CN113168116A - 用于确定影响半导体制造过程中的产率的根本原因的方法 - Google Patents
用于确定影响半导体制造过程中的产率的根本原因的方法 Download PDFInfo
- Publication number
- CN113168116A CN113168116A CN201980079801.2A CN201980079801A CN113168116A CN 113168116 A CN113168116 A CN 113168116A CN 201980079801 A CN201980079801 A CN 201980079801A CN 113168116 A CN113168116 A CN 113168116A
- Authority
- CN
- China
- Prior art keywords
- substrate
- data
- metrology
- yield
- metrology data
- 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 180
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 48
- 239000004065 semiconductor Substances 0.000 title description 10
- 239000000758 substrate Substances 0.000 claims abstract description 127
- 230000008569 process Effects 0.000 claims abstract description 86
- 238000009826 distribution Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 238000001994 activation Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000011524 similarity measure Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 description 83
- 238000005259 measurement Methods 0.000 description 60
- 238000000059 patterning Methods 0.000 description 24
- 230000005855 radiation Effects 0.000 description 23
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000005457 optimization Methods 0.000 description 17
- 238000004886 process control Methods 0.000 description 12
- 230000007547 defect Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 8
- 238000001459 lithography Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 239000000523 sample Substances 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009897 systematic effect Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000010894 electron beam technology Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000671 immersion lithography Methods 0.000 description 1
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- 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
- 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
-
- 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
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
描述了一种用于确定影响在衬底上制造器件的过程中的产率的根本原因的方法,该方法包括:获得产率分布数据,产率分布数据包括产率参数在整个衬底或其一部分上的分布;获得量测数据的集合,每个集合包括在整个衬底或其一部分上与衬底的不同层相对应的过程参数的空间变化;基于相似度度量来比较产率分布数据和量测数据,相似度度量描述产率分布数据与量测数据的集合中的单独集合之间的空间相似度;从测量数据组中确定量测数据的第一相似集合,就对应层的处理顺序而言,量测数据的第一相似集合是量测数据的第一集合,量测数据的第一相似集合被确定为与产率分布数据相似。
Description
相关申请的交叉引用
本申请要求于2018年12月7日提交的美国申请62/776,568的优先权,其全部内容通过引用合并于此。
技术领域
本发明涉及半导体制造过程,具体地涉及用于确定影响进行该过程的衬底上的产率的根本原因的方法。
背景技术
光刻设备是一种被构造为将期望图案施加到衬底上的机器。光刻设备可以用于例如集成电路(IC)的制造中。光刻设备可以例如在图案形成装置(例如,掩模)处将图案(通常也称为“设计布局”或“设计”)投影到设置在衬底(例如,晶片)上的辐射敏感材料(抗蚀剂)层上。
为了在衬底上投影图案,光刻设备可以使用电磁辐射。该辐射的波长决定了可以在衬底上形成的特征的最小尺寸。当前使用的典型波长是365nm(i线)、248nm、193nm和13.5nm。与使用例如波长为193nm的辐射的光刻设备相比,使用波长在4-20nm范围内(例如,6.7nm或13.5nm)的极紫外(EUV)辐射的光刻设备可以用于在衬底上形成更小的特征。
低k1光刻可以用于处理尺寸小于光刻设备的经典分辨率极限的特征。在这样的过程中,分辨率公式可以表示为CD=k1×λ/NA,其中λ是所采用的辐射波长,NA是光刻设备中投影光学元件的数值孔径,CD是“临界尺寸”(通常是打印的最小特征尺寸,但在这种情况下为半间距),k1是经验分辨率。通常,k1越小,就越难以在衬底上复制与电路设计者为实现特定电气功能和性能而计划的形状和尺寸类似的图案。为了克服这些困难,可以将复杂的微调步骤应用于光刻投影设备和/或设计布局。这些包括例如但不限于NA的优化、定制的照射方案、相移图案形成装置的使用、设计布局的各种优化(诸如设计布局中的光学邻近校正(OPC,有时也称为“光学和过程校正”)、或通常定义为“分辨率增强技术”(RET)的其他方法。替代地,可以使用用于控制光刻设备的稳定性的严格控制回路来改善低k1下的图案的再现。
这些严格控制回路通常基于使用量测工具获得测量所施加的图案的特性或表示所施加的图案的量测目标的特性而获得的量测数据。通常,量测工具基于图案和/或目标的位置和/或尺寸的光学测量。本质上,假定这些光学测量代表集成电路的制造过程的质量。
除了基于光学测量的控制,还可以执行基于电子束的测量;其中使用电子束工具(由HMI提供)的所谓的低电压测量可以被利用。这样的低电压对比度测量指示施加到衬底的各层之间的电接触的质量。
通常,在所有过程步骤完成之后,衬底上的每个管芯应当适合于生产功能性半导体器件(IC)。原则上,在进行进一步的IC封装之前,每个管芯都应当使用各种技术进行电测试,其中包括电探测。电探测通常在整个管芯上的多个位置处进行,以测量多个电气性质(例如,电压、电阻、频率,每个参数称为特定二进制码)。二进制码的值是好的IC的质量的指示器;例如,当所测量的电阻非常高时,这可以表明部件之间的电接触未实现并且因此IC正常工作的可能性很小。如果对衬底电气性质的测试表明大量非功能性IC,则可以认为制造过程的产率很低。
IC生产的最后阶段进行测试的缺点在于,仅在所有过程步骤和层的执行之后,才能确定关于提供功能性IC与非功能性IC的最小期望比率的过程的产率是否满足某个标准并且对非功能性IC的根本原因进行调查。
发明内容
发明人的目的是解决现有技术中提到的缺点。
在本发明的第一方面,提供了一种用于确定影响用于制造衬底的制造过程中的产率的根本原因的方法,该方法包括:获得产率分布数据,产率分布数据包括产率参数在衬底或衬底的部分上的分布;获得多个量测数据的集合,包括衬底或衬底的部分上的过程参数的空间变化,每个量测数据的集合对应于衬底的不同层;比较产率分布数据和量测数据,其中比较包括确定相似度度量,相似度度量描述产率分布数据与多个量测数据的集合中的集合的至少选择之间的空间相似度;从量测数据的集合的选择中确定量测数据的第一相似集合,就对应层的处理顺序而言,量测数据的第一相似集合是量测数据的第一集合,量测数据的第一相似集合被确定为与产率分布数据相似。
在本发明的第二方面,提供了一种用于监测用于制造衬底的制造过程的方法,该方法包括:获得与产率分布数据和量测数据有关的训练模型,训练模型是通过比较量测数据的训练集合并且训练与制造过程相对应的产率分布数据来训练的;获得生产量测数据的集合,每个集合包括与衬底的不同层或其一部分相对应的过程参数的空间变化;使用已训练模型来确定每个生产量测数据的集合与包括特定产率失效图案的历史产率分布数据中的一个或多个失效图案的相似度度量;以及如果相似度度量超过阈值,则标记潜在问题。
附图说明
现在将仅通过示例的方式,参考所附的示意图来描述本发明的实施例,在附图中:
图1示出了光刻设备的示意图;
图2示出了光刻单元的示意图;
图3示出了整体光刻的示意图,表示用于优化半导体制造的三种关键技术之间的协作;
图4是根据本发明的实施例的根本原因分析方法的流程图;以及
图5是扫描器指纹和与同一晶片相对应的电探针数据之间的模式识别和相似度分级的示意图。
具体实施方式
在本文档中,术语“辐射”和“束”用于涵盖所有类型的电磁辐射,包括紫外线辐射(例如,波长为365、248、193、157或126nm)和EUV(极紫外线辐射,例如,波长在约5-100nm的范围内)。
本文中使用的术语“掩模版”、“掩模”或“图案形成装置”可以广义地解释为是指通用图案形成装置,该通用图案形成装置可以用于向入射的辐射束赋予与将在衬底的目标部分中产生的图案相对应的图案化横截面;在该上下文中也可以使用术语“光阀”。除了经典掩模(透射或反射掩模;二进制、相移、混合等),其他这样的图案形成装置的示例还包括:
-可编程反射镜阵列。关于这样的反射镜阵列的更多信息在美国专利号5,296,891和5,523,193(其通过引用并入本文)中给出。
-可编程LCD阵列。这样的构造的一个示例在美国专利号5,229,872(其通过引用并入本文)中给出。
图1示意性地示出了光刻设备LA。光刻设备LA包括:照射系统(也称为照射器)IL,其被配置为调节辐射束B(例如,UV辐射、DUV辐射或EUV辐射);支撑结构(例如,掩模台)MT,其被构造为支撑图案形成装置(例如,掩模)MA并且连接到第一定位器PM,第一定位器PM被配置为根据某些参数准确地定位图案形成装置MA;衬底台(例如,晶片台)WT,其被构造为保持衬底(例如,涂覆有抗蚀剂的晶片,晶片和衬底是同义词并且将在整个本公开中互换使用)W并且连接到第二定位器PW,第二定位器PW被配置为根据某些参数准确地定位衬底;以及投影系统(例如,折射投影透镜系统)PS,其被配置为将通过图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如,包括一个或多个管芯)上。
在操作中,照射器IL接收来自辐射源SO的辐射束,例如经由束传输系统BD。照射系统IL可以包括用于引导、整形或控制辐射的各种类型的光学部件,诸如折射、反射、磁性、电磁、静电或其他类型的光学部件、或其任何组合。照射器IL可以用于调节辐射束B以使其在图案形成装置MA的平面处在其横截面中具有期望的空间和角度强度分布。
本文中使用的术语“投影系统”PS应当广义地解释为涵盖各种类型的投影系统,包括折射、反射、折反射、变形、磁性、电磁和静电光学系统、或其任何组合,该投影系统适合于所使用的曝光辐射或其他因素(诸如浸没液体的使用或真空的使用)。本文中对术语“投影透镜”的任何使用可以被认为与更通用的术语“投影系统”PS同义。
光刻设备可以是如下这样的类型:其中衬底的至少一部分可以被具有相对较高折射率的液体(例如,水)重叠,以填充投影系统与衬底之间的空间,这也称为浸没式光刻。关于浸没技术的更多信息在美国专利号6,952,253和PCT公开号WO99-49504(其通过引用并入本文)中给出。
光刻设备LA也可以是具有两个(双台)或更多个衬底台WT和例如两个或更多个支撑结构MT(未示出)的类型。在这样的“多台”机器中,可以并行地使用附加台/结构,或者可以在一个或多个台上执行准备步骤,而将一个或多个其他台用于将图案形成装置MA的设计布局暴露到衬底W上。
在操作中,辐射束B入射到图案形成装置(例如,掩模MA)上,该图案形成装置被保持在支撑结构(例如,掩模台MT)上,并且由图案形成装置MA图案化。在穿过掩模MA之后,辐射束B穿过投影系统PS,该投影系统PS将束聚焦到衬底W的目标部分C上。借助于第二定位器PW和位置传感器IF(例如,干涉仪、线性编码器、二维编码器或电容传感器),可以准确地移动衬底台WT,例如,以便在辐射束B的路径中定位不同目标部分C。类似地,第一定位器PM和可能的另一位置传感器(未在图1中明确示出)可以用于相对于辐射束B的路径准确地定位掩模MA。可以使用掩模对准标记M1、M2和衬底对准标记P1、P2来对准掩模MA和衬底W。尽管所示的衬底对准标记占据专用目标部分,但是它们可以位于目标部分之间的空间中(这些称为划线对准标记)。
如图2所示,光刻设备LA可以形成光刻单元LC的一部分,该光刻单元LC有时也称为光刻单元或(光刻)簇,其通常还包括用于在衬底W上执行曝光前和曝光后过程的设备。常规地,这些包括例如用于沉积抗蚀剂层的旋涂器SC、用于显影曝光抗蚀剂的显影剂DE、冷却板CH和烘烤板BK,例如用于调节衬底的温度W,例如用于调节抗蚀剂层中的溶剂。衬底处理器或机械手RO从输入/输出端口I/O1、I/O2拾取衬底W,在不同处理设备之间移动衬底W,并且将衬底W输送到光刻设备LA的装载台LB。光刻单元中的装置(通常也统称为轨道)通常受轨道控制单元TCU的控制,轨道控制单元TCU本身可以由监督控制系统SCS控制,SCS也可以控制光刻设备LA,例如经由光刻控制单元LACU。
为了使通过光刻设备LA曝光的衬底W被正确且一致地曝光,期望检查衬底以测量图案化结构的性质,诸如后续层之间的重叠误差、线厚度、临界尺寸(CD)等。为此,检查工具(未示出)可以被包括在光刻单元LC中。如果检测到误差,则例如可以对后续衬底的曝光或要对衬底W执行的其他过程步骤进行调节,尤其是在仍要曝光或处理同一批量或批次的其他衬底W之前进行检查的情况下。
检查设备(也可以称为量测设备)用于确定衬底W的性质,尤其是确定不同衬底W的性质如何变化或者与同一衬底W的不同层相关的性质如何在层之间变化。检查设备可以替代地被构造为识别衬底W上的缺陷,并且可以例如是光刻单元LC的一部分,或者可以被集成到光刻设备LA中,或者甚至可以是独立装置。检查设备可以测量潜像(在曝光之后在抗蚀剂层中的图像)、半潜像(在曝光后烘烤步骤PEB之后在抗蚀剂层中的图像)或显影抗蚀剂图像(其中抗蚀剂的已曝光或未曝光部分已经除去)或甚至蚀刻图像(在诸如蚀刻等图案转印步骤之后)上的性质。
通常,光刻设备LA中的图案化过程是要求在衬底W上进行结构的高精度的定尺寸和放置的处理中的最关键的步骤之一。为了确保这种高精度,可以将三个系统组合成所谓的“整体”控制环境,如图3所示。这些系统之一是(虚拟)连接到量测工具MT(第二系统)和计算机系统CL(第三系统)的光刻设备LA。这样的“整体”环境的关键是优化这三个系统之间的协作以增强整个过程窗口,并且提供严格控制回路以确保由光刻设备LA执行的图案化保持在过程窗口内。过程窗口定义了一系列过程参数(例如,剂量、聚焦、重叠),在该系列过程参数范围内,特定制造过程会产生定义的结果(例如,功能性半导体器件),通常在该系列过程参数范围内允许光刻过程或图案化过程中的过程参数发生改变。
计算机系统CL可以使用要图案化的设计布局(的部分)来预测要使用的分辨率增强技术并且执行计算光刻模拟和计算以确定哪些掩模布局和光刻设备设置可以实现图案化过程的最大总体过程窗口(在图3中由第一标度SC1的双白色箭头表示)。通常,分辨率增强技术被布置为匹配光刻设备LA的图案化可能性。计算机系统CL还可以用于检测光刻设备LA当前正在过程窗口内的哪个位置操作(例如,使用来自量测工具MT的输入),以便预测是否由于例如次优处理而可能存在缺陷(在图3中由第二标度SC2的指向“0”的箭头表示)。
量测工具MT可以向计算机系统CL提供输入以实现准确的模拟和预测,并且可以向光刻设备LA提供反馈以识别可能的漂移,例如,在光刻设备LA的校准状态下(在图3中由第三标度SC3的多个箭头表示)。
光刻设备LA被配置为将图案准确地复制到衬底上。所施加的特征的位置和尺寸必须在一定的公差范围内。可能会由于重叠误差(通常称为“重叠”)而发生位置误差。重叠是相对于第二曝光期间的第二特征来在第一曝光期间放置第一特征时的误差。光刻设备通过在图案化之前将每个晶片与参考准确对准来最小化重叠误差。这是通过使用对准传感器测量衬底上的对准标记的位置来进行的。关于对准过程的更多信息可以在美国专利申请公开号US20100214550中找到,其通过引用并入本文。例如,当衬底相对于光刻设备的焦平面未正确定位时,可能发生图案尺寸(例如,CD)误差。这些聚焦位置误差可以与衬底表面的不平坦相关联。光刻设备通过使用水平传感器在图案化之前测量衬底表面形貌来使这些聚焦位置误差最小化。在后续图案化期间应用衬底高度校正以确保将图案形成装置正确成像(聚焦)到衬底上。关于水平传感器系统的更多信息可以在美国专利申请公开号US20070085991中找到,其通过引用并入本文。
除了光刻设备LA和量测设备MT,在IC生产期间也可以使用其他处理设备。在将图案曝光到抗蚀剂中之后,蚀刻站(未示出)对衬底进行处理。蚀刻站将图案从抗蚀剂转印到抗蚀剂层下面的一层或多层中。通常,蚀刻基于等离子体介质的应用。局部蚀刻特性可以例如使用衬底的温度控制或使用压控环引导等离子体介质来控制。关于蚀刻控制的更多信息可以在国际专利申请公开号WO2011081645和美国专利申请公开号US 20060016561中找到,其通过引用并入本文。
在IC的制造过程中,非常重要的是用于使用诸如光刻设备或蚀刻站等处理设备来处理衬底的处理条件保持稳定,使得特征的性质保持在某些控制极限的范围内。对于IC的功能性部分的特征,即,产品特征,过程的稳定性特别重要。为了保证稳定的处理,需要具备过程控制能力。过程控制涉及对处理数据的监测和用于过程校正的手段的实现,例如基于处理数据的特性来控制处理设备。过程控制可以基于通常被称为“先进过程控制”(进一步也称为APC)的由量测设备MT进行的周期性测量。关于APC的更多信息可以在美国专利申请公开号US20120008127中找到,其通过引用并入本文。典型的APC实现涉及对衬底上的量测特征的周期性测量以监测和校正与一个或多个处理设备相关联的漂移。量测特征反映了对产品特征的过程变化的响应。与产品特征的敏感性相比,量测特征对过程变化的敏感性可以有所不同。在这种情况下,可以确定所谓的“装置量测”偏移(进一步也称为MTD)。为了模仿产品特征的行为,量测目标可以合并分段特征、辅助特征或具有特定几何形状和/或尺寸的特征。精心设计的量测目标应当以与产品特征类似的方式对过程变化做出响应。关于量测目标设计的更多信息可以在国际专利申请公开号WO 2015101458中找到,其通过引用并入本文。
在整个衬底和/或图案形成装置上存在和/或测量量测目标的位置的分布通常被称为“采样方案”。通常,采样方案是基于相关过程参数的预期指纹来选择的;与预期过程参数相对稳定的区域相比,通常衬底上过程参数被预期发生波动的区域被更密集地采样。然而,基于量测测量对光刻过程的产出的可允许的影响,可以执行的量测测量的数目存在实际限制。精心选择的采样方案对于准确控制光刻过程而又不影响产出(或至少对其影响不大)和/或将掩模版或衬底上的过大面积分配给量测特征非常重要。与最佳定位和/或测量量测目标有关的技术通常称为“方案优化”。关于方案优化的更多信息可以在国际专利申请公开号WO 2015110191和欧洲专利申请申请号EP16193903.8中找到,其通过引用并入本文。
术语指纹可以是指被测信号的主要(系统性)贡献因素(“潜在因素”),并且特别地是指与晶片上的性能影响或先前的过程步骤有关的贡献因素。这样的指纹可以是指衬底(网格)图案(例如,来自对准、调平、重叠、聚焦、CD)、场图案(例如,来自场内对准、调平、重叠、聚焦、CD)、衬底区域图案(例如,晶片测量的最外半径)或甚至扫描器测量中与晶片曝光有关的图案(例如,掩模版对准测量对整个批次的加热签名、温度/压力/伺服轮廓等)。指纹可以被包括在指纹集合内,并且可以在其中被同质或异质地编码。
除了量测测量数据,上下文数据也可以用于过程控制。上下文数据可以包括与以下中的一项或多项有关的数据:所选择的处理工具(在处理设备池中)、处理设备的特定特性、处理设备的设置、电路图案的设计、以及与处理条件有关的测量数据(例如,晶片的几何形状)。将上下文数据用于过程控制目的的示例可以在申请号EP16156361.4的欧洲专利申请和申请号PCT/EP2016/072363的国际专利申请中找到,其通过引用并入本文。上下文数据可以用于以前馈方式控制或预测处理,其中上下文数据涉及在当前控制的过程步骤之前执行的过程步骤。通常,上下文数据与产品特征性质在统计上相关。考虑到实现最佳产品特征性质,这使得能够对处理设备进行上下文驱动控制。上下文数据和量测数据也可以被组合例如以将稀疏量测数据丰富到可以获得更详细(密集)数据的程度,这对于控制和/或诊断目的更有用。有关组合上下文数据和量测数据的更多信息可以在美国专利临时申请号62/382,764中找到,其通过引用并入本文。
如上所述,监测该过程基于与该过程有关的数据的获得。所需要的数据采样率(每批次或每个衬底)和采样密度取决于所需要的图案再现精度级。对于低k1光刻过程,即使是很小的衬底到衬底过程变化也可能很重要。然后,上下文数据和/或量测数据应当足以在每个衬底的基础上实现过程控制。另外,当过程变化引起整个衬底上的特性变化时,上下文和/或量测数据的密度应当在整个衬底上充分分布。但是,鉴于过程的所需要的产出,可用于量测(测量)的时间是有限的。由于该限制,量测工具可能仅在所选择的衬底和/或整个衬底上的所选择的位置上进行测量。用于确定需要测量哪些衬底的策略在欧洲专利申请EP16195047.2和EP16195049.8(其通过引用并入本文)中有进一步的描述。
在实践中,通常有必要从一组稀疏测量值中获得与过程参数有关的较密集值图(在一个或多个衬底上)。通常,这种密集测量值图可以从稀疏测量数据以及与过程参数的预期指纹相关联的模型中导出。关于建模测量数据的更多信息可以在国际专利申请公开号WO2013092106中找到,其通过引用并入本文。由于半导体制造过程涉及多个处理设备(光刻设备、蚀刻站等),因此从整体上优化该过程可能会有所帮助;例如,考虑与个体处理设备相关联的特定校正能力。这导致如下观点:即,第一处理设备的控制可以(部分地)基于第二处理设备的已知控制性质。这个策略通常称为协同优化。这种策略的示例包括光刻设备和图案形成装置的密度分布的联合优化、以及光刻设备和蚀刻站的联合优化。关于协同优化的更多信息可以在国际专利申请申请号PCT/EP2016/072852和美国临时专利申请号62/298,882中找到,其通过引用并入本文。
在某些过程控制情况下,控制目标可以是例如“合格管芯数目”。这描述了产率驱动的过程控制参数,该参数旨在获得每批次已处理衬底最大数目的功能性产品。通常,产品与衬底上的管芯相关联,并且因此,基于产率的过程控制被称为基于“合格管芯”标准。这旨在使合格管芯数目最大化,而不是在整个衬底上应用平均优化(例如,基于与整个衬底上的最佳聚焦的聚焦差异的最小二乘最小化的最小二乘优化)。这样,当优化过程参数时,“合格管芯”优化可以使用产品的先验知识(管芯布局)。最小二乘优化通常在不考虑管芯布局的情况下均等地处理每个位置。因此,最小二乘优化可能偏好“仅”具有四个不合格位置但每个不合格位置在不同管芯中的校正,而不是具有七个不合格位置但仅影响两个管芯的校正(例如,在一个管芯中有四个缺陷,在另一管芯中有三个缺陷)。但是,由于单个缺陷将趋向于使管芯有缺陷,因此,使无缺陷管芯(即,合格管芯)的数目最大化最终比简单地最使每个衬底的缺陷数目小化更为重要。合格管芯优化可以包括每个管芯优化的最大绝对值(maxabs)。这样的最大绝对值最优化可以使性能参数与控制目标的最大偏差最小化。可以改为使用最大绝对值函数的可微近似,因此成本函数更易于解决。为使该方法有效,在优化中应当使用诸如晶片图等细节。为了获得良好的基于产率的过程控制,用于量测测量的采样方案可以受益于在预期对产率最关键和/或在统计上与确定产率是否受到影响最相关的位置处、上或或附近执行的测量。除了测量产品特征的性质,还可以测量缺陷的发生,以进一步帮助优化过程以实现最佳产率(参考缺陷检查)。关于基于产率的控制的更多信息可以在PCT专利申请WO2018077651中找到,其通过引用并入本文。
除了在预定义位置和衬底上执行量测测量,还存在动态地分配需要被选择以进行测量的位置和衬底的趋势。动态地选择用于测量的衬底的示例在PCT专利申请WO2018072962中有描述,其通过引用并入本文。关于测量位置的动态选择(例如,采样方案)的更多信息可以在PCT专利申请WO2017140532中找到,其通过引用并入本文。
相对较新的技术领域是机器学习领域。如今,与该技术有关的方法用于基于对所获得数据(测量和上下文数据)中存在的图案的识别来改进过程参数的预测。另外,机器学习技术可以有助于指导用户选择对过程控制最有用的数据。
通常在处理衬底之后获得电气测量数据。典型地,当执行电气量测以获得电气测量数据时,使用探针来测量衬底上的所有管芯,探针与在处理期间形成的电路(接近)接触。可以执行各种类型的测量;例如,电压、电流、电阻、电容和电感测量。这些测量可以在不同条件(例如,频率、电压、电流)下以及在整个管芯上的多个位置处执行。电气测量可以包括对特定结构/特征或器件是否实现功能(例如,合格)的评估。替代地或另外地,可以根据“二进制码”对电气测量进行分类。在特定条件下与特定测量参数(电流、电压、电阻、电容、电感)相关联的电气测量通常称为单独的“二进制码”。因此,整个管芯上的典型电气测量可以由多个图表示,每个图表示与特定二进制码相关联的值的空间分布。在全文中,“二进制码”和“电气特性”被同义地使用,使得与衬底相关联的二进制码的值被称为衬底的电气特性的值。电气测量数据还可以包括位非对称数据或任何其他产率参数。
需要对其执行电气测量的测量位置的分布可以不是恒定的,而是也可以取决于管芯在衬底上的相对位置。位于衬底边缘的管芯可能更容易产生电气缺陷,因此与靠近衬底中心的管芯相比,这些管芯的采样密度更高。类似地,关键区域可以存在于管芯内,诸如与功能性逻辑结构相关联的关键区域,而较少关键区域可以存在于例如管芯的外围。与要求较低的区域相比,在管芯的关键区域提供更密集的电气测量采样方案是有利的。
所测量的电气特性的性质(最小值、最大值、方差或任何其他统计度量)是关于管芯上的某个电路将实现功能的概率的重要指标。因此,电气特性与过程产率之间存在着很强的关系。因此,对于产率控制,电气特性测量是必不可少的。但是,它们也很费时,并且仅在半导体制造过程的最后阶段执行(例如,当实际上没有用于校正非功能性电路的选项时)。
为了向半导体制造过程提供更好的产率校正能力,提出了基于在处理期间已经可用的数据来预测衬底的产率。在衬底的处理期间,沉积、图案化和蚀刻多个层。至关重要的是,在衬底上提供的图案(特征)必须具有明确定义的性质,以生产功能性器件。例如,特征应当在正确的聚焦位置处被成像,具有正确的临界尺寸(CD)、正确的边缘放置(即,最小边缘放置误差EPE),并且具有良好的重叠(即,每一层与跟基础层相关联的特征准确对准)。如前所述,在某些情况下,对于一批中的所有衬底,光刻设备(例如,对准系统、调平系统)和量测设备(例如,散射仪或电子束工具)在测量这些参数方面起着重要作用。
当发生产率损失时,重要的是找出根本原因;即,导致产率损失问题的过程失效(例如,[工艺,设备]对)。大多数制造产率问题表现为晶片分类图中的空间签名或指纹(由在锯切和封装晶片之前执行的电气测试得出的产率分布图)。传统的根本原因分析通常将在晶片分类图指纹与过程历史信息(即,描述衬底工艺路线的背景数据)之间执行通用性/相关性分析,以便识别导致系统化产率偏移的过程步骤/工具/工具属性。
上述常规的根本原因分析流程的主要问题是:
·有大量的上下文信息要分析。衬底通常要经过几百个不同过程步骤,才能到达生产线末端的分类测试。对于这些过程步骤中的每个,可能有几十个数量级的可能的工具/腔室可用于晶片处理。此外,即使对于相同的工具/腔室,工具属性也可以随时间变化和漂移。
·一些上下文变量之间可能存在潜在相关性(例如,由于未完全随机化的晶片布线)。这可能会降低根本原因分析的准确性,并且增加用于洞察的时间,因为需要人工监督/基于领域知识对不相关的过程步骤进行过滤。
一旦根本原因被工艺工程师识别和确认,就可以建立数据库来存储系统性晶片分类图指纹以及相关的过程根本原因。当处理和探测新的晶片时,可以随着时间计算和监测数据库中每个指纹的激活/存在,以便检测在可以使用晶片分类图的情况下过程问题的复发发生。因此,基于上述传统方法的过程失效重复发生监测系统的主要缺陷在于,直到晶片分类图数据可用时,才能够检测处理偏差。这可能是几周后,在此期间过程问题可能会继续。在该时间范围内(即,在有问题的/离群的工具在特定步骤处理晶片的时间与探测晶片的时间之间的时间)处理的所有晶片都将受到产率偏移的影响。
为了解决这个问题,提出了将晶片量测、尤其是在扫描器(光刻设备或曝光工具)上执行的晶片量测引入根本原因分析流程,并且可选地还提出了偏移重复发生监测系统。这样的扫描器量测可以包括例如来自水平传感器和对准传感器的所测量的晶片图。这种扫描器量测的优点在于,它在每个单个曝光步骤中都可以执行并且可用于每个晶片。晶片量测可以另外地或替代地包括导出的晶片图。这种导出的晶片图可以例如从扫描器量测中导出。导出的晶片图的示例包括:
·调平信息,诸如晶片高度测量。该信息可以提供对晶片聚焦漂移的洞察,而其在XY平面中的空间梯度则可以指示重叠问题。
·使用不同颜色/波长的对准测量结果可以用于导出多个指纹,每个指纹对不同过程步骤具有不同敏感度。
·对准标记强度晶片图还可以帮助揭示诸如沉积或蚀刻等某些过程步骤的属性。
另一要注意的重要事项是,某些扫描器量测数据(诸如对准数据)的空间分辨率通常比晶片级低得多,这是晶片分类/探针图的空间分辨率。因此,可以使用可靠且准确的插值算法来从稀疏的按测量的扫描器量测数据中重构密集的管芯级的扫描器量测指纹。这种管芯级量测插值技术在例如WO2018/202361和美国临时申请62/624,537中有描述。这些文件通过引用并入本文。
图4示出了一种在改进的根本原因分析方法中用于过程学习的方法。它示出了一个或多个分类图指纹(即,产率分布数据)400、堆叠式扫描器量测(即,用于多个并且优选地所有处理层的扫描器量测)410和晶片上下文数据420。这些经由第一步骤430和第二步骤440被链接。相反,本方法由步骤450示出,步骤450包括将晶片分类图指纹直接链接到处理历史信息。更具体地,步骤450表示晶片级的基于指纹的共性分析(CA),其中晶片基于其共同分类/测试图指纹被自动分类/相似度分级,随后人类专家以交互方式选择感兴趣的指纹类别并且系统搜索与所选择的指纹最相关的过程步骤。
步骤430、440描述了用于根本原因分析或“过程学习”阶段的两步方法。在步骤430中,针对所有曝光层,在晶片分类图400与扫描器量测410(例如,堆叠式原始扫描器量测指纹及其衍生物)之间执行相关性分析。在步骤440,将扫描器量测指纹410链接到晶片上下文数据420或处理历史(例如,使用现有数据挖掘技术)。
在一个实施例中,可以通过基于信息性语义特征向量(例如,编码)来测量来自每个个体层的最终晶片分类图指纹400和扫描器量测指纹410之间的空间相似度(例如,指纹匹配)来执行相关性分析。这些语义特征向量可以通过预训练的机器学习模型(诸如神经网络,更具体地为深度卷积神经网络DCNN)来提取。建立或获得机器学习模型,该模型能够分类和检测指纹(分布图案)。然后使用包括晶片分类图的标记数据集的训练数据来训练该模型,其中标记可以通过人类工程师注释(例如,监督学习)来提供。
一旦已经计算出相似度得分,系统将能够识别类似于最终晶片分类图(例如,基于与最终晶片分类图的相似度阈值而具有较高相似度)的每个扫描器量测晶片图。这个过程通常称为“图像检索”或“模式搜索”;例如,适合执行这个步骤的示例系统可以在出版物IEEE Transactions on Semiconductor Manufacturing(Volume:28,Issue:1,Feb.2015)的“Wafer Map Fai lure Pattern Recognition and Simi larity Ranking for Large-Scale Data Sets”中找到,其通过引用合并于此。
如果该晶片图“指纹检索”系统由特定层返回(即,识别为相似)扫描器量测指纹,则表明扫描器传感器可以识别与在生产线末端的晶片分类图中观察到的相同的非随机空间失效图案。因此,在该特定曝光步骤之前的过程步骤很可能是导致产率偏移的原因。此外,如果层序列信息(就处理顺序而言)可用,则可以将其与指纹相似度得分组合以进一步缩窄过程步骤列表。具体地,如果第i层的扫描器量测与晶片分类图指纹没有相似之处,但第i+1层的扫描器量测有,则很可能在这两个曝光步骤(i和i+1)之间发生过程问题。
这样,给定具有“有趣的”观察到的空间签名/指纹的目标产率晶片图或分类图(例如,具有重大失效率的失效图案)、以及针对同一晶片的贯穿堆叠式扫描器量测晶片图,该方法提出根据扫描器量测晶片图与感兴趣目标产率晶片图有多相似来对扫描器量测晶片图进行分级。可选地,如果所有层的序列信息都是已知的,则可以识别过程问题从何处开始。
图5是该图像检索概念的示意图。该图示出了分类图指纹500,其中带阴影的圆圈505表示不合格探针测量。还示出了三个扫描器量测指纹510a、510b、510c,每个扫描器量测指纹对应于组成作为分类图指纹500的主体的晶片的三个连续层。阴影区域515是其中由扫描器量测指纹510a、510b、510c表征的过程参数的值相对于晶片的其余部分显示出明显偏差的区域。图像检索将识别出,量测指纹510c具有与分类图指纹500的高的相似度,并且因此,将最高相似度度量归因于该指纹510c。由于用于紧接在前的层510b的指纹的图案与分类图指纹500在很大程度上不同,因此不合格探针测量505的根本原因很可能是在与指纹510c相对应的层的处理过程中引起的。因此,应当研究这个层的上下文。
如上所述的对基于每个晶片上的指纹匹配/检索的补充方法是使用任何合适的技术(例如,经由诸如PCA(主成分分析)等成分分析技术)来提取晶片到晶片的扫描器量测变化指纹,并且将每个晶片的这些指纹的激活/得分与晶片级产率得分(所得到的管芯的百分比)和/或晶片到晶片的晶片分类图变化指纹的激活/得分相关联。这可以使识别问题(issue/problem)发生的位置和/或有问题的工具或过程变得容易。
应当注意,上述方法不仅适用于如上所述的场间指纹的分析,而且还适用于场内指纹。在这样的实施例中,可以通过在晶片分类图和扫描器量测晶片图上执行场平均来提取场内指纹。
返回图4,步骤440包括以与基于产率的上下文链接类似的方式,执行扫描器量测指纹与上下文数据之间的上下文链接,并且根据步骤/工具/工具参数来识别最终根本原因。
除了所描述的两阶段流程,另一潜在用例是使用晶片分类图与扫描器量测指纹之间的相似度来验证来自先前在晶片分类图指纹与上下文信息之间执行的的直接链接450的根本原因发现。
一旦训练/设置完成,则可以使用预先训练的基于深度学习的指纹检测和分类系统来实时报告新暴露的晶片的扫描器量测中的指纹激活/存在(例如,在测量有问题的层时)。这可以用来监测是否存在先前识别的过程问题任何重复发生,这最终将导致在晶片完成和电气测试之前发生产率偏移事件。
这样,描述了一种方法,在该方法中,不是试图从全部所有过程步骤贯穿堆叠中找出根本原因,而是仅需要对扫描器量测可以拾取系统性产率损失的感兴趣层之前的过程步骤进行分析。另外,为晶片级分组技术而开发的当前上下文链接方法仍应当适用于本文中的方法。晶片级分组技术例如在WO2018/072962(其通过引用并入本文)中有描述。可以扩展探针指纹库和知识数据库以包括高度相关的扫描器量测指纹(出现指纹的第一层),然后,来自该层的扫描器传感器测量被用于设置过程监测。可以设置单独的趋势图,以基于指纹存在得分(例如,指示指纹类型或特定图案的存在的相似度得分)来监测每种失效类型的指纹呈现。失效类型可以包括(仅作为示例)甜甜圈形状(例如,如图5中的510b所示)、边缘环、包括中心分组或边缘分组的任何局部分组、鞍形、“划痕”形。
使用本文中描述的技术的根本原因分析的预期较快周转时间。与晶片分类图指纹与晶片上下文之间的直接链接相比,仅需要检查其中扫描器量测晶片图检测并拾取过程偏移的曝光层之前的过程历史的部分,这可以潜在地大大减少尤其是在过程堆叠的早期出现偏移的情况下候选根本原因的数目。当与晶片分类图指纹与晶片上下文之间的直接链接相比,提高的准确性也可以预期。应当观察到更少的因卷积/非随机化晶片制造生产线而导致的潜在假阳性根本原因发现。
对于过程问题重复发生监测,可以潜在地在晶片分类数据变得可用之前较早地检测到过程问题重复发生。与传统的监控技术(例如,每个晶片单个KPI)相比,基于指纹的监测方法可以更深入地了解过程问题。
使用扫描器量测指纹及其衍生物的优点在于,类似于晶片分类图信息,在每个单个曝光步骤中,扫描器量测信息可用于每个单个晶片。也可以(并且在本公开的范围之内)基于其他采样量测(例如,散射仪或扫描电子显微镜量测)(诸如焦点、CD、和重叠测量)来执行本文中描述的指纹匹配/检索方法。然而,这种量测信息并非总是可用于每个单个晶片,这限制了根本原因分析的准确性以及过程问题重复发生监测系统的有效性。
本文中描述的深度学习方法的优点在于,它是一种完全自动化的过程,其显著减少了工程时间或处理洞察力的时间。这是一种纯粹的数据驱动方法,不需要特征工程,这也表示不需要计算机视觉专业知识和制造过程问题的先验知识。然而,其他方法也是可能的并且在本公开的范围内。一种这样的方法包括对晶片分类图和相关联的堆叠式扫描器量测晶片图进行人工目视检查。然而,这将是非常费力且费时的。另一选项包括使用基于计算机视觉和/或领域知识驱动的特征提取的相似度分级系统。但是,这需要计算机视觉专业知识(诀窍)和晶片厂过程问题的先验知识。
在以下编号的条项列表中公开了另外的实施例:
1.一种用于确定影响制造衬底的制造过程中的产率的根本原因的方法,所述方法包括:
获得产率分布数据,所述产率分布数据包括产率参数在所述衬底或所述衬底的部分上的分布;
获得量测数据,所述量测数据对应于所述产率分布数据并且包括所述衬底或所述衬底的部分上的过程参数的空间变化;
比较所述产率分布数据和所述量测数据;以及
基于所述比较确定所述根本原因。
2.根据条项1所述的方法,其中所述比较确定相似度度量,所述相似度度量描述所述产率分布数据与所述量测数据的不同集合中的每个集合之间的空间相似度,每个集合对应于所述衬底的不同层。
3.根据条项2所述的方法,其中所述比较包括基于编码成信息性语义特征向量来执行所述产率分布数据与所述量测数据之间的相关性分析。
4.根据条项2或3所述的方法,其中所述量测数据包括所述制造过程的每一层的量测数据的集合。
5.根据条项2至4中任一项所述的方法,包括根据所述相似度度量对所述量测数据的集合进行分级。
6.根据条项2至5中任一项所述的方法,包括从所述量测数据的集合中确定量测数据的第一相似集合,就对应层的处理顺序而言,所述量测数据的第一相似集合是量测数据的第一集合,所述量测数据的第一相似集合被确定为与所述产率分布数据相似。
7.根据条项6所述的方法,其中所述确定量测数据的第一相似集合包括:确定超过阈值的所述第一相似度度量和/或确定紧接在所述相似度阈值的跳跃之后的第一相似度度量。
8.根据条项6或7所述的方法,包括标记与对应所述量测数据的第一相似集合的的层有关的上下文以用于进一步的根本原因分析。
9.根据条项6至8中任一项所述的方法,包括向与对应所述量测数据的第一相似集合的所述层之后的所有层有关的上下文赋予较小或零权重。
10.根据前述条项任一项所述的方法,其中所述产率分布数据包括特定产率失效图案。
11.根据前述条项任一项所述的方法,包括执行成分分析以从所述量测数据中提取一个或多个衬底到衬底量测数据变化分布;以及
将每个衬底的这些衬底到衬底量测数据变化分布的激活和/或得分与:
衬底级产率得分或
衬底到衬底产率分布数据变化分布的对应激活和/或得分相关。
12.根据前述条项任一项所述的方法,其中所述产率分布数据和所述量测数据每个包括场间分布数据。
13.根据条项1至11中任一项所述的方法,其中所述产率分布数据和所述量测数据均包括场内分布数据,所述场内分布数据是通过在对应的测量的场间分布数据上执行场平均来提取的。
14.根据前述条项任一项所述的方法,其中所述比较步骤通过使用被训练为分类和/或检测分布图案的模型被执行。
15.根据条项14所述的方法,其中所述模型是已经在包括标记的产率分布数据的训练数据上被训练的机器学习模型。
16.根据条项15所述的方法,其中所述机器学习模型包括卷积神经网络模型。
17.根据条项15或16所述的方法,还包括在监测用于制造衬底的制造过程的监测步骤中使用所述模型,所述步骤包括使用所述模型以基于生产量测数据来标记潜在问题。
18.根据条项17所述的方法,其中所述生产量测数据包括生产量测数据的所述集合,每个集合对应于所述衬底的不同层,以及
所述监测步骤包括使用所述模型来确定生产量测数据的每个集合与先前在历史产率分布数据中观察到的一个或多个失效图案的相似度。
19.一种用于监测制造衬底的制造过程的方法,所述方法包括:
获得与产率分布数据和量测数据有关的训练模型,所述训练模型是通过比较量测数据的训练的集合并且训练与所述制造过程相对应的产率分布数据被训练;
获得生产量测数据的集合,每个集合包括与所述衬底的不同层或其部分相对应的过程参数的空间变化;
使用已训练模型来确定所述生产量测数据的集合的每个集合与包括特定产率失效图案的历史产率分布数据中的一个或多个失效图案的相似度度量;以及
如果所述相似度度量超过阈值,则标记潜在问题。
20.根据前述条项任一项所述的方法,其中任何所述量测数据与在层的曝光之前作为准备步骤的部分由光刻设备执行的量测相关。
21.根据条项20所述的方法,其中所述量测数据包括由对准传感器执行的对准数据和/或由所述光刻设备的水平传感器执行的调平数据,和/或从所述对准数据和/或所述调平数据中导出的量测数据。
22.根据前述条项任一项所述的方法,其中任何所述产率分布数据包括电气分类测试数据。
23.一种计算机程序,包括程序指令,所述程序指令能够操作以当在合适的装置上运行时执行根据条项1至22中任一项所述的方法。
24.一种非暂态计算机程序载体,包括根据条项23所述的计算机程序。
25.一种处理系统,包括处理器和根据条项23所述的计算机程序。
26.一种光刻制造设备,包括根据条项25所述的处理系统。
尽管在本文中可以具体参考光刻设备在IC的制造中的使用,但是应当理解,本文中描述的光刻设备可以具有其他应用。其他可能应用包括制造集成光学系统、用于磁畴存储器的引导和检测图案、平板显示器、液晶显示器(LCD)、薄膜磁头等。
尽管在本文中可以在光刻设备的上下文中具体参考本发明的实施例,但是本发明的实施例可以在其他设备中使用。本发明的实施例可以形成掩模检查设备、量测设备、或者测量或处理诸如晶片(或其他衬底)或掩模(或其他图案形成装置)等物体的任何设备的一部分。这些设备通常可以称为光刻工具。这种光刻工具可以使用真空条件或环境(非真空)条件。
尽管上面可能已经在光学光刻的上下文中具体参考了本发明的实施例的使用,但是应当理解,本发明不限于光学光刻,并且在上下文允许的情况下,本发明可以在例如压印光刻等其他应用中使用。
尽管上面已经描述了本发明的特定实施例,但是应当理解,本发明可以以不同于所描述的方式来实践。上面的描述旨在是说明性的,而不是限制性的。因此,对于本领域技术人员将很清楚的是,可以在不脱离下面阐述的权利要求的范围的情况下,对所描述的本发明进行修改。
Claims (15)
1.一种用于确定影响在衬底上制造器件的过程中的产率的根本原因的方法,所述方法包括:
获得产率分布数据,所述产率分布数据包括产率参数在整个所述衬底或所述衬底的部分上的分布;
获得量测数据的集合,每个集合包括在整个所述衬底或所述衬底的部分上与所述衬底的不同层相对应的过程参数的空间变化;
基于相似度度量来比较所述产率分布数据和量测数据,所述相似度度量描述所述产率分布数据与所述量测数据的所述集合中的单独集合之间的空间相似度;以及
从所述量测数据的所述集合中确定量测数据的第一相似集合,就对应层的处理顺序而言,所述量测数据的第一相似集合是量测数据的第一集合,所述量测数据的第一相似集合被确定为与所述产率分布数据相似。
2.根据权利要求1所述的方法,其中所述比较包括基于编码成信息性语义特征向量来执行所述产率分布数据与量测数据之间的相关性分析。
3.根据权利要求1所述的方法,包括根据所述相似度度量对所述量测数据的所述集合进行分级。
4.根据权利要求1所述的方法,其中所述确定量测数据的第一相似集合包括:确定超过阈值的所述第一相似度度量和/或确定紧接在所述相似度阈值的跳跃之后的第一相似度度量。
5.根据权利要求1所述的方法,包括标记与对应所述量测数据的第一相似集合的层有关的上下文以用于进一步的根本原因分析。
6.根据权利要求5所述的方法,包括向与对应所述量测数据的第一相似集合的所述层之后的所有层有关的上下文赋予较小权重或零权重。
7.根据权利要求1所述的方法,包括执行成分分析以从所述量测数据中提取一个或多个衬底到衬底的量测数据变化分布;以及
将每个衬底的这些衬底到衬底的量测数据变化分布的激活和/或得分与衬底级产率得分或衬底到衬底的产率分布数据变化分布的对应激活和/或得分相关。
8.根据权利要求1所述的方法,其中所述比较使用被训练为分类和/或检测分布图案的模型。
9.根据权利要求8所述的方法,其中所述模型是已经在包括标记的产率分布数据的训练数据上被训练的机器学习模型。
10.根据权利要求9所述的方法,其中所述机器学习模型包括卷积神经网络模型。
11.根据权利要求8所述的方法,还包括在监测用于制造衬底的制造过程的监测步骤中使用所述模型,所述步骤包括使用所述模型以基于生产量测数据来标记潜在问题。
12.根据权利要求1所述的方法,其中所述量测数据的所述集合与在层的曝光之前作为准备步骤的部分由光刻设备执行的量测相关。
13.根据权利要求1所述的方法,其中所述产率分布数据包括电气分类测试数据。
14.一种计算机程序,包括程序指令,所述程序指令能够操作以当在合适的设备上运行时执行根据权利要求1所述的方法。
15.一种非暂态计算机程序载体,包括根据权利要求14所述的计算机程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862776568P | 2018-12-07 | 2018-12-07 | |
US62/776,568 | 2018-12-07 | ||
PCT/EP2019/080129 WO2020114692A1 (en) | 2018-12-07 | 2019-11-04 | Method for determining root cause affecting yield in a semiconductor manufacturing process |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113168116A true CN113168116A (zh) | 2021-07-23 |
CN113168116B CN113168116B (zh) | 2024-04-16 |
Family
ID=68468729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980079801.2A Active CN113168116B (zh) | 2018-12-07 | 2019-11-04 | 用于确定影响半导体制造过程中的产率的根本原因的方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11803127B2 (zh) |
EP (1) | EP3891559A1 (zh) |
KR (1) | KR102603071B1 (zh) |
CN (1) | CN113168116B (zh) |
TW (1) | TWI726483B (zh) |
WO (1) | WO2020114692A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3945548A1 (en) * | 2020-07-30 | 2022-02-02 | ASML Netherlands B.V. | Method for classifying semiconductor wafers |
CN114065687A (zh) * | 2020-08-07 | 2022-02-18 | 奥特斯奥地利科技与系统技术有限公司 | 基于人工智能确定用于制造部件承载件的行动规划 |
US11988612B2 (en) | 2021-01-26 | 2024-05-21 | Changxin Memory Technologies, Inc. | Methods for determining focus spot window and judging whether wafer needs to be reworked |
EP4036646A1 (en) * | 2021-01-29 | 2022-08-03 | ASML Netherlands B.V. | Metrology methods and appratuses |
US11853042B2 (en) * | 2021-02-17 | 2023-12-26 | Applied Materials, Inc. | Part, sensor, and metrology data integration |
CN117540281B (zh) * | 2024-01-09 | 2024-03-22 | 深圳市宇辉光学科技有限公司 | 一种应用于光学薄膜的数据优化分析系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5844850A (en) * | 1995-04-25 | 1998-12-01 | Mitsubishi Denki Kabushiki Kaisha | Apparatus for analyzing a failure in a semiconductor wafer and method thereof |
US20130174102A1 (en) * | 2011-12-28 | 2013-07-04 | Elitetech Technology Co.,Ltd. | Intelligent defect diagnosis method |
US20180275189A1 (en) * | 2017-03-23 | 2018-09-27 | Kla-Tencor Corporation | Methods and Systems for Inline Parts Average Testing and Latent Reliability Defect Detection |
EP3382606A1 (en) * | 2017-03-27 | 2018-10-03 | ASML Netherlands B.V. | Optimizing an apparatus for multi-stage processing of product units |
US20190057499A1 (en) * | 2017-08-21 | 2019-02-21 | Advanced Vision Technology (A.V.T.) Ltd. | System and method for generating images for inspection |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5523193A (en) | 1988-05-31 | 1996-06-04 | Texas Instruments Incorporated | Method and apparatus for patterning and imaging member |
ATE123885T1 (de) | 1990-05-02 | 1995-06-15 | Fraunhofer Ges Forschung | Belichtungsvorrichtung. |
US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
AU2747999A (en) | 1998-03-26 | 1999-10-18 | Nikon Corporation | Projection exposure method and system |
US6303394B1 (en) * | 1998-11-03 | 2001-10-16 | Advanced Micro Devices, Inc. | Global cluster pre-classification methodology |
JP2000353729A (ja) | 1999-06-10 | 2000-12-19 | Matsushita Electronics Industry Corp | 歩留り阻害要因推定方法および歩留り阻害要因推定装置 |
TW538251B (en) * | 2000-03-03 | 2003-06-21 | Promos Technologies Inc | Method for finding the root cause of the failure of a faulty chip |
KR100585476B1 (ko) | 2002-11-12 | 2006-06-07 | 에이에스엠엘 네델란즈 비.브이. | 리소그래피 장치 및 디바이스 제조방법 |
KR100610010B1 (ko) | 2004-07-20 | 2006-08-08 | 삼성전자주식회사 | 반도체 식각 장치 |
US7239371B2 (en) | 2005-10-18 | 2007-07-03 | International Business Machines Corporation | Density-aware dynamic leveling in scanning exposure systems |
NL1036351A1 (nl) | 2007-12-31 | 2009-07-01 | Asml Netherlands Bv | Alignment system and alignment marks for use therewith cross-reference to related applications. |
JP6066728B2 (ja) | 2009-12-15 | 2017-01-25 | ラム リサーチ コーポレーションLam Research Corporation | Cdの均一性を向上させるための基板温度調整を行う方法及びプラズマエッチングシステム |
US9177219B2 (en) | 2010-07-09 | 2015-11-03 | Asml Netherlands B.V. | Method of calibrating a lithographic apparatus, device manufacturing method and associated data processing apparatus and computer program product |
NL2009853A (en) | 2011-12-23 | 2013-06-26 | Asml Netherlands Bv | Methods and apparatus for measuring a property of a substrate. |
CN103336239B (zh) | 2013-06-03 | 2016-12-28 | 上海华虹宏力半导体制造有限公司 | 晶圆测试的方法 |
WO2015101458A1 (en) | 2013-12-30 | 2015-07-09 | Asml Netherlands B.V. | Method and apparatus for design of a metrology target |
NL2013677A (en) | 2014-01-24 | 2015-07-29 | Asml Netherlands Bv | Method of determining a measurement subset of metrology points on a substrate, associated apparatus and computer program. |
CN104809730B (zh) * | 2015-05-05 | 2017-10-03 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
KR20180066147A (ko) | 2015-10-08 | 2018-06-18 | 에이에스엠엘 네델란즈 비.브이. | 산업 공정을 제어하는 장치 및 방법들 |
WO2017067748A1 (en) | 2015-10-19 | 2017-04-27 | Asml Netherlands B.V. | Method and apparatus to reduce effects of nonlinear behavior |
WO2017140532A1 (en) | 2016-02-18 | 2017-08-24 | Asml Netherlands B.V. | Lithographic apparatus, device manufacturing method and associated data processing apparatus and computer program product |
KR102461086B1 (ko) | 2016-02-22 | 2022-10-28 | 에이에스엠엘 네델란즈 비.브이. | 계측 데이터에 대한 기여도들의 분리 |
JP6812450B2 (ja) | 2016-02-23 | 2021-01-13 | エーエスエムエル ネザーランズ ビー.ブイ. | パターン形成プロセスを制御する方法、リソグラフィ装置、メトロロジ装置リソグラフィックセル、および関連するコンピュータプログラム |
EP3309617A1 (en) | 2016-10-14 | 2018-04-18 | ASML Netherlands B.V. | Selecting a set of locations associated with a measurement or feature on a substrate |
EP3312693A1 (en) | 2016-10-21 | 2018-04-25 | ASML Netherlands B.V. | Methods & apparatus for controlling an industrial process |
EP3312672A1 (en) | 2016-10-21 | 2018-04-25 | ASML Netherlands B.V. | Methods of determining corrections for a patterning process, device manufacturing method, control system for a lithographic apparatus and lithographic apparatus |
CN113253578B (zh) | 2016-10-26 | 2024-08-27 | Asml荷兰有限公司 | 用于光刻过程的优化的方法 |
JP6883974B2 (ja) | 2016-11-15 | 2021-06-09 | ヤンマーパワーテクノロジー株式会社 | 収量分布算出装置及び収量分布算出プログラム |
US11086229B2 (en) | 2017-05-05 | 2021-08-10 | Asml Netherlands B.V. | Method to predict yield of a device manufacturing process |
WO2019149562A1 (en) | 2018-01-31 | 2019-08-08 | Asml Netherlands B.V. | Method to label substrates based on process parameters |
-
2019
- 2019-11-04 CN CN201980079801.2A patent/CN113168116B/zh active Active
- 2019-11-04 WO PCT/EP2019/080129 patent/WO2020114692A1/en unknown
- 2019-11-04 KR KR1020217017313A patent/KR102603071B1/ko active IP Right Grant
- 2019-11-04 US US17/295,193 patent/US11803127B2/en active Active
- 2019-11-04 EP EP19798274.7A patent/EP3891559A1/en active Pending
- 2019-11-13 TW TW108141115A patent/TWI726483B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5844850A (en) * | 1995-04-25 | 1998-12-01 | Mitsubishi Denki Kabushiki Kaisha | Apparatus for analyzing a failure in a semiconductor wafer and method thereof |
US20130174102A1 (en) * | 2011-12-28 | 2013-07-04 | Elitetech Technology Co.,Ltd. | Intelligent defect diagnosis method |
US20180275189A1 (en) * | 2017-03-23 | 2018-09-27 | Kla-Tencor Corporation | Methods and Systems for Inline Parts Average Testing and Latent Reliability Defect Detection |
EP3382606A1 (en) * | 2017-03-27 | 2018-10-03 | ASML Netherlands B.V. | Optimizing an apparatus for multi-stage processing of product units |
US20190057499A1 (en) * | 2017-08-21 | 2019-02-21 | Advanced Vision Technology (A.V.T.) Ltd. | System and method for generating images for inspection |
Non-Patent Citations (1)
Title |
---|
FEI-LONG CHEN等: "A Neural-Network Approach To Recognize Defect Spatial Pattern In Semiconductor Fabrication", IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING, vol. 13, no. 3, pages 366 - 373, XP011055824 * |
Also Published As
Publication number | Publication date |
---|---|
EP3891559A1 (en) | 2021-10-13 |
WO2020114692A1 (en) | 2020-06-11 |
TWI726483B (zh) | 2021-05-01 |
US20210389677A1 (en) | 2021-12-16 |
CN113168116B (zh) | 2024-04-16 |
TW202028882A (zh) | 2020-08-01 |
US11803127B2 (en) | 2023-10-31 |
KR20210078559A (ko) | 2021-06-28 |
KR102603071B1 (ko) | 2023-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110622069B (zh) | 用于预测器件制造工艺的良率的方法 | |
CN113406865B (zh) | 确定图案化过程的校正的方法 | |
CN107004060B (zh) | 用于半导体制造工艺的经改进工艺控制技术 | |
CN113168116B (zh) | 用于确定影响半导体制造过程中的产率的根本原因的方法 | |
CN113168111B (zh) | 用于预测半导体制造过程的产率的方法 | |
CN112088337B (zh) | 用于基于过程参数标记衬底的方法 | |
KR20220126761A (ko) | 리소그래피 매칭 성능의 결정 기술 | |
TWI779700B (zh) | 用於分類半導體晶圓之方法及設備 | |
KR20230038264A (ko) | 반도체 팹 내의 오염을 식별하기 위한 방법 및 장치 | |
KR20230156063A (ko) | 반도체 제조 프로세스를 특성화하기 위한 방법 및 장치 |
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 |