CN115104001A - 根据基于机器学习的基板图像处理进行膜厚度估计 - Google Patents

根据基于机器学习的基板图像处理进行膜厚度估计 Download PDF

Info

Publication number
CN115104001A
CN115104001A CN202180014115.4A CN202180014115A CN115104001A CN 115104001 A CN115104001 A CN 115104001A CN 202180014115 A CN202180014115 A CN 202180014115A CN 115104001 A CN115104001 A CN 115104001A
Authority
CN
China
Prior art keywords
substrate
color image
die
polishing
instructions
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
CN202180014115.4A
Other languages
English (en)
Inventor
S·德汉达帕尼
A·阿拉赫霍利普罗姆拉尼
D·J·本韦格努
钱隽
K·L·什里斯塔
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 CN115104001A publication Critical patent/CN115104001A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • B24B37/013—Devices or means for detecting lapping completion
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Abstract

通过在多个位置获得校准基板的顶层的地表实况厚度测量结果来训练神经网络以用于基板厚度测量系统，每一位置为在基板上制造的管芯的定义位置。获取校准基板的多个彩色图像，每一彩色图像对应于在基板上制造的管芯的区域。训练神经网络以将来自直列式基板成像器的管芯区域的彩色图像转化为管芯区域中顶层的厚度测量结果。使用训练数据执行训练，训练数据包括多个彩色图像及地表实况厚度测量结果，每一相应的彩色图像与和该相应彩色图像相关联的管芯区域的地表实况厚度测量结果配对。

Description

根据基于机器学习的基板图像处理进行膜厚度估计
技术领域
本公开涉及光学测量，例如涉及使用机器学习方法检测基板上层的厚度。
背景技术
通常通过在硅晶片上顺序地沉积导电、半导体或绝缘层来在基板上形成集成电路。在集成电路制造期间，为了移除填料层或提高光刻平面性可能需要对基板表面进行平面化。
化学机械研磨(CMP)是一种可接受的平面化方法。此平面化方法通常需要将基板安装于载体或研磨头上。通常将基板的受暴露表面放置成抵靠旋转研磨垫。载体头提供对基板的可控负载，以将基板推抵研磨垫。通常将研磨抛光浆料供应至研磨垫的表面。
可(例如)在直列式(in-line)或独立的计量站使用多种光学计量系统(例如光谱的或椭圆偏振的)测量研磨前及研磨后的基板层的厚度。
作为平行的问题，诸如图形处理单元(GPU)及张量处理单元(TPU)的硬件资源的发展导致深度学习算法及其应用的巨大进步。深度学习的不断发展的领域中的一者是计算机视觉及图像识别。此类计算机视觉算法主要设计用于图像分类或分割。
发明内容
在一方面中，训练用于基板厚度测量系统的神经网络的方法包括在多个位置获取校准基板的顶层的地表实况厚度测量结果，每一位置为在基板上制造的管芯的定义位置。获取校准基板的多个彩色图像，每一彩色图像对应于在基板上制造的管芯的区域。训练神经网络，将来自直列式基板成像器的管芯区域的彩色图像转化为管芯区域中顶层的厚度测量结果。使用训练数据执行训练，训练数据包括多个彩色图像及地表实况厚度测量结果，每一相应彩色图像与和该相应彩色图像相关联的管芯区域的地表实况厚度测量结果配对。
在另一方面中，控制研磨的方法包括：在研磨系统的直列式监测站获取第一基板的第一彩色图像；使用管芯掩模将第一彩色图像分割为多个第二彩色图像，以使得每一第二彩色图像对应于在第一基板上制造的管芯的一区域；产生一个或多个位置的厚度测量结果；及基于厚度测量结果确定第一基板或后续第二基板的研磨参数。一个或多个位置中的每一相应位置对应于在第一基板上制造的管芯的相应区域。为产生一区域的厚度测量结果，通过使用训练数据训练的神经网络处理对应于该区域的第二彩色图像，训练数据包括校准基板的管芯的多个第三彩色图像及校准基板的地表实况厚度测量结果，每一相应第三彩色图像与和该相应彩色图像相关联的管芯区域的地表实况厚度测量结果配对。
实施方式可包括以下潜在优点中的一者或多者。可快速测量基板上多个管芯的厚度。例如，直列式计量系统可在不影响产量的情况下基于基板的彩色图像确定基板的厚度。可在多变量批对批(run-to-run)控制方案中直接使用估计厚度。
可使用所描述的方法训练模型以产生厚度测量结果，该测量结果与实际膜厚度的误差小于5％。虽然可自具有三个彩色通道的彩色图像得到厚度测量结果，但可在基板成像器系统中增加高光谱相机以为模型提供更高维度的特征输入。这可有利于训练更复杂的模型，以理解膜堆叠的更多物理性质。
计量系统中的深度学习可具有高推断速度，且仍能够在基板上实现厚度剖面的高分辨率测量。其使得计量系统成为存储器应用的快速、低成本的计量前及计量后的测量工具，且厚度准确度更高。
所附的附图及下方描述阐述一个或多个实施方式的细节。其他方面、特征及优点将自描述、附图及权利要求书中显而易见。
附图说明
图1示出直列式光学测量系统的示例的视图。
图2A示出用于模型训练的基板的示例性图像的示例。
图2B为计算机数据存储系统的示意性说明。
图3示出用作研磨装置的控制器的一部分的神经网络。
图4示出使用深度学习方法检测基板上层的厚度的方法的流程图。
各图中的相同的附图标记表示相同的元件。
具体实施方式
由于CMP工艺中发生的研磨速率的变化，因此在CMP处理中使用干式计量系统的薄膜厚度测量。此类干式计量测量技术常常使用光谱的或椭圆偏振的方法，其中膜堆叠的光学模型中的变量符合所收集的测量结果。此类测量技术通常需要将传感器精确对准基板的测量点，以确保模型适用于所收集的测量结果。因此，测量基板上的大量点可能耗时，并且收集高分辨率厚度剖面不可行。
然而，使用机器学习可实现用减少的时间测量基板上膜的厚度。通过使用来自基板的管芯的彩色图像及由其他可靠计量系统的相关厚度测量结果来训练深度神经网络，可通过将输入图像应用至神经网络而测量管芯的膜厚度。例如对于低成本存储器应用，此系统可用作高产量且经济的解决方案。除了厚度推断以外，可使用此技术使用图像分割对基板上的残留物水平分级。
参考图1，研磨装置100包括:一个或多个载体头126，每一载体头126经配置以承载基板10；一个或多个研磨站106；及传送站，其将基板装载至载体头，以及自载体头卸除基板。每一研磨站106包括研磨垫130，研磨垫130支撑于平台120上。研磨垫130可以是两层研磨垫，其具有外研磨层及较软背托层。
载体头126可从支撑件128悬置，且可在研磨站之间移动。在一些实施方式中，支撑件128为架空轨道，每一载体头126耦接至托架108，托架108安装至轨道，以便每一托架108可在研磨站124与传送站之间选择性移动。或者，在一些实施方式中，支撑件128为可旋转转盘，转盘的旋转沿圆形路径同时移动载体头126。
研磨装置100的每一研磨站106可例如在臂134的端部包括端口，以将诸如研磨浆料的研磨液体136分配至研磨垫130上。研磨装置100的每一研磨站106还可包括垫调节装置以磨光研磨垫130，以将研磨垫130保持于一致的研磨状态。
可操作每一载体头126，以使基板10保持抵靠研磨垫130。每一载体头126可独立控制研磨参数，例如与每一相应基板相关联的压力。特定而言，每一载体头126可包括保持环142，其将基板10保持于柔性膜144下方。每一载体头126还可包括由膜界定的多个独立可控的增压腔室(例如三个腔室146a至146c)，其可对柔性膜144上的关联区施加独立可控的压力，且由此对基板10施加独立可控的压力。虽然为了便于说明，在图1中仅图示三个腔室，但可存在一或两个腔室，或四个或更多个腔室，例如五个腔室。
每一载体头126从支撑件128悬置，且由驱动轴154连接至载体头旋转电机156，从而载体头可围绕轴127旋转。可选地，每一载体头126可例如通过在轨道上驱动托架108或通过转盘自身的旋转振荡而侧向振荡。在操作中，平台围绕其中心轴旋转，每一载体头围绕其中心轴127旋转且在研磨垫的顶表面上侧向移动。
将诸如可程序计算机的控制器190连接至每一电机，以独立地控制平台120及载体头126的旋转速率。控制器190可包括中央处理单元(CPU)192、存储器194及支持电路196，例如输入/输出电路、电源、时钟电路、高速缓存及类似者。存储器连接至CPU 192。存储器为非瞬态计算机可读介质，且可以是一个或多个容易获得的存储器，例如随机存取存储器(RAM)、只读存储器(ROM)、软盘、硬盘或另一形式的数字存储器。另外，虽然示出为单一计算机，但控制器190可以是分布式系统，例如包括多个独立操作的处理器及存储器。
研磨装置100还包括直列式(也称为按序)的光学计量系统160。直列式光学计量系统160的彩色成像系统位于研磨装置100内，但在研磨操作期间不执行测量，而在研磨操作之间(例如当将基板自一研磨站移动至另一研磨站时，或在研磨前或研磨后，例如当将基板自传送站移动至研磨站或相反时)收集测量结果。另外，直列式光学计量系统160可位于晶片厂接口单元中或可自晶片厂接口单元进入的模块中，以在自盒取出基板之后但在将基板移动至研磨单元之前测量基板，或在清洗基板之后但在基板返回至盒之前测量基板。
直列式光学计量系统160包括传感器组件161，其提供基板10的彩色成像。传感器组件161可包括光源162、光检测器164及电路系统166，电路系统166用于在控制器190及光源162与光检测器164之间发送及接收信号。
可操作光源162以发射白光。在一个实施方式中，所发射的白光包括具有200至800纳米的波长的光。合适的光源为白光发光二极管(LED)、氙灯或氙汞灯的阵列。光源162经定向以将光168以非零的入射角α引导至基板10的暴露表面。入射角α可以是(例如)约30°至75°，例如50°。
光源可照亮基本上线性的狭长区域，其跨越基板10的宽度。例如，光源162可包括光学器件，例如射束放大器，其使光自光源扩展至狭长区域。替代地或另外地，光源162可包括光源的线性阵列。光源162自身及基板上照亮的区域可延长，且具有平行于基板表面的纵轴。
可将扩散器170放置于光168的路径中，或光源162可包括扩散器，在光到达基板10之前使光扩散。
检测器164为彩色相机，其对来自光源162的光敏感。相机包括检测器元件的阵列。例如，相机可包括CCD阵列。在一些实施方式中，阵列为单列检测器元件。例如，相机可以是线扫描相机。一行检测器元件可平行于由光源162照亮的狭长区域的纵轴而延伸。在光源162包括一行发光组件的情况下，该行检测器元件可沿平行于光源162的纵轴的第一轴延伸。一行检测器元件可包括1024个或更多个元件。
相机164配置有适当的聚焦光学器件172，以将基板的视场投射至检测器元件的阵列上。视场可足够长以可观察基板10的整个宽度，例如150至300mm长。可配置包括相关光学器件172的相机164，以使得个别的像素对应于具有等于或小于约0.5mm的长度的区域。例如，假定视场约为200mm长且检测器164包括1024个元件，则由线扫描相机产生的图像可具有长度约为0.5mm的像素。为确定图像的长度分辨率，可用视场(FOV)的长度除以FOV成像至其上的像素的数量，以得到长度分辨率。
还可配置相机164，以使得像素宽度与像素长度相当。例如，线扫描相机的优点是其极高的帧率。帧率可以是至少5kHz。可将帧率设定为一频率，以使得当成像区域扫描基板10时，像素宽度与像素长度相当，例如等于或小于约0.3mm。
光源162及光检测器164可支撑于平台180上。在光检测器164为线扫描相机的情况下，光源162及相机164可相对于基板10移动，以使得成像区域可扫描基板的长度。特定而言，相对运动可在平行于基板10的表面的一方向上且垂直于线扫描相机164的一行检测器元件。
在一些实施方式中，平台182是静止的，而基板的支撑件移动。例如，载体头126可移动，例如通过托架108的运动或转盘的旋转振荡移动，或将基板保持于工厂接口单元中的机器手臂可使基板10移动经过线扫描相机182。在一些实施方式中，当载体头或机器手臂保持为静止以用于图像采集时，平台180是可移动的。例如，平台180可通过线性致动器182沿轨道184移动。在任一情况下，这允许当经扫描的区域移动经过基板10时，光源162及相机164彼此相对保持于固定的位置。
使线扫描相机及光源在基板上一起移动的可能优点是，例如相比于常规的2D相机，光源与相机之间的相对角对于晶片上的不同位置保持不变。因此，可减少或消除由视角变化导致的伪影。另外，线扫描相机可消除透视变形，而常规的2D相机表现出固有的透视变形，该透视变形则需要通过图像转换来校正。
传感器组件161可包括机构，以调整基板10及光源162与检测器164之间的垂直距离。例如，传感器组件161可包括致动器，以调整平台180的垂直位置。
可选地，偏振滤光器174可位于光的路径中，例如在基板10与检测器164之间。偏振滤光器174可以是圆形极化器(CPL)。典型的CPL是线性极化器与四分之一波片的组合。对偏振滤光器174的极化轴进行适当的定向，可减少图像中的雾度，锐化或增强所要的视觉特征。
假定基板上的最外层为半透明层(例如介电层)，检测器164处检测的光的颜色取决于(例如)基板表面的组成、基板表面的平滑度，和/或基板上一或多层(介电层)的不同接口反射的光之间的干扰量。如上所述，光源162及光检测器164可连接至计算装置，例如控制器190，可操作控制器190以控制光源162及光检测器164的操作且接收其信号。可将执行各个功能以将彩色图像转化为厚度测量结果的计算装置视为计量系统160的一部分。
参考图2A，展示了用直列式光学计量系统160收集的基板10的图像202的示例。直列式光学计量系统160产生高分辨率彩色图像202，例如具有至少三个彩色通道(例如RGB通道)的至少720x 1080像素的图像，例如至少2048x 2048像素的图像。任一特定像素处的颜色取决于对应于该像素的基板区域中一或多层(包括顶层)的厚度。
将图像202分割为一个或多个区域208，每一区域对应于基板上制造的管芯206。提供区域208的图像的部分可以是图像中的预定区域，或可基于图像用算法自动确定提供区域208的部分。
作为图像中的预定区域的示例，控制器可存储管芯掩模，其对于每一区域208识别图像中的位置及区域。例如，对于矩形区域，可用图像中的右上及左下坐标界定区域。由此，掩模可以是数据文件，其包括每一矩形区域的一对右上及左下坐标。在其他情况下，在区域为非矩形的情况下，可使用更复杂的功能。
在一些实施方式中，可确定基板的定向及位置，可相对于图像对准管芯掩模。可用凹口探测器或通过彩色图像202的图像处理来确定基板定向，例如以确定图像中划线的角度。还可通过彩色图像202的图像处理，例如通过检测圆形基板边缘且随后确定圆形的中心来确定基板位置。
作为自动确定区域208的示例，图像处理算法可分析图像202并检测划线。随后可将图像202分割为所识别划线之间的区域。
通过分割初始彩色图像，可自基板10收集各个区域208的多个彩色图像204。如上所述，每一彩色图像204对应于基板上制造的管芯206。可将所收集的彩色图像输出为PNG图像，但可能使用许多其他格式，例如JPEG等。
可将彩色图像204提供至图像处理算法，以产生彩色图像204中所示管芯的厚度测量结果。将图像用作已训练(例如通过受监控的深度学习方法)的图像处理算法的输入数据，以基于彩色图像估计层厚度。受监控的基于深度学习的算法确立彩色图像与厚度测量结果之间的模型。图像处理算法可包括神经网络作为基于深度学习的算法。
将彩色图像204的每一像素的每一彩色通道的强度值键入至图像处理算法中，例如键入至神经网络的输入神经元。基于此输入数据，可计算彩色图像的层厚度测量结果。由此，将彩色图像204输入至图像处理算法得到估计厚度的输出。例如对于低成本存储器应用，此系统可用作高产量且经济的解决方案。除了厚度推断，可使用此技术使用图像分割对基板上的残留物水平分级。
为了使用受监控的深度学习方法训练图像处理算法(例如神经网络)，可如上文所论述获取一个或多个校准基板的管芯的校准图像。即，可用直列式光学计量系统160的线扫描相机扫描每一校准基板，以产生初始校准图像，可将初始校准图像分割为校准基板上的各个区域的多个彩色图像。
在收集初始彩色校准图像之前或之后，使用高准确度计量系统(例如直列式或独立计量系统)在校准基板上的多个位置处收集地表实况厚度测量结果。高准确度计量系统可以是干式光学计量系统。地表实况测量结果可来自离线反射测量法、椭圆偏振法、散射测量法或更先进的TEM测量法，尽管其他技术亦可适合。可自Nova Measuring Instruments公司或Nanometrics公司获得此类系统。每一位置对应于所制造的管芯中的一者，即各个区域中的一者。
例如，参考图2B，对于每一校准基板上的每一个体区域，使用光学计量系统160的直列式传感器收集彩色校准图像212。对于校准基板上的对应管芯，每一彩色校准图像与地表实况厚度测量结果214相关联。可将图像212及相关的地表实况厚度测量结果214存储于数据库220中。例如，可将数据存储为记录210，其中每一记录包括校准图像212及地表实况厚度测量结果214。
随后使用所组合的数据集218训练基于深度学习的算法，例如神经网络。当训练模型时，将对应于用干式计量工具测量的对应于管芯中心的厚度测量结果用作输入图像的标记。例如，可对自具有宽范围的后厚度的基板上的五个管芯收集的约50,000个图像训练模型。
图3示出用作研磨装置100的控制器190的一部分的神经网络320。神经网络320可以是深度神经网络，其用于对校准基板的输入图像的RGB强度值及地表实况厚度测量结果进行回归分析，以产生模型来基于一区域的彩色图像预测基板的该区域的层厚度。
神经网络320包括多个输入节点322。神经网络320可包括与输入彩色图像的每一像素相关联的每一彩色通道的输入节点、多个隐藏节点324(下文还称为“中间节点”)及输出节点326，其将产生层厚度测量值。在具有单层隐藏节点的神经网络中，每一隐藏节点324可耦接至每一输入节点322，而输出节点326可耦接至每一隐藏节点320。然而，作为实际问题，用于图像处理的神经网络可能具有许多层隐藏节点324。
通常，隐藏节点324输出一值，其为来自输入节点322或与隐藏节点324连接的先前层隐藏节点的值的加权和的非线性函数。
例如，可将第一层中的隐藏节点324(标为节点k)的输出表示为：
tanh(0.5*ak1(I1)+ak2(I2)+...+akM(IM)+bk)
其中，tanh为双曲正切，akx为第k中间节点与第x输入节点(M个输入节点的)之间的连接的加权，且IM为第M输入节点处的值。然而，可用其他非线性函数代替tanh，例如纠正线性单元(ReLU)函数及其变体。
神经网络320由此对于与输入彩色图像的每一像素相关联的每一彩色通道包括输入节点322，例如其中具有J个像素及K个彩色通道，则L＝J*K是输入彩色图像中强度值的数量，且神经网络320将包括至少输入节点N1,N2...,NL。
由此，在输入节点数量对应于彩色图像中强度值数量的情况下，可将隐藏节点324(标为节点k)的输出Hk表示为：
Hk＝tanh(0.5*ak1(I1)+ak2(I2)+...+akL(IL)+bk)
假定用行矩阵(i1,i2,...,iL)表示所测量的彩色图像S，可将中间节点324(标为节点k)的输出表示为：
Hk＝tanh(0.5*ak1(V1·S)+ak2(V2·S)+...+akL(VL·S)+bk)
其中V为加权的值(v1,v2,vL)，Vx为彩色图像的L个强度值中的第x强度值的加权。
输出节点326可产生特性值CV，例如厚度，其为隐藏节点的输出的加权和。例如，可将此表示为
CV＝C1*H1+C2*H2+...+Cl*Hl
其中Ck为第k隐藏节点的输出的加权。
然而，神经网络320可任选地包括一个或多个其他输入节点(例如节点322a)以接收其他数据。此其他数据可来自：用原位监测系统对基板的先前测量结果，例如在处理基板早期收集的像素强度值；对先前基板的测量结果，例如在处理另一基板期间收集的像素强度值；研磨系统中的另一传感器，例如用温度传感器对垫或基板的温度的测量结果；由用于控制研磨系统的控制器存储的研磨配方，例如研磨参数，诸如用于研磨基板的载体头压力及平台旋转速率；用控制器追踪的变量，例如改变垫之后的若干基板；或非研磨系统一部分的传感器，例如用计量站对下层膜厚度的测量结果。这允许神经网络320在计算层厚度测量值时考虑其他处理或环境变量。
将输出节点326处产生的厚度测量结果提供至工艺控制模块330。工艺控制模块可基于一个或多个区域的厚度测量结果调整工艺参数，例如载体头压力、平台旋转速率等。可对将在基板或下一基板上执行的研磨工艺执行调整。
在用于例如基板测量结果之前，需配置神经网络320。
作为配置程序的一部分，控制器190可接收多个校准图像。每一校准图像具有多个强度值，例如校准图像的每一彩色通道、每一像素的强度值。控制器还接收每一校准图像的特性值，例如厚度。例如，可在一个或多个校准或测试基板上制造的特定管芯处测量彩色校准图像。另外，可使用干式测量设备(例如接触表面轮廓仪或椭圆仪)在特定管芯位置执行厚度的地表实况测量。地表实况厚度测量结果因此可与基板上同一管芯位置的彩色图像相关。可通过如上文论述分割校准基板的图像，自例如五至十个校准基板产生多个彩色校准图像。关于神经网络320的配置程序，使用在校准基板上制造的每一管芯的彩色图像及特性值训练神经网络320。
V对应于彩色图像中的一者，且因此与特性值相关联。当神经网络320在训练模式(例如后向传播模式)下操作时，将值(v1,v2,...,vL)提供至相应的输入节点N1、N2...Nl，同时将特性值CV提供至输出节点326。对于每一列可重复此过程。此过程设定上文公式1或2中的ak1等的值。
系统现在准备操作。使用直列式监测系统160自基板测量彩色图像。可用行矩阵S＝(i1,i2,...,iL)表示所测量的彩色图像，其中ij表示L个强度值中的第j强度值的强度值，当图像总共包括n个像素且每一像素包括三个彩色通道时，L＝3n。
当在推断模式下使用神经网络320时，将这些值(S1,S2,...,SL)作为输入提供至相应输入节点N1,N2,...NL。由此，神经网络320在输出节点326处产生特性值，例如层厚度。
神经网络320的架构可在深度及宽度上变化。例如，虽然所示的神经网络320具有单行中间节点324，但其可包括多行。中间节点324的数量可等于或大于输入节点322的数量。
如上所述，控制器190可使各个彩色图像与基板上的不同管芯(见图2)相关联。可基于收集图像时基板上传感器的位置将每一神经网络320的输出分类为属于管芯中的一者。这允许控制器190对于每一管芯产生单独的测量值序列。
在一些实施方式中，控制器190可经配置以具有神经网络模型结构，该神经网络模型结构由多个不同类型的构建区块组成。例如，神经网络可以是残余神经网络，其架构中包括残余区块特征。残余神经网络可利用跨越连接或快捷方式来跳过一些层。可将残余神经网络实施有(例如)ResNet模型。在残余神经网络的情境中，可将非残余神经网络描述为普通网络。
在一些实施方式中，神经网络可经训练以在计算期间考虑堆叠的下置层厚度，这能够改善由于厚度测量下层变化导致的误差。可通过将下置层的厚度的彩色图像的强度值作为额外输入提供至模型，来减轻膜堆叠的下置厚度变化的影响以提高模型的性能。
可通过将所计算的厚度测量结果与测量值对比，然后确定计算值与原始测量值的差，来评估所计算的厚度测量结果的可靠度。随后可使用此深度学习模型在紧接扫描新的测试基板之后，在推断模式下预测厚度。此新方法提高整个系统的产量，且使得可对一批中的所有基板执行厚度测量。
参考图4，一种通过机器学习技术产生的图像处理算法，其用于基板厚度测量系统。此图像处理算法可接收由集成的线扫描相机检验系统收集的RGB图像，且以快很多的速度实现膜厚度估计。对约2000个测量点的推断时间约为几秒，与使用干式计量的2小时形成对比。
方法包括控制器将来自光检测器164的各个图像线组合为二维彩色图像(500)。控制器可对每一彩色通道中的图像的强度值施加偏移和/或增益调整(510)。每一彩色通道可具有不同的偏移和/或增益。可任选地对图像进行标准化(515)。例如，可计算所测量图像与标准预定义图像之间的差。例如，控制器可存储红、绿及蓝色通道中的每一者的背景图像，可自每一彩色通道的所测量图像减去背景图像。替代地，标准预定义图像可分割所测量图像。可对图像进行滤波以去除低频空间变化(530)。在一些实施方式中，使用亮度通道产生滤波器，随后将滤波器应用于红色、绿色及蓝色图像。
将图像转换(例如重设大小和/或旋转及/或平移)至标准图像坐标系(540)。例如，可平移图像使得管芯中心位于图像的中心点，及/或可调整图像的大小使得基板的边缘在图像的边缘处，和/或可旋转图像使得图像的x轴与连接基板中心及基板定向特征的径向段之间为0°角。
选择基板上的一个或多个区域，对于每一所选择的区域产生一图像(550)。可使用上文所描述的技术执行此步骤，例如区域可以是预定区域，或通过算法自动确定提供区域208的部分。
将由图像的每一像素的每一彩色通道提供的强度值视为用作受监控的深度学习训练的图像处理算法的输入。图像处理算法输出特定区域的层厚度测量结果(560)。
在小管芯测试图案化基板上训练且验证各个深度模型架构，目标是减少测量结果中的误差。考虑下层特性的模型具有较小的误差。另外，通过用在一个工具上收集的数据训练模型并将其用于推断来自其他工具的数据，来执行初步的工具至工具的匹配验证。可将结果与训练来自同一工具的数据且用其推断相比。
总体而言，可使用数据控制CMP装置的一个或多个操作参数。操作参数包括例如平台旋转速度、基板旋转速度、基板研磨路径、平台上的基板速度、施加于基板上的压力、浆料组成、浆料流动速率及基板表面的温度。可实时控制操作参数，且可在无需进一步人为干预的情况下自动调整操作参数。
如在本说明书中所使用，术语基板可包括例如产品基板(例如包括多个存储器或处理器管芯)、测试基板、裸基板与门控基板。基板可处于集成电路制造的各个阶段，例如基板可以是裸晶片，或其可包括一个或多个沉积和/或图案化层。术语基板可包括圆盘及矩形片。
然而，上文所述的彩色图像处理技术在3D垂直NAND(VNAND)闪存的情境中可尤其有用。特定而言，VNAND制造中使用的层堆叠极其复杂，以至于当前的计量方法(例如Nova光谱分析)无法以充分的可靠性执行检测厚度不合适的区域。相比之下，彩色图像处理技术在此应用中可具有更高的可靠性。
本发明的实施例及本说明书中描述的功能操作中的所有者可在数字电子电路系统中实施，或在计算机软件、固件或硬件中实施，包括本说明书中揭示的结构构件及其结构等效物或其组合。本发明的实施例可实施有一个或多个计算机程序产品，即一个或多个计算机程序，其在非瞬态机器可读存储介质中有形地存在，由数据处理装置(例如可程序处理器、计算机或多个处理器或计算机)执行或控制数据处理装置的操作。
使用相对位置的术语表示系统部件彼此的相对位置(不一定为相对于重力)；应理解可按垂直定向或一些其他定向保持研磨表面及基板。
已描述若干实施方式。然而，将理解可作出各种修改。例如
相比于线扫描相机，可使用使整个基板成像的相机。在此情况下，不需要相机相对于基板的运动。
相机可覆盖小于基板的整个宽度。在此情况下，相机将需要经历两个垂直方向的运动(例如支撑于X-Y平台)，从而扫描整个基板。
光源可照亮整个基板。在此情况下，光源不需要相对于基板移动。
光检测器可以是分光计而非彩色相机；可随后将光谱数据减少至RGB彩色空间。
感测组件不需要位于研磨站之间或研磨站与传送站之间的直列式系统。例如，感测组件可位于传送站内，位于盒接口单元中，或为独立的系统。
任选地使用均匀性分析步骤。例如，可将通过应用阈值转换产生的图像提供至前馈过程，调整基板的后一处理步骤，或提供至反馈过程以调整后续基板的处理步骤。
因此，其他实施方式在权利要求书的范围内。

Claims (20)

1.一种非瞬态计算机可读介质，其编码有计算机程序产品，所述计算机程序产品包括指令以使一个或多个处理器：
在多个位置获得校准基板的顶层的地表实况厚度测量结果，每一位置为在所述基板上制造的管芯的定义位置；
获取所述校准基板的多个彩色图像，每一彩色图像对应于在所述基板上制造的管芯的区域；及
训练神经网络，将来自直列式基板成像器的管芯区域的彩色图像转换为所述管芯区域中的所述顶层的厚度测量结果，其中训练所述神经网络的所述指令包括使用训练数据的指令，所述训练数据包括所述多个彩色图像及地表实况厚度测量结果，每一相应彩色图像与和所述相应彩色图像相关联的所述管芯区域的地表实况厚度测量结果配对。
2.如权利要求1所述的计算机可读介质，其中获取所述多个彩色图像的所述指令包括从所述直列式基板成像器接收所述校准基板的指令。
3.如权利要求1所述的计算机可读介质，其中获取所述多个彩色图像的所述指令包括接收所述校准基板的彩色图像且基于管芯掩模将所述彩色图像分割为所述多个彩色图像的指令。
4.如权利要求1所述的计算机可读介质，其包含获取多个校准基板的顶层的地表实况厚度测量结果且获取所述校准基板中的每一者的多个彩色图像的指令。
5.如权利要求1所述的计算机可读介质，其中获取所述地表实况厚度测量结果的所述指令包含在所述多个位置中的每一者从光学表面轮廓仪接收厚度的测量结果的指令。
6.如权利要求1所述的计算机可读介质，其包含指令以：
在所述多个位置获取所述校准基板的下层的地表实况厚度测量结果；
训练所述神经网络，将来自所述直列式基板成像器的管芯区域的彩色图像转换为所述下层的厚度测量结果。
7.如权利要求1所述的计算机可读介质，其中所述定义位置为所述管芯的中心。
8.如权利要求1所述的计算机可读介质，其包含从基板中的所有管芯获取测量结果的指令。
9.如权利要求1所述的计算机可读介质，其包含在化学机械平面化之前及之后从一批中的所有基板获取测量结果的指令。
10.一种训练神经网络以用于基板厚度测量系统的方法，其包含以下步骤：
在多个位置获得校准基板的顶层的地表实况厚度测量结果，每一位置为在所述基板上制造的管芯的定义位置；
获取所述校准基板的多个彩色图像，每一彩色图像对应于在所述基板上制造的管芯的区域；以及
训练神经网络，将来自直列式基板成像器的管芯区域的彩色图像转换为所述管芯区域中的所述顶层的厚度测量结果，使用训练数据执行训练，所述训练数据包括所述多个彩色图像及地表实况厚度测量结果，每一相应彩色图像与和所述相应彩色图像相关的所述管芯区域的地表实况厚度测量结果配对。
11.一种计算机程序产品，其包含非瞬态计算机可读介质，所述非瞬态计算机可读介质编码有指令以使一个或多个处理器：
从研磨系统的直列式监测系统接收第一基板的第一彩色图像；
使用管芯掩模将所述第一彩色图像分割为多个第二彩色图像，以使得每一第二彩色图像对应于在所述第一基板上制造的管芯的区域；
产生一个或多个位置的厚度测量结果，所述一个或多个位置中的每一相应位置对应于在所述第一基板上制造的管芯的相应区域，其中产生一区域的所述厚度测量结果的所述指令包括用于通过使用训练数据训练的神经网络处理对应于所述区域的第二彩色图像的指令，所述训练数据包括校准基板的管芯的多个第三彩色图像及所述校准基板的地表实况厚度测量结果，每一相应第三彩色图像与和所述相应第三彩色图像相关联的管芯区域的地表实况厚度测量结果配对；及
基于所述厚度测量结果确定所述第一基板或后续第二基板的研磨参数的值。
12.如权利要求11所述的计算机程序产品，其包含在研磨站研磨所述第一基板之后接收所述第一基板的所述第一彩色图像的指令。
13.如权利要求12所述的计算机程序产品，其包含基于所述厚度测量结果确定所述后续第二基板的所述研磨站的所述研磨参数的指令。
14.如权利要求11所述的计算机程序产品，其包含在研磨站研磨所述第一基板之前接收所述第一基板的所述第一彩色图像的指令。
15.如权利要求14所述的计算机程序产品，其包含基于所述厚度测量结果确定所述第一基板的所述研磨站的所述研磨参数的指令。
16.如权利要求11所述的计算机程序产品，其中所述研磨参数包含所述载体头中腔室的压力。
17.一种研磨装置，其包含：
研磨站，其包括平台以支撑研磨垫及载体头，以将第一基板保持抵靠所述研磨垫；
直列式测量站，其具有彩色相机以产生所述第一基板的彩色图像；及
控制系统，其经配置以
从研磨系统的直列式监测站接收所述第一基板的第一彩色图像，
使用管芯掩模将所述第一彩色图像分割为多个第二彩色图像，以使得每一第二彩色图像对应于在所述第一基板上制造的管芯的区域；
产生一个或多个位置的厚度测量结果，所述一个或多个位置中的每一相应位置对应于在所述第一基板上制造的管芯的相应区域，其中产生一区域的所述厚度测量结果的所述指令包括用于通过使用训练数据训练的神经网络处理对应于所述区域的第二彩色图像的指令，所述训练数据包括校准基板的管芯的多个第三彩色图像及所述校准基板的地表实况厚度测量结果，每一相应第三彩色图像与和所述相应第三彩色图像相关联的管芯区域的地表实况厚度测量结果配对，及
基于所述厚度测量结果确定所述第一基板或后续第二基板的研磨参数的值；
使所述研磨站使用所确定的研磨参数研磨所述第一基板或所述后续第二基板。
18.如权利要求17所述的装置，其中所述研磨参数包含所述载体头中腔室的压力。
19.如权利要求17所述的装置，其中所述控制系统经配置以在研磨站研磨所述第一基板之后接收所述第一基板的所述第一彩色图像。
20.一种控制研磨的方法，其包含以下步骤：
在研磨系统的直列式监测系统获取第一基板的第一彩色图像；
使用管芯掩模将所述第一彩色图像分割为多个第二彩色图像，以使得每一第二彩色图像对应于在所述第一基板上制造的管芯的区域；
产生一个或多个位置的厚度测量结果，所述一个或多个位置中的每一相应位置对应于在所述第一基板上制造的管芯的相应区域，其中产生一区域的所述厚度测量结果包括通过使用训练数据训练的神经网络处理对应于所述区域的第二彩色图像，所述训练数据包括校准基板的管芯的多个第三彩色图像及所述校准基板的地表实况厚度测量结果，每一相应第三彩色图像与和与所述相应第三彩色图像相关联的管芯区域的地表实况厚度测量结果配对；及
基于所述厚度测量结果确定所述第一基板或后续第二基板的研磨参数的值。
CN202180014115.4A 2020-06-29 2021-06-25 根据基于机器学习的基板图像处理进行膜厚度估计 Pending CN115104001A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063045782P 2020-06-29 2020-06-29
US63/045,782 2020-06-29
PCT/US2021/039247 WO2022005916A1 (en) 2020-06-29 2021-06-25 Film thickness estimation from machine learning based processing of substrate images

Publications (1)

Publication Number Publication Date
CN115104001A true CN115104001A (zh) 2022-09-23

Family

ID=79032657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180014115.4A Pending CN115104001A (zh) 2020-06-29 2021-06-25 根据基于机器学习的基板图像处理进行膜厚度估计

Country Status (7)

Country Link
US (4) US11847776B2 (zh)
EP (1) EP4172560A1 (zh)
JP (1) JP2023516872A (zh)
KR (1) KR20220123069A (zh)
CN (1) CN115104001A (zh)
TW (2) TWI792370B (zh)
WO (1) WO2022005916A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220123069A (ko) * 2020-06-29 2022-09-05 어플라이드 머티어리얼스, 인코포레이티드 기판 이미지들의 머신 러닝 기반 처리로부터의 막 두께 추정
CN114918817A (zh) * 2022-05-27 2022-08-19 河南科技学院 一种Roll-to-Roll化学机械抛光装置及方法
CN116086330B (zh) * 2023-02-17 2024-01-12 无锡星微科技有限公司 一种用于大尺寸晶圆的厚度检测平台

Family Cites Families (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6614529B1 (en) 1992-12-28 2003-09-02 Applied Materials, Inc. In-situ real-time monitoring technique and apparatus for endpoint detection of thin films during chemical/mechanical polishing planarization
US5985032A (en) 1995-05-17 1999-11-16 Matsushita Electric Industrial Co., Ltd. Semiconductor manufacturing apparatus
US6075883A (en) 1996-11-12 2000-06-13 Robotic Vision Systems, Inc. Method and system for imaging an object or pattern
US6390019B1 (en) 1998-06-11 2002-05-21 Applied Materials, Inc. Chamber having improved process monitoring window
JP2000233369A (ja) 1999-02-15 2000-08-29 Noritake Co Ltd 研削状態監視装置およびドレッシング状態監視装置
JP2001287159A (ja) 2000-04-05 2001-10-16 Nikon Corp 表面状態測定方法及び測定装置及び研磨装置及び半導体デバイス製造方法
US6924641B1 (en) 2000-05-19 2005-08-02 Applied Materials, Inc. Method and apparatus for monitoring a metal layer during chemical mechanical polishing
US7374477B2 (en) 2002-02-06 2008-05-20 Applied Materials, Inc. Polishing pads useful for endpoint detection in chemical mechanical polishing
US6966816B2 (en) 2001-05-02 2005-11-22 Applied Materials, Inc. Integrated endpoint detection system with optical and eddy current monitoring
US6722946B2 (en) 2002-01-17 2004-04-20 Nutool, Inc. Advanced chemical mechanical polishing system with smart endpoint detection
KR100979071B1 (ko) 2002-02-22 2010-08-31 에이저 시스템즈 인크 이중 배향 다결정성 재료의 화학 기계적 연마
US6937915B1 (en) 2002-03-28 2005-08-30 Lam Research Corporation Apparatus and methods for detecting transitions of wafer surface properties in chemical mechanical polishing for process status and control
US6807503B2 (en) 2002-11-04 2004-10-19 Brion Technologies, Inc. Method and apparatus for monitoring integrated circuit fabrication
WO2004090502A2 (en) 2003-04-01 2004-10-21 Filmetrics, Inc. Whole-substrate spectral imaging system for cmp
US7001243B1 (en) 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
US7076320B1 (en) 2004-05-04 2006-07-11 Advanced Micro Devices, Inc. Scatterometry monitor in cluster process tool environment for advanced process control (APC)
US20060025048A1 (en) 2004-07-28 2006-02-02 3M Innovative Properties Company Abrasive article detection system and method
US7764377B2 (en) 2005-08-22 2010-07-27 Applied Materials, Inc. Spectrum based endpointing for chemical mechanical polishing
US7409260B2 (en) 2005-08-22 2008-08-05 Applied Materials, Inc. Substrate thickness measuring during polishing
JP5534672B2 (ja) 2005-08-22 2014-07-02 アプライド マテリアルズ インコーポレイテッド 化学機械的研磨のスペクトルに基づく監視のための装置および方法
US20070077671A1 (en) 2005-10-03 2007-04-05 Applied Materials In-situ substrate imaging
JP2007266235A (ja) 2006-03-28 2007-10-11 Ebara Corp 研磨装置
KR20080013059A (ko) 2006-08-07 2008-02-13 삼성전자주식회사 씨엠피공정설비의 웨이퍼 검사장치 및 그 방법
JP5361299B2 (ja) 2008-09-12 2013-12-04 株式会社東京精密 研磨終了予測・検出方法とその装置
US9248544B2 (en) 2012-07-18 2016-02-02 Applied Materials, Inc. Endpoint detection during polishing using integrated differential intensity
US9095952B2 (en) 2013-01-23 2015-08-04 Applied Materials, Inc. Reflectivity measurements during polishing using a camera
US10012494B2 (en) 2013-10-25 2018-07-03 Applied Materials, Inc. Grouping spectral data from polishing substrates
US9490182B2 (en) 2013-12-23 2016-11-08 Kla-Tencor Corporation Measurement of multiple patterning parameters
WO2017021968A1 (en) 2015-08-04 2017-02-09 Nova Measuring Instruments Ltd. Hybrid measurement system and method for measuring in thin films
US10565701B2 (en) * 2015-11-16 2020-02-18 Applied Materials, Inc. Color imaging for CMP monitoring
US11205119B2 (en) * 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
TWI784719B (zh) * 2016-08-26 2022-11-21 美商應用材料股份有限公司 獲得代表在基板上的層的厚度的測量的方法，及量測系統和電腦程式產品
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
TWI779986B (zh) 2016-11-30 2022-10-01 美商應用材料股份有限公司 使用神經網路的光譜監測
US10989652B2 (en) 2017-09-06 2021-04-27 Lam Research Corporation Systems and methods for combining optical metrology with mass metrology
JP2021528861A (ja) 2018-06-28 2021-10-21 アプライド マテリアルズ インコーポレイテッドＡｐｐｌｉｅｄ Ｍａｔｅｒｉａｌｓ，Ｉｎｃｏｒｐｏｒａｔｅｄ 分光画像モニタリングのための機械学習システム向けのトレーニングスペクトルの生成
JP7472111B2 (ja) 2018-09-24 2024-04-22 アプライド マテリアルズ インコーポレイテッド Ｃｍｐプロセス制御アルゴリズムへの入力としてのマシンビジョン
US11100628B2 (en) * 2019-02-07 2021-08-24 Applied Materials, Inc. Thickness measurement of substrate using color metrology
KR20220123069A (ko) * 2020-06-29 2022-09-05 어플라이드 머티어리얼스, 인코포레이티드 기판 이미지들의 머신 러닝 기반 처리로부터의 막 두께 추정
US20220284562A1 (en) * 2021-03-04 2022-09-08 Applied Materials, Inc. Region classification of film non-uniformity based on processing of substrate images

Also Published As

Publication number Publication date
KR20220123069A (ko) 2022-09-05
US11836913B2 (en) 2023-12-05
US20240054634A1 (en) 2024-02-15
EP4172560A1 (en) 2023-05-03
US11847776B2 (en) 2023-12-19
JP2023516872A (ja) 2023-04-21
US20210407066A1 (en) 2021-12-30
US20240062364A1 (en) 2024-02-22
WO2022005916A1 (en) 2022-01-06
TW202211072A (zh) 2022-03-16
TW202321970A (zh) 2023-06-01
US20210407065A1 (en) 2021-12-30
TWI792370B (zh) 2023-02-11

Similar Documents

Publication Publication Date Title
US11682114B2 (en) Thickness measurement of substrate using color metrology
TWI792370B (zh) 根據基於機器學習的基板圖像處理作膜厚度估測
TWI814980B (zh) 使用色彩度量術進行的基板的厚度測量
TWI803220B (zh) 用於基於基板影像處理的膜非均勻性的像素和區域分類的非瞬態電腦可讀媒體、方法和拋光系統
TWI837057B (zh) 使用色彩度量術進行的基板的厚度測量
CN113518691B (zh) 使用色彩计量进行的基板的厚度测量

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