CN116601751A - 用于前级管道沉积诊断及控制的方法及系统 - Google Patents

用于前级管道沉积诊断及控制的方法及系统 Download PDF

Info

Publication number
CN116601751A
CN116601751A CN202180057295.4A CN202180057295A CN116601751A CN 116601751 A CN116601751 A CN 116601751A CN 202180057295 A CN202180057295 A CN 202180057295A CN 116601751 A CN116601751 A CN 116601751A
Authority
CN
China
Prior art keywords
foreline
sensor
accumulation
machine learning
model
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
CN202180057295.4A
Other languages
English (en)
Inventor
阿拉·莫拉迪亚
马丁·A·希尔金
朱作明
埃罗尔·安东尼奥·C·桑切斯
宾杜萨加·马拉·圣卡拉通
刘梦馥
苏伦德拉·辛格·斯利瓦斯塔瓦
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 CN116601751A publication Critical patent/CN116601751A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • H01L21/67017—Apparatus for fluid treatment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/02002—Preparing wafers
    • H01L21/02005—Preparing bulk and homogeneous wafers
    • H01L21/02008—Multistep processes
    • H01L21/0201—Specific process step
    • H01L21/02019—Chemical etching
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/02041—Cleaning
    • H01L21/02057—Cleaning during device manufacture
    • H01L21/0206—Cleaning during device manufacture during, before or after processing of insulating layers
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Chemical Vapour Deposition (AREA)

Abstract

公开了用于前级管道诊断及控制的系统、设备及方法。在一些实施方式中，耦接至腔室排放装置的前级管道装备有一或多个传感器，所述一或多个传感器放置在腔室排放装置与消除系统之间。所述一或多个传感器经定位以测量前级管道中的压力作为传导度的指标。传感器耦接至经训练的机器学习模型，所述经训练的机器学习模型被配置为当前级管道需要清洁循环时或者当应该执行预防性维护时提供信号。在一些实施方式中，经训练的机器学习预测何时将需要清洁或预防性维护。

Description

用于前级管道沉积诊断及控制的方法及系统
背景
技术领域
本发明的实施方式总体涉及前级管道诊断及控制，并且更特别地涉及预测性前级管道诊断。
背景技术
半导体基板经处理以用于广泛的应用，包括器件及微器件的制造。这些工艺可以在某些处理条件(包括处理腔室内的温度、压力及前驱物流率)下在基板上产生高品质的膜。工艺参数的任何变化可导致膜厚度及轮廓的变化。
尽管膜沉积的目的是将大部分沉积材料沉积在基板上，但是处理腔室部件、腔室排放装置及前级管道部件也可能被涂覆。为了维持从晶片至晶片的工艺条件，执行清洁配方以从腔室及前级管道部件蚀刻掉非意欲的涂层。然而，即使是清洁工艺也可能造成前级管道中非意欲的且有时可燃的涂层。
在传统方法中，在每个晶片之后或者在一定数量的晶片之后运行清洁配方，而不测量前级管道中的沉积量。这可能会导致清洁过于频繁，这可以是对清洁资源和时间的浪费，或者导致清洁不够，从而导致工艺参数的不可靠变化及前级管道中潜在的危险沉积。
需要的是克服传统方法缺点的系统及方法。
发明内容
本公开内容总体涉及用于前级管道诊断及控制的系统、设备及方法。在一些实施方式中，耦接至腔室排放装置的前级管道装备有一或多个传感器，所述一或多个传感器放置在腔室排放装置与消除系统之间。所述一或多个传感器经定位以测量前级管道中的压力作为传导度(conductance)的指标(indicator)。传感器耦接至经训练的机器学习模型，所述经训练的机器学习模型被配置为当前级管道需要清洁循环时或者当应该执行预防性维护时提供信号。在一些实施方式中，经训练的机器学习预测何时将需要清洁或预防性维护。
在一个实施方式中，公开一种用于前级管道诊断及控制的系统，所述系统包括：前级管道，所述前级管道耦接至处理腔室的排放装置；第一传感器，所述第一传感器经定位以测量前级管道中的沉积积累；和积累监测器，所述积累监测器耦接至第一传感器，所述积累监测器包括经训练的机器学习(machine learning,ML)模型并且被配置为当所指示的沉积积累处于或高于积累阈值时产生指示沉积积累的输出并且触发校正动作。
在另一个实施方式中，公开一种计算机可读介质，所述计算机可读介质包括用于执行用于前级管道沉积诊断的方法的指令。所述方法包括从多个传感器中的至少一个传感器接收积累数据；将积累数据提供给积累监测器，所述积累监测器包括经训练的机器学习(ML)模型，所述经训练的ML模型被配置为产生指示沉积积累的输出；和当积累数据被指示处于积累阈值时，基于所述输出产生校正动作。
在另一个实施方式中，公开一种用于监测处理系统的前级管道中的沉积积累的方法，所述方法包括从耦接至半导体处理系统的前级管道的一或多个传感器接收传感器数据；用经训练的机器学习模型处理传感器数据以估计积累；和触发与经训练的机器学习模型的估计的积累对应的校正动作。
附图说明
为了能够详细理解本公开内容的上述特征，可以参考实施方式获得以上简要概述的本公开内容的更特别的描述，实施方式中的一些实施方式在附图中图示。然而，应当注意的是，附图仅图示示例性实施方式，并且因此不应被视为是对本公开内容的范围的限制，并且可以允许其他同等有效的实施方式。
图1描绘根据某些实施方式的用于前级管道沉积及诊断控制的系统。
图2描绘根据某些实施方式的用于前级管道沉积及诊断控制的系统，所述系统包括前级管道清洁系统。
图3描绘根据某些实施方式的用于前级管道诊断及控制的方法。
图4是根据某些实施方式的用于进行用于前级管道诊断及控制的方法的处理系统。
为了促进理解，在可能的情况下，使用相同的参考数字来表示图中共有的相同元件。预期一个实施方式的元件和特征可以有益地结合在其他实施方式中，而无需进一步叙述。
具体实施方式
在下文中，参考了本公开内容的实施方式。然而，应当理解的是本公开内容不限于特定描述的实施方式。相反，以下特征及要素的任何组合，无论是否与不同的实施方式有关，都被考虑来实施及实践本公开内容。此外，尽管本公开内容的实施方式可以实现优于其他可能的解决方案且/或优于现有技术的优点，但是特定的优点是否由给定的实施方式实现并不限制本公开内容。因此，以下方面、特征、实施方式及优点仅仅是说明性的，并且不被认为是权利要求的要素或限制，除非在权利要求中明确陈述。同样，对“本公开内容”的提及不应被解释为对本文所公开的任何发明性主题的概括，并且不应被认为是所附权利要求的要素或限制，除非在权利要求中明确陈述。
公开了用于使用累积的历史工艺及清洁数据、和来自沿着前级管道放置的一或多个传感器的实时数据，来监测处理系统前级管道中的沉积积累的系统、设备及方法。
在半导体基板的处理期间(诸如通过外延工艺、化学气相沉积(chemical vapordeposition,CVD)工艺、等离子体增强化学气相沉积(plasma-enhanced chemical vapordeposition,PECVD)、蚀刻工艺、清洁工艺或作为制造半导体器件的部分而在处理腔室中进行的其他工艺来处理)，在腔室部件上以及在耦接至腔室的前级管道中引起积累。
发明人已经发现，前级管道中的积累模式可以由与前级管道一起使用的传感器直接及/或间接地检测。通过收集多个处理循环中的传感器数据、和积累模式，可以使用用训练数据训练的机器学习(ML)算法来开发指示以下项的阈值：给使用者的警报、需要前级管道(或腔室)清洁、或需要PM。可以由经训练的机器学习模型使用所识别的模式来开发用于提供校正动作(诸如停止工艺腔室的操作，或者应该对前级管道执行清洁或预防性维护(preventive maintenance，PM))的阈值，以及预测何时可能需要这些校正动作。
通过提供由经训练的ML模型监测的用于清洁及PM的阈值，可以基于单独处理腔室及处理腔室组的处理参数预测性地确定清洁/PM循环，以更有效地对工厂操作进行调度(schedule)。另外，可以更有效地对清洁及与PM有关的化学品、替换零件及劳动力资源的库存(inventory)进行调度。
前级管道沉积诊断及控制的示例系统
图1描绘根据某些实施方式的用于前级管道沉积及诊断控制的系统100。处理腔室103经由处理腔室103的排放装置(未示出)耦接至前级管道106，从而将处理腔室103耦接至泵109，所述泵继而耦接至消除系统112。
处理腔室103可以是外延腔室、化学气相沉积(CVD)腔室、等离子体增强CVD(PECVD)腔室、蚀刻腔室、抛光站，或通过任何手段向基板沉积或从基板移除一或多种材料的任何处理腔室。如本领域技术人员所理解的，当用于沉积或蚀刻时，处理腔室(诸如处理腔室103)由管理输入至处理腔室的气体及材料的一或多个配方控制。在处理腔室103的操作期间，未沉积在基板上的材料或从基板蚀刻的材料沉积在腔室部件上、前级管道106内、以及泵109和消除系统112内。本文所公开的系统及方法寻求诊断前级管道中的沉积、并且经由各种算法及方法指示何时应当执行前级管道清洁及/或前级管道预防性维护(PM)。
沿着前级管道106的长度可以定位若干阀，以用于隔离处理腔室103、泵109，并且控制前级管道106内的压力。腔室隔离阀115可以位于处理腔室103的下游，以在前级管道清洁及PM操作期间隔离处理腔室103(在下面进一步讨论)。压力控制阀118可以在腔室隔离阀115的下游并且耦接至前级管道106。
压力控制阀(pressure control valve,PCV)118包括旋转板及位置传感器，所述旋转板通过控制前级管道106中的气体的传导度来控制这样的气体压力，所述位置传感器用于感测旋转板的旋转角度。PCV 118的角度是对旋转板的角度的指示，该角度如下所述可用作前级管道106内的压力及/或传导度的指标，并且多个所测量角度可以是压力及或传导度变化的指标。如下文将讨论的，传导度变化可以是前级管道106内的沉积积累的指标。
在PCV 118的下游，前级管道106耦接至泵隔离阀121，所述泵隔离阀将泵109与前级管道106隔离。在泵隔离阀121的下游，前级管道耦接至泵109。
如本领域技术人员将理解的，在一些实施方式中，腔室隔离阀115及泵隔离阀121中的一者或两者可以是PCV。在此种情况下，PCV可用作隔离阀。
沿着前级管道106，传感器124至133沿着前级管道106散置。传感器124位于处理腔室103与腔室隔离阀115之间，传感器127位于腔室隔离阀115与PCV118之间，传感器130位于PCV 118与泵隔离阀121之间，并且传感器133位于泵隔离阀121与泵109之间。
在一些实施方式中，传感器124至133中的一或多个传感器经定位以直接或间接地测量前级管道内的积累。在一些实施方式中，传感器124至133中的一或多个传感器可以是超声波传感器，所述超声波传感器包括超声波信号的换能器及接收器。作为传感器124至133中的一或多个传感器而提供的超声波换能器可检测前级管道106内的积累，而不必定位于前级管道106内，但是在一些实施方式中，此种类型的传感器可位于前级管道106内。当定位于前级管道106的外侧上时，超声波换能器穿过前级管道的壁传递超声波信号，所述壁耦接至前级管道106的内部空间中，所述内部空间诸如构成前级管道106的管的中空部分。当前级管道106是洁净的(即，没有积累)时，超声波信号可以如由接收器所检测到的声速(可能被前级管道中的气体减慢)行进穿过前级管道106。然而，当前级管道中存在积累时，此积累将减慢超声波信号的行进速率，这增加了从在换能器处产生超声波信号及在接收器处接收该信号所耗费的时间量。随着沉积继续积累，超声波信号将耗费不断增加的时间量来到达接收器。此外，沉积在前级管道106中的不同材料将对超声波信号的速度具有不同的影响，其中唯一不变的是额外的沉积积累将逐渐减慢此信号。
在一些实施方式中，传感器124至133中的一或多个传感器可以是压电传感器，诸如石英晶体微量天平(quartz crystal microbalance,QCM)传感器。QCM传感器是一种基于振荡石英晶体的质量敏感压电器件，该器件能够检测石英部件的纳克质量变化。在实施方式中，随着材料在石英部件上积累，由于质量增加，石英部件将以更低的速率振荡。当放置在前级管道106内，例如在由传感器124至133中的一或多个传感器指示的位置处时，随着QCM传感器上沉积积累的发生，由传感器产生的信号将与积累相关地变化。
在一些实施方式中，传感器124至133中的一或多个传感器可以是压力传感器，该压力传感器耦接至前级管道106以测量前级管道106内的压力。随着材料在前级管道106中积累，由于相同体积的气体穿过前级管道106的(由于积累)不断减小的体积而引起的压力变化可作为积累的指标被检测到。
尽管上面讨论了传感器124至133的多个实施方式，但是本领域技术人员将会理解，传感器124至133中的一或多个传感器可包括多种传感器类型。例如，传感器可包括压力传感器、UT传感器及/或QCM传感器中的一或多者。
在实施方式中，PCV 118可以另外用作传感器以指示前级管道106中的积累。在这些实施方式中，随着前级管道106内的积累增加，可能需要PCV 118来增加板的角度以维持气体的目标传导度。相对于先前角度的角度增加可以指示前级管道106中的积累增加，而(例如，在清洁或PM后的)角度减小可以指示积累较少或没有积累。
上文讨论的传感器类型中的一或多种传感器类型可以与PCV 118结合使用，以提供指示逐渐增大或减小的积累的数据。例如，当传感器127检测到积累的变化时，PCV 118可以通过改变PCV 118的角度来响应。总体而言，这些信号提供关于系统100如何对前级管道沉积积累做出反应的数据。
控制器136耦接到传感器124至133中的每一个传感器，以及PCV 118，并且在一些实施方式中也耦接至腔室隔离阀115及泵隔离阀121。控制器136另外耦接至处理腔室103，以接收关于处理配方的数据，并且以向处理腔室提供关于前级管道106的状态的信号。
控制器136包括经训练的机器学习(ML)模型144，所述经训练的机器学习(ML)模型包含训练数据139，及ML模型141。训练数据139由与处理腔室103中的处理相关的数据(例如，特征)(诸如配方数据)，和在处理操作期间由一或多个处理腔室传感器产生的处理腔室传感器数据(包括关于这些处理操作的时间序列数据)构成。训练数据139可以储存在数据库或其他数据储存系统中。训练数据进一步包括来自以下项中的一或多者的数据：传感器124至133(即，关于针对积累传感器的积累及针对压力传感器的压力中的至少一者的数据)、PCV 118、腔室隔离阀115、及泵隔离阀121(例如，传导率、角度数据和类似数据)，这些数据是前级管道106中的积累的直接或间接指标，包括积累的时间序列表示。在一些实施方式中，训练数据139可包括来自泵109的操作数据。训练数据可以是来自每个上述数据源的时间序列数据，从而指示每个数据源的操作数据随着时间推移的差异。在一些实施方式中，训练数据可以是历史数据、合成数据、开发者出于训练目的而创建的数据，或者这些数据的某种组合。在一些实施方式中，训练数据可基于处理腔室配方、可沉积在前级管道106中的材料、沉积材料的沉积特性、或适于训练ML模型141的任何其他分组来进行分组。训练数据144可进一步包括从传感器及阀原位(in situ)接收的数据，并且实时训练ML模型141，提供连续更新的经训练的ML模型144。
根据训练数据144，前级管道106的一或多个参数可以由经训练的ML模型141估计或推断。例如，前级管道106中的材料沉积速率可以从超声波传感器检测到的超声波信号的飞行时间(time-of-flight)数据、QCM传感器的共振频率偏移速率、或者来自一或多个压力传感器的前级管道106的区段上的压差变化速率推导出。前级管道106的一或多个区段内的沉积速率可以由经训练的ML模型141推断/估计，并且被视为用于针对先前测量的沉积速率做出决策的度量，或者与一或多个阈值进行比较。可由经训练的ML模型141估计或推断的前级管道106的另一示例性参数是前级管道106的健康(例如，传导能力)。经训练的ML模型141可以根据以下项的组合来估计/推断部分堵塞的状况对比健康状况：PCV 118的位置及前级管道106的在PCV 118处的温度、和来自超声波传感器、QCM传感器或其他传感器的信号。可以将推断/估计的条件与前级管道106的先前测量的条件、或一或多个阈值进行比较，以确定前级管道106是否健康(即，以适于操作前级管道的水平传导气体)，或者是否需要清洁或PM。
在一些实施方式中，ML模型141可以针对由处理腔室执行的特定处理配方、针对沉积在前级管道中的特定材料或这些项的组合进行训练。
ML模型141可以是有监督或无监督的ML模型或这些模型的组合。在ML模型141是有监督的模型的实施方式中，可以使用支持向量机(support vector machine,SVM)、回归模型，或任何能够接收训练数据139并且提供指示或预测前级管道106中的沉积水平的连续输出的有监督的学习模型。在ML模型是无监督模型的实施方式中，可以使用神经网络，或能够接收训练数据139来训练ML模型141的任何无监督学习模型，以提供指示或预测前级管道106中的沉积积累的经聚合或经分类的输出。
在训练期间，训练ML模型141以基于训练数据139开发前级管道106中的积累的一或多种阈值或开发某种其他指标，所述阈值指示需要前级管道清洁、需要PM。在此种情况下，阈值可以是前级管道106中的沉积水平、前级管道106中的沉积速率、堵塞/部分堵塞对比健康(足够开放)的前级管道106，如由前级管道106中的一或多个传感器提供的数据所确定的。例如，在给定用于处理腔室的配方及使用该配方对基板进行适当处理所需的前级管道条件的情况下，可以随着时间推移编译来自配方、处理腔室及前级管道传感器的训练数据。使用此训练数据来训练ML模型，以识别用于系统正常操作的一或多个阈值，若达到或超过所述阈值，则表明需要对前级管道进行清洁或PM。一旦经训练，经训练的ML模型就可接收“实况(live)”处理数据，以在前级管道条件需要清洁或PM时提供指标。在此种情况下，指标可以是来自达到或超过阈值区域、从而发信号通知需要清洁的无监督模型的一或多种分类。在有监督的模型中，当模型的一或多个维度达到或超过阈值时，可指示需要清洁。此外，经训练的ML模型可以预测性地指示何时需要清洁或PM，以实现资源及工厂操作的高效调度。
在某些实施方式中，作为用训练数据训练ML模型141的结果，经训练的ML模型144可以基于给定的配方及相关的工艺参数，来预测在给定时间处前级管道106中的给定沉积积累。在预测性实施方式中，控制器可预测何时要执行前级管道106的清洁或PM，例如以适应工厂调度、处理腔室103维护调度，并且通知资源购买及输送决策。
在一些实施方式中，控制器136是开环控制器，所述开环控制器包括用于传感器及阀数据的阈值，所述阈值指示何时要执行清洁、PM或其他动作。在另外的实施方式中，控制器136可以是开环控制方法及经训练的机器学习模型144的组合。
在操作中，以下项中的一或多者向经训练的ML模型144提供工艺数据：传感器124至133、阀115至121，和在一些实施方式中的工艺腔室103。经训练的ML模型144接收这些输入，根据经训练的机器学习模型处理这些输入，并且提供一或多个输出，并且当输出达到或超过一或多个阈值时，产生要执行前级管道清洁或PM的指标。在一些实施方式中，控制器136可以将处理腔室与前级管道106隔离，并且向清洁系统提供信号以执行前级管道清洁(在下面进一步讨论)，或者向系统100的使用者提供要执行清洁的指标。
用RPS前级管道清洁系统进行前级管道沉积诊断及控制的示例系统
图2描绘根据某些实施方式的用于前级管道沉积及诊断控制的系统200，所述系统包括前级管道清洁系统。系统200类似于系统100，增加了前级管道清洁210系统、前级管道清洁隔离阀215和下面讨论的修改。在一些实施方式中，前级管道清洁210类似于Hilkene等人的美国专利10,500,614“TEMPERATURE CONTROLLED REMOTE PLASMA CLEAN FOR EXHAUSTDEPOSIT REMOVAL(用于排放沉积物移除的温度受控远程等离子体清洁)”中公开的前级管道清洁系统，该美国专利于2019年12月10日颁发给加利福尼亚州圣克拉拉市的应用材料公司(Applied Materials of Santa Clara,CA)，该专利的全部公开内容整体以引用方式并入本文。
在包括前级管道清洁210的前级管道沉积诊断及控制的实施方式中，传感器124至133中的一或多个传感器可包括热传感器。在一些实施方式中，前级管道清洁210包括远程等离子体源(remote plasma source,RPS)，用于产生等离子体并且将等离子体提供给前级管道106以移除积累。在一些实施方式中，RPS从NF3及氩气混合物产生等离子体。由于等离子体与前级管道106中的积累反应可引起放热反应，清洁工艺期间产生的热量可以是前级管道106中剩余的积累量的指标。随着积累由于与等离子体反应而被移除，所产生的热量的量减少，直到产生可忽略量的热量，表明清洁循环完成。
在图2的实施方式中，经训练的ML模型144可进一步包括用于在通过前级管道清洁210进行的清洁循环期间监测前级管道中的积累的参数及阈值。用于开发参数及阈值的训练数据139包括来自在传感器124至133中的一或多个传感器中所包括的热传感器的数据。提供此训练数据139以训练ML模型141，以产生经训练的ML模型144。
用于前级管道诊断及控制的示例方法
图3描绘根据某些实施方式的用于前级管道诊断及控制的方法300。
在305处，方法300从耦接至半导体处理系统的前级管道的一或多个传感器接收传感器数据，而在310处，方法300用经训练的机器学习模型处理传感器数据以估计前级管道中的积累。在实施方式中，经由以下工艺来训练经训练的机器学习模型：从数据库接收传感器训练数据，所述数据库包括来自一或多个半导体处理系统的先前操作的传感器数据；对传感器训练数据进行分类以区分前级管道的洁净表面之一与沉积在前级管道上的材料的多个沉积厚度之一；和基于所述分类为经训练的机器学习模型产生模型参数。在一些实施方式中，经训练的机器学习模型经进一步训练以检测前级管道的温度变化。应当理解的是，在此种情况下的分类可有关于有监督的ML或无监督的ML。
在315处，方法300触发与经训练的机器学习模型的估计积累对应的校正动作。所述校正动作可包括以下中的一或多者：停止处理系统的操作、在半导体处理系统或前级管道中开始清洁操作、或者警告使用者对半导体处理系统或前级管道进行预防性维护。可以响应于当经训练的机器学习模型指示达到或超过阈值时而产生信号。
用于前级管道诊断及控制的示例处理系统
图4描绘根据某些实施方式的用于前级管道诊断及控制的处理系统400，所述处理系统可以执行本文所述的方法，诸如图3的用于前级管道诊断及控制的方法；和关于图1及图2描述的能够执行这样的方法的系统。
处理系统400的处理装置401包括连接至数据总线416的中央处理单元(centralprocessing unit,CPU)402。CPU 402被配置为处理例如储存在存储器408或储存装置410中的计算机可执行指令，并且引起处理系统400执行本文例如关于图3所述的方法。CPU 402被包括以代表单个CPU、多个CPU、具有多个处理核心的单个CPU，和能够执行计算机可执行指令的其他形式的处理架构。
处理系统400进一步包括输入/输出(input/output,I/O)装置412及接口404，这允许处理装置401与输入/输出装置412对接，所述输入/输出装置诸如举例而言是半导体处理系统及相关的支持系统、键盘、显示器、鼠标装置、笔输入件、和允许与处理系统400交互的其他装置。应注意，处理系统400可以经由物理连接及无线连接与外部I/O装置(例如，外部显示装置)连接。
处理装置401进一步包括网络接口406，所述网络接口向处理系统401提供对外部网络414和由此对外部计算装置的存取。
处理装置401进一步包括存储器408，所述存储器在此示例中包括接收模块418、处理模块420、触发模块422、训练模块424、及分类模块426，以用于执行图3中所述的操作，这些操作可以在图1及/或图2中所描绘的系统上进行。尽管在图4中没有描绘，但是存储器408中可包括其他方面。
应注意，尽管出于简单起见在图4中示为单个存储器408，但是储存在存储器408中的各个方面可以储存在不同的物理存储器中，包括远离处理系统400的存储器中，但是都可以由CPU 402经由内部数据连接(诸如总线416)来存取。
储存装置410包含积累数据428、传感器数据430、ML模型数据432、经训练的ML学习模型数据434、模型参数数据436、传感器训练数据438、及校正动作数据440，如结合图1至图3所述。尽管在图4中没有描绘，但是储存装置410中可包括其他方面。
如同存储器408那样，出于简单起见在图4中描绘了单个储存装置410，但是储存在储存装置410中的各个方面可以储存在不同的物理储存装置中，但是这些物理储存装置都是CPU 402经由内部数据连接(诸如总线416)或外部连接(诸如网络接口406)可存取的。本领域技术人员将会理解，处理系统400的一或多个元件可以远程地定位并且经由网络414存取。
其他考虑事项
提供前面的描述是为了使任何本领域技术人员能够实践本文所述的各种实施方式。本文讨论的示例不限制权利要求中阐述的范围、适用性或实施方式。对这些实施方式的各种修改对于本领域技术人员而言将是显而易见的，并且本文定义的一般原理可应用于其他实施方式。例如，在不脱离本公开内容的范围的情况下，可以对所讨论的元件的功能及布置进行改变。各种示例可以适当地省略、替换或添加各种过程或部件。例如，所描述的方法可以不同于所描述次序的次序来执行，并且可以添加、省略或组合各种步骤。而且，关于一些示例描述的特征可以在一些其他示例中组合。例如，可以使用本文阐述的任何数量的方面来实施设备，或者可以使用本文阐述的任何数量的方面来实践方法。另外，本公开内容的范围意欲覆盖使用其他结构、功能性或作为本文阐述的本公开内容的各个方面的补充或除了本文阐述的本公开内容的各个方面之外的结构和功能性来实践的这样的设备或方法。应当理解的是，本文公开的本公开内容的任何方面可以由权利要求的一或多个要素来体现。
如本文所用，词语“示例性”意味着“用作示例、实例或说明”。本文描述为“示例性”的任何方面不一定被解释为相对于其他方面优选或比其他方面有利。
如本文所用，提及项目列表中的“至少一者”的短语表示这些项目的任何组合，包括单个成员。作为一个示例，“a、b或c中的至少一者”意欲涵盖a、b、c、a-b、a-c、b-c及a-b-c，以及多个相同要素的任何组合(例如，a-a、a-a-a、a-a-b、a-a-c、a-b-b、a c c、b-b、b-b-b、b-b-c、c-c及c-c-c，或a、b及c的任何其他次序)。
如本文所用，术语“确定”涵盖各种动作。例如，“确定”可包括计算、处理、推导、调查、查找(例如，在表格、数据库或另一数据结构中查找)、查明和类似动作。而且，“确定”可包括接收(例如，接收信息)、存取(例如，存取存储器中的数据)和类似动作。而且，“确定”可包括解析、选择、挑选、建立和类似动作。
本文公开的方法包括用于实现这些方法的一或多个步骤或动作。在不脱离权利要求的范围的情况下，方法步骤及/或动作可以是可彼此互换的。换言之，除非指定了步骤或动作的特定次序，否则在不脱离权利要求的范围的情况下，可以修改特定步骤及/或动作的次序及/或使用。此外，上述方法的各种操作可以通过能够执行对应功能的任何合适的手段来执行。所述手段可包括各种硬件及/或软件部件及/或模块，包括但不限于电路、专用集成电路(application specific integrated circuit,ASIC)或处理器。通常，在存在附图中图示的操作的情况下，这些操作可以具有有相似编号的对应配对的手段加功能部件。
所附的权利要求不意欲限于本文所示的实施方式，而是符合与权利要求的语言一致的全部范围。在权利要求中，除非特别如此说明，否则提及单数形式的要素不意欲意味着“一个且仅一个”，而是“一或多个”。除非另外特别说明，否则术语“一些”表示一或多个。不根据美国法典第35卷第112节f款(35U.S.C.§112(f))的规定解释权利要求要素，除非该要素是使用短语“用于……的构件”明确陈述的，或者在方法权利要求的情况下要素是使用短语“用于……的步骤”陈述的。本领域技术人员已知的或以后将会知道的贯穿本公开内容描述的各个方面的要素的所有结构及功能等同物以引用方式明确并入本文，并且意欲被权利要求所涵盖。此外，本文公开的内容不意欲奉献给公众，无论权利要求中是否明确叙述了这样的公开内容。
尽管前面针对本公开内容的实施方式，但是在不脱离本公开内容的基本范围的情况下可以设计本公开内容的其他和进一步实施方式，并且本公开内容的范围由所附权利要求确定。

Claims (20)

1.一种用于前级管道诊断及控制的系统，包括：
前级管道，所述前级管道耦接至处理腔室的排放装置；
第一传感器，所述第一传感器经定位以测量所述前级管道中的沉积积累；和
积累监测器，所述积累监测器耦接至所述第一传感器，所述积累监测器包括经训练的机器学习(ML)模型，并且所述积累监测器被配置为产生指示沉积积累的输出且当所指示的所述沉积积累处于或高于积累阈值时触发校正动作。
2.如权利要求1所述的系统，所述第一传感器包括以下中的一者：
超声波换能器；
压电传感器；
压力传感器；或者
用于压力控制阀的位置传感器。
3.如权利要求1所述的系统，其中所述积累监测器包括开环控制。
4.如权利要求1所述的系统，其中所述积累监测器耦接至多个传感器。
5.如权利要求1所述的系统，其中所述经训练的机器学习模型是经由包括以下的工艺训练的：
从数据库接收第一传感器训练数据，所述数据库包括来自半导体处理腔室的先前操作的第一传感器数据；
对所述第一传感器训练数据进行分类，以区分所述前级管道的清洁表面之一与沉积在所述前级管道上的材料的多个沉积厚度之一；和
基于所述分类为所述经训练的机器学习模型产生模型参数。
6.如权利要求5所述的系统，其中所述校正动作包括以下中的一者：产生给使用者的警报、停止所述半导体处理腔室的操作、或引起所述半导体处理腔室开始清洁操作。
7.如权利要求6所述的系统，其中所述经训练的机器学习模型进一步被配置为在清洁操作期间监测所述前级管道的温度变化。
8.一种计算机可读介质，包括用于执行用于前级管道沉积诊断的方法的指令，所述方法包括以下步骤：
从多个传感器中的至少一个传感器接收传感器数据；
将所述传感器数据提供给积累监测器，所述积累监测器包括经训练的机器学习(ML)模型，所述经训练的机器学习(ML)模型被配置为产生指示沉积积累的输出；和
当所述传感器数据被指示处于或高于积累阈值时，基于所述输出产生校正动作。
9.如权利要求8所述的计算机可读介质，其中所述多个传感器包括超声波换能器或压电传感器中的一者。
10.如权利要求8所述的计算机可读介质，其中所述多个传感器包括压力传感器及压力控制阀。
11.如权利要求10所述的计算机可读介质，其中所述压力传感器邻近所述压力控制阀定位。
12.如权利要求8所述的计算机可读介质，其中所述多个传感器定位在泵与腔室排放装置之间。
13.如权利要求12所述的计算机可读介质，其中所述校正动作至少部分地由开环控制产生，所述开环控制被配置为监测所述传感器数据。
14.如权利要求12所述的计算机可读介质，其中所述经训练的ML模型是经由包括以下的工艺训练的：
从数据库接收传感器训练数据，所述数据库包括来自半导体处理腔室的先前操作的传感器数据；
对所述传感器训练数据进行分类，以区分所述前级管道的清洁表面之一与沉积在所述前级管道上的材料的多个沉积厚度之一；和
基于所述分类为所述经训练的机器学习模型产生模型参数。
15.如权利要求14所述的计算机可读介质，其中所述经训练的机器学习(ML)模型包括有监督的模型及无监督模型中的一者。
16.一种用于监测在处理系统的前级管道中的沉积积累的方法，包括以下步骤：
从耦接至处理系统的前级管道的一或多个传感器接收传感器数据；
用经训练的机器学习模型处理所述传感器数据以估计积累；和
触发与所述经训练的机器学习模型的估计的所述积累对应的校正动
作。
17.如权利要求16所述的方法，其中所述经训练的机器学习模型是经由包括以下的工艺训练的：
接收传感器训练数据，所述传感器训练数据包括来自一或多个处理系统的先前操作的传感器数据；
对所述传感器训练数据进行分类，以区分所述前级管道的清洁表面之一与沉积在所述前级管道上的材料的多个沉积厚度之一；和
基于所述分类为所述经训练的机器学习模型产生模型参数。
18.如权利要求17所述的方法，其中所述经训练的机器学习模型经进一步训练以检测所述前级管道的温度变化。
19.如权利要求17所述的方法，其中所述一或多个传感器包括以下中的一或多者：
超声波换能器；
压电传感器；
压力传感器；或者
用于压力控制阀的位置传感器。
20.如权利要求17所述的方法，其中所述校正动作包括以下中的一者：停止所述处理系统的操作、开始清洁操作、或警告使用者。
CN202180057295.4A 2020-10-27 2021-09-22 用于前级管道沉积诊断及控制的方法及系统 Pending CN116601751A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/081,459 US11860973B2 (en) 2020-10-27 2020-10-27 Method and system for foreline deposition diagnostics and control
US17/081,459 2020-10-27
PCT/US2021/051531 WO2022093445A1 (en) 2020-10-27 2021-09-22 Method and system for foreline deposition diagnostics and control

Publications (1)

Publication Number Publication Date
CN116601751A true CN116601751A (zh) 2023-08-15

Family

ID=81258583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180057295.4A Pending CN116601751A (zh) 2020-10-27 2021-09-22 用于前级管道沉积诊断及控制的方法及系统

Country Status (7)

Country Link
US (1) US11860973B2 (zh)
EP (1) EP4238124A1 (zh)
JP (1) JP2023544471A (zh)
KR (1) KR20230027230A (zh)
CN (1) CN116601751A (zh)
TW (1) TW202216313A (zh)
WO (1) WO2022093445A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117000705A (zh) * 2023-10-07 2023-11-07 湖北江城芯片中试服务有限公司 一种管路粉尘处理装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240043994A1 (en) * 2022-08-08 2024-02-08 Applied Materials, Inc. Interlock system for processing chamber exhaust assembly

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3591252B2 (ja) 1997-11-28 2004-11-17 株式会社日立製作所 プラズマ処理装置
US20070189356A1 (en) * 2006-02-13 2007-08-16 Jonathan Pettit Exhaust buildup monitoring in semiconductor processing
JP4878188B2 (ja) 2006-03-20 2012-02-15 東京エレクトロン株式会社 基板処理装置、堆積物モニタ装置、及び堆積物モニタ方法
JP2007311393A (ja) 2006-05-16 2007-11-29 Eagle Ind Co Ltd 堆積物の検知装置
US20150196002A1 (en) * 2014-01-12 2015-07-16 Kevin Friesth Automated hybrid aquaponics and bioreactor system including product processing and storage facilities with integrated robotics, control system, and renewable energy system cross-reference to related applications
KR20190090414A (ko) 2018-01-24 2019-08-02 삼성디스플레이 주식회사 증착 장치
KR20210053351A (ko) 2018-09-28 2021-05-11 램 리써치 코포레이션 증착 부산물 빌드업 (buildup) 으로부터 진공 펌프 보호

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117000705A (zh) * 2023-10-07 2023-11-07 湖北江城芯片中试服务有限公司 一种管路粉尘处理装置
CN117000705B (zh) * 2023-10-07 2024-01-12 湖北江城芯片中试服务有限公司 一种管路粉尘处理装置

Also Published As

Publication number Publication date
US20220129698A1 (en) 2022-04-28
JP2023544471A (ja) 2023-10-24
KR20230027230A (ko) 2023-02-27
TW202216313A (zh) 2022-05-01
EP4238124A1 (en) 2023-09-06
WO2022093445A1 (en) 2022-05-05
US11860973B2 (en) 2024-01-02

Similar Documents

Publication Publication Date Title
CN116601751A (zh) 用于前级管道沉积诊断及控制的方法及系统
JP4854667B2 (ja) プロセス制御工業のための汚れ及び腐食検出器
KR101018545B1 (ko) 적응형 다변수 결함 검출
KR101319250B1 (ko) 진공 라인 및 이를 모니터링 하기 위한 방법
JPWO2019182913A5 (zh)
KR101443493B1 (ko) 처리 장치 및 프로세스 상태의 확인 방법
KR100443852B1 (ko) 생산 장치의 이상 정지 회피 방법 및 이상 정지 회피 시스템
KR101126413B1 (ko) 전자 디바이스 제조 시스템의 동작을 향상시키는 방법 및 장치
WO2021081250A1 (en) Anomaly detection in pipelines and flowlines
JP6151370B2 (ja) 凝縮液排水管の監視
EP4102209A1 (en) A method of monitoring a condition prevailing inside a piping system with respect to an impairment due to accretion, abrasion or corrosion
JP7481537B2 (ja) 情報処理システム、情報処理方法及び情報処理装置
JP2006163517A (ja) 異常検知装置
JP2017089462A (ja) 真空ポンプの判断システム、および真空ポンプ
US20070189356A1 (en) Exhaust buildup monitoring in semiconductor processing
CN109069990A (zh) 用于排放沉积移除的温度控制远端等离子清洗
US11656170B2 (en) System for and method of monitoring a condition of at least one object comprised in a piping system
US10456704B2 (en) Method of real-time prognosis of flooding phenomenon in packed column
JP2007311393A (ja) 堆積物の検知装置
JP2006005118A (ja) 半導体製造装置
CN114008417A (zh) 用于预测和控制气体管线性能的系统和方法
JP2008288420A (ja) 半導体製造装置およびそのクリーニング方法
US20220018698A1 (en) Method for monitoring the condition of a measurement sensor
JP2020008504A (ja) 配管診断方法、配管診断装置および配管診断システム
KR20220054883A (ko) 인공 지능을 사용한 인-시츄 센서-융합 (in-situ sensor-fusion)

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