送到系统。在一些示例中，控制器接收数据形式的指令，其指定在一个或多个操作期间要执行的每个处理步骤的参数。应当理解，参数可以特定于要执行的工艺的类型和工具的类型，控制器被配置为与所述工具接口或控制所述工具。因此，如上所述，控制器可以是例如通过包括联网在一起并朝着共同目的(例如本文所述的工艺和控制)工作的一个或多个分立的控制器而呈分布式。用于这种目的的分布式控制器的示例是在与远程(例如在平台级或作为远程计算机的一部分)的一个或多个集成电路通信的室上的一个或多个集成电路，其组合以控制在室上的工艺。
示例系统可以包括但不限于等离子体蚀刻室或模块、沉积室或模块、旋转漂洗室或模块、金属电镀室或模块、清洁室或模块、倒角边缘蚀刻室或模块、物理气相沉积(PVD)室或模块、化学气相沉积(CVD)室或模块、原子层沉积(ALD)室或模块、原子层蚀刻(ALE)室或模块、离子注入室或模块、轨道室或模块、以及可以与半导体晶片的制造和/或制备相关联或用于半导体晶片的制造和/或制备的任何其它半导体处理系统。
如上所述，根据将由工具执行的一个或多个处理步骤，控制器可以与一个或多个其他工具电路或模块、其它工具部件、群集工具、其他工具接口、相邻工具、邻近工具、位于整个工厂中的工具、主计算机、另一控制器、或在将晶片容器往返半导体制造工厂中的工具位置和/或装载口运输的材料运输中使用的工具通信。
Claims (29)
1.一种用于衬底处理的计量系统，其包括：
光学计量站，其包括：
多个光学传感器，其用于测量来自衬底上的多个测量位置的光谱；
多个光缆，其连接所述多个光学传感器；以及
光谱仪，其选择性地连接所述多个光缆；
质量计量站，其用于测量所述衬底的质量或质量变化中的至少一者；以及
控制器，其包括：
模型化模块，其基于来自所述多个测量位置的所述光谱以及学习模型，产生所述多个测量位置的厚度值；以及
空间模型化模块，其基于来自所述模型化模块的所述多个测量位置的所述厚度值以及来自所述质量计量站的所述质量或所述质量变化中的所述至少一者，产生用于所述衬底的空间厚度分布模型。
2.根据权利要求1所述的计量系统，其还包括分别连接所述多个光缆的多个断续器，其中所述多个断续器被配置用于顺序地每次将来自所述多个光缆中的一个的光谱输出到所述光谱仪。
3.根据权利要求1所述的计量系统，其中所述学习模型使用机器学习产生。
4.根据权利要求3所述的计量系统，其中所述机器学习包括监督式学习模型，其选自于由线性模型、支持向量机器模型、判定树模型、随机森林模型和高斯模型所组成的群组。
5.根据权利要求1所述的计量系统，其中所述学习模型以第一原理模型为基础。
6.根据权利要求5所述的计量系统，其中所述第一原理模型选自于由菲涅耳多光束干涉、严格耦合波分析(RCWA)或者时域有限差分(FDTD)所组成的群组。
7.根据权利要求1所述的计量系统，其中所述衬底包括多个管芯且其中所述光学传感器具有从多个邻接管芯的部分产生样本的光束直径。
8.根据权利要求1所述的计量系统，其中，所述学习模型通过如下方式产生：将来自多个样本衬底的多个测量位置的所述光谱与由独立计量站针对所述多个样本衬底的所述多个测量位置产生的厚度数据、关键尺寸数据、深度数据和材料密度数据中的至少一者相关联。
9.根据权利要求1所述的计量系统，其中所述学习模型通过执行主成分分析而产生。
10.根据权利要求1所述的计量系统，其中所述空间模型化模块使用所述质量或所述质量变化中的所述至少一者作为回归分析期间的限制或边界条件中的至少一者。
11.根据权利要求1所述的计量系统，其中所述学习模型使用自动编码器产生。
12.根据权利要求1所述的计量系统，其还包括光学传感器定位器，其用于调整所述光学传感器中的至少一者的位置。
13.根据权利要求1所述的计量系统，其还包括衬底支撑件定位器，以调整所述衬底支撑件的位置。
14.根据权利要求1所述的计量系统，其中所述多个光学传感器测量来自所述衬底的相对的表面的光谱。
15.根据权利要求1所述的计量系统，其中所述空间模型化模块进一步基于在膜处理前的所述衬底的厚度而产生用于所述衬底的所述空间厚度分布模型。
16.一种用于提供衬底处理的计量的方法，其包括：
提供光学计量站，所述光学计量站包括多个光学传感器以测量来自衬底上的多个测量位置的光谱；
测量所述衬底的质量或质量变化中的至少一者；
基于来自所述多个测量位置的所述光谱和学习模型，产生在所述衬底的所述多个测量位置的厚度值；以及
基于所述多个测量位置的所述厚度值以及所述质量或所述质量变化中的所述至少一者，产生用于所述衬底的空间厚度分布模型。
17.根据权利要求16所述的方法，其中，所述学习模型使用机器学习产生。
18.根据权利要求17所述的方法，其中所述机器学习包括监督式学习模型，其选自于由线性模型、支持向量机器模型、判定树模型、随机森林模型和高斯模型所组成的群组。
19.根据权利要求16所述的方法，其中，所述模型以第一原理模型为基础。
20.根据权利要求19所述的方法，其中所述第一原理模型选自于由菲涅耳多光束干涉、严格耦合波分析(RCWA)或者时域有限差分(FDTD)所组成的群组。
21.根据权利要求16所述的方法，其中所述衬底包括多个管芯且其中所述光学传感器具有足以从多个邻接管芯的部分产生样本的光束直径。
22.根据权利要求16所述的方法，其还包括通过如下方式产生所述学习模型：将来自多个样本衬底的多个测量位置的所述光谱与由独立计量站针对所述多个样本衬底的所述多个测量位置产生的厚度数据、关键尺寸数据、深度数据和材料密度数据中的至少一者相关联。
23.根据权利要求16所述的方法，其还包括通过执行主成分分析来产生所述模型。
24.根据权利要求16所述的方法，其还包括：使用所述质量或所述质量变化中的所述至少一者作为在对所述空间厚度分布模型进行回归分析期间的限制或边界条件中的至少一者。
25.根据权利要求16所述的方法，其进一步包含使用自动编码来产生所述学习模型。
26.根据权利要求16所述的方法，其进一步包括在测量针对所述衬底的所述光谱期间调整所述光学传感器中的至少一者的位置。
27.根据权利要求16所述的方法，其还包括在测量针对所述衬底的所述光谱期间，调整支撑所述衬底的衬底支撑件的位置。
28.根据权利要求16所述的方法，其中从所述衬底的相对的表面产生光谱。
29.根据权利要求16所述的方法，其还包括：
在膜处理之前产生所述衬底的厚度；以及
进一步基于在膜处理前的所述衬底的所述厚度而产生用于所述衬底的所述空间厚度分布模型。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/696,768 US10989652B2 (en) | 2017-09-06 | 2017-09-06 | Systems and methods for combining optical metrology with mass metrology |
| US15/696,768 | 2017-09-06 | ||
| PCT/US2018/049192 WO2019050801A1 (en) | 2017-09-06 | 2018-08-31 | SYSTEMS AND METHODS FOR COMBINING OPTICAL METROLOGY AND MASS METROLOGY |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111066131A true CN111066131A (zh) | 2020-04-24 |
Family
ID=65517215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880057888.9A Pending CN111066131A (zh) | 2017-09-06 | 2018-08-31 | 将光学计量与质量计量相结合的系统和方法 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US10989652B2 (zh) |
| EP (1) | EP3679598B1 (zh) |
| JP (1) | JP7274460B2 (zh) |
| KR (1) | KR102609122B1 (zh) |
| CN (1) | CN111066131A (zh) |
| IL (1) | IL273081B2 (zh) |
| TW (1) | TWI782082B (zh) |
| WO (1) | WO2019050801A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114466728A (zh) * | 2019-07-26 | 2022-05-10 | 朗姆研究公司 | 用于自动化晶片搬运机械手教导与健康检查的整合适应性定位系统及例程 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021030833A1 (en) * | 2019-08-09 | 2021-02-18 | Lam Research Corporation | Model based control of wafer non-uniformity |
| DE102020100565A1 (de) * | 2020-01-13 | 2021-07-15 | Aixtron Se | Verfahren zum Abscheiden von Schichten |
| US11353364B2 (en) | 2020-03-02 | 2022-06-07 | Lam Research Corporation | Thermal imaging for within wafer variability feedforward or feedback information |
| US20210408235A1 (en) * | 2020-06-25 | 2021-12-30 | Taiwan Semiconductor Manufacturing Co., Ltd. | Semiconductor device with silicide gate fill structure |
| WO2022005916A1 (en) * | 2020-06-29 | 2022-01-06 | Applied Materials, Inc. | Film thickness estimation from machine learning based processing of substrate images |
| US20220165593A1 (en) * | 2020-11-24 | 2022-05-26 | Applied Materials, Inc. | Feedforward control of multi-layer stacks during device fabrication |
| TWI773034B (zh) * | 2020-12-18 | 2022-08-01 | 日月光半導體製造股份有限公司 | 監測設備之系統及方法 |
| US11709477B2 (en) | 2021-01-06 | 2023-07-25 | Applied Materials, Inc. | Autonomous substrate processing system |
| US11881436B2 (en) * | 2021-07-07 | 2024-01-23 | Applied Materials, Inc. | Pre and post processing metrology apparatus |
| US20230169643A1 (en) * | 2021-11-30 | 2023-06-01 | Applied Materials, Inc. | Monitoring of deposited or etched film thickness using image-based mass distribution metrology |
| GB202304352D0 (en) | 2023-03-24 | 2023-05-10 | Metryx Ltd | Metrology apparatus |
Family Cites Families (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5018007A (en) * | 1989-08-04 | 1991-05-21 | Universal Applied Sciences Inc. | Thin projection screen having a liquid crystal display screen overlaid a sheet of fiber optic cables |
| US5900633A (en) * | 1997-12-15 | 1999-05-04 | On-Line Technologies, Inc | Spectrometric method for analysis of film thickness and composition on a patterned sample |
| TW428079B (en) * | 1998-12-24 | 2001-04-01 | Sharp Kk | Thickness measurement apparatus of thin film using light interference method |
| US6284986B1 (en) | 1999-03-15 | 2001-09-04 | Seh America, Inc. | Method of determining the thickness of a layer on a silicon substrate |
| US6791310B2 (en) | 1999-03-15 | 2004-09-14 | Therma-Wave, Inc. | Systems and methods for improved metrology using combined optical and electrical measurements |
| IL130874A (en) * | 1999-07-09 | 2002-12-01 | Nova Measuring Instr Ltd | System and method for measuring pattern structures |
| US6694284B1 (en) | 2000-09-20 | 2004-02-17 | Kla-Tencor Technologies Corp. | Methods and systems for determining at least four properties of a specimen |
| US6826347B2 (en) * | 2001-07-12 | 2004-11-30 | Ngk Insulators, Ltd. | Two-dimensional optical element array and two-dimensional waveguide apparatus |
| US6940592B2 (en) | 2001-10-09 | 2005-09-06 | Applied Materials, Inc. | Calibration as well as measurement on the same workpiece during fabrication |
| US6678055B2 (en) * | 2001-11-26 | 2004-01-13 | Tevet Process Control Technologies Ltd. | Method and apparatus for measuring stress in semiconductor wafers |
| US7005306B1 (en) * | 2003-07-11 | 2006-02-28 | Nanometrics Incorporated | Accurate thickness measurement of thin conductive film |
| US20050020073A1 (en) * | 2003-07-22 | 2005-01-27 | Lam Research Corporation | Method and system for electronic spatial filtering of spectral reflectometer optical signals |
| JP2007040930A (ja) * | 2005-08-05 | 2007-02-15 | Ebara Corp | 膜厚測定方法及び基板処理装置 |
| US20070249071A1 (en) * | 2006-04-21 | 2007-10-25 | Lei Lian | Neural Network Methods and Apparatuses for Monitoring Substrate Processing |
| GB0719460D0 (en) | 2007-10-04 | 2007-11-14 | Metryx Ltd | Measurement apparatus and method |
| JP5681452B2 (ja) * | 2010-11-08 | 2015-03-11 | 株式会社ディスコ | 測定方法および測定装置 |
| US8577820B2 (en) | 2011-03-04 | 2013-11-05 | Tokyo Electron Limited | Accurate and fast neural network training for library-based critical dimension (CD) metrology |
| JP5660026B2 (ja) * | 2011-12-28 | 2015-01-28 | 信越半導体株式会社 | 膜厚分布測定方法 |
| US20130203188A1 (en) | 2012-02-03 | 2013-08-08 | Globalfoundries Inc. | Hybrid metrology for semiconductor devices |
| US9330985B2 (en) | 2012-03-13 | 2016-05-03 | GlobalFoundries, Inc. | Automated hybrid metrology for semiconductor device fabrication |
| US20140333936A1 (en) * | 2013-05-10 | 2014-11-13 | Industrial Technology Research Institute | Thickness measuring system and method for a bonding layer |
| JP6293519B2 (ja) * | 2014-03-05 | 2018-03-14 | 株式会社荏原製作所 | 研磨装置および研磨方法 |
| US10152678B2 (en) | 2014-11-19 | 2018-12-11 | Kla-Tencor Corporation | System, method and computer program product for combining raw data from multiple metrology tools |
| KR102125284B1 (ko) * | 2015-03-11 | 2020-07-08 | 에이에스엠엘 네델란즈 비.브이. | 검사와 계측을 위한 방법 및 장치 |
| US9831110B2 (en) | 2015-07-30 | 2017-11-28 | Lam Research Corporation | Vision-based wafer notch position measurement |
| KR102686592B1 (ko) * | 2015-08-04 | 2024-07-19 | 노바 엘티디. | 박막 내 하이브리드 측정 시스템 및 측정 방법 |
| US10236222B2 (en) * | 2017-02-08 | 2019-03-19 | Kla-Tencor Corporation | System and method for measuring substrate and film thickness distribution |
-
2017
- 2017-09-06 US US15/696,768 patent/US10989652B2/en active Active
-
2018
- 2018-08-31 WO PCT/US2018/049192 patent/WO2019050801A1/en unknown
- 2018-08-31 EP EP18854360.7A patent/EP3679598B1/en active Active
- 2018-08-31 CN CN201880057888.9A patent/CN111066131A/zh active Pending
- 2018-08-31 KR KR1020207009665A patent/KR102609122B1/ko active IP Right Grant
- 2018-08-31 JP JP2020513515A patent/JP7274460B2/ja active Active
- 2018-09-03 TW TW107130808A patent/TWI782082B/zh active
-
2020
- 2020-03-05 IL IL273081A patent/IL273081B2/en unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114466728A (zh) * | 2019-07-26 | 2022-05-10 | 朗姆研究公司 | 用于自动化晶片搬运机械手教导与健康检查的整合适应性定位系统及例程 |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI782082B (zh) | 2022-11-01 |
| TW201928285A (zh) | 2019-07-16 |
| EP3679598A4 (en) | 2021-05-05 |
| US10989652B2 (en) | 2021-04-27 |
| KR20200040309A (ko) | 2020-04-17 |
| IL273081B2 (en) | 2023-08-01 |
| EP3679598B1 (en) | 2022-07-20 |
| JP7274460B2 (ja) | 2023-05-16 |
| WO2019050801A1 (en) | 2019-03-14 |
| EP3679598A1 (en) | 2020-07-15 |
| IL273081B1 (en) | 2023-04-01 |
| IL273081A (en) | 2020-04-30 |
| KR102609122B1 (ko) | 2023-12-01 |
| US20190072482A1 (en) | 2019-03-07 |
| JP2020533787A (ja) | 2020-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI782082B (zh) | 用以結合光學量測與質量量測之系統及方法 | |
| CN108140588B (zh) | 用于半导体设备的匹配腔室性能的方法 | |
| US7531368B2 (en) | In-line lithography and etch system | |
| US7373216B1 (en) | Method and apparatus for verifying a site-dependent wafer | |
| US7596423B2 (en) | Method and apparatus for verifying a site-dependent procedure | |
| US7650200B2 (en) | Method and apparatus for creating a site-dependent evaluation library | |
| WO2021030833A1 (en) | Model based control of wafer non-uniformity | |
| JP2022522467A (ja) | 基板搬送ロボットの自動較正用治具 | |
| US20060007453A1 (en) | Feature dimension deviation correction system, method and program product | |
| TW201842400A (zh) | 最佳化用於製造產品單元之製程序列 | |
| TW202043750A (zh) | 半導體裝置中參數穩定之錯位測量改善 | |
| JP5200276B2 (ja) | インラインリソグラフィ及びエッチングシステム | |
| US7783374B2 (en) | Method and apparatus for performing a site-dependent dual damascene procedure | |
| US7935545B2 (en) | Method and apparatus for performing a site-dependent dual patterning procedure | |
| WO2024069684A1 (ja) | 半導体デバイスの製造システム及び製造方法 | |
| TW202117880A (zh) | 多工具參數集校準和偏移測量系統及方法 | |
| CN118525364A (zh) | 使用基板测量的腔室部件条件估计 | |
| EP1245037A1 (en) | Automated high-density plasma (hdp) workpiece temperature control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200424 |