CN114457324A - 动态调节薄膜沉积参数的系统和方法 - Google Patents

动态调节薄膜沉积参数的系统和方法 Download PDF

Info

Publication number
CN114457324A
CN114457324A CN202110366655.0A CN202110366655A CN114457324A CN 114457324 A CN114457324 A CN 114457324A CN 202110366655 A CN202110366655 A CN 202110366655A CN 114457324 A CN114457324 A CN 114457324A
Authority
CN
China
Prior art keywords
thin film
data
deposition
condition data
process condition
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
Application number
CN202110366655.0A
Other languages
English (en)
Inventor
程仲良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiwan Semiconductor Manufacturing Co TSMC Ltd
Original Assignee
Taiwan Semiconductor Manufacturing Co TSMC Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiwan Semiconductor Manufacturing Co TSMC Ltd filed Critical Taiwan Semiconductor Manufacturing Co TSMC Ltd
Publication of CN114457324A publication Critical patent/CN114457324A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/52—Controlling or regulating the coating process
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
    • C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
    • C23C14/54—Controlling or regulating the coating process
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
    • C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
    • C23C14/54—Controlling or regulating the coating process
    • C23C14/542—Controlling the film thickness or evaporation rate
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/455—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for introducing gases into reaction chamber or for modifying gas flows in reaction chamber
    • C23C16/45523—Pulsed gas flow or change of composition over time
    • C23C16/45525—Atomic layer deposition [ALD]
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/455—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for introducing gases into reaction chamber or for modifying gas flows in reaction chamber
    • C23C16/45523—Pulsed gas flow or change of composition over time
    • C23C16/45525—Atomic layer deposition [ALD]
    • C23C16/45544—Atomic layer deposition [ALD] characterized by the apparatus
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/458—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for supporting substrates in the reaction chamber
    • C23C16/4582—Rigid and flat substrates, e.g. plates or discs
    • C23C16/4583—Rigid and flat substrates, e.g. plates or discs the substrate being supported substantially horizontally
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/02104—Forming layers
    • H01L21/02107—Forming insulating materials on a substrate
    • H01L21/02109—Forming insulating materials on a substrate characterised by the type of layer, e.g. type of material, porous/non-porous, pre-cursors, mixtures or laminates
    • H01L21/02112—Forming insulating materials on a substrate characterised by the type of layer, e.g. type of material, porous/non-porous, pre-cursors, mixtures or laminates characterised by the material of the layer
    • H01L21/02172—Forming insulating materials on a substrate characterised by the type of layer, e.g. type of material, porous/non-porous, pre-cursors, mixtures or laminates characterised by the material of the layer the material containing at least one metal element, e.g. metal oxides, metal nitrides, metal oxynitrides or metal carbides
    • H01L21/02175—Forming insulating materials on a substrate characterised by the type of layer, e.g. type of material, porous/non-porous, pre-cursors, mixtures or laminates characterised by the material of the layer the material containing at least one metal element, e.g. metal oxides, metal nitrides, metal oxynitrides or metal carbides characterised by the metal
    • H01L21/02181—Forming insulating materials on a substrate characterised by the type of layer, e.g. type of material, porous/non-porous, pre-cursors, mixtures or laminates characterised by the material of the layer the material containing at least one metal element, e.g. metal oxides, metal nitrides, metal oxynitrides or metal carbides characterised by the metal the material containing hafnium, e.g. HfO2
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/02104—Forming layers
    • H01L21/02107—Forming insulating materials on a substrate
    • H01L21/02225—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer
    • H01L21/0226—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer formation by a deposition process
    • H01L21/02263—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer formation by a deposition process deposition from the gas or vapour phase
    • H01L21/02271—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer formation by a deposition process deposition from the gas or vapour phase deposition by decomposition or reaction of gaseous or vapour phase compounds, i.e. chemical vapour deposition
    • H01L21/0228—Forming insulating materials on a substrate characterised by the process for the formation of the insulating layer formation by a deposition process deposition from the gas or vapour phase deposition by decomposition or reaction of gaseous or vapour phase compounds, i.e. chemical vapour deposition deposition by cyclic CVD, e.g. ALD, ALE, pulsed CVD
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Mechanical Engineering (AREA)
  • Materials Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Chemical Vapour Deposition (AREA)
  • Physical Vapour Deposition (AREA)
  • Physical Deposition Of Substances That Are Components Of Semiconductor Devices (AREA)
  • Inorganic Insulating Materials (AREA)

Abstract

薄膜沉积系统在半导体晶圆上沉积薄膜。薄膜沉积系统包括基于机器学习的分析模型。该分析模型通过接收静态工艺条件和目标薄膜数据来动态选择下一个沉积工艺的工艺条件。该分析模型可识别动态工艺条件数据，该数据与静态工艺条件数据一起可生成与目标薄膜数据匹配的预测薄膜数据。然后，沉积系统将静态和动态工艺条件数据用于下一个薄膜沉积工艺。

Description

动态调节薄膜沉积参数的系统和方法
技术领域
本公开的实施例涉及薄膜沉积领域。
背景技术
对于包括智能电话、平板电脑、台式计算机、膝上型计算机和许多其他类型的电子器件在内的电子器件，一直存在对提高计算能力的持续需求。集成电路为这些电子设备提供计算能力。增加集成电路中计算能力的一种方法是增加半导体衬底的给定区域可以包括的晶体管和其他集成电路部件的数量。
为了继续减小集成电路中部件的尺寸，实施了各种薄膜沉积技术。这些技术可以形成非常薄的膜。然而，薄膜沉积技术在确保正确形成薄膜方面也面临严重的困难。
发明内容
本申请的实施例提供了一种薄膜沉积方法，包括：向分析模型(140)提供静态工艺条件数据；用所述分析模型选择第一动态工艺条件数据；用所述分析模型，基于所述静态工艺条件数据和所述第一动态工艺条件数据生成第一预测薄膜数据；将所述第一预测薄膜数据与目标薄膜数据执行比较；如果所述第一预测薄膜数据与所述目标薄膜数据匹配，则以基于所述静态工艺条件数据和所述第一动态工艺条件数据的沉积工艺条件执行薄膜沉积工艺；以及如果所述第一预测薄膜数据与所述目标薄膜数据不匹配，则调整所述第一动态工艺条件数据。
本申请的实施例提供一种薄膜沉积方法，包括：用机器学习工艺训练分析模型(140)以预测薄膜的特性；在训练所述分析模型后，将目标薄膜数据提供给所述分析模型；用所述分析模型识别工艺条件数据，所述工艺条件数据产生与所述目标薄膜数据相符的预测薄膜数据；以及以基于所述工艺条件数据的沉积工艺条件在半导体晶圆(104)上执行薄膜沉积工艺。
本申请的实施例提供一种薄膜沉积系统，包括：薄膜沉积室(102)；支撑件(106)，配置为在所述薄膜沉积室内支撑衬底；流体源(108)，配置为在薄膜沉积工艺中将流体提供到所述薄膜沉积室中；以及控制系统(124)，配置为基于机器学习工艺识别用于所述薄膜沉积工艺的工艺条件数据，并根据所述工艺条件数据在所述薄膜沉积工艺中控制所述第一流体源。
附图说明
图1是根据一个实施例的薄膜沉积系统的示图。
图2是根据一个实施例的薄膜沉积系统的控制系统的框图。
图3A是根据一个实施例的用于训练控制系统的分析模型的工艺的流程图。
图3B是示出根据一个实施例的分析模式的操作和训练方面的框图。
图4是根据一个实施例的用于结合分析模型执行薄膜沉积工艺的工艺流程图。
图5是根据一个实施例的用于形成薄膜的方法的流程图。
图6是根据一个实施例的用于形成薄膜的方法的流程图。
具体实施方式
在以下描述中，针对集成电路管芯内的各种层和结构描述了许多厚度和材料。对于各种实施例，通过示例的方式给出了特定的尺寸和材料。根据本公开，本领域技术人员将认识到，在不脱离本公开的范围的情况下，可以在许多情况下使用其他尺寸和材料。
以下公开提供了用于实现所描述的主题的不同部件的许多不同的实施例或示例。下面描述组件和布置的特定示例以简化本描述。当然，这些仅是示例，而无意于执行限制。例如，在下面的描述中，在第二部件之上或之上的第一部件的形成可以包括其中第一和第二部件直接接触形成的实施例，并且还可以包括其中在第一部件和第二部件之间形成附加部件，使得第一和第二部件可以不直接接触的实施例。另外，本公开可以在各个示例中重复参考数字和/或字母。该重复是出于简单和清楚的目的，并且其本身并不指示所讨论的各种实施例和/或配置之间的关系。
此外，为了便于描述，在本文中可以使用诸如“下面”、“低于”、“在...下”、“在上方”、“在…上”之类的空间相对术语来描述如图所示一个元件或部件与另一元件的关系。除了在附图中描绘的方位之外，空间相对术语还意图涵盖设备在使用或操作中的不同方位。装置可以以其他方式定向(旋转90度或以其他定向)，并且本文中使用的空间相对描述语可以同样地被相应地解释。
在以下描述中，阐述了某些特定细节以便提供对本公开的各种实施例的透彻理解。然而，本领域技术人员将理解，可以在没有这些具体细节的情况下实践本公开。在其他情况下，未详细描述与电子部件和制造技术相关联的公知结构，以避免不必要地使本公开的实施例的描述不清楚。
除非上下文另外要求，否则在整个说明书和随后的权利要求书中，词语“包括”及其变体(例如“含”和“包含”)应以开放的、包容性的意义来解释，即“包括但不限于”。
诸如第一、第二和第三之类的序数的使用不一定暗含排序的秩序感，而仅可以区分动作或结构的多个实例。
在整个说明书中，对“一实施例”或“一个实施例”的引用意味着结合该实施例描述的特定部件、结构或特性包括在至少一个实施例中。因此，在整个说明书中各处出现的短语“在一实施例中”或“在一个实施例中”不一定都指的是同一实施例。此外，在一个或多个实施例中，可以以任何合适的方式组合特定的部件、结构或特性。
如本说明书和所附权利要求书中所使用的，单数形式“一个”、“一种”和“该”包括复数个对象，除非内容中另有明确规定。还应注意，除非内容清楚地另外指出，否则术语“或”通常以包括“和/或”的意义使用。
本公开的实施例提供了可靠的厚度和成分的薄膜。本公开的实施例利用机器学习技术来在沉积工艺之间或甚至在沉积工艺期间调整薄膜沉积工艺参数。本公开的实施例用机器学习技术来训练分析模型以确定应当为下一个薄膜沉积工艺或者甚至当前薄膜沉积工艺的下一阶段实施的工艺参数。最终薄膜沉积工艺产生具有可靠地落在目标规格内的厚度和组成的薄膜。如果未正确形成薄膜，则包含薄膜的集成电路将不会出现性能问题。此外，成批的半导体晶圆将具有提高的产量和更少的报废晶圆。
图1是根据一个实施例的薄膜沉积系统100的框图。薄膜沉积系统100包括具有内部容积103的薄膜沉积室102。支撑件106位于内部容积103内，并且配置为在薄膜沉积工艺中支撑衬底104。薄膜沉积系统100配置为在基板104上沉积薄膜。薄膜沉积系统100包括动态地调节薄膜沉积参数的控制系统124。在描述薄膜沉积系统100的操作之后，提供控制系统124的细节。
在一个实施例中，薄膜沉积系统100包括第一流体源108和第二流体源110。第一流体源108将第一流体供应到内部容积中。第二流体源110将第二流体供应到内部容积103中。第一和第二流体都有助于在基板104上沉积薄膜。尽管图1示出了流体源108和110，但实际上，流体源108和110可以包括或供应除流体之外的材料。例如，流体源108和110可以包括为沉积工艺提供所有材料的材料源。
在一个实施例中，薄膜沉积系统100是执行ALD工艺的原子层沉积(ALD)系统。ALD工艺在衬底104上形成种子层。选择种子层以与第一前驱物气体(例如由第一流体源108供应的第一流体)化学性相互作用。将第一流体供应到内部容积103中。第一流体与种子层反应，以与种子层表面的每个原子或分子形成新的化合物。这对应于第一层的沉积或薄膜的第一层的沉积中的第一步。主要参考ALD系统来描述图1和本文中的图。然而，在不脱离本公开的范围的情况下，可以用其他类型的薄膜沉积系统。这些和其他类型的薄膜沉积系统可以包括化学气相沉积系统、物理气相沉积系统或其他类型的沉积系统。
种子层与第一流体之间的反应产生副产物。在第一流体流过选定的时间量之后，将净化气体供应到内部容积中，以通过排气通道120从内部容积103净化第一流体的副产物以及第一流体的未反应部分。
在净化第一流体之后，诸如第二流体的第二前体气体从第二流体源110被供应到内部容积中。第二流体与第一层反应以在第一层的顶部上形成第二层。或者，第二流体的流动可通过与第一层的第一部分反应来完成第一层的形成。该反应也可能产生副产物。再次将净化气体供应到内部容积103中，以从内部容积103中净化第二流体的副产物以及第二流体的未反应部分，然后再次净化直到薄膜具有选定的厚度。
由薄膜沉积系统100产生的薄膜的参数会受到大量工艺条件的影响。工艺条件可以包括但不限于流体源108、110中剩余的流体或材料的量；来自流体源108、110的流体或材料的流速；由流体源108和110提供的流体的压力；将流体或材料输送到沉积室102中的管或导管的长度；限定或包含在沉积室102中的安瓿的使用年限；沉积室102内的温度；沉积室内的湿度102；沉积室102内的压力，沉积室102内的光吸收反射；半导体晶圆104的表面部件；由流体源108和110提供的材料的组成；由流体源108和110提供的材料的相；沉积工艺的持续时间；沉积工艺的各个阶段的持续时间以及各种其他因素，包括以上未明确列出的因素。
在沉积工艺期间各种工艺条件的组合确定由沉积工艺形成的薄膜的厚度、组成或晶体结构或其他参数。工艺条件可能会导致薄膜的参数不落在目标参数之内。如果发生这种情况，则由半导体晶圆104形成的集成电路可能无法正常工作。成批的半导体晶圆的质量可能会受到影响。在某些情况下，可能需要报废某些半导体晶圆。
薄膜沉积系统100用控制系统124来动态地调整工艺条件，以确保沉积工艺产生具有落入目标参数或特性内的参数或特性的薄膜。控制系统124连接到与薄膜沉积系统100相关的工艺设备。该工艺设备可以包括图1所示的组件和图1中未示出的组件。控制系统124可以控制来自流体源108和110的材料的流速；由流体源108和110供应的材料的温度；由流体源108和110提供的流体的压力；来自净化源112和114的材料的流速；来自流体源108和110以及净化源112、114的材料的流动持续时间；沉积室102内的温度；沉积室102内的压力；沉积室102内的湿度以及薄膜沉积工艺的其他方面。控制系统124控制这些工艺参数，以便薄膜沉积工艺产生具有诸如目标厚度、目标成分、目标晶体取向等目标参数的薄膜。
控制系统124用机器学习工艺以便动态地调整工艺参数以确保薄膜的质量。如将相对于图2更详细地描述的，控制系统124用与大量历史薄膜沉积工艺有关的大量数据。数据包括历史工艺参数和所得薄膜的参数。机器学习工艺训练分析模型，以基于工艺参数的组预测薄膜特性。在训练分析模型之后，控制系统124能够动态地选择用于将来的薄膜沉积工艺的工艺参数。
在某些情况下，薄膜沉积工艺在薄膜沉积工艺的各个阶段对第一和第二流体的浓度或流速可能非常敏感。如果在特定阶段第一或第二流体的浓度或流速不够高，则薄膜可能无法在基板104上适当地形成。例如，如果第一或第二流体的浓度或流速不够高不理想，则薄膜可能不具有期望的组成或厚度。
保留在第一和第二流体源108和110中的流体量会影响沉积室102中的第一和第二流体的流速或浓度。例如，如果第一流体源108具有少量的第一流体剩余，则来自第一流体源108的第一流体的流速可能较低。如果第一流体源108是空的并且不包括任何更多的第一流体，则将不存在来自第一流体源108的第一流体的流动。相同的考虑适用于第二流体源110。低或不存在的流速可能会导致无法正确形成薄膜。
在一实施例中，薄膜沉积系统100包括排气通道120，该排气通道120连通地连接至沉积室102的内部容积。来自薄膜沉积工艺的排气产物通过排气通道120从内部容积流出。排气产物可包括第一和第二流体的未反应部分、第一和第二流体的副产物、用于净化内部容积的净化流体或其他流体或材料。
薄膜沉积系统100可以包括耦合至排气通道120的副产物传感器。副产物传感器122配置为感测来自第一流体和第二流体中的一个或两者的排气中流动的副产物的存在和/或浓度。第一和第二流体通过排气通道120相互作用。第一和第二流体一起相互作用以在基板104上形成薄膜。沉积工艺还导致第一和第二流体的副产物。这些副产物的浓度指示在沉积工艺中第一和第二流体中一个或二者的浓度或流速。副产物传感器122感测从内部容积流过排气通道120的排气中的副产物的浓度。
在一个实施例中，薄膜沉积系统100包括控制系统124。控制系统124耦合至副产物传感器122。控制系统124从副产物传感器122接收传感器信号。从副产物传感器122的传感器信号表示排气中的第一和第二流体中的一个或二者的副产物的浓度。控制系统124可以分析传感器信号并确定在沉积工艺的特定阶段期间第一流体源108和第二流体源110中的一个或二者的流速或浓度。控制系统124还可以确定第一流体源108中的第一流体和/或第二流体源110中的第二流体的剩余液位。
控制系统124可以包括一个或多个计算机可读存储器。一个或多个存储器可以存储软件指令，该软件指令用于分析来自副产物传感器122的传感器信号并且用于基于传感器信号来控制薄膜沉积系统100的各个方面。控制系统124可包括配置为执行软件指令的一个或多个工艺器。控制系统124可以包括使得能够与副产物传感器122和薄膜沉积系统100的其他组件执行通信的通信资源。
在一个实施例中，控制系统124经由一个或多个通信通道125通信地耦合至第一和第二流体源108、110。控制系统124可以经由通信通道125将信号发送到第一流体源108和第二流体源110。控制系统124可以部分地响应于来自副产物传感器122的传感器信号来控制第一和第二流体源108、110的功能。
在一个实施例中，副产物传感器122感测排气中副产物的浓度。副产物传感器122将传感器信号发送至控制系统124。控制系统124基于来自副产物传感器122的传感器信号，分析传感器信号并确定来自第一流体源108的第一流体的最新流速低于预期。控制系统124向第一流体源108发送控制信号，命令第一流体源108在随后的沉积循环期间增加第一流体的流速。第一流体源108响应于来自控制系统124的控制信号而增加进入沉积室102的内部容积103的第一流体的流速。副产物传感器122可再次产生指示副产物浓度的传感器信号。在随后的沉积循环中注入第一流体。控制系统124可以基于来自副产物传感器122的传感器信号来确定是否需要调节第一流体的流量。通过这种方式，副产物传感器122、控制系统124和第一流体源108组成用于调节第一流体的流量的反馈回路。控制系统124还可以以与第一流体源108相同的方式控制第二流体源110。此外，控制系统124可以控制第一流体源108和第二流体源110。
在一个实施例中，薄膜沉积系统100可以包括一个或多个用于控制来自第一流体源108的第一流体的流量阀、泵或其他流量控制机构。这些流量控制机构可以是第一流体源108的一部分或可以与第一流体源108分离。控制系统124可以通信地耦合至这些流量控制机构或控制这些流量控制机构的系统。控制系统124可以通过控制这些机构来控制第一流体的流量。控制系统100可以包括阀、泵或其他流量控制机构，该阀、泵或其他流量控制机构以与以上参照第一流体和第一流体源108所述的方式相同的方式控制来自第二流体源110的第二流体的流动。
在一个实施例中，控制系统124可以基于来自副产物传感器122的传感器信号来确定多少第一流体残留在第一流体源108中。控制系统124可以分析传感器信号以确定第一流体源108为空或几乎为空。控制系统124可以向技术人员或其他人员提供指示，以指示第一流体源108是空的或几乎是空的，并且第一流体源108应被重新填充或更换。这些指示可以显示在显示器上，可以通过电子邮件、即时消息或其他通信平台来传输，使技术人员或其他专家或系统能够理解第一和第二流体源108、110中的一个或二者为空或接近空的。
在一个实施例中，薄膜沉积系统100包括歧管混合器116和流体分配器118。歧管混合器116从第一流体源108和第二流体源110一起或分开地接收第一和第二流体。歧管混合器116将第一流体、第二流体或第一和第二流体的混合物提供给流体分配器118。流体分配器118从歧管混合器116接收一种或多种流体，并分配一种或多种流体。流体流入薄膜沉积室102的内部容积103。
在一个实施例中，第一流体源108通过第一流体通道130联接至歧管混合器116。第一流体通道130将第一流体从流体源108运送至歧管混合器116。第一流体通道130可以是用于将第一流体从第一流体源108传递到歧管混合器116的管、管道或其他合适的通道。第二流体源110通过第二流体通道132耦合至歧管混合器116。第二流体通道132运载第二流体从第二流体源110流到歧管混合器116。
在一个实施例中，歧管混合器116通过第三流体管线134联接至流体分配器118。第三流体管线134将流体从歧管混合器116输送至流体分配器118。第三流体管线134可承载第一流体、第二流体、第一和第二流体的混合物或其他流体，如将在下面更详细地描述的。
第一和第二流体源108、110可以包括流体罐。流体罐可以存储第一和第二流体。流体罐可以选择性地输出第一和第二流体。
在一个实施例中，薄膜沉积系统100包括第一净化源112和第二净化源114。第一净化源通过第一净化管线136耦合至第一流体管线130。第二净化源耦合至第一净化管线136。流体管线132由第二净化管线138提供。实际上，第一净化源和第二净化源可以是单个净化源。
在一个实施例中，第一和第二净化源112、114将净化气体供应到沉积室102的内部容积103中。净化流体是被选择以从沉积室102的内部容积103净化或携带第一流体、第二流体、第一或第二流体的副产物或其他流体。净化流体被选择为不与衬底104、沉积在衬底104上的薄膜层、第一和第二流体及该第一或第二流体的副产物相互作用。因此，净化流体可以是惰性气体，包括但不限于Ar或N2。
在第一或第二流体中的一个或二者流入内部容积的循环之后，薄膜沉积系统100通过使净化流体流入内部容积并通过排气通道120来净化内部容积。控制系统124可以通信地耦合至第一和第二净化源112、114，或控制来自第一和第二净化源112、114的净化流体的流动的流动机构。控制系统124可以净化内部容积103。在沉积循环之后或之间，这将在下面更详细地说明。
在一个实施例中，第一和第二净化管线136、138以选定的角度连接第一和第二流体管线130、132。选择角度以确保净化流体流向歧管混合器116，而不流向第一或第二流体源108、110。同样，该角度有助于确保第一和第二流体将从第一和第二流体源108、110朝向歧管混合器116而不朝向第一和第二净化源112、114流出。
尽管图1示出了第一流体源108和第二流体源110，但是实际上薄膜沉积系统100可以包括其他数量的流体源。例如，薄膜沉积系统100可仅包括单个流体源或多于两个流体源。因此，在不脱离本公开的范围的情况下，薄膜沉积系统100可以包括与两个流体源不同的数量。
此外，在一个实施例中，已经描述了薄膜沉积系统100作为ALD系统，在不脱离本公开的范围的情况下，薄膜沉积系统100可以包括其他类型的沉积系统。例如，在不脱离本公开的范围的情况下，薄膜沉积系统100可以包括化学气相沉积系统、物理气相沉积系统、溅射系统或其他类型的薄膜沉积系统。副产物传感器122可用于确定沉积流体的流量或浓度以及沉积流体源中剩余多少沉积流体。
在一个实施例中，第一流体源108包括呈气体或液体形式的H2O。第二流体源110包括HfCL4流体。HfCL4流体可以是气体。第一和第二流体可以用于形成用于CMOS晶体管的铪基高K栅极介电层。
在第一时间段内，第一流体(H2O)从第一流体源108输出到内部容积中。在一个示例中，第一流体流动了大约10秒，尽管可以使用其他时间长度而不偏离从本公开的范围来看。
在第一时间段之后，在第二时间段期间，将净化气体从净化源112输出到内部容积103中。净化气体可以包括氮分子(N2)或另一种非反应性气体。在一个示例中，尽管在不脱离本公开的范围的情况下可以使用其他时间长度，但是净化气体流动2-10秒。净化气体可以从净化源112流出，也可以从净化源112和净化源114流出。
在第二时间段之后的第三时间段期间，HfCL4从第二流体源110输出到内部容积103中。在一个示例中，HfCL4流动大约1-10s，但是可以使用其他时间长度而无需脱离本公开的范围。
在第三时间段之后的第四时间段期间，净化气体从净化源112输出到内部容积103中。在一个示例中，净化气体流动1-10s，但是可以使用其他时间长度而没有脱离本公开的范围。净化气体可从净化源114或从净化源112和净化源114两者流动。
在一实施例中，种子层包含功能化的氧原子。当将第一流体(H2O)提供到内部容积中时，H2O分子与种子层的功能化的氧原子反应以从每个功能化的氧原子形成OH。该反应的副产物以及任何剩余的H2O分子，通过净化气体的流动经由排气通道120从内部容积103中被净化。然后将HfCl4提供到内部容积中。HfCl4与OH化合物反应以在基板104上形成Hf-O-HfCl3。该反应的副产物之一是HCl。净化气体再次流动，然后是H2O。H2O与Hf-O-HfCl3反应以在基板104上形成Hf-OH3。该反应的副产物是HCl。然后，净化气体再次流动。如上所述，该循环可以重复多次。
控制系统124可以用机器学习工艺来动态地调整循环之间和沉积之间的ALD工艺的参数。动态调整参数可以包括调整各种流体流动和净化循环的持续时间。动态调节参数可以包括调节来自流体源108和110以及来自净化源112和114的流体的流速。
图2是根据一个实施例的控制系统124的框图。根据一个实施例，图2的控制系统124配置为控制ALD系统100的操作。控制系统124用机器学习来调整ALD系统100的参数。控制系统124可以在ALD运行之间或者甚至在ALD循环之间调整ALD系统100的参数，以确保由ALD形成的薄膜层。工艺符合所选规格。
在一实施例中，控制系统124包括分析模型140和训练模块141。训练模块用机器学习工艺训练分析模型140。机器学习工艺训练分析模型140以选择用于ALD工艺的参数，该参数将导致具有选定特性的薄膜。尽管训练模块141显示为与分析模型140分离，但实际上，训练模块141可以是分析模型140的一部分。
控制系统124包括或存储训练集数据142。训练集数据142包括历史薄膜数据144和历史工艺条件数据146。历史薄膜数据144包括与由ALD工艺产生的薄膜有关的数据。历史工艺条件数据146包括与在产生薄膜的ALD工艺期间的工艺条件有关的数据。如将在下面更详细地阐述的，训练模块141用历史薄膜数据144和历史工艺条件数据146来训练具有机器学习工艺的分析模型140。
在一实施例中，历史薄膜数据144包括与先前沉积的薄膜的厚度有关的数据。例如，在半导体制造设施的操作期间，可以在几个月或几年的工艺中工艺数千或数百万个半导体晶圆。每个半导体晶圆可以包括通过ALD工艺沉积的薄膜。在每个ALD工艺之后，测量薄膜的厚度，作为质量控制工艺的一部分。历史薄膜数据144包括通过ALD工艺沉积的每个薄膜的厚度。因此，历史薄膜数据144可以包括通过ALD工艺沉积的大量薄膜的厚度数据。
在一实施例中，历史薄膜数据144还可包括与在薄膜沉积工艺的中间阶段的薄膜厚度有关的数据。例如，ALD工艺可以包括大量的沉积循环、在该沉积循环期间沉积薄膜的各个层。历史薄膜数据144可以包括在各个沉积循环或成组的沉积循环之后的薄膜的厚度数据。因此，历史薄膜数据144不仅包括与在ALD工艺完成之后的薄膜的总厚度有关的数据，而且还可以包括与在ALD工艺的各个阶段的薄膜的厚度有关的数据。
在一实施例中，历史薄膜数据144包括与通过ALD工艺沉积的薄膜的成分有关的数据。在沉积薄膜之后，可以执行测量以确定薄膜的元素或分子组成。薄膜的成功沉积导致薄膜中包含特定比例的某些元素或化合物。不成功的沉积可能会导致薄膜不包含指定比例的元素或化合物。历史薄膜数据144可以包括来自测量的数据，该数据指示组成各种薄膜的元素或化合物。
在一实施例中，历史薄膜数据144包括与通过ALD工艺沉积的薄膜的晶体结构有关的数据。薄膜的成功沉积可能会导致特定的晶体结构。可以在薄膜上执行X射线晶体学测量，以确定各种薄膜的晶体结构。历史薄膜数据144可以包括各种薄膜的晶体结构数据。
在一个实施例中，历史工艺条件146包括在ALD工艺中产生与历史薄膜数据144相关联的薄膜的各种工艺条件或参数。因此，对于具有历史薄膜数据144中的数据的每个薄膜，历史工艺条件数据146可以包括在薄膜沉积期间存在的工艺条件或参数。例如，历史工艺条件数据146可以包括与在ALD工艺期间在工艺室内的压力，温度和流体流速有关的数据。
历史工艺条件数据146可以包括与在ALD工艺期间流体源中的前驱物材料的剩余量有关的数据。历史工艺条件数据146可以包括与沉积室102的寿命、在沉积室102中已经执行的沉积工艺的数量、自沉积室102以来已经在工艺室102中执行的沉积工艺的数量有关的数据。沉积室102的最新清洁周期或与工艺室102有关的其他数据。历史工艺条件数据146可以包括与在沉积工艺期间引入工艺室102中的化合物或流体有关的数据。与化合物有关的数据可以包括化合物的类型、化合物的相(固体，气体或液体)、化合物的混合物、或与引入到工艺室102中的化合物或流体有关的其他方面。历史工艺条件数据146可以包括与ALD工艺期间与工艺室102内的湿度有关的数据。历史工艺条件数据146可以包括与与工艺室102有关的光吸收、光吸附和光反射有关的数据。历史工艺条件数据126可以包括与携带化合物的管、管道或导管的长度有关的数据或在ALD工艺期间流体流入到工艺室102中。历史工艺条件数据146可以包括与在ALD工艺期间将化合物或流体携带到工艺室102中的载气的状态有关的数据。
在一个实施例中，历史工艺条件数据146可以包括单个ALD工艺的多个单独循环中的每一个的工艺条件。因此，历史工艺条件数据146可以包括用于非常大量的ALD循环的工艺条件数据。
在一个实施例中，训练集数据142将历史薄膜数据144与历史工艺条件数据146链接。换句话说，与历史薄膜中的薄膜相关联的薄膜厚度，材料成分或晶体结构。膜数据144链接到与该沉积工艺相关的工艺条件数据。如将在下面更详细地阐述的那样，可以在机器学习工艺中用标记的训练集数据来训练分析模型140以预测将导致正确形成薄膜的半导体工艺条件。
在一实施例中，分析模型140包括神经网络。将关于神经网络来描述分析模型140的训练。然而，在不脱离本公开的范围的情况下，可以使用其他类型的分析模型或算法。训练模块141用训练集数据142来通过机器学习工艺来训练神经网络。在训练工艺中，神经网络从训练集合数据中接收历史工艺条件数据146作为输入。在训练工艺中，神经网络输出预测薄膜数据。预测薄膜数据预测由历史工艺条件数据产生的薄膜特性。训练工艺训练神经网络以生成预测薄膜数据。预测薄膜数据可以包括薄膜厚度，薄膜密度，薄膜组成或其他薄膜参数。
在一实施例中，神经网络包括多个神经层。各种神经层包括定义一个或多个内部功能的神经元。内部函数基于与神经网络的每个神经层的神经元相关的加权值。在训练期间，控制系统124针对每组历史工艺条件数据将预测薄膜数据与与由那些工艺条件导致的薄膜相关联的实际历史薄膜数据执行比较。控制系统生成误差函数，该误差函数指示预测薄膜数据与历史薄膜数据的匹配程度。然后，控制系统124调整神经网络的内部功能。因为神经网络基于内部函数生成预测薄膜数据，所以调整内部函数将导致针对同一组历史工艺条件数据生成不同的预测薄膜数据。调整内部函数可以导致预测薄膜数据，该预测薄膜数据产生较大的误差函数(与历史薄膜数据144更差地匹配)或较小的误差函数(与历史薄膜数据144更好地匹配)。
在调整神经网络的内部功能之后，历史工艺条件数据146再次被传递到神经网络，并且分析模型140再次生成预测薄膜数据。训练模块141再次将预测薄膜数据与历史薄膜数据144执行比较。训练模块141再次调整神经网络的内部功能。在监视误差函数和调整神经网络的内部函数的大量迭代中重复此工艺，直到找到一组内部函数，这些结果导致与历史薄膜数据匹配的预测薄膜数据144在整个培训工艺中。
在训练工艺的开始，预测薄膜数据很可能与历史薄膜数据144非常不匹配。但是，随着训练工艺通过调整神经网络内部功能的许多迭代工艺而执行，误差函数将趋于逐渐减小，直到找到一组内部函数，从而得出与历史上的薄膜匹配的预测薄膜数据为止。胶片数据144。对一组内部函数的识别会导致训练工艺的完成，该内部函数会导致与历史薄膜数据144相匹配的预测薄膜数据。一旦训练工艺完成，就可以使用神经网络来调整薄膜沉积工艺的参数。
在一个实施例中，在训练了分析模型140之后，可以用分析模型140来生成将导致具有选定特性的薄膜的一组工艺条件。例如，控制系统124可以向分析模型140提供与薄膜的期望参数相对应的目标薄膜参数。目标参数可以包括膜的厚度、薄膜的组成、薄膜的晶体结构或其他目标参数。如下面更详细地阐述的，分析模型140识别出一组工艺参数，这些工艺参数将导致具有目标参数的薄膜。特别地，分析模型140生成工艺调整数据，该工艺调整数据指示应当用于下一个薄膜沉积工艺或该薄膜沉积工艺中的下一个阶段的工艺参数。
在一实施例中，分析模型140用当前工艺参数数据来辅助产生工艺调整数据。当前的工艺参数数据包括与与薄膜沉积工艺相关的加工设备的当前状况有关的数据。例如，当前工艺条件数据可以包括将在薄膜沉积工艺中使用的安瓿的当前寿命。安瓿的当前寿命可以指示安瓿的实际寿命和已经用安瓿执行的许多沉积工艺中的一个或两个。当前的工艺参数数据可以包括流体源108和110或净化源112和114中的剩余材料水平。当前的工艺参数数据可以包括将在薄膜沉积工艺中使用的材料的类型。当前的工艺条件数据可以包括与将在薄膜沉积工艺中使用的材料的相有关的数据。当前的工艺条件数据可以包括将流体或材料输送到沉积室中的管道，导管或管的长度。
当前的工艺条件数据可以包括与将在下一个沉积工艺中用的半导体晶圆或其他目标有关的数据。例如，当前工艺条件数据可以包括半导体晶圆的有效暴露的游戏区域。当前的工艺条件数据可以包括半导体晶圆的暴露的有效游戏区域的晶体取向。当前的工艺条件数据可以包括暴露的有效平坦区域的粗糙度指数。当前的工艺条件数据可以包括与半导体晶圆或其他目标的表面部件相关的暴露的有效侧壁倾斜。当前的工艺条件数据可以包括与半导体晶圆或其他靶材的暴露表面相关的薄膜功能组。当前工艺条件数据可以包括半导体晶圆或其他目标的部件的暴露侧壁的功能组。当前的工艺条件数据可以包括与半导体晶圆或其他目标相关的晶圆旋转或倾斜参数。
因此，当前工艺条件数据可以包括用于下一薄膜沉积工艺的固定条件或薄膜沉积工艺的下一阶段的阶段。当前工艺条件数据可以包括历史工艺条件数据146中包括的许多相同类型的数据。
在一实施例中，当前工艺条件数据可包括与在沉积工艺期间沉积室内的温度有关的数据。当前的工艺条件数据可以包括与在沉积工艺期间沉积室内的压力有关的数据。当前的工艺条件数据可以包括与沉积室内的湿度有关的数据。
在一实施例中，分析模型140用当前的工艺条件数据和目标薄膜参数数据来产生工艺调整数据。工艺调整数据基于当前工艺条件数据和目标薄膜参数数据，识别应用于下一个薄膜沉积工艺或下一个薄膜沉积工艺下一阶段的工艺参数。工艺调整数据对应于可以为下一沉积工艺或下一薄膜沉积工艺改变或调整的条件或参数。可以调整的参数的示例包括从流体源108和110进入沉积室的流体或材料的流速、沉积室中的温度、沉积室中的压力、沉积工艺或阶段的持续时间在沉积工艺中，可以在薄膜沉积工艺中施加的电压水平，或者可以在薄膜沉积工艺之间或薄膜沉积工艺的各阶段之间动态调整的其他方面。分析模型140可以识别这些参数的值，这些值将导致薄膜具有目标薄膜参数，例如目标厚度、目标组成、目标晶体结构或其他特性。
在一个实施例中，分析模型140通过将当前工艺条件数据传递给分析模型140来生成工艺调整数据。然后，分析模型140将为可被调整的动态工艺条件选择试验值。然后，分析模型140将基于当前工艺条件数据和动态工艺条件的试验值来生成预测薄膜数据。预测薄膜数据包括基于当前工艺条件数据和动态工艺条件的，由薄膜沉积工艺产生的薄膜的预测厚度，预测成分，预测晶体结构或其他预测特性。数据。如果预测薄膜数据落在目标薄膜参数之内，则分析模型140可以生成指定动态工艺条件数据的值的工艺调整数据。指定的值将用于下一个薄膜沉积工艺或薄膜沉积工艺的下一个阶段。如果预测薄膜数据不在目标薄膜参数之内，则分析模型140为动态工艺条件数据选择其他试验值，并基于新的试验值生成预测薄膜数据。反复重复此工艺，直到找到动态工艺条件的值，这些值会导致预测薄膜数据落在目标薄膜参数之内。
在一个实施例中，因为已经使用机器学习工艺来训练分析模型140，该机器学习工艺训练了分析模型140以基于工艺条件数据来生成薄膜数据，所以分析模型140能够识别将导致以下结果的工艺调整数据：具有参数落在目标薄膜参数内的薄膜。分析模型140可以在非常短的时间内生成工艺调整数据。例如，分析模型140可以在不到三秒的时间内生成工艺调整数据，尽管在不脱离本公开的范围的情况下其他值也是可能的。因此，分析模型140可以在每个薄膜沉积工艺之间或在薄膜沉积工艺的每个阶段之间运行。
在一实施例中，控制系统124包括工艺资源148，存储资源150和通信资源152。工艺资源148可包括一个或多个控制器或工艺器。工艺资源148配置为执行软件指令，工艺数据，做出薄膜沉积控制决定，执行信号工艺，从存储器读取数据，将数据写入存储器以及执行其他工艺操作。工艺资源148可以包括位于薄膜沉积系统100的站点或设施处的物理工艺资源148。工艺资源可以包括远离站点薄膜沉积系统100或设备所处的设施的虚拟工艺资源148。薄膜沉积系统100位于。工艺资源148可包括基于云的工艺资源，其包括经由一个或多个云计算平台访问的工艺器和服务器。
在一实施例中，存储资源150可包含一个或一个以上计算机可读存储器。存储资源150配置为存储与控制系统及其组件的功能相关联的软件指令，包括但不限于分析模型140。存储资源150可以存储与控制系统124的功能相关联的数据。及其组件。该数据可以包括训练集数据142，当前工艺条件数据以及与控制系统124或其任何组件的操作相关联的任何其他数据。存储资源150可以包括位于薄膜沉积系统100的站点或设施处的物理存储资源。存储资源可以包括位于远离薄膜沉积系统100的站点或设施处的虚拟存储资源。存储资源150可包括经由一个或多个云计算平台访问的基于云的存储资源。
在一个实施例中，通信资源可以包括使控制系统124能够与与薄膜沉积系统100相关联的设备执行通信的资源。例如，通信资源152可以包括使控制系统124能够执行的有线和无线通信资源。接收与薄膜沉积系统100相关的传感器数据并控制薄膜沉积系统100的设备。通信资源152可使控制系统124控制来自流体源的流体或其他材料的流动净化源108和110以及来自净化源112和114的通信。通信资源152可以使控制系统124能够控制加热器、电压源、阀、排气通道、晶圆传送设备以及与薄膜沉积系统相关的任何其他设备。通信资源152可以使控制系统124能够与远程系统执行通信。通信资源152可包括或可促进经由诸如有线网络、无线网络、因特网或内联网的一个或多个网络的通信。通信资源152可以使控制系统124的组件能够彼此通信。
在一个实施例中，分析模型140是通过工艺资源148，存储资源150和通信资源152来实现的。控制系统124可以是分散的控制系统，其组件和资源以及位置彼此远离并且远离。薄膜沉积系统100。
图3A是根据一个实施例的用于训练分析模型以识别将导致薄膜的适当沉积的工艺条件的工艺300的流程图。分析模型的一个例子是图2的分析模型140。工艺300的各个步骤可以用关于图1-图2描述的组件、工艺和技术。因此，参考图1-图2描述图3A。
在302处，工艺300收集包括历史薄膜数据和历史工艺条件数据的训练集数据。这可以通过使用数据挖掘系统或工艺来完成。数据挖掘系统或工艺可以通过访问与薄膜沉积系统100相关联的一个或多个数据库并收集和组织包含在一个或多个数据库中的各种类型的数据来收集训练集数据。数据挖掘系统或工艺、或另一个系统或工艺，可以对收集的数据执行工艺和格式化，以生成训练集数据。训练集数据142可以包括历史薄膜数据144和历史工艺条件数据146，如关于图2所描述的。
在304处，工艺300将历史工艺条件数据输入到分析模型。在一个示例中，这可以包括如关于图2所描述的，通过训练模块141将历史工艺条件数据146输入到分析模型140中。历史工艺条件数据可以以连续的离散集合的形式被提供给分析模型140。区集可以对应于单个薄膜沉积工艺或单个薄膜沉积工艺的一部分。可以将历史工艺条件数据作为矢量提供给分析模型140。每个集合可以包括一个或多个为分析模型140执行接收工艺而格式化的矢量。可以将历史工艺条件数据以其他格式提供给分析模型140在不脱离本公开的范围的情况下。
在306，工艺300基于历史工艺条件数据生成预测薄膜数据。特别地，分析模型140针对每组历史薄膜状况数据146生成预测薄膜数据。预测薄膜数据对应于由该组特定的工艺条件导致的薄膜特性的预测。预测薄膜数据可以包括厚度、均匀性、组成、晶体结构或薄膜的其他方面。
在308，将预测薄膜数据与历史薄膜数据144进行比较。具体地，将每组历史工艺条件数据的预测薄膜数据与与其相关的历史薄膜数据144执行比较。历史工艺条件数据集。该比较可以导致误差函数，该误差函数指示预测薄膜数据与历史薄膜数据144的接近程度。针对每个预测薄膜数据集执行该比较。在一个实施例中，该工艺可以包括生成聚集的误差函数或指示，该聚集的误差函数或指示指示出预测薄膜数据的总和与历史薄膜数据144的比较。这些比较可以由训练模块141或通过分析来执行。在不脱离本公开的范围的情况下，这些比较可以包括除了上述类型的功能或数据之外的其他类型的功能或数据。
在310处，工艺300基于在步骤308处生成的比较来确定预测薄膜数据是否与历史薄膜数据匹配。在一个示例中，如果总误差函数小于误差容限，则工艺300确定薄膜数据与历史薄膜数据不匹配。在一示例中，如果总误差函数大于误差容限，则工艺300确定薄膜数据确实与历史薄膜数据匹配。在一个示例中，误差容限可以包括0.1至0之间的容限。换句话说，如果总百分比误差小于0.1或10％，则工艺300认为预测薄膜数据与历史薄膜的数据匹配。电影数据。如果总百分比误差大于0.1或10％，则工艺300认为预测薄膜数据与历史薄膜数据不匹配。在不脱离本公开的范围的情况下，可以用其他公差范围。可以以多种方式来计算错误分数，而不背离本公开的范围。训练模块141或分析模型140可以做出与工艺步骤310相关联的确定。
在一个实施例中，如果在步骤310预测薄膜数据与历史薄膜数据144不匹配，则工艺执行到步骤312。在步骤312，工艺300调整与分析模型140相关联的内部功能。在一个示例中，训练模块141调整与分析模型140相关联的内部功能。从步骤312，工艺返回到步骤304。在步骤304，历史工艺条件数据再次被提供给分析模型140。如果分析模型140的内部功能已被调整，则分析模型140将产生与前一周期不同的预测薄膜数据。工艺执行到步骤306、308和310，并且计算总误差。如果预测薄膜数据与历史的薄膜数据不匹配，则工艺返回到步骤312，并且再次调整分析模型140的内部功能。该工艺以迭代方式执行，直到分析模型140生成与历史薄膜数据144相匹配的预测薄膜数据为止。
在一个实施例中，如果预测薄膜数据与历史的薄膜数据匹配，则在工艺300中，工艺步骤310前进至314。在步骤314，训练完成。分析模型140现在准备好用于识别工艺条件，并且可以在由薄膜沉积系统100执行的薄膜沉积工艺中使用。工艺300可以包括本文未示出和描述的其他步骤或步骤的布置。在不脱离本公开的范围的情况下。
图3B是示出根据一个实施例的分析模型140的操作方面和训练方面的框图350。如前所述，训练集数据142包括与多个先前执行的薄膜沉积工艺有关的数据。每个先前执行的薄膜沉积工艺都是在特定的工艺条件下执行的，从而导致薄膜具有特定的特性。用于每个先前执行的薄膜沉积工艺的工艺条件被格式化为相应的工艺条件向量352。工艺条件向量包括多个数据字段354。每个数据字段354对应于特定的工艺条件。
图3B的示例示出了单个工艺条件向量352，其将在训练工艺中传递给分析模型140。在图3B的示例中，工艺条件向量352包括九个数据字段354。第一数据字段354对应于先前执行的薄膜沉积工艺期间的温度。第二数据字段356对应于先前执行的薄膜沉积工艺期间的压力。第三数据字段354对应于先前执行的薄膜沉积工艺期间的湿度。第四数据字段354对应于先前执行的薄膜沉积工艺期间的沉积材料的流速。第五数据字段354对应于先前执行的薄膜沉积工艺期间的沉积材料的相(液体，固体或气体)。第六数据字段354对应于先前执行的薄膜沉积工艺中使用的安瓿的寿命。第七数据字段354对应于先前执行的薄膜沉积工艺期间晶圆上的沉积区域的尺寸。第八数据字段354对应于在先前执行的薄膜沉积工艺期间所用的晶圆的表面部件的密度。第九数据字段对应于先前执行的薄膜沉积工艺期间表面部件的侧壁的角度。实际上，在不脱离本公开的范围的情况下，每个工艺条件向量352可以包括比图3B所示的更多或更少的数据字段。每个工艺条件向量352可以包括不同类型的工艺条件，而不背离本公开的范围。图3B所示的特定工艺条件仅作为示例给出。每个工艺条件由相应数据字段354中的数值表示。对于没有自然地用数字表示的条件类型(例如材料阶段)，可以为每个可能的阶段分配一个数字。
分析模型140包括多个神经层356a-e。每个神经层包括多个节点358。每个节点358也可以称为神经元。来自第一神经层356a的每个节点358从工艺条件向量352接收每个数据字段的数据值。因此，在图3B的示例中，由于工艺条件，来自第一神经层356a的每个节点358接收九个数据值。向量352具有九个数据字段。每个神经元358包括在图3B中标记为F(x)的相应内部数学函数。第一神经层356a的每个节点358通过将内部数学函数F(x)应用于来自工艺条件向量352的数据字段354的数据值来生成换算值。关于内部数学函数F(x)的更多细节在下面提供。
第二神经层356b的每个节点358接收由第一神经层356a的每个节点358生成的换算值。因此，在图3B的示例中，第二神经层356B的每个节点接收四个换算值，因为在第一神经层356a中存在四个节点358。通过将相应的内部数学函数F(x)应用于来自第一神经层356a的换算值，第二神经层356b的每个节点358生成了换算值。
第三神经层356c的每个节点358接收由第二神经层356b的每个节点358生成的换算值。因此，在图3B的示例中，第三神经层356c的每个节点接收五个换算值，因为在第二神经层356b中存在五个节点358。第三神经层356c的每个节点358通过将各自的内部数学函数F(x)应用于来自第二神经层356b的节点358的换算值，来生成换算值。
神经层356d的每个节点358接收由先前神经层(未示出)的每个节点358生成的换算值。神经层356d的每个节点358通过将各自的内部数学函数F(x)应用于来自第二神经层356b的节点358的换算值，来生成换算值。
最终神经层仅包括单个节点358。最终神经层接收由先前神经层356d的每个节点358生成的换算值。最终神经层356e的节点358通过将数学函数F(x)应用于从神经层356d的节点358接收到的换算值，来生成数据值368。
在图3B的示例中，数据值368对应于由与包括在工艺条件向量352中的值相对应的工艺条件数据所生成的薄膜的预测厚度。在其他实施例中，最终神经层356e可以生成多个数据值。每个对应于特定的薄膜特性，例如薄膜晶体取向，薄膜均匀性或薄膜的其他特性。最终神经层356e将包括用于要生成的每个输出数据值的相应节点358。在预测的薄膜厚度的情况下，工程师可以提供约束，以指定预测的薄膜厚度368必须落入选定的范围内，例如在0nm和50nm之间。分析模型140将调整内部函数F(x)以确保与预测的薄膜厚度相对应的数据值368将落入指定范围内。
在机器学习工艺中，分析模型将数据值368中的预测厚度与薄膜的实际厚度执行比较(如数据值370所示)。如前所述，训练集数据142对于每个集包括在历史工艺条件数据的基础上，薄膜特性数据指示由历史薄膜沉积工艺产生的薄膜特性。因此，数据字段370包括在工艺条件矢量352中反映的由沉积工艺产生的薄膜的实际厚度。分析模型140将数据值368的预测厚度与数据值的实际厚度执行比较370.分析模型140生成误差值372，该误差值372指示数据值368的预测厚度与数据值370的实际厚度之间的误差或差异。误差值372用于训练分析模型140。
通过讨论内部数学函数F(x)，可以更充分地理解分析模型140的训练。虽然所有节点358都标有内部数学函数F(x)，但每个节点的数学函数F(x)是唯一的。在一个示例中，每个内部数学函数均具有以下形式：
F(x)＝x1*w1+x2*w2+…xn*w1+b。
在上式中，每个值x1-xn对应于从先前的神经层中的节点358接收到的数据值，或者在第一神经层356a的情况下，每个值x1-xn对应于来自工艺条件向量352的数据字段354。因此，给定节点的n等于先前神经层中节点的数量。值w1-wn是与来自前一层的相应节点相关联的标量加权值。分析模型140选择加权值w1-wn的值。常数b是标量偏差值，也可以乘以加权值。节点358生成的值基于加权值w1-wn。因此，每个节点358具有n个加权值w1-wn。尽管上面没有示出，但是每个函数F(x)也可以包括激活函数。上式中列出的总和乘以激活函数。激活函数的示例可以包括整流线性单元(ReLU)函数、S形函数、双曲线张紧函数或其他类型的激活函数。
在已经计算出误差值372之后，分析模型140针对各个神经层356a-356e的各个节点358调整加权值w1-wn。在分析模型140调整加权值w1-wn之后，分析模型140再次将工艺条件向量352提供给输入神经层356a。因为对于分析模型140的各个节点358，加权值是不同的，所以预测的厚度368将与之前的迭代中的不同。通过将实际厚度370与预测厚度368执行比较，分析模型140再次生成误差值372。
分析模型140再次调整与各个节点358相关联的加权值w1-wn。分析模型140再次工艺工艺条件矢量352并生成预测厚度368和相关的误差值372。训练工艺包括调整加权值w1-wn迭代直到误差值372最小化。
图3B示出了单个工艺条件向量352被传递到分析模型140。实践中，训练工艺包括将大量工艺条件向量352传递通过分析模型140，为每个工艺条件向量352生成预测厚度368，并为每个预测厚度生成关联的误差值372。训练工艺还可以包括针对一组工艺条件向量352生成指示所有预测厚度的平均误差的聚集误差值。分析模型140在工艺每一批工艺条件向量352之后调整加权值w1-wn。训练工艺一直持续到所有工艺条件向量352的平均误差小于选定的阈值公差为止。当平均误差小于选定的阈值公差时，分析模型140训练完成，并且对分析模型执行训练以根据工艺条件准确预测薄膜的厚度。然后，分析模型140可以用于预测薄膜厚度并选择将导致期望的薄膜厚度的工艺条件。在使用训练的模型140期间，将代表要执行的当前薄膜沉积工艺的当前工艺条件并且在工艺条件矢量352处具有相同格式的工艺条件矢量提供给训练的分析模型140。然后，受过训练的分析模型140可以预测由那些工艺条件导致的薄膜厚度。
已经关于图3B描述了基于神经网络的分析模型140的特定示例。然而，在不脱离本公开的范围的情况下，可以用其他类型的基于神经网络的分析模型或除神经网络之外的类型的分析模型。此外，在不脱离本公开的范围的情况下，神经网络可以具有不同数量的神经层，其具有不同数量的节点。
图4是根据一个实施例的用于动态地选择薄膜沉积工艺的工艺条件并用于执行薄膜沉积工艺的工艺400的流程图。工艺400的各个步骤可以用关于图1-图3B描述的组件，工艺和技术。因此，参考图1-图3B描述图4。
在402处，工艺400将目标薄膜条件数据提供给分析模型140。目标薄膜条件数据识别将通过薄膜沉积工艺形成的薄膜的选定特性。目标薄膜条件数据可以包括目标厚度、目标成分、目标晶体结构或薄膜的其他特性。目标薄膜条件数据可以包括厚度范围。可以选择的目标条件或特性基于训练工艺中使用的薄膜特性。在图3B的示例中，训练工艺集中在薄膜厚度上。
在404处，工艺400将静态工艺条件提供给分析模型140。静态工艺条件包括将不为下一薄膜沉积工艺调整的工艺条件。静态工艺条件可以包括目标器件图案密度，该目标器件图案密度指示将在其上执行薄膜沉积工艺的晶圆上的图案密度。静态工艺条件可包括有效平面区域晶体取向，有效平面区域粗糙度指数、半导体晶圆表面上的部件的有效侧壁区域、暴露的有效侧壁倾斜角、暴露的表面膜功能组、暴露的侧壁膜功能组、半导体晶圆的旋转或倾斜、工艺气体参数(材料，材料的相和材料的温度)、流体源108和110中的剩余流体量、在净化源112和114中流体的剩余量、沉积室内的湿度、沉积工艺中使用的安瓿的使用期限、沉积室内的光吸收或反射、将流体输送到沉积室内的管道或导管的长度、或其他条件。静态工艺条件可以包括除上述条件之外的条件，而不脱离本公开的范围。此外，在某些情况下，上面列出的一些静态工艺条件可能是需要调整的动态工艺条件，这将在下面更详细地描述。在图3B的示例中，动态工艺条件包括温度、压力、湿度和流速。静态工艺条件包括相、安瓿龄、沉积面积、沉积密度和侧壁角度。
根据一个实施例，在406，工艺400为分析模型选择动态工艺条件。动态工艺条件可以包括未指定为静态工艺条件的任何工艺条件。例如，训练集数据可以在历史工艺条件数据146中包括大量的各种类型的工艺条件数据。这些类型的工艺条件中的一些将被定义为静态工艺条件，而这些类型的工艺条件中的一些将被定义为静态工艺条件。被定义为动态工艺条件。因此，当在步骤404提供静态工艺条件时，可以将其余类型的工艺条件定义为动态工艺条件。分析模型140可以最初为动态工艺条件选择初始值。在为动态工艺条件选择了初始值之后，分析模型将具有全套要分析的工艺条件。在一个实施例中，可以基于先前确定的起动器值或根据其他方案来选择动态工艺条件的初始值。
动态工艺条件可以包括在沉积工艺期间来自流体源108和110的流体或材料的流速。动态工艺条件可以包括来自净化源112和114的流体或材料的流速。动态工艺条件可以包括沉积室内的压力、沉积室内的温度、沉积室内的湿度、持续时间、沉积工艺的各个步骤、或沉积室内产生的电压或电场。动态工艺条件可以包括其他类型的条件，而不脱离本公开的范围。
在408，分析模型140基于静态和动态工艺条件生成预测薄膜数据。预测薄膜数据包括在目标薄膜条件数据中建立的相同类型的薄膜特性。特别地，预测薄膜数据包括来自关于图3A和图3B描述的训练工艺的预测薄膜数据的类型。例如，预测薄膜数据可以包括薄膜厚度、膜组成或薄膜的其他参数。
在410，该工艺将预测薄膜数据与目标薄膜数据执行比较。特别地，分析模型140将预测薄膜数据与目标薄膜数据执行比较。比较表明预测薄膜数据与目标薄膜数据的匹配程度。该比较可以指示预测薄膜数据是否落入目标薄膜数据所建立的公差或范围内。例如，如果目标薄膜厚度在2nm和4nm之间，则比较将指示预测薄膜数据是否落在此范围内。
在412，如果预测薄膜数据与目标薄膜数据不匹配，则工艺执行到414。在414，分析模型140调整动态工艺条件数据。工艺从414返回到408。在408，分析模型140再次基于静态工艺条件和调整后的动态工艺条件生成预测薄膜数据。然后，在410处，分析模型将预测薄膜数据与目标薄膜数据执行比较。在412处，如果预测薄膜数据与目标薄膜数据不匹配，则工艺执行至414，并且分析模型140再次调整动态工艺条件。继续执行此工艺，直到生成与目标薄膜数据匹配的预测薄膜数据为止。如果预测薄膜数据与目标薄膜数据412匹配，则工艺执行到416。
在416处，工艺400基于动态工艺条件来调整薄膜沉积系统100的薄膜工艺条件，所述动态工艺条件导致目标薄膜数据内的预测薄膜数据。例如，控制系统124可以根据动态工艺条件数据来调节流体流速、沉积步骤持续时间、压力、温度、湿度或其他因素。
在418，薄膜沉积系统100根据由分析模型识别的调整后的动态工艺条件来执行薄膜沉积工艺。在一个实施例中，薄膜沉积工艺是ALD工艺。然而，在不脱离本公开的范围的情况下，可以用其他薄膜沉积工艺。在一实施例中，薄膜沉积系统100基于薄膜沉积工艺中各个沉积阶段之间的分析模型来调整工艺参数。例如，在ALD工艺中，薄膜一次沉积一层。分析模型140可以识别要用于下一层的沉积的参数。因此，薄膜沉积系统可以调节各个沉积阶段之间的沉积条件。
图5是根据一个实施例的薄膜沉积方法500的流程图。在502，方法500包括将静态工艺条件数据提供给分析模型。分析模型的一个例子是图2的分析模型140。在504，方法500包括用分析模型选择第一动态工艺条件数据。在506处，方法500包括用分析模型生成基于静态工艺条件数据和第一动态工艺条件数据的第一预测薄膜数据。在508，方法500包括将第一预测薄膜数据与目标薄膜数据执行比较。在510处，方法500包括：如果第一预测薄膜数据与目标薄膜数据匹配，则以基于静态工艺条件数据和第一动态工艺条件数据的沉积工艺条件执行薄膜沉积工艺。在512处，方法500包括：如果第一预测薄膜数据与目标薄膜数据不匹配，则调整第一动态工艺条件数据。
图6是根据一个实施例的薄膜沉积方法600的流程图。在602处，方法600包括用机器学习工艺来训练分析模型以预测薄膜的特性。分析模型的一个例子是图2的分析模型140。在604，方法600包括在训练分析模型之后，将目标薄膜数据提供给分析模型。在606处，方法600包括用分析模型识别工艺条件数据，该工艺条件数据导致与目标薄膜数据相符的预测薄膜数据。在608，方法600包括根据工艺条件数据在具有沉积工艺条件的半导体晶圆上执行薄膜沉积工艺。半导体晶圆的一个示例是图1的半导体晶圆104。
在一个实施例中，一种薄膜沉积方法包括将静态工艺条件数据提供给分析模型。该方法包括用分析模型选择第一动态工艺条件数据。该方法包括用分析模型基于静态工艺条件数据和第一动态工艺条件数据来生成第一预测薄膜数据。该方法包括将第一预测薄膜数据与目标薄膜数据执行比较。该方法包括：如果第一预测薄膜数据与目标薄膜数据匹配，则基于静态工艺条件数据和第一动态工艺条件数据以沉积工艺条件执行薄膜沉积工艺。该方法包括如果第一预测薄膜数据与目标薄膜数据不匹配，则调整第一动态工艺条件数据。
在一个实施例中，一种薄膜沉积方法包括用机器学习工艺来训练分析模型以预测薄膜的特性。该方法包括在训练分析模型之后，将目标薄膜数据提供给分析模型。该方法包括用分析模型识别工艺条件数据，该工艺条件数据导致与目标薄膜数据相符的预测薄膜数据。该方法包括根据工艺条件数据在具有沉积工艺条件的半导体晶圆上执行薄膜沉积工艺。
在一个实施例中，一种薄膜沉积系统包括：薄膜沉积室；配置为将基板支撑在薄膜沉积室内的支撑件；以及流体源，其配置为在操作期间向薄膜沉积室内提供流体。薄膜沉积工艺。该系统包括控制系统，该控制系统配置为基于机器学习工艺来识别用于薄膜沉积工艺的工艺条件数据，并根据工艺条件数据在薄膜沉积工艺中控制第一流体源。
本公开的实施例提供了可靠的厚度和成分的薄膜。本公开的实施例动态地调整工艺参数以确保薄膜具有期望的特性。
本申请的实施例提供了一种薄膜沉积方法，包括：向分析模型(140)提供静态工艺条件数据；用所述分析模型选择第一动态工艺条件数据；用所述分析模型，基于所述静态工艺条件数据和所述第一动态工艺条件数据生成第一预测薄膜数据；将所述第一预测薄膜数据与目标薄膜数据执行比较；如果所述第一预测薄膜数据与所述目标薄膜数据匹配，则以基于所述静态工艺条件数据和所述第一动态工艺条件数据的沉积工艺条件执行薄膜沉积工艺；以及如果所述第一预测薄膜数据与所述目标薄膜数据不匹配，则调整所述第一动态工艺条件数据。在一些实施例中，还包括：如果所述第一预测薄膜数据与所述目标薄膜数据不匹配，则：基于调整后的所述第一动态工艺条件数据生成第二预测薄膜数据；将所述第二预测薄膜数据与所述目标薄膜数据执行比较；以及如果所述第二预测薄膜数据与所述目标薄膜数据匹配，则以基于所述静态工艺条件数据和调整后的所述第一动态工艺条件数据的工艺条件执行所述薄膜沉积工艺。在一些实施例中，薄膜沉积工艺是原子层沉积工艺。在一些实施例中，执行所述薄膜沉积工艺包括执行所述原子层沉积工艺的第一循环。在一些实施例中，还包括：在所述第一周期之后：用所述分析模型识别第二动态工艺条件数据；以及基于所述静态工艺条件数据和所述第二动态工艺条件数据执行所述原子层沉积工艺的第二循环。在一些实施例中，分析模型包括神经网络。在一些实施例中，静态工艺条件数据包括以下一项或多项：沉积材料；沉积表面的部件；以及沉积设备的寿命。在一些实施例中，第一动态工艺条件数据包括以下中的一个或多个：沉积材料的流速；沉积材料的流动持续时间；沉积室中的压力；所述沉积室中的温度；以及沉积所述室中的湿度。在一些实施例中，目标薄膜数据识别目标薄膜厚度。在一些实施例中，目标薄膜数据识别目标薄膜厚度范围。
本申请的实施例提供一种薄膜沉积方法，包括：用机器学习工艺训练分析模型(140)以预测薄膜的特性；在训练所述分析模型后，将目标薄膜数据提供给所述分析模型；用所述分析模型识别工艺条件数据，所述工艺条件数据产生与所述目标薄膜数据相符的预测薄膜数据；以及以基于所述工艺条件数据的沉积工艺条件在半导体晶圆(104)上执行薄膜沉积工艺。在一些实施例中，还包括：存储训练集数据；以及使用所述训练集数据训练所述分析模型。在一些实施例中，训练集数据包括识别先前沉积的薄膜的特性的历史薄膜数据，其中，所述训练集数据包括识别与所述先前沉积的薄膜相关联的历史工艺条件的历史工艺条件数据。在一些实施例中，还包括通过在薄膜沉积数据库上执行数据挖掘工艺来收集所述训练集数据。
本申请的实施例提供一种薄膜沉积系统，包括：薄膜沉积室(102)；支撑件(106)，配置为在所述薄膜沉积室内支撑衬底；流体源(108)，配置为在薄膜沉积工艺中将流体提供到所述薄膜沉积室中；以及控制系统(124)，配置为基于机器学习工艺识别用于所述薄膜沉积工艺的工艺条件数据，并根据所述工艺条件数据在所述薄膜沉积工艺中控制所述第一流体源。在一些实施例中，控制系统包括分析模型，其中，所述分析模型配置为识别所述工艺条件数据。在一些实施例中，分析模型配置为接收指示所述薄膜的目标参数的目标薄膜数据，并通过生成与所述目标薄膜数据相符的预测薄膜数据来识别所述工艺条件数据。在一些实施例中，分析模型配置为接收静态工艺条件数据并基于所述静态工艺条件数据和所述目标薄膜数据来识别所述工艺条件数据。在一些实施例中，分析模型包括神经网络。在一些实施例中，薄膜沉积工艺是原子层沉积工艺。
可以将上述各种实施例组合以提供其他实施例。本说明书中提及的和/或在申请数据表中列出的所有美国专利申请出版物和美国专利申请通过引用整体并入本文。如果需要，可以修改实施例的各方面，以采用各种专利、申请和出版物的概念来提供其他实施例。
可以根据以上详细描述对实施例执行这些和其他改变。通常，在以下权利要求书中，所使用的术语不应解释为将权利要求书限制为说明书和权利要求书中公开的特定实施例，而应解释为包括所有可能的实施例以及这些权利要求所享有的等同形式的全部范围。因此，权利要求不受公开内容的限制。

Claims (10)

1.一种薄膜沉积方法，包括：
向分析模型(140)提供静态工艺条件数据；
用所述分析模型选择第一动态工艺条件数据；
用所述分析模型，基于所述静态工艺条件数据和所述第一动态工艺条件数据生成第一预测薄膜数据；
将所述第一预测薄膜数据与目标薄膜数据执行比较；
如果所述第一预测薄膜数据与所述目标薄膜数据匹配，则以基于所述静态工艺条件数据和所述第一动态工艺条件数据的沉积工艺条件执行薄膜沉积工艺；以及
如果所述第一预测薄膜数据与所述目标薄膜数据不匹配，则调整所述第一动态工艺条件数据。
2.根据权利要求1所述的薄膜沉积方法，还包括：如果所述第一预测薄膜数据与所述目标薄膜数据不匹配，则：
基于调整后的所述第一动态工艺条件数据生成第二预测薄膜数据；
将所述第二预测薄膜数据与所述目标薄膜数据执行比较；以及
如果所述第二预测薄膜数据与所述目标薄膜数据匹配，则以基于所述静态工艺条件数据和调整后的所述第一动态工艺条件数据的工艺条件执行所述薄膜沉积工艺。
3.根据权利要求1所述的薄膜沉积方法，其中，所述薄膜沉积工艺是原子层沉积工艺。
4.根据权利要求3所述的薄膜沉积方法，其中，执行所述薄膜沉积工艺包括执行所述原子层沉积工艺的第一循环。
5.根据权利要求4所述的薄膜沉积方法，还包括：在所述第一周期之后：
用所述分析模型识别第二动态工艺条件数据；以及
基于所述静态工艺条件数据和所述第二动态工艺条件数据执行所述原子层沉积工艺的第二循环。
6.根据权利要求1所述的薄膜沉积方法，其中，所述分析模型包括神经网络。
7.根据权利要求1所述的薄膜沉积方法，其中，所述静态工艺条件数据包括以下一项或多项：
沉积材料；
沉积表面的部件；以及
沉积设备的寿命。
8.根据权利要求7所述的薄膜沉积方法，其中，所述第一动态工艺条件数据包括以下中的一个或多个：
沉积材料的流速；
沉积材料的流动持续时间；
沉积室中的压力；
所述沉积室中的温度；以及
沉积所述室中的湿度。
9.一种薄膜沉积方法，包括：
用机器学习工艺训练分析模型(140)以预测薄膜的特性；
在训练所述分析模型后，将目标薄膜数据提供给所述分析模型；
用所述分析模型识别工艺条件数据，所述工艺条件数据产生与所述目标薄膜数据相符的预测薄膜数据；以及
以基于所述工艺条件数据的沉积工艺条件在半导体晶圆(104)上执行薄膜沉积工艺。
10.一种薄膜沉积系统，包括：
薄膜沉积室(102)；
支撑件(106)，配置为在所述薄膜沉积室内支撑衬底；
流体源(108)，配置为在薄膜沉积工艺中将流体提供到所述薄膜沉积室中；以及
控制系统(124)，配置为基于机器学习工艺识别用于所述薄膜沉积工艺的工艺条件数据，并根据所述工艺条件数据在所述薄膜沉积工艺中控制所述第一流体源。
CN202110366655.0A 2021-01-15 2021-04-06 动态调节薄膜沉积参数的系统和方法 Pending CN114457324A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/150,699 US20220228265A1 (en) 2021-01-15 2021-01-15 System and method for dynamically adjusting thin-film deposition parameters
US17/150,699 2021-01-15

Publications (1)

Publication Number Publication Date
CN114457324A true CN114457324A (zh) 2022-05-10

Family

ID=81406674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110366655.0A Pending CN114457324A (zh) 2021-01-15 2021-04-06 动态调节薄膜沉积参数的系统和方法

Country Status (5)

Country Link
US (1) US20220228265A1 (zh)
KR (2) KR20220103583A (zh)
CN (1) CN114457324A (zh)
DE (1) DE102021101885A1 (zh)
TW (1) TWI818241B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115458422A (zh) * 2022-09-06 2022-12-09 中国科学院半导体研究所 基于机器学习的半导体工艺过程控制方法
CN115491652A (zh) * 2022-06-20 2022-12-20 江苏恒云太信息科技有限公司 管式pecvd硅片颜色值预测方法及镀膜时间控制方法
WO2023229670A1 (en) * 2022-05-24 2023-11-30 Applied Materials, Inc. Model-based parameter adjustments for deposition processes

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040063226A1 (en) * 2002-09-27 2004-04-01 The Regents Of The University Of California Growth of multi-component alloy films with controlled graded chemical composition on sub-nanometer scale
CN106252252A (zh) * 2016-08-30 2016-12-21 上海华力微电子有限公司 保形沉积的薄膜厚度预测模型建立及应用方法
KR20200034481A (ko) * 2018-09-21 2020-03-31 주식회사 포스코 도금량 제어 장치 및 도금량 제어 방법
US20200140993A1 (en) * 2018-11-02 2020-05-07 Ivworks Co., Ltd. Apparatus, method, and recording medium storing command for controlling thin-film deposition process
KR20200101919A (ko) * 2017-12-27 2020-08-28 가부시키가이샤 한도오따이 에네루기 켄큐쇼 박막 제조 장치, 및 신경망을 사용한 박막 제조 장치

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005200730A (ja) 2004-01-19 2005-07-28 Itagaki Kinzoku Kk レーザー光照射による酸化膜形成方法および装置
CN106521459B (zh) 2016-08-17 2018-04-17 中山大学 一种mocvd设备生长均匀性工艺参数的优化方法
KR102648517B1 (ko) * 2018-03-20 2024-03-15 도쿄엘렉트론가부시키가이샤 통합형 반도체 공정 모듈을 포함하는 자기 인식 및 보정 이종 플랫폼, 및 이를 사용하기 위한 방법
JP6959191B2 (ja) 2018-07-25 2021-11-02 旭化成エレクトロニクス株式会社 学習処理装置、学習処理方法、化合物半導体の製造方法、および、プログラム
EP3891558A1 (en) * 2018-12-03 2021-10-13 ASML Netherlands B.V. Method to predict yield of a semiconductor manufacturing process
KR102611986B1 (ko) * 2018-12-19 2023-12-08 삼성전자주식회사 반도체 소자의 형상 예측 방법
TW202032407A (zh) * 2019-02-15 2020-09-01 日商半導體能源研究所股份有限公司 半導體裝置及電子裝置
JP6696059B1 (ja) 2019-03-04 2020-05-20 Ｓｐｐテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム及び基板処理装置のプロセス判定方法
DE102020100565A1 (de) 2020-01-13 2021-07-15 Aixtron Se Verfahren zum Abscheiden von Schichten

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040063226A1 (en) * 2002-09-27 2004-04-01 The Regents Of The University Of California Growth of multi-component alloy films with controlled graded chemical composition on sub-nanometer scale
CN106252252A (zh) * 2016-08-30 2016-12-21 上海华力微电子有限公司 保形沉积的薄膜厚度预测模型建立及应用方法
KR20200101919A (ko) * 2017-12-27 2020-08-28 가부시키가이샤 한도오따이 에네루기 켄큐쇼 박막 제조 장치, 및 신경망을 사용한 박막 제조 장치
KR20200034481A (ko) * 2018-09-21 2020-03-31 주식회사 포스코 도금량 제어 장치 및 도금량 제어 방법
US20200140993A1 (en) * 2018-11-02 2020-05-07 Ivworks Co., Ltd. Apparatus, method, and recording medium storing command for controlling thin-film deposition process

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023229670A1 (en) * 2022-05-24 2023-11-30 Applied Materials, Inc. Model-based parameter adjustments for deposition processes
CN115491652A (zh) * 2022-06-20 2022-12-20 江苏恒云太信息科技有限公司 管式pecvd硅片颜色值预测方法及镀膜时间控制方法
CN115458422A (zh) * 2022-09-06 2022-12-09 中国科学院半导体研究所 基于机器学习的半导体工艺过程控制方法

Also Published As

Publication number Publication date
US20220228265A1 (en) 2022-07-21
KR20240018554A (ko) 2024-02-13
TWI818241B (zh) 2023-10-11
KR20220103583A (ko) 2022-07-22
TW202230183A (zh) 2022-08-01
DE102021101885A1 (de) 2022-07-21

Similar Documents

Publication Publication Date Title
CN114457324A (zh) 动态调节薄膜沉积参数的系统和方法
US7838072B2 (en) Method and apparatus for monolayer deposition (MLD)
US7302363B2 (en) Monitoring a system during low-pressure processes
US20060166501A1 (en) Method and apparatus for monolayer deposition
US7519885B2 (en) Monitoring a monolayer deposition (MLD) system using a built-in self test (BIST) table
KR102608945B1 (ko) 열적 에칭 및 원자 층 에칭에서 에칭 특성들 예측
US7340377B2 (en) Monitoring a single-wafer processing system
CN109913853A (zh) 基板处理方法、存储介质以及原料气体供给装置
US20240019410A1 (en) Concentration sensor for precursor delivery system
Spencer et al. Investigation of the chemical vapor deposition of Cu from copper amidinate through data driven efficient CFD modelling
US7526699B2 (en) Method for creating a built-in self test (BIST) table for monitoring a monolayer deposition (MLD) system
Paulson et al. Intelligent agents for the optimization of atomic layer deposition
JPH05502320A (ja) 沈澱反応のための反応物濃度制御方法及び装置
US10752995B2 (en) Material delivery system and method
US20220356578A1 (en) System and method for monitoring and performing thin film deposition
US20210189561A1 (en) System and method for monitoring and performing thin film deposition
Collingham et al. Effect of recycling on the axial distribution of coating thickness in a Low Pressure CVD reactor
Cagnazzo et al. Atomic Layer Deposition Optimization Using Convolutional Neural Networks
Ding Microscopic Modeling, Machine Learning-Based Modeling and Optimal Operation of Thermal and Plasma Atomic Layer Deposition
CN117107340A (zh) 用于沉积处理的基于模型的参数调整
CN115852346A (zh) 原子沉积设备的反应物定量控制方法
Lenarduzzi Characterization and control of a chemical vapour deposition reactor.

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