CN111190393A - 半导体制程自动化控制方法及装置 - Google Patents
半导体制程自动化控制方法及装置 Download PDFInfo
- Publication number
- CN111190393A CN111190393A CN201811353775.1A CN201811353775A CN111190393A CN 111190393 A CN111190393 A CN 111190393A CN 201811353775 A CN201811353775 A CN 201811353775A CN 111190393 A CN111190393 A CN 111190393A
- Authority
- CN
- China
- Prior art keywords
- target
- current process
- parameter
- historical
- recommended
- 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
- 238000000034 method Methods 0.000 title claims abstract description 324
- 239000004065 semiconductor Substances 0.000 title claims abstract description 62
- 238000004801 process automation Methods 0.000 title claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 211
- 235000012431 wafers Nutrition 0.000 claims abstract description 48
- 230000007613 environmental effect Effects 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims description 38
- 238000012423 maintenance Methods 0.000 claims description 37
- 238000004519 manufacturing process Methods 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 35
- 238000010586 diagram Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 12
- 238000000151 deposition Methods 0.000 description 6
- 230000008021 deposition Effects 0.000 description 6
- 238000005498 polishing Methods 0.000 description 6
- 238000009792 diffusion process Methods 0.000 description 4
- 238000005530 etching Methods 0.000 description 4
- 239000010408 film Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001459 lithography Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 238000010977 unit operation Methods 0.000 description 3
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000013074 reference sample Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000005275 alloying Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Images
Classifications
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41835—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by programme execution
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41845—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本公开的实施例提出一种半导体制程自动化控制方法及装置、电子设备和计算机可读存储介质,属于半导体技术领域。该半导体制程自动化控制方法包括:获取目标机台的当前制程的目标控制模型以及所述目标控制模型采用的目标权重和参考的目标样本数;根据所述目标控制模型、所述目标权重和所述目标样本数获得所述目标机台的当前制程的初始建议制程参数;获取并根据所述目标机台的当前制程的环境数据和当前累积已制程晶圆数量调整所述当前制程的初始建议制程参数,获得所述目标机台的当前制程的目标建议制程参数。
Description
技术领域
本公开属于半导体技术领域,具体而言,涉及一种半导体制程自动化控制方法、半导体制程自动化控制装置、计算机可读存储介质及电子设备。
背景技术
半导体制造基本过程总体上可分为五个制造阶段,分别为晶圆制备、晶圆制造、晶圆测试/挑拣、装配与封装,以及终测。其中,晶圆制造和晶圆测试/挑拣又称作前端工艺,装配与封装和终测被称为后端工艺。前端工艺是集成电路制造中最复杂和最关键的部分。前端工艺主要完成晶圆上电路的印刷工作,前端工艺的加工步骤主要包括氧化、光刻、刻蚀、掺杂、沉积和平坦化。晶圆制造过程是许多复杂工艺步骤的交互。晶圆到达半导体制造窗,经过清洗、成膜、化学机械研磨(Chemical Mechanical Polishing,CMP)、光刻、刻蚀和掺杂等步骤,将整套的集成电路刻蚀在晶圆上。晶圆制造阶段,每一片晶圆都要经过几百道由上述基本制造过程组成的复杂工艺过程;为实现批量化定制生产,晶圆制造按照各自的工业配方,以成批次的方式组织生产。
半导体制造厂一般将半导体制造过程分为六个独立的生产区:扩散(包括氧化,膜淀积和掺杂工艺)、光刻、刻蚀、成膜、离子注入和化学机械研磨,这六个主要的生产区和相关步骤以及测量工具都在工厂的超净间区。扩散区是完成高温工艺及薄膜淀积的区域,主要制造装备是高温扩散炉和湿法清洗设备,以实现氧化、扩散、淀积、退火以及合金化的工艺流程。光刻区是将电路图形转移到覆盖有光刻胶的晶圆表面的区域,主要制造装备有涂胶/显影track机和步进式光刻机。刻蚀区是在晶圆上没有光刻胶保护的地方留下永久图形的区域,主要制造装备是等离子刻蚀机和等离子去胶机。离子注入区是杂质掺杂的区域,气体中带着要掺入的杂质在离子注入机中离化,通过高电压和磁场的加速,穿透涂胶晶圆的表面。薄膜区是完成各个步骤中介质层与金属层沉积的区域,主要制造工艺有化学气相沉积(Chemical Vapor Deposition,CVD)和物理气相沉积(Physical Vapor Deposition,PVD)。研磨区是完成晶圆表面平坦化的区域,平坦化是为了消除晶圆表面的凹凸不平给后续工艺带来的困难,主要制造装备是化学机械研磨机(抛光机)。
半导体产品集成度和制造产能的提高,使得半导体制造工艺变得越来越复杂,对半导体制造装备及其控制性能的要求越来越高。半导体制造过程Run-to-Run(简称R2R)控制方法的性能直接决定半导体产品的良率、再工次数和半导体制造企业的产能及经济效益。
随着集成电路、半导体领域关键尺寸不断的缩小以及制造过程越来越复杂,设备特性的漂移对产品的影响渐趋严重,因此对于设备和其控制性能的要求越来越高,为了保证产品的良率,增加生产效能及生产量,R2R已经是半导体重要的技术之一。
半导体制造过程控制可分为实时控制、R2R控制和监督控制三个层次。实时控制是加工腔体内的控制。监督控制是监督和跟踪晶圆从前一单元操作到后续单元操作是否需要调整某些参数,以便降低产品质量差异。
R2R控制是控制层次的中间层次,是同一单元操作不同批次间的控制,若每批次加工多个晶圆,多个晶圆称为一批(lot),此种情况下R2R控制的组态形式为Lot-to-Lot(L2L)。若每批次加工单个晶圆(wafer),此种情况下R2R控制的组态形式为W2W。
R2R主要的计算逻辑是利用当前制程生产后的量测结果反馈(Feedback)或者历史制程生产后的量测结果前馈(Feed-forward),预测当前制程的生产线量测结果,再利用此结果推算建议制程参数(recommend parameter)。
由于半导体制造过程均具有非线性、时变、质量不易在线测量和扰动不可测量的相同特性,几乎所有的半导体制造过程均可见R2R控制方法,如光刻、淀积、蚀刻、快速热处理和化学机械研磨等过程。
相关技术中采用的R2R控制模型,简单移动平均法(Simple Moving Average,SMA)应参考多少历史样本数或者指数权重移动平均法(Exponentially Weighted MovingAverage,EWMA)应采用多大权重和参考多少历史样本数来做计算,往往是以过去经验来设定,而导致预测结果的可信度不足。
需要说明的是,在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
根据本公开的一个方面,提供一种半导体制程自动化控制方法,包括:获取目标机台的当前制程的目标控制模型以及所述目标控制模型采用的目标权重和参考的目标样本数;根据所述目标控制模型、所述目标权重和所述目标样本数获得所述目标机台的当前制程的初始建议制程参数;获取并根据所述目标机台的当前制程的环境数据和当前累积已制程晶圆数量调整所述当前制程的初始建议制程参数,获得所述目标机台的当前制程的目标建议制程参数。
在本公开的一种示例性实施例中,获取目标机台的当前制程的目标控制模型以及所述目标控制模型采用的目标权重和参考的目标样本数,包括:获得所述目标机台的历史数据;根据所述目标机台的历史数据确定所述目标控制模型、所述目标权重和所述目标样本数。
在本公开的一种示例性实施例中,根据所述目标机台的历史数据确定所述目标控制模型、所述目标权重和所述目标样本数,包括:选取仿真方法,并选择所述仿真方法的参数的取值范围;将所述仿真方法和相应参数的取值范围内的取值进行组合,生成包括仿真方法和相应参数的取值组成的多个组;根据所述历史数据计算各个组的模拟推荐制程参数;根据各个组的模拟推荐制程参数计算各个组的预测量测结果;根据各个组的预测量测结果和所述历史数据确定所述目标方法、所述目标权重和所述目标样本数。
在本公开的一种示例性实施例中,所述仿真方法包括简单移动平均法和/或指数加权移动平均法,所述参数包括样本数和/或权重。
在本公开的一种示例性实施例中,所述历史数据包括所述目标机台的当前制程对应的当前保养周期内的各历史制程的真实量测结果。
在本公开的一种示例性实施例中,根据各个组的预测量测结果和所述历史数据确定所述目标控制模型、所述目标权重和所述目标样本数,包括:将各个组的预测量测结果和所述当前制程的前一历史制程的真实量测结果进行比对,获得各个组的差异值;取各个组中差异值最小的组对应的仿真方法、权重和样本数的取值分别作为所述目标控制模型、目标权重和目标样本数。
在本公开的一种示例性实施例中,还包括:获得所述目标机台的历史数据;基于所述历史数据训练参数调整模型。
在本公开的一种示例性实施例中,根据所述目标机台的当前制程的环境数据和当前累积已制程晶圆数量调整所述当前制程的初始建议制程参数,获得所述目标机台的当前制程的目标建议制程参数,包括:将所述当前制程的环境数据和当前累积已制程晶圆数量、所述初始建议制程参数输入至所述参数调整模型;通过所述参数调整模型输出所述目标建议制程参数。
在本公开的一种示例性实施例中,所述历史数据包括所述目标机台的保养周期、在各保养周期内的各历史生产批次的历史环境数据、历史累积已制程晶圆数量和历史建议制程参数。
在本公开的一种示例性实施例中,所述参数调整模型为人工神经网络模型或者回归模型。
在本公开的一种示例性实施例中,所述目标机台包括至少一个腔室,所述目标保养周期包括各腔室的保养周期。
在本公开的一种示例性实施例中,还包括:将所述目标机台的当前制程的目标建议制程参数发送至所述目标机台的控制器,以便于所述控制器根据所述目标建议制程参数进而调整所述当前制程。
根据本公开的一个方面,提供一种半导体制程自动化控制装置,包括:获取组合模块,配置为获取目标机台的当前制程的目标控制模型以及所述目标控制模型采用的目标权重和参考的目标样本数;初始建议获得模块,配置为根据所述目标控制模型、所述目标权重和所述目标样本数获得所述目标机台的当前制程的初始建议制程参数;参数调整模块,配置为根据所述目标机台的当前制程的环境数据和当前累积已制程晶圆数量调整所述当前制程的初始建议制程参数,获得所述目标机台的当前制程的目标建议制程参数。
在本公开的一种示例性实施例中,还包括:参数发送模块,配置为向所述目标机台的控制器发送所述目标建议制程参数,以便于所述控制器根据所述目标建议制程参数进而调整所述当前制程。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中任意一项所述的半导体制程自动化控制方法。
根据本公开的一个方面,提供一种电子设备,包括:处理器;存储器,用于存储所述处理器的可执行指令;其中,所述处理器被配置为经由执行所述可执行指令来执行上述实施例中任意一项所述的半导体制程自动化控制方法。
附图说明
通过结合附图考虑以下对本公开的优选实施方式的详细说明,本公开的各种目标、特征和优点将变得更加显而易见。附图仅为本公开的示范性图解,并非一定是按比例绘制。在附图中,同样的附图标记始终表示相同或类似的部件。其中:
图1示意性示出本公开示例性实施方式中一种半导体制程自动化控制方法的流程图。
图2示出了图1中所示的步骤S110在一实施例中的处理过程示意图。
图3示出了图2中所示的步骤S112在一实施例中的处理过程示意图。
图4示意性示出本公开示例性实施方式中又一种半导体制程自动化控制方法的流程图。
图5示意性示出本公开示例性实施方式中另一种半导体制程自动化控制方法的流程图。
图6示出相关技术中的一种半导体制程自动化控制方法的示意图。
图7示意性示出本公开示例性实施方式中一种半导体制程自动化控制方法的示意图。
图8示意性示出本公开示例性实施方式中另一种半导体制程自动化控制方法的示意图。
图9示意性示出本公开示例性实施方式中设置仿真方法及参数的取值范围的示意图。
图10示意性示出本公开示例性实施方式中生成多个组以及获得各个组的模拟推荐制程参数的示意图。
图11示意性示出本公开示例性实施方式中从多个组中确定最适合的组的示意图。
图12示意性示出本公开示例性实施方式中将确定的目标控制模型、目标权重和目标样本数提供至R2R系统的示意图。
图13示意性示出本公开示例性实施方式中训练参数调整模型的示意图。
图14示意性示出本公开示例性实施方式中一种半导体制程自动化控制装置的框图。
图15示意性示出本公开示例性实施方式中一种程序产品的示意图。
图16示意性示出本公开示例性实施方式中一种电子设备的模块示意图。
具体实施方式
体现本公开特征与优点的典型实施例将在以下的说明中详细叙述。应理解的是本公开能够在不同的实施例上具有各种的变化,其皆不脱离本公开的范围,且其中的说明及附图在本质上是作说明之用,而非用以限制本公开。
在对本公开的不同示例性实施方式的下面描述中,参照附图进行,所述附图形成本公开的一部分,并且其中以示例方式显示了可实现本公开的多个方面的不同示例性结构、系统和步骤。应理解,可以使用部件、结构、示例性装置、系统和步骤的其他特定方案,并且可在不偏离本公开范围的情况下进行结构和功能性修改。
图1示意性示出本公开示例性实施方式中一种半导体制程自动化控制方法的流程图。
如图1所示,本公开实施例提供的半导体制程自动化控制方法可以包括以下步骤。
在步骤S110中,获取目标机台(equipment)的当前制程(process)的目标控制模型以及所述目标控制模型采用的目标权重(weight)和参考的目标样本数(sample count)。
本公开实施例中,所述目标机台可以是半导体制造过程中的采用的任意一种设备、装备或者机器,本公开对此不作限定。
在步骤S120中,根据所述目标控制模型、所述目标权重和所述目标样本数获得所述目标机台的当前制程的初始建议制程参数。
本公开实施例中,当目标控制模型、目标权重和目标样本数确定后,R2R系统可以根据所述目标控制模型、所述目标权重和所述目标样本数确定所述目标机台的当前制程的初始建议制程参数。
在步骤S130中,获取并根据所述目标机台的当前制程的环境数据和当前累积已制程晶圆数量调整所述当前制程的初始建议制程参数,获得所述目标机台的当前制程的目标建议制程参数。
在实施例实施例中,所述目标机台可以包括至少一个腔室。其中,当所述目标机台包括多个腔室时,所述目标机台的当前制程的环境数据可以是指整个目标机台当前所处的环境条件,例如所述目标机台当前所处的温度、压力等,而所述当前累积已制程晶圆数量可以是指每个腔室各自的当前累积已制程晶圆数量(Acc.Wafer count)。
通常,所述目标机台具有保养周期,即定期或者不定期的会对所述目标机台进行保养(Preventive Maintenance,PM),这里的保养可以是指较大的维修例如替换目标机台中的关键元器件,也可以是指日常保养、清理等保养工作,结果都是期望恢复机台原始状态。当所述目标机台具有多个腔室时,所述目标机台的保养周期可以包括各腔室的保养周期。
需要说明的是,本公开实施例中,每个腔室的当前累积已制程晶圆数量可以是指各个腔室从目标机台开始工作运行以来历史累积的所有已制程晶圆数量,与各个腔室的保养周期无关。
本公开实施例中,所述目标机台的当前制程的环境数据可以通过FDC(faultdetection and classification,故障检测和分类)中布置的传感器来实时监测获取。但本公开并不限定于此。
其中,FDC是用于将传感器数据转换为汇总统计和模型,这些统计和模型可以根据用户定义的限制进行分析,以识别过程偏移。
本公开实施方式提供的半导体制程自动化控制方法,一方面,通过获取目标机台的当前制程的目标控制模型以及目标控制模型采用的目标权重和参考的目标样本数,可以实现自动选择较佳的R2R控制模型以及选取相应的权重和样本数,从而可以获取优化的初始建议制程参数,可以更准确地预测设备特性变动,获得优化的预测结果,以提升其精确度;另一方面,本方案还考虑到设备特性的变动与制程生产数量和环境数据都有相关性,因此,纳入了所述目标机台的当前制程的环境数据和当前累积已制程晶圆数量来调整所述当前制程的初始建议制程参数,从而可以更进一步提升最终用于控制目标机台的建议制程参数的准确度和可信度。
图2示出了图1中所示的步骤S110在一实施例中的处理过程示意图。
如图2所示,本公开实施例提供的上述步骤S110可以进一步包括以下步骤。
在步骤S111中,获得所述目标机台的历史数据。
在步骤S112中,根据所述目标机台的历史数据确定所述目标控制模型、所述目标权重和所述目标样本数。
图3示出了图2中所示的步骤S112在一实施例中的处理过程示意图。
如图3所示,本公开实施例提供的上述步骤S112可以进一步包括以下步骤。
在步骤S1121中,选取仿真方法,并选择所述仿真方法的参数的取值范围。
本公开实施例中,所述仿真方法可以包括简单移动平均法(SMA)和/或指数加权移动平均法(EWMA),所述参数可以包括样本数和/或权重。即采用制程自动化控制技术(R2R),根据时间序列(Time Series)概念,采用移动平均(Moving Average)的方法,来缩小偶发性的干扰。
其中,EWMA是一种常见的批间制程控制器,适用于线性过程,调整方法是根据过程输出值与目标值的差异,用递归的方式修正预测模式的截距项。
需要说明的是,虽然本公开实施例中均以SMA和EWMA为例进行举例说明,但本公开并不限定于此,在其他实施例中中,还可以采用其他R2R控制方法,例如指数加权移动平均扩展方法,其中,指数加权移动平均扩展方法又可以进一步包括预测纠正控制(predictorcorrector control,PCC)方法和双指数加权移动平均(double exponentially weightedmoving average,dEWMA)方法。PCC方法是对EWMA方法的一种扩展,在EWMA指数平滑过滤器的基础上添加了预测过滤器。dEWMA是对PCC的改进。
在步骤S1122中,将所述仿真方法和相应参数的取值范围内的取值进行组合,生成包括仿真方法和相应参数的取值组成的多个组。
在步骤S1123中,根据所述历史数据计算各个组的模拟推荐制程参数。
在步骤S1124中,根据各个组的模拟推荐制程参数计算各个组的预测量测结果。
在步骤S1125中,根据各个组的预测量测结果和所述历史数据确定所述目标方法、所述目标权重和所述目标样本数。
在示例性实施例中,所述历史数据可以包括所述目标机台的当前制程对应的当前保养周期内的各历史制程的真实量测结果。
在示例性实施例中,根据各个组的预测量测结果和所述历史数据确定所述目标控制模型、所述目标权重和所述目标样本数,可以进一步包括:将各个组的预测量测结果和所述当前制程的前一历史制程的真实量测结果进行比对,获得各个组的差异值;取各个组中差异值最小的组对应的仿真方法、权重和样本数的取值分别作为所述目标控制模型、目标权重和目标样本数。
图4示意性示出本公开示例性实施方式中又一种半导体制程自动化控制方法的流程图。
如图4所示,本公开实施例提供的半导体制程自动化控制方法与上述实施例相比,其不同之处在于,还可以包括以下步骤。
在步骤S410中,获得所述目标机台的历史数据。
本公开实施例中,所述历史数据可以包括所述目标机台的保养周期、在各保养周期内的各历史生产批次的历史环境数据、历史累积已制程晶圆数量和历史建议制程参数。
本公开实施例中,所述目标机台可以包括至少一个腔室,所述目标保养周期可以包括各腔室的保养周期。
在步骤S420中,基于所述历史数据训练参数调整模型。
本公开实施例中,所述参数调整模型可以为人工神经网络(Artificial NeuralNetwork,ANN)模型或者回归(regression)模型。但本公开并不限定于此,在其他实施例中,也可以采用其他机器学习模型。
继续参考图4,上述步骤S130还可以进一步包括以下步骤。
在步骤S131中,将所述当前制程的环境数据和当前累积已制程晶圆数量、所述初始建议制程参数输入至所述参数调整模型。
在步骤S132中,通过所述参数调整模型输出所述目标建议制程参数。
图5示意性示出本公开示例性实施方式中另一种半导体制程自动化控制方法的流程图。
如图5所示,本公开实施例提供的半导体制程自动化控制方法与上述实施例相比,其不同之处在于,所述方法还可以包括以下步骤。
在步骤S510中,将所述目标机台的当前制程的目标建议制程参数发送至所述目标机台的控制器,以便于所述控制器根据所述目标建议制程参数进而调整所述当前制程。
图6示出相关技术中的一种半导体制程自动化控制方法的示意图。
如图6所示,将目标机台的制程N-1(N为大于等于2的正整数)生产后的量测结果前馈至R2R系统,同时,将目标机台的制程N生产后的量测结果反馈至R2R系统,R2R系统基于固定的权重(fixed weight)和样本数计算获得建议制程参数,并将该建议制程参数发送至目标机台的控制器,控制器根据所述建议制程参数调整目标机台的当前制程。
下面结合图7至13对本公开实施例提供的半导体制程自动化控制方法进行举例说明。
图7示意性示出本公开示例性实施方式中一种半导体制程自动化控制方法的示意图。
如图7所示,与图6所示相关技术方案的不同之处在于,R2R系统并不是采用固定的控制模型、固定的权重和样本数,而是自动获取当前制程合适的目标控制模型、目标权重和参考的目标样本数,并基于目标机台的当前制程的保养周期、当前累积已制程晶圆数量和当前制程的环境数据来获得目标建议制程参数,并将所述目标建议制程参数发送至目标机台的控制器,所述控制器根据所述目标建议参数进而调整所述当前制程。
图8示意性示出本公开示例性实施方式中另一种半导体制程自动化控制方法的示意图。
如图8所示,步骤S1:通过系统接口,从存储目标机台的历史数据的数据库中检索相关数据。
其中,所述相关数据可以包括所述目标机台的保养周期、各个保养周期内的各历史制程的历史环境数据、各个保养周期内的各历史制程的历史累积已制程晶圆数量和历史建议制程参数。
本公开实施例中,所述历史建议制程参数是指在各个保养周期内的各历史制程中的历史初始建议制程参数和历史目标建议制程参数。
步骤S2:获得控制模型、权重和参考的样本数最合适的组。
即步骤S2通过确定最合适的组,并将最合适的组中的控制模型、权重和样本数作为所述目标控制模型、目标权重和目标样本数,即如何选择当前制程合适的控制模型并选择权重和样本数的最佳值。
步骤S3:基于所述目标机台的历史数据并使用ANN模型或者回归模型建立参数调整模型。
这里的所述目标机台的历史数据即上述步骤S1检索获得的相关数据。
步骤S4:使用步骤S2确定的目标控制模型、目标权重和目标样本数和步骤S3建立的参数调整模型获得最终的目标建议制程参数,并提供给所述目标机台的当前制程。
即根据步骤S2确定的目标控制模型、目标权重和目标样本数可以计算获得所述目标机台的当前制程的初始建议制程参数,之后再根据所述当前制程的初始建议制程参数并利用所述参数调整模型获得所述目标建议制程参数。
步骤S5:周期性地(保养周期)优化最合适的组和参数调整模型。
即随着目标机台的运转,会累积越来越多的历史数据,这些历史数据以所述目标机台的保养周期为周期,历史数据累积越多,训练获得的参数调整模型的准确性会越来越高。
下面通过图9至12的一个实例来说明上述图8中的步骤S2。
图9示意性示出本公开示例性实施方式中设置仿真方法及参数的取值范围的示意图。
如图9所示,这里假设控制模型包括SMA和EWMA,权重取值范围从0.2-0.8(仅为举例说明,实际取值范围可以根据具体应用场景调整设计),参考的样本数的取值范围从3至10lots(仅为举例说明,实际取值范围可以根据具体应用场景调整设计)。
图10示意性示出本公开示例性实施方式中生成多个组以及获得各个组的模拟推荐制程参数的示意图。
如图10所示,基于图9,可以生成:
组1(SMA/x/3);
组2(SMA/x/4);
…
组M-1(EWMA/0.8/9);
组M(EWMA/0.8/10),
其中M为大于等于2的正整数,x代表空值。对应的可以分别获得组1的模拟推荐制程参数1、组2的模拟推荐制程参数2、…组M-1的模拟推荐制程参数M-1,组M的模拟推荐制程参数M。
需要说明的是,在生成上述M个组的过程中,权重的各个取值区间(图10中为0.1)和参考的样本数的各个取值区间(图10中为1)可以根据实际需求设定,本公开对此不做限定。
本公开实施例中,不同layer都会有一个计算方式来计算制程参数,例如厚度或者研磨率,然后再用SMA或EWMA来计算模拟推荐制程参数。这里会将图9中给定的数据区间和控制模型定义出多个组(group),每个group都去计算其模拟推荐制程参数,各个组的模拟推荐制程参数都会不一样,因为制程参数是依据前一批产品的量测结果给定的。
图11示意性示出本公开示例性实施方式中从多个组中确定最适合的组的示意图。
如图11所示,将图10中的M个组中的每个组对应的预测量测结果和真实量测结果(Real data)进行求差,取各个组中差异值最小的组作为最合适的组。
本公开实施例中,当根据图10中确定各个组的模拟推荐制程参数后,就可以预估各个组可能的预测量测结果。再将各个组的预测量测结果跟真实量测结果比对就可以得到各个组的差异值。
图12示意性示出本公开示例性实施方式中将确定的目标控制模型、目标权重和目标样本数提供至R2R系统的示意图。
如图12所示,将图11确定的最合适的组中的控制模型、权重和样本数作为目标控制模型、目标权重和目标样本数提供至R2R系统。
图13示意性示出本公开示例性实施方式中训练参数调整模型的示意图。
如图13所示,这里假设所述参考调整模型为人工神经网络模型,所述人工神经网络模型包括输入层、隐藏层和输出层。分别将历史环境数据、历史累积已制程晶圆数量和历史初始建议制程参数输入至所述输入层,通过所述输出层输出基于所述历史数据预测的合适的历史目标建议制程参数,由于真实的历史目标建议制程参数是已知的,可以根据真实的历史目标建议制程参数和预测的历史目标建议制程参数不断优化所述参数调整模型,最终获得训练好的参数调整模型,并存储至R2R系统中。
本公开实施方式提供的半导体制程自动化控制方法,以目标机台的保养周期为基础,根据时间序列的概念,以不同的移动平均法、权重和样本数给予模拟,运用大量数据进行运算仿真,并且依据模拟的数据,给出最佳结果,从而确定适用于当前制程的目标控制模型、目标权重和目标样本数,使预测设备特性变动更准确。可以得到优化的预测结果,以提升其精确度。同样的,在目标机台的保养周期的区间数据之下,根据历史制程的历史环境数据和历史累积已制程晶圆数量来建立参数调整模型,用以调整初始建议制程参数,随时历史数据的增加,可以不断增加预测准确度。本实施例提供的方案中,以目标机台的保养周期为基础,可纳入大多数的机台变动原因,不会因为时间短导致获取信息不足的问题。
图14示意性示出本公开示例性实施方式中一种半导体制程自动化控制装置的框图。
如图14所示,本公开实施方式提供的半导体制程自动化控制装置1400可以包括获取组合模块1410、初始建议获得模块1420以及参数调整模块1430。
其中,获取组合模块1410可以配置为获取目标机台的当前制程的目标控制方法以及所述目标控制方法采用的目标权重和参考的目标样本数。
初始建议获得模块1420可以配置为根据所述目标控制方法、所述目标权重和所述目标样本数获得所述目标机台的当前制程的初始建议制程参数。
参数调整模块1430可以配置为根据所述目标机台的当前制程的环境数据和当前累积已制程晶圆数量调整所述当前制程的初始建议制程参数,获得所述目标机台的当前制程的目标建议制程参数。
在示例性实施例中,获取组合模块1410可以进一步包括:第一历史数据获得子模块,可以配置为获得所述目标机台的历史数据;获取组合子模块,可以配置为根据所述目标机台的历史数据确定所述目标控制模型、所述目标权重和所述目标样本数。
在示例性实施例中,所述获取组合子模块可以进一步包括:仿真设置单元,可以配置为选取仿真方法,并选择所述仿真方法的参数的取值范围;仿真组合单元,可以配置为将所述仿真方法和相应参数的取值范围内的取值进行组合,生成包括仿真方法和相应参数的取值组成的多个组;模拟参数计算单元,可以配置为根据所述历史数据计算各个组的模拟推荐制程参数;结果预测单元,可以配置为根据各个组的模拟推荐制程参数计算各个组的预测量测结果;组合确定单元,可以配置为根据各个组的预测量测结果和所述历史数据确定所述目标方法、所述目标权重和所述目标样本数。
在示例性实施例中,所述仿真方法可以包括简单移动平均法和/或指数加权移动平均法,所述参数可以包括样本数和/或权重。
在示例性实施例中,所述历史数据可以包括所述目标机台的当前制程对应的当前保养周期内的各历史制程的真实量测结果。
在示例性实施例中,所述组合确定单元可以进一步包括:结果比对子单元,可以配置为将各个组的预测量测结果和所述当前制程的前一历史制程的真实量测结果进行比对,获得各个组的差异值;组合确定子单元,可以配置为取各个组中差异值最小的组对应的仿真方法、权重和样本数的取值分别作为所述目标控制模型、目标权重和目标样本数。
在示例性实施例中,半导体制程自动化控制装置1400还包括:第二历史数据获得模块,可以配置为获得所述目标机台的历史数据;模型训练模块,可以配置为基于所述历史数据训练参数调整模型。
在示例性实施例中,参数调整模块1430可以进一步包括:参数输入单元,可以配置为将所述当前制程的环境数据和当前累积已制程晶圆数量、所述初始建议制程参数输入至所述参数调整模型;参数输出单元,可以配置为通过所述参数调整模型输出所述目标建议制程参数。
在示例性实施例中,所述历史数据可以包括所述目标机台的保养周期、在各保养周期内的各历史生产批次的历史环境数据、历史累积已制程晶圆数量和历史建议制程参数。
在示例性实施例中,所述参数调整模型可以为人工神经网络模型或者回归模型。
在示例性实施例中,所述目标机台可以包括至少一个腔室,所述目标保养周期可以包括各腔室的保养周期。
在示例性实施例中,半导体制程自动化控制装置1400还可以包括:参数发送模块,可以配置为向所述目标机台的控制器发送所述目标建议制程参数,以便于所述控制器根据所述目标建议制程参数进而调整所述当前制程。
上述半导体制程自动化控制装置的具体细节已经在对应的半导体制程自动化控制方法中进行了详细的描述,因此此处不再赘述。
以上详细地描述和/或图示了本公开提出的半导体制程自动化控制方法、装置、计算机可读存储介质及电子设备的示例性实施方式。但本公开的实施方式不限于这里所描述的特定实施方式,相反,每个实施方式的组成部分和/或步骤可与这里所描述的其它组成部分和/或步骤独立和分开使用。一个实施方式的每个组成部分和/或每个步骤也可与其它实施方式的其它组成部分和/或步骤结合使用。在介绍这里所描述和/或图示的要素/组成部分/等时,用语“一个”、“一”和“上述”等用以表示存在一个或多个要素/组成部分/等。术语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。此外,权利要求书及说明书中的术语“第一”和“第二”等仅作为标记使用,不是对其对象的数字限制。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者子模块或者单元或者子单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者子模块或者单元或者子单元的特征和功能可以在一个模块或者子模块或者单元或者子单元中具体化。反之,上文描述的一个模块或者子模块或者单元或者子单元的特征和功能可以进一步划分为由多个模块或者子模块或者单元或者子单元来具体化。
在本公开的示例性实施方式中,还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时可实现本公开的上述的用于规划移动设备速度的方法。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码;该程序产品可以存储在一个非易失性存储介质(可以是CD-ROM、U盘或者移动硬盘等)中或网络上;当所述程序产品在一台计算设备(可以是个人计算机、服务器、终端装置或者网络设备等)上运行时,所述程序代码用于使所述计算设备执行本公开中上述各示例性实施例中的方法步骤。
参见图15所示,根据本公开的实施方式的用于实现上述方法的程序产品1500,其可以采用便携式紧凑磁盘只读存储器(CD-ROM)并包括程序代码,并可以在计算设备(例如个人计算机、服务器、终端装置或者网络设备等)上运行。然而,本公开的程序产品不限于此。在本示例性实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或者多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。
可读存储介质例如可以为但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件、或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任意可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户计算设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN)等)连接到用户计算设备;或者,可以连接到外部计算设备,例如利用因特网服务提供商来通过因特网连接。
在本公开的示例性实施方式中,还提供一种电子设备,所述电子设备包括至少一个处理器以及至少一个用于存储所述处理器的可执行指令的存储器;其中,所述处理器被配置为经由执行所述可执行指令来执行本公开中上述各示例性实施例中的方法步骤。
下面结合图16对本示例性实施方式中的电子设备1600进行描述。电子设备1600仅仅为一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
参见图16所示,电子设备1600以通用计算设备的形式表现。电子设备1600的组件可以包括但不限于:至少一个处理单元1610、至少一个存储单元1620、连接不同系统组件(包括处理单元1610和存储单元1620)的总线1630、显示单元1640。
其中,存储单元1620存储有程序代码,所述程序代码可以被处理单元1610执行,使得处理单元1610执行本公开中上述各示例性实施例中的方法步骤。
存储单元1620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元1621(RAM)和/或高速缓存存储单元1622,还可以进一步包括只读存储单元1623(ROM)。
存储单元1620还可以包括具有一组(至少一个)程序模块1625的程序/实用工具1624,这样的程序模块包括但不限于:操作系统、一个或者多个应用程序、其他程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用各种总线结构中的任意总线结构的局域总线。
电子设备1600也可以与一个或多个外部设备1700(例如键盘、指向设备、蓝牙设备等)通信,还可以与一个或者多个使得用户可以与该电子设备1600交互的设备通信,和/或与使得该电子设备1600能与一个或多个其他计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(I/O)接口1650进行。并且,电子设备1600还可以通过网络适配器1660与一个或者多个网络(例如局域网(LAN)、广域网(WAN)和/或公共网络,例如因特网)通信。如图16所示,网络适配器1660可以通过总线1630与电子设备1600的其他模块通信。应当明白,尽管图中未示出,可以结合电子设备1600使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
本领域技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
上述所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中,如有可能,各实施例中所讨论的特征是可互换的。在上面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组件、材料等。在其它情况下,不详细示出或描述公知结构、材料或者操作以避免模糊本公开的各方面。
Claims (16)
1.一种半导体制程自动化控制方法,其特征在于,包括:
获取目标机台的当前制程的目标控制模型以及所述目标控制模型采用的目标权重和参考的目标样本数;
根据所述目标控制模型、所述目标权重和所述目标样本数获得所述目标机台的当前制程的初始建议制程参数;
获取并根据所述目标机台的当前制程的环境数据和当前累积已制程晶圆数量调整所述当前制程的初始建议制程参数,获得所述目标机台的当前制程的目标建议制程参数。
2.根据权利要求1所述的半导体制程自动化控制方法,其特征在于,获取目标机台的当前制程的目标控制模型以及所述目标控制模型采用的目标权重和参考的目标样本数,包括:
获得所述目标机台的历史数据;
根据所述目标机台的历史数据确定所述目标控制模型、所述目标权重和所述目标样本数。
3.根据权利要求2所述的半导体制程自动化控制方法,其特征在于,根据所述目标机台的历史数据确定所述目标控制模型、所述目标权重和所述目标样本数,包括:
选取仿真方法,并选择所述仿真方法的参数的取值范围;
将所述仿真方法和相应参数的取值范围内的取值进行组合,生成包括仿真方法和相应参数的取值组成的多个组;
根据所述历史数据计算各个组的模拟推荐制程参数;
根据各个组的模拟推荐制程参数计算各个组的预测量测结果;
根据各个组的预测量测结果和所述历史数据确定所述目标方法、所述目标权重和所述目标样本数。
4.根据权利要求3所述的半导体制程自动化控制方法,其特征在于,所述仿真方法包括简单移动平均法和/或指数加权移动平均法,所述参数包括样本数和/或权重。
5.根据权利要求3所述的半导体制程自动化控制方法,其特征在于,所述历史数据包括所述目标机台的当前制程对应的当前保养周期内的各历史制程的真实量测结果。
6.根据权利要求5所述的半导体制程自动化控制方法,其特征在于,根据各个组的预测量测结果和所述历史数据确定所述目标控制模型、所述目标权重和所述目标样本数,包括:
将各个组的预测量测结果和所述当前制程的前一历史制程的真实量测结果进行比对,获得各个组的差异值;
取各个组中差异值最小的组对应的仿真方法、权重和样本数的取值分别作为所述目标控制模型、目标权重和目标样本数。
7.根据权利要求1所述的半导体制程自动化控制方法,其特征在于,还包括:
获得所述目标机台的历史数据;
基于所述历史数据训练参数调整模型。
8.根据权利要求7所述的半导体制程自动化控制方法,其特征在于,根据所述目标机台的当前制程的环境数据和当前累积已制程晶圆数量调整所述当前制程的初始建议制程参数,获得所述目标机台的当前制程的目标建议制程参数,包括:
将所述当前制程的环境数据和当前累积已制程晶圆数量、所述初始建议制程参数输入至所述参数调整模型;
通过所述参数调整模型输出所述目标建议制程参数。
9.根据权利要求7所述的半导体制程自动化控制方法,其特征在于,所述历史数据包括所述目标机台的保养周期、在各保养周期内的各历史生产批次的历史环境数据、历史累积已制程晶圆数量和历史建议制程参数。
10.根据权利要求7所述的半导体制程自动化控制方法,其特征在于,所述参数调整模型为人工神经网络模型或者回归模型。
11.根据权利要求9所述的半导体制程自动化控制方法,其特征在于,所述目标机台包括至少一个腔室,所述目标保养周期包括各腔室的保养周期。
12.根据权利要求1所述的半导体制程自动化控制方法,其特征在于,还包括:
将所述目标机台的当前制程的目标建议制程参数发送至所述目标机台的控制器,以便于所述控制器根据所述目标建议制程参数进而调整所述当前制程。
13.一种半导体制程自动化控制装置,其特征在于,包括:
获取组合模块,配置为获取目标机台的当前制程的目标控制模型以及所述目标控制模型采用的目标权重和参考的目标样本数;
初始建议获得模块,配置为根据所述目标控制模型、所述目标权重和所述目标样本数获得所述目标机台的当前制程的初始建议制程参数;
参数调整模块,配置为根据所述目标机台的当前制程的环境数据和当前累积已制程晶圆数量调整所述当前制程的初始建议制程参数,获得所述目标机台的当前制程的目标建议制程参数。
14.根据权利要求13所述的半导体制程自动化控制装置,其特征在于,还包括:
参数发送模块,配置为向所述目标机台的控制器发送所述目标建议制程参数,以便于所述控制器根据所述目标建议制程参数进而调整所述当前制程。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-12中任意一项所述的半导体制程自动化控制方法。
16.一种电子设备,其特征在于,包括:
处理器;
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器被配置为经由执行所述可执行指令来执行权利要求1-12中任意一项所述的半导体制程自动化控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353775.1A CN111190393B (zh) | 2018-11-14 | 2018-11-14 | 半导体制程自动化控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353775.1A CN111190393B (zh) | 2018-11-14 | 2018-11-14 | 半导体制程自动化控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111190393A true CN111190393A (zh) | 2020-05-22 |
CN111190393B CN111190393B (zh) | 2021-07-23 |
Family
ID=70707230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811353775.1A Expired - Fee Related CN111190393B (zh) | 2018-11-14 | 2018-11-14 | 半导体制程自动化控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111190393B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112301322A (zh) * | 2020-12-21 | 2021-02-02 | 上海陛通半导体能源科技股份有限公司 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
CN114266223A (zh) * | 2021-12-24 | 2022-04-01 | 上海集成电路装备材料产业创新中心有限公司 | 机台的故障确定方法、装置、设备和计算机可读存储介质 |
WO2023245511A1 (zh) * | 2022-06-22 | 2023-12-28 | 重庆康佳光电技术研究院有限公司 | 工艺参数调整方法、系统、生产系统及计算机设备 |
WO2024001722A1 (zh) * | 2022-06-29 | 2024-01-04 | 第四范式(北京)技术有限公司 | 机台建模方法、装置、电子设备和存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1672038A (zh) * | 2002-05-22 | 2005-09-21 | 应用材料股份有限公司 | 监控制程变异的系统与方法 |
US20050214771A1 (en) * | 2002-11-25 | 2005-09-29 | Roth Richard B | Methods for identifying risk of breast cancer and treatments thereof |
CN1679155A (zh) * | 2002-08-22 | 2005-10-05 | 先进微装置公司 | 在制造过程中预测装置的电气参数的方法及系统 |
CN101061253A (zh) * | 2004-11-22 | 2007-10-24 | 应用材料股份有限公司 | 使用批式制程腔室的基材处理装置 |
WO2008057546A2 (en) * | 2006-11-07 | 2008-05-15 | Saudi Arabian Oil Company | Advanced control of severe fluid catalytic cracking process for maximizing propylene production from petroleum feedstock |
CN101446804A (zh) * | 2007-11-26 | 2009-06-03 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 一种工艺控制方法和装置 |
CN101908495A (zh) * | 2009-06-05 | 2010-12-08 | 台湾积体电路制造股份有限公司 | 虚拟测量先进工艺控制系统和设置方法 |
CN101963802A (zh) * | 2010-08-25 | 2011-02-02 | 江苏大学 | 批次制程的虚拟量测方法与系统 |
DE102011015931A1 (de) * | 2011-04-02 | 2012-10-04 | Daimler Ag | Verfahren zur quantitativen Prognose von Montageausführungsfehlern |
US20120310403A1 (en) * | 2010-02-26 | 2012-12-06 | Toshihiro Morisawa | Etching apparatus, control simulator,and semiconductor device manufacturing method |
CN104536412A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于指标预报和解相似度分析的光刻工序动态调度方法 |
CN104977816A (zh) * | 2015-08-05 | 2015-10-14 | 哈尔滨工业大学 | 基于Compact Particle Swarm Optimization算法的光刻机掩模台微动台的机械参数软测量方法 |
CN107346749A (zh) * | 2016-05-04 | 2017-11-14 | 台湾积体电路制造股份有限公司 | 半导体制程及其制程设备与控制装置 |
CN107479509A (zh) * | 2008-03-06 | 2017-12-15 | 应用材料公司 | 用于控制设备工程系统的良品率预测反馈 |
CN108376284A (zh) * | 2017-01-31 | 2018-08-07 | 松下电器(美国)知识产权公司 | 控制装置以及控制方法 |
CN110929844A (zh) * | 2019-10-31 | 2020-03-27 | 南方科技大学 | 芯片成品率预测方法、装置、设备及存储介质 |
-
2018
- 2018-11-14 CN CN201811353775.1A patent/CN111190393B/zh not_active Expired - Fee Related
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1672038A (zh) * | 2002-05-22 | 2005-09-21 | 应用材料股份有限公司 | 监控制程变异的系统与方法 |
CN1679155A (zh) * | 2002-08-22 | 2005-10-05 | 先进微装置公司 | 在制造过程中预测装置的电气参数的方法及系统 |
US20050214771A1 (en) * | 2002-11-25 | 2005-09-29 | Roth Richard B | Methods for identifying risk of breast cancer and treatments thereof |
CN101061253A (zh) * | 2004-11-22 | 2007-10-24 | 应用材料股份有限公司 | 使用批式制程腔室的基材处理装置 |
WO2008057546A2 (en) * | 2006-11-07 | 2008-05-15 | Saudi Arabian Oil Company | Advanced control of severe fluid catalytic cracking process for maximizing propylene production from petroleum feedstock |
CN101446804A (zh) * | 2007-11-26 | 2009-06-03 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 一种工艺控制方法和装置 |
CN107479509A (zh) * | 2008-03-06 | 2017-12-15 | 应用材料公司 | 用于控制设备工程系统的良品率预测反馈 |
CN101908495A (zh) * | 2009-06-05 | 2010-12-08 | 台湾积体电路制造股份有限公司 | 虚拟测量先进工艺控制系统和设置方法 |
US20120310403A1 (en) * | 2010-02-26 | 2012-12-06 | Toshihiro Morisawa | Etching apparatus, control simulator,and semiconductor device manufacturing method |
CN101963802A (zh) * | 2010-08-25 | 2011-02-02 | 江苏大学 | 批次制程的虚拟量测方法与系统 |
DE102011015931A1 (de) * | 2011-04-02 | 2012-10-04 | Daimler Ag | Verfahren zur quantitativen Prognose von Montageausführungsfehlern |
CN104536412A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于指标预报和解相似度分析的光刻工序动态调度方法 |
CN104977816A (zh) * | 2015-08-05 | 2015-10-14 | 哈尔滨工业大学 | 基于Compact Particle Swarm Optimization算法的光刻机掩模台微动台的机械参数软测量方法 |
CN107346749A (zh) * | 2016-05-04 | 2017-11-14 | 台湾积体电路制造股份有限公司 | 半导体制程及其制程设备与控制装置 |
CN108376284A (zh) * | 2017-01-31 | 2018-08-07 | 松下电器(美国)知识产权公司 | 控制装置以及控制方法 |
CN110929844A (zh) * | 2019-10-31 | 2020-03-27 | 南方科技大学 | 芯片成品率预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
CHARLES YANG ETC.: "Wafer Level Hermetic Packaging of MOEMS Devices", <INT"L ELECTRONICS MANUFACTURING TECHNOLOGY SYMPOSIUM> * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112301322A (zh) * | 2020-12-21 | 2021-02-02 | 上海陛通半导体能源科技股份有限公司 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
CN112301322B (zh) * | 2020-12-21 | 2021-04-13 | 上海陛通半导体能源科技股份有限公司 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
CN114266223A (zh) * | 2021-12-24 | 2022-04-01 | 上海集成电路装备材料产业创新中心有限公司 | 机台的故障确定方法、装置、设备和计算机可读存储介质 |
CN114266223B (zh) * | 2021-12-24 | 2024-03-26 | 上海集成电路装备材料产业创新中心有限公司 | 机台的故障确定方法、装置、设备和计算机可读存储介质 |
WO2023245511A1 (zh) * | 2022-06-22 | 2023-12-28 | 重庆康佳光电技术研究院有限公司 | 工艺参数调整方法、系统、生产系统及计算机设备 |
WO2024001722A1 (zh) * | 2022-06-29 | 2024-01-04 | 第四范式(北京)技术有限公司 | 机台建模方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111190393B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111190393B (zh) | 半导体制程自动化控制方法及装置 | |
Khan et al. | An approach for factory-wide control utilizing virtual metrology | |
US7531368B2 (en) | In-line lithography and etch system | |
US8185230B2 (en) | Method and apparatus for predicting device electrical parameters during fabrication | |
US7373216B1 (en) | Method and apparatus for verifying a site-dependent wafer | |
US6678570B1 (en) | Method and apparatus for determining output characteristics using tool state data | |
US6917849B1 (en) | Method and apparatus for predicting electrical parameters using measured and predicted fabrication parameters | |
US7650200B2 (en) | Method and apparatus for creating a site-dependent evaluation library | |
US7596423B2 (en) | Method and apparatus for verifying a site-dependent procedure | |
Su et al. | A processing quality prognostics scheme for plasma sputtering in TFT-LCD manufacturing | |
CN101036092B (zh) | 动态控制量测中的工件的方法及系统 | |
US7076321B2 (en) | Method and system for dynamically adjusting metrology sampling based upon available metrology capacity | |
KR20050120697A (ko) | 상태 추정 결과에 기초한 샘플링 레이트 조정 | |
Chien et al. | A novel approach to hedge and compensate the critical dimension variation of the developed-and-etched circuit patterns for yield enhancement in semiconductor manufacturing | |
Kim et al. | Wafer edge yield prediction using a combined long short-term memory and feed-forward neural network model for semiconductor manufacturing | |
KR20130089562A (ko) | 반도체 제조의 fab 프로세스를 개선하기 위한 툴 기능의 신규한 설계 | |
Pan et al. | A virtual metrology system for predicting end-of-line electrical properties using a MANCOVA model with tools clustering | |
US6687561B1 (en) | Method and apparatus for determining a sampling plan based on defectivity | |
Tin et al. | A realizable overlay virtual metrology system in semiconductor manufacturing: Proposal, challenges and future perspective | |
US6665623B1 (en) | Method and apparatus for optimizing downstream uniformity | |
TWI446402B (zh) | 基於資訊可信度之增進的狀態估計 | |
KR101290199B1 (ko) | 반도체 제조 설비에서 런-투-런 제어를 위한 컨텍스트 오프셋들을 추정하기 위한 방법 및 시스템 | |
WO2008121955A2 (en) | In-line lithography and etch system | |
US6732007B1 (en) | Method and apparatus for implementing dynamic qualification recipes | |
US20080241970A1 (en) | Method and apparatus for performing a site-dependent dual damascene procedure |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210723 |
|
CF01 | Termination of patent right due to non-payment of annual fee |