CN118020083A - 使用缺陷模型估计缺陷风险并优化处理配方 - Google Patents

使用缺陷模型估计缺陷风险并优化处理配方 Download PDF

Info

Publication number
CN118020083A
CN118020083A CN202280035137.3A CN202280035137A CN118020083A CN 118020083 A CN118020083 A CN 118020083A CN 202280035137 A CN202280035137 A CN 202280035137A CN 118020083 A CN118020083 A CN 118020083A
Authority
CN
China
Prior art keywords
defect
recipe
data
machine learning
output
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
CN202280035137.3A
Other languages
English (en)
Inventor
德莫特·P·坎特威尔
王长功
纳斯林·加普拉
吴文圭
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 CN118020083A publication Critical patent/CN118020083A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32015—Optimize, process management, optimize production line
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32018—Adapt process as function of results of quality measuring until maximum quality
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32096—Batch, recipe configuration for flexible batch control
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32097—Recipe programming for flexible batch
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32324—Quality data determines optimum machine sequence selection, queuing rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Factory Administration (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

系统包括存储器和可操作地耦合到存储器的处理装置，以执行包括以下步骤的操作：接收与涉及电子器件制造的处理相关联的数据以作为用于识别关于至少一个缺陷类型的缺陷影响的经训练的机器学习模型的输入。与处理相关联的数据包括以下项中的至少一者：用于处理组件的一组输入配方设置、待通过处理该组件来实现的一组期望特性，或针对该组配方设置的每个设置指定允许范围的一组约束。操作进一步包括以下步骤：通过将与处理相关联的数据应用到经训练的机器学习模型来获得输出。输出代表关于至少一个缺陷类型的缺陷影响。

Description

使用缺陷模型估计缺陷风险并优化处理配方
技术领域
本公开内容的实施方式大致涉及制造系统并且更具体而言涉及使用缺陷模型来估计缺陷风险并优化处理配方。
背景技术
随着器件尺寸的缩小，半导体晶片处理的复杂性也在增加。一个典型处理具有多个不同的步骤，而一些如等离子体蚀刻的先进处理可具有二十个甚至更多个步骤。每个步骤具有许多与优化性能相关联的旋钮。因此，可用于调谐和优化给定处理的空间理论上非常大。
处理工程师利用他们的经验和专业知识来选择初步的基线处理，并基于专用于实验设计(DoE)的有限数量的晶片(或晶片的部分，其被称为研究试样)来微调处理。DoE的目标是定制处理以在晶片上实现期望的规格。然而，将全部晶片或晶片的一部分专用于DoE数据收集会消耗宝贵资源。因此，通常采用的处理可以是可行的，但不一定是最佳解决方案。
不充分的在线精度计量数据引入另一个瓶颈。对于精度计量来说，通常使用如电感耦合等离子体质谱法(inductively-coupled plasma mass spectrometry,ICP-MS)的破坏性技术。然而，由于ICP-MS可能非常耗时，故ICP-MS通常无法生成足够的统计数据，且可能会受到强烈的基板/薄膜干扰。此外，因为ICP-MS是破坏性技术，故不能将ICP-MS有效地整合到生产线中。
发明内容
在一些实施方式中，提供了方法。该方法通过处理装置接收与涉及电子器件制造的处理相关联的训练输入数据。训练输入数据包括与处理相关联的一组实验数据。该方法进一步包括以下步骤：由处理装置获得用于训练输入数据的目标输出数据。目标输出数据识别一组缺陷类型。方法进一步包括以下步骤：由处理装置提供训练输入数据和目标输出数据以训练一组机器学习模型。一组机器学习模型中的每个机器学习模型被训练以用于识别关于该组缺陷类型中的至少一个类型的缺陷类型的缺陷影响。
在一些实施方式中，提供了系统。系统包括存储器和可操作地耦合到存储器的处理装置，以执行操作，操作包括：接收与涉及电子器件制造的处理相关联的数据以作为经训练的机器学习模型的输入，经训练的机器学习模型用于识别关于至少一个缺陷类型的缺陷影响。与处理相关联的数据包括以下项中的至少一者：用于处理组件的一组输入配方设置、待通过处理该组件来实现的一组期望特性，或针对该组配方设置的每个设置指定允许范围的一组约束。操作进一步包括：通过将与处理相关联的数据应用到经训练的机器学习模型来获得输出。输出代表关于至少一个缺陷类型的缺陷影响。
在一些实施方式中，提供了非暂时性机器可读取储存介质。非暂时性电脑可读取储存介质包括指令，当由处理装置执行指令时，指令使处理装置执行操作，操作包括：接收与涉及电子器件制造的处理相关联的数据以作为经训练的机器学习模型的输入，经训练的机器学习模型用于识别关于至少一个缺陷类型的缺陷影响。与处理相关联的数据包括以下项中的至少一者：用于处理组件的一组输入配方设置、待通过处理该组件来实现的一组期望特性，或针对该组配方设置的每个设置指定允许范围的一组约束。操作进一步包括：通过将与处理相关联的数据应用到经训练的机器学习模型来获得输出。输出代表关于至少一个缺陷类型的缺陷影响。
附图说明
在附图的各图中以示例而非限制的方式示出本公开内容，在这些图中相似的附图标记指示相似的元件。需要注意的是，本公开内容中对“一”或“一个”实施方式的不同引用并不一定是指同一个实施方式，并且这样的引用意味着至少一个实施方式。
图1描绘根据本公开内容的各个方面的说明性计算机系统架构。
图2是根据本公开内容的各个方面的用于使用缺陷模型来生成处理配方的系统的方框图。
图3是根据本公开内容的各个方面的用于使用至少一个经训练的缺陷模型来生成处理配方的方法的流程图。
图4是根据本公开内容的各个方面的用于基于输入训练数据获得缺陷模型训练数据以生成至少一个经训练的缺陷模型的方法的流程图。
图5是根据本公开内容的各个方面的用于调谐至少一个经初始训练的缺陷模型以生成至少一个经训练的缺陷模型的方法的流程图。
图6描绘根据本公开内容的一个或多个方面进行操作的说明性计算装置的方框图。
具体实施方式
本文描述的实施方案提供了使用用于半导体器件缺陷的机器学习模型的处理配方创建。处理配方创建通常是迭代过程。在运行晶片或基板并执行后处理计量之前，可能无法得知可能导致缺陷的处理条件。实验和专家知识可帮助指导该处理。传统方法不能系统地捕获此信息。此外，缺陷通常是多个具有不同来源和生成机制的物理和/或化学处理的最终结果，这可能使数据解释具有挑战性，特别是在考虑到不同变量的潜在相互作用的情况下。
本公开内容的各方面通过提供使用用于半导体器件缺陷的机器学习模型的处理配方创建，来解决上述和其它缺陷。用于制造系统的处理装置可提供与处理配方相关联的数据来作为经训练的机器学习模型的输入。在一些实施方式中，处理装置可从制造系统的客户端装置接收数据。用户(例如，操作员和工程师等)可通过客户端装置的图形化用户界面(GUI)提供与处理配方相关联的数据，且客户端装置可将所接收到的数据传输到用于制造系统的处理装置。
可训练机器学习模型以预测半导体器件缺陷和/或半导体器件缺陷影响晶片上性能的概率。可使用从多个来源所获得的关于缺陷生成和配方条件的训练数据来训练机器学习模型。根据训练数据，可创建包括分类模型和/或回归模型的一组模型。取决于缺陷类型和使用例，这组模型可估计缺陷的概率、估计缺陷的计数，并将处理空间分割成多个区域(例如，良好区域、警告区域和不良(故障)区域)。这组模型可与处理开发工具结合使用以提供关于任何建模处理条件的经估计的缺陷性能的额外的指导，并且可实现针对处理和缺陷性能两者的协同优化。此种额外的指导可阻止处理开发误入缺陷概率会很高的空间。可添加数值优化器来帮助建议可最大限度地减少潜在缺陷的替代处理设置。接着可在半导体器件制造期间使用这组模型，以通过在处理晶片之前提供关于给定处理条件下缺陷产生的潜在风险的反馈，来加速和指导处理配方的创建。通过应用基于经训练的机器学习模型的输出所获得的处理配方设置，可显著减少半导体器件缺陷。因此，处理腔室的有缺陷的基板和/或组件的数量更少，这改善了制造系统/处理的整体产量和效率。
图1描绘根据本公开内容的各个方面的说明性的计算机系统架构100。计算机系统架构100可包括客户端装置120、预测服务器112(例如，用于生成预测数据、提供模型适配和使用知识库等)和数据储存140。预测服务器112可以是预测系统110的一部分。预测系统110可进一步包括服务器机器170和服务器机器180。在一些实施方式中，计算机系统架构100可以被包括作为用于处理基板或晶片的制造系统的一部分。在这种实施方式中，计算机系统架构100可包括制造设备124、计量设备128和/或测试设备(未示出)。
制造设备124可按照配方或在一段时间内执行运行来生产诸如电子器件的产品。制造设备124可包括处理腔室(如关于图2所描述的处理腔室200)。制造设备124可在处理腔室处针对晶片(例如晶片等)执行处理。晶片处理的示例包括在晶片的表面上沉积膜的沉积处理、在晶片的表面上形成图案的蚀刻处理、在沉积处理或蚀刻处理之前将晶片加热到目标温度的晶片加热处理，及在沉积处理和/或蚀刻处理之后将晶片冷却到目标温度的晶片冷却处理等。制造设备124可根据处理配方执行每个处理。处理配方限定了要在处理期间对晶片执行的一组特定操作，且处理配方可包括与每个操作关联的一个或多个设置。例如，晶片加热处理可包括用于设置在处理腔室内的晶片的位置设置、用于处理腔室的温度设置、用于处理腔室的压力设置及用于处理腔室的压力设置等。
在一些实施方式中，制造设备124可包括一个或多个传感器126，传感器126被配置为针对处理腔室内部或外部的环境和/或设置在处理腔室内的晶片生成处理传感器数据。传感器数据可包括温度(例如，加热器温度)、间距(SP)、压力、高频射频(HFRF)、静电卡盘电压(ESC)、电流、流量、功率和电压等中的一者或多者的值。传感器数据可与制造参数相关联或指示制造参数，制造参数诸如是硬件参数(诸如制造设备124的设置或组件(例如，尺寸和类型等))或制造设备124的处理参数。可在制造设备124正在执行制造过程时提供传感器数据(例如，在处理产品时的设备读数)。对于在制造设备124处所处理的每个晶片，传感器数据可能不同。
计量设备128可提供与由制造设备124所处理的晶片(例如晶片等)相关联的计量数据。在一些实施方式中，计量数据可包含在对晶片执行沉积和/或蚀刻处理之前、期间或之后针对晶片的基板上的膜所生成的数据。例如，计量数据可包括在晶片处理完成针对晶片所生成的膜特性数据(例如，晶片空间膜特性)、尺寸(例如，厚度和高度等)、介电常数、掺杂剂浓度、密度和缺陷等的值。在一些实施方式中，计量数据可进一步包括与晶片的未经历沉积和/或蚀刻处理的一部分相关联的数据。例如，可在蚀刻处理之前将膜沉积在晶片的顶表面上，该蚀刻处理将蚀刻掉膜的一部分并产生目标晶片表面图案。可针对晶片启动晶片加热处理，以在开始蚀刻处理之前将晶片加热到目标温度。
客户端装置120可包括计算装置，诸如个人计算机(PC)、膝上型计算机、移动电话、智能手机、平板计算机、小笔电(netbook)计算机、网路连接的电视(“智能电视”)、网络连接的媒体播放器(例如，蓝光播放器)、机顶盒、过顶服务(over-the-top，OTT)流媒体装置和操作盒等。在一些实施方式中，计算机系统架构100可从客户端装置120接收与处理配方相关联的数据，该处理配方用于要在制造设备124处为晶片执行的处理。例如，客户端装置120可显示图形用户界面(GUI)，其中GUI让用户(例如，工程师、操作员和开发人员等等)能够提供与在制造设备124的处理腔室处要对晶片执行的晶片加热处理和/或晶片冷却处理的一个或多个处理处理配方设置相关联的数据作为输入。
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，硬盘驱动器和闪存驱动器)、数据库系统或是能够存储数据的另一类型的组件或装置。数据储存140可包括可跨越多个计算装置(例如，多个服务器计算机)的多个储存组件(例如，多个驱动器或多个数据库)。在一些实施方式中，数据储存140可储存传感器数据、计量数据、预测数据和/或环境数据。传感器数据可包括历史传感器数据(例如，传感器126针对在制造设备124处处理的先前晶片所生成的传感器数据)和/或当前传感器数据(例如，传感器126针对在制造设备124处正被处理的当前晶片所生成的传感器数据)。在一些实施方式中，当前传感器数据可以是为其生成预测数据的数据。传感器数据可包括但不限于，指示制造设备124的一个或多个组件的温度(例如，处理腔室的盖和/或窗的温度和嵌入在处理腔室的晶片支撑组件内的加热元件的温度等)的数据、指示晶片处理期间晶片的温度的数据、指示制造设备124内的环境的一个或多个部分的压力(例如，处理腔室的盖和/或窗与晶片表面之间的环境的压力和晶片表面与晶片支撑组件之间的环境的压力等)的数据，以及指示在晶片处理之前、期间和/或之后流入制造设备124中的一个或多个气体的浓度或流速的数据等。在一些实施方式中，数据储存可存储计量数据。计量数据可包括历史计量数据(例如，计量设备128为在制造设备124处处理的先前晶片所生成的计量数据)。
环境数据(contextual data)是指与晶片和/或在制造设备124处所执行的晶片处理相关联的数据。在一些实施方式中，环境数据可包括与晶片相关联的数据(举例而言，诸如晶片的识别符和晶片的类型等)。环境数据可附加地或替代地包括与制造设备124的用于处理晶片的一个或多个组件相关联的数据。例如，环境数据可包括制造设备124的一个或多个组件的识别符、与一个或多个组件相关联的一个或多个物理特性(例如，一个或多个组件的发射率和一个或多个组件的分子量等)、与制造设备124的操作员相关联的识别符，及在制造设备124处执行的处理的类型等。
在附加或替代的实施方式中，环境数据可包括与在制造设备124处为晶片执行的处理配方相关联的数据。例如，环境数据可包括处理配方的名称的识别符、处理配方的操作的操作编号，或处理配方的一个或多个操作的设置(在本文中称为处理配方设置)。处理配方设置可包括晶片或制造设备124的一个或多个组件的位置设置，诸如设置在处理腔室内的晶片相对于处理腔室的盖和/或窗的位置的设置、晶片相对于处理腔室的晶片支撑组件的位置的设置、晶片支撑组件相对于处理腔室的盖和/或窗的位置的设置、(带有或不带有晶片的)晶片支撑组件朝向或远离处理腔室的盖和/或窗的移动速度的设置，及晶片朝向或远离晶片支撑组件的表面的移动速度的设置等等。处理配方设置也可包括制造设备124的一个或多个组件和/或设置在制造设备124内的晶片的温度和/或压力设置。处理配方设置也可包括用于晶片处理的气流设置，其包括指示流入制造设备124的处理腔室的气体的目标成分和/或浓度、流入处理腔室的气体的流速、及流入处理腔室的气体的温度等的设置。
环境数据可包括历史环境数据(例如，在制造设备124处为先前晶片执行的先前晶片处理的环境数据)和/或当前环境数据(例如，在制造设备124处对当前晶片执行当前执行或将要进行的晶片处理的环境数据)。根据本文描述的实施方式，当前环境数据可以是为其生成预测数据的数据。根据先前描述的实施方式，可通过客户端装置120的GUI将历史环境数据和/或当前环境数据提供给系统100。
在一些实施方式中，数据储存140可被配置为储存制造系统的用户无法访问的数据。例如，制造系统和/或测试系统的用户(例如，操作员)无法访问晶片支撑组件的测试数据和环境数据等。在一些实施方式中，系统的用户可能无法访问所有储存在数据储存140处的数据。在其他或类似的实施方式中，储存在数据储存140处的数据的一部分可无法由用户访问，而存储在数据储存140处的数据的另一部分可由用户访问。在一些实施方式中，可使用用户未知的加密机制来加密储存在数据储存140处的数据的一个或多个部分(例如，使用私有加密密钥来加密数据)。在其他或类似的实施方式中，数据储存140可包括多个数据储存，其中用户无法访问的数据被储存在在一个或多个第一数据储存中，并且用户可访问的数据被储存在一个或多个第二数据储存中。
在一些实施方式中，预测系统110可包括服务器机器170和/或服务器机器180。服务器机器170包括训练集生成器172，训练集生成器172能够生成训练数据集(例如，一组数据输入和一组目标输出)来训练、验证和/或测试机器学习模型190。例如，根据本文提供的实施方式，训练集生成器172可生成训练集来训练、验证和/或测试机器学习模型190，以预测用于要在制造设备124处对晶片执行的处理的处理配方设置。
在一些实施方式中，训练集生成器172可基于与在制造设备124处所执行的一个或多个先前晶片处理相关联的历史传感器、计量和/或环境数据来为机器学习模型190生成训练集。在附加或替代的实施方式中，训练集生成器172可基于由制造设备124的数字复制模型(例如，数字孪生)生成的预测或模拟传感器、计量和/或环境数据来为机器学习模型190生成训练集。在一些实施方式中，数字复制模型(在本文中也称为数字副本)可以是模拟制造设备124的算法模型。
在一些实施方式中，数字表示服务器160可以是制造设备124的数字副本。数字表示服务器160可使用监督式机器学习、半监督式学习、无监督式机器学习或上述机器学习的任何组合来生成物理元件和/或制造设备124如何操作的动态的虚拟表示。可通过使用来自传感器126的周期性更新和/或与生成和维护制造设备124的数字副本数据相关联的数据(诸如传感器数据、性能数据(例如，与制造设备124的一个或多个组件的效率、延迟和吞吐量等相关联的数据)和库数据等)的强化学习来更新数字表示服务器160。在一些实施方式中，数字表示服务器160可包括与制造设备124的处理腔室的物理元件和动态相关联的处理腔室模型162。
数字表示服务器160可生成用于决定制造设备124将如何基于当前或模拟参数来执行的模拟数据。在一些实施方式中，模拟数据可被储存在数据储存140中。在一些实施方式中，模拟数据可包括与在处理腔室中用于晶片的晶片处理相关联的一个或多个处理配方设置。模拟数据也可包括(例如，要生产的产品或已使用数据储存140处的当前传感器数据生产的产品的)制造设备124的数字副本的预测特性数据和/或预测计量数据(例如，虚拟计量数据)。模拟数据也可包括异常(例如，异常产品、异常组件、异常的制造设备124和异常能量使用等)及异常的一个或多个原因的指示。模拟数据可进一步包括制造设备124的组件的使用寿命终止的指示。模拟数据可以是包罗万象的，涵盖了制造设备124的每个机械和/或电气方面。
如上所述，训练集生成器172可基于从数字表示服务器160获得的预测或模拟数据来为模型190生成训练数据。例如，训练集生成器172可生成一组或多组处理配方设置，并将这些组的处理配方设置提供到数字表示服务器160以使用处理腔室模型162来模拟制造设备124的处理腔室处的处理。在一些实施方式中，由处理腔室模型162输出的数据可包括处理腔室环境的第一空间与处理腔室环境的第二空间之间的压差。处理腔室环境的第一空间可包括晶片的顶表面与处理腔室的顶板(例如，盖和窗等)之间的空间。处理腔室环境的第二空间可包括晶片的底表面与在模拟晶片处理期间支撑晶片的晶片支撑组件的顶表面之间的空间。在附加或替代实施方式中，由处理腔室模型162输出的数据可包括与晶片处理的初始时间段和晶片处理的最后时间段之间晶片温度变化的变化率(称为升温速率)相关联的数据。在一些实施方式中，训练集生成器172可将训练数据(例如，用于物理处理的数据和/或模拟数据)划分为训练集、验证集和测试集。在一些实施方式中，预测系统110生成多组训练数据。下文参考图2来详细描述训练集生成器172的一些操作。
服务器机器180可包括训练引擎182、验证引擎184、选择引擎186和/或测试引擎188。引擎可指代硬件(例如，电路系统、专用逻辑、可编程逻辑、微代码和处理装置等)、软件(如在处理装置、通用计算机系统或专用机器上运行的指令)、固件、微代码或上述的组合。训练引擎182能够训练机器学习模型190。机器学习模型190可指代由训练引擎182使用包括训练输入和对应目标输出(相应的训练输入的正确答案)的训练数据所创建的模型制品。训练引擎182可在训练数据中找到将训练输入映射到目标输出(要预测的答案)的模式，并提供捕捉这些模式的机器学习模型190。机器学习模型190可使用分类、支援向量机(SVM)、径向基函数(RBF)、聚类、监督式机器学习、半监督式机器学习、无监督式机器学习、k-最近邻算法(k-NN)、线性回归、逻辑回归、随机森林及神经网络(例如人工神经网络)等中的一者或多者。
验证引擎184能够使用来自训练集生成器172的验证集的相应特征集来验证经训练的机器学习模型190。验证引擎184可基于验证集的相应特征集来确定经训练的机器学习模型190中的每一者的准确度。验证引擎184可丢弃所具有的准确度不满足阈值准确度的经训练的机器学习模型190。在一些实施方式中，选择引擎186能够选择所以具有的准确度满足阈值准确度的经训练的机器学习模型190。在一些实施方式中，选择引擎186能够选择在经训练的机器学习模型190中具有最高准确度的经训练的机器学习模型190。
测试引擎188能够使用来自数据集生成器172的测试集的相应特征集来测试经训练的机器学习模型190。例如，可使用测试集的第一组特征来测试使用训练集的第一组特征进行训练的第一经训练的机器学习模型190。测试引擎186可基于测试集确定在所有经训练的机器学习模型中具有最高准确度的经训练的机器学习模型190。
预测服务器112包括预测组件114，预测组件114能够提供一个或多个用于要在制造设备124处处理的当前基板的处理配方设置和/或与缺陷相关的数据(例如，缺陷风险或预期的缺陷密度或计数的估计)。如下文关于图6所详细描述，在一些实施方式中，预测组件114能够提供与要针对基板执行的基板处理的处理配方相关联的数据来作为模型190的输入，并获得模型190的一个或多个输出。在一些实施方式中，与处理配方相关联的数据可包括要针对处理配方执行的一个或多个操作的指示，以及在基板处理的最后时间段的基板的目标温度。在一些实施方式中，处理配方数据可包括要在基板处理期间应用的一个或多个目标基板处理设置。预测服务器112可基于模型190的一个或多个输出，对应于基板的一个或多个操作和/或目标温度的一组处理配方设置。响应于将所确定的一组处理配方设置被确定为满足置信度标准，预测服务器112可根据所确定的处理配方设置在处理腔室处对基板执行基板处理。
在一些实施方式中，预测服务器112可将一个或多个处理配方设置的指示传输到客户端装置120，以作为对一个或多个目标基板处理配方设置的建议修改。客户端装置120可通过客户端装置120的GUI显示对目标基板处理配方设置的建议修改。系统100的用户(例如，操作员、工程师和开发人员等)可与客户端装置120的GUI的一个或多个器件互动以根据从模型190的输出中获得的一个或多个处理配方设置来启动基板处理或不启动针对基板的基板处理。
客户端设备120、制造设备124、数据储存140、数字表示服务器160、预测服务器112、服务器机器170和服务器机器180可通过网络130彼此耦合。在一些实施方式中，网络130是向客户端装置120提供对预测服务器112、数据储存140和其他公共可用计算装置的访问的公共网络。在一些实施方式中，网络130是向客户端设备120提供对制造设备124、数据储存140、数字表示服务器160、预测服务器112和其他私有可用计算装置的访问的私有网络。网络130可包括一个或多个广域网络(WAN)、局域网络(LAN)、有线网络(例如，乙太网络)、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/或上述的组合。
应当注意的是，在一些其他实施方式中，可由较少数量的机器提供数字表示服务器160、服务器机器170和服务器机器180与预测服务器112的功能。例如，在一些实施方式中，可将数字表示服务器160、服务器机器170和/或服务器机器180整合到单个机器中，而在一些其他或类似的实施方式中，可将数字表示服务器160、服务器机器170和/或服务器机器180与预测服务器112整合到单个机器中。
一般来说，也可在客户端装置120上执行在一个实施方案中被描述成由数字表示服务器160、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。此外，特定组件的功能可由一起操作的不同或多个组件来执行。
在实施方式中，可将“用户”表示为单个个体。然而，本公开内容的其他实施方式涵盖作为由多个用户和/或自动化源控制的实体(entity)的“用户”。例如，可将作为一组管理员联合的一组个人用户视为“用户”。
图2是根据本公开内容的各个方面的使用缺陷模型来生成处理配方的系统200的图。如图所示，系统200包括机器学习部分210。机器学习部分210可包括缺陷模型训练组件212，缺陷模型训练组件212接收输入训练数据220以生成一组经训练的缺陷模型214。该组经训练的缺陷模型214可包括一个或多个经训练的缺陷模型，每个模型对应于相应的缺陷类型。可将缺陷定义为任何不希望的晶片上状态或特征(例如，颗粒和污染)。
输入训练数据220可包括例如一组实验数据和/或一组专家知识。该组专家知识可包括从一个或多个专家源挖掘出的数据。专家来源的示例包括文献、内部专业知识和专家直觉等。
例如，该组实验数据可包括一组物理模型数据。该组物理模型数据可包括一个或多个基于物理的模型。该组实验数据可包括来自结构化实验的数据(结构化实验数据)和/或来自非结构化实验的数据(非结构化实验数据)。结构实验数据是指基于定义的结构(例如，数学结构)所获得的实验数据，而非结构化的实验数据是指不是基于定义的结构(例如，从诸如出版物的外部来源)获得的实验数据。
例如，结构化实验数据可包括使用实验设计(DoE)技术获得的DoE数据。例如，DoE技术可用于检测晶片鉴于配方参数变化的灵敏度。DoE是任何存在变化的信息收集活动的设计，且DoE分析是对从DoE执行产生的数据(即，DoE数据)的分析。在一些实施方式中，DOE数据包括配方参数、配方参数值和测量值(例如，晶片测量值)。例如，对于其中五个配方参数可变化的DoE分析，可通过运行多个实验来执行DoE，在多个实验中，针对每个实验，五个配方参数中的每一者根据预定值而变化。接着可在不同位置处测量来自每个实验的晶片，且来自每个实验的晶片可与其所相对应的配方参数相关联。可通过将配方参数的变化与来自每个实验的每个测量位置的测量值的变化进行比较来计算灵敏度值。通常接着将灵敏度值取平均，以确定晶片对特定配方参数的平均灵敏度。可对应于晶片上的平均径向灵敏度值来计算灵敏度。
该组实验数据可包括对应于输入的一组预测因子(predictor)和对应于输出的一组响应。例如，预测因子可以是配方设置、传感器数据或上述的组合。响应可包括对应于一个或多个经训练的缺陷模型的一个或多个缺陷类型。
在一些实施方式中，输入训练数据220不是以适合训练机器学习模型的格式来接收的。为了解决此问题，缺陷模型训练组件212可将输入训练数据220转换为具有用于生成一组经训练的缺陷模型214的机器学习格式的缺陷模型训练数据。在一些实施方式中，输入训练数据220以机器学习格式被接收，以作为缺陷模型训练数据。
如下文将更详细描述，一组经训练的缺陷模型214中的每个经训练的缺陷模型可用于在涉及电子器件制造的处理期间对其对应缺陷类型的缺陷进行建模。例如，经训练的缺陷模型可用于在晶片处理期间对其对应缺陷类型的缺陷进行建模。在一些实施方式中，经训练的缺陷模型用于使用回归类型方法(例如，神经网络和广义线性模型)来估计预期的缺陷计数。在一些实施方式中，经训练的缺陷模型可用于基于缺陷概率来对输入区域进行分类(例如，神经网络分类器和逻辑回归)。下文将参考图3至图5来更详细地描述关于接收输入训练数据220和生成一组经训练的缺陷模型214的更多细节。
机器学习部分210可进一步包括经训练的缺陷模型推理组件216。经训练的缺陷模型推理组件可接收一组经训练的缺陷模型214和输入推理数据230，并使用一组经训练的缺陷模型214来基于输入推理数据230执行推理，以生成推理输出218。可执行推理以实现实验数据点之间的内插值。
输入推理数据230可包括由缺陷模型类型和用例所定义的用于处理配方的一组配方设置、传感器数据、材料数据及设备相关信息等中的一者或多者。推理输出218可用作对可能具有低缺陷计数的配方条件的指南。附加地或替代地，推理输出218可与数值优化例程结合使用，以找到产生所需晶片条件同时最小化缺陷概率的配方条件。
例如，在一些实施方式中，输入推理数据230包括用于处理配方的一组配方设置，且推理输出218包括鉴于该组配方设置的一个或多个缺陷类型中的每一者的估计缺陷计数和/或鉴于该配方设置的一个或多个缺陷类型中的每一者将影响性能的概率。
在一些实施方式中，输入推理数据230包括一组配方设置和针对一组配方设置中的每一个配方设置指定允许范围的一组约束，且推理输出218包括一组受约束的配方设置，该组受约束的配方设置使鉴于该组配方设置的一个或多个缺陷类型中的每一者的估计缺陷计数最小化，和/或使鉴于该配方设置的一个或多个缺陷类型中的每一者将影响性能的概率最小化。
在一些实施方式中，输入推理数据230包括一组期望特性，且推理输出218包括一组配方设置，该组配方设置实现该组期望特性，同时使鉴于该组配方设置的一个或多个缺陷类型中的每一者的估计缺陷计数最小化和/或使鉴于该配方设置的一个或多个缺陷类型中的每一者将影响性能的概率最小化。例如，该组期望特性可包括由处理性能产生的一组性能目标(例如，由晶片处理产生的晶片上性能目标)。
将在下文参考图3更详细地描述关于接收输入推理数据230和生成推理输出218的进一步细节。系统200可进一步包括配方创建组件240。配方创建组件240接收推理输出218，并基于推理输出来生成具有配方设置的配方250。配方设置可包括一组配方参数和一组配方步骤。例如，配方设置可包括一个或多个用于实现一组目标的相关配方参数。系统200可进一步包括由工具/腔室270接收的未处理的基板或晶片260，以使用配方250生产经处理的晶片280。可使用来自工具/腔室270的处理的反馈来进一步调谐配方250。尽管示出了晶片，但可根据本文所描述的实施方式来处理任何合适的组件。下文将参考图3更详细地描述关于由配方创建组件240和配方250执行的操作的更多细节。
为了简单解释，本文所描述的方法被描绘和描述成一系列动作。然而，可以以各种顺序发生和/或同时发生根据本公开内容的动作，并且与本文未呈现和描述的其他动作一起发生。此外，并非所有被图示的动作都会被执行以实施根据所公开主题的方法。此外，本技术领域技术人员将了解和理解，可替代地通过状态图或事件将这些方法表示为一系列相互关联的状态。此外，应当理解的是，本说明书中所公开的方法能够被存储在制品上，以促进将这些方法传输和转移到计算装置。如本文所使用，术语制品旨在涵盖可从任何计算机可读取装置或储存介质访问的计算机程式。
图3是根据本公开内容的各个方面的使用至少一个经训练的缺陷模型来生成处理配方的方法的流程图。由处理逻辑来执行方法300，处理逻辑可包括硬件(电路系统和专用逻辑等)、软件(如在通用计算机系统或专用机器上运行的软件)、固件或上述的一些组合。在一个实施方式中，可由计算机系统(诸如图1的计算机系统架构100)执行方法300。在其他或类似的实施方式中，可由图中未描绘的一个或多个其他机器执行方法300的一个或多个操作。在一些方面中，可由服务器机器170的训练集生成器172执行方法400的一个或多个操作。
在方框310处，处理逻辑接收与涉及电子器件制造的处理相关联的训练输入数据和用于训练输入数据的目标输出数据。例如，训练输入数据可包括一组实验数据(例如，监督式和/或非监督式实验数据)、一组物理模型和一组专家知识等中的一者或多者。目标输出数据识别一组缺陷类型。
在方框320处，处理逻辑提供训练输入数据和目标输出数据以训练一组机器学习模型。该组机器学习模型中的每个机器学习模型经训练以用于识别关于一组缺陷类型中的至少一个缺陷类型的缺陷影响。例如，该组机器学习模型可包括回归模型和分类器模型等中的一者或多者。因此，可将每个机器学习模型称为缺陷模型。
在一些实施方式中，训练输入数据不是以适合训练机器学习模型的格式接收的。为了解决此问题，提供训练输入数据的步骤可包括将训练输入数据转换为具有机器学习格式的缺陷模型训练数据。下文参考图4描述关于将输入训练数据转换为缺陷模型训练数据的进一步细节。或者，可在方框310处以合适的机器学习格式接收训练输入数据。
在方框330处，处理逻辑基于训练输入数据和目标输出数据，来训练一组机器学习模型中的每个机器学习模型。在一些实施方式中，训练一组机器学习模型中的每个机器学习模型的步骤包括：获得一个或多个经初始训练的机器学习模型，及调谐一个或多个经初始训练的机器学习模型。可执行调谐以微调并因此提高一个或多个经初始训练的机器学习模型的性能。下文将参考图5描述关于这些实施方式的进一步细节。
在方框340处，处理逻辑接收来自一组机器学习模型的选定的机器学习模型，并接收与处理相关联的数据以作为选定的机器学习模型的输入。在一些实施方式中，与处理相关联的数据包括处理配方数据。例如，处理配方数据可包括处理配方的一组配方设置。在一些实施方式中，与处理相关联的数据包括传感器数据。
在方框350处，处理逻辑通过将与处理相关联的数据应用到选定的机器学习模型来获得输出。输出可代表关于至少一个缺陷类型的缺陷影响。
在一些实施方式中，与处理相关联的数据包括用于处理配方的一组配方设置，且输出包括鉴于该组配方设置的一个或多个缺陷类型中的每一者的估计缺陷计数和/或鉴于该配方设置的一个或多个缺陷类型中的每一者将影响性能的概率。
在一些实施方式中，与处理相关联的数据包括一组配方设置和针对该组配方设置中的每一个配方设置指定允许范围的一组约束，且输出包括一组受约束的配方设置，该组受约束的配方设置使鉴于该组配方设置的一个或多个缺陷类型中的每一者的估计缺陷计数最小化，和/或使鉴于该配方设置的一个或多个缺陷类型中的每一者将影响性能的概率最小化。
在一些实施方式中，与处理相关联的数据包括一组期望特性，且输出包括一组配方设置，该组配方设置实现该组期望特性同时使鉴于该组配方设置的一个或多个缺陷类型中的每一者的估计缺陷计数最小化和/或使鉴于该配方设置的一个或多个缺陷类型中的每一者将影响性能的概率最小化。例如，该组期望特性可包括由处理性能产生的一组性能目标(例如，由晶片处理产生的晶片上性能目标)。
输出可用于以指示(例如，预测)鉴于当前配方参数或输入执行处理的缺陷。例如，指示可对应于预期不希望的缺陷计数的概率。附加地或替代地，输出可指示配方输入的可用于降低缺陷的概率或以其他方式将处理从关于缺陷的高风险处理转移到低风险处理的潜在组合。例如，输出可建议对一个或多个配方中已列出的输入进行修改(例如，增加或减少)和向配方中添加一个或多个新输入等。
在方框360处，处理逻辑鉴于输出生成用于执行考虑了缺陷影响的处理的处理配方。处理配方可包括用于处理与电子器件相关联的组件的配方设置。例如，处理配方可以是用于处理晶片的配方。配方设置可包括一组配方参数和一组配方步骤。例如，配方设置可包括一个或多个用于实现一组目标的相关配方参数。
在方框370处，处理逻辑使处理工具使用处理配方来执行处理。处理工具可以是任何用于处理组件的工具和腔室等。例如，处理工具可处理晶片。可使用来自处理的反馈以进一步调谐配方(例如，配方设置)。
图4是根据本公开内容的各个方面的用于获得缺陷模型训练数据的方法400的流程图，缺陷模型训练数据用于训练一组机器学习模型。由处理逻辑来执行方法400，处理逻辑可包括硬件(电路系统和专用逻辑等)、软件(例如在通用计算机系统或专用机器上运行的软件)、固件或上述的一些组合。在一个实施方式中，可由计算机系统(诸如图1的计算机系统架构100)执行方法400。在其他或类似的实施方式中，可由图中未描绘的一个或多个其他机器执行方法400的一个或多个操作。在一些方面中，可由服务器机器170的训练集生成器172执行方法400的一个或多个操作。
在方框410处，处理逻辑接收训练输入数据。训练输入数据可类似于上文参考图2和图3描述的训练输入。假设在此示例中，没有以适合训练机器学习模型的格式来接收输入的训练数据。
为了解决此问题，在方框420处，处理逻辑将训练输入数据转换成缺陷模型训练数据。缺陷模型训练数据具有可用于训练机器学习模型的合适的机器学习格式。例如，将训练输入数据转换成缺陷模型训练数据可包括将训练输入数据转换(例如，重新编码)成机器学习格式以用于机器学习管线(pipeline)。
在方框430处，处理逻辑提供缺陷模型训练数据以训练一组机器学习模型。例如，缺陷模型训练数据可与目标输出数据一起提供。上文参考图2和图3描述了关于方框410-430的进一步细节。
图5是根据本公开内容的各个方面的用于调谐至少一个经初始训练的缺陷模型以生成至少一个经训练的缺陷模型的方法500的流程图。由处理逻辑执行方法500，处理逻辑可包括硬件(电路系统和专用逻辑等)、软件(如在通用计算机系统或专用机器上运行的软件)、固件或上述的一些组合。在一个实施方式中，可由计算机系统(诸如图1的计算机系统架构100)执行方法500。在其他或类似的实施方式中，可由图中未描绘的一个或多个其他机器执行方法500的一个或多个操作。在一些方面中，可由预测服务器112执行方法500的一个或多个操作。
在方框510处，处理逻辑获得至少一个经初始训练的机器学习模型。经初始训练的机器学习模型可被训练以用于识别关于一组缺陷类型中的至少一个缺陷类型的缺陷影响。例如，经初始训练的机器学习模型可以是回归模型和分类器模型等。因此，可将经初始训练的机器学习模型称为经初始训练的缺陷模型。例如，可基于训练输入数据和目标输出数据生成经初始训练的机器学习模型，如上文参考图2至图4所描述。
在方框520处，处理逻辑接收调谐输入数据。例如，调谐输入数据可包括验证数据。验证数据包括在训练(为获得经初始训练的机器学习模型而执行的训练)期间已保留的数据。
在方框530处，处理逻辑基于输入调谐数据对经初始训练的缺陷模型进行调谐，以获得经调谐的机器学习模型。例如，调谐经初始训练的缺陷模型可包括修改经初始训练的缺陷模型的一个或多个参数(例如，超参数)以获得更准确的模型结果。
在一些实施方式中，没有以适于调谐经初始训练的机器学习模型的机器学习格式提供在方框520处接收的调谐输入数据。为了解决此问题，调谐经初始训练的机器学习模型可包括将调谐输入数据转换为具有用于调谐经初始训练的缺陷模型的机器学习格式的缺陷模型调谐数据。例如，将调谐输入数据转换为缺陷模型调谐数据可包括将调谐输入数据转换(例如，重新编码)成机器学习格式以用于机器学习管线(pipeline)。在一些实施方式中，以适于调谐经初始训练的机器学习模型的机器学习格式来提供在方框520处所接收的调谐输入数据。
图6描绘根据本公开内容的一个或多个方面操作的说明性的计算装置600的方框图。在替代实施方式中，机器可连接(例如，联网)到局域网络(LAN)、内部网络、外部网络或互联网络中的其他机器。机器可在客户端-服务器网络环境中以服务器或客户端机器的身份运行，或在对等(或分布式)网络环境中作为对等机器运行。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)、蜂窝式电话、网络设备、服务器、网络路由器、交换机或桥接器，或任何能够(顺序地或以其他方式)执行的一组指令(这些指定机器所要采取的动作)的机器。此外，虽然仅示出单个机器，但术语“机器”也应理解为包括单独或共同执行一组(或多组)指令以执行本文所讨论的方法中的任何一者或多者的任何机器(例如计算机)的集合。在实施方式中，计算装置600可对应于图1的预测服务器112或系统100的另一处理装置。
示例性的计算装置600包括处理装置602、主存储器604(例如，只读存储器(ROM)、闪存存储器、动态随机存取存储器(DRAM)(诸如同步DRAM(SDRAM))等)、静态存储器606(例如，闪存存储器和静态随机存取存储器(SRAM)等)，及辅助存储器(例如，数据储存装置628)，上述装置和存储器通过总线608相互通信。
处理装置602可代表一个或多个通用处理器，诸如微处理器和中央处理单元等。更具体来说，处理装置602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、实现其他指令集的处理器、或实现指令集组合的处理器。处理装置602也可以是一个或多个专用处理装置，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)、网络处理器或类似者。处理装置602也可以是或包括片上系统(SoC)、可编程逻辑控制器(PLC)或其他类型的处理装置。处理装置602被配置为执行处理逻辑以用于执行本文所讨论的操作和步骤。
计算装置600可进一步包括用于与网络664通信的网络接口装置622。计算装置600也可包括视频显示单元610(例如，液晶显示器(LCD)或阴极射线管(CRT))、字母数字输入装置612(例如，键盘)、游标控制装置614(例如，鼠标)和信号生成装置620(例如，扬声器)。
数据储存装置628可包括机器可读取储存介质(或更具体来说，非暂时性的计算机可读取储存介质)624，其上存储了体现本文所描述的方法或功能中的任何一者或多者的一组或多组指令626。其中非暂时性储存介质是指除载波之外的储存介质。在由计算机装置600执行指令626期间，指令626也可完全或至少部分地驻留在主存储器604内和/或处理装置602内，主存储器604和处理装置602也构成计算机可读取储存介质。
计算机可读取储存介质624也可用于储存模型190和用于训练模型190的数据。计算机可读取储存介质624也可储存包含调用模型190的方法的软件库。虽然在示例性的实施方式中将计算机可读取储存介质624示为单个介质，但应将术语“计算机可读取储存介质”理解为包括储存一组或多组指令的单个介质或多个介质(例如，集中式或分散式数据库，和/或相关联的高速缓存和服务器)。也应将术语“计算机可读取储存介质”理解为包括任何能够储存或编码一组指令以由机器执行并使机器执行本公开内容的方法中的任何一者或多者的介质。因此，应将术语“计算机可读取储存介质”理解为包括但不限于固态存储器和光学及磁性介质。
为了提供对本公开内容的若干实施方式的良好理解，前文的描述阐述了许多具体细节，如具体系统、组件及方法等的示例。然而，对于本领域技术人员来说显而易见的是，可在没有这些具体细节的情况下来实施本公开内容的至少一些实施方式。在其他情况下，没有详细描述或以简单的方框图格式呈现众所周知的组件或方法，以避免不必要地模糊本公开内容。因此，所阐述的具体细节仅仅是示例性的。特定的实施方式可与这些示例性细节不同，且仍被认定为在本公开内容的范围内。
在整篇说明书中对“一个实施方式”或“一实施方式”的引用意味着结合实施方式描述的特定特征、结构或特性被包括在至少一个实施方式中。因此，本说明书各处出现的短语“在一个实施方式中”或“在一实施方式中”不一定都代表相同的实施方式。此外，术语“或”旨在表示包容性的“或”，而不是排他性的“或”。当在本文中使用术语“大约”或“约”时，这旨在表示所呈现的标称值的精确在±10％以内。
尽管以特定顺序示出和描述了本文方法的操作，但可改变每种方法的操作顺序，使得可用相反的顺序执行某些操作，从而可执行某些操作使其至少部分地与其他操作同时进行。在另一个实施方式中，不同操作的指令或子操作可以是间歇和/或交替的方式。
应当理解的是，以上描述旨在是说明性的，而不是限制性的。在阅读和理解以上描述后，许多其他实施方式对于本领域技术人员来说将是显而易见的。因此，应当参考所附权利要求及这些权利要求所被赋予的等同物的全部范围来确定本公开内容的范围。

Claims (20)

1.一种方法，包括以下步骤：
由处理装置接收与涉及电子器件制造的处理相关联的训练输入数据，所述训练输入数据包括与所述处理相关的一组实验数据；
由所述处理装置获得所述训练输入数据的目标输出数据，所述目标输出数据识别一组缺陷类型；及
由所述处理装置提供所述训练输入数据和所述目标输出数据以训练一组机器学习模型，其中所述一组机器学习模型中的每个机器学习模型被训练以识别关于所述一组缺陷类型中的至少一个类型的缺陷类型的缺陷影响。
2.根据权利要求1所述的方法，进一步包括以下步骤：由所述处理装置将所述训练输入数据转换为具有用于训练所述一组机器学习模型的机器学习格式的缺陷模型训练数据。
3.根据权利要求1所述的方法，进一步包括以下步骤：
由所述处理装置从所述一组机器学习模型接收经初始训练的机器学习模型；
由所述处理装置接收调谐输入数据；及
基于所述调谐输入数据来调谐所述经初始训练的机器学习模型，以获得经调谐的机器学习模型。
4.根据权利要求1所述的方法，进一步包括以下步骤：
由所述处理装置从所述一组机器学习模型接收选定的机器学习模型；
接收与所述处理相关联的数据，以作为所述选定的机器学习模型的输入；及
通过将与所述处理相关联的所述数据应用到所述选定的机器学习模型来获得输出，其中所述输出代表关于所述至少一个缺陷类型的所述缺陷影响。
5.根据权利要求4所述的方法，其中与所述处理配方相关联的所述数据包括用于处理配方的一组配方设置，且其中所述输出包括以下项中的至少一者：鉴于所述一组配方设置的所述至少一个缺陷类型的估计缺陷计数，或鉴于所述配方设置的所述至少一个缺陷类型将影响性能的概率。
6.根据权利要求4所述的方法，其中：
与所述处理配方相关联的所述数据包括用于处理配方的一组配方设置，以及针对所述一组配方设置中的每个设置指定允许范围的一组约束；并且
所述输出包括一组受约束的配方设置，所述一组受约束的配方设置最小化以下项中的至少一者：鉴于所述一组配方设置的所述至少一个缺陷类型的估计缺陷计数，或鉴于所述配方设置的所述至少一个缺陷类型将影响性能的概率。
7.根据权利要求4所述的方法，其中：
与所述处理配方相关联的数据包括一组期望特性；并且
所述输出包括一组配方设置，所述一组配方设置实现所述一组期望特性同时最小化以下项中的至少一者：鉴于所述一组配方设置的所述至少一个缺陷类型的估计缺陷计数，或鉴于所述配方设置的所述至少一个缺陷类型将影响性能的概率。
8.根据权利要求4所述的方法，进一步包括以下步骤：
由所述处理装置鉴于所述输出来生成处理配方，所述处理配方用于执行考虑了关于所述至少一个缺陷类型的所述缺陷影响的处理；及
通过所述处理装置促使处理工具使用所述处理配方来执行所述处理。
9.一种系统，包括：
存储器，及
处理装置，所述处理装置可操作地耦合到所述存储器，以执行操作，所述操作包括：
接收与涉及电子器件制造的处理相关联的数据以作为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用于识别关于至少一个缺陷类型的缺陷影响，其中与所述处理相关联的数据包括以下项中的至少一者：用于处理组件的一组输入配方设置、待通过处理所述组件来实现的一组期望特性，或针对所述一组配方设置的每个设置指定允许范围的一组约束；及
通过将与所述处理相关联的所述数据应用到经训练的机器学习模型来获得输出，其中所述输出代表关于所述至少一个缺陷类型的所述缺陷影响。
10.根据权利要求9所述的系统，其中所述输出包括以下项中的至少一者：鉴于所述一组配方设置的所述至少一个缺陷类型的估计缺陷计数，或鉴于所述配方设置的所述至少一个缺陷类型将影响性能的概率。
11.根据权利要求9所述的系统，其中所述输出包括一组输出配方设置，所述一组输出配方设置最小化以下项中的至少一者：鉴于所述一组配方设置的所述至少一个缺陷类型的估计缺陷计数，或鉴于所述配方设置的所述至少一个缺陷类型将影响性能的概率。
12.根据权利要求11所述的系统，其中所述操作进一步包括：基于所述一组输出配方设置来生成处理配方，所述处理配方用于执行考虑了关于所述至少一个缺陷类型的所述缺陷影响的所述处理。
13.根据权利要求12所述的系统，其中所述操作进一步包括：使处理工具使用所述处理配方来执行所述电子器件制造处理。
14.根据权利要求9所述的系统，其中所述操作进一步包括：在接收所述数据之前，通过基于训练输入数据和目标输出数据来训练机器学习模型来获得所述经训练的机器学习模型，且其中所述训练输入数据包括与所述处理相关联的一组实验数据。
15.一种存储有指令的非暂时性机器可读取储存介质，当由处理装置执行所述指令时，所述指令使所述处理装置执行操作，所述操作包括：
接收与涉及电子器件制造的处理相关联的数据以作为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用于识别关于至少一个缺陷类型的缺陷影响，其中与所述处理相关联的数据包括以下项中的至少一者：用于处理组件的一组输入配方设置、待通过处理所述组件来实现的一组期望特性，或针对所述一组配方设置的每个设置指定允许范围的一组约束；及
通过将与所述处理相关联的所述数据应用到经训练的机器学习模型来获得输出，其中所述输出代表关于所述至少一个缺陷类型的所述缺陷影响。
16.根据权利要求15所述的非暂时性机器可读取储存介质，其中所述输出包括以下项中的至少一者：鉴于所述一组配方设置的所述至少一个缺陷类型的估计缺陷计数，或鉴于所述配方设置的所述至少一个缺陷类型将影响性能的概率。
17.根据权利要求15所述的非暂时性机器可读取储存介质，其中所述输出包括一组输出配方设置，所述一组输出配方最小化以下项中的至少一者：鉴于所述一组配方设置的所述至少一个缺陷类型的估计缺陷计数，或鉴于所述配方设置的所述至少一个缺陷类型将影响性能的概率。
18.根据权利要求17所述的非暂时性机器可读取储存介质，其中所述操作进一步包括：基于所述一组输出配方设置生成处理配方，所述处理配方用于执行考虑了关于所述至少一个缺陷类型的所述缺陷影响的所述处理。
19.根据权利要求18所述的非暂时性机器可读取储存介质，其中所述操作进一步包括：使处理工具使用所述处理配方来执行所述处理。
20.根据权利要求15所述的非暂时性机器可读取储存介质，其中所述操作进一步包括：在接收所述数据之前，通过基于训练输入数据和目标输出数据训练机器学习模型来获得所述经训练的机器学习模型，且其中所述训练输入数据包括与所述处理相关联的一组实验数据。
CN202280035137.3A 2021-08-16 2022-08-15 使用缺陷模型估计缺陷风险并优化处理配方 Pending CN118020083A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/402,832 2021-08-16
US17/402,832 US20230051330A1 (en) 2021-08-16 2021-08-16 Using defect models to estimate defect risk and optimize process recipes
PCT/US2022/040371 WO2023022999A1 (en) 2021-08-16 2022-08-15 Using defect models to estimate defect risk and optimize process recipes

Publications (1)

Publication Number Publication Date
CN118020083A true CN118020083A (zh) 2024-05-10

Family

ID=85177843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280035137.3A Pending CN118020083A (zh) 2021-08-16 2022-08-15 使用缺陷模型估计缺陷风险并优化处理配方

Country Status (7)

Country Link
US (1) US20230051330A1 (zh)
EP (1) EP4388467A1 (zh)
JP (1) JP2024528371A (zh)
KR (1) KR20240050302A (zh)
CN (1) CN118020083A (zh)
TW (1) TW202314559A (zh)
WO (1) WO2023022999A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102023203018A1 (de) * 2023-03-31 2024-10-02 Robert Bosch Gesellschaft mit beschränkter Haftung Halbleiter-Fertigungsprozess mit simuliertem Prozessfenstermodell

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11275361B2 (en) * 2017-06-30 2022-03-15 Kla-Tencor Corporation Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process
CN113227905B (zh) * 2018-12-26 2024-06-11 Asml荷兰有限公司 用于检查晶片的系统和方法
US11379967B2 (en) * 2019-01-18 2022-07-05 Kla Corporation Methods and systems for inspection of semiconductor structures with automatically generated defect features
US11556117B2 (en) * 2019-10-21 2023-01-17 Applied Materials, Inc. Real-time anomaly detection and classification during semiconductor processing
US11816411B2 (en) * 2020-01-29 2023-11-14 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for semiconductor wafer defect review

Also Published As

Publication number Publication date
EP4388467A1 (en) 2024-06-26
WO2023022999A1 (en) 2023-02-23
KR20240050302A (ko) 2024-04-18
TW202314559A (zh) 2023-04-01
US20230051330A1 (en) 2023-02-16
JP2024528371A (ja) 2024-07-30

Similar Documents

Publication Publication Date Title
US20220198333A1 (en) Recipe optimization through machine learning
JP2023535125A (ja) 機械学習を使用した基板プロファイル特性の決定
CN118020083A (zh) 使用缺陷模型估计缺陷风险并优化处理配方
US20230418245A1 (en) Process recipe creation and matching using feature models
US20230135102A1 (en) Methods and mechanisms for process recipe optimization
KR20240134930A (ko) 챔버 조건 모니터링을 위한 예측 모델링
US12105504B2 (en) Run-to-run control at a manufacturing system using machine learning
US20240248466A1 (en) Process chamber qualification for maintenance process endpoint detection
US20240062097A1 (en) Equipment parameter management at a manufacturing system using machine learning
US11874234B2 (en) Multi-level RF pulse monitoring and RF pulsing parameter optimization at a manufacturing system
US20230384777A1 (en) Methods and mechanisms for preventing fluctuation in machine-learning model performance
US20230222264A1 (en) Processing chamber calibration
US20230342016A1 (en) Methods and mechanisms for generating virtual knobs for model performance tuning
US20230306300A1 (en) Methods and mechanisms for measuring patterned substrate properties during substrate manufacturing
TW202340885A (zh) 用於在評估系統與製造系統之間進行介接的通訊節點
TW202409764A (zh) 用於基板處理設備的多維感測器資料的整體分析
TW202347063A (zh) 製程控制旋鈕估計
TW202431026A (zh) 使用機器學習來決定基板輪廓性質
KR20240148889A (ko) 프로세스 제어 노브 추정

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