CN116053164A - 一种关键尺寸控制方法及系统 - Google Patents
一种关键尺寸控制方法及系统 Download PDFInfo
- Publication number
- CN116053164A CN116053164A CN202310007879.1A CN202310007879A CN116053164A CN 116053164 A CN116053164 A CN 116053164A CN 202310007879 A CN202310007879 A CN 202310007879A CN 116053164 A CN116053164 A CN 116053164A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- neural network
- measurement data
- critical dimension
- 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
Links
Images
Classifications
-
- 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
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Drying Of Semiconductors (AREA)
Abstract
本公开提供一种关键尺寸控制方法及系统,属于半导体生产制造技术领域,其中控制方法包括:获取历史数据;通过历史数据建立和训练神经网络预测模型;获取初始前层因素数据,将初始前层因素数据作为输入变量输入已训练的神经网络预测模型进行预测,输出得到预测当层量测数据;根据预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据。本公开在前层就实现对于当层关键尺寸的预测和修偏,从而改善原本存在的调节滞后导致的当层关键尺寸检验结果偏差甚至报废的问题。本公开针对关键尺寸超出标准的数据和在标准内的数据进行单独训练优化建立纠偏模型,避免干扰。
Description
技术领域
本公开属于半导体生产制造技术领域,特别涉及一种关键尺寸控制方法及系统。
背景技术
半导体制造的成本较高,一片晶圆(wafer)在关键尺寸(critical dimension,CD)真实量测结果出来之前,对于一些由于已知问题的影响导致大概率报废的晶圆(wafer),需要尽最大可能拯救降低生产成本。
在动态随机存储器(DRAM)制程中,前层(pre layer)A的尺寸会通过图形向下传递,从而对当层(currentlayer)B的关键尺寸产生影响,前层A的其它工艺参数等各种因素在一定程度上都会对当层B的关键尺寸(Final CD)产生影响。
现有技术在制程中,R2R(Run-to-Run)系统有提供前馈(Feed forward)功能,以输出的结果对输入的影响因子例如工艺参数等进行适度调节,以期获得更稳定的生产工艺参数控制,但目前这种参数控制方法限制了提前对关键尺寸进行准确的修偏。
如图1所示,目前R2R存在的前馈(Feed forward)的算法函数有以下几种:简单的函数控制(一元多次函数)、复杂函数控制(多元函数)和PID比例积分微分控制。
以上生产工艺参数控制方法均无法全部考虑复杂生产情况实现精准指导生产的目的,大大限制了该控制方式的准确定和适用性,无法提前对关键尺寸进行准确的修偏。
公开内容
针对上述问题,本公开提供一种关键尺寸控制方法及系统采用以下技术方案:
一种关键尺寸控制方法,包括以下步骤:获取历史数据,所述历史数据包括历史前层因素数据和历史当层量测数据;通过所述历史数据建立和训练神经网络预测模型;获取初始前层因素数据,将所述初始前层因素数据作为输入变量输入已训练的所述神经网络预测模型进行预测,输出得到预测当层量测数据;根据所述预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据。
例如,所述历史前层因素数据具有多组,所述历史当层量测数据包括各组所述历史前层因素数据对应的历史当层关键尺寸实测数据。
例如,通过所述历史数据建立神经网络预测模型,具体如下:
定义神经网络预测模型的输入层包括n个神经元,隐层包括m个神经元,输出层包括1个神经元;
定义输入层n个神经元中每个神经元表示一个输入子变量,定义每个所述输入子变量分别表示所述历史前层因素数据中的一个;
定义隐层m个神经元中每个神经元表示一个隐层输出变量;
定义输出层输出变量为预测的当层关键尺寸值,并构建预测函数。
例如,通过所述历史数据训练神经网络预测模型具体如下:
将l组历史前层因素数据输入神经网络预测模型的输入层,经各隐含层逐层处理后,输出l个输出变量;
基于各输出变量与对应的历史当层关键尺寸实测数据之间的偏差值,更新隐含层的每个神经元与输入层的每个神经元之间的权重,当输出变量与对应的历史当层关键尺寸实测数据之间误差值小于设定误差时,停止训练,获得所述已训练的神经网络预测模型。
例如,根据所述预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据具体如下:
若所述预测当层量测数据超出第一预设范围,则根据第一纠偏模型来调整所述神经网络预测模型的输入变量,以调整后的所述输入变量再输入至所述已训练的神经网络预测模型进行预测,以得到调整后的预测当层量测数据,直至所述调整后的预测当层量测数据符合所述第一预设范围,以对应的当前的输入变量作为所述目标前层因素数据。
例如,根据第一纠偏模型调整所述输入变量具体如下:
根据第一纠偏模型调整所述初始前层因素数据以及在前层和/或当层工艺步骤中增加额外纠偏工艺步骤作为新的输入变量。
例如,根据所述预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据还包括:
若所述预测当层量测数据在第一预设范围内,则根据第二纠偏模型来调整所述神经网络预测模型的输入变量,以调整后的所述输入变量再输入至所述神经网络预测模型进行预测,以得到调整后的预测当层量测数据,直至所述调整后的预测当层量测数据满足第二预设范围,以对应的当前的输入变量作为所述目标前层因素数据,所述第二预设范围在所述第一预设范围内,且包含标准值。
例如,根据第二纠偏模型调整所述输入变量包括:
根据第二纠偏模型仅调整所述初始前层因素数据作为新的输入变量。
例如,所述第二纠偏模型的所述输入变量的调整范围小于或等于所述第一纠偏模型的所述输入变量的调整范围。
例如,所述初始前层因素数据包括初始前层关键尺寸、初始前层等待时间、初始前层刻蚀温度、初始前层刻蚀压力和初始前层气体流量;
所述目标前层因素数据包括目标前层关键尺寸、目标前层等待时间、目标前层刻蚀温度、目标前层刻蚀压力和目标前层气体流量。
例如,在前层和/或当层工艺步骤中增加额外纠偏工艺步骤具体如下:
确定额外纠偏工艺步骤包括的单个或多个制程动作;
确定单个或多个所述制程动作与前层和/或当层工艺步骤的前后关系;
确定单个或多个所述制程动作的工艺参数。
例如,所述制程动作包括去离子水清洗、N2吹扫或O2冲刷。
本公开还提供一种关键尺寸控制系统,包括:
数据获取模块,用于获取历史数据,所述历史数据包括历史前层因素数据和历史当层量测数据;
模型建立训练模块,用于通过历史数据建立和训练神经网络预测模型;
预测模块,用于获取初始前层因素数据,将初始前层因素数据作为输入变量输入已训练的神经网络预测模型进行预测,输出得到预测当层量测数据;
纠偏模块,用于根据预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据。
例如,纠偏模块具体用于:若所述预测当层量测数据超出第一预设范围,则根据第一纠偏模型来调整所述神经网络预测模型的输入变量,以调整后的所述输入变量再输入至所述神经网络预测模型进行预测,以得到调整后的预测当层量测数据,直至所述调整后的预测当层量测数据符合所述第一预设范围,已对应的当前的输入变量作为所述目标前层因素数据。
例如,根据第一纠偏模型调整所述输入变量包括:
根据所述第一纠偏模型调整所述初始前层因素数据以及在前层和/或当层工艺步骤中增加额外纠偏工艺步骤作为新的输入变量。
例如,纠偏模块具体用于:若所述预测当层量测数据在第一预设范围内,则根据第二纠偏模型来调整所述已训练的神经网络预测模型的输入变量,以调整后的所述输入变量再输入至所述神经网络预测模型进行预测,以得到调整后的预测当层量测数据,直至所述调整后的预测当层量测数据满足第二预设范围,以对应的当前的输入变量作为所述目标前层因素数据,所述第二预设范围在所述第一预设范围内,且包含标准值。
本公开的有益效果:
1、本公开在前层就实现对于当层关键尺寸的预测和修偏,从而改善原本存在的调节滞后导致的当层关键尺寸检验结果偏差甚至报废的问题。
2、本公开针对关键尺寸超出标准的数据和在标准内的数据进行单独训练优化建立纠偏模型,避免干扰。
本公开的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了现有R2R技术的前馈的几种算法函数;
图2示出了根据本公开实施例的一种关键尺寸控制方法的流程示意图;
图3示出了根据本公开实施例的神经网络预测模型结构示意图;
图4示出了根据本公开实施例的在前层进行纠偏的流程示意图;
图5示出了现有技术的控制函数预测的预测值与实际值的对比示意图;
图6示出了根据本公开实施例的预测模型函数预测的预测值与实际值的对比示意图;
图7示出了一种关键尺寸控制系统的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,本申请中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
为了便于对本公开的理解,下面先对关键尺寸(CD)和神经网络模型进行简单介绍:
关键尺寸是芯片上微观结构的物理尺寸,反映了半导体制造工艺的图形处理精度。随着半导体工艺节点和光刻技术的提升,单次曝光的线条和间隙的尺寸越来越小,可以集成在一颗芯片上的晶体管数目就越多,芯片的性能就越强大。从某种角度上来说,半导体工艺技术的提升就是为了获得更小的关键尺寸。当关键尺寸的变化超过一定程度时,器件的性能即会受到影响,甚至完全不能使用。
神经网络模型包含输入层、输出层以及隐含层,在输出层和隐含层中包含有激活函数的神经元,每层神经元通过带有权值的连接线(连接权)逐层连接起来。
每个输入层节点接收可以反应研究问题本质的特征参数,它们的值被传播到第一隐含层的每个神经元节点,该隐含层的每个神经元的值为输入层的各个节点的值乘以其连接权的加权和。通过在每个隐含层重复以上过程,直到产生预测结果。
学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入参数从输入层传入,经各隐含层逐层处理后,传向输出层。若输入层的实际输出与期望的输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各节点权值的依据。正是这种误差反向传播使得各层权值不断调整,以达到网络学习的目的,从而确定个节点间的连接权值。
现有的半导体制造过程中,半导体的输入变量可能多大几十上百个,而且大部分参数对于输出变量的干扰都是正态影响而非线性。
半导体制造对于各参数的超高精度控制,让我们对于输入变量的及时纠偏具有可实施性。
基于上述理论,本公开提供一种关键尺寸控制方法及系统,利用神经网络模型基于前层多因素干扰的大量线上实际量测数据,对神经网络进行训练,从而实现用前层因素预测当层的量测数据。根据预测值与目标(target)值的偏差程度,在前层就实现对于当层关键尺寸的预测和修偏,从而改善原本存在的调节滞后导致的当层关键尺寸检验结果偏差(out ofspecification,OOS)甚至报废的问题。
如图2所示,一种关键尺寸控制方法,包括以下步骤:获取历史数据,通过历史数据建立和训练神经网络预测模型;获取初始前层因素数据,将初始前层因素数据作为输入变量输入已训练的神经网络预测模型进行预测,输出得到预测当层量测数据;根据预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据。
其中,历史数据包括历史前层因素数据和历史当层量测数据,历史前层因素数据具有多组,历史当层量测数据包括各组前层因素数据对应的历史当层关键尺寸实测数据。
本公开将智能化的神经网络控制与半导体制造相结合,实现互联网+的半导体“智”造。本公开使用的神经网络控制,会基于线上数据训练进行主动的自我完善,全部考虑线上不断的制程变更对函数精度的干扰。
如图3所示,其中,通过历史数据建立神经网络预测模型具体如下:
S101、定义神经网络预测模型的输入层包括n个神经元,隐层包括m个神经元,输出层包括1个神经元。
S102、定义输入层n个神经元中每个神经元表示一个输入子变量,定义每个输入变量x(i)表示历史前层因素数据中的一个,其中,i=1,2,3……n。
其中,前层因素数据包括前层关键尺寸(CD)、前层等待时间、前层刻蚀温度、前层刻蚀压力和前层气体流量,例如,气体可以是O2。
需要说明的是,以上选取的前层因素数据均对关键尺寸值产生影响,以形成沟道孔形成过程为例对前层因素数据对关键尺寸值的影响进行说明:
沟道孔具体的形成过程为:首先,在包括层叠设置的衬底、堆叠结构和硬掩膜层的半导体器件上形成图案化的光刻胶层,其中,光刻胶层具有光刻胶层开口,且光刻胶层开口与沟道孔相对应;随后,依据光刻胶层开口,通过刻蚀工艺将光刻胶层的图案转移到硬掩膜层上,即硬掩膜层具有与光刻胶层开口相对应的硬掩膜层开口;最后,依据硬掩膜层开口,通过刻蚀工艺形成贯穿包括交替堆叠的层间牺牲层和层间绝缘层的堆叠结构,以形成沟道孔。
目前高深宽比沟道孔刻蚀采用的都是控制时间的方式(又称之为by time的方式),通过设定的时间作为触发停止刻蚀反应的条件,比如,设定的时间为60min,当刻蚀反应进行60min时,触发停止刻蚀反应,因此等待时间的控制也是目前控制方式的一个重要工艺参数。
由于在形成沟道孔之前的工艺步骤(即前层),比如形成的图案化的光刻胶层上的光刻胶层开口的尺寸、硬掩膜层的厚度或者是硬掩膜层上的硬掩膜层开口的尺寸都会存在一定的差异,在采用by time刻蚀方式形成高深宽比的沟道孔时,无法弥补前层带来的差异,从而导致形成的沟道孔的尺寸不稳定,有的沟道孔的尺寸会超出规格标准,由此可以看出前层的关键尺寸(CD)控制尤为重要。
而在刻蚀过程中,由于化学作用和物理作用,会使粒子在相互碰撞及撞击样品表面的过程中产生一定的热量,而热量过高则会导致二氧化硅样品表面受到损伤,从而影响关键尺寸。而选择合适的流量和气体通入的时问比会在很大程度上影响刻蚀面的侧壁形貌、反应速率,从而关键尺寸影响,因此O2流量和刻蚀温度也会影响关键尺寸值。
例如,输入变量x(1)表示前层的关键尺寸,输入变量x(2)表示前层的等待时间,输入变量x(3)表示前层的刻蚀温度,输入变量x(4)表示前层的O2流量。
S103、定义隐层m个神经元中每个神经元表示一个隐层输出变量,定义隐层输出变量函数具体如下:
S104、定义输出层输出变量为预测的当层关键尺寸值,并构建预测函数具体如下:
式中,y(x)表示输出层输出变量,即预测值,ωj表示第j个隐层输出变量与输出变量的权重,θy表示输出层偏置项(相当于常数项)。
例如,通过历史数据训练神经网络预测模型具体如下:
神经网络预测模型正向传播:将l组历史前层因素数据输入神经网络预测模型的输入层,经各隐含层逐层处理后,神经网络预测模型输出l个输出变量。
神经网络预测模型反向传播:将l个输出变量和l组对应的历史当层关键尺寸实测数据合并为p组实验数据,基于各输出变量与对应的历史当层关键尺寸实测数据之间的偏差值,通过损失函数计算总误差,通过求出的总误差与隐含层每个神经元与输出层神经元的权重的偏导数以及第一学习率,更新隐含层的每个神经元与输出层神经元之间的权重,通过求出隐含层的每个神经元的误差值与输出层每个神经元的权重的偏导数以及第二学习率,更新隐含层的每个神经元与输入层的每个神经元之间的权重,当输出变量与对应的历史当层关键尺寸实测数据之间误差值小于设定误差时,停止训练,获得已训练的神经网络预测模型。
需要说明的是,在训练深度神经网络的过程中,因为希望深度神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为深度神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断地调整,直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objectivefunction),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。该损失函数通常可以包括误差平方均方、交叉熵、对数、指数等损失函数,可以根据实际应用场景选择具体的损失函数。
例如,可以使用误差均方作为损失函数具体为:
式中,E表示总误差,yk表示第k组实际量测数据中前层因素数据的输出变量,即预测的当层关键尺寸值,k=1,2,3……p,Yk表示第k组实际量测数据中的当层的关键尺寸实际值。
例如,更新隐含层的每个神经元与输出层神经元之间的权重具体如下:
newωm=Δωm+ωm
式中,Δωm表示第m个隐层输出变量与输出变量之间增加的权重,l1表示第一学习率,Eyk表示第k组实际量测数据中前层因素数据的输出变量与当层的关键尺寸实际值的误差,ωm表示第m个隐层输出变量与输出变量的权重,newωm表示更新后的第m个隐层输出变量与输出变量之间的权重。
例如,更新隐含层的每个神经元与输入层的每个神经元之间的权重具体如下:
newvij=Δvij+vij
式中,Δvij表示第i个输入变量与第j个隐层输出变量之间增加的权重,l2表示第二学习率,Eyk表示第k组实际量测数据中前层因素数据的输出变量与当层的关键尺寸实际值的误差,newvij表示更新后的第i个输入变量与第j个隐层输出变量之间的权重。
本公开通过使用线上实际量测数据对神经网络预测模型进行训练,提升数据模型训练精度,提高了建模精度和计算效率,使预测结果更准确。
本公开中的前层因素数据包括一个或多个步骤的工艺参数,并且工艺参数包括不同步骤之间的工序的前后顺序。
如图4所示,例如,根据所述预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据具体如下:
S201、若预测当层量测数据超出第一预设范围,则根据第一纠偏模型来调整神经网络预测模型的输入变量,以调整后的输入变量再输入至已训练的神经网络预测模型进行预测,以得到调整后的预测当层量测数据,直至调整后的预测当层量测数据符合第一预设范围,以对应的当前的输入变量作为目标前层因素数据。
其中,第一纠偏模型具体如下:
根据第一纠偏模型调整初始前层因素数据以及在前层和/或当层工艺步骤中增加额外纠偏工艺步骤作为新的输入变量。
例如,增加额外纠偏工艺步骤具体如下:确定额外纠偏工艺步骤包括的单个或多个制程动作;确定单个或多个所述制程动作与前层和/或当层工艺步骤的前后关系;确定单个或多个所述制程动作的工艺参数。
需要说明的是,单个或多个制程动作可以穿插在其他工艺步骤中,例如,额外纠偏工艺步骤包括去离子水清洗和N2吹扫,可以在前层工艺步骤之前执行去离子水清洗,也可以在前层工艺步骤之后执行N2吹扫。
例如,晶圆在前层预测当层量测数据超出第一预设范围,通过第一纠偏模型修改以下参数:修改前层步骤A中的前层关键尺寸值x(1)o和等待时间x(2)o,修改前层的步骤B中的刻蚀温度x(3)o和O2流量x(4)o,在步骤B后增加纠偏工艺步骤包括去离子水清洗、N2吹扫、O2冲刷,修改纠偏工艺步骤后的步骤C中其他前层因素数据x(a)o和x(b)o。
将新的输入变量x(1)o、x(2)o、x(3)o、x(4)o、去离子水清洗、N2吹扫、O2冲刷、x(a)o和x(b)o输入已训练的神经网络预测模型进行预测,若此时神经网络预测模型预测当层的关键尺寸值符合第一预设范围,则确定前层根据当前的输入变量表示的前层因素数据进行生产,完成纠偏。
其中,去离子水清洗的前层因素数据包括清洗时间和去离子水的浓度,N2吹扫的前层因素数据包括N2浓度、N2流速和吹扫时间,O2冲刷包括O2浓度、O2流速和冲刷时间。
例如,也可以通过第一纠偏模型修改以下参数:在前层的步骤A中修改刻蚀温度x(3)o和O2流量x(4)o,在步骤A后增加纠偏工艺步骤包括去离子水清洗、N2吹扫、O2冲刷,在纠偏工艺步骤后的步骤B中修改前层关键尺寸值x(1)o和等待时间x(2)o,在步骤C中修改其他前层因素数据x(a)o和x(b)o。
可以看出,以上纠偏过程就是不断调整新的输入变量输入第一纠偏模型进行预测,直至预测的预测当层的关键尺寸值符合第一预设范围时,获得目标前层因素数据,根据目标前层因素数据生产符合标准的晶圆,避免了晶圆报废,降低了生产成本。
S202、若预测当层量测数据在第一预设范围内,则根据第二纠偏模型来调整所述神经网络预测模型的输入变量,以调整后的输入变量再输入至已训练的神经网络预测模型进行预测,以得到调整后的预测当层量测数据,直至调整后预测当层量测数据满足第二预设范围,以对应的当前的输入变量作为目标前层因素数据,第二预设范围在第一预设范围内,且包含标准值。
其中,第二纠偏模型具体如下:
例如,根据第二纠偏模型来调整所述神经网络预测模型的输入变量具体如下:通过第二纠偏模型仅调整初始前层因素数据作为新的输入变量。第二纠偏模型的输入变量的调整范围小于或等于第一纠偏模型的输入变量的调整范围。
例如,若晶圆在前层预测当层量测数据在第一预设范围内,通过第二纠偏模型修改以下参数:在前层的步骤A中修改前层关键尺寸值x(1)i和等待时间x(2)i,在前层的步骤B中修改刻蚀温度x(3)i和O2流量x(4)i,在步骤C中修改其他前层因素数据x(a)i和x(b)i,若本次第二纠偏模型预测当层的关键尺寸值在设定轮次中满足第二预设范围,则确定前层根据本次的输入变量表示的前层因素数据进行生产。
将新的输入变量x(1)i、x(2)i、x(3)i、x(4)i、x(a)i和x(b)i输入已训练的神经网络预测模型进行预测,若此时神经网络预测模型预测当层的关键尺寸值符合第二预设范围,则确定前层根据当前的输入变量表示的前层因素数据为目标前层因素数据,完成纠偏。
例如,也可以通过第二纠偏模型修改以下参数:在前层的步骤A中修改刻蚀温度x(3)i和O2流量x(4)i,在前层的步骤B中修改前层关键尺寸值x(1)i和等待时间x(2)i,在步骤C中修改其他前层因素数据x(a)i和x(b)i。
应当说明的是,神经网络当层预测关键尺寸值会有严格的失效报废程序,例如,定义当层预测关键尺寸值x需满足:a≤x≤b,如果出现x<a或者x>b的情况晶圆就需要报废。
本公开中,针对关键尺寸超出标准的数据(Out spec data)和在标准内的数据(Inspec data)进行单独训练优化建立纠偏模型,避免干扰。具体来说,超出标准的数据(Outspec data)相对较少且离散程度过大,避免超出标准的数据(Out spec data)对在标准内的数据的第二纠偏模型产生干扰。
需要说明的是,神经网络预测模型在预测过程中,会基于线上数据训练进行主动的自我完善,具体过程本领域技术人员应当理解,不再赘述。
如图5所示,图5示出了现有技术的控制函数预测的预测值与实际值的对比示意图,通过比对10组现行的控制函数预测的预测值与实际值偏差,可以看出,现行的控制函数预测的预测值与实际值偏差较大,控制精度低;如图6所示,图6示出了根据本公开实施例的预测模型函数预测的预测值与实际值的对比示意图,通过比对10组本公开的预测模型函数预测的预测值与实际值的偏差,可以看出本公开的预测模型函数预测更精准。
如图7所示,本公开还提供一种关键尺寸控制系统,包括数据获取模块、模型建立训练模块、预测模块和纠偏模块,其中,数据获取模块用于获取历史数据,模型建立训练模块用于通过历史数据建立和训练神经网络预测模型;预测模块用于获取初始前层因素数据,将初始前层因素数据作为输入变量输入已训练的神经网络预测模型进行预测,输出得到预测当层量测数据;纠偏模块用于根据预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据。
本公开中,采集前层对于尺寸影响因素的数据,在前层通过神经网络预测模型实时预测值与目标(target)值的偏差程度,实现用前层因素预测当层的量测数据。
尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围。
Claims (16)
1.一种关键尺寸控制方法,其特征在于,包括以下步骤:
获取历史数据,所述历史数据包括历史前层因素数据和历史当层量测数据;
通过所述历史数据建立和训练神经网络预测模型;
获取初始前层因素数据,将所述初始前层因素数据作为输入变量输入已训练的所述神经网络预测模型进行预测,输出得到预测当层量测数据;
根据所述预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据。
2.根据权利要求1所述的关键尺寸控制方法,其特征在于,所述历史前层因素数据具有多组,所述历史当层量测数据包括各组所述历史前层因素数据对应的历史当层关键尺寸实测数据。
3.根据权利要求2所述的关键尺寸控制方法,其特征在于,通过所述历史数据建立神经网络预测模型,具体如下:
定义神经网络预测模型的输入层包括n个神经元,隐层包括m个神经元,输出层包括1个神经元;
定义输入层n个神经元中每个神经元表示一个输入子变量,定义每个所述输入子变量分别表示所述历史前层因素数据中的一个;
定义隐层m个神经元中每个神经元表示一个隐层输出变量;
定义输出层输出变量为预测的当层关键尺寸值,并构建预测函数。
4.根据权利要求3所述的关键尺寸控制方法,其特征在于,通过所述历史数据训练神经网络预测模型具体如下:
将l组历史前层因素数据输入神经网络预测模型的输入层,经各隐含层逐层处理后,输出l个输出变量;
基于各输出变量与对应的历史当层关键尺寸实测数据之间的偏差值,更新隐含层的每个神经元与输入层的每个神经元之间的权重,当输出变量与对应的历史当层关键尺寸实测数据之间误差值小于设定误差时,停止训练,获得所述已训练的神经网络预测模型。
5.根据权利要求1所述的关键尺寸控制方法,其特征在于,根据所述预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据具体如下:
若所述预测当层量测数据超出第一预设范围,则根据第一纠偏模型来调整所述神经网络预测模型的输入变量,以调整后的所述输入变量再输入至所述已训练的神经网络预测模型进行预测,以得到调整后的预测当层量测数据,直至所述调整后的预测当层量测数据符合所述第一预设范围,以对应的当前的输入变量作为所述目标前层因素数据。
6.根据权利要求5所述的关键尺寸控制方法,其特征在于,根据第一纠偏模型调整所述输入变量具体如下:
根据第一纠偏模型调整所述初始前层因素数据以及在前层和/或当层工艺步骤中增加额外纠偏工艺步骤作为新的输入变量。
7.根据权利要求5所述的关键尺寸控制方法,其特征在于,根据所述预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据还包括:
若所述预测当层量测数据在第一预设范围内,则根据第二纠偏模型来调整所述神经网络预测模型的输入变量,以调整后的所述输入变量再输入至所述神经网络预测模型进行预测,以得到调整后的预测当层量测数据,直至所述调整后的预测当层量测数据满足第二预设范围,以对应的当前的输入变量作为所述目标前层因素数据,所述第二预设范围在所述第一预设范围内,且包含标准值。
8.根据权利要求7所述的关键尺寸控制方法,其特征在于,根据第二纠偏模型调整所述输入变量包括:
根据第二纠偏模型仅调整所述初始前层因素数据作为新的输入变量。
9.根据权利要求7或8所述的关键尺寸控制方法,其特征在于,所述第二纠偏模型的所述输入变量的调整范围小于或等于所述第一纠偏模型的所述输入变量的调整范围。
10.根据权利要求1所述的关键尺寸控制方法,其特征在于,所述初始前层因素数据包括初始前层关键尺寸、初始前层等待时间、初始前层刻蚀温度、初始前层刻蚀压力和初始前层气体流量;
所述目标前层因素数据包括目标前层关键尺寸、目标前层等待时间、目标前层刻蚀温度、目标前层刻蚀压力和目标前层气体流量。
11.根据权利要求6所述的关键尺寸控制方法,其特征在于,在前层和/或当层工艺步骤中增加额外纠偏工艺步骤具体如下:
确定额外纠偏工艺步骤包括的单个或多个制程动作;
确定单个或多个所述制程动作与前层和/或当层工艺步骤的前后关系;
确定单个或多个所述制程动作的工艺参数。
12.根据权利要求11所述的关键尺寸控制方法,其特征在于,所述制程动作包括去离子水清洗、N2吹扫或O2冲刷。
13.一种关键尺寸控制系统,其特征在于,包括:
数据获取模块,用于获取历史数据,所述历史数据包括历史前层因素数据和历史当层量测数据;
模型建立训练模块,用于通过历史数据建立和训练神经网络预测模型;
预测模块,用于获取初始前层因素数据,将初始前层因素数据作为输入变量输入已训练的神经网络预测模型进行预测,输出得到预测当层量测数据;
纠偏模块,用于根据预测当层量测数据满足的预设条件,以在前层工艺中进行纠偏,以得到目标前层因素数据。
14.根据权利要求13所述的关键尺寸控制系统,其特征在于,纠偏模块具体用于:
若所述预测当层量测数据超出第一预设范围,则根据第一纠偏模型来调整所述神经网络预测模型的输入变量,以调整后的所述输入变量再输入至所述神经网络预测模型进行预测,以得到调整后的预测当层量测数据,直至所述调整后的预测当层量测数据符合所述第一预设范围,已对应的当前的输入变量作为所述目标前层因素数据。
15.根据权利要求14所述的关键尺寸控制系统,其特征在于,根据第一纠偏模型调整所述输入变量包括:
根据所述第一纠偏模型调整所述初始前层因素数据以及在前层和/或当层工艺步骤中增加额外纠偏工艺步骤作为新的输入变量。
16.根据权利要求13所述的关键尺寸控制系统,其特征在于,纠偏模块具体用于:
若所述预测当层量测数据在第一预设范围内,则根据第二纠偏模型来调整所述已训练的神经网络预测模型的输入变量,以调整后的所述输入变量再输入至所述神经网络预测模型进行预测,以得到调整后的预测当层量测数据,直至所述调整后的预测当层量测数据满足第二预设范围,以对应的当前的输入变量作为所述目标前层因素数据,所述第二预设范围在所述第一预设范围内,且包含标准值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310007879.1A CN116053164A (zh) | 2023-01-04 | 2023-01-04 | 一种关键尺寸控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310007879.1A CN116053164A (zh) | 2023-01-04 | 2023-01-04 | 一种关键尺寸控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116053164A true CN116053164A (zh) | 2023-05-02 |
Family
ID=86123208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310007879.1A Pending CN116053164A (zh) | 2023-01-04 | 2023-01-04 | 一种关键尺寸控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116053164A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117420807A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
CN117787018A (zh) * | 2024-02-26 | 2024-03-29 | 合肥晶合集成电路股份有限公司 | 工艺参数确定方法及其系统、生产系统 |
-
2023
- 2023-01-04 CN CN202310007879.1A patent/CN116053164A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117420807A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
CN117420807B (zh) * | 2023-12-14 | 2024-03-12 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
CN117787018A (zh) * | 2024-02-26 | 2024-03-29 | 合肥晶合集成电路股份有限公司 | 工艺参数确定方法及其系统、生产系统 |
CN117787018B (zh) * | 2024-02-26 | 2024-06-11 | 合肥晶合集成电路股份有限公司 | 工艺参数确定方法及其系统、生产系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116053164A (zh) | 一种关键尺寸控制方法及系统 | |
US8606387B2 (en) | Adaptive and automatic determination of system parameters | |
JP4472637B2 (ja) | 電気的製造制御に対する確率制約最適化 | |
US9240360B2 (en) | Run-to-run control utilizing virtual metrology in semiconductor manufacturing | |
JP4478574B2 (ja) | 製品設計および歩留りのフィードバックシステムに基づいた総括的な統合リソグラフィプロセス制御システム | |
US5751582A (en) | Controlling process modules using site models and monitor wafer control | |
JP4191484B2 (ja) | エッチング選択度を制御するための方法 | |
KR101380515B1 (ko) | 반도체 제조의 fab 프로세스를 개선하기 위한 툴 기능의 신규한 설계 | |
WO2003025685A1 (en) | Scalable, hierarchical control for complex processes | |
KR100375559B1 (ko) | 공정장치의 제어방법 | |
CN101853008A (zh) | 用于半导体制造的先进工艺控制方法和系统 | |
Su et al. | Accuracy and real-time considerations for implementing various virtual metrology algorithms | |
KR20080107962A (ko) | 이중 단계 가상 계측 방법 | |
Kim et al. | Reactive ion etch modeling using neural networks and simulated annealing | |
CN116842439A (zh) | 一种基于模型的半导体质量预测方法 | |
Geisler et al. | Neurofuzzy modeling of chemical vapor deposition processes | |
Himmel et al. | A comparison of statistically-based and neural network models of plasma etch behavior | |
Kim et al. | Intelligent control of via formation by photosensitive BCB for MCM-L/D applications | |
Park et al. | Run-to-run overlay control of steppers in semiconductor manufacturing systems based on history data analysis and neural network modeling | |
Bose et al. | Neural network models in wafer fabrication | |
TWI729391B (zh) | 半導體製程中增進類神經網路模型預測結果之方法 | |
Zhang et al. | A novel strategy of correntropy-based iterative neural networks for data reconciliation and gross error estimation in semiconductor industry | |
Kim et al. | Prediction of plasma etch process by using actinometry-based optical emission spectroscopy data and neural network | |
Kim et al. | Intelligent control of via formation process in MCM-L/D substrates using neural networks | |
林建華 et al. | A Study of Feedforward and Feedback EWMA Controller for Multistage Processes |
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 |