CN117441177A - 使用机器学习的基板工艺终点检测 - Google Patents

Abstract

提供了用于检测基板工艺的终点的方法和系统。机器学习模型的集合被训练为基于针对基板收集的光谱数据来提供与所述基板的特定类型的计量测量相关联的计量测量值。鉴于与所述特定类型的计量测量相关联的性能评级，选择相应的机器学习模型，以应用于针对未来基板在未来基板工艺期间收集的未来光谱数据。当前光谱数据是在当前基板的当前工艺期间收集的，并且被提供作为对相应的机器学习模型的输入。从所述经训练的机器学习模型的一个或多个输出提取对与所述当前基板对应的相应的计量测量值的指示。响应于确定所述相应的计量测量满足计量测量准则，生成包括终止当前工艺的命令的指示。

Description

使用机器学习的基板工艺终点检测

技术领域

本公开内容的实施例总体上与制造系统相关，并且更具体地与使用机器学习的基板工艺终点检测相关。

背景技术

制造微电子和集成电路器件通常涉及在半导体、介电体和导电的基板上执行大量操作。在一些情况下，单晶体、半导体膜、发现涂层和许多其他物质用于电子器件制造和其他的实际应用中。随着所选类型的原子被(例如，经由沉积)添加到基板或(例如，经由蚀刻)从基板移除，高效和精确的终点监测技术和系统变得很有价值。处理不足(例如，沉积不足、蚀刻不足)以及过度处理(例如，过度沉积、过度处理)可能导致不符标准和发生故障的器件。因此，允许实时监测器件制造的各种阶段的光学控制系统可以显著改进产品的质量，并且考虑到对高质量半导体器件的不断提高的要求，这种光学控制系统特别有用。

发明内容

所述实施例中的一些涵盖了一种用于训练机器学习模型以为正在第一制造系统处根据当前工艺处理的当前基板提供计量测量的方法。所述方法包括：获得与在第二制造系统处根据先前工艺进行处理的先前基板相关联的历史光谱数据的集合。所述历史光谱数据集合包括在所述先前工艺的步骤集合中的每个步骤期间针对所述先前基板收集的历史光谱数据。所述方法进一步包括：基于所述历史光谱数据集合，生成正则化的历史光谱数据集合。所述正则化的历史光谱数据集合是基于在所述先前工艺的所述步骤集合中的初始步骤期间收集的第一历史光谱数据与在所述步骤集合中的一个或多个后续步骤期间收集的第二历史光谱数据之间的差异来生成的。所述方法进一步包括：针对所述机器学习模型生成训练数据。生成所述训练数据包括：生成训练输入，所述训练输入包括从所述正则化的历史光谱数据集合提取的历史光谱数据子集。所述历史光谱数据子集包括对与特定类型的计量测量相关联的一个或多个历史光谱特征的指示。生成所述训练数据进一步包括：针对训练输入生成目标输出。所述目标输出包括所述先前基板的历史计量测量值，所述历史计量测量值与所述特定类型的计量测量相关联。所述方法进一步包括：提供关于以下各项的所述训练数据以训练所述机器学习模型：(i)包括所述训练输入的集合训练输入，和(ii)包括所述目标输出的目标输出集合。

在一些实施例中，一种系统包括用于存储经训练的机器学习模型的存储器，和与所述存储器耦接的处理设备。所述处理设备用于接收与正在制造系统处根据当前工艺处理的当前基板相关联的光谱数据的集合。所接收的光谱数据集合与对所述当前基板执行的所述当前工艺的当前步骤相关联。所述处理设备进一步用于基于所接收的光谱数据集合，生成正则化的光谱数据集合。所述正则化的光谱数据集合是基于在所述当前工艺的所述当前步骤期间收集的光谱数据与在所述当前工艺的先前步骤期间收集的光谱数据之间的差异来生成的。所述处理设备进一步用于：提供从所述正则化的光谱数据集合提取的光谱数据的子集，作为对所述经训练的机器学习模型的输入。所述光谱数据子集包括对与特定类型的计量测量对应的一个或多个光谱特征的指示。所述处理设备进一步用于获得所述经训练的机器学习模型的一个或多个输出。所述处理设备进一步用于：从所述一个或多个输出提取计量测量数据，所述计量测量数据标识与所述特定类型的计量测量相关联的一个或多个计量测量值以及对所述一个或多个计量测量值中的每一者与所述当前基板对应的置信度水平的指示，所述一个或多个计量测量值是针对在所述制造系统处根据先前工艺进行处理的先前基板获得的。

在一些实施例中，一种非暂态计算机可读存储介质包括指令，所述指令当由处理设备执行时，使得所述处理设备接收与正在制造系统处根据当前工艺进行处理的当前基板相关联的光谱数据的集合。所接收的光谱数据集合与对所述当前基板执行的所述当前工艺的当前步骤相关联。所述处理设备进一步用于基于所接收的光谱数据集合来生成正则化的光谱数据集合。所述正则化的光谱数据集合是基于在所述当前工艺的所述当前步骤期间收集的光谱数据与在所述当前工艺的先前步骤期间收集的光谱数据之间的差异来生成的。所述处理设备进一步用于：提供从所述正则化的光谱数据集合提取的光谱数据的子集，作为对所述经训练的机器学习模型的输入。所述光谱数据子集包括对与特定类型的计量测量对应的一个或多个光谱特征的指示。所述处理设备进一步用于获得所述经训练的机器学习模型的一个或多个输出。所述处理设备进一步用于：从所述一个或多个输出提取计量测量数据，所述计量测量数据标识与所述特定类型的计量测量相关联的一个或多个计量测量值以及对所述一个或多个计量测量值中的每一者与所述当前基板对应的置信度水平的指示，所述一个或多个计量测量值是针对在所述制造系统处根据先前工艺进行处理的先前基板获得的。

在一些实施例中，提供了一种方法，所述方法包括：提供训练数据来训练机器学习模型集合中的每一者，以基于在对基板执行的基板工艺期间收集的光谱数据，提供与基板的特定类型的计量测量相关联的计量测量值，。所述机器学习模型集合中的每一者与机器学习模型类型集合中不同的类型相关联。所述方法进一步包括：基于由相应的机器学习模型鉴于所述计量测量的测得值所提供的所述计量测量的提供值的准确度，向所述机器学习模型集合中的每一者分配性能评级，所述测得值是基于由计量装备针对先前基板集合中的先前基板所收集的历史计量数据来生成的。所述方法进一步包括：鉴于所述机器学习模型集合中的每一者的所述性能评级，选择要应用于未来光谱数据的所述相应的机器学习模型，所述未来光谱数据是在对未来基板执行的未来基板工艺期间收集的。

在一些实施例中，一种系统包括存储器和与所述存储器耦接的处理设备。所述处理设备用于获得机器学习模型，所述机器学习模型被训练为基于在制造系统处进行的当前基板的当前工艺期间收集的当前光谱数据，提供计量测量的当前值。所述经训练的机器学习模型与性能评级相关联，所述性能评级满足与所述计量测量的类型相关联的性能准则。所述处理设备进一步用于提供所述当前光谱数据作为对所述经训练的机器学习模型的输入。所述处理设备进一步用于从所述经训练的机器学习模型的一个或多个输出提取对与所述当前基板对应的相应的计量测量值的指示。所述相应的计量测量值与所述计量测量的所述类型相关联。所述处理设备进一步用于响应于确定所述相应的计量测量值满足与所述当前工艺相关联的计量测量准则，生成指令，所述指令包括终止所述制造系统处的所述当前工艺的命令。

在一些实施例中，一种包括指令的非暂态计算机可读存储介质包括指令，所述指令当由处理设备执行时，使得所述处理设备：提供训练数据来训练机器学习模型集合中的每一者，以基于在对基板执行的基板工艺期间收集的光谱数据，提供与基板的特定类型的计量测量相关联的计量测量值。所述机器学习模型集合中的每一者与机器学习模型类型集合中不同的类型相关联。所述处理设备进一步用于基于由相应的机器学习模型鉴于所述计量测量的测得值所提供的所述计量测量的提供值的准确度，向所述机器学习模型集合中的每一者分配性能评级。所述测得值是基于由计量装备针对先前基板集合中的先前基板所收集的历史计量数据来生成的。所述处理设备进一步用于鉴于所述机器学习模型集合中的每一者的所述性能评级，选择要应用于未来光谱数据的所述相应的机器学习模型，所述未来光谱数据是在对未来基板执行的未来基板工艺期间收集的。

附图说明

通过示例的方式而非限制的方式在附图的图示中示出本公开内容，在所述附图中，相同附图标记表示类似的元素。应注意，在本公开内容中对“一”或“一个”实施例的不同引用不一定指相同的实施例，并且这种引用是指至少一个。

图1描绘了根据本公开内容的方面的说明性计算机系统架构。

图2是根据本公开内容的方面的示例制造系统的示意性俯视图。

图3描绘了根据本公开内容的方面，用于基板工艺的终点检测的说明性系统架构。

图4是根据本公开内容的方面，用于训练机器学习模型的方法的流程图。

图5是根据本公开内容的方面的终点检测装备的示意性横截面侧视图。

图6是根据本公开内容的方面，用于获得用于与机器学习模型一起使用的数据的方法的流程图。

图7A-图7F说明了根据本公开内容的方面，获得用于与机器学习模型一起使用的数据。

图8是根据本公开内容的方面，用于使用机器学习模型来估计基板的轮廓的计量值的方法的流程图。

图9是根据本公开内容的方面，用于选择用于估计一定类型的计量测量值的机器学习模型的方法的流程图。

图10是根据本公开内容的方面，用于使用机器学习模型来检测基板工艺的终点的方法的流程图。

图11描绘了根据本公开内容的一个或多个方面操作的说明性计算机系统的框图。

具体实施方式

本公开内容的实施例涉及用于增强光谱数据收集的终点检测系统。基板工艺(例如，沉积工艺、蚀刻工艺等)可以在制造系统的工艺腔室处对基板执行。基板工艺的终点指的是工艺的一个点，在这个点上，基板的轮廓与目标基板轮廓对应(即，匹配或基本匹配)。例如，包括目标基板轮廓的图案的掩模可以在基板(诸如硅晶片)的蚀刻工艺期间使用。掩模可以放置在晶片的表面上，并且暴露于反应性(例如，湿式或干式蚀刻)环境，以移除基板没有被掩模保护的部分。蚀刻工艺的终点指的是蚀刻工艺的一个点，在这个点上，基板的轮廓与由掩模所提供的目标基板轮廓的图案对应。

与工艺程序的偏离可能导致基板工艺的速率和/或均匀性的变化。例如，蚀刻环境的改变或光掩模图案的差异可能导致蚀刻的速率和均匀性的变化，包括整个基板表面上和多个基板的蚀刻工艺之间的变化。对这种变化的跟踪和响应涉及精确和可调整的光学终点系统，这些系统能够收集准确和大量的光学响应数据，这些数据表征基板工艺期间的各种时间段的基板表面。微电子器件的不断缩小的尺寸、光掩模的越来越复杂的设计、以及对器件均匀性的越来越高的要求进一步驱动了准确度目标。现有的终点检测系统通常不能够满足这种增加的技术需求。

本公开内容的方面和实施方式通过用于使用机器学习来进行基板工艺终点检测的方法和系统，解决了传统技术的这一缺点和其他的缺点。终点检测装备可以与工艺腔室耦接或与工艺腔室设置在一起，并且可以被配置为在基板工艺期间收集基板的光谱数据。光谱数据指的是与针对从基板的表面所反射的光的每个波长所检测到的能量波的强度(即，能量的强度或量)相关联的数据。终点检测装备可以向包括工艺腔室的制造系统的处理设备(例如，制造系统的系统控制器)传送收集到的光谱数据。处理设备可以基于由终点检测装备所收集的光谱数据来生成正则化的光谱数据，并且可以从正则化的光谱数据提取光谱数据的子集，这些子集包括与特定类型的计量测量(例如，临界尺寸等)相关联的光谱特征。

处理设备可以提供光谱数据子集作为对机器学习模型的输入，所述机器学习模型被训练为提供与在光谱数据被收集的时间段的所述基板的所述特定类型的计量测量相关联的计量测量值。可以从经训练的机器学习模型的集合选择机器学习模型以应用于基板的光谱数据，每个经训练的机器学习模型与不同的机器学习模型类型相关联。机器学习模型可以被选择作为经训练的机器学习模型，所述经训练的机器学习模型的性能评级满足关于所述特定类型的计量测量的性能准则。在一些实施例中，机器学习模型被训练和选择，以由系统控制器使用。在其他或类似的实施例中，机器学习模型被训练和/或选择，以由与制造系统的系统控制器分开(例如，位于制造系统的用户不可存取的脱机服务器处)的另一处理设备使用。

处理设备可以获得经训练的机器学习模型的一个或多个输出，并且从所述一个或多个输出提取针对基板提供的计量测量值。处理设备可以确定所提供的计量测量值是否满足测量准则(即，大约与基板工艺的目标计量测量值对应)。如果所提供的计量测量值满足测量准则，那么这可以指示达到了基板工艺的终点(即，基板的当前轮廓与目标基板轮廓对应)。响应于确定测量准则被满足，处理设备可以终止工艺腔室处的基板工艺。例如，处理设备可以生成使基板工艺结束的指令。响应于确定测量准则没有被满足，处理设备可以允许基板工艺在工艺腔室处继续(例如，处理设备可以不为工艺腔室生成指令)。

本公开内容的方面通过提供用于训练和使用机器学习模型以检测基板工艺的终点的系统和方法，解决了传统技术的缺陷。与工艺腔室耦接的终点检测装备可以在基板工艺期间以特定的频率收集基板的光谱数据。收集到的光谱数据可以被提供作为对经训练的机器学习模型的输入，所述经训练的机器学习模型提供对基板的特定类型的计量测量值的实时估计，所述实时估计用于确定是否达到了基板工艺的终点。光谱数据的频率收集和计量测量值的估计允许在工艺腔室处进行频率终点监测，这可以防止基板的处理不足(例如，蚀刻不足、沉积不足等)或过度处理(例如，过度蚀刻、过度沉积等)的可能性。作为结果，在制造系统内发生的缺陷数量将减少，因此改进了整体的系统效率和整体的系统良率。

基板的特定类型的计量测量值可以被选择(例如，由操作员、工程师等选择)作为终点度量，所述终点度量以比与其他类型的计量测量值相关联的其他终点度量更高的准确度指示基板工艺的终点。由于机器学习模型被训练并从不同类型的机器学习模型的集合选择作为具有满足与特定类型的计量测量值相关联的性能准则的性能评级的模型，针对基板提供的计量测量值与比由传统的计量估计系统提供的其他计量测量值更高的准确度相关联。因此，由所选的机器学习模型提供的计量测量值与高准确度评级相关联，这改进了基于所提供的计量测量值的终点检测的准确度，进一步防止了基板的处理不足或过度处理的可能性。

此外，如上所述，机器学习模型可以在与制造系统的系统控制器分开的处理设备处被训练并从机器学习模型集合选择。这大大减少了系统控制器所消耗的系统资源量，增加了整体系统效率，并且减少了整体系统延迟。

本公开内容的终点检测系统提供了传统的终点检测系统无法实现的增强的光谱数据收集。本公开内容的终点检测系统的光学束使多个入射光信号能够从光源部件传输到基板表面，以及使多个反射光信号能够从基板表面传输到光检测器，而无需使用可能降低传输信号的功率的附加设备(例如，分束器)。因此，光学束更高效地收集反射光，减少反射光束的信号损失，并且确保反射光信号的整体幅度大于传统的光纤线缆。终点检测系统的准直器组件生成入射光束，该入射光束在广泛的波长范围内具有均匀的空间分布。例如，入射光束的宽度对于射束的250nm的光谱成分和射束的750nm的光谱成分而言可以是相同的。此外，即使射束对准在不同的制造系统之间有所不同，入射光束的宽度也可以是相同的。增强的均匀性确保了对工艺腔室内的基板表面的目标部分的光学响应的测量更加准确，因此提供了更准确的数据，这允许在基板工艺期间更精确地确定基板轮廓的状态。

图1描绘了根据本公开内容的方面的说明性计算机系统架构100。计算机系统架构100包括客户端设备120、制造装备122、计量装备132、预测服务器112(例如，用于生成预测数据、用于提供模型调适、用于使用知识库等)和数据存储150。预测服务器112可以是预测系统110的一部分。预测系统110可以进一步包括服务器机器170和180。在一些实施例中，计算机系统架构100可以包括用于处理基板的制造系统(诸如图2的制造系统200)或者可以是制造系统的一部分。在附加性或替代性的实施例中，计算机系统架构100可以包括用于检测基板工艺的终点的终点检测系统或者可以是终点检测系统的一部分。关于图3提供了关于终点检测系统的进一步细节。

客户端设备120、制造装备122、计量装备132、预测系统110和/或数据存储150的部件可以经由网络140彼此耦接。在一些实施例中，网络140是公用网络，它向客户端设备120提供对预测服务器112、数据存储140和其他可公用的计算设备的存取。在一些实施例中，网络140是私有网络，它向客户端设备120提供对制造装备122、计量装备132、数据存储150和其他可私用的计算设备的存取。网络140可以包括一个或多个广域网(WAN)、局域网(LAN)、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)、蜂巢网络(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/或以上各项的组合。

客户端设备120可以包括计算设备，诸如个人计算机(PC)、膝上型计算机、移动电话、智能型手机、平板计算机、上网本计算机、网络连接的电视(“智能TV”)、网络连接的媒体播放器(例如，蓝光播放器)、机顶盒、过顶(OTT)串流设备、运营商盒子等。

制造装备122可以按照配方生产产品或在一段时间内执行作业来生产产品。在一些实施例中，制造装备122可以包括工艺工具或者可以是工艺工具的一部分，所述工艺工具包括被配置为对基板执行不同功能的一个或多个站(例如，工艺腔室、传输腔室、装载锁定等)。在一些实施例中，制造装备122可以进一步包括终点检测装备124，它被配置为收集数据以用于检测在制造装备122处对基板执行的工艺的终点。基板工艺的终点指的是工艺的一个点，在这个点上，基板的轮廓与目标轮廓对应(即，匹配或基本匹配)。终点检测装备124可以包括一个或多个部件，它们被配置为在基板工艺期间收集和/或生成与基板的表面的轮廓的一个或多个部分相关联的光谱数据。光谱数据指的是与针对检测到的能量波的每个波长所检测到的波的强度(即，能量的强度或量)相关联的数据。

在一些实施例中，终点检测装备124可以包括光纤束和准直器组件，它们被配置为将入射光从光源引导到基板的表面，并且将反射光从基板表面传输到光检测部件。与终点检测装备124耦接的处理设备(例如，工艺工具的系统控制器)可以基于传输到光检测部件的反射光，生成基板轮廓的光谱数据。在其他或类似的实施例中，终点检测装备124可以包括被配置为生成与基板轮廓相关联的光谱数据的任何传感器。这种传感器可以包括反射测量传感器、椭圆偏振传感器、热光谱传感器、电容式传感器等。分别关于图2和5描述了关于制造装备122和终点检测装备124的其他细节。

在一些实施例中，制造装备122的一个或多个站可以包括被配置为生成和/或收集与制造装备122相关联的传感器数据的传感器。传感器数据可以包括以下各项中的一项或多项的值：温度(例如，加热器温度)、间隔(SP)、压力、高频射频(HFRF)、静电卡盘(ESC)的电压、电流、流量、功率、电压等。传感器数据可以与制造参数相关联或指示制造参数，诸如硬件参数，诸如制造装备122的设定或部件(例如，大小、类型等)，或制造装备122的工艺参数。在制造装备122正在执行基板工艺时，可以提供传感器数据。针对每个基板的传感器数据可以不同。

在一些实施例中，制造装备122可以包括计量装备126。计量装备126可以被配置为生成与由制造装备122处理的基板相关联的计量数据。计量数据可以包括以下各项中的一项或多项的值：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、掺杂物浓度、密度、缺陷等。在一些实施例中，计量数据可以进一步包括一个或多个表面轮廓性质数据的值(例如，蚀刻速率、蚀刻速率均匀性、包括在基板的表面上的一个或多个特征的临界尺寸、整个基板表面上的临界尺寸均匀性、边缘放置误差等)。计量数据可以是成品或半成品的数据。针对每个基板的计量数据可以不同。

计量装备126可以被配置为在基板工艺之前或之后生成与基板相关联的计量数据。计量装备126可以与制造装备122的工艺工具的站整合在一起。在一些实施例中，计量装备126可以与工艺工具的站耦接或者是工艺工具的站的一部分，所述站被维持在真空环境下(例如，工艺腔室、传输腔室等)。这种计量装备126称为集成计量装备128。因此，当基板处于真空环境中时，基板可以由集成计量装备128所测量。例如，在对基板执行了基板工艺(例如，蚀刻工艺、沉积工艺等)之后，集成计量装备128可以在经处理的基板不从真空环境移除的情况下生成针对经处理的基板的计量数据。在其他或类似的实施例中，计量装备126可以与不维持在真空环境下的工艺工具站(例如，工厂接口模块等)耦接或者是工艺工具站的一部分。这种计量装备126称为直列式(inline)计量装备130。因此，基板在真空环境之外由直列式计量装备130测量。

附加于或替代于计量装备126，计算机系统架构100可以包括计量装备132。计量装备132可以包括计量测量设备，它们与制造装备122分开(即，在制造装备122的外部)。例如，计量装备132可以是不与制造装备122的任何站耦接的独立的装备。为了使用计量装备132获得对基板的测量，制造系统的用户(例如，工程师、操作员)可以使在制造装备124处处理的基板从制造装备122移除并传输到计量装备132进行测量。在一些实施例中，计量装备132可以经由网络140向与计量装备132耦接的客户端设备120传输针对基板生成的计量数据(例如，用于向制造用户(诸如操作员或工程师)呈现)。在其他或类似的实施例中，制造系统用户可以从计量装备132获得针对基板的计量数据，并且可以经由客户端设备120的图形用户接口(GUI)向计算机系统架构提供计量数据。

数据存储150可以是存储器(例如，随机存取存储器)、驱动器(例如，硬盘驱动、快闪驱动)、数据库系统或能够存储数据的另一种类型的部件或组件。数据存储150可以包括可以跨越多个计算设备(例如，多个服务器计算机)的多个存储部件(例如，多个驱动器或多个数据库)。数据存储150可以存储光谱数据、非光谱数据(例如，传感器数据)、计量数据、预测数据等。光谱数据可以包括历史光谱数据(例如，针对在制造装备122处或在经由网络140与数据存储150耦接的其他制造装备处处理的先前基板生成的光谱数据)和/或当前光谱(针对正在制造装备122处进行处理的当前基板生成的光谱数据)。当前光谱数据可以是针对其生成预测数据的数据。在一些实施例中，计量数据可以包括历史计量数据(例如，针对在制造装备122处或在其他制造装备处处理的先前基板的计量测量值)。数据存储150也可以存储与正在制造系统处处理的基板相关联的上下文数据(例如，配方名称、配方步骤编号、预防性维护指示符、操作员等)。

数据存储150的一个或多个部分可以被配置为存储制造系统的用户不可存取的数据。在一些实施例中，存储在数据存储150处的所有数据都可以是制造系统的用户不可存取的。在其他或类似的实施例中，存储在数据存储150处的数据的一部分是用户不可存取的，而存储在数据存储150处的数据的另一部分是用户可存取的。在一些实施例中，存储在数据存储150处的不可存取数据是使用用户未知的加密机制来加密的(例如，数据是使用私有加密密钥来加密的)。在其他或类似的实施例中，数据存储150可以包括多个数据存储，其中用户不可存取的数据存储在第一数据存储中，而用户可存取的数据存储在第二数据存储中。

在一些实施例中，预测系统110包括服务器机器170和服务器机器180。服务器机器170包括训练集生成器172，它能够生成训练数据集(例如，数据输入集合和目标输出集合)以训练、验证和/或测试机器学习模型190或机器学习模型190的集合。下面关于图4详细描述了训练集生成器172的一些操作。在一些实施例中，训练集生成器172可以将训练数据划分成训练集、验证集和测试集。

服务器机器180可以包括训练引擎182。引擎可以指硬件(例如，电路系统、专用逻辑、可编程逻辑、微代码、处理设备等)、软件(诸如在处理设备、通用计算机系统或专用机器上运行的指令)、固件、微代码，或上述各项的组合。训练引擎182可以能够训练机器学习模型190或机器学习模型190的集合。机器学习模型190可以指由训练引擎182使用训练数据所生成的模型制品，所述训练数据包括数据输入和对应的目标输出(相应的训练输入的正确答案)。训练引擎182可以寻找训练数据中的将训练输入映射到目标输出(要预测的答案)的模式，并且提供捕捉这些模式的机器学习模型190。机器学习模型190可以包括线性回归模型、偏最小二乘回归模型、高斯回归模型、随机森林模型、支持向量机模型、神经网络、岭回归模型等。

训练引擎182也可以能够使用来自训练集生成器172的验证集的对应的特征集来验证经训练的机器学习模型190。在一些实施例中，训练引擎182可以针对经训练的机器学习模型190的集合中的每一者分配性能评级。性能评级可以与相应的经训练的模型的准确度、相应模型的速度和/或相应模型的效率对应。根据本文所述的实施例，训练引擎182可以选择经训练的机器学习模型190，其性能评级满足要由预测部件114使用的性能准则。关于图9提供了关于训练引擎182的进一步细节。

预测服务器112包括预测引擎114，它能够提供正在制造装备122处处理的当前基板的一部分的光谱数据作为对经训练的机器学习模型190的输入，并且对所述输入运行经训练的模型190以获得一个或多个输出。在一些实施例中，由预测引擎114运行的经训练的模型190被训练引擎182选择作为具有满足性能准则的性能评级，如上所述。如关于图8进一步所述，在一些实施例中，预测引擎114也能够从经训练的机器学习模型190的输出提取数据，并且使用置信度数据来针对基板的所述部分提供计量测量。

置信度数据可以包括或指示计量值与跟当前光谱数据相关联的基板的一个或多个性质对应的置信度水平。在一个示例中，置信度水平是介于0与1之间的实数，其中0指示对于计量值与跟当前光谱数据相关联的基板的一个或多个性质对应无置信度，而1指示对于计量值与跟当前光谱数据相关联的基板的一个或多个性质对应有绝对的置信度。在一些实施例中，终点检测系统可以使用预测系统110来为正在制造系统处处理的基板提供计量值，而不是使用直列式计量装备128、集成计量装备130和/或外部计量装备132来确定测得的计量值。根据本文中所提供的实施例，终点检测系统可以基于针对基板提供的计量值来确定是否达到基板工艺的终点。

应注意，在一些其他的实施方式中，服务器机器170和180以及预测服务器112的功能可以由更大或更小数量的机器来提供。例如，在一些实施例中，服务器机器170和180可以被整合成单个机器，而在一些其他或类似的实施例中，服务器机器170和180以及预测服务器112可以被整合成单个机器。一般而言，在一个实施方式中被描述为由服务器机器170、服务器机器180和/或预测服务器112执行的功能也可以在客户端设备120上执行。此外，归因于特定部件的功能性还可以由一起操作的不同部件或多个部件执行。关于图3提供了关于服务器机器170、180以及预测服务器112的功能分组的进一步细节。

在实施例中，“用户”可以被表示为单个个体。然而，本公开内容的其他实施例涵盖由多个用户和/或自动源控制的实体的“用户”。例如，联合作为管理员群组的个体用户集合可以被视为“用户”。

图2是示例制造系统200的示意性俯视图。制造系统200可以对基板202执行一个或多个工艺。根据本公开内容的方面，基板202可以是任何适合刚性的、固定尺寸的、平面的制品，诸如例如，含硅的盘或晶片、图案化的晶片、玻璃板等，其适于在其上制造电子器件或电路部件。根据关于图1所描述的实施例，在一些实施例中，制造系统200可以包括计算机系统架构110或者可以是计算机系统架构110的一部分。

制造系统200可以包括工艺工具204和与工艺工具204耦接的工厂接口206。工艺工具204可以包括壳体208，其中具有传输腔室210。传输腔室210可以包括一个或多个处理腔室(也称为工艺腔室)214、216、218，它们围绕所述传输腔室设置并且与所述传输腔室耦接。处理腔室214、216、218可以通过相应的端口(诸如狭缝阀等)与传输腔室210耦接。传输腔室210也可以包括传输腔室机器人212，它被配置为在工艺腔室214、216、218、装载锁定220等之间传输基板202。传输腔室机器人212可以包括一个或多个臂，其中每个臂在每个臂的端部处包括一个或多个末端执行器。可以将末端执行器配置为搬运特定的物体，诸如晶片。

在一些实施例中，传输腔室210也可以包括计量装备，诸如关于图1所描述的集成计量装备128。集成计量装备128可以被配置为当基板被维持在真空环境中时，在基板工艺之前或期间生成与基板202相关联的计量数据。如图2所示，集成计量装备128可以设置在传输腔室210内。在其他或类似的实施例中，集成计量装备128可以与传输腔室210耦接。由于集成计量装备128设置在传输腔室210内或与传输腔室210耦接，因此可以在不将基板202从真空环境移除(例如，传输到工厂接口206)的情况下生成与基板202相关联的计量数据。

工艺腔室214、216、218可以被调适为在基板202上实现任何数量的工艺。可以在每个处理腔室214、216、218中进行相同或不同的基板工艺。基板工艺可以包括原子层沉积(ALD)、物理气相沉积(PVD)、化学气相沉积(CVD)、蚀刻、退火、固化、预清洁、金属或金属氧化物移除等。可以在其中在基板上实现其他的工艺。在一些实施例中，终点检测装备(诸如关于图1所描述的终点检测装备124)可以与工艺腔室214、216、218耦接或设置在工艺腔室214、216、218内。终点检测装备124可以被配置为在基板工艺期间收集基板的表面的轮廓的光谱数据。与终点检测装备124耦接的处理设备(例如，系统控制器228)可以基于收集到的光谱数据来确定是否已经达到了蚀刻工艺的终点(即，目标轮廓是否已经被蚀刻到基板的表面上)。在一些实施例中，终点检测装备124的所述一个或多个部件可以包括关于图5所描述的部件(例如，光纤束、准直器组件等)。在其他或类似的实施例中，终点检测装备124可以包括一个或多个传感器，它们设置在工艺腔室214、216、218内或外，并且被配置为在基板工艺之前、之后或期间收集工艺腔室214、216、218内的基板202和/或环境的一部分的光谱数据。

装载锁定220也可以与壳体208和传输腔室210耦接。装载锁定220可以被配置为在一侧与传输腔室210对接和耦接，而在另一侧与工厂接口206对接和耦接。在一些实施例中，装载锁定220可以具有环境受控的大气，它可以从真空环境(其中基板可以被传输到传输腔室210或从传输腔室210传输)改变为大气压力(或接近大气压力)的惰性气体环境(其中基板可以被传输到工厂接口206和从工厂接口206传输)。

工厂接口206可以是任何合适的外壳，诸如装备前端模块(EFEM)。工厂接口206可以被配置为从在工厂接口206的各种装载端口224处对接的基板载具222(例如，前开式标准舱(FOUP))接收基板202。工厂接口机器人226(以虚线示出)可以被配置为在基板载具(也称为容器)222与装载锁定220之间传输基板202。在其他和/或类似的实施例中，工厂接口206可以被配置为从替换零件存储容器222接收替换零件。

在一些实施例中，制造系统200可以包括计量装备，它被配置为生成与真空环境之外的基板202相关联的计量数据。例如，如图2所示，集成计量装备128可以与工艺腔室(例如，工艺腔室214、216和/或218)耦接。集成计量装备128可以被配置为在基板202被放置在真空环境中(例如，传输到装载锁定220)之前和/或在基板202从真空环境移除(例如，从装载锁定220移除)之后生成与基板202相关联的计量数据。应注意，虽然图2描绘与工厂接口206耦接的直列式计量装备130，但直列式计量装备130也可以与工艺工具204的位于真空环境之外的任何部分耦接(例如，与装载锁定220等耦接)。

制造系统200也可以与客户端设备(例如，图1的客户端设备120)连接，它被配置为向用户(例如，操作员)提供关于制造系统200的信息。在一些实施例中，客户端设备可以经由一个或多个图形用户接口(GUI)向制造系统200的用户提供信息。例如，客户端设备可以经由GUI提供关于在工艺腔室214、216、218处执行的基板工艺的终点的信息。

制造系统200也可以包括系统控制器228或与系统控制器228耦接。系统控制器228可以是和/或可以包括诸如个人计算机、服务器计算机、可编程逻辑控制器(PLC)、微控制器等之类的计算设备。系统控制器228可以包括一个或多个处理设备，它可以是诸如微处理器、中央处理单元等之类的通用处理设备。更具体地，处理设备可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器或实施其他指令集的处理器或实施指令集的组合的处理器。处理设备也可以是诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器等之类的一个或多个专用处理设备。系统控制器228可以包括数据存储设备(例如，一个或多个磁盘驱动器和/或固态硬盘)、主存储器、静态存储器、网络接口和/或其他部件。系统控制器228可以执行指令以执行本文所述的方法论和/或实施例中的任一者或多者。在一些实施例中，系统控制器228可以执行指令以根据工艺配方在制造系统300处执行一个或多个操作。指令可以存储在计算机可读存储介质上，所述计算机可读存储介质可以包括主存储器、静态存储器、辅助存储器和/或处理设备(在指令的执行期间)。

在一些实施例中，系统控制器228可以从传感器或包括在制造系统300的各种部分(例如，处理腔室314、316、318、传输腔室310、装载锁定320等)上或内的其他部件(例如，终点检测装备124)接收数据。由系统控制器228所接收的数据可以包括针对基板302的一部分的光谱数据和非光谱数据。出于本描述的目的，系统控制器228被描述为从与工艺腔室214、216、218耦接或设置在工艺腔室214、216、218内的终点检测装备124接收数据。然而，系统控制器228也可以从制造系统200的任何部分接收数据，并且可以根据本文所述的实施例使用从所述部分所接收的数据。在说明性示例中，系统控制器228可以在处理腔室214、216、218处的基板工艺之前、之后或期间从与工艺腔室214、216、218耦接的终点检测装备124接收光谱数据。从终点检测装备124或制造系统200处的其他传感器所接收的数据可以存储在数据存储250中。数据存储250可以被包括作为系统控制器228内的部件，或可以是与系统控制器228分开的部件。在一些实施例中，数据存储250可以是或包括关于图1所描述的数据存储150的一部分。

图3描绘了根据本公开内容的方面，用于基板工艺的终点检测的说明性系统架构300。在一些实施例中，终点检测系统300可以包括计算机架构100和/或制造系统200的一个或多个部件或者可以是计算机架构100和/或制造系统200的一部分。终点检测系统300可以包括制造装备124、计量装备130、服务器机器320和服务器机器350的一个或多个部件(例如，终点检测装备126)。

如先前所述，制造装备122可以按照配方生产产品或在一段时间内执行作业。制造装备122可以包括工艺腔室310，它被配置为根据基板工艺配方对基板执行基板工艺。在一些实施例中，工艺腔室310可以是关于图2所描述的工艺腔室214、218、218中的任一者。制造装备122也可以包括终点检测装备124，如本文所述。终点检测装备124可以与工艺腔室310耦接或设置在工艺腔室310内，并且可以收集光谱数据以用于检测基板工艺配方的步骤的终点。在一些实施例中，制造装备122也可以包括集成计量装备128，如本文所述。集成计量装备128可以被配置为在基板工艺完成之前或之后生成与基板相关联的计量数据。

制造装备122可以与服务器机器320耦接。服务器机器320可以包括处理设备322和/或数据存储332。在一些实施例中，处理设备322可以被配置为执行一个或多个指令，以在制造装备122处执行操作。例如，处理设备322可以包括关于图2所描述的系统控制器228或者可以是系统控制器228的一部分。在一些实施例中，数据存储332可以包括数据存储150和/或数据存储250或者可以是数据存储150和/或数据存储250的一部分。

处理设备322可以被配置为从制造装备122的一个或多个部件接收数据(即，经由网络)。例如，处理设备322可以接收由终点检测装备124在工艺腔室310处进行的基板的基板工艺期间所收集的光谱数据336。在另一个示例中，处理设备322可以接收由集成计量装备128在基板的基板工艺之前和/或之后所收集的计量数据338。计量数据338可以包括由集成计量装备128针对基板生成的计量测量值。在一些实施例中，处理设备322可以在数据存储332处存储接收到的光谱数据和/或接收到的计量数据338。

在一些实施例中，处理设备322可以从其他的计量装备接收计量数据338。例如，在一些实施例中，服务器320可以与直列式计量装备130耦接(即，经由网络)。如本文所述，基板可以从工艺腔室210移除，并传输到直列式计量装备130。直列式计量装备130可以针对基板生成计量数据338，并且经由网络向处理设备322传输生成的计量数据338。在另一示例中，基板可以从制造装备122移除，并且可以传输到外部计量装备，例如关于图1所描述的外部计量装备132。客户端设备(例如，客户端设备120)可以与服务器320耦接(即，经由网络)。在一些实施例中，制造装备122的用户可以使用外部计量装备132获得计量数据338，并且可以经由客户端设备120的GUI提供获得的计量数据338。客户端设备120可以经由网络传输计量数据338。在附加性或替代性的实施例中，外部计量装备132可以经由网络与服务器320耦接，并且外部计量装备132可以直接向处理设备332传输计量数据338。

处理设备322可以包括预测引擎328和工艺终点引擎330。预测引擎328可以被配置为基于在基板工艺期间为基板收集的光谱数据336来提供计量测量的值。例如，预测引擎328可以提供为在工艺腔室310处对当前基板执行的当前工艺收集的光谱数据336作为对经训练的机器学习模型334的输入。预测引擎328可以获得计量数据338作为机器学习模型334的输出，计量数据338包括对与当前基板对应的计量测量值的指示。在一些实施例中，预测引擎328可以与关于图1所描述的预测引擎114对应。

如图3所示，在一些实施例中，处理设备322可以包括训练集生成器324和/或训练引擎326。在一些实施例中，训练集生成器324可以与训练集生成器172对应，和/或训练引擎326可以与关于图1所描述的训练引擎182对应。训练集生成器324可以被配置为生成训练集340以训练机器学习模型334或机器学习模型334的集合。例如，训练集生成器324可以基于与先前基板相关联的历史光谱数据336来生成训练输入。在一些实施例中，训练集生成器324可以从数据存储332检取历史光谱数据336以生成训练输入。训练集生成器324可以基于针对先前基板获得的历史计量数据338来针对训练输入生成目标输出。如上所述，历史计量数据338可以由直列式计量装备128、集成计量装备130或外部计量装备132生成。训练集生成器324可以将生成的训练输入和生成的目标输出包括在训练集340中。关于图4提供了关于生成训练集340的进一步细节。

训练引擎326可以被配置为训练、验证和/或测试机器学习模型334或机器学习模型334的集合。训练引擎326可以提供训练集340以训练机器学习模型334，并且将经训练的机器学习模型334存储在数据存储332处。在一些实施例中，训练引擎326可以使用验证集342来验证经训练的机器学习模型334。验证集342可以包括针对先前基板(即，在工艺腔室310处或在另一工艺腔室处处理的先前基板)获得的光谱数据336和计量数据338。训练集生成器324和/或训练引擎326可以基于针对先前基板获得的历史光谱数据336和历史计量数据338来生成验证集342。在一些实施例中，验证集342可以包括与训练集340中包括的历史光谱数据336和历史计量数据338不同的历史光谱数据336和历史计量数据338。

训练引擎326可以提供先前基板的光谱数据336作为对经训练的机器学习模型334的输入，并且可以从经训练的模型334的一个或多个输出提取先前基板的计量测量值。训练引擎336可以鉴于在验证集342中包括的先前基板的计量数据338的测得计量值，基于先前基板的计量测量值的准确度，将性能分数分配给经训练的模型334。训练引擎336可以响应于确定性能分数满足性能分数准则(例如，超过性能分数阈值)而选择经训练的模型334以用于针对在工艺腔室310处处理的未来基板提供未来计量测量值。关于图9提供了关于选择经训练的模型334的进一步细节。

如先前所论述，在一些实施例中，训练集生成器324和/或训练引擎326可以是服务器320处的处理设备322的部件。在附加性或替代性的实施例中，训练集生成器324和/或训练引擎326可以是服务器350处的处理设备352的部件。服务器350可以包括与制造系统200分开的计算系统或者可以是与制造系统200分开的计算系统的一部分。如先前所述，在一些实施例中，服务器320可以包括关于图2所描述的系统控制器228或者可以是系统控制器228的一部分。在此类实施例中，服务器350可以包括与系统控制器228耦接(即，经由网络)但与系统控制器228分开的计算系统或者可以是所述计算系统的一部分。例如，可以向制造系统200的用户提供对存储在数据存储332的一个或多个部分处的数据或在处理设备322处执行的一个或多个工艺的存取。然而，可以向制造系统200的用户提供对存储在数据存储354的一个或多个部分处的任何数据或在处理设备352处执行的任何工艺的存取。

处理设备352可以被配置为以与处理设备322类似的方式执行训练集生成器324和/或训练引擎326。在一些实施例中，服务器350可以经由网络与制造装备122和/或直列式计量装备130耦接。因此，根据关于处理设备322所描述的实施例，处理设备352可以获得光谱数据336和计量数据338，以由训练集生成器324和/或训练引擎326用于生成训练集340和验证集342。在其他或类似的实施例中，服务器350不与制造装备122和/或外部计量装备130耦接。因此，处理设备352可以从处理设备322获得光谱数据336和/或计量数据338。例如，如先前所述，处理设备322可以从终点检测装备124接收光谱数据336。处理设备322可以向处理设备352传输收到的光谱数据336(即，经由网络)。在一些实施例中，处理设备352可以将光谱数据336存储在数据存储352处。在一些实施例中，处理设备322可以类似地向处理设备352传输针对基板获得的计量数据338。例如，如先前所述，处理设备322可以从直列式计量装备128、集成计量装备130和/或外部计量装备132接收计量数据338。处理设备352可以传输从处理设备322接收到的计量数据338，并且在一些实施例中，将计量数据338存储在数据存储354处。

处理设备352处的训练集生成器324可以根据先前所述的实施例生成训练集340。根据先前所述的实施例，处理设备352处的训练引擎326可以训练和/或验证机器学习模型340。在一些实施例中，服务器350可以与不同于制造装备122和/或服务器机器320的其他制造装备和/或其他服务器机器耦接。根据本文所述的实施例，处理设备352可以从其他的制造装备和/或服务器机器获得光谱数据336和/或计量数据338。在一些实施例中，训练集340和/或验证集342可以基于针对在工艺腔室310处处理的基板获得的光谱数据336和计量数据338以及针对在其他制造系统处的工艺腔室处处理的其他基板获得的其他的光谱数据和计量数据来生成。

响应于训练引擎326选择要应用于针对工艺腔室310处的未来基板的未来光谱数据的经训练的模型334，处理设备352可以向处理设备322传输经训练的模型334。如先前所述，预测引擎328可以使用经训练的模型334，来针对工艺腔室310处的未来基板提供计量测量值。

处理设备322处的工艺终点引擎330可以被配置为检测在工艺腔室310处对基板执行的工艺的终点。工艺终点引擎330可以从预测引擎328获得工艺腔室310处的当前基板的计量测量值。响应于确定计量测量值满足计量测量准则(例如，与目标计量测量值对应)，工艺终点引擎330可以生成包括终止工艺腔室310处的当前工艺(或当前工艺的当前步骤)的命令的指令。处理设备322可以向制造装备122传送指令，使得当前基板的当前工艺终止。响应于确定计量测量准则没有被满足，工艺终点引擎330可以允许对当前基板继续当前工艺(例如，不生成终止工艺的指令)。关于图10提供了与检测当前工艺的终点相关联的进一步细节。

图4是根据本公开内容的方面，用于训练机器学习模型的方法400的流程图。方法400是由工艺逻辑执行的，所述工艺逻辑可以包括硬件(电路系统、专用逻辑等)、软件(诸如在通用计算机系统或专用机器上运行的软件)、固件或上述各项的某种组合。在一个实施方式中，方法400可以由计算机系统(诸如图1的计算机系统架构100)执行。在其他或类似的实施方式中，方法400的一个或多个操作可以由图中未描绘的一个或多个其他机器执行。在一些方面中，方法400的一个或多个操作可以由关于图3描述的服务器机器320或服务器机器350的训练集生成器324执行。

在框410处，工艺逻辑将训练集T初始化为空集合(例如，{})。在框412处，工艺逻辑获得与在制造系统的工艺腔室处处理的基板相关联的光谱数据。在一些实施例中，可以从设置在工艺腔室内或与工艺腔室耦接的一个或多个传感器接收光谱数据。在其他或类似的实施例中，可以从设置在工艺腔室内或与工艺腔室耦接的终点检测装备接收光谱数据。图5是根据本公开内容的方面，与工艺腔室310耦接的终点检测装备124的示意性横截面侧视图。在一些实施例中，工艺腔室310可以用于其中提供有腐蚀性等离子体环境的工艺。例如，工艺腔室310可用于等离子体蚀刻器或等离子体蚀刻反应器、等离子体清洁器等的腔室。在其他或类似的实施例中，工艺腔室310可以用于其中提供有非腐蚀性环境的工艺。例如，工艺腔室310可以用作化学气相沉积(CVD)腔室、物理气相沉积(PVD)腔室、原子层沉积(ALD)腔室、离子辅助沉积(IAD)腔室和其他类型的处理腔室。

简而言之，工艺腔室310包括腔室主体502和盖530和/或喷头(未示出)，它们包围内部容积506。腔室主体502一般包括侧壁508和底部510。喷头可以包括喷头基部和喷头气体分布板。盖530和/或喷头可以被支撑在腔室主体502的侧壁508上。盖530(或喷头)可以打开，以允许进入工艺腔室510的内部容积506，并且在关闭时可以为工艺腔室510提供密封。气体面板(未示出)可以与工艺腔室510耦接，以通过盖530和喷嘴(例如，通过喷头或盖和喷嘴的孔)和/或喷头向内部容积506提供工艺和/或清洁气体。排气端口526可以被界定在腔室主体502中，并且可以将内部容积506与泵系统528耦接。泵系统528可以包括一个或多个泵和节流阀，它们用于抽空和调节工艺腔室510的内部容积506的压力。基板支撑组件548设置在内部容积506盖530和/或喷头中。基板支撑组件548在处理期间保持基板(诸如图2的基板202)。在一个实施例中，基板支撑组件548包括基座552，它支撑静电卡盘550。

终点检测装备124可以被配置为在基板202的基板工艺期间光学地监测内部容积506的环境。在一些实施例中，终点检测装备124可以与腔室主体502机械地耦接，并且与内部容积506的环境光学地对接(即，经由光学接口570对接)。终点检测装备124可以包括准直器组件554、光纤束556、光部件562、处理设备576，并且在一些实施例中还可以包括偏振器部件586。如图5所示，准直器组件554可以与腔室接口570耦接。在一些实施例中，腔室接口570可以是孔口、聚光或发散透镜、透明板，或能够在准直器组件554与内部容积506的环境之间传输光的任何其他器件或材料。应注意，虽然图5将腔室界面570描绘为嵌入在盖530内，但腔室接口570也可以被嵌入在工艺腔室310的任何部分(例如，侧壁508、底部510等)内或与所述任何部分耦接。

光纤束556的第一端可以与准直器组件554耦接，并且光纤束556的第二端可以与光部件562耦接。光部件562可以包括被配置为生成光的光源564。在本文中，“光”指的是任何光谱范围(包括可见光、远红外线和近红外线(IR)、远紫外线和近紫外线(UV)等)的电磁辐射。“光”可以进一步包括未偏振的(例如，自然)光、线性地、圆形地、或椭圆地偏振的光、部分偏振的光、聚焦的光、发散光、准直的光等。在一些实施例中，光源564可以包括窄带光源，诸如发光二极管(LED)、激光、灯泡等。在其他或类似的实施例中，光源564可以包括宽带光源。光源564可以包括多于一个成分的光源，诸如在一些实施例中，多个窄带光源产生(当一起使用时)宽带光输入。光源564可以包括附加的光学组件(即，滤波器、吸收体、偏振器等)以控制光的光谱分布和/或偏振。

由光源564所生成的光(在本文中称为输入光)可以通过光学束556的一个或多个发射光纤558传输到准直器组件554。响应于经由发射光纤558接收到输入光，准直器组件554可以被配置为将输入光转换成光束572。例如，输入光可以经由准直器组件554的一个或多个光学组件(诸如透镜、反射体、滤波器、孔等)传递。在一些实施例中，由准直器组件554所生成的光束的空间性质对于光束572的多个光谱成分而言可以是相同的。例如，光束572的直径可以在输入光中包含(因此在光束572中包含)的各种光谱成分的广泛的波长λ范围内是相同的。在一些实施例中，准直器组件554可以包括一个或多个消色差透镜。因此，由准直器组件554生成的光束572可以是消色差光束。

如图5所示，在一些实施例中，准直器组件554可以包括偏振器部件568。偏振器部件568被配置为偏振由光源564所生成的未偏振(例如，自然)光。例如，偏振器部件568可以将未偏振的输入光转换成线性地、圆形地或椭圆形地偏振的光。应注意，虽然图5将偏振器部件568示为准直器组件554的一部分，但偏振器部件568也可以与终点检测装备124的向光学接口570传递输入光的任何部分耦接。例如，偏振器部件568可以与光源564的出口耦接，与所述一个或多个发射光纤558的出口耦接，耦接在准直器组件与光学接口570之间等。

准直器572可以经由光学接口570向设置在基板支撑组件548上的基板202的表面引导光束572。光束572可以从基板202的表面反射，成为反射光束574，由准直器组件554接收。光学束556的一个或多个接收光纤560可以向光部件562的光检测器566传输反射光束574。光检测器566可以包括一个或多个摄谱仪、光谱仪、衍射光栅、反射镜、透镜、光电二极管和其他的设备。光检测器566，单独地或与处理设备576一起地，可以基于反射光束574来确定与基板202的表面相关联的一个或多个光学响应。例如，光检测器566和/或处理设备576可以基于反射光574来确定反射率R(λ)、折射率n(λ)，或可以用于表征基板202的任何其他光学量。在一些实施例中，光学响应可以用于为基板202表征反射率的偏振依赖性、反射时的偏振平面的旋转角度、发光强度等。关于本申请所描述的光谱数据可以指与反射光574的光学响应和/或根据反射光574的光学响应导出的基板202的光学特性对应的数据。

在一些实施例中，处理设备576可以被包括作为包括工艺腔室310的制造系统的系统控制器(例如，系统控制器228)的一部分。在这种实施例中，处理设备576可以将针对基板202生成的光谱数据存储在与处理设备576耦接的数据存储(例如数据存储250、332、352等)处。在其他或类似的实施例中，处理设备576可以是与系统控制器分开但经由网络与系统控制器耦接的处理部件。处理设备576可以向系统控制器传输生成的光谱数据，以存储在制造系统相应的数据存储处。

回到图4，在框414处，工艺逻辑获得基板的计量数据。如先前所述，计量数据可以包括以下各项中的一项或多项的值：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、掺杂物浓度、密度、缺陷等。在一些实施例中，计量数据可以进一步包括一个或多个表面轮廓性质数据的值(例如，蚀刻速率、蚀刻速率均匀性、在基板的表面上包括的一个或多个特征的临界尺寸、整个基板表面上的临界尺寸均匀性、边缘放置误差等)。在一些实施例中，可以从制造系统200的计量装备(例如，直列式计量装备126、集成计量装备128等)接收计量测量。例如，在基板工艺完成之后，基板可以被传输到制造系统200的直列式计量装备128和集成计量装备130。直列式计量装备128或集成计量装备130可以生成与基板相关联的计量数据，并且可以经由网络向包括工艺逻辑的计算设备(例如，服务器机器320、服务器机器350等)传输计量数据。在其他或类似的实施例中，如本文所述，可以从与制造系统200分开的计量装备(例如，外部计量装备132)接收计量测量。

在框416处，工艺逻辑基于在框412处针对基板获得的光谱数据来生成训练输入。在一些实施例中，训练输入可以包括正则化的光谱数据集合，它是基于针对基板获得的光谱数据来生成的。正则化的光谱数据集合可以包括一个或多个光谱特征，它们与特定类型的计量测量对应。关于图6提供了关于生成训练输入的其他细节。在框418处，工艺逻辑可以基于在框414处针对基板获得的计量数据来生成目标输出。目标输出可以与跟基板相关联的计量测量的值对应。例如，在框414处，工艺逻辑可以获得计量数据，它指示在蚀刻工艺之后，基板的表面的一个或多个部分处的膜的厚度。工艺逻辑可以基于获得的计量数据和蚀刻工艺的工艺数据来生成与蚀刻速率和/或蚀刻速率均匀性对应的目标输出。

在框420处，工艺逻辑生成输入/输出映射。输入/输出映射指的是包括或基于基板的数据的训练输入以及训练输入的目标输出，其中目标输出标识基板的计量测量值，并且其中训练输入与目标输出相关联(或映射到目标输出)。在框422处，工艺逻辑将输入/输出映射添加到训练集T。

在框424处，工艺逻辑确定训练集T是否包括足以训练机器学习模型的训练数据量。应注意，在一些实施方式中，训练集T的充分性可以简单地基于训练集中的输入/输出映射的数量来确定，而在一些其他的实施方式中，训练集T的充分性可以附加于或替代于输入/输出映射的数量基于一个或多个其他的准则(例如，训练示例的多样性的度量等)来确定。响应于确定训练集T包括足以训练机器学习模型的训练数据量，工艺逻辑提供训练集T以训练机器学习模型。响应于确定训练集不包括足以训练集机器学习模型的训练数据量，方法400返回至框412。

在框426处，工艺逻辑提供训练集T以训练机器学习模型。在一些实施例中，训练集T被提供到服务器机器320和/或服务器机器350的训练引擎326以执行训练。在神经网络的情况下，例如，给定输入/输出映射的输入值(例如，针对先前基板的光谱数据)被输入到神经网络，并且输入/输出映射的输出值被存储在神经网络的输出节点中。然后，根据学习算法(例如，反向传播等)来调整神经网络中的连接权重，并且对训练集T中其他的输入/输出映射重复程序。在框426之后，机器学习模型190可以用于针对在制造系统处处理的未来基板提供计量值(例如，根据下面描述的图8的方法800)。

图6是根据本公开内容的方面，用于获得用于与机器学习模型(例如，机器学习模型334)一起使用的数据的方法600的流程图。方法600是由工艺逻辑执行的，所述工艺逻辑可以包括硬件(电路系统、专用逻辑等)、软件(诸如在通用计算机系统或专用机器上运行的软件)、固件或上述各项的某种组合。在一个实施方式中，方法600可以由计算机系统(诸如图1的计算机系统架构100)执行。在其他或类似的实施方式中，方法600的一个或多个操作可以由图中未描绘的一个或多个其他机器所执行。在一些方面中，方法600的一个或多个操作可以由关于图3所描述的服务器机器320或服务器机器350的训练集生成器324执行。附加性地或替代性地，方法600的一个或多个操作可以由服务器机器350的预测引擎328执行。在一个示例中，根据关于图4的方法400所描述的实施例，训练集生成器324可以执行关于框610-624中的一者或多者描述的操作以生成训练输入。在另一个示例中，如关于图8的方法800所描述，预测引擎328可以执行关于框620-624中的一者或多者描述的操作，来获得光谱数据的子集以提供作为对经训练的机器学习模型的输入。

在框610处，工艺逻辑可以获得与基板相关联的光谱数据。在一些实施例中，光谱数据可以与如关于方法400的框412所描述地由训练集生成器324的工艺逻辑所获得的光谱数据对应。在其他或类似的实施例中，如本文所述，光谱数据可以与由预测引擎328的工艺逻辑所获得的光谱数据对应。图7A说明了根据本文所述的实施例，在基板工艺期间针对基板收集的光谱数据。如图7A所示，光谱数据可以与具有光信号的特定波长的光波的幅度对应，所述幅度是在基板工艺的相应时间段期间由设置在工艺腔室内或与之耦接的传感器或终点检测装备检测的。例如，光谱数据可以与由终点检测装备124在基板的蚀刻工艺的初始(例如，在时间0秒)、中间(例如，在时间1秒到时间N-1秒)和最终(例如，在时间N秒)时间段期间所检测到的波长X、Y和Z的幅度对应。

回到图6，在一些实施例中，工艺逻辑还可以获得与基板相关联的计量数据。工艺逻辑可以根据关于方法400的框414所描述的实施例获得计量数据。

在框612处，工艺逻辑可以获得与针对基板执行的基板工艺的速率相关联的数据。在一些实施例中，基板工艺可以是蚀刻工艺，并且速率数据可以是蚀刻工艺的蚀刻速率。在其他或类似的实施例中，基板工艺可以是沉积工艺，并且速率数据可以是沉积工艺的沉积速率。应注意，基板工艺可以是蚀刻工艺和/或沉积工艺以外的另一种工艺，并且工艺逻辑可以获得与相应的基板工艺相关联的对应速率数据。

在一些实施例中，工艺逻辑可以基于基板的上下文数据和/或计量数据来获得速率数据。例如，获得的计量数据可以指示在基板工艺之前和/或之后在基板的表面上沉积的膜的厚度。图7B说明了根据本文所述的实施例的基板工艺的示例速率数据。数据点702指示在蚀刻工艺之前在基板的表面上沉积的膜的厚度。数据点704指示在基板工艺之后的膜的厚度。根据本文所述的实施例，工艺逻辑可以基于在蚀刻工艺之后为基板收集的计量数据来获得数据点704。在一些实施例中，工艺逻辑可以基于在蚀刻工艺之前为基板收集的计量数据来获得数据点702。在其他或类似的实施例中，工艺逻辑可以基于在蚀刻工艺之前不是由计量装备所生成的数据来获得数据点702。例如，制造系统的用户可以经由与制造系统耦接的客户端设备在基板工艺之前提供与膜的厚度相关联的数据(其例如来自基板规格)。在另一示例中，计量装备可以在另一蚀刻工艺被执行之前针对另一基板生成计量数据。数据点702可以指示基于针对另一基板收集的计量数据来获得的膜的厚度。

在一些实施例中，工艺逻辑可以根据与基板相关联的上下文数据(例如，存储在数据存储150处)获得对基板工艺的长度的指示。例如，工艺逻辑可以从数据存储150检取数据，所述数据指示蚀刻工艺是在0秒的初始时间段对基板开始的，而蚀刻工艺是大约在N秒的最终时间段完成的。因此，工艺逻辑可以确定蚀刻工艺的长度为约N秒。

工艺逻辑可以基于在基板工艺之前与之后的膜的厚度之间的差异和基板工艺的长度来确定工艺的速率。例如，工艺逻辑可以确定数据点702与10埃的膜厚度对应，而数据点704与/>的膜厚度对应(即在蚀刻工艺期间蚀刻掉了/>的膜)。基于获得的上下文数据，工艺逻辑可以确定蚀刻工艺的长度为8秒。因此，工艺逻辑可以确定蚀刻工艺的蚀刻速率706为约/>

应注意，在一些实施例中，工艺逻辑可以基于其他的技术来确定基板工艺的速率。在一些实施例中，工艺逻辑可以基于由制造系统的用户提供的数据来获得基板工艺的速率数据。例如，制造系统的用户可以经由与制造系统耦接的客户端设备来提供蚀刻工艺的蚀刻速率。在其他或类似的实施例中，工艺逻辑基于与基板相关联的工艺配方数据来确定基板工艺的速率。在另一示例中，工艺逻辑可以从数据存储150获得蚀刻工艺配方数据，并且基于在蚀刻工艺的一个或多个时间段在工艺腔室处生成的蚀刻等离子体量来确定蚀刻工艺的蚀刻速率。在一些实施例中，工艺逻辑也可以确定工艺速率在基板工艺的持续时间内是否恒定。例如，用户可以经由客户端设备提供蚀刻工艺的蚀刻速率恒定的指示。或者，用户可以提供蚀刻工艺的蚀刻速率不恒定的指示，并且可以提供蚀刻工艺期间的每个瞬时的蚀刻速率的指示。在另一示例中，根据先前所述的实施例，工艺逻辑可以基于工艺配方数据来确定工艺速率是否恒定。如果工艺速率不恒定，那么工艺速率也可以基于工艺配方数据(例如，基于在工艺腔室处在每个瞬时在工艺腔室处生成的蚀刻等离子体量)来确定工艺速率。

在框614处，工艺逻辑可以基于针对基板获得的速率数据来针对基板生成合成计量数据。在一些实施例中，基板的合成计量数据可以与在基板工艺的初始时间段与基板工艺的最终时间段之间的一个或多个中间时间段的基板的表面上的膜的估计厚度对应。在一些实施例中，工艺逻辑可以针对每个中间时间段生成合成计量数据，光谱数据是在基板工艺期间在所述中间时间段内针对基板生成的。图7C说明了根据本文所述的实施例，针对基板生成的合成数据。如关于图7B所描述，工艺逻辑可以基于数据点702、数据点704和蚀刻工艺的长度来确定(例如，根据蚀刻工艺的上下文数据获得)蚀刻工艺的蚀刻速率706。工艺逻辑可以基于确定的蚀刻速率706来确定在蚀刻工艺期间的其他时间段的膜的厚度。根据先前提供的示例，工艺逻辑可以确定蚀刻工艺的长度为约8秒，并且蚀刻速率706为约因此，工艺逻辑可以估计膜的厚度在蚀刻工艺开始的1秒之后为约/>在蚀刻工艺开始2秒之后为约/>以此类推。合成计量数据可以与在初始时间段与最终时间段之间的时间段集合中的每一者的估计膜厚度对应。

在框616处，工艺逻辑可以将所获得的光谱数据映射到基板的所获得的计量数据和合成计量数据。如图7D所示，工艺逻辑可以将在基板工艺的初始和最终时间段获得的计量数据映射到在基板工艺的相应时间段期间收集的光谱数据。例如，工艺逻辑可以将在蚀刻工艺的初始时期的膜的初始厚度(即，数据点702)映射到由终点检测装备124在所述初始时期所检测到的每个波长的幅度。附加性地或替代性地，工艺逻辑可以将与蚀刻工艺的每个相应的中间时间段相关联的生成的合成计量数据映射到在相应的中间时间段的每个检测的波长的幅度。

在框618处，工艺逻辑可以针对基板生成正则化的光谱数据。正则化的光谱数据可以指被调整以计及针对在不同瞬时执行的基板工艺(例如在早班期间执行的工艺与在下午或晚班期间执行的工艺)收集的数据所自然导致的差异的光谱数据。在一些实施例中，工艺逻辑可以通过选择光谱数据的集合作为基线光谱数据，来生成正则化的光谱数据。在一些实施例中，基线光谱数据可以是在基板工艺的初始时期期间收集的光谱数据。工艺逻辑可以基于所选的光谱数据集合，来确定检测到的光信号的一个或多个波长的幅度。在一些实施例中，工艺逻辑可以确定检测到的光信号的每个波长在基板工艺的初始时期期间的幅度。在其他或类似的实施例中，工艺逻辑可以确定检测到的光信号的特定波长的幅度。例如，工艺逻辑可以确定检测到的信号的一个或多个特定波长，它们与基板的计量数据的特定计量测量对应。

在一些实施例中，工艺逻辑可以使用波分析模型(诸如严格耦合波分析(RCWA)模型)，来确定与特定计量测量对应的所述一个或多个波长。波分析模型可以是理论模型，它被训练为提供与跟特定类型的计量测量相关联的计量测量值对应的光谱波长(即，理论光谱波长)，这些光谱波长的准确度比其他光谱波长更高。例如，波分析模型可以被训练为标识一定范围的光谱波长。考虑到整个基板的表面上的临界尺寸的变化，所述光谱波长范围中的一些波长可能表现出与所述波长范围中的其他波长相异的行为。这种光谱波长可以以比由终点检测装备200所检测到的光信号的其他光谱波长更高的准确度指示临界尺寸测量值。工艺逻辑可以提供获得的光谱数据的一个或多个部分作为对波分析模型的输入，并且可以获得波分析模型的一个或多个输出。工艺逻辑可以从所述一个或多个输出提取与特定计量测量对应的光谱波长范围。在一些实施例中，光谱波长范围可以与光谱的特定部分对应。例如，光谱波长范围可以与可见光光谱的特定颜色(例如，绿色)对应。在附加性或替代性的实施例中，光谱波长范围可以与光谱的特定波长对应。响应于提取光谱波长范围，工艺逻辑可以针对光谱波长范围中的每一者选择基线光谱数据以包括在光谱数据集合中。

响应于确定检测到的光信号的所述一个或多个波长在初始时间段的幅度，工艺逻辑可以针对每个后续的时间段确定所述一个或多个波长的幅度，光谱数据在基板工艺期间在所述后续的时间段被收集。如上所述，终点检测装备124可以在蚀刻工艺的一个或多个中间时间段(例如，在时间1秒到时间N-1秒)和最终时间段(例如，在时间N秒)收集基板的光谱数据。因此，工艺逻辑可以确定检测到的光信号的所述一个或多个波长中的每一者在每个中间时间段和最终时间段的幅度。

在一些实施例中，工艺逻辑可以基于所述一个或多个波长在蚀刻工艺的初始时间段的幅度与所述一个或多个波长在每个后续的时间段(即，在每个中间时间段和最终时间段)的幅度之间的差异来针对基板生成正则化的光谱数据。在说明性示例中，工艺逻辑可以确定波长X在初始时间段的幅度为约10单位，而波长X在第一中间时间段的幅度为约11单位。正则化的光谱数据可以包括第一正则化光谱数据点，它指示波长X在第一中间时间段的正则化幅度为约1单位(例如，波长X在初始时间段的幅度与波长X在第二时间段的幅度之间的差异)。工艺逻辑也可以确定波长X在第二中间时间段为约12单位。因此，正则化光谱数据可以包括第二正则化光谱数据点，它指示波长X在第二中间时间段的正则化幅度为约2单位。根据上述示例，工艺逻辑可以针对每个中间时间段和最终时间段生成正则化光谱数据。

在其他或类似的实施例中，工艺逻辑可以基于所述一个或多个波长在蚀刻工艺的每个后续的时间段的幅度与所述一个或多个波长在初始时间段的幅度之间的比率来针对基板生成正则化光谱数据。例如，工艺逻辑可以确定波长X在初始时间段的幅度为约5单位，而波长X在第一中间时间段的幅度为约10单位。正则化的光谱数据可以包括第一正则化光谱数据点，它指示波长X在第一中间时间段的正则化幅度为约2单位(例如，波长X在第二时间段的幅度与波长X在第一时间段的幅度之间的比率)。

图7D进一步说明了映射到基板工艺的获得的和合成的计量数据的示例正则化光谱数据。如上所述，正则化光谱数据不考虑由终点检测装备124收集的原始光谱数据中存在的任何变化(例如，工艺腔室差异、工艺运行时间差异等)。这在图7D中得到说明，其中与图7A的代表相应波长的原始光谱数据的每条线相比，代表相应波长的正则化光谱数据的每条线是平滑的。如上所述，在一些实施例中，工艺逻辑可以基于所述一个或多个波长在初始时间段的幅度与所述一个或多个波长在每个后续时间段的幅度之间的差异来生成正则化的光谱数据。在这种实施例中，在时间0，每个波长的幅度为约0单位。在其他或类似的实施例中，工艺逻辑可以基于所述一个或多个波长在每个后续的时间段的幅度与所述一个或多个波长在初始时间段的幅度之间的比率来生成正则化的光谱数据。在这种实施例中，在时间0，每个波长的幅度为约1单位。

回到图6，在框620处，工艺逻辑可以从正则化的光谱数据提取包括一个或多个光谱特征的光谱数据的集合，这些光谱特征与特定类型的计量测量对应。在一些实施例中，工艺逻辑可以执行主成分分析(PCA)以选择光谱数据的最重要的特征。主成分分析指的是对实坐标空间中的点集合的分析，以执行点集合的基础的改变。在一些实施例中，光谱特征集合包括检测到的光的与特定类型的计量测量对应的波长范围。在这种实施例中，工艺逻辑可以基于上述的波分析模型的输出来标识特定的波长。例如，工艺逻辑可以提供与基板的结构相关联的数据(例如CD、厚度、材料性质、SWA等)作为对波分析模型的输入，并且提取一个或多个输出。工艺逻辑可以基于所述一个或多个输出来确定特定的光谱范围与特定类型的计量测量对应，以及波长X和Y被包括在所述特定的范围中。在附加性或替代性的实施例中，波分析模型的输出可以指示，波长X和Y与特定类型的计量测量对应。响应于标识与特定类型的计量测量对应的特定波长，工艺逻辑可以从正则化的光谱数据提取与波长X和Y对应的光谱数据集合。

在一些实施例中，光谱特征集合包括存在于与特定类型的计量测量对应的一个或多个波长的光谱数据中的光谱趋势或模式。工艺逻辑可以对所述一个或多个波长的正则化光谱数据执行一个或多个分析操作(例如，RCWA、二维扫描操作等)，以标识与特定类型的计量测量值对应的光谱趋势或模式。在一些实施例中，工艺逻辑可以标识特定波长的正则化光谱数据的与特定类型的计量测量相关联的一部分。例如，工艺逻辑可以标识，波长Y在初始时间段与第一中间时间段之间的正则化光谱数据与临界尺寸测量相关联。图7E的数据范围710指示这种标识的正则化光谱数据。在其他或类似的实施例中，工艺逻辑可以标识正则化光谱数据的部分，所述部分指示与特定类型的计量测量相关联的每个波长所共有的光谱趋势或模式。例如，工艺逻辑可以标识波长X和波长Y所共有的光谱趋势。图7E的数据范围712、714和716指示这种所标识的正则化光谱数据。

在其他或类似的实施例中，工艺逻辑可以基于对校准基板的二维扫描的结果来标识正则化光谱数据的与特定类型的测量值对应的部分。校准基板可以指包括与目标轮廓特征对应的一个或多个轮廓特征的基板，所述目标轮廓特征与特定的基板工艺相关联。校准基板可以放置在扫描装备(例如，计量装备或其他装备)处，所述扫描装备被配置为扫描基板的表面，并且收集与基板轮廓的形貌相关联的光谱数据。所收集的光谱数据可以包括光谱数据集合，每个光谱数据集合与基板表面的特定部分或区域相关联。工艺逻辑可以获得校准基板的数据，并且可以基于光谱数据集合来标识校准基板的一部分或区域，所述部分或区域包括与基板表面的其他部分处的轮廓图案相异的轮廓图案。工艺逻辑可以标识波长X、Y和/或Z的正则化光谱数据的光谱趋势，所述正则化光谱数据与在对校准基板的二维扫描期间收集的相异轮廓图案的光谱数据对应。

回到图6，在框622处，工艺逻辑可以从所提取的光谱数据集合标识与基板工艺的特定时间段相关联的光谱数据子集。在一些实施例中，基板工艺的特定时间段可以包括基板工艺的最终时间段和/或基板工艺的与最终时间段相邻的一个或多个中间时间段。在其他或类似的实施例中，基板工艺的特定时间段可以包括最接近当前基板工艺的当前时间段的时间段。图7F说明了与蚀刻工艺的最终时间段(即，时间N)和蚀刻工艺的相邻中间时间段(即，时间N-1)相关联的光谱数据的子集718。工艺逻辑可以根据从正则化光谱数据提取的数据范围710-716来标识子集718。

如上所述，方法600的一个或多个操作可以由训练集生成器324执行。例如，训练集生成器324可以执行操作610-622以获得子集718。根据关于图4所提供的实施例，子集718可以被包括在为了训练机器学习模型334而生成的训练输入中。在其他或类似的实施例中，方法600的一个或多个操作可以由预测引擎328执行。例如，预测引擎328可以执行操作610和618-622以获得子集718。根据下面关于图8所描述的实施例，子集718可以被提供作为对经训练的机器学习模型334的输入。

图8是根据本公开内容的方面，用于使用机器学习模型来估计基板的轮廓的计量值的方法800的流程图。方法800是由工艺逻辑执行的，所述工艺逻辑可以包括硬件(电路系统、专用逻辑等)、软件(诸如在通用计算机系统或专用机器上运行的软件)、固件或上述各项的某种组合。在一个实施方式中，方法800可以由计算机系统(诸如图1的计算机系统架构100)执行。在其他或类似的实施方式中，方法800的一个或多个操作可以由图中未描绘的一个或多个其他机器执行。在一些方面中，方法800的一个或多个操作可以由关于图3描述的服务器机器320的预测引擎328执行。

在框810处，工艺逻辑接收与正在制造系统的工艺腔室处处理的基板相关联的光谱数据。在一些实施例中，根据先前所述的实施例，光谱数据可以从终点检测装备(诸如终点检测装备124)或设置在工艺腔室内或与工艺腔室耦接的其他传感器接收。在框812处，获得正则化光谱数据的一个或多个子集，其中包括对与特定类型的计量测量对应的光谱特征的指示。在一些实施例中，工艺逻辑可以通过执行关于图6的方法600描述的一个或多个操作(例如操作618-622)，来获得正则化光谱数据的所述一个或多个子集。在框816处，工艺逻辑提供所提取的正则化光谱数据的一个或多个子集作为对经训练的机器学习模型的输入。在一些实施例中，经训练的机器学习模型可以与关于图3所描述的机器学习模型334对应。在一些实施例中，根据下面关于图9所描述的实施例，训练引擎326选择机器学习模型334以由预测引擎328使用。在框818处，工艺逻辑获得机器学习模型的一个或多个输出。在框820处，工艺逻辑从所述一个或多个输出提取计量测量数据，所述计量测量数据标识：(i)与特定类型的计量测量相关联的一个或多个计量测量值，以及(2)对所述一个或多个计量测量值中的每一者与基板的轮廓对应的置信度水平的指示。在一个示例中，置信度水平是介于0与1之间的实数(包括0和1)。应注意，在一些实施例中，置信度水平不与几率对应。例如，所有计量测量值的置信度水平的总和可以不等于1。

在一些实施例中，工艺逻辑可以使用计量测量数据来为正在制造系统处处理的基板提供计量测量值。在一些实施例中，若计量测量值的置信度水平满足阈值条件，则将基板标识为与计量测量值相关联。工艺逻辑可以响应于确定置信度水平超过置信度的阈值水平，确定计量测量值的置信度水平满足阈值条件。根据关于图10所描述的实施例，工艺逻辑可以向工艺终点引擎330提供计量测量值。

图9是根据本公开内容的方面，用于选择用于估计一定类型的计量测量值的机器学习模型的方法900的流程图。方法900是由工艺逻辑执行的，所述工艺逻辑可以包括硬件(电路系统、专用逻辑等)、软件(诸如在通用计算机系统或专用机器上运行的软件)、固件或上述各项的某种组合。在一个实施方式中，方法900可以由计算机系统(诸如图1的计算机系统架构100)执行。在其他或类似的实施方式中，方法900的一个或多个操作可以由图中未描绘的一个或多个其他机器执行。在一些方面中，方法900的一个或多个操作可以由关于图3所描述的服务器机器320或350的训练引擎326执行。

在框910处，工艺逻辑接收机器学习模型集合的训练数据和/或验证数据。机器学习模型集合中的每一者可以与不同的机器学习模型类型对应。例如，机器学习模型集合中的每一者可以与线性回归模型、偏最小二乘回归模型、高斯回归模型、随机森林模型、支持向量机模型、神经网络、岭回归模型等对应。在一些实施例中，工艺逻辑可以从服务器机器320或350的训练集生成器324接收训练数据和验证数据。训练集生成器324可以根据关于图4的方法400所描述的实施例来生成训练数据。在其他或类似的实施例中，工艺逻辑可以从训练集生成器324接收训练数据，并且可以基于所接收的训练数据来生成验证数据。训练数据可以与关于图3所描述的训练集340对应，并且验证数据可以与包括在验证集342中的数据对应。

在框912处，工艺逻辑使用接收到的训练数据来训练机器学习模型集合中的每一者。在框914处，工艺逻辑使用验证数据来对机器学习模型集合中的每一者执行一个或多个测试操作。如上所述，验证集342可以包括在工艺腔室处处理的先前基板的光谱数据和计量数据，这些数据与训练数据中包括的光谱数据和计量数据不同。为了执行所述一个或多个测试操作，工艺逻辑可以提供验证集342的光谱数据作为对经训练的机器学习模型集合中的每一者的输入，并且可以获得经训练的模型中的每一者的一个或多个输出。根据本文中所提供的实施例，工艺逻辑可以从获得的一个或多个输出提取计量测量值。

在框916处，工艺逻辑基于关于框914执行的所述一个或多个测试操作的结果，来向机器学习模型集合中的每一者分配性能评级。在一些实施例中，工艺逻辑可以基于为机器学习模型确定的准确度分数，向相应的机器学习模型分配性能评级。工艺逻辑可以基于从相应的机器学习模型的输出提取的计量测量值与基板的实际计量测量值之间的差异低于阈值差异值，来确定准确度分数。例如，如关于框914所描述，工艺逻辑可以根据验证集342提供光谱数据作为对相应的机器学习模型的输入，并且可以从模型的输出提取计量值。工艺逻辑可以将提取的计量值与跟验证集342的提供的光谱数据相关联的实际计量测量值进行比较。工艺逻辑可以基于提取值与验证集342的实际值之间的差异，将准确度分数分配给模型。例如，如果由模型产生的提取值与实际值之间的差异很小，那么工艺逻辑可以将高的准确度分数分配给相应的模型。类似地，如果差异很大，那么工艺逻辑可以将低的准确度分数分配给相应的模型。

在附加性或替代性的实施例中，工艺逻辑可以进一步基于针对机器学习模型确定的速度分数，来向相应的机器学习模型分配性能评级。在一些实施例中，工艺逻辑可以基于在工艺逻辑提供光谱数据作为对模型的输入之后获得模型的所述一个或多个输出的时间量来确定速度分数。在其他或类似的实施例中，工艺逻辑可以基于在工艺逻辑提供光谱数据作为对模型的输入之后，工艺逻辑从所述一个或多个获得的输出提取计量测量值的时间量来确定速度分数。在一个示例中，如果在工艺逻辑提供光谱数据作为对模型的输入之后，模型提供所述一个或多个输出(或工艺逻辑提取计量测量值)的时间量很小，那么工艺逻辑可以将高的速度分数分配给相应的模型。

在一些实施例中，工艺逻辑可以基于针对机器学习模型确定的效率分数，来向相应的机器学习模型分配性能评级。如关于图3所描述，在一些实施例中，训练引擎356可以被包括在与服务器机器320分开的服务器机器350处。在这种实施例中，训练引擎356可以在服务器机器350处训练机器学习模型集合中的每一者。训练引擎356可以执行关于框914所描述的所述一个或多个测试操作，以确定要将机器学习模型集合中的哪一些传输到服务器机器320以由预测引擎328使用。工艺逻辑可以基于关于将相应的机器学习模型从服务器机器350传输到服务器机器320和/或在服务器机器320处初始化相应的机器学习模型的整体系统效率(例如，制造系统的整体系统效率)，来为相应的机器学习模型确定效率分数。在一些实施例中，工艺逻辑可以基于用于存储相应的经训练的机器学习模型的存储器量、服务器机器320的数据存储332处可用的存储器量、可用于向服务器机器320传输相应的经训练的机器学习模型的网络带宽量等，来确定效率分数。

在框918处，工艺逻辑基于针对机器学习模型中的每一者分配的性能评级，来确定性能准则是否被满足。在一些实施例中，工艺逻辑可以通过确定分配的性能评级(即基于准确度分数来确定，并且在一些实施例中还基于速度分数和/或效率分数来确定的性能评级)是否超过阈值性能分数，来确定性能准则是否被满足。在其他或类似的实施例中，工艺逻辑可以通过确定相应模型的准确度分数是否超过阈值分数以及相应模型的整体性能评级(即基于准确度分数以及速度分数和/或效率分数来确定的整体性能评级)是否超过阈值性能分数，来确定性能准则是否被满足。在一些实施例中，多于一个经训练的机器学习模型可以与分别满足阈值分数和/或阈值评级的准确度分数和/或性能评级相关联。在这种实施例中，工艺逻辑可以确定，多于一个经训练的模型中相应的模型与满足性能准则的最高的准确度分数和/或性能评级相关联。在一些实施例中，工艺逻辑可以确定机器学习模型集合中的经训练的机器学习模型都不与分别满足阈值分数和/或阈值评级的准确度分数和/或性能评级相关联。在这种实施例中，工艺逻辑可以确定没有模型满足性能准则。

响应于确定性能准则被满足，工艺逻辑继续进行到框920。在框920处，工艺逻辑选择要应用于未来光谱数据的相应机器学习模型，所述未来光谱数据是针对根据未来基板工艺进行处理的未来基板收集的。如上所述，在一些实施例中，训练引擎326可以与服务器机器320处的预测引擎328包括在一起。在这种实施例中，响应于选择相应的机器学习模型以应用于未来的光谱数据，工艺逻辑可以将相应的模型和/或相应的模型要由预测引擎328所使用的指示存储在数据存储器332处。在其他的实施例中，训练引擎326可以被包括在服务器机器350处。在这种实施例中，响应于训练引擎326选择要应用于未来光谱数据的相应机器学习模型，服务器机器350可以向服务器320传输相应的机器学习模型以存储在数据存储150处。

响应于确定性能准则没有被满足，工艺逻辑继续进行到框922。在框922处，工艺逻辑接收用于进一步训练机器学习模型集合的附加的训练数据。根据先前所述的实施例，工艺逻辑可以从训练集生成器324接收附加的训练数据。

图10是根据本公开内容的方面，用于使用机器学习模型来检测基板工艺的终点的方法1000的流程图。方法1000是由工艺逻辑执行的，所述工艺逻辑可以包括硬件(电路系统、专用逻辑等)、软件(诸如在通用计算机系统或专用机器上运行的软件)、固件或上述各项的某种组合。在一个实施方式中，方法1000可以由计算机系统(诸如图1的计算机系统架构100)所执行。在其他或类似的实施方式中，方法1000的一个或多个操作可以由图中未描绘的一个或多个其他机器执行。在一些方面中，方法1000的一个或多个操作可以由关于图3所描述的服务器机器320的工艺终点引擎330执行。

在框1010处，工艺逻辑接收与在制造系统200处根据当前工艺处理的当前基板相关联的光谱数据。在一些实施例中，如先前所述，工艺逻辑可以从终点检测装备124或设置在执行当前工艺的工艺腔室内或与所述工艺腔室耦接的其他传感器接收当前光谱数据。在一些实施例中，工艺逻辑可以在当前工艺的特定时间段接收当前光谱数据。例如，终点检测装备124可以被配置为在基板工艺期间以特定的间隔(例如，每秒一次)针对当前基板收集光谱数据。终点检测装备124可以以基板工艺的相应间隔收集光谱数据，并且向服务器机器320传输光谱数据，在服务器机器320处，所述光谱数据由工艺终点引擎330的工艺逻辑接收。

在框1012处，工艺逻辑确定基板准则是否被满足。在一些实施例中，工艺逻辑可以通过确定接收到的光谱数据与跟特定类型的基板工艺和/或特定类型的基板相关联的光谱数据对应，来确定基板准则被满足。例如，工艺逻辑可以检取(例如从数据存储150检取)先前针对根据特定类型的工艺进行处理的特定类型的基板收集的光谱数据。先前收集的光谱数据可以包括一个或多个光谱数据特征(例如，光谱特性(spectral signature))，这些特征是所述类型的基板和/或所述类型的工艺或者所述类型的工艺的特定步骤或时间段所特有的。工艺逻辑可以确定当前基板的接收到的光谱数据是否包括对应于(即，大约等于)包括在先前收集的光谱数据中的相应光谱数据特征的一个或多个光谱数据特征。

响应于确定当前光谱数据特征不与先前收集的数据的光谱特征对应，工艺逻辑可以确定基板准则没有被满足。对当前光谱数据特征不与先前收集的数据的光谱特征对应的确定可以指示，当前基板不与基板工艺的预期基板类型相关联，或者当前工艺的当前工艺或步骤不与当前工艺的预期类型或当前步骤对应。因此，响应于工艺逻辑确定基板准则没有被满足，方法1000继续进行到框1014，在那里，工艺逻辑向制造系统200的客户端设备传送警报。警报可以包括当前基板可能不与当前基板的预期类型对应和/或工艺的当前工艺或步骤可能不与工艺的预期类型或步骤对应的通知。

响应于确定当前光谱数据特征与先前收集的数据的光谱特征对应，工艺逻辑可以确定基板准则被满足。响应于工艺逻辑确定基板准则被满足，方法1000继续进行到框1016。在框1016处，工艺逻辑提供光谱数据以用作对经训练的机器学习模型的输入。在一些实施例中，工艺逻辑可以向预测引擎328提供光谱数据，这可以使得预测引擎328执行关于图8所描述的方法800的一个或多个操作。

在框1018处，工艺逻辑获得从经训练的机器学习模型的一个或多个输出提取的计量测量值。在一些实施例中，工艺逻辑可以从预测引擎328接收根据方法800获得的对计量测量值的指示。在框1020处，工艺逻辑确定计量测量准则是否被满足。在一些实施例中，工艺逻辑可以通过确定提取的计量测量值是否与跟当前工艺的终点相关联的计量测量值对应，来确定计量测量准则是否被满足。如果提取值与终点值之间的差异低于差异阀值，那么提取的计量测量值可以与跟当前工艺的终点相关联的计量测量值对应。

响应于工艺逻辑确定计量测量准则被满足，方法1000继续进行到框1022。在框1022处，工艺逻辑生成终止制造系统处的当前工艺的指令。在一些实施例中，工艺逻辑可以向系统控制器(例如，系统控制器228)传送指令，这使得系统控制器终止当前的工艺。在其他或类似的实施例中，工艺逻辑可以向工艺腔室的本地处理设备传送指令，这使得工艺腔室终止当前的工艺。在附加性或替代性的实施例中，工艺逻辑可以向训练集生成器324(即，服务器机器320或服务器机器350处的训练集生成器)传输光谱数据和所提取的计量测量值以用作附加的训练数据。

响应于工艺逻辑确定计量测量准则没有被满足，方法1000继续进行到框1024。在框1024处，工艺逻辑针对当前基板继续当前工艺。在一些实施例中，工艺逻辑可以通过向系统控制器228或工艺腔室的本端控制器传送继续进行当前的工艺的指令，来继续当前工艺。在其他或类似的实施例中，工艺逻辑可以通过不生成和传送指令来继续当前工艺。如上所述，工艺逻辑可以向训练集生成器324传输光谱数据和所提取的计量测量值，以用作附加的训练数据。

回到框1020，在一些实施例中，工艺逻辑可以进一步通过确定所提取的计量测量值是否落在与当前工艺的时间段相关联的预期计量测量值范围内，来确定计量测量准则是否被满足。预期的计量测量值范围可以包括预期与在当前工艺的当前时间段的当前基板相关联的值的集合。例如，如果预期(即，鉴于当前基板工艺和先前基板工艺的工艺数据来预期的)时间段是当前基板工艺的最终时间段，那么预期的计量测量值范围可以包括终点计量值和相邻的预期值(例如终点值±X)。响应于确定预期的计量测量值不落在预期的计量测量值范围内，工艺逻辑可以如上所述地向制造系统的客户端设备传送警报。在一些实施例中，工艺逻辑可以鉴于所提取的计量测量值来确定，经训练的机器学习模型的准确度不再满足准确度准则(即，经训练的机器学习模型的整体准确度低于阈值整体准确度)。因此，工艺逻辑可以向客户端设备传送通知，指示机器学习模型要被重新训练。在一些实施例中，根据本文所述的实施例，工艺逻辑可以向训练集生成器324和/或训练引擎326传送通知，以对机器学习模型进行重新训练。

图11描绘呈计算设备1100的示例形式的机器的图解表示，在所述机器内可以执行用于使所述机器执行本文论述的方法论中的任一者或多者的指令集。在替代性的实施例中，所述机器可以在局域网(LAN)、内部网、外部网或因特网中与其他机器连接(例如，联网)。所述机器可以以客户端和服务器网络环境中的服务器或客户端机器的身份操作，或用作对等(或分布式)网络环境中的对等机器。所述机器可以是个人计算机(PC)、平板计算机、机顶盒(STB)、个人数字助理(PDA)、蜂巢式电话、网页设备(web appliance)、服务器、网络路由器、交换机或网桥，或能够执行指令集(依序执行或以其他方式执行)的任何机器，所述指令指定要由所述机器所采取的动作。进一步地，虽然仅示出单个机器，但也应将术语“机器”视为包括单独地或共同地执行指令集(或多个指令集)以执行本文论述的方法论中的任一者或多者的任何机器(例如计算机)的集合。在实施例中，计算设备1100可以与本文所述的服务器机器170、服务器机器180、预测服务器112、系统控制器228、服务器机器320或服务器机器350中的一者或多者对应。

示例计算设备1100包括经由总线1108彼此通信的处理设备1102、主存储器1104(例如，只读存储器(ROM)、闪存、诸如同步动态随机存取存储器(SDRAM)之类的动态随机存取存储器(DRAM)等)、静态存储器1106(例如，闪存、静态随机存取存储器(SRAM)等)和辅助存储器(例如，数据存储设备1128)。

处理设备1102可以表示诸如微处理器、中央处理单元等之类的一个或多个通用处理器。更具体地，处理设备1102可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实施其他指令集的处理器或实施指令集的组合的处理器。处理设备1102也可以是诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器等之类的一个或多个专用处理设备。处理设备1102也可以是或包括芯片上系统(SoC)、可编程逻辑控制器(PLC)或其他类型的处理设备。处理设备1102被配置为执行处理逻辑以执行本文论述的操作和步骤。

计算设备1100可以进一步包括用于与网络1164通信的网络接口设备1122。计算设备1100也可以包括视频显示器单元1110(例如，液晶显示器(LCD)或阴极射线管(CRT))、字母数字输入设备1112(例如，键盘)、光标控制设备1114(例如，鼠标)和信号生成设备1120(例如，扬声器)。

数据存储设备1128可以包括机器可读存储介质(或更具体地，非暂态计算机可读存储介质)1124，所述机器可读存储介质上存储有实施本文所述的方法论或功能中的任一者或多者的一个或多个指令集1126。其中非暂态存储介质指的是载波以外的存储介质。指令1126也可以在由计算机设备1100执行所述指令的期间完全地或至少部分地驻留在主存储器1104内和/或处理设备1102内，主存储器1104和处理设备1102也构成计算机可读存储介质。

虽然在示例实施例中将计算机可读存储介质1124示为单个介质，但也应将术语“计算机可读存储介质”视为包括存储所述一个或多个指令集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)。也应将用语“计算机可读存储介质”视为包括能够对用于由机器执行并且使得机器执行本公开内容的方法论中的任一者或多者的指令集进行存储或编码的任何介质。因此，应将术语“计算机可读存储介质”视为包括但不限于固态存储器以及光学和磁性介质。

前述说明阐述了诸如特定的系统、部件、方法等的示例之类的许多具体细节，以便让人们很好地了解本公开内容的几个实施例。然而，本领域的技术人员将理解，可以在没有这些具体细节的情况下实行本公开内容的至少一些实施例。在其他的情况下，不详细描述众所周知的部件或方法，或以简单的框图格式呈现所述部件或方法，以避免不必要地使本公开内容模糊。因此，所阐述的具体细节仅是示例性的。特定的实施方式可以不同于这些示例性的细节，并且仍然被认为是在本公开内容的范围之内。

整个本说明书内提到的“一个实施例”或“一实施例”意味着，与所述实施例结合描述的特定特征、结构或特性被包括在至少一个实施例中。因此，整个本说明书内的各种地方出现的语句“在一个实施例中”或“在实施例中”不一定都指相同的实施例。此外，术语“或”旨在意指包括性的“或”而不是排他性的“或”。在本文中使用术语“约”或“大约”时，此术语旨在意味着，所呈现的标称值精确到±10％内。

虽然本文中的方法的操作是以特定的顺序示出和描述的，但也可以变更每个方法的操作顺序，使得可以以相反的顺序执行某些操作使得某些操作可以至少部分地与其他操作并行地执行。在另一个实施例中，相异操作的指令或子操作可以以间歇和/或交替的方式进行。

应理解，以上描述旨在是说明性的，而非限制性的。在阅读和理解了以上描述之后，本领域的技术人员将发现许多其他的实施方式。因此，将参照随附的权利要求以及这样的权利要求所赋予的等效物的整个范围来确定本公开内容的范围。

Claims (40)

1.一种方法，包括：

提供训练数据来训练多个机器学习模型中的每一者，以基于在针对基板执行的基板工艺期间收集的光谱数据，来提供与所述基板的特定类型的计量测量相关联的计量测量值，其中所述多个机器学习模型中的每一者与机器学习模型类型集合中的不同类型相关联；

基于由相应的机器学习模型鉴于所述计量测量的测得值所提供的所述计量测量的值的准确度，来向所述多个机器学习模型中的每一者分配性能评级，所述测得值是基于由计量装备针对先前基板集合中的先前基板收集的历史计量数据来生成的；以及

鉴于所述多个机器学习模型中的每一者的所述性能评级，选择要应用于未来光谱数据的所述相应的机器学习模型，所述未来光谱数据是在针对未来基板执行的未来基板工艺期间收集的。

2.如权利要求1所述的方法，进一步包括：

接收在对所述先前基板集合中的附加先前基板执行的先前基板工艺期间收集的历史光谱数据；

获得针对所述附加基板的历史计量测量值，所述历史计量测量值是基于由所述计量装备针对所述附加先前基板收集的附加历史计量数据来生成的；以及

生成所述训练数据以训练所述多个机器学习模型中的每一者，其中生成所述训练数据包括：

生成包括所述历史光谱数据的训练输入；以及

针对所述训练输入生成目标输出，其中所述目标输出包括针对所述附加基板的所述历史计量测量值，

并且其中提供所述训练数据以训练所述多个机器学习模型中的每一者包括提供：(i)包括所述训练输入的训练输入集合；以及(ii)包括所述目标输出的目标输出集合。

3.如权利要求2所述的方法，其中所述历史光谱数据是从执行所述先前基板工艺的制造系统的系统控制器、或所述制造系统的终点检测系统中的至少一者接收的。

4.如权利要求2所述的方法，其中所述未来工艺要在第一制造系统处针对所述未来基板执行，并且所述先前工艺是在第二制造系统处针对所述先前基板执行的，所述第二制造系统与所述第一制造系统不同。

5.如权利要求1所述的方法，进一步包括：

获得所述先前基板集合的验证数据集，所述验证数据集包括(i)在对所述先前基板集合中的附加先前基板执行的先前基板工艺期间收集的历史光谱数据，以及(ii)所述计量测量的所述测得值；

提供所述历史光谱数据作为对所述多个机器学习模型中的每一者的输入；

从所述相应的机器学习模型的一个或多个输出提取所述计量测量的所述值；以及

基于所述计量测量的所提取的值与所述计量测量的所述测得值之间的差异，来确定所述相应的机器学习模型的精准度。

6.如权利要求1所述的方法，其中所述多个机器学习模型中的每一者的所述性能评级是基于以下各项中的至少一项来进一步分配的：所述相应的机器学习模型提供所述计量测量的所提取值的速率、或将所述相应的机器学习模型传输到被配置为针对所述未来基板执行所述未来基板工艺的制造系统的处理设备的时间量。

7.如权利要求1所述的方法，其中选择要应用于未来光谱数据的所述相应的机器学习模型包括：

确定分配给所述相应的机器学习模型的所述性能评级满足性能准则。

8.如权利要求7所述的方法，其中确定分配给所述相应的机器学习模型的所述性能评级满足所述性能准则包括：

确定所述性能评级超过阈值性能评级，并且所述性能评级大于机器学习模型中的其他机器学习模型的其他性能评级。

9.如权利要求1所述的方法，进一步包括：

响应于确定分配给所述多个机器学习模型中的任何机器学习模型的性能评级都没有超过性能评级阈值，获得所述多个机器学习模型中的每一者的附加训练数据；以及

提供所述附加训练数据以进一步训练所述多个机器学习模型中的每一者。

10.如权利要求1所述的方法，其中所述机器学习模型类型集合包括线性回归模型类型、偏最小二乘回归模型类型、高斯回归模型类型、随机森林模型类型、支持向量机模型类型、神经网络类型或岭回归模型类型。

11.一种系统，包括：

存储器；以及

处理设备，与所述存储器耦接，所述处理设备用于：

获得机器学习模型，所述机器学习模型被训练为基于在制造系统处进行的针对当前基板的当前工艺期间收集的当前光谱数据来提供计量测量的当前值，其中所述经训练的机器学习模型与性能评级相关联，所述性能评级满足与所述计量测量的类型相关联的性能准则；

提供所述当前光谱数据作为对所述经训练的机器学习模型的输入；

从所述经训练的机器学习模型的一个或多个输出提取对与所述当前基板对应的相应的计量测量值的指示，其中所述相应的计量测量值与所述计量测量的所述类型相关联；以及

响应于确定所述相应的计量测量值满足与所述当前工艺相关联的计量测量准则，生成指令，所述指令包括终止所述制造系统处的所述当前工艺的命令。

12.如权利要求11所述的系统，其中所述处理设备是对所述基板执行所述当前工艺的制造系统的系统控制器的部分，并且其中为了获得所述经训练的机器学习模型，所述处理设备用于：

从与所述系统控制器耦接的计算系统的处理设备接收所述经训练的机器学习模型。

13.如权利要求11所述的系统，其中为了获得所述经训练的机器学习模型，所述处理设备用于：

提供训练数据来训练所述机器学习模型，以提供所述计量测量的所述当前值。

14.如权利要求11所述的系统，其中所述处理设备进一步用于：

获得在所述当前基板的所述当前工艺期间收集的所述当前光谱数据；以及

响应于确定所述当前光谱数据不与跟所述当前基板相关联的目标光谱数据对应，向与所述制造系统耦接的客户端设备传送错误通知。

15.如权利要求11所述的系统，其中为了确定所述相应的计量测量值满足所述计量测量准则，所述处理设备用于：

确定所述相应的计量测量值与跟所述当前基板的所述当前工艺相关联的目标计量测量值对应。

16.如权利要求11所述的系统，其中所述处理设备进一步用于：

响应于确定所述相应的计量测量值不满足所述计量测量准则，执行以下各项中的至少一项：

向与所述制造系统耦接的客户端设备传送错误通知；或

提供所收集的光谱数据和所述相应的计量测量值作为训练数据，以进一步训练所述经训练的机器学习模型。

17.如权利要求11所述的系统，其中所述经训练的机器学习模型与以下各项中的至少一项相关联：线性回归模型类型、偏最小二乘回归模型类型、高斯回归模型类型、随机森林模型类型、支持向量机模型类型、神经网络类型或岭回归模型类型。

18.如权利要求11所述的系统，其中所述经训练的机器学习模型是使用在附加制造系统处对先前基板执行的先前基板工艺期间收集的历史光谱数据来训练的，所述附加制造系统与对所述当前基板执行所述当前工艺的所述制造系统不同。

19.一种包括指令的非暂态计算机可读介质，所述指令当由处理设备执行时，使所述处理设备用于：

提供训练数据来训练多个机器学习模型中的每一者，以基于在对基板执行的基板工艺期间收集的光谱数据，来提供与所述基板的特定类型的计量测量相关联的计量测量值，其中所述多个机器学习模型中的每一者与机器学习模型类型集合中的不同类型相关联；

基于由相应的机器学习模型鉴于所述计量测量的测得值所提供的所述计量测量的值的准确度，来向所述多个机器学习模型中的每一者分配性能评级，所述测得值是基于由计量装备针对先前基板集合中的先前基板收集的历史计量数据来生成的；以及

鉴于所述多个机器学习模型中的每一者的所述性能评级，选择要应用于未来光谱数据的所述相应的机器学习模型，所述未来光谱数据是在对未来基板执行的未来基板工艺期间收集的。

20.如权利要求19所述的非暂态计算机可读介质，其中为了确定所述相应的计量测量值满足所述计量测量准则，所述处理设备用于：

确定所述相应的计量测量值与跟所述当前基板的所述当前工艺相关联的目标计量测量值对应。

21.一种用于训练机器学习模型，以提供针对根据当前工艺在第一制造系统处进行处理的当前基板的计量测量的方法，所述方法包括：

获得与根据先前工艺在第二制造系统处进行处理的先前基板相关联的历史光谱数据集合，其中所述历史光谱数据集合包括在所述先前工艺的多个步骤中的每一者期间针对所述先前基板手机的历史光谱数据；

基于所述历史光谱数据集合来生成正则化的历史光谱数据集合，其中所述正则化的历史光谱数据集合是基于在所述先前工艺的所述多个步骤中的初始步骤期间收集的第一历史光谱数据与在所述多个步骤中的一个或多个后续步骤期间收集的第二历史光谱数据之间的差异来生成的；

针对所述机器训练模型生成训练数据，其中生成所述训练数据包括：

生成包括从所述正则化的历史光谱数据集合提取的历史光谱数据子集的训练输入，其中所述历史光谱数据子集包括对与特定类型的计量测量相关联的一个或多个历史光谱特征的指示；以及

针对所述训练输入生成目标输出，其中所述目标输出包括针对所述先前基板的历史计量测量值，所述历史计量测量值与所述特定类型的计量测量相关联；以及

提供所述训练数据以根据以下各项训练所述机器学习模型：(i)包括所述训练输入的训练输入集合；以及(ii)包括所述目标输出的目标输出集合。

22.如权利要求21所述的方法，其中生成所述正则化的历史光谱数据集合包括：

从所述历史光谱数据集合标识在所述先前工艺的所述多个步骤中的所述初始步骤期间收集的所述第一历史光谱数据；

从所述历史光谱数据集合标识在所述多个步骤中的相应后续步骤期间收集的所述第二历史光谱数据；以及

确定所述第一历史数据与所述第二历史光谱数据之间的差异。

23.如权利要求21所述的方法，其中生成包括所述历史光谱数据子集的所述训练输入包括：

确定与所述特定类型的计量测量相关联的光谱特征；

从所述正则化的历史光谱数据集合确定包括对历史光谱特征的指示的相应历史光谱数据，所述历史光谱特征对应于所确定的光谱特征；以及

从所述正则化的历史光谱数据集合提取所述历史数据子集，所述历史光谱数据子集包括所述相应历史光谱数据。

24.如权利要求23所述的方法，其中与所述特定类型的计量测量相关联的所述光谱特征对应于基板表面的包括轮廓模式的部分，所述轮廓模式与所述基板表面的其他部分的轮廓模式相异。

25.如权利要求24所述的方法，其中确定与所述特定类型的计量测量相关联的所述光谱特征包括：

对根据所述先前工艺在所述第二制造系统处进行处理的校准基板的表面执行二维扫描；

基于所述而未扫描的结果，标识所述校准基板的所述表面的包括轮廓模式的部分，所述轮廓模式与所述表面的所述其他部分的轮廓模式相异；以及

从针对所述校准基板收集的历史光谱数据选择与所述校准基板的所述表面的所标识部分相关联的一个或多个光谱特征。

26.如权利要求23所述的方法，其中与所述特定类型的计量测量相关联的所述光谱特征对应于被确定以指示与所述特定类型的计量测量相关联的计量测量值的光谱波长范围，所述计量测量值具有比所述光谱波长范围外的其他光谱波长更高的准确度。

27.如权利要求26所述的方法，其中确定与所述特定类型的计量测量相关联的所述光谱特征包括：

提供所述历史光谱数据集合的一个或多个部分作为对波分析模型的输入，所述波分析模型被训练以提供指示具有比所述其他光谱波长更高的准确度的与所述特定类型的计量测量相关联的所述计量测量值的光谱波长；

获得所述波分析模型的一个或多个输出；以及

从所述一个或多个输出提取所述光谱波长范围。

28.如权利要求21所述的方法，其中所述历史光谱数据子集对应于所述先前工艺的所述多个步骤的最终步骤。

29.如权利要求21所述的方法，其中所述第一制造系统与所述第二制造系统相同。

30.如权利要求21所述的方法，其中所述先前工艺包括蚀刻工艺或沉积工艺中的至少一者。

31.如权利要求21所述的方法，其中所述特定类型的计量测量包括以下各项中的至少一项：在所述先前工艺的执行之后在所述先前基板的表面上沉积的先前膜的厚度、在所述先前工艺的所述执行之后蚀刻到所述先前膜中的一个或多个特征的性质、所述先前工艺的所述执行的速率、或所述先前工艺的所述执行的所述速率的均匀性。

32.一种系统，包括：

存储器，用于存储经训练的机器学习模型；以及

处理设备，与所述存储器耦接，所述处理设备用于：

接收与根据当前工艺在制造系统处进行处理的当前基板相关联的光谱数据集合，其中所接收的光谱数据集合与针对所述当前基板执行的所述当前工艺的当前步骤相关联；

基于所接收的光谱数据集合来生成正则化的光谱数据集合，其中所述正则化的光谱数据集合是基于在所述当前工艺的所述当前步骤期间收集的光谱数据与在所述当前工艺的先前步骤期间收集的光谱数据之间的差异来生成的；

提供从所述正则化的光谱数据集合提取的光谱数据子集作为对所述经训练的机器学习模型的输入，其中所述光谱数据子集包括对与特定类型的计量测量对应的一个或多个光谱特征的指示；

获得所述经训练的机器学习模型的一个或多个输出；以及

从所述一个或多个输出提取计量测量数据，所述计量测量数据标识与所述特定类型的计量测量相关联的一个或多个计量测量值，以及对所述一个或多个计量测量值中的每一者对应于所述当前基板的置信度水平的指示，所述一个或多个计量测量值是针对根据先前工艺在所述制造系统处进行处理的先前基板获得的。

33.如权利要求32所述的系统，其中为了生成所述正则化的光谱数据集合，所述处理设备用于：

从所述存储器检取在所述当前工艺的所述先前步骤期间收集的所述光谱数据；以及

确定在所述工艺的所述当前步骤期间收集的所述光谱数据与在所述当前工艺的所述先前步骤期间收集的所述光谱数据之间的差异。

34.如权利要求33所述的系统，其中所述当前工艺的所述先前步骤包括所述当前工艺的初始步骤。

35.如权利要求32所述的系统，其中所述处理设备进一步用于：

确定与所述特定类型的计量测量相关联的光谱特征；

从所述正则化的光谱数据集合标识相应光谱数据，所述相应光谱数据包括对与所确定的光谱特征对应的光谱特征的指示；以及

从所述正则化的光谱数据集合提取所述光谱数据子集，所述光谱数据子集包括所述相应光谱数据。

36.如权利要求35所述的系统，其中与所述特定类型的计量测量相关联的所述光谱特征对应于所述当前基板的表面的部分，所述部分预期在所述当前工艺的终点处包括与所述基板表面的其他部分的轮廓模式相异的轮廓模式。

37.如权利要求35所述的系统，其中与所述特定类型的计量测量相关联的所述光谱特征对应于光谱波长范围，所述光谱波长范围被确定以指示与所述特定类型的计量测量相关联的计量测量值，所述计量测量值具有比所述光谱波长范围外的其他光谱波长更高的准确度。

38.如权利要求32所述的系统，其中所述特定类型的计量测量包括以下各项中的至少一项：在所述当前工艺的执行期间在所述当前基板的表面上沉积的当前膜的厚度、在所述当前工艺的所述执行期间蚀刻到所述当前膜中的一个或多个特征的性质、所述当前工艺的所述执行的速率、或所述当前工艺的所述执行的所述速率的均匀性。

39.如权利要求32所述的系统，其中所述经训练的机器学习模型是使用历史光谱数据来训练的，所述历史光谱数据是针对根据先前工艺在附加制造系统处进行处理的先前基板收集的，所述附加制造系统与处理所述当前基板的所述制造系统不同。

40.一种包括指令的非暂态计算机可读介质，所述指令当由处理设备执行时，使所述处理设备用于：

接收与根据当前工艺在制造系统处进行处理的当前基板相关联的光谱数据集合，其中所接收的光谱数据集合与对所述当前基板执行的所述当前工艺的当前步骤相关联；

基于所接收的光谱数据集合来生成正则化的光谱数据集合，其中所述正则化的光谱数据接合是基于在所述当前工艺的所述当前步骤期间收集的光谱数据与在所述当前工艺的先前步骤期间收集的光谱数据之间的差异来生成的；

提供从所述正则化的光谱数据集合提取的一个或多个光谱数据子集作为对所述经训练的机器学习模型的输入，其中所述一个或多个光谱数据子集中的每一者包括对与特定类型的计量测量对应的光谱特征的指示；

获得所述经训练的机器学习模型的一个或多个输出；以及

从所述一个或多个输出提取计量测量数据，所述计量测量数据标识与所述特定类型的计量测量相关联的一个或多个计量测量值，以及对所述一个或多个计量测量值中的每一者对应于所述当前基板的置信度水平的指示，所述一个或多个计量测量值是针对根据先前工艺在所述制造系统处进行处理的先前基板获得的。