CN116339145A - 机台参数调控方法、设备及存储介质 - Google Patents

机台参数调控方法、设备及存储介质 Download PDF

Info

Publication number
CN116339145A
CN116339145A CN202310304847.8A CN202310304847A CN116339145A CN 116339145 A CN116339145 A CN 116339145A CN 202310304847 A CN202310304847 A CN 202310304847A CN 116339145 A CN116339145 A CN 116339145A
Authority
CN
China
Prior art keywords
current
machine
wafers
batch
historical
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
CN202310304847.8A
Other languages
English (en)
Inventor
韩超
王娟
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.)
Changxin Memory Technologies Inc
Original Assignee
Changxin Memory Technologies 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 Changxin Memory Technologies Inc filed Critical Changxin Memory Technologies Inc
Priority to CN202310304847.8A priority Critical patent/CN116339145A/zh
Publication of CN116339145A publication Critical patent/CN116339145A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)
  • General Factory Administration (AREA)

Abstract

本公开提供一种机台参数调控方法、装置、设备及存储介质，属于半导体制造技术领域。该方法包括：获得当前批晶圆在在先机台的当前晶圆状况因素数据和当前批晶圆达到当前机台时当前机台的当前机台状况因素数据；获得当前批晶圆在当前机台制作时的n个预设机台控制参数，n为大于1的正整数；通过训练完成的机器学习模型处理当前晶圆状况因素数据、当前机台状况因素数据和n个预设机台控制参数，获得当前批晶圆的n个当前预测量测结果；根据n个当前预测量测结果和当前批晶圆的目标量测结果，从n个预设机台控制参数中确定当前批晶圆在当前机台制作时的目标机台控制参数。本公开能够提高调控效果。

Description

机台参数调控方法、设备及存储介质
技术领域
本公开涉及半导体制造技术领域，具体而言，涉及一种机台参数调控方法、装置、计算机设备及计算机可读存储介质。
背景技术
在半导体制造技术中，批次控制(Run-to-Run控制或简记为R2R控制)又称为批对批控制，是半导体制程中反馈控制的一种。Run-to-Run(RtR，或，R2R)控制是一种针对间歇过程的优化控制方法。相关技术中，R2R控制使用单一线性算法进行调控，但随着半导体关键尺寸的不断缩小，原有的单一线性调控在量测抽样率减少和工艺制程复杂度提高的情况下，其调控效果有待提高。
发明内容
本公开的目的在于提供一种机台参数调控方法、装置、设备及存储介质，能够提高调控效果。
本公开实施例提供了一种机台参数调控方法，该方法包括：获得当前批晶圆在在先机台的当前晶圆状况因素数据和所述当前批晶圆达到当前机台时所述当前机台的当前机台状况因素数据；获得所述当前批晶圆在所述当前机台制作时的n个预设机台控制参数，n为大于1的正整数；通过训练完成的机器学习模型处理所述当前晶圆状况因素数据、所述当前机台状况因素数据和n个预设机台控制参数，获得所述当前批晶圆的n个当前预测量测结果；根据n个当前预测量测结果和所述当前批晶圆的目标量测结果，从n个预设机台控制参数中确定所述当前批晶圆在所述当前机台制作时的目标机台控制参数。
根据本公开的另一个方面，提供一种机台参数调控装置，所述装置包括：获得模块，用于获得当前批晶圆在在先机台的当前晶圆状况因素数据和所述当前批晶圆达到当前机台时所述当前机台的当前机台状况因素数据；所述获得模块，还用于获得所述当前批晶圆在所述当前机台制作时的n个预设机台控制参数，n为大于1的正整数；所述获得模块，还用于通过训练完成的机器学习模型处理所述当前晶圆状况因素数据、所述当前机台状况因素数据和n个预设机台控制参数，获得所述当前批晶圆的n个当前预测量测结果；确定模块，用于根据n个当前预测量测结果和所述当前批晶圆的目标量测结果，从n个预设机台控制参数中确定所述当前批晶圆在所述当前机台制作时的目标机台控制参数。
根据本公开的再一个方面，提供一种计算机设备，包括一个或多个处理器；存储器，配置为存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述计算机设备实现本公开任一实施例中的机台参数调控方法。
根据本公开的又一个方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行本公开任一实施例中的机台参数调控方法。
根据本公开的又一个方面，提供一种计算机程序产品，该计算机程序被处理器执行时实现本公开任一实施例中的机台参数调控方法。
本公开一些实施例所提供的机台参数调控方法、装置、设备及存储介质，获得当前批晶圆在在先机台的当前晶圆状况因素数据、当前批晶圆达到当前机台时当前机台的当前机台状况因素数据以及当前批晶圆在当前机台制作时的n个预设机台控制参数，n为大于1的正整数，并通过训练完成的机器学习模型处理当前晶圆状况因素数据、当前机台状况因素数据和n个预设机台控制参数，从而获得当前批晶圆的n个当前预测量测结果，再根据n个当前预测量测结果和当前批晶圆的目标量测结果，从n个预设机台控制参数中确定当前批晶圆在当前机台制作时的目标机台控制参数，可以提高调控效果，制作出高品质的晶圆产品。此外，本公开无需依赖工程师的经验来调控机台，节约了调控所需的时间。
附图说明
图1示出了本公开实施例提供的一种晶圆的结构示意图。
图2示相关技术中提供的R2R工艺控制流程图。
图3示相关技术中R2R系统控制膜厚的刻蚀过程示意图。
图4示相关技术中回归方程示意图。
图5示相关技术中机台控制参数调控过程示意图。
图6示本公开实施例提供的机台参数调控系统。
图7示出本公开一实施例中机台参数调控方法流程图。
图8示出本公开一实施例中机器学习模型建立示意图。
图9示出本公开一实施例中机台参数调控过程示意图。
图10示出本公开另一实施例中机台参数调控方法流程图。
图11示出本公开一实施例R2R系统提供晶圆对应的关键数据指标示意图。
图12示出本公开一实施例FDC(Fault Detection And Classification，异常侦测与归类)和MM反应腔的机台相关信息示意图。
图13示出本公开一实施例AI数据流示意图。
图14示出本公开一实施例自编码模型示意图。
图15示出本公开一实施例LightGBM模型架构。
图16示出本公开一实施例CART树的架构。
图17示出本公开一实施例训练好的机器学习模型架构。
图18示出本公开一实施例量测CD最终结果的实验结果示意图。
图19示出本公开实施例中一种机台参数调控装置示意图。
图20示出本公开实施例中一种计算机设备的结构示意图。
图21示出本公开实施例中一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
半导体制造工艺可以划分为前段制程和后段制程。具体地，前段制程是针对整片晶圆(Wafer)的工序，其可以包括晶圆制造和晶圆测试(测试对象是针对整片Wafer中的每一个Die(晶粒)，目的是确保整片Wafer中的每一个Die都能基本满足器件的特征或者设计规格书，可以包括电压、电流、时序和功能的验证)。其中，图1示出了本公开实施例提供的一种晶圆的结构示意图。如图1所示，晶圆(Wafer)10上可以包括多个晶粒(Die)11。后段制程是对由晶圆分划片封装后的一个个芯片入手的各项工序，其可以包括封装、最终测试和成品入库等各道工序。
半导体制造离不开机台的加工，机台是对晶圆产品加工或检测的设备，机台在加工晶圆产品时，需要调控机台控制参数，机台控制参数决定晶圆产品的品质，好的机台控制参数有利于控制机台生产出优良的晶圆产品。
在一相关技术中，R2R推算生产配方参数(即机台控制参数，是指晶圆在制作时配置的参数，例如氧气浓度，制作时间等)是使用单一线性算法，目前应用最广泛的是利用线性回归模型得到机台控制参数。如图2所示，通过前量测得到的lot(同一批次晶圆)前量测数据(即晶圆前量数据，不包括前站FDC，这里的前站FDC是指晶圆前站传感器记录)，通过后量测得到的历史的反馈(feedback)量测数据(即晶圆量测结果)，R2R系统对晶圆前量数据和晶圆量测结果进行线性计算，得到机台控制参数。通过机台控制参数控制机台工作。示例性的，如图3所示，在R2R系统通过控制时间参数(一种机台控制参数)来控制膜厚的应用场景中，曝光设备根据控制时间参数对晶圆301上的膜层302进行刻蚀(Etching)，完成刻蚀后去胶(即去除光刻胶303)。
线性回归模型应用的基础是根据每一站制程工艺中的物理或者化学反应中的输入变量与输出变量对应的数据，近似拟合成一个线性函数方程。如图4所示，图中的横坐标为机台控制参数，纵坐标为量测结果，通过将机台控制参数和量测结果进行拟合，得到线性函数方程h1(x)和h2(x)。如图5所示，R2R系统调控机台控制参数，配置位于控制上限(UpControl Line，UCL)和控制下限(Lower Control Line，LCL)之间的机台控制参数生成晶圆产品，晶圆产品的质量较好。从图5可以看出，采用相关技术中的R2R系统调控机台控制参数，晶圆量测结果很多超过了上下限，说明调控效果差。
发明人通过研究发现，随着半导体关键尺寸的不断缩小，原有的单一线性调控在量测抽样率减少和工艺制程复杂度提高的情况下，其调控效果有待提高。此外，在实际调控过程中，各个制程之间存在相互关系的影响，以及机台内干扰因子的影响，单一站点量测反馈机制不能满足工艺需求。
在另一相关技术中，通过工程师依赖经验调控机台控制参数，工程师对每一工艺站点机台逐一研究，进而得出计算公式。而诸如动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)半导体产品在生产过程中工艺站点众多，一般有超过1000个工艺站点，通过人工的方式需要耗费大量时间。
基于此，本公开实施例提供了一种机台参数调控方法、装置、设备及存储介质，可以应用于半导体制造场景中，示例性地，可以应用于晶圆刻蚀具体场景中，又或者还可以是晶圆的光刻、成膜工艺，对此不作具体限定。在本公开实施例中，本公开通过在先机台的当前晶圆状况因素数据、当前批晶圆达到当前机台时该当前机台的当前机台状况因素数据以及该当前批晶圆在该当前机台制作时的n个预设机台控制参数(n为大于1的正整数)，得到n个当前预测量测结果，并根据n个当前预测量测结果和该当前批晶圆的目标量测结果，从n个预设机台控制参数中确定出最佳的调控值作为该当前批晶圆在该当前机台制作时的目标机台控制参数，通过目标机台控制参数进行该当前批晶圆在该当前机台制作时的控制，能够提高调控效果，并提高调控效率。
为了便于整体理解本公开实施例提供的技术方案，接下来先对本公开实施例提供的机台参数调控系统进行说明。
如图6所示，将状况因素(包括当前晶圆状况因素数据和当前机台状况因素数据)和n个预设机台控制参数(例如预设机台控制参数1、预设机台控制参数2、…预设机台控制参数n)输入到机台参数调控系统60中，得到当前批晶圆的n个当前预测量测结果(例如当前预测量测结果1、当前预测量测结果2、…当前预测量测结果n)。将当前批晶圆的目标量测结果输入到机台参数调控系统60中，n个当前预测量测结果与当前批晶圆的目标量测结果进行比较，与目标量测结果最为接近的当前预测量测结果对应的预设机台控制参数即为推出的最佳参数，作为目标机台控制参数。例如，假设n个当前预测量测结果中，当前预测量测结果2与目标量测结果之间的差异最小，则确定当前预测量测结果2所对应的预设机台控制参数2为目标机台控制参数。机台参数调控系统60中可以部署有训练完成的机器学习模型，可以通过训练完成的机器学习模型处理当前晶圆状况因素数据、当前机台状况因素数据和n个预设机台控制参数，获得当前批晶圆的n个当前预测量测结果。机台参数调控系统60根据目标机台控制参数控制当前机台制作当前批晶圆。
需要说明的是，机台参数调控系统60可以为本公开实施例提供的R2R系统，还可以是其他可以实现上述功能的调控系统。
首先，本公开实施例中提供了一种机台参数调控方法，该方法可以由任意具备机台参数调控系统的电子设备执行。示例性的，该方法可以由诸如曝光机台等半导体制造设备执行，也可以是半导体制造设备通信连接的其他处理设备执行，对此不作具体限制。
图7示出本公开实施例中一种机台参数调控方法流程图，如图7所示，本公开实施例中提供的机台参数调控方法可以包括如下S701至S704。
S701，获得当前批晶圆在在先机台的当前晶圆状况因素数据和当前批晶圆达到当前机台时当前机台的当前机台状况因素数据。
本公开实施例中，当前批晶圆是指当前正处于制程工艺中进行生产的一批晶圆。在先机台为该当前批晶圆在当前制程工艺之前进行在先制程工艺所使用的至少一个机台。当前机台为该当前批晶圆进行当前制程工艺所使用的机台。例如，假设按照该当前批晶圆的制程工艺顺序给各机台依序编号，当前机台为第t机台，在先机台可以包括第1至第t-1机台中的至少一个，t为大于1的正整数。在下面的举例说明中，以在先机台包括第1至第t-1机台进行举例说明，但本公开并不限定于此。
本公开实施例中，在先机台的当前晶圆状况因素数据可以包括该当前批晶圆在在先机台时的任意相关信息。例如当前晶圆状况因素数据可以包括该当前批晶圆经过该在先机台制造之后的晶圆量测结果、该当前批晶圆在相邻在先机台之间的工艺等待时间和该当前批晶圆在利用该在先机台进行生产前、生产时、生产后的在先机台状况因素数据等中的至少一种。其中，在先机台状况因素数据是指与在先机台相关的任意信息，例如在先机台状况因素数据可以包括该在先机台的型号、厂商、保养周期、预定时长内的量测统计量等中的至少一项。该预定时长可以是距离当前时间最近的一段时长，例如最近7天或者最近1个月，本公开对此不做限定。预定时长内的量测统计量例如可以包括最近7天或最近1个月利用该机台生成的Wafer的线宽和/或膜厚的均值、最大值、最小值等。示例性的，假设当前机台为第t机台，本公开中在先机台的当前晶圆状况因素数据可以包括该当前批晶圆依次经过第1至第t-1机台处理后的晶圆量测结果(例如线宽、膜厚等)、工艺等待时间(从上一在先机台到下一在先机台之间的工艺等待时间，和/或，从在先机台到当前机台之间的工艺等待时间)、第1至第t-1机台的在先机台状况因素数据。在一些实施例中，在先机台状况因素数据还可以包括第1至第t-1机台的FDC中的传感器监测到的环境信息(例如温度、湿度、化学物品的浓度等信息中的至少一项，但本公开不限于此)。其中，第1至第t-1机台的在先机台状况因素数据也能用于反应该当前批晶圆的状况，即本公开实施例考虑了第t机台之前所有在先机台对该当前机台的影响。
本公开实施例中，当前批晶圆达到当前机台时该当前机台的当前机台状况因素数据可以包括反映该当前批晶圆达到该当前机台时，该当前机台所处状况的任意相关信息。当前机台状况因素数据可以用于评价该当前机台最近的工况、损耗和准确度。假设当前机台为第t机台，当前机台状况因素是指第t机台的状况因素。当前机台状况因素可以包括该当前机台的型号、厂商、保养周期、预定时长内的量测统计量等中的至少一项，预定时长内的量测统计量可以包括例如该当前机台在最近7天或者最近1个月利用该当前机台生成的Wafer的线宽和/或膜厚的均值、最大值、最小值等。当前机台状况因素即考虑了第t机台自身内部的干扰因子的影响。
S702，获得当前批晶圆在当前机台制作时的n个预设机台控制参数，n为大于1的正整数。
本公开实施例中，当前批晶圆在当前机台制作时的预设机台控制参数是指用于控制该当前机台进行当前批晶圆制作时所配置的参数。关于预设机台控制参数具体为何，可以根据该当前批晶圆和/或当前机台来确定，即当当前批晶圆和/或当前机台有所不同时，预设机台控制参数的内容可以适应性的来设置。本公开实施例中，预设机台控制参数可以为在该当前机台的机台控制参数上下限之间任意设定的参数，该当前机台的机台控制参数上下限包括机台控制参数上限和机台控制参数下限，该当前机台的预设机台控制参数的最大值不能超过该机台控制参数上限，最小值不能超过该机台控制参数下限。在一些实施例中，预设机台控制参数还可以根据经验和工艺要求进行设定。
示例性的，获得当前批晶圆在当前机台制作时的n个预设机台控制参数，可以包括：获得当前批晶圆在当前机台制作时的机台控制参数上下限；在机台控制参数上下限范围内，使用等差数列的方式均匀生成n个预设机台控制参数。例如，假设n＝6，机台控制参数上限为50，机台控制参数下限为45，并假设相邻两个预设机台控制参数之间的差值为1，使用等差数列的方式均匀生成的6个预设机台控制参数分别为45，46，47，48，49，50。
S703，通过训练完成的机器学习模型处理当前晶圆状况因素数据、当前机台状况因素数据和n个预设机台控制参数，获得当前批晶圆的n个当前预测量测结果。
机器学习模型为预先训练好的机器学习模型。将当前晶圆状况因素数据、当前机台状况因素数据和n个预设机台控制参数输入至该预先训练好的机器学习模型中，该机器学习模型输出n个当前预测量测结果。本公开实施例中，机器学习模型可以为任意的人工智能(artificial intelligence，AI)模型，关于机器学习模型具体为何，本公开不做限定。
S704，根据n个当前预测量测结果和当前批晶圆的目标量测结果，从n个预设机台控制参数中确定当前批晶圆在当前机台制作时的目标机台控制参数。
本公开实施例，可以通过在多个当前预测量测结果确定出与当前批晶圆的目标量测结果最为接近的当前预测量测结果，并将确定出的最为接近的当前预测量测结果作为目标机台控制参数。
本公开实施例提供的机台参数调控方法，在确定目标机台控制参数时，一方面，通过获得的在先机台的当前晶圆状况因素数据考虑了各个制程之间存在的相互关系；另一方面，还通过当前机台状况因素数据考虑了当前机台内部的干扰因子，从而可以提高确定出的目标机台控制参数的准确性，从而可以提高调控效果，制作出高品质的晶圆产品。此外，无需依赖工程师的经验来调控机台，节约了调控所需的时间，即提高了调控效率。
在示例性实施例中，通过训练完成的机器学习模型处理当前晶圆状况因素数据、当前机台状况因素数据和n个预设机台控制参数，获得当前批晶圆的n个当前预测量测结果，可以包括：将第i个预设机台控制参数与当前晶圆状况因素数据、当前机台状况因素数据组合成第i个输入向量，i为大于或等于1且小于或等于n的正整数；将第i个输入向量输入至机器学习模型，获得当前批晶圆的第i个当前预测量测结果。
如图8所示，本公开实施例通过机器学习模型从晶圆维度和机台维度出发，建立机器学习模型，从而达到对当前预测量测结果的模拟。其中，晶圆维度可以包括当前晶圆状况因素数据(其包括前站工艺量测结果，即当前批晶圆通过在先机台进行处理后的晶圆量测结果)；机台维度可以包括当前机台状况因素数据。当前晶圆状况因素数据和当前机台状况因素数据中又可以分别包括多种维度、多种因素的数据，因此，本公开实施例提供的机器学习模型为高维度多因素影响模型。机器学习模型的公式如下公式1所示：
Figure BDA0004146652660000081
其中
Figure BDA0004146652660000082
为机器学习模型，(x,y,zi)为第i个预设机台控制参数与当前晶圆状况因素数据、当前机台状况因素数据组合成第i个输入向量，x为在先机台的当前晶圆状况因素数据，y为当前机台状况因素数据，zi为第i个预设机台控制参数，i为大于或等于1且小于或等于n的正整数。
示例性的，将第i个输入向量输入至机器学习模型，通过如下公式2获得当前批晶圆的第i个当前预测量测结果：
Figure BDA0004146652660000083
其中，
Figure BDA0004146652660000084
为第i个当前预测量测结果。
通过公式2可以得到n个当前预测量测结果，即包括n个当前预测量测结果的集合为
Figure BDA0004146652660000085
本公开实施例中，每个预设机台控制参数中可以包括一个或多个机台控制参数，每个预设机台控制参数中包括多少个机台控制参数，就对应设定多少个机台控制参数上下限。例如假设每个预设机台控制参数中均包括氧气浓度和制作时间这两个机台控制参数，则对应的设置氧气浓度的上下限和制作时间的上下限。使用等差数列的方式均匀的生成n个预设机台控制参数时，分别生成在该氧气浓度的上下限范围内的n个预设氧气浓度和在该制作时间的上下限内的n个预设制作时间。
通过机器学习模型模拟现实中机台内部的物理/化学反应状况，即利用训练好的机器学习模型进行预测的过程，参考模拟结果(即当前预测量测结果)得到最佳机台参数(即目标机台控制参数)。本公开实施例可以在已知x和y的情况下，改变z进行机台制造模拟，通过观测当前预测量测结果获得最佳的机台参数(目标机台控制参数)配置，本公开实施例不限于此。
示例性的，本公开实施例可在晶圆不同状况下，提供有效的机台最佳控制参数(目标机台控制参数)，即可以改变在先机台的当前晶圆状况因素数据，固定当前机台状况因素数据，获得在晶圆不同状况下的机台最佳控制参数(目标机台控制参数)。
示例性的，本公开实施例可在机台不同状况下，提供有效的机台最佳控制参数，即可以改变当前机台状况因素数据，固定在先机台的当前晶圆状况因素数据，获得在晶圆不同状况下的机台最佳控制参数。
本公开实施例可在不同的制程之间通用扩展，可以增加本公开的适用性。此外，本公开实施例无需过多人工和专业领域知识，实现成本低、速度快。
在示例性实施例中，根据n个当前预测量测结果和当前批晶圆的目标量测结果，从n个预设机台控制参数中确定当前批晶圆在当前机台制作时的目标机台控制参数，可以包括：分别计算n个当前预测量测结果中的每个当前预测量测结果与目标量测结果的绝对差值；将绝对差值最小的当前预测量测结果对应的预设机台控制参数确定为目标机台控制参数。
示例性的，通过如下公式3找到绝对差值最小的当前预测量测结果：
Figure BDA0004146652660000091
其中，
Figure BDA0004146652660000092
为第i个当前预测量测结果，Target METt为目标量测结果，Abs()为求绝对差值，Min()为取最小值。
当前预测量测结果与目标量测结果的绝对差值用于指示当前预测量测结果与目标量测结果之间的相似度，若绝对差值越接近于0，则说明当前预测量测结果与目标量测结果越相近(一致性越好)。相反，若绝对差值越大，则说明当前预测量测结果与目标量测结果越不相近(一致性越差)。
本公开实施例通过在多个当前预测量测结果中确定与目标量测结果最为接近的当前预测量测结果，将最为接近的当前预测量测结果对应的预设机台控制参数确定为目标机台控制参数。本公开实施例提供的方法调控效果好，且当前机台通过配置目标机台控制参数可以制作出高品质的晶圆产品。此外，本公开实施例对晶圆制造进行仿真(即，通过机器学习模型获得当前预测量测结果)，可以提高机器学习模型的可信度。
在示例性实施例中，机台参数调控方法还可以包括如下步骤A1至步骤A5。
步骤A1，获得当前批晶圆在当前机台制作时的批次控制参数值。
其中，批次控制参数值为当前批晶圆在当前机台制作时的R2R计算值，即通过如图2所示的R2R系统获得的该当前批晶圆在该当前机台制作时的机台控制参数。
步骤A2，获得批次控制参数值的浮动阈值。
浮动阈值可以根据经验和工艺需要进行设定，例如可以为0.5，但本公开对此不做限定。
步骤A3，根据批次控制参数值和浮动阈值确定批次控制范围。
本公开实施例中，批次控制范围的上限可以为批次控制参数值和浮动阈值之和，批次控制范围的下限可以为批次控制参数值和浮动阈值之差。例如，批次控制参数值为10，浮动阈值为0.5，则批次控制范围为9.5-10.5。
步骤A4，判断目标机台控制参数是否处于批次控制范围内。
判断机器学习模型确定的目标机台控制参数是否处于批次控制范围内，即本公开实施例可以通过使用原有R2R系统的卡控逻辑(即根据R2R计算值确定的批次控制范围)来避免AI给值(即利用机器学习模型获得的目标机台控制参数)的差异较大。
步骤A5，若目标机台控制参数处于批次控制范围内，则将目标机台控制参数传输至生产制造系统，以使生产制造系统根据目标机台控制参数控制当前机台制作当前批晶圆。
本公开实施例中，若目标机台控制参数处于批次控制范围内，则可以判定AI给值与R2R计算值之间的差异较小，可以将目标机台控制参数传输至生产制造系统，以使生产制造系统根据目标机台控制参数控制当前机台制作当前批晶圆。若目标机台控制参数未处于批次控制范围内，则可以判定AI给值与R2R计算值之间的差异较大，此时可以利用该R2R计算值传输给生产制造系统，生产制造系统可以根据该R2R计算值控制当前机台制作当前批晶圆，或者，也可以利用该机器学习模型重新确定新的目标机台控制参数。
本公开实施例通过判断目标机台控制参数是否处于批次控制范围内，在处于批次控制范围内的情况下，将目标机台控制参数传输至生产制造系统，以使生产制造系统根据目标机台控制参数控制当前机台制作当前批晶圆，从而使得可以使用原有R2R卡控逻辑避免AI给值差异较大，以实现更好的调控效果。
在示例性实施例中，判断目标机台控制参数是否处于批次控制范围内，可以包括：判断目标机台控制参数是否处于预设合理范围内；若目标机台控制参数处于预设合理范围内，则获得当前批晶圆的前一批晶圆在当前机台制作时的前一机台控制参数；判断目标机台控制参数相比前一机台控制参数的调整幅度是否大于幅度阈值；若调整幅度小于或等于幅度阈值，则判断目标机台控制参数是否处于批次控制范围内。
本公开实施例中，预设合理范围可以是为该当前机台提前配置好的预设的范围，即该当前机台需要在该预设合理范围内才能正常的工作。预设合理范围可以根据经验和工艺需要进行设定，本公开不限于此。当前批晶圆的前一批晶圆为通过该当前机台进行处理，且位于该当前批晶圆之前的一批晶圆。该前一批晶圆的前一机台控制参数的确定方式可以是该前一批晶圆在该当前晶圆制作时的R2R计算值，也可以是利用前述训练好的机器学习模型确定的该前一批晶圆在该当前机台制作时的目标机台控制参数，本公开对此不做限定。
本公开实施例中，幅度阈值可以根据实际需求设置，本公开对其具体取值不做限定。
示例性的，假设机器学习模型为AI模型，如图9所示，机台参数调控过程可以包括以下S901至S908。
S901，通过R2R系统得到R2R计算值。
S902，判断是否开启AI模型，即判断是否开启用AI模型确定出的目标机台控制参数来替换R2R计算值。是否开启可以根据AI模型的训练准确度是否达到一个阈值来确定，若达到，则开启，执行S903；若未达到，则不开启，执行S904。
S903，当确定开启AI模型时，通过电子设备(能够提供网络服务(web service))调用AI计算模块(该AI计算模块包括预先训练好的AI模型)，将预约lot信息(即当前晶圆状况因素数据、当前机台状况因素数据和n个当前预测量测结果)输入至该AI计算模块，以计算预测出最佳机台参数(目标机台控制参数，即图示中的当前批(lot)下货值)，再执行S905。
S904，在确定不开启AI模型时，将有R2R回复给MM(即MES(ManufacturingExecution System)，生产制系统)作为下货值，MES将下货值传给EAP(EquipmentAutomation Program，设备自动控制程序)，并通过相关的下货指令将下货值替换到当前机台对应的recipe(配方)中进行当前Run货行为；当开启AI调控后，R2R系统在计算下货值时主动请求AI得出当前Lot(批或批次)晶圆对应的下货值(称之为AI下货值或AI计算值)，并对AI下货值进行基本检查(例如：卡控单次调整幅度和下货值范围)，回复给MES系统。
S905，在开启AI模型，并调用AI计算模块获得当前AI批下货值时，将该当前AI批下货值作为AI计算值(即AI模型确定的目标机台控制参数)，检查AI回值关键参数是否符合要求，AI回值关键参数即利用AI模型预测的最佳机台参数(目标机台控制参数)。检查AI回值关键参数是否符合要求可以检查该AI回值关键参数是否在预设合理范围内，若符合，执行906；若不符合，则返回上述S901，将该R2R计算值回复给MM作为下货值。
S906，当AI回值关键参数在预设合理范围内时，再继续检查单次调整幅度。检查单次调整幅度是指相邻两批晶圆(当前批晶圆的前一批晶圆和当前批晶圆)的机台控制参数调整幅度不应该超过一个合理的范围，即调整幅度不会太大。也就是说，目标机台控制参数相比前一机台控制参数的调整幅度是否小于或等于幅度阈值。若小于或等于幅度阈值，则执行S907。若大于幅度阈值，则返回上述S901，将该R2R计算值作为MM下货值。
S907，当目标机台控制参数相比前一机台控制参数的调整幅度小于或等于幅度阈值时，继续检查调优规范(tuning spec)。检查tuning spec是指AI模型预测的最佳机台参数应该在R2R计算值的合理阈值范围(即上述批次控制范围)内，例如，R2R计算值加减0.5的范围内(即AI计算模块给值后使用原有R2R卡控逻辑，避免AI给值差异较大)。若符合，执行S908。若不符合，则返回上述S901，将该R2R计算值作为MM下货值。
S908，使用AI下货值(即前述当前AI批下货值)或者AI计算值作为S904中的MM下货值。
需要说明的是，本公开实施例按机台建立模型(By layer)，每个机台完成半导体器件的一个层(layer)。
示例性的，AI模型可以以插件的方式挂载到R2R系统。本公开实施例的AI模型可以以插件的方式挂载到R2R系统，可以做到轻量化、低成本、高可靠。同时可实现低成本改造、快速上线的目的。此外，通过对AI计算结果进行规则校准，可有效提高可靠性，保障产线稳定运行。
下面对如何训练机器学习模型进行说明。
在示例性实施例中，机台控制参数调控方法还可以包括如下S1001至S1006。
S1001，获得历史批晶圆在在先机台的历史晶圆状况因素数据。
本公开实施例中，历史批晶圆是相对当前批晶圆而言的，即可以包括在该当前批晶圆之前在在先机台上制造生产的任意批晶圆。历史晶圆状况因素数据可以包括该历史批晶圆在在先机台时的任意相关信息。例如历史晶圆状况因素数据可以包括该历史批晶圆经过该在先机台制造之后的晶圆量测结果(可以称之为历史量测信息)、该历史批晶圆在相邻在先机台之间的工艺等待时间和该历史批晶圆在利用该在先机台进行生产前、生产时、生产后的在先机台状况因素数据(工艺等待时间和在先机台状况因素数据也可以称之为历史下货信息)等中的至少一种。
本公开实施例，通过收集晶圆和机台状况因素数据，建立通用数据整合框架。通用数据整合框架中包括图11所示的关键数据指标和图12所示的机台相关信息。
如图11所示，R2R系统提供每片Wafer对应的关键数据指标可以包括下货信息和量测信息，对于当前批晶圆而言，称之为当前下货信息和当前量测信息；对于历史批晶圆而言，称之为历史下货信息和历史量测信息。其中，下货信息可以包括第1至第t机台的历史下货信息，例如可以包括制程(process)站点、LotID(即同一批次晶圆的批次标识，ID是Identity的简写)和晶圆ID(Wafer ID)以及配方下货值(可以是利用AI模型预测获得的该历史批晶圆在在先机台时的目标机台控制参数，也可以是利用R2R系统计算获得的该历史批晶圆在在先机台的R2R计算值)。量测信息包括第1至第t机台的历史量测信息，例如可以包括量测站点编号、量测站点名称、量测目标值(即该历史批晶圆的目标量测结果)以及量测平均值(该在先机台的多个历史批晶圆的晶圆量测结果的平均值)等中的至少一项。第1至t-1机台的历史下货信息和历史量测信息可以作为训练样本中的在先机台的历史晶圆状况因素数据。第t机台即当前机台的配方(recipe)下货值作为训练样本中该历史批晶圆在该当前机台制作时的历史机台控制参数，该历史批晶圆在该第t机台制作后的历史量测结果作为训练样本的标签。
如图12所示，机台的生产维护(Productive Maintenance，PM)信息可以包括机台(tool)、反应腔(chamber)、PM的时间和PM的项目。图12中的MM是指MES制造执行系统。MM系统中存储了所有的PM信息，部分存储至FDC系统中，前站FDC可以包括机台的温度、湿度、化学物品的浓度等中的至少一项或多项。电子设备可以将PM信息保留到R2R系统。
需要说明的是，通用数据整合框架也可以称为通用数据表，通用数据表中的每一条数据是该通用数据表中的一条记录，每个测试站点都需要记录这些记录。本公开实施例利用机器学习自动对通用数据表中的记录进行筛选并建模，无需人工干预并实现自适应不同的工艺站点的目的。本公开可以为通用的调控方法，可以针对每一测试站点创建一个对应的模型，用于预测对应站点的最佳机台参数。
本公开实施例还可以应用在先进过程控制(Advanced Process Control，简称：APC)中，实现自动化的套刻误差值的确定与修正。示例性的，在半导体元器件的生产工艺中，晶圆边缘处(也即晶边)的缺陷对工艺过程以及产品良率的影响都非常大。相关技术中，通常以量测机台在工艺处理后(如光刻处理后、刻蚀处理后等)拍摄的晶边的影像作为量测图像，并基于拍摄的量测图像进行人工观察，以判断晶边是否存在缺陷。而通过人工观察的方式进行缺陷检测，存在人力成本较高的问题，且容易出现漏检或误检。此外，由于人工观察的方式中，缺陷判断的准确性需要到良率测试阶段才能得到反馈，通常需要滞后2周的时间，从而导致缺陷发现不及时。如图13所示，AI数据分析平台通过获取半导体元器件的生产工艺中的APC历史数据，并通过AI计算模块(module)计算出机台控制参数值，机台根据机台控制参数值控制生产。通过本公开实施例应用在APC中可以实现自动化的套刻误差值的确定与修正，且无需人工观察，可以及时发现缺陷，节约成本，且不易出现漏检或误检。
在一示例性实施例中，获得历史批晶圆在在先机台的历史晶圆状况因素数据，可以包括如下步骤B1至步骤B3。
步骤B1，获得历史批晶圆在在先机台的初始晶圆前站量测结果。
初始晶圆前站量测结果表示历史批晶圆在进入下一在先机台处理之前，各个前量参数在上一在先站点处理之后的量测结果。
步骤B2，计算初始晶圆前站量测结果与历史量测结果之间的相关度参数。
历史量测结果表示历史批晶圆(与初始晶圆前站量测结果对应的历史批晶圆)在下一在先机台处理之后的量测结果向量。
本公开实施例可以通过皮尔逊(Pearson)相关系数计算得到相关度参数。但本公开不限于此。
示例性的，相关度参数可通过下述公式4得到。
Figure BDA0004146652660000141
其中，ρjk为相关度参数，J为前量参数对应的初始晶圆前站量测结果向量，K为与其对应的历史批晶圆在下一在先机台的量测结果向量，σj为J的标准差，σk为K的标准差。需要说明的是，相关度参数的绝对值越大，则说明相关性越高。
步骤B3，确定相关度参数满足预设条件的初始晶圆前站量测结果对应的前量参数为目标前量参数。
满足预设条件可以根据工艺需要或经验进行设定。例如，确定相关度参数大于0.9的初始晶圆前站量测结果对应的前量参数为目标前量参数，或者，取相关度参数为前10％的前量参数作为目标前量参数，并保存该目标前量参数对应的参数名列表。
需要说明的是，通过训练样本确定哪些前量参数保留(保留的前量参数称之为目标前量参数)，历史量测结果所对应的参数可以与初始晶圆前站量测结果的参数相同，也可以不同。例如，初始晶圆前站量测结果对应的参数线宽可以影响历史量测结果对应参数膜厚。
本公开实施例中，历史晶圆状况因素数据可以包括历史批晶圆在在先机台制作后，针对目标前量参数的量测结果；当前晶圆状况因素数据可以包括当前批晶圆在在先机台制作后，针对目标前量参数的量测结果。
示例性的，历史晶圆状况因素数据还可以包括历史批晶圆在相邻在先机台之间的工艺等待时间。
本公开通过相关度参数对初始晶圆前站量测结果所对应的多个前量参数进行筛选，可以减少运算量，节约机器学习模型的训练时间，同时还可以降低训练样本所占用的内存。
在另一示例性实施例中，获得历史批晶圆在在先机台的历史晶圆状况因素数据，可以包括：获得历史批晶圆在在先机台的初始晶圆前站传感器记录数据；利用自编码模型对初始晶圆前站传感器记录数据进行降维，确定目标晶圆前站传感器记录数据。其中，历史晶圆状况因素数据包括目标晶圆前站传感器记录数据。
关于自编码模型具体为何，本公开实施例不做限制，只要能够实现对初始晶圆前站传感器记录数据进行降维的模型均可。例如，自编码模型可以为自编码器(Autoencoder)模型，Autoencoder模型对初始晶圆前站传感器记录数据进行降维，在输入(Input)和输出(Output)中均输入初始晶圆前站传感器记录数据，在网络中进行自我特征的学习，设定Code(编码)层的维度为100，提取Code层计算结果就是降维后的特征结果。本公开实施例通过自编码模型对初始晶圆前站传感器记录数据进行降维，有利于本公开在不同制程之间快速实现。
S1002，获得历史批晶圆达到当前机台时当前机台的历史机台状况因素数据。历史机台状况因素数据可以包括当前机台的型号、厂商、保养周期、预定时长内的量测统计量等中的至少一项。
S1003，获得历史批晶圆在当前机台制作时的历史机台控制参数。历史机台控制参数为控制机台工作的参数，机台根据历史机台控制参数制作晶圆产品。例如，历史机台控制参数可以为膜厚。
S1004，获得历史批晶圆在当前机台制作后的历史量测结果。历史量测结果为实际生产中得到的量测结果。
S1005，通过机器学习模型处理历史晶圆状况因素数据、历史机台状况因素数据和历史机台控制参数，获得历史批晶圆在当前机台制作后的历史预测量测结果。
历史晶圆状况因素数据、历史机台状况因素数据和历史机台控制参数输入到机器学习模型中，得到历史预测量测结果，将历史预测量测结果和历史量测结果作为训练样本对机器学习模型进行训练。
S1006，根据历史量测结果与历史预测量测结果训练机器学习模型。
关于机器学习模型具体为何，本公开不做限制。例如，机器学习模型为LightGBM(Light Gradient Boosting Machine)模型，LightGBM模型是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。再例如，机器学习模型为支持向量机(support vectormachines，SVM)模型，其是一种二分类模型。
示例性的，如图15所示，收集12个月的机台制造晶圆数据为训练用的样本集{X，Y}，其中，X为历史预测量测结果，Y为历史量测结果。其训练过程如下步骤C1至步骤C4。
步骤C1，获得样本集{X，Y}。
步骤C2，根据分发权重向量Dt得到训练子集St。
步骤C3，根据不同子集训练多个学习器。
步骤C4，获得联合学习器F(X)。
示例性的，如图16所示，学习器为分类与回归树(Classification andRegression Tree,CART)，CART树的训练可以包括如下步骤D1至步骤D3。
步骤D1，每层选择最佳的特征X(a)进行树的分割。
步骤D2，只选择一个分支进行新的特征分割。
步骤D3，叶子节点上的
Figure BDA0004146652660000161
的均值作为预测结果。/>
示例性的，训练好的机器训练模型如图17所示，在输入层输入当前晶圆状况因素数据、当前机台状况因素数据和多个预设机台控制参数，在输出层获得当前批晶圆的多个当前预测量测结果。
在所有影响因素中，晶圆前站量测结果(简称“前量”)和晶圆前站传感器记录(简称“前站FDC”)的特征众多，如果不加以处理，会对其他因素产生干扰，本公开实施例通过上述自动化因素筛选方法和自动化特征降维方法可以降低特征之间的干扰，并减少数据处理量，加快处理效率。
下面以ETCH CAP(蚀刻电容)工艺为例进行说明。
实验组1采用R2R系统和AI微调结合来就行调控，实验组2采用AI进行调控，对照组采用R2R系统进行调控。如图18所示，量测CD(Critical Dimension，关键尺寸)最终实验结果如下表1所示。
表1
CAP最终CD 实验组1 实验组2 对照组
平均量测值 52.41338 52.45059 52.19179
与目标绝对误差 0.087 0.049 0.308
通过表1可以看出，本公开在ETCH CAP(蚀刻电容)工艺段调参效果优于对照组(R2R)84％。
基于同一发明构思，本公开实施例中还提供了一种机台参数调控装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
图19示出本公开实施例中一种机台参数调控装置示意图，如图19所示，该装置可以包括获得模块191和确定模块192。获得模块191可以用于获得当前批晶圆在在先机台的当前晶圆状况因素数据和当前批晶圆达到当前机台时当前机台的当前机台状况因素数据。获得模块191还可以用于获得当前批晶圆在当前机台制作时的n个预设机台控制参数，n为大于1的正整数。获得模块191还可以用于通过训练完成的机器学习模型处理当前晶圆状况因素数据、当前机台状况因素数据和n个预设机台控制参数，获得当前批晶圆的n个当前预测量测结果。确定模块192可以用于根据n个当前预测量测结果和当前批晶圆的目标量测结果，从n个预设机台控制参数中确定当前批晶圆在当前机台制作时的目标机台控制参数。
在一个实施例中，当前机台为第t机台，在先机台包括第1至第t-1机台，t为大于1的正整数。
在一个实施例中，获得模块191还可以用于获得当前批晶圆在当前机台制作时的机台控制参数上下限；在机台控制参数上下限范围内，使用等差数列的方式均匀生成n个预设机台控制参数。
在一个实施例中，获得模块191还可以用于将第i个预设机台控制参数与当前晶圆状况因素数据、当前机台状况因素数据组合成第i个输入向量，i为大于或等于1且小于或等于n的正整数；将第i个输入向量输入至机器学习模型，获得当前批晶圆的第i个当前预测量测结果。
在一个实施例中，确定模块192还可以用于分别计算n个当前预测量测结果中的每个当前预测量测结果与目标量测结果的绝对差值；将绝对差值最小的当前预测量测结果对应的预设机台控制参数确定为目标机台控制参数。
在一个实施例中，获得模块191还可以用于获得当前批晶圆在当前机台制作时的批次控制参数值；获得批次控制参数值的浮动阈值；根据批次控制参数值和浮动阈值确定批次控制范围；判断目标机台控制参数是否处于批次控制范围内；若目标机台控制参数处于批次控制范围内，则将目标机台控制参数传输至生产制造系统，以使生产制造系统根据目标机台控制参数控制当前机台制作当前批晶圆。
在一个实施例中，获得模块191还可以用于判断目标机台控制参数是否处于预设合理范围内；若目标机台控制参数处于预设合理范围内，获得当前批晶圆的前一批晶圆在当前机台制作时的前一机台控制参数；判断目标机台控制参数相比前一机台控制参数的调整幅度是否大于幅度阈值；若调整幅度小于或等于幅度阈值，则判断目标机台控制参数是否处于批次控制范围内。
在一个实施例中，获得模块191还可以用于获得历史批晶圆在在先机台的历史晶圆状况因素数据；获得历史批晶圆达到当前机台时当前机台的历史机台状况因素数据；获得历史批晶圆在当前机台制作时的历史机台控制参数；获得历史批晶圆在当前机台制作后的历史量测结果；通过机器学习模型处理历史晶圆状况因素数据、历史机台状况因素数据和历史机台控制参数，获得历史批晶圆在当前机台制作后的历史预测量测结果；根据历史量测结果与历史预测量测结果训练机器学习模型。
在一个实施例中，获得模块191还可以用于获得历史批晶圆在在先机台的初始晶圆前站量测结果；计算初始晶圆前站量测结果与历史量测结果之间的相关度参数；确定相关度参数满足预设条件的初始晶圆前站量测结果对应的前量参数为目标前量参数；其中历史晶圆状况因素数据包括历史批晶圆在在先机台制作后，针对目标前量参数的量测结果；当前晶圆状况因素数据包括当前批晶圆在在先机台制作后，针对目标前量参数的量测结果。
在一个实施例中，获得模块191还可以用于获得历史批晶圆在在先机台的初始晶圆前站传感器记录数据；利用自编码模型对初始晶圆前站传感器记录数据进行降维，确定目标晶圆前站传感器记录数据；其中历史晶圆状况因素数据包括目标晶圆前站传感器记录数据。
在一个实施例中，历史晶圆状况因素数据还包括历史批晶圆在相邻在先机台之间的工艺等待时间。
在一个实施例中，历史机台状况因素数据包括当前机台的型号、厂商、保养周期、预定时长内的量测统计量中的至少一项。
参见图20，图20是本公开实施例提供的一种计算机设备的结构示意图。如图20所示，本公开实施例中的计算机设备可以包括：一个或多个处理器2001、存储器2002和输入输出接口2003。该处理器2001、存储器2002和输入输出接口2003通过总线2004连接。存储器2002用于存储计算机程序，该计算机程序包括程序指令，输入输出接口2003用于接收数据及输出数据，如用于宿主机与计算机设备之间进行数据交互，或者用于在宿主机中的各个虚拟机之间进行数据交互；处理器2001用于执行存储器2002存储的程序指令。
其中，该处理器2001可以执行如下操作：获得当前批晶圆在在先机台的当前晶圆状况因素数据和当前批晶圆达到当前机台时当前机台的当前机台状况因素数据；获得当前批晶圆在当前机台制作时的n个预设机台控制参数，n为大于1的正整数；通过训练完成的机器学习模型处理当前晶圆状况因素数据、当前机台状况因素数据和n个预设机台控制参数，获得当前批晶圆的n个当前预测量测结果；根据n个当前预测量测结果和当前批晶圆的目标量测结果，从n个预设机台控制参数中确定当前批晶圆在当前机台制作时的目标机台控制参数。
该存储器2002可以包括只读存储器和随机存取存储器，并向处理器2001和输入输出接口2003提供指令和数据。存储器2002的一部分还可以包括非易失性随机存取存储器。具体实现中，该计算机设备可通过其内置的各个功能模块执行如上述任一方法实施例中各个步骤所提供的实现方式，具体可参见上述方法实施例所示图中各个步骤所提供的实现方式，在此不再赘述。
本公开实施例通过提供一种计算机设备，包括：处理器、输入输出接口、存储器，通过处理器获取存储器中的计算机程序，执行上述任一实施例中所示方法的各个步骤。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，图21示出本公开实施例中一种计算机可读存储介质示意图，如图21所示，该计算机可读存储介质2100上存储有能够实现本公开上述方法的程序产品。该计算机程序适于由该处理器加载并执行上述任一实施例中各个步骤所提供的机台参数调控方法。
本公开实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一实施例中的各种可选方式中所提供的方法。

Claims (11)

1.一种机台参数调控方法，其特征在于，包括：
获得当前批晶圆在在先机台的当前晶圆状况因素数据和所述当前批晶圆达到当前机台时所述当前机台的当前机台状况因素数据；
获得所述当前批晶圆在所述当前机台制作时的n个预设机台控制参数，n为大于1的正整数；
通过训练完成的机器学习模型处理所述当前晶圆状况因素数据、所述当前机台状况因素数据和n个预设机台控制参数，获得所述当前批晶圆的n个当前预测量测结果；
根据n个当前预测量测结果和所述当前批晶圆的目标量测结果，从n个预设机台控制参数中确定所述当前批晶圆在所述当前机台制作时的目标机台控制参数。
2.如权利要求1所述的方法，其特征在于，所述当前机台为第t机台，所述在先机台包括第1至第t-1机台，t为大于1的正整数。
3.如权利要求1所述的方法，其特征在于，获得所述当前批晶圆在所述当前机台制作时的n个预设机台控制参数，包括：
获得所述当前批晶圆在所述当前机台制作时的机台控制参数上下限；
在所述机台控制参数上下限范围内，使用等差数列的方式均匀生成n个预设机台控制参数。
4.如权利要求1所述的方法，其特征在于，通过训练完成的机器学习模型处理所述当前晶圆状况因素数据、所述当前机台状况因素数据和n个预设机台控制参数，获得所述当前批晶圆的n个当前预测量测结果，包括：
将第i个预设机台控制参数与所述当前晶圆状况因素数据、所述当前机台状况因素数据组合成第i个输入向量，i为大于或等于1且小于或等于n的正整数；
将第i个输入向量输入至所述机器学习模型，获得所述当前批晶圆的第i个当前预测量测结果。
5.如权利要求1所述的方法，其特征在于，根据n个当前预测量测结果和所述当前批晶圆的目标量测结果，从n个预设机台控制参数中确定所述当前批晶圆在所述当前机台制作时的目标机台控制参数，包括：
分别计算n个当前预测量测结果中的每个当前预测量测结果与所述目标量测结果的绝对差值；
将绝对差值最小的当前预测量测结果对应的预设机台控制参数确定为所述目标机台控制参数。
6.如权利要求1所述的方法，其特征在于，还包括：
获得所述当前批晶圆在所述当前机台制作时的批次控制参数值；
获得所述批次控制参数值的浮动阈值；
根据所述批次控制参数值和所述浮动阈值确定批次控制范围；
判断所述目标机台控制参数是否处于所述批次控制范围内；
若所述目标机台控制参数处于所述批次控制范围内，则将所述目标机台控制参数传输至生产制造系统，以使所述生产制造系统根据所述目标机台控制参数控制所述当前机台制作所述当前批晶圆；
其中，判断所述目标机台控制参数是否处于所述批次控制范围内，包括：
判断所述目标机台控制参数是否处于预设合理范围内；
若所述目标机台控制参数处于所述预设合理范围内，则获得所述当前批晶圆的前一批晶圆在所述当前机台制作时的前一机台控制参数；
判断所述目标机台控制参数相比所述前一机台控制参数的调整幅度是否大于幅度阈值；
若所述调整幅度小于或等于所述幅度阈值，则判断所述目标机台控制参数是否处于所述批次控制范围内。
7.如权利要求1所述的方法，其特征在于，还包括：
获得历史批晶圆在所述在先机台的历史晶圆状况因素数据；
获得所述历史批晶圆达到所述当前机台时所述当前机台的历史机台状况因素数据；
获得所述历史批晶圆在所述当前机台制作时的历史机台控制参数；
获得所述历史批晶圆在所述当前机台制作后的历史量测结果；
通过所述机器学习模型处理所述历史晶圆状况因素数据、所述历史机台状况因素数据和所述历史机台控制参数，获得所述历史批晶圆在所述当前机台制作后的历史预测量测结果；
根据所述历史量测结果与所述历史预测量测结果训练所述机器学习模型。
8.如权利要求7所述的方法，其特征在于，获得历史批晶圆在所述在先机台的历史晶圆状况因素数据，包括：
获得所述历史批晶圆在所述在先机台的初始晶圆前站量测结果；
计算所述初始晶圆前站量测结果与所述历史量测结果之间的相关度参数；
确定相关度参数满足预设条件的初始晶圆前站量测结果对应的前量参数为目标前量参数；
其中所述历史晶圆状况因素数据包括所述历史批晶圆在所述在先机台制作后，针对所述目标前量参数的量测结果；所述当前晶圆状况因素数据包括所述当前批晶圆在所述在先机台制作后，针对所述目标前量参数的量测结果。
9.如权利要求7或8所述的方法，其特征在于，获得历史批晶圆在所述在先机台的历史晶圆状况因素数据，包括：
获得所述历史批晶圆在所述在先机台的初始晶圆前站传感器记录数据；
利用自编码模型对所述初始晶圆前站传感器记录数据进行降维，确定目标晶圆前站传感器记录数据；
其中所述历史晶圆状况因素数据包括所述目标晶圆前站传感器记录数据。
10.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，配置为存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述计算机设备实现如权利要求1至9任一项所述的方法。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至9任一项所述的方法。
CN202310304847.8A 2023-03-24 2023-03-24 机台参数调控方法、设备及存储介质 Pending CN116339145A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310304847.8A CN116339145A (zh) 2023-03-24 2023-03-24 机台参数调控方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310304847.8A CN116339145A (zh) 2023-03-24 2023-03-24 机台参数调控方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116339145A true CN116339145A (zh) 2023-06-27

Family

ID=86889113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310304847.8A Pending CN116339145A (zh) 2023-03-24 2023-03-24 机台参数调控方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116339145A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117410215A (zh) * 2023-12-15 2024-01-16 合肥晶合集成电路股份有限公司 机台参数的确定方法、控制方法、控制系统及其装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117410215A (zh) * 2023-12-15 2024-01-16 合肥晶合集成电路股份有限公司 机台参数的确定方法、控制方法、控制系统及其装置
CN117410215B (zh) * 2023-12-15 2024-04-09 合肥晶合集成电路股份有限公司 机台参数的确定方法、控制方法、控制系统及其装置

Similar Documents

Publication Publication Date Title
KR102179988B1 (ko) 오버레이 오차, 근본 원인 분석 및 공정 제어의 피드 포워드 및 피드백 정정을 위한 통계적 오버레이 오차 예측
US11520238B2 (en) Optimizing an apparatus for multi-stage processing of product units
KR20190105646A (ko) 생산 공정을 제어 또는 모니터링하기 위한 예상 데이터 생성
KR102582921B1 (ko) 학습 장치, 추론 장치 및 학습 완료 모델
KR20220082848A (ko) 계측을 위한 신호-도메인 적응
US10345794B2 (en) Product quality prediction method for mass customization
CN116339145A (zh) 机台参数调控方法、设备及存储介质
JP2009277226A (ja) プロセスモデルの状態量のリアルタイム計算方法およびシミュレータ
CN115640933A (zh) 生产线缺陷自动管理方法、装置、设备及存储介质
CN114757512A (zh) 一种基于图神经网络的作业车间调度方法
CN113011055B (zh) 一种基于有限元技术的电机高温故障模拟方法及系统
US8190536B2 (en) Method of performing parallel search optimization
TW202129530A (zh) 不利用裸晶級輸入資料的裸晶級產品建模
CN101118423A (zh) 虚拟测量预估模型的适用性选择方法与系统
JP2004145390A (ja) 工程修正システム
US20190129390A1 (en) Selecting manufacturing settings based on historical data from manufacturing tools
CN116595883B (zh) 数值反应堆实时在线系统状态修正方法
Hsiao et al. GAGAN: Global Attention Generative Adversarial Networks for Semiconductor Advanced Process Control
CN115543855B (zh) 半导体设备参数测试方法、装置、电子设备和存储介质
US20220237451A1 (en) Semiconductor process prediction method and semiconductor process prediction apparatus for heterogeneous data
CN115562213A (zh) 一种生产设备的控制方法及装置
Chien et al. Decision-Based Virtual Metrology Framework to Improve the Efficiency of Solder Resist Opening Qualify Control and an Empirical Study in Printed Circuit Board Manufacturing
CN117546170A (zh) 用于建立基于物理的模型的系统及方法
CN117332526A (zh) 针对多工序的仿真数据处理系统、存储介质及设备
CN116485247A (zh) 一种数据融合耗差分析方法、系统、设备及介质

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