CN115099386A - 用于标记用于摄谱监测的机器学习系统的训练光谱的原位监测 - Google Patents

用于标记用于摄谱监测的机器学习系统的训练光谱的原位监测 Download PDF

Info

Publication number
CN115099386A
CN115099386A CN202210210644.8A CN202210210644A CN115099386A CN 115099386 A CN115099386 A CN 115099386A CN 202210210644 A CN202210210644 A CN 202210210644A CN 115099386 A CN115099386 A CN 115099386A
Authority
CN
China
Prior art keywords
values
training
polishing
sequence
substrate
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
CN202210210644.8A
Other languages
English (en)
Inventor
T·李
B·切里安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Applied Materials Inc
Original Assignee
Applied Materials Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Applied Materials Inc filed Critical Applied Materials Inc
Publication of CN115099386A publication Critical patent/CN115099386A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/02—Constructional details
    • G01J5/08—Optical arrangements
    • G01J5/0859—Sighting arrangements, e.g. cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/02—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using thermoelectric elements, e.g. thermocouples
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/32—Polishing; Etching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
    • G01R31/2831—Testing of materials or semi-finished products, e.g. semiconductor wafers or substrates
    • 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
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67092—Apparatus for mechanical treatment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J2005/0077—Imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/0205—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows
    • G01J3/0218—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows using optical fibers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

一种训练用于摄谱监测的神经网络的方法包括：抛光测试基板；在测试基板的抛光期间，由原位摄谱监测系统测量从基板反射的光的测试光谱序列并由原位非光学监测系统测量来自基板的测试值序列；测量在抛光之前基板的初始特征值或在抛光之后基板的最终特征值中的至少一者；将测试值序列和初始特征值和/或最终特征值输入到厚度预测模型中，该厚度预测模型输出训练值序列，其中该训练值序列中的每个相应训练值与来自测试光谱序列的相应测试光谱相关联；以及使用多个测试光谱和多个训练值来训练人工神经网络。

Description

用于标记用于摄谱监测的机器学习系统的训练光谱的原位 监测
技术领域
本公开涉及例如在诸如化学机械抛光之类的处理期间对基板的光学监测。
背景技术
集成电路通常通过在硅片上连续沉积导电层、半导电层或绝缘层而形成于基板上。一个制造步骤涉及在非平面表面上沉积填料层并使该填料层平面化。对于一些应用，填料层被平面化，直到经图案化的层的顶表面被暴露。例如，导电填料层可被沉积在经图案化的绝缘层上以填充该绝缘层中的沟槽或孔洞。在平面化之后，保留在绝缘层的凸起图案之间的导电层的部分形成通孔、插塞和线路，这些通孔、插塞和线路在基板上的薄膜电路之间提供导电路径。对于其他应用，填料层被平面化，直到在底层之上保留预定的厚度。例如，所沉积的介电层可被平面化以用于光刻。
化学机械抛光(CMP)是一种公认的平面化方法。该平面化方法通常要求基板被安装在承载头上。基板的暴露表面通常放置在具有耐用粗糙表面的旋转抛光垫上。承载头提供基板上的可控负载，从而将其推至抵靠抛光垫。抛光液，诸如具有研磨颗粒的浆料，通常被供应到抛光垫的表面。
CMP的一个问题是使用合适的抛光速率以获得所需的轮廓，例如，已经被平面化至所需平坦度或厚度的基板层，或已移除所需数量的材料。基板层的初始厚度、浆料组成、抛光垫状况、抛光垫与基板之间的相对速度以及基板上的负载的变化可引起基板上以及基板与基板之间的材料去除速率的变化。这些变化引起到达抛光终点所需时间的变化与移除量的变化。因此，可能无法将抛光终点确定为仅根据抛光时间而变化，或者仅通过施加恒定压力来实现所需的轮廓。
在一些系统中，在抛光期间例如通过光学监测系统来原位地监测基板。来自原位监测系统的厚度测量可用于调整施加到基板的压力，以调整抛光速率并降低晶片内非均匀性(WIWNU)。
发明内容
在一个方面，一种训练用于摄谱监测的神经网络的方法包括：抛光测试基板；在测试基板的抛光期间，由原位摄谱监测系统测量从基板反射的光的测试光谱序列；在测试基板的抛光期间，由原位非光学监测系统测量来自基板的测试值序列；测量在抛光之前基板的初始特征值或在抛光之后基板的最终特征值中的至少一者；将测试值序列和初始特征值和/或最终特征值输入到厚度预测模型中，该厚度预测模型输出训练值序列，其中该训练值序列中的每个相应训练值与来自测试光谱序列的相应测试光谱相关联；以及使用多个测试光谱和多个训练值来训练人工神经网络。该人工神经网络具有针对多个光谱值的多个输入节点、用于输出特征值的输出节点、以及将输入节点连接到输出节点的多个隐藏节点。
这些方面可以体现在计算机程序产品中，该计算机程序产品有形地体现在非瞬态计算机可读介质中并且包括用于使处理器执行操作的指令，或者体现在处理系统(例如，抛光系统)中，该处理系统具有控制器以执行操作。
各方面中的任一者的实现可包括下列特征中的一个或多个。
某些实现可以包括但不限于以下可能的优势中的一个或多个。用于训练机器学习系统(例如，神经网络)的光谱可被更精确地标记，从而改善机器学习系统的预测性能。可以更精确和/或更快速地测量基板上的层的厚度。可以降低晶片内厚度非均匀性和晶片间厚度非均匀性(WIWNU和WTWNU)，并且可以改善终点系统检测期望的处理终点的可靠性。
在以下所附附图和描述中阐述一个或多个实施例的细节。其他特征、方面和优点将从该说明书、附图和权利要求书中变得显而易见。
附图说明
图1示出抛光装置的示例的示意性横截面视图。
图2示出具有多个区的基板的示意性俯视图。
图3示出显示在第一基板上进行原位测量的位置的示意性俯视图。
图4示出用作用于抛光装置的控制器的一部分的神经网络。
图5示出用于训练机器学习系统的训练数据。
图6示出由控制系统输出的因变于时间的特征值的曲线图。
图7是用于生成训练光谱的部件的示意图。
图8示出馈送到预测模型的数据。
图9示出随着时间的电机扭矩的曲线图。
各个附图中相同的附图标记和命名指示相同的要素。
具体实施方式
一种监测技术是测量从被抛光的基板反射的光谱。已经提出了各种技术以从测得的光谱确定特征值(例如，被抛光的层的厚度)。一种可能的技术是基于来自样本基板的训练光谱和那些样本基板的测得的特征值来训练神经网络。在训练之后，在正常操作期间，来自器件基板的测得的光谱可被输入到神经网络，并且该神经网络可输出特征值(例如，基板顶层的计算出的厚度)。使用神经网络的一个动机是有可能消除底层膜厚度对顶层的计算出的厚度的影响。
为了获得训练数据，可以在测试基板的抛光期间测量光谱序列。可以例如用独立或在线计量系统在抛光之前和之后测量基板的特征值(例如，厚度)。随后，这两个值将与序列中的第一个光谱和最后一个光谱相关联。序列中的剩余光谱的特征值可以通过(例如，基于时间)线性插值来生成。由此，训练数据将包括一组光谱，其中每个光谱具有相关联的特征值。
该技术的一个问题是，特征值(例如，厚度值)仅对于序列中的初始光谱和最终光谱是确知的。对于许多工艺，特征值可随时间非线性地变化。为了解决该问题，来自另一原位监测系统(例如，非光学监测系统，诸如电机电流监测系统)的信号可被馈送到厚度预测模型。与仅使用线性插值相比，厚度预测模型可以为序列中的每个光谱的时间戳输出更精确的厚度值。
图1示出抛光装置20的示例。抛光装置20可以包括可旋转的盘形工作台22，抛光垫30位于可旋转的盘形工作台22上。工作台可操作以围绕轴线23旋转。例如，电机24可以转动驱动轴26以旋转工作台22。抛光垫30可以(例如，通过粘合剂层)可拆卸地固定到工作台22。抛光垫30可以是具有外抛光层32和较软的背衬层34的双层抛光垫。
抛光装置20可以包括抛光液供应端口40以将抛光液42(诸如研磨浆料)分配到抛光垫30上。抛光装置20还可以包括抛光垫调节器以研磨抛光垫30，以将抛光垫30保持在一致的研磨状态。
承载头50可操作以将基板10固持抵靠抛光垫30。每个承载头50还包括多个独立可控的可加压腔室(例如，三个腔室52a-52c)，可加压腔室可以向基板10上的相关联区12a-12c(参见图2)施加独立可控的压力。参考图2，中心区12a可以是基本上圆形的，并且其余的区12b-12c可以是围绕中心区12a的同心环形区。
返回图1，腔室52a-52c可由柔性膜54限定，柔性膜54具有底面，基板10安装到所述底面。承载头50还可以包括保持环56以将基板10保持在柔性膜54下方。尽管为了便于说明，图1和图2仅示出了三个腔室，但可以存在两个腔室、或四个或更多个腔室，例如，五个腔室。另外，可以在承载头50中使用调整施加到基板的压力的其他机构(例如，压电致动器)。
每个承载头50悬挂在支撑结构60(例如，转盘或轨道)上，并通过驱动轴62连接到承载头旋转电机64，使得承载头可以围绕轴线51旋转。可选地，每个承载头50可以通过沿轨道运动；或者通过转盘本身的旋转振荡而(例如，在转盘上的滑块上)横向振荡。在操作中，工作台22围绕其中心轴线23旋转，并且承载头50围绕其中心轴线51旋转，并在抛光垫30的上表面上横向平移。
抛光装置还包括原位摄谱监测系统70，原位摄谱监测系统70可用于控制抛光参数(例如，在腔室52a-52c中的一者或多者中施加的压力)，以控制区12a-12c中的一者或多者的抛光速率。原位监测摄谱系统70生成从基板反射的光的光谱的测量结果，所述测量结果可被转换成指示在区12a-12c中的每一者中被抛光的层的厚度的特征值。
摄谱监测系统70可包括光源72、光检测器74和用于在控制器90(例如，计算机)与光源72和光检测器74之间发送和接收信号的电路系统76。一个或多个光纤可用于将光从光源72传输到抛光垫30中的窗口36，并将从基板10反射的光传输到检测器74。例如，分叉光纤78可用于将光从光源62传输至基板10并返回至检测器74。作为摄谱系统，随后光源72可操作以发射白光，并且检测器74可以是光谱仪。
电路系统76的输出可以是数字电子信号，所述数字电子信号通过驱动轴26中的旋转耦合器28(例如滑环)传递到控制器90。替代地，电路系统76可以通过无线信号与控制器90通信。控制器90可以是包括微处理器、存储器和输入/输出电路系统的计算设备(例如，可编程计算机)。尽管示出为单个块，但控制器90可以是具有分布在多个计算机上的功能的网络化系统。
在一些实现中，原位摄谱监测系统70包括传感器80，传感器80安装在工作台22中并且与工作台22一起旋转。例如，传感器80可以是光纤78的端部。工作台22的运动将使传感器80跨基板扫描。如图3所示，由于工作台的旋转(由箭头38示出)，当传感器80在承载头下方行进时，原位摄谱监测系统以采样频率进行测量；结果，在穿过基板10的弧线中的位置14处进行测量(点的数量是说明性的；取决于采样频率，可以进行比所示的测量更多或更少的测量)。
随着工作台旋转一圈，从基板10上的不同位置获得光谱。特别地，一些光谱可从较接近基板10的中心的位置获得，并且一些光谱可从较接近边缘的位置获得。控制器90可配置为基于定时、电机编码器信息、工作台旋转或位置传感器数据、和/或对基板和/或保持环的边缘的光学检测来对来自扫描的每个测量结果计算(相对于基板10的中心的)径向位置。由此，控制器可以将各个测量结果与各个区12a-12c(参见图2)相关联。在一些实现中，测量的时间可用作径向位置的精确计算的替代。
返回图1，控制器90可以基于来自原位监测系统的信号来导出基板的每个区的特征值。特别地，随着抛光进展，控制器90随时间生成特征值的序列。控制器90可针对传感器在基板10下方的每次扫描为每个区生成至少一个特征值，或者(例如，对于不使传感器跨基板扫描的抛光系统)以测量频率(其无需与采样频率相同)为每个区生成特征值。在一些实现中，每次扫描生成单个特征值，例如，多个测量结果可被组合以生成特征值。在一些实现中，每个测量结果用于生成一特征值。
特征值通常是外层的厚度，但也可以是相关的特征(诸如去除的厚度)。另外，特征值可以是基板通过抛光过程的进展的更一般的表示，例如，表示预期在预定进展之后的抛光过程中将观察到测量结果所处于的时间或工作台旋转的数量的索引值。
控制器90可使用两步过程来从来自原位摄谱监测系统70的测得的光谱生成特征值。首先，测得的光谱的维度被降低，然后将经降维的数据输入到人工神经网络中，人工神经网络将输出特征值。通过针对每个测得的光谱执行该过程，人工神经网络可以生成特征值的序列。此序列可包括针对基板上的不同径向位置(例如，假设传感器90在基板下方通过)的特征值。
原位摄谱监测系统70与控制器90的组合可提供终点和/或抛光均匀性控制系统100。即，控制器90可基于一系列特征值来检测终点和停止抛光和/或在抛光过程期间调整抛光压力，以降低抛光非均匀性。
图4示出了由控制器90实现的功能块，其包括用于执行降维的降维模块110、神经网络120以及用于调节抛光工艺(例如，基于一系列特征值，检测抛光终点和停止抛光和/或在抛光过程期间调整抛光压力，以降低抛光非均匀性)的工艺控制系统130。如上所述，这些功能块可以分布在多个计算机上，
神经网络120包括用于每个主成分的多个输入节点122、多个隐藏节点124(以下也称为“中间节点”)和将生成特征值的输出节点126。在具有单个隐藏节点层的神经网络中，每个隐藏节点124可耦合到每个输入节点122，并且输出节点126可耦合到每个隐藏节点220。在一些实现中，存在多个输出节点，其中一个输出节点提供特征值。
通常，隐藏节点124输出一个值，所述值是来自隐藏节点所连接到的输入节点122的值的加权和的非线性函数。
例如，被定名为节点k的隐藏节点124的输出可被表达为：
tanh(0.5*ak1(I1)+ak2(I2)+…+akM(IM)+bk) 等式1
其中tanh是双曲正切，akx是针对第k个中间节点与(M个输入节点中的)第x个输入节点之间的连接的权重，并且IM是第M个输入节点处的值。然而，其他非线性函数可以代替tanh使用，诸如整流线性单元(ReLU)函数及其变型。
降维模块110将把测得的光谱降低到更有限数量的分量值(例如，L个分量值)。神经网络120包括针对光谱被降低到的每个分量的输入节点122，例如，在模块110生成L个分量值的情况下，神经网络120将至少包括输入节点N1,N2…NL。
由此，在输入节点的数量与测得的光谱被降低到的分量的数量相对应(即，L＝M)的情况下被定名为节点k的隐藏节点124的输出Hk可被表达为：
Hk＝tanh(0.5*ak1(I1)+ak2(I2)+…+akL(IL)+bk)
假设测得的光谱S由列矩阵(i1,i2,…,in)表示，则被定名为节点k的中间节点124的输出可被表达为：
Hk＝tanh(0.5*ak1(V1·S)+ak2(V2·S)+…+akL(VL·S)+bk) 等式2
其中Vx是将提供从测得的光谱到经降维数据的(L个分量中的)第x个分量的值的变换的行矩阵(v1,v2,…,vn)。例如，Vx可由以下描述的矩阵W或W′的(L个列中的)第x个列提供，即，Vx是WT的第x行。由此，Wx可以表示来自降维矩阵的第x个特征向量。
输出节点126可生成特征值CV，所述特征值CV是隐藏节点的输出的加权和。例如，这可以表达为
CV＝C1*H1+C2*H2+…+CL*HL
其中Ck是第k个隐藏节点的输出的权重。
然而，神经网络120可以可选地包括一个或多个其他输入节点(例如，节点122a)以接收其他数据。这种其他数据可以来自原位监测系统对基板的先前测量，例如，较早前在基板的处理中收集的光谱；来自先前的基板的测量值，例如，另一个基板的处理期间收集的光谱；来自抛光系统中的另一传感器，例如，由温度传感器对垫或基板的温度的测量；来自由用于控制抛光系统的控制器存储的抛光配方，例如，用于抛光基板的抛光参数(诸如，承载头压力或工作台旋转速率)；来自由控制器跟踪的变量，例如，自从垫更换以来的基板数量；或者来自不是抛光系统的一部分的传感器，例如，计量站对底层膜的厚度的测量。这允许神经网络120在计算特征值时考虑到这些其他处理或环境变量。
再次返回图1，抛光装置20包括不是摄谱监测系统的第二原位监测系统150。第二原位监测系统150可以是不使用可见光的监测系统，例如，使用红外相机的温度监测系统。第二原位监测系统150可以是非光学监测系统，例如，使用热电偶的温度监测系统、声学监测系统或电机电流或电机扭矩监测系统。
作为温度监测系统，第二原位监测系统150可包括温度传感器152以监测例如抛光垫30或基板10的抛光过程的温度。温度传感器可以是红外传感器，例如，定位成拍摄抛光垫30的红外图像的红外相机。替代地，温度传感器152可以是附接或嵌入在另一部件中(例如，工作台22或承载头50中)的热电偶以测量抛光垫或基板的温度。
作为声学监测系统，第二原位监测系统150可包括有源或无源声学传感器154以监测来自基板10与抛光垫10之间的界面的振动。
作为电机扭矩监测系统，第二原位监测系统150可包括传感器以测量电机扭矩。电机扭矩的测量可以是对扭矩的直接测量和/或对供应到电机的电流的测量。例如，电流传感器170可以监测供应到工作台电机24的电流并且/或电流传感器172可以监测供应到承载头电机64的电流。尽管电流传感器示出为电机的一部分，但电流传感器可以是控制器的一部分(如果控制器自身为电机输出驱动电流)或是单独的电路。替代地，扭矩计可被放置在工作台驱动轴26上并且/或扭矩计可被放置在承载头驱动轴62上。
在任何情况下，第二原位监测系统150的传感器(例如，温度传感器152、声学传感器154或电流传感器170和/或172)的输出信号被引导到控制系统90。
在被用于例如器件晶片之前，需要配置降维模块110和神经网络112。参考图5，作为对降维模块110和神经网络112的配置过程的一部分，控制器90可接收包括多个训练光谱202和多个特征值202(表示为D0,D1,…DN)的训练数据集200。所述特征值可以是厚度值。每个训练光谱202a与单个对应的特征值204a相关联。多个训练光谱202可包括例如二十个到五百个训练光谱。
返回图4，对于降维模块110的配置过程，控制器90可为训练光谱的数据集的协方差矩阵生成一组特征向量。一旦已经生成一组特征向量，就可以对特征向量进行排名，并且可以保留具有最大特征值(eigenvalue)的预设数量的特征向量(例如，前四个到前八个特征向量)。
用特征向量的相关联的特征值(eigenvalue)对特征向量进行排名示出了数据集变化最大的方向。测得的光谱在最高排名的特征向量上的投影以显著减少的基底来提供对原始向量的有效表示。
作为解释，每个训练光谱可由以下矩阵表示：
R＝(i1,i2,…,in)，
其中ij表示在总共n个波长中的第j个波长处的光强度。所述光谱可包括例如两百个到五百个强度测量结果；n可以是两百到五百。
假设生成了m个训练光谱，则可以将m个矩阵R组合以形成以下矩阵：
Figure BDA0003530845220000091
其中ijk表示在第j个训练光谱的第k个波长处的光强度。矩阵A的每一行表示一个训练光谱(例如，在基板上的一个位置处的测量结果)。
降维过程(诸如主成分分析(PCA))被施加到矩阵A。PCA执行正交线性变换，该正交线性变换将A矩阵(m×n维)中的数据变换到新的坐标系，使得数据的任何投影的最大方差处于第一坐标上(被称为第一主成分)，第二大的方差处于第二坐标上，以此类推。在数学上，变换由一组权重的p维向量wk＝(wk1,wk2,…,wkp)定义，该组向量将矩阵A的每个m维行向量Ai映射到新的主成分分数向量ti＝(tk1,tk2,…,tip)，其中tki是：
tki＝Ai·wk。
每个向量wk被约束为单位向量。作为结果，ti的各个变量从矩阵A继承了最大可能方差。矩阵A的分解可以写作：
T＝AW，
其中W是n乘p矩阵，W的列是ATA的特征向量。
在James Ramsay和B.W.Silverman所著的函数数据分析(施普林格出版社(Springer)；第二版(2005年7月1日))和I.T.Jolliffe所著的主成分分析(施普林格出版社；第二版(2002年10月2日))中也讨论了PCA的细节。
代替PCA，控制器可以使用SVD(奇异值分解)，SVD是训练光谱数据集的广义特征分解；或者ICA(独立分量分析)，在ICA中找到预先指定数量的统计独立的信号，这些信号的加性组合产生训练光谱数据集。
接下来，可以通过只保留排名最高的特征向量来降维。特别地，代替p个主成分，可以保留总共L个主成分，其中L是0到p之间的整数(例如，三到十)。例如，可以例如通过保留使用T矩阵的最左侧的L列来将T矩阵减小为m×L矩阵T′。类似地，可以例如通过保留W矩阵的最左侧的L列来将W矩阵减小为n×L矩阵W′。
作为另一示例，可以使用诸如自动编码之类的非线性降维技术。所使用的自动编码器可以实现为试图通过使原始输入(其可以具有为N的维度)通过多个层来重建该原始输入的神经网络。中间层中的一者将具有减少数量的隐藏神经元。通过使输出层与输入层之间的差异最小化来训练网络。在这种情况下，隐藏神经元的值可被认为是经降维的光谱。由于降维不再是线性过程，所以此技术可以提供优于PCA和其他类似技术的优势。
对于神经网络120的配置过程，使用每个训练光谱的分量值和特征值来训练神经网络120。
矩阵T′的每个行与训练光谱中的一者相对应，并且由此与一个特征值相关联。当神经网络120以训练模式(诸如反向传播模式)操作时，沿着特定行的值(t1,t2,…,tL)被馈送到主成分的相应输入节点N1,N2…NL，同时该行的特征值被馈送到输出节点126。可以对每一行重复此过程。这样可以设置如上所述的ak1等的值。
可以使用比用于训练神经网络的数据集更大的数据来执行(例如，通过PCA、SVD、ICA等)对主成分的确定。即，用于确定主成分的光谱的数量可以大于用于训练的具有已知特征值的光谱的数量。一旦经训练，系统就应该准备好运行。
系统现在已经准备好运行。使用原位摄谱监测系统70在抛光期间从基板测量光谱。测得的光谱可由列矩阵S＝(i1,i2,…,in)来表示，其中ij表示在总共n个波长中的第j个波长处的光强度。将列矩阵S乘以W′矩阵以生成一个列矩阵，即，S·W′＝P，其中P＝(P1,P2,…,PL)，其中Pi表示第i个主成分的分量值。
当神经网络120在推断模式下使用时，这些值(P1,P2,…,PL)作为输入馈送到相应的输入节点N1,N2,…NL。作为结果，神经网络120在输出节点126处生成特征值(例如，厚度)。
由降维模块110和神经网络120执行的生成特征值CV的组合计算可以表达如下：
CV＝C1*tanh(0.5(N1·S)+0.5b1)+C2*tanh(0.5(N2·S)+0.5b2)+…+CL*tanh(0.5(NL·S)+0.5bL)
其中Nk＝(ak1V1·+ak2V2·+…+akLVL)，其中权重aki是由神经网络120设置的权重，并且向量Vi是由降维模块110确定的特征向量。
神经网络120的架构可以在深度和宽度上变化。例如，尽管神经网络120被示出为具有单个列的中间节点124，但神经网络120可包括多个列。中间节点124的数量可以等于或大于输入节点122的数量。
尽管上面已经描述了神经网络，但也可以使用可通过机器学习技术训练的其他算法。
如上所述，控制器90可以将各个测得的光谱与基板10上的不同区12a-12c(参见图2)相关联。基于测量所述光谱时基板10上的传感器的位置，每个神经网络120的输出可被分类为属于所述区中的一者。这允许控制器90为每个区生成单独的特征值序列。
特征值序列可用于控制抛光系统。例如，参考图6，第一函数304可被拟合到第一区的特征值302的序列300，并且第二函数314可被拟合到第二区的特征值312的序列310。控制器可以计算第一函数和第二函数被投影达到目标值V的时间T1和T2，并且计算经调整的处理参数(例如，经调整的承载头压力)，所述经调整的处理参数将使所述区中的一者以修正的速率(由线320示出)被抛光，使得所述区几乎同时到达目标。
当函数指示特征值到达目标值V时，可以由控制器90触发抛光终点。
回到图5，训练数据集200包括训练光谱202和特征值204。第一个特征值D0和最后一个特征值DN可以通过异位计量测量(例如，线上或独立计量系统，诸如接触式轮廓仪或椭偏仪)来生成。
尽管基于时间的线性插值可用于生成特征值D1,…DN-1，但对于一些应用，线性插值不能生成足够精确的特征值。
图7示出了用于为训练光谱生成训练值的训练数据生成系统250。训练数据生成系统250包括：摄谱原位监测系统70、第二原位监测系统150、异位计量系统270以及厚度预测模型260，厚度预测模型260从这些系统中的每一者接收数据并为每个测试光谱生成标记(例如，特征值，诸如厚度)。
厚度预测模型260包括被抛光的基板的模型，例如，对要在抛光操作中抛光的层的数量的指示以及每个层的大致厚度或每个层的相对抛光速率。基于来自第二原位监测系统150的数据，预测模型260可以比简单线性插值做出更精确的特征值确定。
例如，预测模型260可以从来自第二原位监测系统的数据检测在抛光期间被抛光的层之间的过渡时间。从抛光开始到过渡时间的特征值可以以第一斜率线性内插，并且从过度时间到抛光终点的特征值可以以第二斜率线性内插，其中第一斜率与第二斜率之间的比率由厚度预测模型所存储的每个层的相对抛光速率设置。
更具体地，为了生成训练数据集200，可以在数据采集模式下由抛光装置20抛光至少一个测试基板。在数据采集模式下的抛光期间，由摄谱原位监测系统70和第二原位监测系统150两者监测测试基板。摄谱原位监测系统70测量光谱序列S0,S1,…SN，并且控制系统存储光谱S0,S1,…SN和每个相应光谱的相应测量时间T0,T1,T2,…,TN这两者。类似地，第二原位监测系统150生成测量结果序列X0,X1,X2,…XM，并且控制系统存储测量结果X0,X1,X2,…XM和每个相应测量结果的相应测量时间t0,t1,t2,…,tM两者。测量结果X0,X1,X2,…XM表示什么取决于监测系统的类型，例如，对于温度监测系统是温度值、对于电机电流监测系统是电机电流值、对于声学监测系统是声学信号强度等。
在一些实现中，摄谱原位监测系统70和第二原位监测系统150以相同频率生成测量结果。在此情况下M＝N。然而，这不是必需的，例如，第二原位监测系统150可以以比摄谱原位监测系统70更高或更低的频率生成测量结果。
参考图8，由预测模型260从原位监测系统70、第二原位监测系统150和异位计量系统270接收测试光谱S0,S1,S2,…SN、每个测试光谱的测量时间T0,T1,T2,…,TN、测量结果X0,X1,X2,…XM、每个测量结果的相应时间t0,t1,t2,…,tM、以及第一个特征值D0和/或最后一个特征值DN。在抛光前测量结果不可用的情况下，可以将预设的恒定传入值用于标记。类似地，在抛光后测量结果不可用的情况下，可以将预设的恒定传出值用于标记。在任何情况下，预测模型270从此数据生成将在测量时间T0,T1,T2,…,TN发生的训练特征值D0,D1,…DN，并且将每个训练值D0,D1,…DN与在相应时间T0,T1,T2,…,TN测量的相应测试光谱S0,S1,S2,…SN相关联。
在一些实现中，预测模型270分析测量结果X0,X1,X2,…XM以按时间将抛光过程分割成两个或更多个时间段。预测模型270可以通过检测测量结果中的急剧变化(例如，通过检测测量结果序列的一阶导数超过阈值)来计算分段之间的过渡时间。例如，图9示出了因变于时间的电机扭矩的示例曲线图260，其中X0,X1,X2,…XM表示扭矩或电机电流值。曲线图包括高度倾斜的区域212。通过检测测量结果序列X0,X1,X2,…XM的一阶导数中的最大(或最小)值，预测模型270可以为两个时间段之间过渡分配时间tA。
(例如，在过渡时间tA之前的)第一时间区段中的特征值D0,D1,…Da可由厚度预测模型根据第一函数计算，而(例如，在过渡时间tA之后的)第二时间区段中的特征值Da+1,Da+2,…DN可由厚度预测模型根据不同的第二函数计算。第一函数和第二函数可以是具有不同斜率的线性函数，尽管其他函数(例如，更高阶多项式函数)也是可能的。
在一些实现中，预测模型存储预设的抛光速率比率(例如，根据经验导出的比率)，所述预设的抛光速率比率指示不同时间区段的抛光速率的比率。例如，如果预测模型指示第二时间段中的抛光速率是第一时间段中的抛光速率的R倍，则预测模型可以在以下约束下生成D的值：在时间T0处D＝D0；在时间TN处D＝DN；从T0到tA，D是第一线性函数；从tA到TN，D是第二线性函数；并且第二线性函数的斜率是第一线性函数的斜率的R倍。这是足以生成在相应时间T0,T1,T2,…,TN处的训练特征值D0,D1,D2,…DN的信息。
在一些实现中，预测模型基于在相应时间段期间的测量结果X0,X1,X2,…XM生成抛光速率比率。例如，预测模型可以计算第一时间段中的测量结果的平均值XA和第二时间段中的测量结果的平均值XB。随后，可以对这些值进行比较来推断哪个时间区段抛光得更快以及抛光速率比率。例如，如果第二时间区段(tA到TN)的平均电机扭矩比第一时间区段的(T0到tA)更高，则预测模型可以推断在第二时间区段期间抛光了更多材料。类似地，较高的温度可以指示较高的抛光速率，并且较高的声学信号可以指示较高的抛光速率。预测模型可以基于XA与XB之间的相对差异来生成抛光速率比。
在一些实现中，预测模型包括将测量结果X0,X1,X2,…XM转换成每个测量结果的相应归一化抛光速率的函数。这有效地允许了抛光速率的连续变化，而不是线性插值。
尽管上述讨论聚焦于单个测试基板的抛光内的时间区段，但如果将多个测试基板用于生成测试光谱，则可以在不同测试基板的抛光之间进行类似比较。
对于上述方法中的任一者，一旦已经为相应时间T0,T1,T2,…,TN生成测试特征值D0,D1,…DN，预测模型可以将每个相应特征值与在此相应时间T0,T1,T2,…,TN测量的相应测试光谱S0,S1,S2,…SN配对。随后，此数据可以作为训练数据200(参见图5)输出，训练数据200随后用于训练神经网络120(参见图7)。
本发明的实施例和本说明书中描述的所有功能性操作可以以数字电子电路系统、或以计算机软件、固件或硬件(包括本说明书中公开的结构装置或其结构等效物)、或以它们的组合实现。本发明的实施例可以实现为一个或多个计算机程序产品，即，有形地体现在机器可读存储介质中的一个或多个计算机程序，以用于由数据处理装置(例如，可编程处理器、计算机、或多个处理器或计算机)执行或控制所述数据处理装置的操作。计算机程序(也称为程序、软件、软件应用或代码)可以以包括编译或解释语言的任何形式的编程语言来编写，并且可以以包括作为独立程序或者作为模块、部件、子例程或适于在计算环境中使用的其他单元的任何形式来部署。计算机程序不一定对应于文件。程序可以被存储在保有其他程序或数据的文件的一部分中、在专用于所讨论的程序的单个文件中、或在多个协调文件(例如，存储一个或多个模块、子程序或部分代码的各文件)中。计算机程序可被部署成在一个计算机上或在一个站点或跨多个站点分布并通过通信网络互连的多个计算机上执行。
本说明书中描述的过程和逻辑流可由一个或多个可编程处理器执行，该一个或多个可编程处理器执行一个或多个计算机程序以通过对输入数据进行操作并生成输出来执行功能。过程和逻辑流也可以由专用逻辑电路系统来执行，并且装置也可以实现为专用逻辑电路系统，所述专用逻辑电路系统例如，FPGA(现场可编程门阵列)或ASIC(专用集成电路)。
可以在各种抛光系统中应用上述的抛光装置和方法。抛光垫、或承载头、或这两者可移动，以提供抛光表面与基板之间的相对运动。例如，工作台可以绕轨道运行，而不是旋转。抛光垫可以是固定到工作台的圆形的(或一些其他形状的)垫。抛光系统可以是线性抛光系统，例如，其中抛光垫是线性移动的连续带或卷盘到卷盘的带。抛光层可以是标准(例如，具有或不具有填料的聚氨酯)抛光材料、软材料或固定研磨材料。使用的相对定位的术语是部件的相对取向或定位；应当理解，抛光表面和基板可以以竖直取向或相对于重力的一些其他取向来固持。
尽管以上描述已经聚焦于化学机械抛光，但所述控制系统可以适配成用于其他半导体处理技术，例如，蚀刻或沉积，例如，化学气相沉积。另外，本技术可应用于在线或独立计量系统而不是原位监测系统。
己经描述了本发明的具体实施例。其他实施例在所附权利要求的范围内。

Claims (21)

1.一种训练用于摄谱监测的神经网络的方法，所述方法包括：
抛光测试基板；
在所述测试基板的抛光期间，由原位摄谱监测系统测量从所述基板反射的光的测试光谱序列；
在所述测试基板的抛光期间，由原位非光学监测系统测量来自所述基板的测试值序列；
测量在抛光之前所述基板的初始特征值或在抛光之后所述基板的最终特征值中的至少一者；
将所述测试值序列和所述初始特征值和/或所述最终特征值输入到厚度预测模型中，所述厚度预测模型输出训练值序列，所述训练值序列中的每个相应训练值与来自所述测试光谱序列的相应测试光谱相关联；以及
使用多个训练光谱和多个训练值来训练人工神经网络，所述人工神经网络具有针对多个光谱值的多个输入节点、用于输出特征值的输出节点、以及将所述输入节点连接到所述输出节点的多个隐藏节点。
2.如权利要求1所述的方法，进一步包括：
抛光器件基板；
在所述器件基板经历抛光时，从原位光学监测系统接收从所述器件基板反射的光的测得的光谱；
通过将来自所述测得的光谱的光谱值施加到经训练的人工神经网络的所述输入节点来在所述经训练的人工神经网络的所述输出节点处生成所述测得的光谱的测得的特征值；以及
基于所述特征值来进行停止所述基板的处理或调整处理参数中的至少一者。
3.如权利要求1所述的方法，其中所述厚度预测模型将抛光时间划分成多个分段。
4.如权利要求3所述的方法，其中所述训练值序列包括针对所述多个分段中的第一分段的第一多个训练值和针对所述多个分段中的第二分段的第二多个训练值，并且所述厚度预测模型根据第一函数计算所述第一多个训练值并根据第二函数计算所述第一多个训练值。
5.如权利要求4所述的方法，其中所述厚度预测模型根据以下约束计算所述多个训练值：在所述多个分段之间的边界时间处，所述第一函数等于所述第二函数。
6.如权利要求4所述的方法，其中所述厚度预测模型根据以下约束计算所述多个训练值：第一函数生成在与所述光谱序列中的第一者相对应的抛光开始时间处的所述初始特征值和/或所述第二函数生成在与所述光谱序列中的最后一者相对应的抛光结束时间处的所述最终特征值。
7.如权利要求4所述的方法，其中所述第一函数是具有第一斜率的第一线性函数，并且所述第二函数是具有不同的第二斜率的第二线性函数。
8.如权利要求7所述的方法，其中所述厚度预测模型存储所述第一斜率对所述第二斜率的预定比率，并且将所述第一斜率和所述第二斜率设置成满足所述预定比率。
9.如权利要求7所述的方法，其中所述厚度预测模型基于来自所述第一分段中的所述测试值序列的第一多个测试值与来自所述第二分段中的所述测试值序列的第二多个测试值的比较来计算所述第一斜率和所述第二斜率。
10.如权利要求7所述的方法，其中所述厚度预测模型基于所述第一多个测试值的第一平均值来计算所述第一斜率并且基于所述第二多个测试值的第二平均值来计算所述第二斜率。
11.如权利要求3所述的方法，其中所述厚度预测模型计算所述测试值序列的斜率，并且基于所述斜率来选择所述多个分段之间的边界时间。
12.如权利要求11所述的方法，其中所述厚度预测模型基于所述测试值序列的一阶导数中的极值来选择边界时间。
13.如权利要求1所述的方法，其中所述厚度预测模型基于在时间上最接近相应训练值的时间的至多两个值来计算每个相应训练值。
14.如权利要求1所述的方法，其中以第一频率测量所述光的测试光谱序列，并且以不同的第二频率测量所述测试值序列。
15.如权利要求1所述的方法，其中所述原位非光学监测系统包括：电机扭矩监测系统、声学监测系统或温度监测系统。
16.一种计算机程序产品，所述计算机程序产品包括编码在非瞬态计算机可读介质中的多个指令，所述多个指令使一个或多个计算机：
接收从经历抛光的基板反射的光的测试光谱序列；
从原位非光学监测系统接收来自所述基板的测试值序列；
从异位监测系统接收在抛光之前所述基板的初始特征值或在抛光之后所述基板的最终特征值中的至少一者；以及
基于所述测试值序列和所述初始特征值和/或所述最终特征值来计算训练值序列；以及
将来自所述光谱序列的每个光谱与来自所述训练值序列的训练值相关联以提供用于训练神经网络的训练数据集。
17.如权利要求16所述的计算机程序产品，包括将抛光时间划分成多个分段的指令。
18.如权利要求17所述的计算机程序产品，包括以下指令：根据第一函数计算所述多个分段中的第一分段的第一多个训练值，以及根据不同的第二函数计算所述多个分段中的第二分段的第二多个训练值。
19.如权利要求18所述的计算机程序产品，包括以下指令：根据以下约束计算所述多个训练值：在所述多个分段之间的边界时间处，所述第一函数等于所述第二函数。
20.如权利要求18所述的计算机程序产品，包括以下指令：根据以下约束计算所述多个训练值：所述第一函数生成在与光谱序列中的第一者相对应的时间处的所述初始特征值和/或所述第二函数生成在与所述光谱序列中的最后一者相对应的结束时间处的所述最终特征值。
21.一种化学机械抛光系统，包括：
支撑抛光垫的工作台；
承载头，所述承载头用于将基板固持抵靠所述抛光垫；
电机，所述电机用于生成所述工作台与所述承载头之间的相对运动；
原位摄谱监测系统，所述原位摄谱监测系统用于测量在抛光期间从所述基板反射的光的光谱序列；以及
人工神经网络，所述人工神经网络具有多个输入节点以及输出节点，所述人工神经网络使用训练数据集进行训练，所述训练数据集包括多个训练光谱和多个训练值，所述多个训练值由厚度预测模型从由非光学原位监测系统测量的测试值序列和来自异位计量系统的初始特征值和/或最终特征值生成。
CN202210210644.8A 2021-03-03 2022-03-03 用于标记用于摄谱监测的机器学习系统的训练光谱的原位监测 Pending CN115099386A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202163155926P 2021-03-03 2021-03-03
US63/155,926 2021-03-03

Publications (1)

Publication Number Publication Date
CN115099386A true CN115099386A (zh) 2022-09-23

Family

ID=83116191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210210644.8A Pending CN115099386A (zh) 2021-03-03 2022-03-03 用于标记用于摄谱监测的机器学习系统的训练光谱的原位监测

Country Status (7)

Country Link
US (1) US20220283082A1 (zh)
EP (1) EP4301548A1 (zh)
JP (1) JP2023538197A (zh)
KR (1) KR20230025450A (zh)
CN (1) CN115099386A (zh)
TW (1) TW202239524A (zh)
WO (1) WO2022186988A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024067256A (ja) * 2022-11-04 2024-05-17 株式会社荏原製作所 研磨装置、情報処理装置及びプログラム
CN116141205B (zh) * 2022-11-23 2023-10-17 江苏宇佳智能装备有限公司 一种用于磨削液处理系统的智能监控管理平台
CN116504665A (zh) * 2023-06-28 2023-07-28 全芯智造技术有限公司 Cmp工艺预测、预测模型训练方法及装置、计算设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3439324B2 (ja) * 1997-06-26 2003-08-25 株式会社ノリタケカンパニーリミテド 砥石寿命判定装置
WO2019177905A1 (en) * 2018-03-13 2019-09-19 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
CN111587478A (zh) * 2018-06-28 2020-08-25 应用材料公司 用于光谱监测的机器学习系统的训练光谱产生
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP7173916B2 (ja) * 2019-04-04 2022-11-16 ファナック株式会社 機械学習装置および機械学習方法

Also Published As

Publication number Publication date
EP4301548A1 (en) 2024-01-10
US20220283082A1 (en) 2022-09-08
KR20230025450A (ko) 2023-02-21
TW202239524A (zh) 2022-10-16
WO2022186988A1 (en) 2022-09-09
JP2023538197A (ja) 2023-09-07

Similar Documents

Publication Publication Date Title
US11966212B2 (en) Spectrographic monitoring using a neural network
KR102666904B1 (ko) 반도체 처리의 모니터링을 위한 기계 학습 시스템들
US11507824B2 (en) Training spectrum generation for machine learning system for spectrographic monitoring
CN115099386A (zh) 用于标记用于摄谱监测的机器学习系统的训练光谱的原位监测
US12020159B2 (en) Training spectrum generation for machine learning system for spectrographic monitoring
KR20240089695A (ko) 반도체 처리의 모니터링을 위한 기계 학습 시스템들

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