CN116671006A - 利用基于模型的数字孪生进行射频匹配控制 - Google Patents
利用基于模型的数字孪生进行射频匹配控制 Download PDFInfo
- Publication number
- CN116671006A CN116671006A CN202180085761.XA CN202180085761A CN116671006A CN 116671006 A CN116671006 A CN 116671006A CN 202180085761 A CN202180085761 A CN 202180085761A CN 116671006 A CN116671006 A CN 116671006A
- Authority
- CN
- China
- Prior art keywords
- data
- production facility
- digital replica
- matching network
- tracking data
- 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
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
- H01J37/32082—Radio frequency generated discharge
- H01J37/32174—Circuits specially adapted for controlling the RF discharge
- H01J37/32183—Matching circuits
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
- H01J37/32082—Radio frequency generated discharge
- H01J37/321—Radio frequency generated discharge the radio frequency energy being inductively coupled to the plasma
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32926—Software, data control or modelling
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H7/00—Multiple-port networks comprising only passive electrical elements as network components
- H03H7/38—Impedance-matching networks
- H03H7/40—Automatic matching of load impedance to source impedance
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/24—Generating plasma
- H05H1/46—Generating plasma using applied electromagnetic fields, e.g. high frequency or microwave energy
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/24—Generating plasma
- H05H1/46—Generating plasma using applied electromagnetic fields, e.g. high frequency or microwave energy
- H05H1/4645—Radiofrequency discharges
- H05H1/4652—Radiofrequency discharges using inductive coupling means, e.g. coils
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Plasma & Fusion (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Plasma Technology (AREA)
- Drying Of Semiconductors (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- General Factory Administration (AREA)
Abstract
一种方法包括使生产设备产生RF信号,以激发与生产设备相关的处理腔室。方法进一步包括自与生产设备相关的一个或多个传感器接收与RF信号相关的当前追踪数据。方法进一步包括基于当前追踪数据更新与生产设备相关的数字复制品的阻抗值。方法进一步包括自数字复制品获取表示预测数据的一个或多个输出。方法进一步包括基于预测数据使得执行与生产设备相关的一个或多个校正动作。
Description
技术领域
本公开内容涉及电子部件,且更特定而言涉及利用基于模型的数字孪生(digitaltwin)进行射频匹配控制。
背景
可借由使用生产设备执行一个或多个生产工艺来生产产品。举例而言,可使用半导体生产设备经由半导体生产工艺来生产半导体装置(例如基板、晶片等)。在许多半导体组件的制造阶段期间使用的习知射频(radio frequency,RF)等离子体蚀刻工艺中,可经由RF能量源向基板处理腔室提供RF信号。可按连续波或脉冲波模式产生并提供RF信号。由于RF能量源的阻抗与处理腔室中形成的等离子体之间的不匹配,一些RF信号反射回RF能量源,导致RF信号未得到有效使用和浪费能量源,可能损害RF能量源,并且可能出现与基板处理相关的不一致性/不可重复性问题。由此,需要能够实现RF信号传送高可重复性的RF匹配控制系统。
发明内容
下文为本公开内容的简单概述,以提供对本公开内容的一些方面的基本理解。本概述并非对本公开内容的广泛概述。本概述不预期指明本公开内容的重要或关键元素,亦不描述本公开内容的特定实施的任何范畴或权利要求的任何范畴。本概述的唯一目的是以简单的形式提出本公开内容的一些概念,作为对其后所提供的更详细描述的序言。
在本公开内容的一个方面中,方法包括使生产设备产生RF信号,以激发与生产设备相关的处理腔室。方法进一步包括自与生产设备相关的一个或多个传感器接收与RF信号相关的当前追踪数据。方法进一步包括基于当前追踪数据更新与生产设备相关的数字复制品的阻抗值。方法进一步包括自数字复制品获取表示预测数据的一个或多个输出。方法进一步包括基于预测数据使得执行与生产设备相关的一个或多个校正动作。
在本公开内容的另一个方面中,系统包括:存储器;和处理装置,处理装置耦接至存储器以使生产设备产生RF信号,以激发与生产设备相关的处理腔室。处理装置进一步自与生产设备相关的一个或多个传感器接收与RF信号相关的当前追踪数据。处理装置进一步基于当前追踪数据更新与生产设备相关的数字复制品的阻抗值。处理装置进一步自数字复制品获取表示预测数据的一个或多个输出。处理装置进一步基于预测数据使得执行与生产设备相关的一个或多个校正动作。
在本公开内容的另一个方面中,非暂时性机器可读储存介质储存指令,当执行指令时,指令使处理装置执行操作,操作包括使生产设备产生RF信号,以激发与生产设备相关的处理腔室。操作进一步包括自与生产设备相关的一个或多个传感器接收与RF信号相关的当前追踪数据。操作进一步包括基于当前追踪数据更新与生产设备相关的数字复制品的阻抗值。操作进一步包括自数字复制品获取表示预测数据的一个或多个输出。操作进一步包括基于预测数据使得执行与生产设备相关的一个或多个校正动作。
附图的简要说明
借由实例说明本公开内容,且不受附图的图式的限制。
图1是根据某些实施例的图示例示性系统架构的框图。
图2是根据某些实施例的更详细地图示生产设备的例示性实施例的框图。
图3是根据某些实施例的产生预测资料以引起校正动作的流程图。
图4A至图4C是根据某些实施例的图示例示性优化轮廓的图。
图5是根据某些实施例的图示与两个可变电容器相关的多个调谐路径的图。
图6是根据某些实施例的图示计算机系统的框图。
具体实施方式
本文描述涉及利用基于模型的数字孪生进行射频匹配控制的技术。可使用生产设备生产产品(例如晶片)。举例而言,生产设备可执行配方,以借由向处理腔室以RF信号的形式提供RF能量以产生用于蚀刻的等离子体而生产晶片。通常借由固定匹配网络或可调匹配网络将RF信号耦合至处理腔室中的等离子体,该匹配网络借由将等离子体的阻抗与RF能量源的阻抗更紧密地匹配来最小化反射的RF信号。匹配网络使RF源的输出与等离子体有效地耦合来最大化耦合至等离子体的能量的量。由此,匹配网络使得总阻抗(例如等离子体阻抗、腔室阻抗和匹配网络阻抗)与RF电力输送的输出阻抗相等或相似。
在一些习知的系统中,基于查找表设计匹配网络的RF匹配控制轮廓。查找表可与处理参数相关,例如用于激发处理腔室的输入频率的类型(例如2.2MHz、13.56MHz等)、所使用的处理气体的类型(例如H2、He、Ar、O2、NF3等)、所使用的处理腔室的类型等。可使用控制轮廓调整匹配网络的一个或多个可变调谐元件,例如可变电容器、可变电感器或可变电阻器。当匹配网络或处理腔室的参数改变(由于温度、老化效应、腐蚀、零件故障、失效等),使用查找表选择的控制轮廓可能无法得到最佳的结果。
本文公开的装置、系统和方法使用当前传感器数据提供控制轮廓的实时优化,以用最少的调谐时间实现最大的电力输送。在一个实施例中,处理装置使生产设备产生RF信号以激发与生产设备相关的处理腔室。处理装置可自与生产设备相关的一个或多个传感器接收与RF信号相关的当前追踪数据(例如电压、电流等)。处理装置随后可基于当前追踪数据更新与生产设备相关的数字复制品的阻抗值。可自数字复制品获取表示预测数据的输出。可使用训练后机器学习模型、启发式模型或基于规则的模型产生表示预测数据的输出。基于预测数据,处理装置可执行与生产设备相关的一个或多个校正动作。
在一些实施例中,匹配网络可包括两个可调(可调谐)电容器。预测数据可包括电容器的一个或多个调谐设定。调谐设定可以是与反射的RF信号和时间参数相关的反射系数的函数。校正动作可包括基于预测数据调整可调电容器中的任一者或两者。
在一些实施例中,处理装置可使用当前追踪数据实时更新数字复制品。举例而言,响应于基于当前追踪数据决定数字复制品不满足准确度临界标准,处理逻辑可执行数字复制品的优化。
在一些实施例中,匹配网络可包括输入阻抗传感器和输出阻抗传感器。更新数字复制品的阻抗值可包括使用来自输出阻抗传感器的当前追踪数据更新与数字复制品相关的处理腔室模型。更新数字复制品的阻抗值可进一步包括使用来自输入阻抗传感器和输出阻抗传感器的当前追踪数据更新与数字复制品相关的匹配网络模型。
本公开内容的多个方面具有技术优点,显著减小实现最佳的设定、能耗、所使用带宽、处理器额外负载等所需的时间。举例而言,习知的系统执行试误(trial and error)的迭代(iteration),以试图提高输送最佳RF功率的高重复性。此试误过程对于每一迭代需要更多时间、能耗、带宽和处理器额外负载(例如经由试误产生指令,传输指令,接收回馈,经由试误产生更新的指令等)。本公开内容借由使用信号处理、数字复制品和机器学习模型获取预测数据并基于预测数据使校正动作得到执行并且避免试误的迭代,减少时间要求、能耗、带宽和处理器额外负载。本公开内容可实现预测与匹配网络相关的最佳参数设定,避免不一致且异常的产品、计划外的用户时间和对生产设备的损害。
图1是根据某些实施例的图示例示性系统100(例示性系统架构)的框图。系统100包括仿真(simulation)系统110、客户端装置120、传感器126、生产设备130、计量设备128和数据储存(data store)140。仿真系统110可包括数字表示服务器170、服务器机器180和预测服务器112。
生产设备130可包括RF产生器132、匹配网络134、处理腔室136和控制器138。可借由RF产生器132产生RF信号,且将RF信号传输至匹配网络134。随后可对处理腔室136施加RF信号,以点燃(ignite)且保持用于蚀刻工艺的等离子体。在一些实施例中,RF产生器132可产生激发处理腔室136的低RF信号(例如2.2MHz、13.56MHz等)中的一者或多者、激发处理腔室136的高RF信号(例如24MHz、60MHz、100MHz等)中的一者或多者或它们的任何组合。RF产生器132可具有以所要的脉冲率、工作周期和相角脉冲RF信号的能力。控制器138可连接至RF功率产生器132和RF匹配网络134,且可控制(例如启动、切换、关闭等)RF产生器132的RF信号。另外,可使用控制器138调整RF信号的脉冲率、工作周期和相角。
匹配网络134可借由将蚀刻工艺中使用的等离子体的阻抗与RF产生器132提供的RF信号的阻抗(例如50欧姆)匹配来最小化反射的RF能量。匹配网络134可包括电容、电感和电阻元件的布置。为改变匹配网络134的参数,匹配网络134可包括一个或多个可控的可调或可变调谐元件,例如可变电容器、电感器或电阻器或它们的组合。举例而言,匹配网络134可包括可变并联电容器和可变串联电容器,两者均可用作可变调谐元件。可变(例如调谐或可调谐)电容器可以是由控制器138操作的机动真空电容器,或任何其他的可控可变电容器。在实施例中,匹配网络134可调谐可控可变调谐元件的一者或多者,使得与匹配网络134和/或处理腔室136相关的阻抗朝向与RF产生器132相关的阻抗(例如50欧姆)增大/减小。
RF匹配网络134亦可包括一个或多个电传感器135,电传感器135可以是能够提供传感器数据142(例如传感器值、特征、追踪数据)的任何类型的RF电压/电流测量装置(例如传感器、探针等)。在一些实施例中,电传感器135执行耦合至RF产生器132、匹配网络134和/或处理腔室136的电馈送导体(例如电馈送线)的电测量。电传感器135感测电馈送导体(例如阻抗、电馈送导体中的磁涨落、电流、电压、电阻等)的性质,且将性质转换为传感器数据142(例如追踪数据、历史追踪数据146、当前追踪数据154)。电传感器135亦可测量一个或多个电流的值、交流电(Alternating Current;AC)大小(magnitude)、相位、波形(例如AC波形、脉冲波形)、直流电(Direct Current;DC)、非正弦AC波形、电压或类似者。
在实施例中,电传感器135包括输入(源)阻抗传感器和输出(负载)阻抗传感器。输入阻抗传感器可决定与匹配网络134处的RF信号相关的阻抗。输出阻抗传感器可决定目的地(例如处理腔室136)处的RF信号的阻抗。将参考图2更详细地描述生产设备130。
传感器126可提供与制造设备130相关(例如与用制造设备130生产诸如晶片的对应的产品相关)的传感器数据142(例如传感器值、特征、追踪数据)。传感器数据142可用于设备健康和/或产品健康(例如产品质量)。生产设备130可在一段时间内遵循配方或执行作业以生产产品。在一段时间(例如对应于配方或作业的至少一部分)内接收的传感器数据142可称为随时间自不同传感器126接收的追踪数据(例如历史追踪数据146、当前追踪数据154)。
传感器126可包括额外的传感器,传感器提供其他类型的传感器数据142。在一些实施例中,传感器数据142可包括温度(例如加热器温度)、间距(SP)、压力、高频射频(HighFrequency Radio Frequency;HFRF)、静电吸盘(Electrostatic Chuck;ESC)电压、电流、流动、功率、电压等的一者或多者的值。传感器数据142可与诸如硬件参数的生产参数(例如生产设备130的设定或部件(例如大小、类型等))或生产设备的工艺参数相关或表示这些参数。当生产设备130执行生产工艺时(例如当处理产品时设备读取),可提供传感器资料142。对于每一个产品(例如每一个晶片),传感器数据142可以是不同的。
在一些实施例中,可处理(例如借由客户端装置120和/或借由仿真系统110的部件)传感器数据142(例如历史追踪数据146、历史部件数据148的集合、当前追踪数据154、当前部件数据156的集合等)。传感器数据142的处理可包括产生特征。在一些实施例中,特征是传感器数据142中的图案(例如斜坡、宽度、高度、峰等)或传感器数据142的传感器值的组合(例如由电压和电流测量得出的阻抗等)。传感器数据142可包括特征,仿真系统110的部件可使用特征,以执行仿真处理,和/或获取仿真数据167和/或预测数据168以进行校正动作。
数据储存140可以是存储器(例如随机存取存储器)、驱动器(例如硬盘驱动器、闪存驱动器)、数据库系统或能够储存数据的另一种类型的部件或装置。数据储存140可包括多个储存部件(例如多个驱动器或多个数据库),多个储存部件可能涵盖(span)多个计算装置(例如多个服务器计算机)。数据储存140可储存传感器数据142、效能数据160、馆数据(library data)166、仿真数据168和预测数据169。传感器数据142可包括历史传感器数据144和当前传感器数据152。历史传感器数据可包括历史追踪数据146、历史部件数据148的集合和历史部件识别符150。当前传感器数据152可包括当前追踪数据154、当前部件数据156的集合和当前部件识别符158。效能数据160可包括历史效能数据162和当前效能数据164。历史传感器数据144和历史效能数据162可以是历史数据。当前传感器数据144可以是产生仿真数据167和预测数据168(例如用于执行校正动作)的当前数据。当前效能数据164亦可以是当前数据(例如用于重新训练训练后机器学习模型)。
效能资料160可包括与生产设备130和/或由生产设备130生产的产品相关的数据。在一些实施例中,效能数据160可包括生产设备130的部件的有效期(例如故障时间)、生产设备130的生产参数、生产设备130的维护、生产设备130的部件的能量使用、生产设备130的(例如同一零件号的)部件的差异或类似者的指示。效能数据160可包括生产设备的(例如同一类型的、同一零件号的)部件的差异的指示。效能数据160可指示差异(例如抖动、斜坡、峰等)是否影响产品与产品的差异。效能数据160可指示差异是否提供改良的晶片(例如RF产生器得到较佳的匹配、回馈环路得到较佳的调谐、较新的韧体、较佳的芯片)。效能数据160可与生产设备130生产的产品的质量相关。计量设备128可提供与生产设备130生产的产品(例如晶片)相关的效能数据160(例如晶片的性质数据、良率、计量资料)。效能数据160可包括膜性质数据(例如晶片空间膜性质)、尺寸(例如厚度、高度等)、介电常数、掺杂剂浓度、密度、缺陷等的一者或多者的值。效能资料160可以是成品或半成品。对于每一个产品(例如每一个晶片),效能数据160可以是不同的。效能数据160可指示产品是否满足临界质量(例如有缺陷、无缺陷等)。效能数据160可指示不满足临界质量的原因。在一些实施例中,效能数据160包括历史效能数据162,历史效能数据162对应于产品(例如使用与历史追踪数据146相关的生产参数生产的产品)的历史性质数据。对于监督式和/或非监督式机器学习,可使用传感器数据142、效能数据160和馆数据166。
仿真系统110可包括数字表示服务器170、服务器机器180和预测服务器112。预测服务器112、数字表示服务器170和服务器机器180各自可包括一个或多个计算装置,例如机架式服务器(rackmount server)、路由器计算机、服务器计算机、个人计算机、大型计算机、膝上型计算机(laptop computer)、平板计算机、桌面计算机、图形处理单元(GraphicsProcessing Unit;GPU)、加速器特定应用集成电路(Application-Specific IntegratedCircuit;ASIC)(例如张量处理单元(Tensor Processing Unit;TPU))等。
数字表示服务器170可以是算法模型,算法模型仿真生产设备130。作为实例,数字表示服务器170可以是生产设备130的数字复制品模型(例如数字孪生)。数字表示服务器170可使用监督式机器学习、半监督式学习、非监督式机器学习或它们的任一组合,以产生实体元件和生产设备130如何运行的动力学的虚拟表示。可使用来自传感器126、电传感器135、传感器数据142、效能数据160、馆数据166和/或与产生并保持生产设备130的数字复制品模型相关的任何其他数据的周期性更新,经由强化学习更新数字表示服务器170。
数字表示服务器170可包括匹配网络模型172和处理腔室模型174。匹配网络模型172可与实体元件和匹配网络134的动力学相关。处理腔室模型174可与实体元件和处理腔室136的动力学相关。
在一些实施例中,数字表示服务器170可产生仿真数据167。仿真数据167可包括用于基于当前或模拟参数决定生产设备130(例如匹配网络134、处理腔室136等)如何执行的数据。仿真数据167可包括与匹配网络模型172和处理腔室模型174相关的电参数数据(例如阻抗、电压、电流、电阻、反射、信号反射等)。仿真数据167可进一步包括生产设备130的(例如待生产或已使用当前追踪数据154生产的产品的)数字复制品模型的预测性质数据。仿真数据167可进一步包括待生产或已使用当前追踪数据154生产的产品的预测计量数据(例如虚拟计量数据)。仿真数据167可进一步包括异常(例如异常的产品、异常的部件、异常的生产设备130、异常的能量使用等)和异常的一个或多个原因的指示。仿真数据167可进一步包括生产设备130的部件的有效期终止的指示。仿真数据可以是全覆盖的,涵盖生产设备的每一个机械或电子方面。
预测服务器112可包括预测部件114。在一些实施例中,预测部件114可接收仿真数据167和当前追踪数据154(例如处理腔室流动、处理腔室压力、RF功率等),且产生输出(例如预测数据168)以执行与生产设备130相关的校正动作。在一些实施例中,预测部件114可使用一个或多个训练后机器学习模型190来决定输出,以基于仿真数据167和当前追踪数据154执行校正动作。在一些实施例中,预测部件114接收仿真数据167和当前追踪数据154,执行信号处理以将当前追踪数据154分解为(break down)被映像(mapped)至当前部件识别符158的当前部件数据156的集合,将当前部件数据156的集合和当前部件识别符158作为输入提供至训练后机器学习模型190,并且获取表示来自训练后机器学习模型190的预测数据168的输出。训练后机器学习模型190可包括单一模型或多个模型。在一些实施例中,训练后机器学习模型190可使用来自数据储存140的其他数据(例如馆数据166、效能数据160、传感器数据142等)。
在一些实施例中,仿真系统110进一步包括服务器机器180。服务器机器180可使用数据集产生器产生一个或多个数据集(例如一组数据输入和一组目标输出),以训练、验证和/或测试机器学习模型190。特定而言,服务器机器180可包括训练引擎182、验证引擎184、选择引擎185和/或测试引擎186。引擎(例如训练引擎182、验证引擎184、选择引擎185和测试引擎186)可指硬件(例如电路、专用逻辑、可编程逻辑、微码、处理装置等)、软件(例如在处理装置上运行的指令、通用计算机系统或专用机器)、韧体、微码或它们的组合。训练引擎182能够使用与来自数据集产生器172的训练集相关的特征的一个或多个集合训练一个或多个机器学习模型190。训练引擎182可产生多个训练后机器学习模型190,其中每一训练后机器学习模型190对应于训练集的特征的不同集合(例如来自传感器的不同集合的传感器数据)。举例而言,已使用所有特征(例如X1至X5)训练第一训练后机器学习模型,已使用特征的第一子集(例如X1、X2、X4)训练第二训练后机器学习模型,且已使用与特征的第一子集部分重叠的特征的第二子集(例如X1、X3、X4和X5)训练第三训练后机器学习模型。
验证引擎184能够使用来自数据集产生器的验证集的特征的对应集合验证训练后机器学习模型190。举例而言,可使用验证集的特征的第一集合对使用训练集的特征的第一集合训练的第一训练后机器学习模型190进行验证。验证引擎184可基于验证集的特征的对应集合决定训练后机器学习模型190中的每一者的准确度。验证引擎184可废除准确度不满足临界准确度的训练后机器学习模型190。在一些实施例中,选择引擎185能够选择准确度满足临界准确度的一个或多个训练后机器学习模型190。在一些实施例中,选择引擎185能够选择具有训练后机器学习模型190的最高准确度的训练后机器学习模型190。
测试引擎186能够使用来自数据集产生器的测试集的特征的对应集合测试训练后机器学习模型190。举例而言,可使用测试集的特征的第一集合对使用训练集的特征的第一集合训练的第一训练后机器学习模型190进行测试。测试引擎186可基于测试集决定具有所有训练后机器学习模型的最高准确度的训练后机器学习模型190。
机器学习模型190可指训练引擎182使用包括数据输入和对应目标输出(对于各别的训练输入的正确回答)的训练集建立的模型制品。可发现数据集中的将数据输入映像至目标输出(正确回答)的模式,且机器学习模型190被提供截获(capture)这些模式的映像。机器学习模型190可使用支持向量机(Support Vector Machine;SVM)、径向基底函数(Radial Basis Function;RBF)、丛集化、监督式机器学习、半监督式机器学习、非监督式机器学习、k最邻近算法(k-Nearest Neighbor algorithm;k-NN)、线性回归、随机森林、神经网络(例如人工神经网络)等的一者或多者。
预测部件114可向训练后机器学习模型190提供仿真数据167和当前传感器数据152,且可对输入运行训练后机器学习模型190以获取一个或多个输出。预测部件114能够自训练后机器学习模型190的输出决定(例如截获)预测数据168。
出于说明而非限制的目的,本公开内容的方面描述训练一个或多个机器学习模型190,且将仿真数据167和传感器数据142输入至一个或多个训练后机器学习模型190以决定预测数据168。在其他实施方式中,使用启发式模型或基于规则的模型决定预测数据168(例如不使用训练后机器学习模型)。预测部件114可监测历史传感器数据144和历史效能数据162。可在启发式或基于规则的模型中监视或以其他方式使用关于来自数据储存140的数据所描述的任何信息。
在一些实施例中,较少数量的机器提供客户端装置120、预测服务器112、数字表示服务器170和服务器机器180的功能。举例而言,在一些实施例中,可将数字表示服务器170和服务器机器180整合为单一机器,而在一些其他实施例中,可将数字表示服务器170和服务器机器180和预测服务器112整合为单一机器。在一些实施例中,可将客户端装置120和预测服务器112整合为单一机器。
大体而言,在一个实施例中描述为由客户端装置120、预测服务器112、数字表示服务器170和服务器机器180执行的功能在其他实施例中亦可在适当时在预测服务器112上执行。另外,一起操作的不同或多个组件可执行属于特定组件的功能。举例而言,在一些实施例中,预测服务器112可基于预测数据168决定校正动作。在另一个实例中,客户端装置120可基于来自训练后机器学习模型的输出决定预测数据168。
另外,一起操作的不同或多个部件可执行特定部件的功能。可将预测服务器112、数字表示服务器170和服务器机器180中的一者或多者作为经由适当的应用程序设计接口(application programming interface;API)提供至其他系统或装置的服务来存取。
在实施例中,可将“使用者”表示为单一个体。然而,本公开内容的其他实施例涵盖的“使用者”是由多个使用者和/或自动源控制的实体。举例而言,将结合成一群管理者的一组个别使用者视为“使用者”。
可将本公开内容的实施例应用至数据质量评估、特征增强、模型评估、虚拟测量(Virtual Metrology;VM)、预测性维护(Predictive Maintenance;PdM)、界限优化或类似者。
虽然以产生预测数据168以在生产设施(例如半导体生产设施)中执行校正动作的角度讨论公开内容的实施例,但亦可一般将实施例应用于特征化和监测部件。可一般将实施例用于基于不同类型的数据进行特征化和监测。
可经由网络105将客户端装置120、生产设备130、传感器126、计量设备128、预测服务器112、数据储存140、数字表示服务器170和服务器机器180相互耦接,产生预测数据168以执行校正动作。
在一些实施例中,网络105是公共网络,公共网络向客户端装置120提供对预测服务器112、数据储存140和其他公用计算装置的存取。在一些实施例中,网络105为专用网络,专用网络向客户端装置120提供对制造设备130、传感器126、计量设备128、数据储存140和其他专用计算装置的存取。网络105可包括一个或多个广域网(Wide Area Network;WAN)、局域网、有线网络(例如以太网络)、无线网络(例如802.11网络或Wi-Fi网络)、蜂窝网络(例如长期演进(LTE)网络)、路由器、集线器、交换机、服务器计算机、云端计算网络和/或它们的组合。
客户端装置120包括计算装置,例如个人计算机(Personal Computers;PCs)、膝上型计算机、移动电话、智能型手机、平板计算机、网络计算机、网络连接电视机(“智能型TV”)、网络连接介质播放器(例如蓝牙播放器)、机顶盒、过顶(Over-the-Top;OTT)串流装置、操作盒等。客户端装置120可包括校正动作部件122。校正动作部件122可接收与生产设备130相关的指示的使用者输入(例如经由通过客户端装置120显示的图形用户接口(Graphical User Interface;GUI))。在一些实施例中,校正动作部件122将指示传输至仿真系统110,自仿真系统110接收输出(例如预测数据168),基于输出决定校正动作,且使校正动作得到实施。在一些实施例中,校正动作部件122获取与生产设备130(例如来自数据储存140等)相关的传感器数据142(例如当前追踪资料154),且将与生产设备130相关的传感器数据142(例如当前追踪数据154)提供至仿真系统110。在一些实施例中,校正动作部件122将传感器数据142储存于数据储存140中,且预测服务器112自数据储存140截获传感器数据142。在一些实施例中,预测服务器112可将训练后机器学习模型190的输出(例如预测数据168)储存于数据储存140中,且客户端装置120可自数据储存140截获输出。在一些实施例中,校正动作部件122自仿真系统110接收校正动作的指示,使校正动作得到实施。每一客户端装置120可包括操作系统,操作系统允许用户对数据进行产生、观察或编辑中的一者或多者(例如与生产设备130相关的指示、与生产设备130相关的校正动作等)。
执行导致有缺陷产品的生产工艺可在时间、能量、产品、部件、生产设备130、识别缺陷并废除有缺陷产品的成本等方面造成损失。借由输入传感器数据142(例如正用于或将用于生产产品的生产参数)、接收预测数据168的输出和基于预测数据168执行校正动作,系统100可具有避免生产、识别和废除有缺陷产品的成本的技术优势。
执行导致生产设备124的部件故障的生产工艺可在停机时间、对产品的损害、对设备的损害、快速订购替换部件等方面造成损失。借由输入传感器数据142(例如正用于或将用于生产产品的生产参数)、接收预测数据168的输出和基于预测数据168执行校正动作(例如预测操作维护,例如部件的替换、处理、清洁等),系统100可具有如下技术优势:避免非预期部件故障、计划外停机时间、生产力损失、非预期设备故障、产品报废或类似者的一者或多者的成本。
校正动作可与计算过程控制(Computational Process Control;CPC)、统计过程控制(Statistical Process Control;SPC)(例如在电子部件上的决定控制中过程的SPC、预测部件使用有效期的SPC、与3西格玛图比较的SPC等)、进阶过程控制(Advanced ProcessControl;APC)、基于模型的过程控制、预防操作维护、设计优化、生产参数更新、反馈控制、机器学习修改或类似者的一者或多者相关。在一些实施例中,校正动作可包括调整匹配网络134的可控可变调谐元件的一者或多者。下文将进一步详细地对此进行解释。
在一些实施例中,校正动作包括提供警报(例如如果预测数据168指示预测异常,例如产品、部件或生产设备130异常,则警告来停止或不执行生产工艺)。在一些实施例中,校正动作包括提供反馈控制(例如响应于指示预测异常的预测数据168而修改生产参数)。在一些实施例中,校正动作包括提供机器学习(例如基于预测数据168而修改一个或多个生产参数)。在一些实施例中,执行校正动作包括引发对一个或多个生产参数的更新。
生产参数可包括硬件参数(例如替换部件、使用某些部件、替换处理芯片、更新韧体等)和/或工艺参数(例如温度、压力、流动、速率、电流、电压、气流、提升速度等)。在一些实施例中,校正动作包括引发预防操作维护(例如对生产设备130的部件进行替换、处理、清洁等)。在一些实施例中,校正动作包括引发设计优化(例如更新生产参数、生产工艺、生产设备130等以获得优化的产品)。在一些实施例中,校正动作包括更新配方(例如生产设备130处于闲置模式、休眠模式、暖机模式等)。
图2是更详细地图示生产设备130的例示性实施例的框图。出于说明的目的,将图2的部件作为实例来使用。因此,本公开内容的实施例可使用诸如绝缘体、电容器、电阻器等的部件的不同组合。如上文所讨论,生产设备130包括RF产生器132、匹配网络134、处理腔室136及控制器138。
匹配网络126可包括第一电容器226(亦称为“C1”)和第二电容器228(亦称为“C2”)。第一电容器226和第二电容器228的每一者可以是能够调谐匹配网络134的总阻抗的可变电容器(调谐或可调电容器)。举例而言,本公开内容的实施例可借由调整第一电容器226和第二电容器228的任一者或两者来执行匹配调谐,使得将与处理腔室136相关的输出阻抗朝向与RF产生器132相关的输入阻抗(例如50欧姆)调整。这可使自RF产生器132至处理腔室136输送的电力输送最大。在一些实施例中,第一电容器226可进一步是并联电容器,而第二电容器228可以是串联电容器。可在传输线中使用串联电容器,进行串联补偿,以改良电力处置能力。并联电容器可应用于电系统,在单一应用中进行多个任务。此外,在串联电容器中,无功功率产生与负载电流的平方成比例。在并联电容器中,无功功率的产生与电压的平方成比例。
匹配网络134可包括输入传感器222和输出传感器224。输入传感器222可决定与匹配网络134相关的阻抗。输出传感器224可决定处理腔室136处的RF信号的阻抗。
匹配网络126可与第一阻抗212(亦称为“Z1”)和第二阻抗214(亦称为“Z2”)相关。第一阻抗212可与匹配网络134中的平行路径的第一电容器226、电阻元件234(亦称为“R1”)和电感元件232(亦称为“L1”)相关。第一阻抗212可用以下的方程式1表示,其中项j表示虚数单位,而项w表示角频率且表示为2*π*f,其中f是RF信号的频率(例如2.2MHz、13.56MHz、100MHz等):
第二阻抗214可与第二电容器228相关。在一些实施例中,第二阻抗214亦与一个或多个被动装置(例如电感器、电阻器等)相关。第二阻抗214可用以下的方程式2表示:
处理腔室136可与第三阻抗216(亦称为“Z3”)相关,与来自处理腔室部件的阻抗、转移线阻抗、馈电杆阻抗(自匹配网络134至处理腔室136)等相关。作为实例,可用与处理腔室136相关的阻抗的实部Rp 238和虚部Lp 236表示Z3。可使用输入阻抗传感器224实时测量Rp和Lp。第三阻抗216可用以下的方程式3表示:
Z3=Rp+Lp*w*j
方程式3
因此,生产设备130的总负载阻抗可用以下的方程式4表示:
图3是根据某些实施例的产生预测数据以引发校正动作的方法300的流程图。可用包括硬件(例如电路系统、专用逻辑、可编程逻辑、微码、处理装置等)、软件(例如在处理装置上运行的指令、通用计算机系统或专用机器)、韧体、微码或他们的组合的处理逻辑执行方法300。在一些实施例中,可借由仿真系统110部分地执行方法300。在一些实施例中,非暂时性储存介质储存指令,当由处理装置(例如仿真系统110、伺服机器180、预测服务器112等)执行时,指令使处理装置执行方法300。
出于解释的简洁性,将方法300描绘且描述为一系列操作。然而,根据本公开内容的操作可按各种次序和/或同时发生,可与本文未提出并描述的其他操作一起发生。另外,不执行所有图示的操作来实施根据所公开目标的方法300。另外,本领域技术人员将理解并意识到,可替代地用状态图或事件将方法300表示为一系列互相关联的状态。
在框310,实施方法300的处理逻辑使RF产生器132产生RF信号以激发处理腔室。
在框312,处理逻辑更新数字复制品中的阻抗值。特定而言,处理逻辑可基于产生自输入传感器222的当前追踪数据更新与匹配网络模型172相关的阻抗,且基于产生自输出传感器224的当前追踪资料154更新与处理腔室模型174相关的阻抗。
在框314,处理逻辑可基于当前阻抗值决定数字复制品是否满足准确度临界标准。举例而言,处理逻辑可使用成本函数公式(例如平均差平方)决定匹配网络模型172和处理腔室模型174是否在容许误差界限内。
作为实例,处理逻辑可使用以下表示的方程式5,其中项J1表示容许误差界限,项Zinput表示输入传感器222决定的阻抗,且项angle表示RF信号的频率和相:
J1=|Zinput-ZTotal|2+(angle(Zinput-ZTotal))2
方程式5
应理解项J1离0越近,匹配网络模型172的实体元件参数和匹配网络134的动力学越准确。与方程式5相关的项可受到限制。在一些实施例中,第一电容器226和第二电容器228的值可具有如下所表示的上限(C1max和C2max)和下限(C1min和C2min):C1min<C1<C1max,C2min<C2<C2max。响应于数字复制品满足临界标准(例如匹配网络模型172和/或处理腔室模型174均位于容许误差界限内),处理逻辑进行至框318。响应于数字复制品不满足临界标准,处理逻辑进行至框316。
在框316,处理逻辑优化数字复制品。在实施例中,处理逻辑可使用方程式5决定匹配网络模型172中使用的电阻元件R1和/或电感元件L1的最佳值。举例而言,处理逻辑可借由调整一个或多个参数(例如L1、R1、C1、C2等)直至项J1满足准确度临界标准来更新匹配网络模型172。在实施例中,处理逻辑可使用更新算法借由调整一个或多个参数(例如Lp、Rp等)来更新处理腔室模型174。可将调整的参数储存为仿真数据167。
在框318,处理逻辑自仿真系统110获取表示预测资料的一个或多个输出。举例而言,处理逻辑可决定第一电容器226和第二电容器228的最佳值以最小化反射的RF信号。在一些实施例中,处理逻辑可使用预测部件114使用仿真数据167和模型190执行死循环仿真。预测部件114可产生一个或多个优化轮廓,一个或多个优化轮廓可指示调整第一电容器226和第二电容器228以最小化反射的RF信号的值。在一些实施例中,预测部件114可进一步使用调谐时间参数以最小化达到最佳值所需的时间。
作为实例,处理逻辑可使用以下表示的方程式6来产生优化轮廓,其中:
项J2表示成本函数,项J2可被设定为生产设备130的总阻抗(例如Ztotal),项w1表示与反射系数相关的加权系数项Ttune是调谐时间,项w2是与调谐时间相关的加权系数,且项Z0表示目标阻抗(例如RF产生器132的阻抗,例如50欧姆)。在一些实施例中,方程式6有如下所表示的限制:
(C1速度极限)
限制1
(C2速度极限)
限制2
将Ttune定义为γ<0.05,其中
限制3
预测服务器可使用方程式6产生第一电容器226和第二电容器228的一个或多个优化轮廓。优化轮廓可指示第一电容器226和第二电容器228的每一调谐组合的反射系数值。优化轮廓可进一步指示到达电容器目标值的调谐路径。电容器目标值可以是具有最低可达反射系数的第一电容器226和第二电容器228的设定参数。
图4A至图4C是根据某些实施例的图示例示性优化轮廓的图。具体而言,图4A表示第一电容器226和第二电容器228的每一初始调谐值(例如0至100%)的反射系数(γ)值。点410表示优化轮廓的最低可达反射系数,优化轮廓的最低可达反射系数与调谐至约86%的第一电容器226和调谐至约30%(电容器目标值)的第二电容器相关。
图4B表示达到第一电容器226和第二电容器228的每一组初始值的电容器目标值所需的持续时间。举例而言,如果第一电容器226有50%的调谐值,且第二电容器228有0%的调谐值(例如点430),则校正动作部件122需要1.25秒将第一电容器226和第二电容器228调谐至电容器目标值(例如分别是86%和30%)。
图4C图示基于梯度的匹配调谐优化轮廓。可用以下的成本函数定义基于梯度的匹配调谐优化轮廓:
借由取方程式7中成本函数的偏导数,可决定优化模型的控制参数。举例而言,以下方程序表示成本函数的偏导数:
偏导数可得到指定梯度调谐的梯度控制值。举例而言,梯度控制律可得到以下梯度控制:
正参数k1、k2、g1和g2是控制器增益。c1和c2的值是自梯度控制变换为线性控制的临界值。举例而言,可使用梯度控制与线性控制之间的变换在优化轮廓的稳定状态期间移除或用其他方式减轻颤动或噪声。
在一些实施例中,优化轮廓可根据基于雅可比行列式的RF匹配调谐算法。在控制RF匹配的情境下,雅可比行列式可预测由优化轮廓过去和未来迭代导致的电容(例如图2的第一电容器C1 226和第二电容器C2 228)突变。如前文所指出,可运行匹配网络(例如图1的匹配网络134),借由使蚀刻工艺所使用的等离子体的阻抗与RF信号的阻抗匹配来最小化反射的RF能量。举例而言,可借由等离子体匹配所要的实值阻抗(例如50欧姆、75欧姆等)。使用方程式4,可如下表示输入阻抗:
根据方程式12,可如下计算雅可比矩阵。
在一些实施例中,可如下定义雅可比控制器:
其中C(t)=[C1 C2],e(t)=[50-abs(Z);-angle(Z)],且K是正定增益矩阵(例如方程式13)。在其他实施例中,可修改雅可比行列式Jc以调整振幅-相位控制系统的回路增益。
在其他实施例中,可使用阻尼常数λ防止雅可比矩阵Jc的反算出现奇异点(singularity),且进一步导致决定反雅可比矩阵可由处理逻辑牵引。在另一个实施例中,非直接矩阵求解器可用于计算且更新调谐值,而不直接求解反雅可比矩阵。举例而言,可使用诸如矩阵最小平方解、迭代求解器和矩阵分解求解器(例如上三角和下三角求解器、奇异值分解和类似者)的方法,其他实施例将对此进一步讨论。
在一些实施例中,可经由奇异值分解(Singular Value Decomposition;SVD)使用优化轮廓的分布式控制。举例而言,可如下表示雅可比矩阵的SVD:
Jc=UDVT
方程式15
U和V是正交矩阵,且D是对角矩阵。举例而言,D沿矩阵的对角元素(例如,沿对角σi=di,j)仅含有非零值。在无奇异点的情况下,对角元素沿矩阵的行和列减少(例如σ1≥σ2…>0)。由于将D设定为对角矩阵,优化模型的控制是分布式的。举例而言,可借由调整对角矩阵D的一个或多个增益独立地调谐阻抗的振幅控制回路和相位控制回路。
在一些实施例中,RF匹配电路优化模型可能不满足临界精确度。举例而言,本文描述的优化模型(例如图4A至图4C)可取决于错误表示特定RF匹配电路的独特特性的值(例如理论值或广义值)。在一些实施例中,可使用以下校准更准确地测量参数和值,以决定且预测更准确的优化轮廓。
处理逻辑可遵循校准程序以更新优化参数(例如提高优化轮廓的准确度和精确度)。处理逻辑可使用RF匹配自动调谐模式寻找第一电容器(例如并联电容器C1)和第二电容器(例如串联电容器C2)的调谐位置。处理逻辑可使用调谐阻抗位置的微扰计算测量雅可比行列式。举例而言,处理逻辑可将C1/C2移动至匹配位置(例如借由将RF匹配设定为手动控制)。当保持C2不变时,处理逻辑可计算C1δ的阻抗(例如δc1=0.5)。在此实例中,在短时间(例如10秒)内,处理逻辑将C1移动至C1+δc1,并读取输入阻抗R1。处理逻辑可在短时间(例如10秒)内将C1移动至C1–δc1,并且读取匹配输入阻抗R2。当保持C1不变时,处理逻辑可计算C2δ的阻抗(例如δc2=0.5)。在此实例中,在短时间(例如10秒)内,处理逻辑将C2移动至C2+δc2,并读取输入阻抗R3。处理逻辑可在短时间(例如10秒)内将C2移动至C2–δc2,并且读取匹配输入阻抗R4。处理逻辑随后可使用此校准实例所描述的以下方程序及参数值计算雅可比行列式。
/>
如本文所讨论,方程式20识别的雅可比行列式随后可与其他优化轮廓(例如SVD、阻尼等)结合使用。
在一些实施例中,处理逻辑可基于加权系数继续产生预测数据(例如优化轮廓),直至该数据满足临界标准。特定而言,可将加权系数设定为1(例如w1+w2=1或100%)。使用者可基于相比于调谐时间偏好最小反射功率而修改加权系数。举例而言,如果使用者优先最小化匹配调谐时间,使用者可将w2设定为高的值。如果使用者优先最小化反射功率,使用者可将w1设定为高的值。
在框320处,基于预测数据,处理逻辑使得校正动作得到执行。举例而言,处理逻辑可自优化轮廓选择调谐路径。控制器138可基于调谐路径调整第一电容器226和/或第二电容器228。图5是图示与第一电容器226和/或第二电容器228相关的多个调谐路径的图。特定而言,图5展示朝向第一电容器226和第二电容器228的每一初始调谐值(例如0至100%)的电容器目标值的调谐路径。
图6是根据某些实施例的图示计算机系统600的框图。在一些实施例中,计算系统600可连接(例如经由网络,例如局域网络(Local Area Network;LAN)、内部网络、外部网络、因特网)至其他计算机系统。计算机系统600可在客户端-服务器环境中在服务器或客户端计算机的容量中运行,或在同级间或分布式网络环境中作为同级点计算机运行。计算机系统600可由个人计算机(personal computer;PC)、平板PC、机顶盒(Set-Top Box;STB)、个人数字助理(Personal Digital Assistant;PDA)、蜂窝电话、网络设备(web appliance)、服务器、网络路由器、交换机或网桥或能够执行指定由装置执行的动作的一组指令(顺序的或以其他方式)的任何装置提供。另外,术语“计算机”应包括任何连接的计算机,计算机个别地或共同执行一组(或多组)指令以执行本文所公开的方法中的任何一者或多者。
在另一个方面中,计算机系统600可包括处理装置602、易失性存储器604(例如随机存取存储器(Random Access Memory;RAM))、非易失性存储器606(例如只读存储器(Read-Only Memory;ROM)或电可擦可程序ROM(EEPROM))和数据储存装置616,它们可经由总线608相互通信。
处理装置602可由一个或多个处理器提供,例如通用处理器(例如(例如)复杂指令集计算(Complex Instruction Set Computing;CISC)微处理器、精简指令集计算(ReducedInstruction Set Computing;RISC)微处理器、超长指令字(Very Long InstructionWord;VLIM)微处理器、实施其他类型指令集的微处理器或实施组合类型的指令集的微处理器)或专用处理器(例如(例如)特定应用集成电路(Application Specific IntegratedCircuit;ASIC)、现场可编程门阵列(Field Programmable Gate Array;FPGA)、数字信号处理器(Digital Signal Processor;DSP)或网络处理器)。
计算机系统600可进一步包括网络接口装置622(例如耦接至网络674)。计算机系统600亦可包括视频显示单元610(例如LCD)、字母数字输入装置612(例如键盘)、光标控制装置614(例如鼠标)和信号产生装置620。
在一些实施方式中,数据储存装置616可包括非暂时性计算机可读储存介质624,非暂时性计算机可读储存介质62可储存编码本文描述的方法或功能中的任一者或多者的指令626,包括编码图1的部件(例如校正动作部件122、预测部件114等)和实施本文所描述方法的指令。
指令626在由计算机系统600执行期间亦可完全或部分地驻留(reside)于易失性存储器604和/或处理装置602内,易失性存储器604和处理装置602亦组成机器可读储存介质。
虽然在说明性实例中将计算机可读储存介质624展示为单一介质,但术语“计算机可读储存介质”应包括储存一组或多组可执行指令的单一介质或多个介质(例如集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读储存介质”亦应包括有形介质,有形介质能够储存或编码一组指令,该组指令由计算机执行,使计算机执行本文所描述方法中的任何一者或多者。术语“计算机可读储存介质”应包括但不限于固态存储器、光学介质和磁性介质。
本文所描述的方法、组件和特征结构可由分离的硬件组件实施,或可整合至诸如ASIC、FPGA、DSP或相似装置的其他硬件组件的功能。另外,在一些实施例中,方法、组件和特征结构可由韧体模块或硬件装置内的功能电路实施。另外,方法、组件和特征结构可由硬件组件和计算机程序组件的任一组合或计算机程序实施。
除非另外具体说明,诸如“接收(receiving)”、“执行(performing)”、“提供(providing)”、“获取(obtaining)”、“引发(causing)”、“存取(accessing)”、“决定(determining)”、“添加(adding)”、“使用(using)”、“训练(training)”或类似者的术语是指由计算机系统执行或实施的动作或过程,这些计算机系统操控在计算机系统缓存器和存储器中表示为物理(电子)量的数据,且将其转化为在计算机系统存储器或缓存器或其他此类信息储存、传输或显示设备中类似地表示为物理量的数据。而且,本文使用的术语“第一”、“第二”、“第三”、“第四”等用作标签,区分不同的元件,不具有与其数字符号相关的顺序意义。
本文所描述的实例亦与用于执行本文所描述方法的装置相关。特别构造此装置以用于执行本文所描述的方法,或此装置包括通用计算机系统,该通用计算机系统由储存于计算机系统中的计算机程序选择性程序化。此类计算机程序可储存于计算机可读的有形储存介质中。
本文所描述的方法和说明性实例与任何特定的计算机或其他装置无固定的相关性。根据本文所描述的教示可使用各个通用系统,或构造更专用的设备以执行本文所描述方法和/或它们的个别功能、例程、子例程或操作是方便的。以上描述阐述用于多种这些系统的结构的实例。
以上描述意欲为说明性的,不具有限制性。虽然已参考特定的说明性实例和实施描述本公开内容,但应了解,本公开内容不限于所描述的实例和实施。应参考所附权利要求以及权利要求所授权的等效物的全部范畴来决定本公开内容的范畴。
Claims (20)
1.一种方法,包含以下步骤:
使生产设备产生RF信号,以激发与所述生产设备相关的处理腔室;
自与所述生产设备相关的一个或多个传感器接收与所述RF信号相关的当前追踪数据;
基于所述当前追踪数据更新与所述生产设备相关的数字复制品的阻抗值;
自所述数字复制品获取指示预测数据的一个或多个输出;和
基于所述预测数据使与所述生产设备相关的一个或多个校正动作得到执行。
2.如权利要求1所述的方法,进一步包含以下步骤:
响应于基于所述当前追踪数据决定数字复制品不满足准确度临界标准,执行所述数字复制品的优化。
3.如权利要求1所述的方法,其中更新所述数字复制品的所述阻抗值包含:
使用来自输出阻抗传感器的追踪数据更新与所述数字复制品相关的处理腔室模型,其中所述输出阻抗传感器与所述生产设备的匹配网络相关。
4.如权利要求1所述的方法,其中更新所述数字复制品的所述阻抗值的步骤包含以下步骤:
使用来自输入阻抗传感器和输出阻抗传感器的追踪数据更新与所述数字复制品相关的匹配网络模型,其中所述输入阻抗传感器和所述输出阻抗传感器与所述生产设备的匹配网络相关。
5.如权利要求1所述的方法,其中使用训练后机器学习模型产生指示预测数据的所述一个或多个输出。
6.如权利要求1所述的方法,其中所述预测数据包含与所述生产设备的匹配网络相关的一个或多个可变电容器的一个或多个调谐设定。
7.如权利要求1所述的方法,其中所述校正动作包含基于所述预测数据调整与所述生产设备的匹配网络相关的一个或多个可变电容器。
8.一种系统,其包含:
存储器;和
处理装置,所述处理装置耦接至所述存储器,所述处理装置:
使生产设备产生RF信号,以激发与所述生产设备相关的处理腔室;
自与所述生产设备相关的一个或多个传感器接收与所述RF信号相关的当前追踪数据;
基于所述当前追踪数据更新与所述生产设备相关的数字复制品的阻抗值;
自所述数字复制品获取指示预测数据的一个或多个输出;和
基于所述预测数据使与所述生产设备相关的一个或多个校正动作得到执行。
9.如权利要求8所述的系统,其中所述处理装置进一步:
响应于基于所述当前追踪数据决定数字复制品不满足准确度临界标准,执行所述数字复制品的优化。
10.如权利要求8所述的系统,其中为更新所述数字复制品的所述阻抗值,所述处理装置进一步:
使用来自输出阻抗传感器的追踪数据更新与所述数字复制品相关的处理腔室模型,其中所述输出阻抗传感器与所述生产设备的匹配网络相关。
11.如权利要求8所述的系统,其中为更新所述数字复制品的所述阻抗值,所述处理装置进一步:
使用来自输入阻抗传感器和输出阻抗传感器的追踪数据更新与所述数字复制品相关的匹配网络模型,其中所述输入阻抗传感器和所述输出阻抗传感器与所述生产设备的匹配网络相关。
12.如权利要求8所述的系统,其中使用训练后机器学习模型产生指示预测数据的所述一个或多个输出。
13.如权利要求8所述的系统,其中所述预测数据包含与所述生产设备的匹配网络相关的一个或多个可变电容器的一个或多个调谐设定。
14.如权利要求8所述的系统,其中所述校正动作包含基于所述预测数据调整与所述生产设备的匹配网络相关的一个或多个可变电容器。
15.一种非暂时性机器可读储存介质,所述非暂时性机器可读储存介质储存当执行时使处理装置执行操作的指令,所述操作包含:
使生产设备产生RF信号,以激发与所述生产设备相关的处理腔室;
自与所述生产设备相关的一个或多个传感器接收与所述RF信号相关的当前追踪数据;
基于所述当前追踪数据更新与所述生产设备相关的数字复制品的阻抗值;
自所述数字复制品获取指示预测数据的一个或多个输出;和
基于所述预测数据使与所述生产设备相关的一个或多个校正动作得到执行。
16.如权利要求15所述的非暂时性机器可读储存介质,其中所述操作进一步包含:
响应于基于所述当前追踪数据决定数字复制品不满足准确度临界标准,执行所述数字复制品的优化。
17.如权利要求15所述的非暂时性机器可读储存介质,其中更新所述数字复制品的所述阻抗值包含:
使用来自输出阻抗传感器的追踪数据更新与所述数字复制品相关的处理腔室模型,其中所述输出阻抗传感器与所述生产设备的匹配网络相关。
18.如权利要求15所述的非暂时性机器可读储存介质,其中更新所述数字复制品的所述阻抗值包含:
使用来自输入阻抗传感器和输出阻抗传感器的追踪数据更新与所述数字复制品相关的匹配网络模型,其中所述输入阻抗传感器和所述输出阻抗传感器与所述生产设备的匹配网络相关。
19.如权利要求15所述的非暂时性机器可读储存介质,其中使用训练后机器学习模型产生指示预测数据的所述一个或多个输出。
20.如权利要求15所述的非暂时性机器可读储存介质,其中所述预测数据包含与所述生产设备的匹配网络相关的一个或多个可变电容器的一个或多个调谐设定,其中所述校正动作包含基于所述预测数据调整与所述生产设备的匹配网络相关的一个或多个可变电容器。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/133,787 | 2020-12-24 | ||
US17/133,787 US11784028B2 (en) | 2020-12-24 | 2020-12-24 | Performing radio frequency matching control using a model-based digital twin |
PCT/US2021/064673 WO2022140431A1 (en) | 2020-12-24 | 2021-12-21 | Performing radio frequency matching control using a model-based digital twin |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116671006A true CN116671006A (zh) | 2023-08-29 |
Family
ID=82119140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180085761.XA Pending CN116671006A (zh) | 2020-12-24 | 2021-12-21 | 利用基于模型的数字孪生进行射频匹配控制 |
Country Status (7)
Country | Link |
---|---|
US (2) | US11784028B2 (zh) |
EP (1) | EP4268258A1 (zh) |
JP (1) | JP2024504010A (zh) |
KR (1) | KR20230122653A (zh) |
CN (1) | CN116671006A (zh) |
TW (1) | TW202227837A (zh) |
WO (1) | WO2022140431A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11784028B2 (en) * | 2020-12-24 | 2023-10-10 | Applied Materials, Inc. | Performing radio frequency matching control using a model-based digital twin |
JP2022120418A (ja) * | 2021-02-05 | 2022-08-18 | 東京エレクトロン株式会社 | 基板処理装置、基板処理システム及び異常検知方法 |
JP2022122425A (ja) * | 2021-02-10 | 2022-08-23 | 東京エレクトロン株式会社 | プラズマ処理装置及び監視装置 |
Family Cites Families (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5815047A (en) * | 1993-10-29 | 1998-09-29 | Applied Materials, Inc. | Fast transition RF impedance matching network for plasma reactor ignition |
US5654679A (en) * | 1996-06-13 | 1997-08-05 | Rf Power Products, Inc. | Apparatus for matching a variable load impedance with an RF power generator impedance |
US5770982A (en) * | 1996-10-29 | 1998-06-23 | Sematech, Inc. | Self isolating high frequency saturable reactor |
US6876155B2 (en) * | 2002-12-31 | 2005-04-05 | Lam Research Corporation | Plasma processor apparatus and method, and antenna |
US6781317B1 (en) * | 2003-02-24 | 2004-08-24 | Applied Science And Technology, Inc. | Methods and apparatus for calibration and metrology for an integrated RF generator system |
US7049751B2 (en) * | 2003-07-16 | 2006-05-23 | Advanced Energy Industries, Inc | Termination of secondary frequencies in RF power delivery |
US6888313B2 (en) * | 2003-07-16 | 2005-05-03 | Advanced Energy Industries, Inc. | Impedance matching network with termination of secondary RF frequencies |
US20050106873A1 (en) * | 2003-08-15 | 2005-05-19 | Hoffman Daniel J. | Plasma chamber having multiple RF source frequencies |
US7042311B1 (en) * | 2003-10-10 | 2006-05-09 | Novellus Systems, Inc. | RF delivery configuration in a plasma processing system |
US7292045B2 (en) * | 2004-09-04 | 2007-11-06 | Applied Materials, Inc. | Detection and suppression of electrical arcing |
US7403764B2 (en) * | 2004-11-30 | 2008-07-22 | Turner Terry R | RF power delivery diagnostic system |
US20060165146A1 (en) * | 2005-01-21 | 2006-07-27 | Backes Glen B | Systems and methods for utilizing pulsed radio frequencies in a ring laser gyroscope |
US8374668B1 (en) * | 2007-10-23 | 2013-02-12 | Abbott Diabetes Care Inc. | Analyte sensor with lag compensation |
US7653425B2 (en) * | 2006-08-09 | 2010-01-26 | Abbott Diabetes Care Inc. | Method and system for providing calibration of an analyte sensor in an analyte monitoring system |
US8473022B2 (en) * | 2008-01-31 | 2013-06-25 | Abbott Diabetes Care Inc. | Analyte sensor with time lag compensation |
US8140312B2 (en) * | 2007-05-14 | 2012-03-20 | Abbott Diabetes Care Inc. | Method and system for determining analyte levels |
US7906032B2 (en) * | 2006-03-31 | 2011-03-15 | Tokyo Electron Limited | Method for conditioning a process chamber |
JP5657262B2 (ja) * | 2009-03-27 | 2015-01-21 | 東京エレクトロン株式会社 | プラズマ処理装置 |
TWI455172B (zh) * | 2010-12-30 | 2014-10-01 | Semes Co Ltd | 基板處理設備、電漿阻抗匹配裝置及可變電容器 |
CN103137408B (zh) * | 2011-11-30 | 2015-07-29 | 中国科学院微电子研究所 | 具有精密功率检测器的射频电源 |
US9143366B2 (en) * | 2012-09-07 | 2015-09-22 | The Aerospace Corporation | Galvanic isolation interface for high-speed data link for spacecraft electronics, and method of using same |
US9477519B2 (en) * | 2014-09-18 | 2016-10-25 | Robert D. Pedersen | Distributed activity control systems and methods |
US20170330876A1 (en) * | 2014-12-02 | 2017-11-16 | Glenn J. Leedy | Vertical system integration |
KR101917006B1 (ko) | 2016-11-30 | 2018-11-08 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
WO2018185556A1 (en) * | 2017-04-06 | 2018-10-11 | DIARISSIMA Corp. | Augmented intelligence resource allocation system and method |
US11476091B2 (en) * | 2017-07-10 | 2022-10-18 | Reno Technologies, Inc. | Impedance matching network for diagnosing plasma chamber |
US20220254610A1 (en) * | 2017-07-10 | 2022-08-11 | Reno Technologies, Inc. | Resonant filter for solid state rf impedance matching network |
KR20190038070A (ko) * | 2017-09-29 | 2019-04-08 | 삼성전자주식회사 | 반도체 장치의 제조 시스템 및 반도체 장치의 제조 방법 |
US10304669B1 (en) * | 2018-01-21 | 2019-05-28 | Mks Instruments, Inc. | Adaptive counter measure control thwarting IMD jamming impairments for RF plasma systems |
JP6914211B2 (ja) | 2018-01-30 | 2021-08-04 | 株式会社日立ハイテク | プラズマ処理装置及び状態予測装置 |
US10304663B1 (en) * | 2018-07-19 | 2019-05-28 | Lam Research Corporation | RF generator for generating a modulated frequency or an inter-modulated frequency |
JP7094179B2 (ja) * | 2018-08-28 | 2022-07-01 | 東京エレクトロン株式会社 | インピーダンス整合方法およびインピーダンス整合装置 |
JP7134033B2 (ja) * | 2018-09-06 | 2022-09-09 | 東京エレクトロン株式会社 | 基板状態判定装置、基板処理装置、モデル作成装置及び基板状態判定方法 |
US11263737B2 (en) * | 2019-01-10 | 2022-03-01 | Lam Research Corporation | Defect classification and source analysis for semiconductor equipment |
US11784028B2 (en) * | 2020-12-24 | 2023-10-10 | Applied Materials, Inc. | Performing radio frequency matching control using a model-based digital twin |
-
2020
- 2020-12-24 US US17/133,787 patent/US11784028B2/en active Active
-
2021
- 2021-12-21 JP JP2023538853A patent/JP2024504010A/ja active Pending
- 2021-12-21 WO PCT/US2021/064673 patent/WO2022140431A1/en active Application Filing
- 2021-12-21 CN CN202180085761.XA patent/CN116671006A/zh active Pending
- 2021-12-21 EP EP21912066.4A patent/EP4268258A1/en active Pending
- 2021-12-21 KR KR1020237024917A patent/KR20230122653A/ko unknown
- 2021-12-22 TW TW110148108A patent/TW202227837A/zh unknown
-
2023
- 2023-10-09 US US18/377,918 patent/US20240162009A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022140431A1 (en) | 2022-06-30 |
EP4268258A1 (en) | 2023-11-01 |
US20220208520A1 (en) | 2022-06-30 |
TW202227837A (zh) | 2022-07-16 |
KR20230122653A (ko) | 2023-08-22 |
US20240162009A1 (en) | 2024-05-16 |
JP2024504010A (ja) | 2024-01-30 |
US11784028B2 (en) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116671006A (zh) | 利用基于模型的数字孪生进行射频匹配控制 | |
CN109715848B (zh) | 复杂多变量晶片处理设备中实现机器学习的方法和过程 | |
US11513504B2 (en) | Characterizing and monitoring electrical components of manufacturing equipment | |
US11841692B2 (en) | Variable loop control feature | |
KR20230127206A (ko) | 매칭 네트워크의 반복적 조정을 위한 시스템 및 방법 | |
US20230222264A1 (en) | Processing chamber calibration | |
US11860591B2 (en) | Process recipe creation and matching using feature models | |
US20230359179A1 (en) | Methods and mechanisms for adjusting film deposition parameters during substrate manufacturing | |
US20230195074A1 (en) | Diagnostic methods for substrate manufacturing chambers using physics-based models | |
US11874234B2 (en) | Multi-level RF pulse monitoring and RF pulsing parameter optimization at a manufacturing system | |
US20230078146A1 (en) | Virtual measurement of conditions proximate to a substrate with physics-informed compressed sensing | |
US20230051330A1 (en) | Using defect models to estimate defect risk and optimize process recipes | |
TW202347063A (zh) | 製程控制旋鈕估計 | |
KR20240067834A (ko) | 피처 모델들을 사용한 프로세스 레시피 생성 및 매칭 | |
KR20230164607A (ko) | 머신 러닝 모델 성능의 변동을 방지하기 위한 방법들 및 메커니즘들 | |
TW202414132A (zh) | 用於防止機器學習模型性能的波動的方法和機制 | |
Kim et al. | Control of plasma equipment by regulating radio frequency impedance matching | |
Liu et al. | Run-to-Run Fault Prediction for Semiconductor Manufacturing Process Based on Variable Forgetting Factor RLS |
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 |