CN1791971A - 制造设备中的差错检测方法 - Google Patents

Abstract

一种半导体制造设备上的差错识别方法，包括监视工具传感器的输出，基于多个传感器的输出建立工具状态的指纹，捕捉指示差错条件的传感器数据，建立差错指纹库，比较当前工具的指纹与差错指纹，以识别一个差错条件，并估计这样的差错条件对操作输出的影响。差错库通过系统方法归纳的差错或者通过在其发生后加入已知差错的指纹来构建。

Description

制造设备中的差错检测方法

技术领域

本发明涉及制造设备中的差错检测方法，更具体地，涉及但不仅限于使用等离子体反应室的半导体制造设备。

背景技术

半导体集成电路的制造是一个需要许多复杂步骤的精细加工。一个典型的半导体制造厂(或Fab，晶圆厂)需要几百个高度复杂的工具来在硅衬底或晶片上制造复杂的设备，如微处理器或存储芯片等。单晶片的制造过程经常要200多个独立的步骤来完成。这些步骤包括制定半导体晶片的平板印刷图案以定义每个设备，腐蚀线路以创建结构，以及用金属或绝缘体来填充缝隙以创建感兴趣的电子设备。这个过程从开始到结束需要几个星期才能完成。

差错可能并且确实出现在这些生产工具之中。单晶片上的差错可能危及该晶片上的所有设备，并且该晶片上的所有随后步骤都可能是无价值的，晶片被废弃。因此及时有效的差错检查是十分必要的。图1描述了半导体生产工具的一个实例，示出了一个等离子体反应室1、一个要加工的衬底2、加工输入或设置点3、工具状态和加工状态的传感器输出4、数据采集接口5。

生产工具十分复杂并且可能发生各种不同的差错，某些差错是正在进行的工具加工所特定的，这就影响了设备的生产率和产量(在等离子体反应室的情况下，任何给定时间正在进行的加工在本领域被称为“配方”)。例如一种可能出现的差错，考虑热化学蒸汽沉积(CVD)工具，它是用来在制造设备中沉积半导体或绝缘体材料层。加工质量由输出决定，通过某些度量来测量，如膜的均匀性、压力等等。输出的质量又依赖于加工的输入，例如在热化学蒸汽沉积(CVD)工具的情况下的气流速度、反应堆压力和温度等。如果任何一个加工参数产生偏差，则可能会对加工输出的质量产生负面的影响。

另一种差错涉及加工自身中的偏移。有很多的例子，包括对反应室内真空的危害，反应堆壁条件或反应室硬件的改变，电弧，或者甚至是输入的晶片的问题。这也会影响输出的质量进而影响工具的产量。

所有这些差错中的一个普遍特性在于，工具上的传感器概括地指示系统状态的变化，尽管这确实依赖于工具传感器的灵敏度。等离子体生产室一般都装备有如气流计、压力计的工具状态传感器，和加工状态传感器，例如光辐射探测器和阻抗监视器。如果加工的输入改变了，那么通常某些工具传感器将记录该变化。如果加工反应堆的条件变化了，同样设备传感器将记录一次变化。

半导体制造设备工具上的加工控制和差错检测的最通用方法为统计加工控制法(SPC)，由此如果不是加工输入的所有，那么也有很多被记录下来，针对不受控制的事件，监视控制图表。图2示出了基于来自半导体制造工具的传感器数据的一个典型的SPC图表。控制范围基于从数据均值的统计上不可能的偏移。在图2中，它们被显示为一个控制上限(UCL)和一个控制下限(LCL)。一般情况下，这些限制被设置为使用正态分布模型的数据集的均值的标准差(σ)的3到4倍。该控制技术有一定的局限性。

第一个问题是监控所有的SPC图表是不可扩展的，因为每个工具有几十个传感器，而在加工中有几百个工具。第二个问题是各个传感器的输出可能漂移出控制范围，而对加工的输出没有明显影响，和/或加工的输入可以保持在控制范围内，但加工的输出由于加工条件的改变可以漂移出控制范围。这是因为加工工具一般非常复杂，并且它们的输出依赖于他们的联合输入以及设备自身的条件。由于这个原因，半导体加工通常采用测试晶片的常规生产质量的采样，因为这至少可以预测产量。例如，频繁运行测试晶片，以检查加工质量，如CVD加工中的膜层压力，或腐蚀加工中的临界尺寸(CD)。由此可知这是一个十分昂贵的加工控制方法，因为运行测试晶片和暂停实际生产来测试加工质量对工厂的产量和生产率会产生负面影响。第三个问题涉及在设备传感器上设置SPC范围的难度。SPC方法是统计的，并且假设正态分布的数据。情况通常不是这样。工具和传感器的漂移，以及正常的工具干预如预防性维护(PM)性为，将导致非正态分布数据集。

图3示出了在大约1100个晶片的周期内，来自氧化物腐蚀等离子加工工具的传感器的输出参数1和2的两个数据流，在此时间内在晶片号码1018处，检测出一个压力差错。它由一个有差错的压力控制器引起。在差错之前的间隔内，执行等离子体反应室的两个预防性维护(PM)的湿清洁。这些PM事件和反应室的周期性的效果在原始数据中是清晰可见的。也可以看出，这些数据是非常不正态的，带有自相关性和间断性。SPC法因此不能有效地处理该数据，并且重要事件可能在该数据中丢失。当然在图3的实例中，在晶片1018处出现的差错不可能使用SPC法挑选出这些数据。

多元统计技术已经用来试图弥补上述前两个问题(例如美国专利No.5479340)。多元技术不仅考虑控制参数的各个方差，也考虑到它们的协方差。因为多元统计法可以用来压缩数据，从而减少控制表格的数量而带来了更加有扩展性的解决方案，这就处理了SPC技术的一些不足之处。例如，可以用单统计量来代替多个传感器数据流，如Hotelling T²，它捕获了各个传感器的方差和传感器间的协方差。利用这些技术大大减少了控制图表的数量，并且用单统计量更可以代表整个系统的健康。

然而，由于多元法是基于统计学的，第三个问题并没有被处理。这在图4中进行了说明，它演示了一个基于包括图3中所示数据流(以及用于更多传感器的输出参数的数据流)的传感器数据的Hotelling T²的统计量。如上所述，在该数据集中只有一个差错事件，出现在晶片1018处。其它所有数据，包括漂移和PM的间断性都是正常的。然而，该单多元统计量以大于99％的置信度报告出几个统计偏移，因为它们偏离了统计的正常行为，但错过了真正的差错条件。多元统计法有一个额外的缺点。偏移幅度很难解释，同样因为它也基于统计学。在统计学上的一个巨大偏差也许并不严格对应某一重要加工质量问题，但是一个小偏差可能偶尔指示一个主要的加工偏移。

当在多工具半导体制造点使用统计学方法时，会引起进一步的问题。在实际中，等离子体加工室并不理想匹配。一个反应室的传感器响应并不同于，并且可以非常不同于，同一类型(即建造于同一个标称规格)的另一个反应室的传感器响应，甚至在运行完全相同的配方时。因此统计学差错检测模型不能被从一个反应室转移到另一个，传感器响应中细小差别可能触发一个差错警报。统计模型需要在不同反应室间分析。这是该方法中的进一步的限制。

如上所述，半导体业中的加工控制和设备制造的统计监测一样，使用常规加工质量取样。当然，由于产量直接取决于加工质量，最终这是最健壮的方法。然而，在每个加工步骤中测量每个晶片的加工质量，特别是从晶片中取度量值，在降低工厂生产量和测量设备的成本方面是禁止的。美国专利No.5,926,690描述了一种基于测量CD(临界尺寸)以及通过根据测量值改变腐蚀时间而控制加工的腐蚀工具的加工控制的方法。单个加工质量的输出和CD是由选择性地改变单个加工的输入，光致抗蚀剂的腐蚀时间来控制的。如果涂层测量工具集成有腐蚀工具，那么CD可是在每个晶片被运行之前和之后被测量，随时进行调节。该加工控制法依赖于CD的精确测量以及判断在所有晶片上或适当的统计样本上的一个变化是否重要。然而，在此情况下对CD的精确确定的依赖，或者在一般情况下对加工质量的度量的依赖，使该技术运行起来十分昂贵。不需要具有加工质量的度量的精确测量的一个可选方法将非常具有优势。

在美国专利No.6,174,450中描述了加工控制的另一个概念。在这种情况下，单个加工参数，也即直流偏置，通过RF功率的变化来控制。这个概念是，通过固定一个特定加工的输入，可以更好地控制特定加工的输出。该方法的一个问题是，加工输出依赖于多个输入，并且除非所有的输入都被控制，否则就不能推断加工输出。

一个独立但又关联的问题是工具匹配。一般情况下，制造厂被装配成生产线，每条生产线用于一个特定的加工步骤。例如，加工包括一条平版印刷线、腐蚀线、沉淀线等等。晶片通过每条生产线按照构建设备的过程进行加工。每个独立的生产线由一套相似的设备集构成，每个都至少有一个等离子体反应室。一个典型的加工(Fab)可以包括几十个相似的反应室类型，用于一组加工步骤。这些加工步骤的每一个都被分配独立的配方，当加工特定设备时，多个反应室将被用于在制造厂中所加工的所有晶片上运行给定的配方。理想地，在设备质量方面，在任何给定加工反应室上运行的配方，与所有其它类似的反应室上一样，将生产出相同的输出。例如，运行一条特定的腐蚀配方，理想情况下，所有反应室以同一速率腐蚀晶片，具有相同的交叉晶片均匀性等等。然而，如所讨论，表面上相似的反应室间的差异可能并且肯定会出现，导致一个不匹配的输出集。这个不匹配最终会影响工厂的生产率和产量。

反应室与反应室间的不匹配问题目前可以通过多个方法来解决。首先，进行每次尝试以设计具有宽操作窗口的加工过程，以使得反应室与反应室间的小差异对加工输出的影响可以忽略不计。第二，通过根据最终标准的设备分类，反应室输出的大量差异成为可容忍的。例如，在微处理器制造的情况下加速装箱速度。第三，进行每次尝试以使所有的反应室都相同。这涉及到反复试验部件的交换，以及广泛的校正检查，这一般是一个十分费力的方法。

在半导体加工(fab)开始加工晶体管的栅极长度以及线宽度小于100nm的设备时，加工窗口变得越来越紧密，恶化了反应室之间的输出差异的影响。设备标准分类是昂贵的，同时下面的平均设备具有较低的市场价值。最终，通过试验部件的交换以及校正检查使所有的反应室都相同的努力是一个减小的利益等式，因为在很多情况下，大量的时间和精力可能被消耗在这个问题上。

测量反应室的输出当然是确定输出差异的方法。当然，一般在加工中使用常规的加工质量检查来做这些。这些质量检查通常是现场(Ex-situ)的，并且在加工一组晶片与知道输出差异是否会影响产量之间必然存在一些时延。现场监视是一种越来越昂贵的方法，在输出质量的现场确定之前确定反应室间的差异将更加有优势。

如前所述，一个反应室上的传感器响应可能与同一类型的运行相同配方的另一个反应室上的传感器响应有很大差异。这些差异反应为下面的一些或全部：

(a)反应室间的“真正”差异，将在这些反应室的输出中得到证明；

(b)基于反应室的条件的良性的反应室间差异，构造公差、室使用周期等等；

(c)由不同校准余量引起的每个工具上的传感器集的输出中的细小差异。

使用原始传感器数据来判断上面的(a)的问题是这些数据被(b)和(c)所混淆。

实时隔离反应室间的差异为加工操作员提供了关于来自给定加工生产线的加工质量的输出的确定信息。隔离匹配很差的反应室后，下一步是使这个反应室返回到与生产线上的设备匹配的状态。如上所述，这个方法经常就是反复试验，包括部件交换和校准，直到反应室输出匹配。反应室差异的根本原因的实时分级更加有优势。

美国专利No.6,586,265中认识到了反应室的不匹配问题，并披露了一种基于通过一组加工线来选择最优加工路径的用于优化加工流程的方法。这个方法不费力地解决了反应室的不匹配，而且尽可能少地使用匹配很差的反应室。

在欧洲高级加工控制讨论会的2003年3月的会议论文集上，披露了一种在工具制造和测试中隔离反应室差异的方法。该方法收集与给定工具上的各个加工室相关的所有传感器的数据，构建传感器数据集的一个主分量模型(PCA)。PCA从一组不相关的主分量的相关多元数据集(传感器)中有效地获取所有加工的方差，每个都是原始集的线形组合。第一主分量尽可能地代表原始数据的偏差，第二主分量尽可能代表剩余的偏差，并且不与第一主分量等相关。一般可以发现，特别是当传感器数据集是相关的就像在加工工具上时，偏差的大部分被少数第一个主分量获取。因此，在PCA空间中绘制传感器数据使得用户可以很容易地观察传感器偏差，并获取反应室之间的差异。然而，在PCA中观察到的偏差保留着实时(输出影响)反应室差异、良性反应室差异和传感器设备差异的混合体。而且，没有为差异的根本原因提供分类。

因此本发明的一个目的是提供一个制造设备中的改进的差错检测方法，更具体地，但并不限于使用等离子体反应室的半导体制造设备，它可以用于避免或减少上述加工控制和反应室匹配的问题。

发明内容

因此，本发明提供了一种制造设备中的差错检查的方法，其中所述设备具有传感器，传感器具有指示设备的当前状态的输出，该方法包括下列步骤：

(a)建立传感器数据，该数据表示在差错条件(“差错指纹”)下设备状态；

(b)将这些数据存储在一个差错指纹库中；

(c)使用传感器确定设备的当前状态；

(d)基于当前传感器数据与差错指纹库中的差错指纹之间的比较，检查差错。

附图说明

下面将参考附图，通过实例描述本发明的实施例，其中：

图1描述了一个典型的半导体制造工具，具有输入设置和指示设备状态的传感器输出。

图2示出了一个基于传感器输出中的一个的统计加工控制图表；

图3示出了在一段时期内未被处理的传感器数据，包括预防性维护事件和一个实际的差错；

图4示出了一个基于工具传感器输出的一个选择的多元Hotelling T²加工控制图表；

图5示出了作为某些典型加工输入的函数的传感器输出响应；

图6示出了一个具有加工输入的传感器输出的相关性的实例；

图7示出了一个由15个传感器参数构成的典型差错指纹；

图8示出了一个具有加工输出对加工输入的的相关性的实例；

图9是本发明的第一个实施例的流程图；

图10示出了来自3个不同加工反应室的传感器数据；

图11是本发明的第二实施例的流程图；

图12示出了应用于3个测试反应室的第二个实施例的方法的结果；

图13是一个示出了生成图12中所示结果的诱导变化的表格。

具体实施方式

在本发明的第一实施例中，用于半导体制造设备的加工控制方法包含，首先为每个在其上使用本方法的工具确定一个工具特征概图。在该实施例中，工具的特征概图是由多个工具传感器数据构建。这些传感器数据可以是来自单个传感器的多维数据或是来自一组传感器的数据，但在任何情况下这些数据必须是对工具状态和加工状态的改变敏感的。重要的标准是传感器数据具有足够的维数以允许为多个不同差错条件定义各自的多个不同的指纹。如文中所使用的，“指纹”是定义了设备的特定状态的一组传感器数据，这样，一个差错指纹意味着定义了差错条件下的设备状态的一组传感器数据。

图5示出了用于运行特定腐蚀配方的等离子体反应室的典型工具特征概图的一部分。15个传感器输出响应A1-A15显示了每两个工具输入上的变化。在此情况下，传感器输出是通过等离子体的RF激励而产生的5个RF谐波的电压值、电流值和相位值，工具的输入是RF功率和加工压力。可以看到，每个传感器的输出值按照加工输入的变化而变化。例如，输出值A8随输送的RF功率的增加而减少，但随压力的增加而增加。这样，特别是当考虑到所有的传感器输出时，加工压力的变化将不同于和区别于输送的RF功率的变化。如果在设计好的实验中多个设备输入被改变，那么就可以建立一个由一组加工输入的传感器响应构成的完全工具特征概图。实际上，图5中显示的变化是相对于已经运行了几次的传感器的平均值的变化，因为即使对于单个反应室，对相同的配方传感器值可以有轻微变化，尽管远远不及反应室之间的偏差。

本发明依靠传感器输出的可靠性来预测处理输入值，独立于输入值的标称设置。图6示出了这种情况的RF功率下，一段典型加工输入值对从工具传感器的输出预计的输入值(如图5的等离子体腐蚀器的RF传感器的响应曲线)的曲线图。可以看出，在此情况下，实际输入和基于传感器输出数据的该输入的预测值之间存在着典型的良好相关性。这样，工具传感器可以用来精确地预测至少一个设备输出。因此，例如在某个差错条件下，即使操作员将RF功率设置为标称值，与控制RF功率的输送的设备相比，传感器数据仍可以提供输送的RF功率的更可靠的测量。

如在美国专利No.6,441,620中所述，工具的特征概图可以用来在特定输入中加入签名。此后，如果传感器输出发生变化，并且这些变化与来自一组已学习到的响应曲线的期望变化相匹配，那么就可以立即对差错的根本原因进行分类。然而，美国专利No.6,441,620只是在差错被(例如通过在加工后测试产品)检测出来后诊断差错方面有用；它不能在差错发生时或很可能发生时检测差错。

如下面将要解释的，在本方法中，在遇到差错之前对差错指纹进行分类，这个过程保证了该方法在检测这些差错方面十分健壮。

一旦建立了工具的特征概图，就可以通过或者模拟差错，例如通过强行改变设备输入并测量传感器的输出变化，通过在新差错出现时认识差错指纹；或者通过从其它工具导入差错指纹数据，来生成已知差错指纹的库。最后的选项是非常有优势的方法，因为它避免了在制造厂内为每个工具获知模型所花费的时间。在当前上下文中，一个工具差错是工具状态中的偏差，它实际上会对由该工具所制造的产品的质量产生不能接受的有害的影响，或者如果不注意，很可能产生更严重的影响。

在此实施例中，差错指纹被存储为对于标称的加工输入值，与它们的工具特征概图的传感器输出值的差异。与来自于不存在差错的相同传感器的数据相比较，图7是传感器数据中表示差错指纹的典型变化的可视表示。例如，一个差错，如漂移过其标定值的RF功率，可以表示成一个包括负值A8和正值A9等的差错指纹。这些差异被用矢量表示，因为每个都有大小(图7中的箭头长度)和方向(正或负)。

对于每个工具来讲，工具特征概图都是必需的，如上所述，传感器输出的绝对值通常彼此间都是不同的，尽管这些工具是同类型的，并运行相同的配方。然而，优选实施例基于以下事实，至少当运行相同的标称配方时，传感器输出的变化率(图5中的斜率)从相同类型的一个工具到另一个都充分相同。这就意味着差错指纹在相同类型并运行相同标称配方的工具间要充分相同，并且使得差错指纹可以在工具间有效的移植。同时也意味着，传感器输出的变化，即图5中的斜率，只需在给定类型的运行给定配方的一个良好工具上被确认。确认这些斜率后，相同类型的运行相同的配方的其它工具的工具特征概图，可能只包括对标称加工输入值的传感器的输出值。

最终，差错条件被通过如下两者间的比较而确定，一个是按照测量到的传感器输出值与由图5中的工具特征概图所指示的标称值之间的偏差的当前工具状态，另一个是图7中任何已知差错状态的指纹。表示存储在差错库中的差错的每个矢量集，与相应的当前工具状态的矢量集相关，如果当前工具状态与表示存储在库中的一个差错的矢量集所定义的工具状态之间存在重要匹配时，则检测出一个差错。如果偏差与差错库中的一个指纹匹配，那么它将被标记出来。

从图3中可以看出，各次运行之间各个传感器输出中的偏差可能相对很大；然而，在该方法中除非每个独立传感器上的偏差与一个已知的偏差模式(也即一个差错指纹)紧密匹配，则它被忽略。如果传感器数据有很多维，那么误匹配的可能性可以忽略不计。这样，本方法中加工控制，通过比较当前条件与差错条件，而不是正常条件，而进行，这使得该技术非常健壮。

从上面还可以看出，为了检测一个差错，工具特征概图只需包含针对标称加工输入值的传感器输出值。然而，如后面将解释的那样，需要确定差错对加工输出的影响，以便了解传感器输出相对于加工输入的变化率。

本实施例可以用于认知任何新出现的指纹，并把它们加入到差错库中。当一个新差错出现时，多个工具传感器将报告状态变化。在第一次发生时，在差错库中没有与之匹配的指纹，该差错不能被分类。当新差错被独自地例如通过计量学证实时，新差错的指纹被加入。之后，如果这个差错出现，它立即被分类。因此该方法允许不断地认知和扩充差错库。

如上所述，为了加速认知，表示典型差错条件的这些变化可以被归纳。例如硬件和过程的完整性可以被有意地折衷，以便记录和包括这些特征。例子可以是归纳的空气泄漏、硬件部件的遗漏或不合适、晶片放置错误等等。

在该实施例中，标记出反应室的差错条件后，下一个步骤是判断这个差错对加工输出是否会有影响。

可以看出，图5的响应曲线建立了传感器输出变化的大小与加工输入变化的大小之间的关系。

图8示出了加工输出对加工输入的相关性的一组曲线。典型情况下，对于给定制造工具这些相关性是已知的。水平虚线对对应于一个“窗口”，各个度量必须位于此窗口内，以便使产品符合它的目标标准。在这种情况下，在腐蚀加工中，目标标准要求后腐蚀CD(临界尺寸)在101nm-103nm之间。因此如果上述方法显示出一个差错已经发生，并且例如，该差错是从设置点130sccm偏差了15sccm的HBr流，那么对CD的影响是产生宽于目标标准可容忍的限度的CD。因此，此差错被标记并停止加工。现在，操作人员知道了差错的位置，她/他就可以马上进行差错修复。

这样，不但可以预测出特定差错已经发生，并且因为差错的尺寸，即由加工输入中的偏差引起的加工输出中的变化，可以被确定出来，然后这可以被用来估计对加工输出的质量的影响。

现在参考图9，它更详细地示出了第一实施例，工具特征概图数据被存储为将工具状态(如RF功率，气流)同传感器输出(如电压、电流、相位)相关联的图5中所示的多个响应曲线，步骤20。通过对加工输入的强制改变，通过在差错发生时将额外的差错指纹数据加入到库中，或者如上所述通过从其它工具导入差错指纹数据，差错条件数据被捕获并被加入到差错库，步骤22。该最后选项使得差错库可以被快速增加。例如图7中的每个指纹可以标记为特定大小的加工变化。

在生产过程中，产品晶片由多个传感器输出监控，并且不断地同差错库的指纹进行比较，步骤24。传感器输出偏离该工具的期望标称值的大小和方向被与对应的每个指纹值进行比较。尽管在本实施例中有很多可能的方法，但该比较基于数学相关。然而也可以使用欧几里德距离。这样，当一个相关值超过给定阀值或者欧几里德距离小于给定阀值，则标记一个差错条件，步骤26。通过将由图5中的工具特征概图确定出的差错的大小与如图8所示的加工附属数据进行比较，确定差错的影响，步骤28。如果差错被判断出对操作输出有负面的或不可接受的影响，步骤30，则工具将被停止，并修改识别出的问题，步骤32。

显而易见，本领域中的技术人员可以将上述加工实现为具有相关传感器数值的计算机程序，其中的传感器值在模数变换后作为输入。

应该认识到，设计本方法用以检测的加工输入参数的变化，并不是那些响应于相关外部输入设置的变化而发生的变化。更确切地说是，它是尽管这些输入设置保持正常不变，通过等离子体加工中的一些差错而发生的变化。例如，密集气流速率传感器可能产生一个差错，使得实际进入反应室的气流速率不同于传感器指示的值；或者匹配单元可能会吸收功率，使得输送的RF功率小于与RF源相关的功率仪表的指示值。

上述方法也可以用于确定不会必然引起产品差错，但的确对可能成为产品差错的加工输出有影响的加工条件的变化。例如，参考图8，如果已知加工输入的变化，则在希望的输出范围内预知加工输出变化是可能实现的。例如，这里描述的方法可以用来确定一个差错，例如加工功率的变化。可以判断，变化没有把CD推出希望的标准，但它可能导致更宽的CD。尽管最终产品没有遭受灾难性的影响，它可以预示一个趋向，使操作人员可以在差错发生前预测对加工输出造成负面的或不可接受的影响的此差错。

因为差错的大小已知，该方法还可用于闭合环路加工控制。例如，在图3中的情况下，在晶片1018处，用本方法可以检测出压力设置点的差错。操作人员或者可以停止加工并修改问题，或者基于预测的变化选择改变压力，而忽略有缺陷的压力计。此外，在这个例子中，由于压力变化可以用来预测加工输出变化，那么操作人员可以基于对加工输出的预测改变压力。

在上述实施例中，检查差错只是基于识别已存储的差错状态的指纹。也即，通过将当前制造设备的状态与非预期库中的状态进行比较进行差错检测。只有在当前的工具条件被识别为差错条件时，它才被标记。因此，本质上说没有假阳性，差错检查和差错识别是同义的。此外，确定出当前状态与一个差错状态相匹配时，差错的大小被确定，并与用于特定加工的工具的差错限度进行比较。因此，如果差错条件对加工输出没有不利影响，就可以忽略它。

本实施例相比现有技术有以下优点：

(a)差错通过模拟识别方法进行检测，所以统计上的异常不会触发错误的警报，

(b)加工环境中的用户进行的正常干预，如预防性维护，不会危害指纹识别的健壮性，

(c)差错的大小很容易被解释，并且可以以重要等级向用户报告，

(d)不必依赖于对加工质量的精确的持续的现场测量，例如，通过测量产品的特征如CD。该方法基于对任何会影响加工质量的差错的确定，预测加工质量。

(e)指纹库是可移植的，因此工具集之间的扩展是可能的。

在本发明的第二实施例中，上述技术被应用于等离子体反应室的匹配。应该认识到，在第一实施例中，当相关反应室处在一种已知的良好状态时，要生成每个工具的特征概图(即使对于同种类型的运行相同配方的反应室，回想前面反应室之间存在差异)。第二实施例是把任何给定的测试反应室与一个已知良好的(参考)同等类型的、运行相同配方的反应室进行比较，已确定测试的反应室也是良好的，也即与参考反应室匹配。

如在介绍中所述，来自测试的和参考的反应室的原始传感器数据不能用来比较反应室，因为来自反应室之间的传感器输出的变化可能很大，以至于“真正的”(即有意义的)反应室差异被良性的反应室差异和传感器间的差异屏蔽掉。

例如，图10示出了来自3个等离子体反应室的传感器数据。这三个反应室外表上匹配，每个都具有相同的规格并且运行相同配方。所有输入控制都调至标准状态。然而在此情况下，发现反应室2的输出是不同的。特别是，室2的腐蚀速率比室1和室3的低，并且低于可接受的加工质量标准。传感器数据A1-A10是来自单个传感器的多维数据，可以表示任何反应室的传感器数据集。图10A示出了来自每个反应室的传感器数据，每个反应室上使用不同的传感器。在此情况下，好反应室和坏反应室之间没有明显的差异，因为“真正的”差异被传感器差异和良性反应室差异搞混了。图10B示出了来自这3个相同的反应室的数据，现在在这3个反应室上使用相同的传感器。同样，坏反应室也不是特别突出，“真正的”差异被良性差异搞混了。

来自图3的困难同样明显，已经说过，它示出了传感器数据随时间的走势以及在PM事件时经历了巨大变化。在此周期内不同点处的反应室，将输出非常不同的传感器数据。这些数据被分类成为良性反应室间的差异，因为它们没有影响反应室的输出，是正常反应室操作的一部分。因此，原始传感器数据并不能很容易地返回关于真正的反应室差异的信息，尽管它包含了这些信息。

因此，在第二实施例中，图11，运行特定配方的参考反应室的工具特征概图，被首先通过与先前描述第一实施例时相同的方式确定，步骤40。下一步，步骤42，在测试反应室上运行同一条标准配方，然后步骤44，传感器输出的大小和方向与测试反应室的当前状态标称值之间的偏离，被与差错指纹库中的对应的差错指纹值进行比较。然而，与第一个具体实施例关键的不同之处是用来确定当前状态矢量的标称传感器值是参考反应室的工具特征概图的，而不是测试反应室的工具特征概图的。也即，每个当前状态矢量是测试反应室的传感器中的一个的当前值与参考反应室的测试特征概图中的相应传感器的标称值之间的差异。我们发现，这极大地消除了良性反应室及传感器间差异对反应室间的比较的影响。该比较可以通过数学相关或欧几里德距离来进行，如前所述。

如果在步骤46中没有发现指纹匹配，则测试反应室就被认为同参考反应室匹配。然而，如果发现一个指纹匹配，则认为测试反应室是有缺陷的。差错的原因在步骤48中被识别出来，同时该测试反应室被修理以纠正该差错。因为不同的差错指纹与不同反应室和/或加工参数的偏差的方差相关，因此差错的原因可以根据匹配的特定指纹识别。

图12示出了从3个测试反应室处理的传感器数据。点1-28是在反应室1内运行的晶片，点29-56是在反应室2内运行的晶片，点57-84是在反应室3内运行的晶片。在每28个点的集合上，变化被强制经过这3个反应室，如图13中表格所示。在图12A中，当前工具状态和一个已知的功率变化的差错指纹之间的相关性被测试。在此情况下，y轴表示一个预计的功率变化大小。很明显，在每个反应室内的适当晶片上功率变化被恰当地识别出来。在图12B中，当前室状态和一个加工温度的差错指纹之间的相关性被测试。通过归纳晶片衬底的温度设置的变化，并获悉指纹，加工温度的差错指纹是先前获悉并加入到差错指纹库里的。注意每个反应室怎样显示与所有晶片匹配的加工温度的差异的大小。这指示出反应室在温度方面未很好匹配。这样，根本的原因差异被识别出来，并且随后被纠正。在图12B中，还可以看出，当一个温度变化时测试中的功率变化也被标记出来。这是所期望的，因为在这种工具类型上的等离子体功率的变化将改变晶片的温度。

如在第一实施例的情况下，可以意识到，上面的加工可以由本领域的技术人员实现为一个计算机程序，该程序具有相关传感器值，在模数转换后，作为输入。

本发明并不限于文中所述实施例，其可以在不脱离本发明的范围的情况下被修改和改变。

Claims (12)

1.一种制造设备中的差错检查的方法，其中所述设备具有传感器，传感器具有指示设备的当前状态的输出，该方法包括下列步骤：

(a)建立传感器数据，该数据表示在差错条件(“差错指纹”)下设备状态；

(b)将这些数据存储在一个差错指纹库中；

(c)使用传感器确定设备的当前状态；

(d)基于当前传感器数据与差错指纹库中的差错指纹之间的比较，检测差错。

2.如权利要求1所述的方法，其中差错指纹在具有相同标称规范并运行相同标称过程的不同制造设备间，实质上是不变的。

3.如权利要求2所述的方法，其中在步骤(d)中，在表示传感器数据与用于差错指纹的标称值间的偏差的矢量集，与相应的表示传感器数据与用于当前状态的标称值之间的偏差的矢量集之间进行比较。

4.如权利要求3所述的方法，其中用于计算当前状态矢量集的标称值是从所述制造设备的传感器来的传感器数据的标称值。

5.如权利要求3所述的方法，其中用于计算当前状态矢量集的标称值是从不同制造设备的传感器来的传感器数据的标称值，与首次提及的设备相比所述不同制造设备具有相同的标称规范，并运行相同的标称处理。

6.如权利要求3所述的方法，其中比较是通过差错指纹集与当前状态矢量之间的相关来进行的。

7.如权利要求3所述的方法，其中通过计算差错指纹集与当前状态矢量间的欧几里德距离来进行比较。

8.如权利要求1所述的方法，还包括预测差错对特定加工输出的影响。

9.如权利要求1所述的方法，还包括控制设备输入来抵消差错。

10.如权利要求1所述的方法，其中差错指纹来自于包括一组设备输入对传感器响应的曲线的工具特征概图。

11.如权利要求1所述的方法，其中制造设备包括等离子体反应室。

12.一种包括程序指令的计算机可读介质，当指令被数据处理设备执行时，执行权利要求1中所述的方法步骤。

Images