CN117940616A - 晶片处理工具的机器视觉检测 - Google Patents

Abstract

公开了涉及使用机器学习分类器诊断晶片处理工具的状况的示例。一示例提供了一种包含杯体的电沉积工具。杯体包含晶片界面。晶片界面包含唇形密封件以及多个电接触点。电沉积工具还包含相机，其定位成对晶片界面的至少一部分进行成像。电沉积工具还包含逻辑机以及存储机，其存储可由逻辑机执行的指令。可执行指令以经由相机获取晶片界面的图像。指令可进一步执行以从经过训练的机器学习函数获得晶片界面的图像的分类。指令可进一步执行以控制电沉积工具基于分类采取行动。

Description

晶片处理工具的机器视觉检测

背景技术

各种各样的处理工具被用来在晶片衬底上形成集成电路。举例而言，电沉积常用于集成电路制造过程中以形成导电结构。

发明内容

提供本发明内容以便以简化的形式介绍一些构思，这些构思将于以下的具体实施方式中进一步描述。本发明内容不旨在识别所请求保护的主题的关键特征或必要特征，也不旨在用于限制所请求保护的主题的范围。此外，所请求保护的主题不限于解决本公开内容的任何部分中所提到的任何或所有缺点的实施方案。

公开了涉及使用机器学习分类器诊断晶片处理工具的状况的示例。一示例提供了一种包含杯体的电沉积工具。所述杯体包含晶片界面。所述晶片界面包含唇形密封件以及多个电接触点。所述电沉积工具还包含相机，其定位成对晶片界面的至少一部分进行成像。所述电沉积工具更包含逻辑机，以及存储机，其存储可由逻辑机执行的指令。所述可执行指令以经由相机获取晶片界面的图像。所述指令可进一步执行以从经过训练的机器学习函数获得晶片界面的图像的分类。所述指令可进一步执行以控制电沉积工具基于分类采取行动。

在一些这样的示例中，晶片界面被配置以旋转，且相机被配置为于晶片界面的相对应的多个旋转角度摄取晶片界面的多个图像。所述晶片界面被配置以旋转，且所述相机被配置为在所述晶片界面的相对应的多个旋转角度摄取所述晶片界面的多个图像。

在一些这样的示例中，所述指令附加地或替代地能执行以获得所述多个图像中的每一图像的分类。

在一些这样的示例中，所述指令附加地或替代地能执行以将所述晶片界面的所述图像传输至提供所述经过训练的机器学习函数的远程计算系统，且从所述远程计算系统获得所述图像的所述分类。

在一些这样的示例中，所述经过训练的机器学习函数包含残差神经网络。

在一些这样的示例中，所述指令附加地或替代地能执行以控制所述电沉积工具响应于获得脏污的分类来执行清洁程序。

在一些这样的示例中，所述指令附加地或替代地能执行以控制所述电沉积工具响应于获得潮湿的分类来执行槽干燥程序。

在一些这样的示例中，所述指令附加地或替代地能执行以控制所述电沉积工具响应于获得受损的分类而输出错误代码以供用户干预。

在一些这样的示例中，所述指令附加地或替代地能执行以控制所述电沉积工具响应于获得正常或不明确中的一者的分类来继续正常操作。

另一示例提供了一种用于操作电沉积工具的方法。所述方法包含：经由相机获取所述电沉积工具的晶片界面的图像。所述方法还包含：从经过训练的机器学习函数获得所述图像的分类。所述方法还包含：在获得所述分类后，基于所述分类控制所述电沉积工具以执行维护程序。

在一些这样的示例中，所述分类包含脏污分类，且所述维护程序包含槽清洁程序。

附加地或替代地，在一些这样的示例中，所述分类包含潮湿分类，且所述维护程序包含槽干燥程序。

附加地或替代地，在一些这样的示例中，所述分类包含受损分类，且所述维护程序包含触发错误代码的输出以供用户干预。

附加地或替代地，在一些这样的示例中，所述方法还包含于所述晶片界面的相对应的多个旋转角度获取所述晶片界面的多个图像，且从所述经过训练的机器学习函数获得所述多个图像中的每一图像的分类。

附加地或替代地，在一些这样的示例中，所述方法还包含获得正常分类，且控制所述电沉积工具以继续正常操作。

附加地或替代地，在一些这样的示例中，所述方法还包含获得不明确分类，且作为响应，触发警告代码。

另一示例提供了一种计算机系统，其包含：逻辑机；以及存储机，其存储能由所述逻辑机执行的指令。所述指令能执行以获得电沉积工具的晶片界面的图像，所述晶片界面包含唇形密封件以及多个电接触点。所述指令还能执行以经由将所述图像输入至经过训练的机器学习函数来获得分类。所述指令还能执行以输出所述分类。

在一些这样的示例中，所述经过训练的机器学习函数包含残差神经网络。

附加地或替代地，在一些这样的示例中，所述指令能进一步执行以在将所述图像输入至所述经过训练的机器学习函数之前裁剪所述晶片界面的所述图像。

附加地或替代地，在一些这样的示例中，所述指令能进一步执行以使用已标记的训练图像来训练所述经过训练的机器学习函数，所述已标记的训练图像中的每一者标记有正常、潮湿、脏污或受损中的一者的分类。

附图说明

图1示出了包含相机的电沉积工具形式的示例性晶片处理工具的框图。

图2示出了用于电沉积工具的示例性电镀槽的示意性剖面图。

图3A-3B示出了示例性电沉积工具蛤壳式装置(clamshell)。

图4示出了用于操作电沉积工具的示例性方法的流程图。

图5A-5B示意性地示出了被配置为旋转以成像的示例性晶片界面。

图6示意性地示出了示例晶片界面以及定位为对晶片界面成像的多个相机。

图7示出了示例性残差神经网络(residual neural network)的示意图。

图8示出了用于训练机器学习函数以对晶片处理工具的图像进行分类的示例性方法的流程图。

图9示出了示例性计算系统的框图。

具体实施方式

如上所述，电沉积通常用于集成电路的制造。电沉积也可称为电镀和电填充(electrofill)。电沉积涉及将电镀溶液中的金属离子电化学还原至晶片表面上，以将固体金属沉积至晶片表面上。电沉积可用于以金属填充在晶片表面中所形成的凹陷图案。在一示例性处理中，通过物理气相沉积将金属种子层沉积至晶片表面上。然后，晶片表面暴露于包含金属离子的电镀溶液。施加电流以还原金属离子。电化学还原导致在种子层上生长较厚的金属层，以填充晶片表面的凹陷图案。然后，可通过化学机械研磨去除多余的金属，以在凹陷图案中形成导电特征。

在电沉积期间，晶片可被支撑在包含杯体以及锥体的蛤壳式装置结构中。杯体支撑芯片，且包含晶片界面，其包含位于唇形密封件(lip seal)后面的多个电接触点。锥体保持位于杯体内抵靠唇形密封件的晶片。唇形密封件防止电镀溶液达到杯体上的电接触点以及晶片上的相对应的电接触点。

在晶片边缘以及杯体接触点之间保持一致的电接触有助于确保沉积适当均匀的金属层以及表面特征的无空隙填充。然而，有时，晶片界面的状况可能会在操作过程中劣化。作为一示例，杯体电接触点可能变湿。潮湿的来源包含电镀槽溶液以及用于清洁沉积物之间的界面的水。作为一更具体的示例，来自电镀槽的液滴可能会在晶片处理期间中弄湿电接触点。

晶片界面上来自电镀槽的液滴也可能导致在晶片界面上的电接触点上的晶体生长和/或其它残留物堆积。这些液滴会导致晶片边缘上的种子层在电沉积期间中溶解并重新沉积至杯体的电接触点上，从而形成残留物。此外，电镀槽中的有机添加剂可能会在电接触点上沉淀。

晶片界面结构也可能遭受机械损坏。举例而言，晶片界面的电接触点可能在晶片传送期间弯曲或断裂。此外，晶片界面电接触点上的液滴和/或残留物可能在处理期间中导致晶片粘连，从而进一步增加损坏电接触点的可能性。唇形密封件也可能损坏。这可能会导致电镀溶液通过该密封件而泄漏。

任何上述晶片界面状况都可能导致杯状晶片界面的电接触点以及晶片上的电接触点之间的电接触不一致。不一致的电接触可能会降低电镀均匀性，并导致有缺陷的晶片。此外，在存在上述问题的接触点周围可能会形成金属枝晶(dendrite)。枝晶的形成可能会导致损坏电沉积工具的电弧。

可以使用各种维护处理来协助解决这些问题。举例而言，电沉积工具可包含执行晶片界面清洁操作的硬件以及控制特征。示例性清洁操作包含冲洗以及干燥操作。此外，可以使用专门的清洁程序来清洁晶片界面电接触点上相对较硬的残留物。损坏的电接触点可通过移除杯体并修复或更换晶片界面来修复。

然而，及时检测此类情况以执行预防性维护带来了挑战。举例而言，频繁对晶片界面进行人工目视检测可能既费时且昂贵。因此，维护处理可在多次运行之间按固定时间表执行，而不是在每次运行之间。然而，在某些情况下，在质量保证测试而显示有缺陷的晶片之前，可能无法识别晶片界面状况。由此产生的有缺陷晶片可能无法使用，且导致较低的产品产率。

因此，公开了涉及对晶片处理工具执行基于机器视觉的检测的示例，以将晶片处理工具分类为健康的或可能需要维护的。如本文所用的术语“分类(classify)”等表示基于从机器视觉检测处理所确定的工具的状况，将晶片处理工具的类别归入一个或多个定义的类别中。机器视觉健康检测所获得的分类也可用于自动触发维护处理。使用经过训练的机器学习函数可允许晶片处理工具的检测以比手动检测更高的频率进行，且如果有的话，对工具吞吐量的影响较小。此外，使用包含难以发现的状况的标记训练图像来训练机器学习函数，可允许机器学习函数快速检测人眼难以检测的可能错误。

作为更具体的示例，电沉积工具可利用机器视觉以及经过适当训练的机器学习函数来检测杯体中的晶片界面。在这样的示例中，可在训练阶段训练机器学习函数，以使用对应于这些类别中的每一个的标记训练数据来应用于分类，例如“正常(normal)”、“潮湿(wet)”、“脏污(dirty)”、“受损(damaged)”以及“不明确(ambiguous)”。然后，在部署阶段，可以将通过相机所获取的晶片界面的图像输入至经过训练的机器学习函数中。经过训练的机器学习函数输出图像对应于多个可能分类中的每一个的概率。最高概率可用作确定的分类。此外，在一些示例中，可将所确定的最高概率与阈值概率进行比较。当概率满足阈值概率时，可指定相应的分类。同样，当分类不满足阈值概率时，可不指定相应的分类。替代地，如果所确定的最高概率不满足概率阈值，则可指定为“不明确(ambiguous)”分类。

在一些示例中，图像分类可用于触发手动干预处理。举例而言，“脏污(dirty)”的图像分类可提示工具操作员执行额外的清洁。类似地，“潮湿(wet)”的图像分类可提示工具操作员执行额外的干燥。在其它示例中，分类可用于触发自动维护程序。举例而言，电沉积工具可响应于“潮湿(wet)”的图像分类而自动执行干燥程序。在另一示例中，电沉积工具可以响应于“脏污(dirty)”的图像分类而自动执行清洁程序。其它维护程序示例在以下更详细地讨论。

如上所述，用于晶片处理工具的基于机器视觉的检测处理可能比人工视觉检查执行起来更快。因此，检测处理可频繁地执行而工具停机时间更少。这可能有助于迅速识别潜在的有害情况。因此，维护可在晶片处理中出现缺陷之前执行。因此，相较于手动视觉检测，所公开的示例可有助于减少电沉积工具检测成本、维修成本以及工具停机时间。这也可改善晶片产量。

图1示意性地示出了示例性电沉积工具100的框图，示例性电沉积工具100被配置为执行基于机器视觉的晶片界面检测。虽然在电沉积工具的上下文中公开，但应当理解的是，根据本公开内容的基于机器视觉的检测可与任何其它合适的晶片处理工具一起使用。

电沉积工具100包含电镀槽102，其包含由选择性传输阻挡物108隔开的阳极腔室104和阴极腔室106。阳极腔室104包含阳极，示意性地以110表示。阳极腔室104还包括与阳极110接触的阳极电解液。阴极腔室106还包含与阴极112接触的电镀溶液或阴极电解液。电镀浴包含离子物质以通过电化学还原作为金属沉积在晶片上。阳极110可包含被沉积的金属，且阳极110的氧化可在沉积处理消耗离子物质时补充离子物质。

选择性传输阻挡物108允许在阳极腔室104和阴极腔室106内保持隔离的化学和/或物理环境。举例而言，选择性传输阻挡物108可配置为防止非离子有机物质穿过阻挡物，同时允许金属离子穿过阻挡物。阴极电解液可通过重力以及一或多个泵122的组合在阴极腔室106和阴极电解液储槽120之间循环。同样，阳极腔室104中的阳极电解液可存储于阳极电解液储槽124中并从中补充。阳极电解液可通过重力和一或多个泵126的组合通过阳极电解液储槽124以及阳极腔室104进行循环。

在一些集成电路制造系统中，可使用多个电沉积模块于多个晶片上并行进行电镀操作。在这种情况下，中央阴极电解液和/或阳极电解液储槽可向多个电镀槽供应阴极电解液和/或阳极电解液。

在电镀期间，在阳极110和阴极112之间建立电场。该电场驱动正离子从阳极腔室104通过选择性传输阻挡物108进入阴极腔室106，且到达阴极112。在阴极处，发生电化学反应，其中金属阳离子被还原以在阴极112的表面上形成金属的固体层。阳极电位经由阳极电连接114施加至阳极110，且阴极电位经由阴极电连接116提供至阴极112。在一些实施方案中，阴极/衬底可在电镀期间旋转。

图2示出了蛤壳式装置组件200的示意性剖面图，其配置成在电沉积处理期间保持晶片。蛤壳式装置组件200为晶片保持器的示例，其适合于保持图1的阴极112。

蛤壳式装置组件200包含锥体202和杯体204。杯体204包含被配置成支撑晶片208的晶片界面206，其为图1的阴极112的示例。晶片界面206包含唇形密封件210以及多个电接触点212。唇形密封件210与晶片208物理接触，以防止电镀溶液在电沉积期间到达电接触点212。多个电接触点212中的每一电接触点在唇形密封件210后面的位置处与晶片208电气接触。电接触点212附接至金属框架213，其提供机械支撑以及导电。

杯体204由支柱214支撑，支柱214连接至蛤壳式装置组件200的其它部分，例如竖直升降器。锥体202相对于杯体204的位置是可控制的，以选择性地将晶片208压靠于唇形密封件210以及锥体202上，并允许晶片208从杯体204取出。蛤壳式装置组件200还包含顶板216以及转轴218。转轴218可机械地连接至马达以可控旋转蛤壳式装置组件200。晶片208可朝向电镀槽降低，使得晶片208的暴露表面在电镀期间浸入电镀槽中。来自锥体202的向下力有助于在电镀期间于晶片208和唇形密封件210之间形成流体密封。这有助于将电接触点212与电镀槽隔离。

每一电接触点212于晶片208的边缘形成电气接触。每一电接触点接触晶片208的位置可在距离晶片208的边缘从几毫米(mm)至小于1毫米的范围内。在一些示例中，电接触点可包含密集阵列(例如数百个电接触点)，其以晶片周边的形状排列。

回到图1，电沉积工具100还包含一或多个相机130以及可选的一或多个光源132。每一相机130被定位成在机器视觉检测处理中对杯体的晶片界面的至少一部分进行成像。相机130可包含任何合适的一或多个相机。示例包含一或多个可见光和/或红外线强度相机(intensity camera)。此外，一些示例还可包含一或多个深度相机，其中术语“深度相机(depth camera)”是指解析从相机的图像传感器的每一像素至由该像素所成像的物理环境中的位置的距离的相机。每一光源132被定位成照亮晶片界面，以在图像获取处理期间提供合适且一致的照明。

电沉积工具100还包含可选的清洁站，以协助执行维护处理。在所描绘的示例中，电沉积工具100包含用于执行清洁程序的清洁腔室134。在电沉积之后，可以将晶片从电镀槽102中取出并移动至清洁腔室134中冲洗以及干燥。在一些示例中，清洁腔室134也可用于清洁晶片界面。清洁腔室134可被配置成执行冲洗程序、专门的清洁程序(例如蚀刻程序)、干燥程序或其它合适的清洁程序中的一或多个。此外，在一些示例中，电沉积工具100可被配置成将晶片界面浸入酸性电镀溶液106中以协助清洁。

电沉积工具100还包含计算系统140，其方面于下文关于图9进一步详细地描述。计算系统140包含可执行的指令，以经由相机130获得晶片界面的图像。计算系统140还包含可执行的指令，以从本地执行或远程执行的训练机器学习分类函数获得图像分类。示例性机器学习分类函数被示为分类器142以及分类器152。此外，计算系统140可包含可执行的指令，以执行维护例程，例如基于从经过训练的机器学习函数获得的图像分类执行。计算系统140还可包含可执行的指令，以控制电沉积工具100的任何其它合适的功能，例如电沉积处理以及晶片装载/卸除处理。

在一些示例中，计算系统140可被配置为经由合适的计算机网络与远程计算系统150通信。举例而言，计算系统140可被配置成将来自相机130的图像提供给远程计算系统150，以便远程计算系统使用分类器152对图像进行分类。在这些示例中，计算系统140还从远程计算系统150接收分类。如围绕分类器142和152的虚线所示，分类器可在本地和/或远程执行。远程计算系统150可包含任何合适的计算系统，例如网络工作站计算机、企业计算系统和/或云端计算系统。可以理解的是，在一些示例中，远程计算系统150可与多个电沉积工具进行通信并对其进行控制。

如上所述，电沉积工具100被配置为执行机器视觉检测处理，以确定可能的问题状况。如本文所用的术语“机器视觉检测处理(machine vision inspection process)”包含利用图像数据以及经过训练的机器学习分类函数来评估晶片处理工具的状况的过程。机器视觉检测可在任何合适的触发器出现时执行。举例而言，机器视觉检测可在选定数量的晶片已经被处理之后和/或在选定时间量经过之后执行。机器视觉检测可定期或在不同的时间间隔执行。机器视觉检测也可在维护程序执行之后执行。这可协助确保晶片界面于进行槽清洁程序之后是清洁、干燥且未损坏的。作为另一示例，只要电沉积工具闲置时就可以执行机器视觉检测。

在机器视觉检测处理期间，打开电沉积工具的蛤壳式装置组件(必要时取出晶片)。然后获取晶片界面的电极和/或唇形密封件的图像。图3A-3B示出了示例性蛤壳式装置组件300，且示出了开启的蛤壳式装置组件300，以暴露出晶片界面进行成像。蛤壳式装置组件300包含杯体302、锥体304以及支撑支柱306。蛤壳式装置组件300为图2的蛤壳式装置组件200的示例。杯体302被配置为在电沉积处理期间支撑晶片。杯体302包含晶片界面308，其包含多个电接触点以及唇形密封件，其在图3A-3B的视图中不可见。

在电沉积处理期间，晶片被放置于杯体302内，且锥体304将晶片压靠在杯体302的唇形密封件上。蛤壳式装置组件300安装于升降器上以进行竖直运动，如307示意性所示。升降器将杯体移动至电镀槽中进行电沉积。电沉积之后，升降器将蛤壳式装置组件移出电镀槽以进行冲洗以及干燥，例如在清洁腔室中进行。然后蛤壳式装置组件300再次开启以卸除晶片。

如图3B所示，连接杯体302和锥体304的支撑支柱306允许杯体302和锥体304分开，以打开蛤壳式装置组件300。开启蛤壳式装置组件300允许相机312对晶片界面308的至少一部分进行成像。在成像期间，可控制一或多个光源310来照亮晶片界面。此外，在一些示例中，蛤壳式装置组件300可配置为在成像期间旋转，如316所示。在这样的示例中，相机312能够以多个旋转角度对晶片界面308进行成像。在其它示例中，可使用多个相机从不同角度对晶片界面进行成像，无论旋转或不旋转都如此。在又一些示例中，相机可定位于对整个晶片界面308进行成像。在这样的示例中，相机可放置于晶片界面上方，例如与锥体304整合。

图4示出了用于操作电沉积工具的示例性方法400的流程图。举例而言，计算系统140可执行方法400作为电沉积工具100的机器视觉检测处理的一部分。

在402，方法400包含获取晶片界面的至少一部分的图像。如上所述，这可包含旋转晶片界面并以相对应的多个旋转角度获取晶片界面的多个图像，如404所示。图5A-5B示出了在机器视觉检测处理期间，相对于相机502旋转的示例性晶片界面500的俯视图。如图5A所示，相机502摄取晶片界面的第一部分的图像。光源504在成像期间照亮晶片界面500。在一些示例中，可使用多个光源。接着，图5B示出了旋转大约40°后的晶片界面500。然后操作相机502以摄取晶片界面的第二部分的图像。以这种方式，可连续获取整个晶片界面的图像。然后可使用经过训练的机器学习函数对每一图像进行分类。

在一些示例中，晶片界面以每分钟1-60转(RPM)之间的速率旋转。在更具体的示例中，晶片界面以2-10RPM的速率旋转。在更具体的示例中，晶片界面以4-6RPM之间的速率旋转。相机502可包含成像帧率，使得每次旋转获得合适数量的晶片界面的图像。在一些示例中，图像收集持续一或多个完整的旋转。在一示例中，旋转速率为5RPM且帧率为每秒5帧(fps)，从而每次旋转摄取60个图像。在另一示例中，每次旋转摄取10-30个图像。于其它示例中，相机每次旋转可摄取任何合适数量的图像。在一些示例中，旋转速率以及帧率是可调的。可以理解的是，图5A-5B是示意性绘制的，且为了清楚起见可省略某些特征。

回到图4，在一些示例中，在406，方法400包含从相对应的多个相机获取晶片界面的多个图像。图6示意性地示出示例性杯体600以及配置成对杯体600的晶片界面成像的六个相机602。每一相机602可对晶片界面的不同部分成像。因此，可以在杯体旋转或不旋转的情况下并行地摄取晶片界面的多个图像。通过并行地对晶片界面的不同部分进行成像，机器视觉检测处理可更快地执行。尽管图6的示例中描绘了六个相机，但在其它示例中可使用任何合适数量的相机。

继续参照图4，在一些示例中，在408，方法400包含裁剪图像。举例而言，相机可配置为聚焦相对应于晶片界面的一部分的图像区域，同时使其它图像区域失焦。在这样的示例中，图像可被裁剪以去除不在焦点上和/或在分类中不感兴趣的图像区域。在一更具体的示例中，分辨率为1600×1200像素的图像被裁剪为512×512像素的大小。在其它示例中，可使用任何其它合适的相机分辨率以及裁剪尺寸。此外，在一些示例中，采用额外的图像预处理，例如亮度校正、颜色校正、过滤(filtering)等。

方法400还包含，在410，经由经过训练的机器学习函数获得图像的分类。在一些示例中，可通过将图像提供给电沉积工具的本地经过训练的机器学习函数来获得分类，而在其它示例中，也可通过将图像提供给电沉积工具的远程经过训练的机器学习函数来获得分类。因此，在一些示例中，在412，方法包含将图像发送至提供经过训练的机器学习函数的远程计算系统。在这样的示例中，方法还包含从远程计算系统获得图像的分类。可应用任何合适的分类，具体取决于训练数据的内容和标签。电沉积工具晶片界面的示例分类包含“正常”、“不明确”、“潮湿”、“脏污”以及“受损”。在其它示例中，可使用任何其它合适的分类。

可使用任何合适类型的机器学习分类器作为经过训练的机器学习函数来对晶片处理工具状况进行分类。在一些示例中，如在414所示，经过训练的机器学习函数包含残差神经网络(ResNet)。在更具体的示例中，经过训练的机器学习模型包含ResNet-18模型。这种示例的经过训练的机器学习函数的各种细节在下文更详细地描述。继续参照图4，其中在机器视觉检测处理中获取多个图像，方法400包含，在416，获得多个图像中的每一图像的分类。

在一些示例中，所获得的分类可用于触发工具操作员的手动动作。举例而言，“不明确”、“潮湿”、“脏污”或“受损”的分类每一个都可能触发错误代码的输出，提醒操作员需要进行维护或检测。

在其它示例中，所获得的分类可用于触发自动维护程序。因此，方法400还可包括，在420，可选地控制电沉积工具以基于分类执行维护程序。在所描绘的示例中，在422，当分类为“正常”时，方法包含，在424，继续正常操作。另一方面，其它分类可能会调用特定的维护操作。举例而言，在426，分类为“不明确”的情况下，方法包含，在428，可选地触发警告代码，且在424，继续正常操作。在428触发警告代码向操作员指示潜在但不明确的问题，其可能需要进一步手动检测。

作为另一示例，在430，在分类为“潮湿”的情况下，方法400还包含，在432，执行槽干燥程序。在这样的示例中，槽可进一步干燥，然后在进行更多晶片处理之前经由机器视觉再次检测。作为另一示例，在434，在分类为“脏污”的情况下，方法400还包含，在436，进行槽清洁程序。在一些示例中，槽清洁程序包含额外的槽冲洗循环。在其它示例中，槽清洁程序包含更积极的接触蚀刻程序以清洁电接触点。此外，在一些示例中，槽清洁程序之后为槽干燥程序。

在一些示例中，在432，执行槽干燥程序或在436，执行槽清洁程序之后，在424，方法继续正常操作。在其它示例中，方法可在执行维护处理之后执行另一机器视觉处理。因此，如果新的检测结果为“正常”，则方法可以继续晶片处理工具的正常操作。另一方面，当后续检测处理得到“正常”以外的分类时，方法可触发错误代码的输出以供人为干预。在执行第一维护程序之后获得“正常”以外的分类时，方法可替代地或额加地执行额外的自动维护程序。

接续进行，在438，当分类为“受损”的情况下，方法400还可包含，在440，触发错误代码的输出以供人为干预。在一些示例中，这样的分类还可能导致晶片处理工具失效，直到受损的部件(例如电极、唇形密封件或其它合适的结构)被修复。

在一些示例中，对晶片界面或其它工具部件的多个图像进行分类，从而获得多于一个的分类。在一些这样的示例中，可选择最严重的分类作为晶片界面的整体分类。举例而言，如果一些图像被分类为“潮湿”，一些图像被分类为“脏污”，则晶片界面的整体分类为“脏污”。脏污可能被认为是比潮湿更严重的情况。这是因为“脏污”分类可能需要清洁以及干燥。相反，“潮湿”分类可能只需要干燥。同样，如果至少一个图像被分类为“受损”，则晶片界面的整体分类将会是“受损”。因此，“正常”分类可能仅适用于所有图像都被分类为“正常”的情况。

在一些示例中，方法400还包括输出检测报告。在各种示例中，这样的报告可包含诸如电沉积工具识别编号、日期、时间、分类、执行的维护程序和/或晶片界面的图像。

如上所述，用于对晶片处理工具的图像进行分类的经过训练的机器学习函数可具有任何合适的架构。合适的分类器包含人工神经网络，例如深度神经网络(deep neuralnetwork)、递归神经网络(recurrent neural network)以及卷积神经网络(convolutionalneural network)。合适的分类器还包含其他类型的机器学习模型，例如判定树(decisiontree)、随机森林(random forest)以及支持向量机(support vector machine)，具体取决于要支持的分类数量以及类型。

人工神经网络可能非常适合机器视觉任务。根据本公开内容的用于对晶片处理工具进行分类的人工神经网络可包含任何合适数量以及布置的层。一些示例可利用残差神经网络(ResNet)。残差神经网络是一种包含跳跃式连接的人工神经网络。跳跃式连接可有助于避免在训练具有相对较多层数的神经网络时可能出现的梯度消失问题。图7示意性地示出了示例性残差神经网络700的架构，其包含18个卷积层，也称为ResNet-18。残差神经网络700接受图像702作为输入，并输出分类704。输入图像702是512×512的RGB图像，因此具有512×512×3的维度，其中第三维度与多个颜色通道(例如红色、绿色，蓝色)相关。在其它示例中，残差神经网络可被配置为接受不同维度的图像。

残差神经网络700包含第一卷积层706，其包含7×7的内核大小、64个输出通道以及步幅为2。残差神经网络700包含布置成四阶段的16个卷积层。每一阶段包含四个卷积层以及多个归一化层及ReLU层(为清楚起见已省略)。残差神经网络700还包含跳跃式连接708a-c。残差神经网络700还包括一个7×7平均池(average pool)710以及用于分类的全连接层712。从全连接层712的输出经由soft-max操作提供分类704。在一些示例中，输出还包含与分类相关联的确定概率。在所述的示例中，采用双层跳跃式连接，内核大小范围从3×3至7×7，通道数范围从64至1000。在其它示例中，可使用任何合适的参数。图7的示例旨在说明而非限制，并且可使用任何其它合适的残差神经网络。其它说明性示例包括ResNet-34、ResNet-50以及ResNet-101。

任何合适的方法可用来训练根据本公开内容的机器学习分类器。特定的训练算法将取决于所采用的机器学习函数的类型。机器学习函数可使用一组已标记的训练图像经由监督训练进行训练。训练图像可包含标记为“正常”、“潮湿”、“脏污”或“受损”中的一者的晶片界面的图像。在其它示例中，可使用其它分类标签。一旦经过训练，经过训练的机器学习函数用于对晶片界面的图像进行分类并输出分类。在某些示例中，经过训练的机器学习函数还提供分类的置信度分数。置信度分数可对应于确定概率。于一些示例中，当最可能分类的置信度分数不超过阈值时，经过训练的机器学习函数可输出不确定分类的指示，例如“不明确”。举例而言，当图像内容的质量不足以进行分类时，可能会发生这种情况。举例而言，相对明亮、相对暗或未包含晶片界面的视图的图像可能会提供不明确的分类结果。

图8示出了用于训练机器学习函数以对晶片界面的图像进行分类的示例方法800的流程图。在802，方法包含获得已标记的训练数据，其包含多个晶片界面图像，每一晶片界面图像标记有相应的分类。在一些示例中，在804，每一图像被标记为“正常”、“潮湿”、“脏污”或“受损”中的一者。在其它示例中，可使用任何其它合适的标签。此外，在一些示例中，在806，方法800包含对训练数据图像进行预处理。在一些示例中，在808，预处理包含裁剪图像。

方法800还包含，在810，使用已标记的训练数据经由损失函数的最小化来训练机器学习函数。在一些示例中，在812，方法包含训练人工神经网络。在一些示例中，方法采用反向传播以确定梯度。在一些示例中，在814，人工神经网络为残差神经网络(ResNet)。当训练残差神经网络时，训练过程可利用跳跃式权重，其为应用于残差神经网络中跳跃式连接的加权因子。

继续进行，在816，方法包含输出经过训练的机器学习函数。在818，方法包含使用经过训练的机器学习函数对晶片界面的图像进行分类，并输出分类。

所公开的用于晶片处理工具的基于机器视觉的检测处理可较人工视觉检测更快执行。因此，检测处理可频繁地执行，而工具停机时间较少。这可有助于迅速识别潜在的有害状况。因此，预防性维护可在晶片处理中出现缺陷之前执行。相较于人工视觉检测，这可有助于降低电沉积工具检测成本、维修成本以及工具停机时间。这也可改善晶片产量。

在一些实施方案中，本文所述的方法以及处理可绑定至一或多个计算设备的计算系统。特别地，这样的方法以及处理可被实现为计算机应用程序或服务、应用程序编程接口(API)、库和/或其它计算机程序产品。

图9示意性地示出了计算系统900的非限制性实施方案，其可执行一或多个上述方法以及处理。计算系统900以简化的形式示出。计算系统900可采用一或多台个人计算机、工作站、与晶片处理工具整合的计算机和/或网络可访问的服务器计算机的形式。

计算系统900包含逻辑机902以及存储机904。计算系统900能够可选地包含显示子系统906、输入子系统908、通信子系统910和/或图9中未示出的其它部件。计算系统140以及远程计算系统150是计算系统900的示例。

逻辑机902包含一或多个被配置为执行指令的物理设备。举例而言，逻辑机可被配置为执行作为一或多个应用程序、服务、程序、例程(routine)、库、对象、部件、数据结构或其它逻辑构造的一部分的指令。这样的指令可被实现以执行任务、实现数据类型、转换一或多个部件的状态、实现技术效果或以其它方式达到期望的结果。

逻辑机可包含一或多个处理器，其被配置为执行软件指令。额外地或替代地，逻辑机可包含一或多个硬件或固件逻辑机，其被配置为执行硬件或固件指令。逻辑机的处理器可为单核或多核，且在其上执行的指令可被配置为序列、并列和/或分布式处理。逻辑机的各个部件可选地可分散在两个或更多个单独的设备中，这些设备可位于远程和/或配置用于协同处理。逻辑机的方面可被虚拟化，且由配置于云端计算配置的可远程访问的联网计算设备执行。

存储机904包含一或多个物理设备，其被配置为保存可由逻辑机器执行的指令，以实施本文所述的方法以及处理。当这样的方法以及处理被实施时，存储机904的状态可被转换——例如，以保存不同的数据。

存储机904可包含可移除和/或内置的设备。存储机904可包含光学存储器(例如CD、DVD、HD-DVD、蓝光光盘等)、半导体存储器(例如RAM、EPROM、EEPROM等)和/或磁性存储器(例如硬盘驱动器、软盘驱动器、磁带驱动器、MRAM等)等等。存储机904可包含挥发性、非挥发性、动态、静态、读/写、只读、随机存取、序列存取、位置可寻址(location-addressable)、文件可寻址(file-addressable)和/或内容可寻址(content-addressable)的设备。

可以理解的是，存储机904包含一或多个物理设备。然而，替代地，本文所述的指令的方面可通过在有限持续时间内不被物理设备保存的通信介质(例如电磁信号、光学信号等)传播。

逻辑机902以及存储机904的方面可一起整合至一或多个硬件逻辑部件中。此类硬件逻辑部件可包含，例如，现场可编程门阵列(FPGA)、专用程序和应用集成电路(PASIC/ASIC)、专用程序和应用标准产品(PSSP/ASSP)、芯片上系统(SOC)以及复杂可编程逻辑设备(CPLD)。

当被包含时，显示子系统906可用于呈现存储机904所保存的数据的视觉展现。此视觉展现可采用图形用户界面(GUI)的形式。由于本文所述的方法以及处理改变了存储机所保存的数据，并因此转换了存储机的状态，显示子系统906的状态同样可被转换以可视化地呈现底层数据的改变。显示子系统906可包含使用几乎任何类型技术的一或多个显示设备。这样的显示设备可与共享机柜中的逻辑机902和/或存储机904结合，或者这样的显示设备可为外围显示设备。

当包含时，输入子系统908可包含或连接一或多个用户输入设备，例如键盘、鼠标或触控屏幕。在一些实施方案中，输入子系统可包含或连接选定的自然用户输入(NUI)部件。这样的部件可以是整合的或外围的，并且输入动作的转换和/或处理可在板上(on-board)或板外(off-board)处理。示例的自然用户输入部件可包含用于言语和/或语音识别的麦克风，以及用于机器视觉和/或手势识别的红外线、彩色、立体和/或深度相机。

当包括时，通信子系统910可被配置为将计算系统900与一或多个其它计算设备通信耦合。通信子系统910可包含与一或多种不同通信协议兼容的有线和/或无线通信设备。作为非限制性示例，通信子系统可被配置经由无线电话网络或者有线或无线区域或广域网进行通信。在一些实施方案中，通信子系统可允许计算系统900经由诸如因特网之类的网络向其它设备发送和/或接收消息。

应理解的是，本文所述的配置和/或方法在本质上是示例性的，且这些具体实施方案或示例不应被认为是限制性的，因为许多变化是可能的。本所述的具体例程或方法可代表任何数量的处理策略中的一或多种。因此，所示出和/或所述的各种动作可按照所示出和/或所述的顺序执行、以其它顺序执行、并行执行或省略。同样，上述处理的顺序可以改变。

本公开内容的主题包含各种处理、系统以及配置的所有新颖以及非显而易见的组合及子组合，以及本文所公开的其它特征、功能、动作和/或特性，以及任何及其所有等同方案。

Claims (20)

1.一种电沉积工具，其包含：

杯体，其包含晶片界面，所述晶片界面包含唇形密封件以及多个电接触点；

相机，其定位成对所述晶片界面的至少一部分进行成像；

逻辑机；以及

存储机，其存储所述逻辑机可执行的指令以：

经由所述相机获取所述晶片界面的图像，

从经过训练的机器学习函数中获得所述晶片界面的所述图像的分类，以及

控制所述电沉积工具以基于所述分类采取行动。

2.根据权利要求1所述的电沉积工具，其中所述晶片界面被配置以旋转，且其中所述相机被配置为在所述晶片界面的相对应的多个旋转角度摄取所述晶片界面的多个图像。

3.根据权利要求2所述的电沉积工具，其中所述指令能执行以获得所述多个图像中的每一图像的分类。

4.根据权利要求1所述的电沉积工具，其中所述指令能执行以将所述晶片界面的所述图像传输至提供所述经过训练的机器学习函数的远程计算系统，且从所述远程计算系统获得所述图像的所述分类。

5.根据权利要求1所述的电沉积工具，其中所述经过训练的机器学习函数包含残差神经网络。

6.根据权利要求1所述的电沉积工具，其中所述指令能执行以控制所述电沉积工具响应于获得脏污的分类来执行清洁程序。

7.根据权利要求1所述的电沉积工具，其中所述指令能执行以控制所述电沉积工具响应于获得潮湿的分类来执行槽干燥程序。

8.根据权利要求1所述的电沉积工具，其中所述指令能执行以控制所述电沉积工具响应于获得受损的分类而输出错误代码以供用户干预。

9.根据权利要求1所述的电沉积工具，其中所述指令能执行以控制所述电沉积工具响应于获得正常或不明确中的一者的分类来继续正常操作。

10.一种用于操作电沉积工具的方法，所述方法包含：

经由相机获取所述电沉积工具的晶片界面的图像；

从经过训练的机器学习函数获得所述图像的分类；以及

在获得所述分类后，基于所述分类控制所述电沉积工具以执行维护程序。

11.根据权利要求10所述的方法，其中所述分类包含脏污分类，且所述维护程序包含槽清洁程序。

12.根据权利要求10所述的方法，其中所述分类包含潮湿分类，且所述维护程序包含槽干燥程序。

13.根据权利要求10所述的方法，其中所述分类包含受损分类，且所述维护程序包含触发错误代码的输出以供用户干预。

14.根据权利要求10所述的方法，其还包含于所述晶片界面的相对应的多个旋转角度获取所述晶片界面的多个图像，且从所述经过训练的机器学习函数获得所述多个图像中的每一图像的分类。

15.根据权利要求10所述的方法，其还包含获得正常分类，且控制所述电沉积工具以继续正常操作。

16.根据权利要求10所述的方法，其还包含获得不明确分类，且作为响应，触发警告代码。

17.一种计算机系统，其包含：

逻辑机；以及

存储机，其存储能由所述逻辑机执行的指令，以：

获得电沉积工具的晶片界面的图像，所述晶片界面包含唇形密封件以及多个电接触点，

经由将所述图像输入至经过训练的机器学习函数来获得分类，以及

输出所述分类。

18.根据权利要求17所述的计算机系统，其中所述经过训练的机器学习函数包含残差神经网络。

19.根据权利要求17所述的计算机系统，其中所述指令能进一步执行以在将所述图像输入至所述经过训练的机器学习函数之前裁剪所述晶片界面的所述图像。

20.根据权利要求17所述的计算机系统，其中所述指令能进一步执行以使用已标记的训练图像来训练所述经过训练的机器学习函数，所述已标记的训练图像中的每一者标记有正常、潮湿、脏污或受损中的一者的分类。