CN116802653A - 处理的混合物理/机器学习建模 - Google Patents

处理的混合物理/机器学习建模 Download PDF

Info

Publication number
CN116802653A
CN116802653A CN202280012111.7A CN202280012111A CN116802653A CN 116802653 A CN116802653 A CN 116802653A CN 202280012111 A CN202280012111 A CN 202280012111A CN 116802653 A CN116802653 A CN 116802653A
Authority
CN
China
Prior art keywords
model
machine learning
output
physical
cases
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
CN202280012111.7A
Other languages
English (en)
Inventor
普拉沙斯·科斯努
卡廷克·拉马斯瓦米
阿吉特•巴拉克里斯南
卡尔蒂克·萨哈
乌梅什•克尔卡尔
维希瓦·帕迪
普拉松·舒克拉
苏希尔·阿伦·萨曼特
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 CN116802653A publication Critical patent/CN116802653A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • H01L21/67—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
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0202—Two or more dimensional filters; Filters for complex signals
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0202—Two or more dimensional filters; Filters for complex signals
    • H03H2017/0205—Kalman filters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Drying Of Semiconductors (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Insulated Gate Type Field-Effect Transistor (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本文所述的实施方式包括用于产生为半导体处理设备中的处理建模的混合模型的处理。在特定实施方式中，建立混合机器学习模型的方法包含识别跨越第一范围的处理和/或硬件参数的第一组案例，并且在实验室中针对第一组案例进行实验。该方法可进一步包含编译来自实验的实验输出，并且针对第一组案例进行基于物理的模拟。在实施方式中，该方法可进一步包含编译来自模拟的模型输出，并且利用机器学习算法将模型输出与实验输出相关联以提供混合机器学习模型。

Description

处理的混合物理/机器学习建模
相关申请的交叉引用
本申请要求2021年2月3日提交的美国专利申请号No.17/166,965的优先权，该美国专利申请号No.17/166,965的全部内容以引用的方式并入本文。
领域
本公开内容的实施方式涉及半导体处理的领域并且，具体而言，涉及半导体处理工具中的处理的混合建模和虚拟传感器的使用。
相关技术描述
随着半导体装置持续向更小的特征尺寸发展，半导体基板处理在复杂度上一直增加。给定的处理可包括可经单独控制的许多不同处理参数(即，旋钮)，以在晶片上提供所要结果。例如，晶片上的所要结果可代表特征轮廓、层厚度、层的化学组成或类似结果。随着旋钮的数目增加，可用于调谐且优化处理的理论处理空间以指数方式增长。
当对半导体处理工具进行硬件改变时，需要改变旋钮以说明新的硬件配置。由于实施硬件改变的成本，在实体构建硬件之前，能够预测或估计新硬件的效能方面是有价值的。传统方法是从类似硬件的先前实验中获得定性理解，并且使用直觉和试错(两者皆可为主观的)来估计新硬件的效能和/或识别新的处理参数。在一些应用中，亦可使用来自物理模型的理解。然而，基于物理的方法可能为不完整或不同的(例如，温度、等离子体和流速的单独模型)。亦即，没有可提供定量和客观的路径来调整新硬件的处理的现有方法。
发明内容
本文所述的实施方式包括用于产生为半导体处理设备中的处理建模的混合模型的过程。在特定实施方式中，建立混合机器学习模型的方法包含识别跨越第一范围的处理和/或硬件参数的第一组案例，并且在实验室中针对第一组案例进行实验。该方法可进一步包含编译来自实验的实验输出，并且针对第一组案例进行基于物理的模拟。在实施方式中，该方法可进一步包含编译来自模拟的模型输出，并且利用机器学习算法将模型输出与实验输出相关联以提供混合机器学习模型。
额外的实施方式可包括具有虚拟传感器的半导体处理工具。在实施方式中，半导体处理工具包含腔室和用于改变半导体处理工具的控制变量的控制器。在实施方式中，控制器接收来自腔室的测量的输出变量与输出变量设定点之间的差值作为输入。在实施方式中，半导体处理工具进一步包含用于产生估计的系统状态变量的虚拟传感器，该估计的系统状态变量用于确定输出变量设定点。
额外的实施方式可包含建立混合机器学习模型的方法。在实施方式中，该方法包含识别跨越第一范围的处理和/或硬件参数的第一组案例，并且针对第一组案例进行基于物理的模拟。在实施方式中，该方法进一步包含编译来自基于物理的模拟的输出，并且使用第一机器学习算法以产生降级物理模拟模型。在实施方式中，该方法可进一步包含识别跨越第二范围的处理和/或硬件参数的第二组案例，其中第二组案例小于第一组案例，并且在实验室中针对第二组案例进行实验。在实施方式中，该方法可进一步包含编译来自实验的实验输出，并且针对第二组案例进行基于物理的模拟，其中基于物理的模拟使用降级物理模拟模型。在实施方式中，该方法可进一步包含编译来自模拟的模型输出，并且利用第二机器学习算法将模型输出与实验输出相关联以提供混合机器学习模型。
附图说明
图1A为图示根据实施方式的用于建立降级物理模拟模型的处理的处理流程图。
图1B为图示根据实施方式的用于建立混合机器学习模型的处理的处理流程图。
图1C为图示根据实施方式的用于在新的处理和/或硬件条件上部署(deploying)混合机器学习模型的处理的处理流程图。
图2为根据实施方式的自由基氧化工具的立体图。
图3为图示根据实施方式的在自由基氧化工具中使用混合模型的示图。
图4A至图4D为图示根据各种实施方式的与实际结果相比的混合模型的预测的图。
图5A为图示根据实施方式的使用虚拟传感器的控制架构。
图5B为根据实施方式的并入虚拟传感器的控制架构。
图6为根据实施方式的并入虚拟传感器和用于向产生虚拟传感器读数的模型提供更新的回路的控制架构的更详细示图。
图7A为根据实施方式的具有虚拟传感器和用于更新产生虚拟传感器读数的模型中的参数的控制器的控制架构。
图7B为根据实施方式的具有虚拟传感器和利用卡尔曼滤波器的控制器的控制架构。
图8图示根据本公开内容的实施方式的示例性计算机系统的框图。
具体实施方式
本文描述了在半导体处理工具中建模处理条件和使用虚拟传感器的方法。在以下描述中，阐述了众多特定细节以提供对本公开内容的实施方式的透彻理解。对本领域技术人员显而易见的是，本公开内容的实施方式可在无这些特定细节的情况下实践。在其他情况下，并未详细描述众所熟知的方面以免不必要地混淆本公开内容的实施方式。此外，应当理解，附图中所示的各个实施方式为说明性表示并且不必按比例绘制。
如上所述，没有用以估计新的硬件配置的效能或用以在硬件改变之后提供新处理参数的定量且客观的方法。因此，当前使用复杂且主观的处理设计技术。如此导致昂贵的处理设计，并且可能无法识别给定硬件配置的最佳处理参数。另外，在大容量制造(highvolume manufacturing；HVM)环境中，可并行使用多个工具以在基板上执行所需处理。每一工具的处理参数可能需要是不同的。因此，每一工具必须经历昂贵的处理优化。
因此，本文公开的实施方式包括使用从系统的一个或多个基于物理的模型中提取的特征的机器学习模型。本文所描述的方法包括从基于物理的模型中提取特征，并且使用来自物理基板的处理的实验数据以训练机器学习算法。尤其是，本文公开的方法可包括产生基于物理的模拟的降级模型(reduced order model；ROM)，并且结合实验数据使用ROM以产生混合机器学习模型。随后，混合机器学习模型可经部署以预测用于新的处理条件、新的硬件，或甚至不同的处理工具的晶片上结果。
混合机器学习模型可针对任何半导体处理工具而产生。例如，混合机器学习模型可用于沉积工具或蚀刻工具。在特定实施方式中，混合机器学习模型可针对自由基氧化工具而产生。
现参看图1A，图示了根据实施方式的用于形成降级物理模拟模型的处理110的处理流程图。在实施方式中，处理110开始于操作111，该操作包含识别跨越宽范围的处理和/或硬件参数的一组案例。因为处理和/或硬件参数是以计算方式建模，所以可以有宽范围的处理和/或硬件参数。计算成本明显低于使用各种处理和/或硬件参数进行物理实验所需的成本。
在实施方式中，处理110以操作112继续，该操作包含为该组案例进行基于物理的模拟。基于物理的模拟经计算以根据自然物理定律，基于处理和/或硬件参数如何相互作用来确定输出。基于物理的模拟是以计算方式进行。亦即，不需要实际处理基板以确定基于物理的模拟的结果。
在实施方式中，处理110以操作113继续，该操作包含编译来自基于物理的模拟的输出。这些输出可被称为模拟输出，因为这些输出为模拟的结果，而非实际基板的处理。
在实施方式中，处理110以操作114继续，该操作包含将模拟输出应用于机器学习算法。机器学习算法将处理和/或硬件参数与模拟输出相关联，以便产生降级物理模拟模型115。机器学习算法包含将模拟输出与处理和/或硬件参数相关联的数学模型。模型可包含单值分解(single value decomposition；SVD)、主正交分解(principal orthogonaldecomposition；POD)、高斯过程回归、其他基于核的回归、基于响应表面的回归、神经网络模型、使用径向基函数的回归和考虑空间连接性的回归模型中的一者或多者。在实施方式中，机器学习模型通常具有需要确定的模型参数。形成降级模型所涉及的主要任务之一涉及选择数学模型和模型参数的组合，如此产生模拟输出与处理和/或硬件参数的最佳拟合。降级模拟模型115允许在比进行完全基于物理的模拟时所需的更短的时间段内研究后续处理和/或硬件参数。
现参看图1B，图示了根据实施方式的用于建立混合机器学习模型的处理120。如下文将更详细描述的，混合机器学习模型允许基于给定的一组处理和/或硬件参数以计算方式预测基板上结果。混合机器学习模型可被应用于单个工具或甚至工具的不同实例上的更改。
在实施方式中，处理120可开始于操作121，该操作包含识别跨越范围的处理和/或硬件参数的一组案例。操作121中的案例范围可小于操作111中的案例范围。如此是因为将使用实体基板来研究各种案例，因此比仅进行基于物理的模拟需要更多的时间和成本。
在实施方式中，处理120可以用并行执行的一对分支继续(尽管这些分支不需要在所有实施方式中并行执行)。第一分支从操作122开始，该操作包含在实验室中为操作121中识别的一组案例进行实验。实验包括根据所选处理和/或硬件参数实体地处理基板。在实施方式中，第一分支可以操作123继续，该操作包含编译来自实验的输出。来自实验的输出可包括基板输出，诸如例如沉积厚度、蚀刻速率、组成、均匀性和类似基板输出。
在实施方式中，第二分支可以操作124开始，该操作包含为该组所选案例进行基于物理的模拟。在一些实施方式中，基于物理的模拟与操作112中使用的模拟相同。在其他实施方式中，基于物理的模拟可利用在处理110中开发的降级物理模拟模型。当在操作124中使用降级物理模拟模型时，可减少进行模拟所需的时间和计算资源。在实施方式中，第二分支可以编译来自基于物理的模拟的输出继续。
在实施方式中，第一分支和第二分支在操作126处合并回一起，该操作包含使用机器学习算法将经编译的实验输出与经编译的基于物理的模拟输出相关联。机器学习算法包含将经编译的实验输出与经编译的基于物理的模拟输出相关联的数学模型。模型可包含单值分解(SVD)、主正交分解(POD)、高斯过程回归、其他基于核的回归、基于响应面的回归、神经网络模型、使用径向基函数的回归和考虑空间连接性之回归模型中的一者或多者。机器学习算法确定数学模型和相应模型参数的选择，以最小化经预测的基板上性质与实验测量的基板上性质之间的误差。机器学习算法输出混合机器学习模型127，该模型能够将处理和/或硬件参数作为输入并在基板输出上输出，这些输出诸如例如沉积厚度、蚀刻速率、组成、均匀性和类似输出。
现参看图1C，图示了根据实施方式的用于部署混合机器学习模型127的处理130。在实施方式中，处理130开始于选择新的处理和/或硬件条件。新的处理和/或硬件条件可为任何处理和/或硬件条件，包括与在操作111和121中研究的处理和/或硬件条件的不同的或其范围之外的那些处理和/或硬件条件。在一些实施方式中，处理和/或硬件条件可甚至为在与处理120中研究的工具不同的工具实例上。亦即，一旦开发了混合机器学习模型，即使没有可用的实验数据，该模型亦可灵活地在整个制造设施中部署于类似处理工具上。
在实施方式中，处理130可以操作132继续，该操作包含利用在操作115中开发的降级物理模拟模型(假设硬件参数被包括在操作115中开发的模型的形成中)或借由进行物理模拟来评估物理模拟。然后，在操作133处，可将一个或多个降级物理模拟的输出馈送(fed)至混合机器学习模型中。在操作133处，降级物理模拟模型允许将处理和/或硬件条件映像(mapped)至物理空间以供混合机器学习模型使用。
操作133可包含评估上述在操作127开发的混合机器学习模型。混合机器学习模型能够在134处输出基板上结果。亦即，新的处理和/或硬件条件可被直接映像至基板上结果，诸如例如，沉积厚度、蚀刻速率、组成、均匀性和类似基板上结果。如此是对需要实体测试基板以获得基板上结果的现有处理的显著改良。
现参看图2，展示了根据实施方式的半导体处理工具240的立体图说明。虽然图示了特定的半导体处理工具240，但是应当理解，半导体处理工具240可为半导体制造中典型的任何处理工具，例如沉积工具、蚀刻工具或类似处理工具。在图2中所示的特定实施方式中，半导体处理工具为自由基氧化工具。
在实施方式中，半导体处理工具240可包含气体入口241。气体可流入气体入口241，并穿过隧道242进入腔室245。腔室245的顶部可用石英板243密封。加热元件(未图标)可被设置在石英板243之上以提供腔室245内的快速热控制。在一个实施方式中，副产物和过量反应物可借由出口244从腔室245中移除。出口244可流体耦接至真空泵(未图示)等。
现参看图3，展示图350作为示例，该图展示混合模型可如何与自由基氧化工具一起使用。如图所示，在框351中提供一组处理输入。处理输入可包括在自由基氧化工艺中使用的处理参数，例如但不限于浸泡时间、温度、压强、总气体流速、H2侧流速和H2％。在实施方式中，处理输入亦可包括硬件构造，诸如但不限于工具(例如，注入筒)的各个部分的几何形状、基板与石英板343之间的间距和类似的硬件构造。
在实施方式中，在框352处，框351的处理输入被提供给基于物理的模型或基于物理的降级模型。模型可基于物理方程式提供输出。例如，晶片上输出可包括压强、沉积速率和摩尔分数，并且距晶片输出可包括温度。
在实施方式中，框351的处理输入和框353的模型输出可被馈送至混合模型354中。混合模型354可实质上类似于上文更加详细描述的任何混合模型。混合模型处理来自框351的处理输入和框353的模型输出的输入数据，并在框355处提供晶片上期望沉积的输出。
已经表明，混合模型提供了基板上的预期输出的准确映射。例如，图4A至图4D是针对各种处理参数的跨基板的标准化沉积图。在图4A至图4D中，自由基氧化处理的混合模型是使用与上述处理类似的处理产生，并经部署在注射筒的几何形状具有显著变化的工具上。混合模型用于预测基板表面上的沉积，且随后获得实验数据以确认混合模型的准确性。在图4A至图4D中，混合模型预测与实验数据非常匹配。例如，在各种处理条件下获得的平均误差不到9％。
在本文公开的又一个实施方式中，可利用基于物理的模型和机器学习以提供半导体处理工具之内的虚拟传感器。此举对于确定使用传统物理传感器无法轻松测量(或根本无法测量)的处理条件特别有益。将物理传感器置放在处理工具中既昂贵又具有侵入性。然而，当处理条件(尤其是在基板上)已知时，处理控制是有效的。基于物理的模型可借由提供虚拟传感器来解决此问题，而无需使用物理传感器，这些虚拟传感器可提供基板上性质的细节。基于物理的模型亦可用于帮助测试控制器和执行用于控制器开发的虚拟实验。
虚拟传感器可用于帮助控制处理操作。与物理传感器一样，控制器可将虚拟传感器输出与设定值进行比较，以确定是否需要对处理操作进行更改。此外，本文公开的实施方式可利用机器学习或人工智能来持续更新基于物理的模型，从而提高虚拟传感器输出的准确性。
现参看图5A，图示了根据实施方式的用于处理工具的控制架构560的简图。如图所示，腔室561可包括馈送至控制器565中的物理传感器562。控制器将控制信号发送回腔室561以调整一个或多个处理条件。在另一回路中，模型563(例如，基于物理的模型)被连接至虚拟传感器564。虚拟传感器564输出值至控制器565。下文提供了虚拟传感器564的更详细描述。
现参看图5B，图示了根据实施方式的控制架构560的更详细说明。在一个实施方式中，输出变量(或向量)y被馈送至虚拟传感器564中。虚拟传感器输出虚拟传感器变量(或向量)yl。所要的虚拟传感器变量yldes的设定点566经由控制器565与输出变量y进行比较。取决于经计算的差异，将控制信号u提供给腔室561以改变输出变量y。
现在参考图6，图示了根据实施方式的包括耦接至可更新模型673的虚拟传感器676的工具的控制架构670的图。在实施方式中，控制架构670以腔室671开始。腔室671可代表半导体处理工具的任何部分。在实施方式中，输出变量y(或向量)由第一控制器672与所要的输出变量ydes进行比较。第一控制器672将输入变量u(或向量)提供回至腔室671。输入变量u亦被馈送到模型673，此举将在下文详细描述。所要的输出变量ydes由利用虚拟传感器数据的第二控制器678产生。
在实施方式中，模型673为基于物理的模型。亦即，模型673从基于物理的角度计算腔室671内的反应，以便提供对系统状态变量(或向量)的估计。经估计的系统状态变量/>可为虚拟传感器值。即，/>的测量值可为期望的但通常未知或测量的值。例如，在一些实施方式中，经估计的状态变量/>可为晶片温度。然而，应当理解，模型673可提供其他经估计的状态变量/>或甚至多个不同的经估计状态变量/>
在实施方式中，经估计的状态变量经馈送至虚拟传感器676，在该虚拟传感器中，经估计的状态变量/>可由系统所存取。在特定实施方式中，虚拟传感器676将经估计的状态变量/>馈送至第二控制器678，该第二控制器678将经估计的状态变量/>与设定点状态变量xdes进行比较。取决于/>与xdes之间的差异，控制器将ydes传递至第一个控制器。
在实施方式中，模型673可经由机器学习或人工智能块675持续更新。特定地，经估计的状态变量亦经馈送至第二模型674。第二模型输出经估计的输出变量/>(或向量)。将经估计的输出变量/>与来自腔室671的输出变量y进行比较。随后，机器学习块675可改变第一模型673(例如，使用状态空间矩阵A、B、C和/或D)以细化第一模型以便使经估计的输出变量/>更接近输出变量y。此举亦导致对经估计的状态变量/>的更准确的预测。
现参看图7A，图示了根据实施方式的具有虚拟传感器785的控制架构780的图。在腔室中的实验781的过程期间，输出变量y被提供至控制器784。控制器将输出变量y与经由使用各种物理模型783和782产生的经估计输出变量进行比较。在实施方式中，状态估计器783的模型由等式1控制，并且输出变量782的模型由等式2控制。
在等式1和2中，矩阵A、B、C和D为实验781的参数的函数并且可使用基于物理的模型或系统模型来获得。当使用统计模型时，矩阵A、B、C和D可能没有物理基础，并且更改A、B、C或D不会与物理参数相关。此外，应当理解，A、B、C和D亦可为时间以及x和y的函数。
在实施方式中，控制架构780的假设为测量输出y与预测输出之间的误差是由于系统中的不确定参数并且物理是正确的。亦即，状态估计器783的模型不针对物理而改变。不考虑系统中的噪声。换言之，系统中的噪声由参数值A、B、C或D的变化所抵消。改变模型参数可借由优化和/或逆向方法来完成，只要控制器784具有良好的假设开始。此外，应当理解，计算工作取决于矩阵A、B、C和D。利用当今的计算能力，计算工作完全在实时完成的领域内。因此，实时虚拟传感器785是可能的。
现参看图7B，图示了根据实施方式的具有虚拟传感器785的控制架构780的图。在腔室中的实验781的过程期间，输出变量y被提供至控制器786。控制器将输出变量y与经由使用各种物理模型783和782产生的经估计输出变量进行比较。在实施方式中，状态估计器783的模型由等式1控制，并且输出变量782的模型由等式2控制。与图7A中的实施方式相比，控制器786可应用具有增益L的卡尔曼滤波器。
在等式1和2中，矩阵A、B、C和D为实验781的参数的函数并且可使用基于物理的模型、系统模型，或统计模型来获得。此外，应当理解，A、B、C和D亦可为时间以及x和y的函数。
在实施方式中，控制架构780的假设为测量输出y与预测输出之间的误差是由于误差源并且物理和参数是正确的。亦即，状态估计器的模型783没有针对物理进行更改，而是经校正以解决错误。亦考虑系统中的噪声。该模型框架可用于预测状态估计器并允许实时虚拟传感器785。此外，该模型将借由改变模型783和/或782的参数自动更正测量与预测输出之间的任何误差。
在实施方式中，可以不同的方式测试本文描述的具有虚拟传感器功能的控制器架构。在一个实施方式中，控制器架构可在功能腔室或系统上进行测试。亦即，物理基板处理可用于测试控制器架构。该处理需要工具时间和其他资源以便实施。在另一个实施方式中，具有虚拟传感器功能的控制器架构可经由软件模拟来测试。例如，使用基于物理的模型和/或混合模型建模的虚拟腔室可用于测试控制器架构。该实施方式仅需要计算资源并节省宝贵的工具时间、基板和其他实体资源。
图8图标以计算机系统800的示例性形式的机器的图标，在该计算机系统中可执行用于使机器执行本文所述的方法中的任何一者或多者的指令集合。在替代实施方式中，机器可连接至(例如，网络连接至)局域网络(Local Area Network；LAN)、企业内部网络、企业间网络，或因特网中的其他机器。机器可在客户端服务器网络环境中作为服务器或客户端机器操作，或在同级间(分布式)网络环境中作为同级机器操作。该机器可为个人计算机(personal computer；PC)、平板计算机、机顶盒(set-top box；STB)、个人数字助理(Personal Digital Assistant；PDA)、蜂窝电话、网页应用、服务器、网络路由器、交换器或网桥，或能够执行指定待由该机器采取的动作的指令集(顺序或以其他方式)的任何机器。此外，虽然仅图示了单个机器，但应亦采用术语“机器”以包括单独地或共同地执行一组(或多组)指令以进行本文所述的方法中的任何一者或多者的机器(例如，计算机)的任何集合。
示例性计算机系统800包括处理器802、主存储器804(例如，只读存储器(read-only memory；ROM)、闪存、动态随机存取存储器(dynamic random access memory；DRAM)(诸如同步DRAM(SDRAM)或Rambus DRAM(RDRAM)等)、静态存储器806(例如，闪存、静态随机存取存储器(static random access memory；SRAM)、MRAM等)，和次级存储器818(例如，数据储存装置)，上述各者经由总线830与彼此通信。
处理器802表示一个或多个通用处理装置，诸如微处理器、中央处理单元等等。更特定言之，处理器802可为复杂指令集计算(complex instruction set computing；CISC)微处理器、精简指令集计算(reduced instruction set computing；RISC)微处理器、极长指令字(very long instruction word；VLIW)微处理器、实施其他指令集的处理器，或实施指令集组合的处理器。处理器802亦可为一个或多个专用处理装置，诸如特殊应用集成电路(application specific integrated circuit；ASIC)、现场可编程门阵列(fieldprogrammable gate array；FPGA)、数字信号处理器(digital signal processor；DSP)、网络处理器或类似装置。处理器802被构造为执行用于进行本文所述的操作的处理逻辑826。
计算机系统800可进一步包括网络接口装置808。计算机系统800亦可包括视频显示单元810(例如，液晶显示器(liquid crystal display；LCD)、发光二极管显示器(lightemitting diode display；LED)，或阴极射线管(cathode ray tube；CRT))、字母数字输入设备812(例如，键盘)、光标控制装置814(例如，鼠标)，和信号产生装置816(例如，扬声器)。
次级存储器818可包括机器可存取储存介质(或更特定言之计算机可读储存介质)832，在该储存介质上储存实施本文所述的方法或功能中的任何一者或多者的一组或多组指令(例如，软件822)。软件822亦可在其由计算机系统800执行期间完全地或至少部分地常驻在主存储器804内和/或在处理器802内，主存储器804和处理器802亦构成机器可读储存介质。软件822可进一步经由网络接口装置808在网络820上传输或接收。
虽然机器可存取储存介质832在示例性实施方式中被图标为单个介质，但术语“机器可读储存介质”应视为包括储存一组或多组指令的单个介质或多个介质(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“机器可读储存介质”亦应视为包括能够储存或编码由机器执行的指令集并且使得机器执行本公开内容的一个或多个方法中的任一者的任何介质。术语“机器可读储存介质”应相应地视为包括但不限于，固态存储器和光学和磁性介质。
根据本公开内容的实施方式，机器可存取储存介质具有储存于其上的指令，这些指令使得数据处理系统执行建立混合机器学习模型的方法。
因此，已经公开了用于产生混合机器学习模型的方法。

Claims (20)

1.一种产生混合机器学习模型的方法，包含以下步骤：
识别跨越第一范围的处理和/或硬件参数的第一组案例；
在实验室中针对所述第一组案例进行实验；
编译来自所述实验的实验输出；
针对所述第一组案例进行基于物理的模拟；
编译来自所述模拟的模型输出；和
利用机器学习算法将所述模型输出与所述实验输出相关联以提供所述混合机器学习模型。
2.如权利要求1所述的方法，其中所述基于物理的模拟是降级物理模拟模型。
3.如权利要求2所述的方法，其中所述降级物理模拟模型借由方法产生，所述方法包含以下步骤：
识别跨越第二范围的处理和/或硬件参数的第二组案例；
针对所述第二组案例进行基于物理的模拟；
编译来自所述基于物理的模拟的输出；和
使用第二机器学习算法以产生所述降级物理模拟模型。
4.如权利要求3所述的方法，其中所述第二组案例大于所述第一组案例。
5.如权利要求3所述的方法，其中来自所述基于物理的模拟的所述输出包含晶片上的物种浓度、通量和能量的一种或多种和/或远离晶片的位置处的诸如压强、流速(速度)和温度的附加量。
6.如权利要求3所述的方法，进一步包含以下步骤：
选择新的硬件和/或处理条件；
利用所述降级物理模拟模型评估所述新的硬件和/或处理条件；
利用所述混合机器学习模型评估所述新的硬件和/或处理条件；和
基于所述降级物理模拟模型和所述混合机器学习模型的所述评估来预测晶片上结果。
7.如权利要求6所述的方法，其中所述新的硬件和/或处理条件是在与用于产生所述混合机器学习模型的工具不同的工具上。
8.如权利要求1所述的方法，其中所述模型输出包含晶片上的物种浓度、通量和能量的一者或多者。
9.如权利要求1所述的方法，其中所述实验输出包含沉积速率或蚀刻速率。
10.如权利要求1所述的方法，其中所述混合机器学习模型用于自由基氧化工具。
11.一种半导体处理工具，包含：
腔室；
控制器，用于改变所述半导体处理工具的控制变量，其中所述控制器接收来自所述腔室的测量的输出变量与输出变量设定点之间的差值作为输入；和
虚拟传感器，用于产生估计的系统状态变量，所述估计的系统状态变量用于确定所述输出变量设定点。
12.如权利要求11所述的半导体处理工具，进一步包含：
第二控制器，用于改变所述输出变量设定点，其中所述第二控制器接收所述估计的系统状态变量与系统状态变量设定点之间的差值作为输入。
13.如权利要求12所述的半导体处理工具，进一步包含：
第一模型，其中所述第一模型接收所述控制变量作为输入并且输出提供至所述虚拟传感器的所述估计的系统状态变量。
14.如权利要求13所述的半导体处理工具，进一步包含：
第二模型，其中所述第二模型接收所述估计的系统状态变量作为输入并且输出所述输出变量的估计。
15.如权利要求14所述的半导体处理工具，进一步包含：
机器学习算法，其中所述机器学习算法接收所述输出变量与所述输出变量的所述估计之间的差值作为输入，并且其中所述机器学习算法更新所述第一模型。
16.如权利要求15所述的半导体处理工具，其中所述机器学习算法利用卡尔曼滤波器。
17.如权利要求12所述的半导体处理工具，其中所述估计的系统状态变量为晶片温度。
18.如权利要求17所述的半导体处理工具，其中半导体处理工具为自由基氧化工具。
19.一种产生混合机器学习模型的方法，包含以下步骤：
识别跨越第一范围的处理和/或硬件参数的第一组案例；
对所述第一组案例进行基于物理的模拟；
编译来自所述基于物理的模拟的输出；
使用第一机器学习算法以产生降级物理模拟模型；
识别跨越第二范围的处理和/或硬件参数的第二组案例，其中所述第二组案例小于所述第一组案例；
在实验室中针对所述第二组案例进行实验；
编译来自所述实验的实验输出；
针对所述第二组案例进行基于物理的模拟，其中所述基于物理的模拟使用所述降级物理模拟模型；
编译来自所述模拟的模型输出；和
利用第二机器学习算法将所述模型输出与所述实验输出相关联以提供所述混合机器学习模型。
20.如权利要求19所述的方法，进一步包含以下步骤：
选择新的硬件和/或处理条件；
利用所述降级物理模拟模型评估所述新的硬件和/或处理条件；
利用所述混合机器学习模型评估所述新的硬件和/或处理条件；和
基于所述降级物理模拟模型和所述混合机器学习模型的评估来预测晶片上结果。
CN202280012111.7A 2021-02-03 2022-01-05 处理的混合物理/机器学习建模 Pending CN116802653A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/166,965 US20220245307A1 (en) 2021-02-03 2021-02-03 Hybrid physics/machine learning modeling of processes
US17/166,965 2021-02-03
PCT/US2022/011335 WO2022169542A1 (en) 2021-02-03 2022-01-05 Hybrid physics/machine learning modeling of processes

Publications (1)

Publication Number Publication Date
CN116802653A true CN116802653A (zh) 2023-09-22

Family

ID=82612053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280012111.7A Pending CN116802653A (zh) 2021-02-03 2022-01-05 处理的混合物理/机器学习建模

Country Status (6)

Country Link
US (1) US20220245307A1 (zh)
JP (1) JP2024506549A (zh)
KR (1) KR20230135668A (zh)
CN (1) CN116802653A (zh)
TW (1) TW202246918A (zh)
WO (1) WO2022169542A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11921488B2 (en) 2020-12-15 2024-03-05 Xerox Corporation System and method for machine-learning-enabled micro-object density distribution control with the aid of a digital computer
US11762348B2 (en) * 2021-05-21 2023-09-19 Xerox Corporation System and method for machine-learning-based position estimation for use in micro-assembly control with the aid of a digital computer
US11731317B1 (en) * 2022-07-08 2023-08-22 The Boeing Company System and method for material manufacturing based on predicted properties of unconsolidated composite material

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100689861B1 (ko) * 2005-10-04 2007-03-08 삼성전자주식회사 플라즈마를 이용한 반도체 디바이스 제조장치 및 그제조방법
US7519885B2 (en) * 2006-03-31 2009-04-14 Tokyo Electron Limited Monitoring a monolayer deposition (MLD) system using a built-in self test (BIST) table
US20130024019A1 (en) * 2011-07-22 2013-01-24 Taiwan Semiconductor Manufacturing Company, Ltd. Apparatus and methods for end point determination in semiconductor processing
US9412673B2 (en) * 2013-08-23 2016-08-09 Kla-Tencor Corporation Multi-model metrology
CN110100174B (zh) * 2016-10-20 2022-01-18 科磊股份有限公司 用于图案化晶片特性化的混合度量

Also Published As

Publication number Publication date
US20220245307A1 (en) 2022-08-04
JP2024506549A (ja) 2024-02-14
TW202246918A (zh) 2022-12-01
KR20230135668A (ko) 2023-09-25
WO2022169542A1 (en) 2022-08-11

Similar Documents

Publication Publication Date Title
US20220245307A1 (en) Hybrid physics/machine learning modeling of processes
KR102583830B1 (ko) 제조 동안의 고급 반도체 프로세스 최적화 및 적응형 제어
KR102467120B1 (ko) 복잡한 다변수 웨이퍼 프로세싱 장비에서 머신 러닝을 구현하는 방법 및 프로세스
US20230049157A1 (en) Performance predictors for semiconductor-manufacturing processes
US11586794B2 (en) Semiconductor processing tools with improved performance by use of hybrid learning models
US11836429B2 (en) Determination of recipes for manufacturing semiconductor devices
US10977405B2 (en) Fill process optimization using feature scale modeling
KR20180069093A (ko) 웨이퍼 포인트별 분석 및 데이터 프리젠테이션
KR101290199B1 (ko) 반도체 제조 설비에서 런-투-런 제어를 위한 컨텍스트 오프셋들을 추정하기 위한 방법 및 시스템
KR20050032120A (ko) 반도체 에칭 공정의 동적 모델링 및 레서피 최적화 방법 및시스템
KR20230132362A (ko) 반도체 제조 장비의 디지털 트윈들 (digital twins) 생성
TWI837288B (zh) 使用特徵部尺度建模的填充製程最佳化
US20230367288A1 (en) Physically-informed multi-system hardware operating windows
TWI839396B (zh) 高階半導體製程優化及製造期間適應性控制
TW202409762A (zh) 物理資訊多系統硬體作業視窗
TW202347063A (zh) 製程控制旋鈕估計

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