DE102009006887B3

DE102009006887B3 - Verfahren und System zur Halbleiterprozesssteuerung und Überwachung unter Anwendung eines Datenqualitätsmaßes

Info

Publication number: DE102009006887B3
Application number: DE200910006887
Authority: DE
Inventors: Daniel Kost
Original assignee: Advanced Micro Devices Inc
Current assignee: GlobalFoundries Inc
Priority date: 2009-01-30
Filing date: 2009-01-30
Publication date: 2010-07-15
Anticipated expiration: 2029-01-31
Also published as: US20100198556A1; US8849615B2

Abstract

Während der Fehlererkennung im Produktionsprozess wird der Einfluss des Datenkommunikationsablaufs für die Übermittelung von Messdaten zu dem Fehlererkennungssystem berücksichtigt. In einer anschaulichen Ausführungsform wird ein zur Datenrate in Beziehung stehender Parameter als Eingangsvariable für eine Datenreduktionsprozedur verwendet, wodurch eine effiziente Bewertung der Qualität der verbleibenden "realen" Prozess- und Anlagenparameter ermöglicht wird.

Description

Gebiet der vorliegenden Offenbarung
Die vorliegende Offenbarung betrifft im Allgemeinen das Gebiet der Herstellung von Halbleiterbauelementen und betrifft insbesondere Prozesssteuerungs- und Überwachungstechniken, etwa die Fehlererkennung und Klassifizierung für Fertigungsprozesse, wobei eine erhöhte Prozessqualität erreicht werden kann, indem Prozessfehler auf der Grundlage von Produktionsdaten erkannt werden.
Beschreibung des Stands der Technik
Der heutige globale Markt zwingt Hersteller von Massenprodukten dazu, diese mit hoher Qualität bei geringem Preis anzubieten. Es ist daher wichtig, die Ausbeute und die Prozesseffizienz zur Minimierung der Herstellungskosten zu verbessern. Dies gilt insbesondere auf dem Gebiet der Halbleiterherstellung, da es hier wesentlich ist, modernste Technologie mit Massenproduktionsverfahren zu kombinieren. Es ist daher das Ziel der Halbleiterhersteller, den Verbrauch von Rohmaterialien und Verbrauchsmaterialien zu verringern, wobei gleichzeitig die Produktqualität und die Prozessanlagenauslastung verbessert werden soll. Der zuletzt genannte Aspekt ist insbesondere wichtig, da in modernen Halbleiterfertigungsstätten Anlagen erforderlich sind, die äußerst kostenintensiv sind und den wesentlichen Teil der gesamten Herstellungskosten repräsentieren. Beispielsweise sind bei der Herstellung moderner integrierter Schaltungen mehrere hundert einzelne Prozesse erforderlich, um die integrierte Schaltung fertigzustellen, wobei ein Fehler in einem einzelnen Prozessschritt zu einem Verlust der ganzen integrierten Schaltung führen kann. Dieses Problem wird weiter verschärft, wenn die Größe von Substraten lediglich vergrößert wird, auf denen eine Vielzahl derartiger integrierter Schaltungen bearbeitet werden, so dass der Fehler in einem einzelnen Prozessschritt möglicherweise den Verlust einer sehr großen Anzahl an Produkten nach sich ziehen kann.
Daher müssen die diversen Fertigungsphasen gewissenhaft überwacht werden, um eine unerwünschte Verwendung von Ingenieursleistung, Anlagenbetriebszeit und Rohmaterialien zu vermeiden. Idealerweise würde die Wirkung jedes einzelnen Prozessschrittes auf jedes Substrat durch Messung erkannt und das betrachtete Substrat würde die weitere Bearbeitung nur dann freigegeben, wenn die erforderlichen Spezifikationen erfüllt sind, die wünschenswerterweise gut verstandene Abhängigkeiten zur endgültigen Produktqualität besitzen. Eine entsprechende Prozesssteuerung ist jedoch nicht praktikabel, da das Messen der Auswirkungen gewisser Prozesse relativ lange Messzeiten erfordert, häufig außerhalb der Prozesslinie, oder weil sogar eine Zerstörung der Probe erforderlich ist. Des Weiteren wäre ein sehr großer Aufwand im Hinblick auf Zeit und Anlagen auf der Messseite erforderlich, um die erforderlichen Messergebnisse bereitzustellen. Des Weiteren würde die Auslastung der Prozessanlage minimiert, da die Anlage lediglich freigegeben würde, nachdem das Messergebnis und seine Bewertung verfügbar wird. Ferner sind viele der komplexen gegenseitigen Abhängigkeiten der diversen Prozesse typischerweise nicht bekannt, so dass eine im Voraus stattfindende Festlegung entsprechender Prozessspezifikationen schwierig ist.
Die Einführung statistischer Verfahren, was auch als statistische Prozesssteuerung (SPC) bezeichnet wird, zum Einstellen von Prozessparametern vereinfacht die obige Problematik wesentlich und ermöglicht eine moderate Auslastung der Prozessanlagen, wobei auch eine relativ hohe Produktausbeute erreicht wird. Die statistische Prozesssteuerung beruht auf der Überwachung des Prozessergebnisses, um damit eine Situation, die außerhalb des Steuerungsbereichs liegt, zu erkennen, wobei ein ursächlicher Zusammenhang mit einer äußeren Störung hergestellt wird. Nach dem Auftreten der Situation, die außerhalb des zulässigen Bereichs liegt, wird für gewöhnlich Einwirkung eines Operators erforderlich, um einen Prozessparameter so zu verändern, dass wieder eine Situation im zulässigen Bereich erreicht wird, wobei der kausale Zusammenhang hilfreich ist, um eine geeignete Steueraktion auszuwählen. Dennoch sind insgesamt eine große Anzahl an Platzhaltersubstraten oder Pilotsubstraten erforderlich, um Prozessparameter entsprechender Prozessanlagen einzustellen, wobei tolerierbare Parameterverschiebungen während des Prozesses berücksichtigt werden müssen, wenn eine Prozesssequenz gestaltet wird, da die heutigen Parameterverschiebungen über eine lange Zeitdauer hinweg erkannt bleiben können oder in nicht effizienter Weise durch SPC-Techniken kompensiert werden können.
In der jüngeren Vergangenheit wurde eine Prozesssteuerungsstrategie eingeführt und diese wird zunehmend verbessert, die eine höhere Effizienz der Prozesssteuerung ermöglicht, wünschenswerterweise auf der Grundlage einzelner Prozessdurchläufe, wobei lediglich eine moderate Menge an Messdaten erforderlich ist. In dieser Steuerungsstrategie, die sogenannte fortschrittliche Prozesssteuerung (APC) wird ein Modell eines Prozesses oder einer Gruppe aus hintereinander in Beziehung stehender Prozesse erstellt und in einer ge eignet ausgestalteten Prozesssteuerung eingerichtet. Die Prozessteuerung empfängt ferner Informationen, die Messdaten vor dem Prozess und/oder Messdaten nach dem Prozess sowie Informationen enthalten kann, die beispielsweise mit der Substratgeschichte, der Art des Prozesses oder der Prozesse, der Produktort, der Prozessanlage, oder Prozessanlagen, in denen die Produkte zu bearbeiten sind oder bearbeitet wurden, in vorhergehenden Schritten, das Prozessrezept, das anzuwenden ist, d. h. die Menge aus erforderlichen Teilschritten für den betrachteten Prozess oder die Prozesse, wobei möglicherweise festgelegte Prozessparameter und variable Prozessparameter enthalten sind, und dergleichen enthält. Aus dieser Information und dem Prozessmodell bestimmt die Prozesssteuerung einen Steuerungszustand oder Prozesszustand, der die Wirkung des Prozesses oder der betrachteten Prozesse auf das spezielle Produkt beschreibt, wobei das Ermitteln einer geeigneten Parametereinstellung der variablen Parameter des spezifizierten Prozessrezepts möglich ist, das an dem betrachteten Substrat auszuführen ist.
Obwohl APC-Strategien deutlich zu einer Ausbeuteverbesserung und/oder zu einem besseren Leistungsverhalten der Bauelemente und/oder zu einer Verringerung der Produktionskosten beitragen, besteht dennoch eine statistische Wahrscheinlichkeit, dass selbst Prozessergebnisse, die unter Anwendung einer APC-Technik erreicht werden, außerhalb vordefinierter Wertebereiche liegen, woraus sich Ausbeuteverluste ergeben. In Fertigungslinien mit Massenproduktionsverfahren können selbst kurze Verzögerungen zwischen dem Auftreten einer Situation außerhalb des zulässigen Bereichs, durch beispielsweise einen Anlagenfehler angezeigt wird, dessen Erkennung zu substantiellen finanziellen Verlusten führen. Folglich ist es vorteilhaft, Fehlererkennungs- und Klassifizierungs-(FDC)Techniken in Verbindung mit anderen Steuerungsstrategien, etwa APC und/oder SPC einzusetzen, um damit selbst subtile Änderungen der Prozesssequenz oder des gesamten Prozessablaufs zu erkennen, da eine nicht erkannte Verschiebung des Prozesses zu einer sehr großen Anzahl von Halbleiterbauelementen mit unzureichender Qualität führen kann.
In konventionellen Fehlererkennungs- und Klassifizierungstechniken wird eine sehr große Anzahl an Prozessparametern überwacht und analysiert, um eine Abweichung von einem Soll-Verhalten der betrachteten Fertigungsumgebung zu erkennen. Wie zuvor erläutert ist, sind typischerweise mehrere hundert Prozessschritte für Fertigstellung komplexer integrierter Schaltungen erforderlich, wobei jeder dieser Schritte innerhalb spezifizierter Prozessgrenzen zu halten ist, wobei jedoch die gegenseitige Wechselwirkung der sehr komplexen Fertigungsprozesse auf das schließlich erreichte elektrische Verhalten des fertiggestellten Bauelements nicht bekannt ist. Somit kann selbst eine Abweichung der Vielzahl von Prozessen innerhalb der spezifizierten Prozessfenster zu einer merklichen Wankung im schließlich erreichten Prozessergebnis führen. Aus diesem Grund wird eine Vielzahl von Messschritten typischerweise in den gesamten Fertigungsablauf eingebunden, wobei aufgrund des Gesamtdurchsatzes und im Hinblick auf die Datenverarbeitungskapazitäten typischerweise eine ausgewählte Anzahl an Bodensubstraten der Messung unterzogen wird, auf deren Grundlage geeignete Steuerungsmechanismen ausgeführt werden und die Gesamtqualität der Fertigungssequenzen im Hinblick auf Fehler bewertet wird. Ferner kann auch eine gewisse Klassifizierung erkannter Fehler auf der Grundlage der stichprobenartigen Messungen bewerkstelligt werden. Obwohl die jeweiligen Messschritte auf eine definierte Anzahl an Proben beschränkt sind, erfordert die ständig zunehmende Komplexität des gesamten Fertigungsprozesses das Überwachen einer sehr großen Anzahl an Prozessparametern, etwa die Schichtdicke von kritischen Prozessschichten, das Gatedielektrikumsmaterial und dergleichen, kritische Abmessungen von gewissen Schaltungskomponenten, etwa von Gateelektroden, Dotierstoffpegel, Verspannungspegel, Schichtwiderstände und dergleichen, wobei viele dieser Prozessparameter für eine Vielzahl unterschiedlicher Bauteilebenen, beispielsweise für eine Vielzahl von Metallisierungsebenen und dergleichen zu Überwachen sind. Folglich ist es sehr schwierig, in zuverlässiger Weise die Qualität eines Produktionsprozesses zu bewerten, da das Berücksichtigen lediglich einer beschränkten Anzahl an Prozessparametern zu einer weniger aussagekräftigen Abschätzung führen kann, wobei die gegenseitigen Wechselwirkungen der diversen Prozessschritte nicht im voraus erkannt sind, während das Überwachen einer großen Anzahl von Prozessparametern komplexe Datenverarbeitungsalgorithmen erfordert, um damit relevante Parameter und ihre Abweichung vom Nullwert auf der Grundlage sehr großer Datensätze zu erkennen.
Aus diesem Grunde werden effiziente statistische Datenverarbeitungsalgorithmen eingesetzt, die deutliche Verringerung der großen Dimensionszahl des Parameterraumes ermöglichen, während noch keine wichtige Information über die inneren Eigenschaften des gesamten Prozessablaufs im Wesentlichen verlorengeht, die in den Messdaten in einer mehr oder weniger subtilen Weise enthalten sind. Zu diesem Zweck werden statistische Algorithmen, etwa die Analyse der „k” nächsten Nachbarn (KNN), die Hauptkomponentenanalyse (PCA) und dergleichen als mächtige Werkzeuge eingesetzt, um eine große Anzahl von Messdaten hinsichtlich einer großen Anzahl von Parametern zu bewerten, wodurch ein gewünschter Grad an Datenreduktion erreicht wird, ohne dass wertvolle Information über die betrachteten Prozessbedingungen verloren wird. Beispielsweise kann die Hauptkomponentenanalyse für die Fehlererkennung und Klassifizierung eingesetzt werden, indem ein „Modell” der betrachteten Prozesssequenz erstellt wird, in dem geeignet ausgewählte Messdaten, die als Referenzdaten dienen, verwendet werden, um entsprechende „neue” Parameter als eine Linearkombination der vielen betrachteten Prozessparameter zu ermitteln, wobei die neuen Parameter oder Hauptkomponenten entsprechende Größen repräsentieren, die den ausgeprägtesten Einfluss auf die Variabilität des Prozessergebnisses für einen gegebenen Satz an Eingangsparametern repräsentieren. Somit kann typischerweise eine deutlich geringere Anzahl an „neuen” Parametern oder Hauptkomponenten oder Vektoren des vieldimensionalen Parameterraumes PCA-Formalismus ermittelt werden, die „überwacht” werden, um eine Abweichung in aktuellen Messdaten zu erkennen, die den aktuellen Status des hochdimensionalen Parameterraumes und somit der Prozessbedingungen, die dem hochdimensionalen Parameterraum entsprechen, beschreiben. Wenn die anfänglichen Messdaten, für die eine entsprechende Datenreduktion ausgeführt ist, als „gute” Daten betrachtet werden, können die entsprechenden Transformationen und Korrelations- und Kovarianzkomponenten als ein Modell für den betrachteten Prozess oder die Prozesssequenz verwendet werden, das dann auf andere Messdaten angewendet wird, die den gleichen Satz an Parametern betreffen, um damit eine Abweichung zwischen der Modellvorhersage und den aktuellen Messdaten zu bestimmen. Wenn eine entsprechende Abweichung erkannt wird, werden die Messdaten, die durch das PCA-Modell bewertet werden, somit als solche bewertet, die einen Fehlerzustand der Fertigungsumgebung angeben. Eine entsprechende Abweichung kann auf der Grundlage statistischer Algorithmen bestimmt werden, so dass das PCA-Modell in Verbindung mit den statistischen Algorithmen ein effizientes Erkennen und auch Klassifizieren des Status der Fertigungsumgebung entsprechend verfügbaren Messdaten ermöglicht.
Beispielsweise sind in aufwendigen Fertigungsprozessen, etwa plasmaunterstützten Ätzsequenzen und dergleichen, eine Vielzahl von Anlagenparametern zu überwachen, etwa die Durchflussraten von Vorstufengasen, die Hochfrequenzleistung und/oder die Niederfrequenzleistung, resultierende Vorspannungen, der Druck in der Anlagenatmosphäre, der Status gewisser mechanischer Komponenten, die Temperatur und der Kühlmittelstrom und dergleichen. Folglich wird eine moderat hohe Anzahl an Anlagen- oder Prozessparametern kontinuierlich überwacht während der Bearbeitung von Substraten, um damit die Qualität der Prozessbedingungen während des Bearbeiters jedes einzelnen Substrats zu bewerten. Beispielsweise wird eine vorbestimmte Häufigkeit zum Nehmen von Messdaten, die die vielen Prozessparameter repräsentieren, angewendet, um damit die entsprechenden Messdaten zu erhalten, wobei bewerkstelligt werden kann, indem in geeigneter Weise anlageninterne „Sensoren” oder andere Messeinrichtungen ausgelesen werden, die mit einer Anlagensteuereinheit in Verbindung sind. Folglich wird eine moderat große Menge an Messdaten an das Fehlererkennungssystem übermittelt, um damit eine Einschätzung der aktuellen Prozessbedingungen in einer gewünschten hohen Zuverlässigkeit und ohne eine wesentliche Verzögerung zu erreichen, so dass eine kurzzeitige Reaktion auf abweichende Situationen möglich ist, die durch das Fehlererkennungssystem bezeichnet werden. Wie zuvor erläutert ist, kann das Fehlererkennungssystem einen oder mehrere „neu definierte” Parameter überwachen, d. h. entsprechende Linearkombinationen des vieldimensionalen Parameterraums, beispielsweise durch den PCA-Algorithmus als geeigneten ermittelt werden, um den aktuellen Status des betrachteten Prozesses zu repräsentieren. beispielsweise wird ein entsprechender Basisvektor oder eine Basisfunktion des vieldimensionalen Parameterraumes, der die Richtung der größten Variabilität repräsentiert, verwendet, um eine abweichende Situation zu erkennen, beispielsweise indem ein aktueller Wert der Basisfunktion mit einer Referenzfunktion verglichen wird, die auf der Grundlage „guter” Messergebnisse ermittelt wurde, wie dies auch zuvor erläutert ist. Obwohl die Datenreduktionstechniken, etwa die PCA-Technik, das Bewerten einer großen Anzahl einzelner Parameter mit subtilen und häufig nicht bekannten gegenseitigen Wechselwirkungen ermöglichen, ist die Zuverlässigkeit des Erkennens von abweichenden Situationen weniger ausgeprägt als erwartet, da eine Vielzahl „falscher Alarme” durch konventionelle Fehlererkennungssysteme ausgelöst wird, während in anderen Fällen ein hoher Anteil an abweichenden Situationen nicht erkannt wird, durch die gesamte Produktionsausbeute verringert und die Durchlaufzeiten von Produkten in komplexen Fertigungslinien für die Herstellung von Mikrostrukturbauelementen verlängert werden.
Die WO 2008/085706 A1 offenbart ein Verfahren zur Modellierung einer Verarbeitungsvorrichtung, in der variable Prozessdatensätze zum Bestimmen statistischer Daten Verwendung finden.
In der US 2006/0095232 A1 wird ein Verfahren zur Fehlerdetektion für eine einer Verarbeitungsvorrichtung beschrieben, in dem ein Verhältnis zwischen einem Parameter einer Fehlerdetaktionsanalyse und einem detektierten Fehler bestimmt wird und eine mit dem Parameter assoziierte Gewichtung vorgenommen wird.
Die WO 2004/003671 A1 offenbart Verfahren zur Fehlerdetektion für eine einer Verarbeitungsvorrichtung basierend auf einer Unterteilung einer Prozesskette in Unterprozesse und dafür berechnete Modelle.
Angesichts der zuvor beschriebenen Situation betrifft die vorliegenden Offenbarung Techniken und Systeme, in denen die Zuverlässigkeit des Erkennens von Fehlerbedingungen in komplexen Fertigungsprozessen verbessert wird, wobei eines oder mehrere der oben erkannten Probleme vermieden oder zumindest in der Auswirkung reduziert wird.
Überblick über die Offenbarung
Im Allgemeinen betrifft die vorliegende Offenbarung Techniken und Systeme, in denen eine Fehlererkennung und bei Bedarf eine Klassifizierung von Fehlern in komplexen Fertigungsumgebungen verbessert wird, indem die Messdatenqualität der Prozessdaten berücksichtigt wird, die aufgrund beispielsweise einer deutlichen Änderung der Datenkommunikationsrate während des Datenaustausches zwischen einer Prozessanlage und dem Fehlererkennungssystem beeinträchtigt werden kann. Es wurde erkannt, dass eine Abweichung der tatsächlichen Datenrate von einer Soll-Datenrate, die durch prozessanlageninterne Steuerungsstrategien hervorgerufen wird, einen deutlichen Einfluss auf die endgültige Bewertung von Prozessbedingungen auf der Grundlage effizienter Datenreduktionsmechanismen ausüben kann, die daher häufig zu fehlerhaften Einschätzungen von Prozessbedingungen in konventionellen Steuerungsstrategien führen. Folglich wird in einigen hierin offenbarten anteiligen Aspekten die Datenqualität verwendet, beispielsweise in Form eines Maßes, das die Vollständigkeit eines entsprechenden Messdatensatzes angibt, der Wert der Datenraten und dergleichen, angewendet, um die Prozessbedingungen „neu zu bewerten”. In einigen anschaulichen hierin offenbarten Ausführungsformen wird das entsprechende Maß, das die Datenqualität angibt, etwa die Datenrate und dergleichen, selbst als eine Eingangsvariable des Datenreduktionsalgorithmus verwendet, so dass der „Beitrag” dieses Maßes für die endgültige Bewertung durch den Fehlererkennungsmechanismus für eine abschließende Bewertung der Prozessbedingungen verwendet wird. In diesem Falle kann das Maß, das die Datenqualität bezeichnet, als ein „virtueller Sensor” des Prozesses oder der betrachteten Prozessanlage betrachtet werden, der damit als ein zusätzliches Kriterium zum Bewerten der aktuellen Prozess- und Anlagenparameter verwendet werden kann und auch zum endgültigen Entscheiden herangezogen werden kann, ob eine aktuelle Prozessbedingung unzulässig abweicht oder nicht.
Ein anschauliches, hierin offenbartes Verfahren betrifft das Überwachen eines Produktionsprozesses für die Bearbeitung von Mikrostrukturbauelementen in einer Prozessanlage. Das Verfahren umfasst das Ausführen eines Datenkommunikationsprozesses, um mehrere Messdaten zumindest einige Male während der Bearbeitung eines Mikrostrukturbauelements von der Prozessanlage zu einem Fehlererkennungssystem zu übertragen. Das Verfahren umfasst ferner das Bestimmen eines Datenkommunikationsqualitätsmaßes in dem Fehlererkennungssystem, wobei das Datenkommunikationsmaß zumindest den Grad an Vollständigkeit der Messdaten angibt. Der Grad an Vollständigkeit hängt hierbei von der Menge an Messdaten ab, die von dem Fehlererkennungssystem empfangen werden. Des Weiteren umfasst das Verfahren das Ausführen eines Fehlererkennungsprozesses in dem Fehlererkennungssystem auf der Grundlage der mehreren Messdaten und des Datenkommunikationsqualitätsmaßes.
Ein noch weiteres anschauliches hierin offenbartes Verfahren betrifft die Fehlererkennung in einem Halbleiterfertigungsprozess. Das Verfahren umfasst das Übermitteln von Messdaten für jeden von mehreren Prozessparametern des Fertigungsprozesses zu einem Fehlererkennungssystem. Des Weiteren wird ein Datenreduktionsprozess in dem Fehlererkennungssystem ausgeführt, in der die mehreren Prozessparametern als eine Eingangsvariable verwendet wird. Das Verfahren umfasst ferner das Bestimmen eines Datenratenmaßes (QM₁, .., QM_n-1) für einen Datenübermittlungsprozess, der zum Übermitteln der Messdaten verwendet wird. Des Weiteren umfasst das Verfahren das Verwenden des Datenratenmaßes als eine weitere Eingangsvariable für den Datenreduktionsprozess. Zusätzlich umfasst das Verfahren das Bewerten des Halbleiterfertigungsprozesses unter Anwendung eines Qualitätsmaßes, das durch den Datenreduktionsprozess auf der Grundlage der Eingangsvariablen und unter Anwendung eines Datenratenbeitragswertes erhalten wird, das einen Betrag des Datenratenmaßes zu Qualitätsmaß angibt.
Ein anschauliches hierin offenbartes Fehlererkennungssystem umfasst eine Schnittstelle, die ausgebildet ist, Messdaten von mindestens einer Prozessanlage zu empfangen, die zum Bearbeiten eines Substrats verwendet wird, wobei die Messdaten mehrere Prozessparameter der mindestens einen Prozessanlage repräsentieren.
Das Fehlererkennungssystem umfasst ferner ein Fehlererkennungsmodul, das mit der Schnittstelle verbunden und ausgebildet ist, ein Datenübermittlungsqualitätsmaß zu bestimmen, das zumindest eine Datenrate einer Datenkommunikation der Schnittstelle angibt, in der die Messdaten empfangen werden. Des Weiteren ist das Fehlererkennungsmodul ausgebildet, eine Fehlerbedingung der mindestens einen Prozessanlage auf der Grundlage des Datenübermittlungsqualitätsmaßes und der Messdaten zu bestimmen.
Kurze Beschreibung der Zeichnungen
Weitere Ausführungsformen der vorliegenden Offenbarung sind in den angefügten Patentansprüchen definiert und gehen deutlicher aus der folgenden detaillierten Beschreibung hervor, wenn diese mit Bezug zu den begleitenden Zeichnungen studiert wird, in denen:
1a schematisch eine konventionelle Fertigungsumgebung zeigt mit einer Prozessanlage, um Halbleitersubstrate zu bearbeiten, wobei eine Fehlererkennung und Klassifizierung auf der Grundlage einer konventionellen Strategie ausgeführt;
1b schematisch den Ablauf zeigt, um den Status eines Fertigungsprozesses unter Anwendung einer PCA-Technik zu bewerten, um damit eine Fehlerbedingung zu erkennen, die eine zusätzliche Bewertung in Hinblick auf beeinträchtigte Messdatenqualität gemäß anschaulicher Ausführungsformen erfordert;
1c schematisch eine entsprechende Tabelle einer Basisfunktion zeigt, die durch den PCA-Mechanismus erhalten wird, und entsprechende Beiträge von Prozess- oder Anlagenparametern, die als Basis für die weitere Datenanalyse verwendet werden können, um damit Fehlerbedingungen weiter zu bewerten, die durch die Basisfunktion des PCA-Mechanismus erkannt wurden;
1d und 1e schematisch grafische Darstellungen eines Prozesses für eine detaillierte Datenanalyse berücksichtigen von Datenratenproblemen gemäß anschaulicher Ausführungsformen zeigen;
1f und 1g Graphen zeigen, die anschaulich das Auftreten von Datenratenabweichungen (1f) und eine entsprechende Normalverteilung tatsächlicher Datenraten, die um eine Soll-Datenrate herum verteilt ist (1g) darstellen;
1h schematisch ein Schema zum Miteinbeziehen eines Kommunikationsqualitätsmaßes im PCA-Mechanismus unter Anwendung eines entsprechenden Maßes als eine weitere Eingangsvariable bzw. eines „virtuellen Sensors” des betrachteten Prozesses gemäß anschaulicher Ausführungsformen zeigt;
1i schematisch ein Schema zeigt, um eine geeignete Eingangsvariable in Form einer. Datenübermittlungsqualitätsmaßzahl auf Basis entsprechender Zeitmarken übermitteln, die mit jeweiligen Messdaten gemäß anschaulicher Ausführungsformen verknüpft sind;
1j schematisch ein Fehlererkennungssystem zeigt, das funktionsmäßig mit einer Prozessanlage verbunden ist, wobei eine verbesserte Fehlererkennung erreicht wird, in denen virtueller Datenqualitätssensor gemäß anschaulicher Ausführungsformen eingerichtet wird; und
1k schematisch eine Tabelle zeigt, die die Basisfunktion und die entsprechenden Beiträge der tatsächlichen Prozess- oder Anlagenparameter und eines virtuellen Sensors, der die Messdatenqualität bezeichnet, gemäß anschaulicher Ausführungsformen angibt.
Detaillierte Beschreibung
Es ist zu beachten, dass, obwohl die vorliegende Offenbarung mit Bezug zu den Ausführungsformen beschrieben ist, wie sie in der folgende detaillierten Beschreibung zu den Zeichnungen dargestellt sind, die detaillierte Beschreibung nicht beabsichtigt, die vorliegende Offenbarung auf die speziellen offenbarten Ausführungsformen einzuschränken, sondern die beschriebenen Ausführungsformen stellen lediglich beispielhaft die diversen Aspekte der vorliegenden Offenbarung dar, deren Schutzbereich durch die angefügten Patentansprüche definiert ist.
Im Allgemeinen stellt die vorliegende Offenbarung Techniken und Systeme bereit, in denen die Zuverlässigkeit der Fehlererkennung verbessert wird, indem die Datenkommunikationsqualität für Messdaten berücksichtigt wird, die von einer oder mehreren Prozessanlagen zu dem Fehlererkennungssystem übertragen werden. Wie zuvor erläutert ist, ist typischerweise eine große Anzahl an Prozess- und Anlagenparametern oder „Sensoren” über die Zeit hinweg beobachtet werden, wodurch eine moderat große Menge an Messdaten erzeugt wird. Für eine effiziente Gesamtprozesssteuerung wird typischerweise eine vordefinierte Häufigkeit der Datennahme im Voraus festgelegt, und damit eine gewünschte Zeitabdeckung der entsprechenden Zeit- und Prozessparameter zu erreichen. Beispielsweise wird eine Sollabtastrate von 2 Hz oder 0,5 s für spezielle Prozessanlagen eingesetzt, in denen sehr dynamische Prozesse ausgeführt werden, etwa Ätzprozesse, Abscheideprozesse, Einebnungsprozesse und dergleichen. Zur Verbesserung der Reaktionsfähigkeit des Fehlererkennungssystems müssen die entsprechenden Messdaten im Fehlererkennungssystem mit geringer Verzögerung zugeführt werden, um damit die Bearbeitung der Messdaten, beispielsweise im Hinblick auf das Berechnen des Mittelwertes über die Zeit und dergleichen, zu ermöglichen, die wiederum entsprechende Eingangsvariablen für Datenreduktionsmechanismen, etwa PCA, KNN-Techniken und dergleichen repräsentieren. Andererseits erfordern komplexe Prozessanlagen typischerweise aufwändige Steuerungsstrategien, möglicherweise auf der Grundlage eines übergeordneten Fabrikverwaltungssystems, so dass auch eine Vielzahl anlageninterner Aktivitäten durch das anlageninterne Steuerungssystem gesteuert, und an das übergeordnete Verwaltungssystem berichtet werden müssen. Folglich wird eine sehr große Anzahl an Anlagendaten während der Bearbeitung von Substraten erzeugt und diese müssen an externe Quellen übermittelt werden, etwa das Fehlererkennungssystem, das übergeordnete Fabrikverwaltungssystem, und dergleichen. Des Weiteren muss das anlageninterne Steuerungssystem auf den aktuellen Anlagenzu stand reagieren, beispielsweise durch Initiieren des Substrattransports, das Steuern von Vorstufenmaterialien und dergleichen, auf der Grundlage eines vorbestimmten Prozessrezepts, so dass eine sehr dynamische Sequenz aus Aktivitäten, die durch die Steuerung initiiert werden, von dem anlageninternen Steuerungssystem abgearbeitet werden muss. Für gewöhnlich besitzen diese Steuerungseinheit darin eingerichtet eine Steuerungsstrategie, die den Aktivität höchste Priorität gibt, die direkt der Substratbearbeitung in der Anlage gemäß dem spezifizierten Rezept verknüpft sind, während andererseits die Datenkommunikation von Messdaten mit geringerer Priorität gehandhabt wird. Folglich kann das Auslesen der Vielzahl an Messdaten, die von dem Fehlererkennungssystem angefordert werden, abhängig von dem aktuellen Anlagenzustand sein und kann aufgrund der anlageninternen Hierarchie zum Abarbeiten der diversen Anforderungen zu einer ausgeprägten Datenratenvariation führen, so dass viele Messdaten mit deutlicher Verzögerung bereitgestellt werden oder sogar vollständig verloren gehen. Da derartige Unregelmäßigkeiten beim Datenübertrag an das Fehlererkennungssystem eine deutliche Variation eines oder mehrerer Prozessparameter hervorrufen kann, die als Eingangsvariablen des Datenreduktionsmechanismus dienen, wird gemäß den hierin offenbarten Prinzipien die Datenkommunikationsqualität berücksichtigt, wenn die Qualität eines Fertigungsprozesses bewertet wird, so dass die Wahrscheinlichkeit des Erzeugens eines falschen Alarmes oder das Übersehen einer abweichenden Situation im Vergleich zu konventionellen Strategien verringert wird.
In einigen anschaulichen hierin offenbarten Ausführungsformen wird der Grad der Datenvollständigkeit, der sich auf der Grundlage der aktuellen Datenrate, dem Zeitintervall zwischen aufeinander folgenden Messwerten, die mit einer speziellen Anlage oder einem Prozessparameter verknüpft sind, und dergleichen ausdrückt, als ein weiterer Parameter im vieldimensionalen Parameterraum des multivariablen Datenreduktionsmechanismus verwendet. Beim Erstellen eines geeigneten Modells des betrachteten Prozesses, wie dies zuvor erläutert ist, trägt somit auch der Kommunikationsqualitätsparameter, der eine Art an „virtuellem Sensor” des betrachteten Prozesses repräsentiert, zu den einen oder den mehreren Basisvektoren oder Basisfunktionen bei, die die „neuen” Parameter angeben, die die größte Variabilität in Abhängigkeit der Eingangsparameter zeigen. Somit kann auch ein entsprechender Beitrag des Datenqualitätsparameters auf der Grundlage der erstellten Modelle bestimmt und für eine weitere Bewertung von Beiträgen verbleibenden Prozessparameter und von Basisfunktionen, die für die Erkennung möglicher Kandidaten für abweichende Situationen verwendet werden, eingesetzt werden. Unter Anwendung des Datenqualitätsparameters als eine Eingangsvariable des Datenreduktionsmechanismus wird eine sehr effiziente und schnelle Technik in einem Fehlererkennungssystem eingerichtet, wodurch ein im Wesentlichen unverzögertes Antwortverhalten erreicht wird, wie es im Erkennen von abweichenden Situationen auf Basis einzelner Scheiben erwünscht ist. In anderen anschaulichen Ausführungsformen werden zusätzliche Datenqualitätsinformationen aus den Messdaten auf der Grundlage konventioneller Datenreduktionstechniken, etwa PCA, und dergleichen extrahiert, um damit den Prozessstatus erneut zu bewerten, der auf der Grundlage der konventionellen Techniken ermittelt wurde. In diesem Falle wird eine weitere Analyse der Messdaten auf tieferer Ebene ausgeführt, um damit Beiträge der diversen Eingangsvariablen zu bewerten, d. h. der eigentlichen Prozess- oder Anlagenparameter mit Hinblick auf die Datenintegrität, d. h. auf den Grad der Vollständigkeit der Messdaten, im Hinblick auf die Datenrate und dergleichen.
Mit Bezug zu den begleitenden Zeichnungen werden nunmehr weitere anschauliche Ausführungsformen detaillierter beschrieben, wobei konventionelle Daten reduktionstechniken mit Bezug zu 1a erläutert werden.
1a zeigt schematisch eine typische bekannte Fertigungsumgebung 150, die in einer anschaulichen Ausführungsform eine Fertigungsumgebung zum Erzeugen von Mikrostrukturbauelementen, etwa von integrierten Schaltungen, mikromechanischen Systemen, optoelektronischen Komponenten und dergleichen repräsentiert. Die Umgebung 150 umfasst mehrere Prozessanlagen und Messanlagen 140, wobei der Einfachheit halber lediglich eine einzelne Prozessanlage in 1a gezeigt ist. Die eine oder die mehreren Prozessanlagen 140 werden verwendet, um mehrere Prozessschritte auszuführen, wobei tatsächliche Produktionsprozesse in Verbindung mit Messprozessen enthalten sind. Beispielsweise repräsentiert die Prozessanlage 140 eine Lithografieanlage, eine Ätzanlage, Implantationsanlagen, Ausheizanlagen, Abscheideanlagen, CMP-(chemisch mechanische Polier-)Anlagen und dergleichen, wobei zu beachten ist, dass eine Vielzahl einzelner Prozessschritte, etwa separate Ätzschritte, Abscheideschritte, und dergleichen in einzelnen Prozessanlage ausgeführt werden können, die mehrere Prozesskammern aufweisen kann, so dass das gewünschte Prozessergebnis erreicht wird. Folglich ist die Prozessanlage 140 in geeigneter Weise ausgebildet, Substrate 160 zu empfangen und einen oder mehrere Prozessschritte unter spezifizierten Prozessbedingungen auszuführen, die auf der Grundlage eines speziellen Prozessrezepts eingerichtet werden. Wie zuvor erläutert ist, kann sich in komplexen Fertigungssequenzen das Rezept aufgrund der Bearbeitung unterschiedlicher Arten von Produkten häufig ändern, so dass ein hohes Maß an Variabilität der Prozessbedingungen in den Prozessanlagen 140 angetroffen werden kann. Selbst für ähnliche Prozessrezepte können sich die Prozessbedingungen für die einzelnen Substrate 160 aufgrund von anlagenspezieller Schwankungen und/oder substratspezifischer Unterschiede ändern, was zu einem Prozessergebnis führen kann, das außerhalb eines spezifizierten Wertebereichs liegt. Aus diesem Grunde wird typischerweise eine Vielzahl von prozessabhängigen „Sensoren” 141 vorgesehen, um damit Messergebnisse für mehrere Prozessparameter zu ermitteln. Zum Beispiel können viele der Sensoren 141 in Form von anlageninternen Bauelementen vorgesehen werden, beispielsweise in Form von tatsächlichen Sensorelementen oder anderen Gerätekomponenten, die das Bereitstellen entsprechender Messdaten ermöglichen, die mit dem aktuellen Zustand der Prozessanlage 140 und einem entsprechenden Prozess oder einer darin ausgeführten Prozesssequenz verknüpft ist. Beispielsweise sind die Sensoren 141 mit Prozessparametern verknüpft, etwa Gasdurchflussraten der Vorstufengase, der Prozesstemperatur, dem Prozessdruck, speziellen Spannungen, die in einer plasmagestützten Umgebung auftreten, der Position von Gerätekomponenten, deren Status und dergleichen, wobei jeder dieser Parameter einen mehr oder minder ausgeprägten Einfluss auf das gesamte Prozessergebnis ausübt. Wie zuvor erläutert ist, ist die gegenseitige komplexe Wechselwirkung zwischen den diversen Prozessparametern gegebenenfalls nicht im Voraus bekannt und kann auch von Prozesszielen, den Prozessrezepten und dergleichen abhängen, wodurch typischerweise automatisierte Datenreduktions- und -analysetechniken erforderlich sind, um die Qualität des aktuellen Prozessstatus in der Anlage 140 zu bewerten. Die Prozessanlage 140 umfasst typischerweise eine Anlagensteuereinheit 142, die für die Handhabung von Substrattransportaktivitäten in der Anlage 140, für das Vorbereiten einer oder mehrerer entsprechender Prozesskammern zur Aufnahme des Substrats und zum Einrichten einer erforderlichen Prozessatmosphäre gemäß dem spezifizierten Prozessrezept und auch für das Einhalten entsprechender Prozessparameterwerte entsprechend dem jeweiligen Sollwert, wie er in den entsprechenden Prozessrezepten angegeben ist, verantwortlich ist. Folglich muss eine entsprechende Datenkommunikation 143a, 143b zwischen den diversen Gerätekomponenten der Anlage 140, den Sensorelementen 141 und der Steuereinheit 142 eingerichtet werden, um die Funktion der Anlage 140 zu steuern und auch die entsprechenden Messdaten aus den Sensoren 141 auszulesen. Ferner muss die Steuereinheit 142 gegebenenfalls auch eine Kommunikation 144 mit einem Fehlererkennungssystem 100 initiieren, das ausgebildet ist, eine abweichende Situation des durch die Prozessanlage 140 ausgeführten Prozesses zu erkennen und zumindest eine Angabe über eine entsprechende Situation darzustellen, in dem ein Fehlersignal 101 ausgegeben wird, das als Grundlage für weitere Aktionen dienen kann, die beim Erkennen einer unzulässigen Prozessbedingung durchgeführt werden.
Während des Betriebes der Prozessanlage 140 in der Fertigungsumgebung 150 werden daher eine Vielzahl von Substraten 106 der Anlage 140 zugeführt und durchlaufen einen oder mehrere komplexe Prozessschritte, um schließlich die Anlage 140 in einem Prozesszustand zu verlassen, dessen Qualität deutlich von den Prozessparametern, wie sie durch die Sensoren 141 repräsentiert sind, abhängt. Da ein entsprechendes dynamisches Verhalten des Prozesses mit einer geeigneten Zeitauflösung zu überwachen ist, wird eine Sollabfrageintervall für die Sensoren 141 im Voraus festgelegt, um damit die Messdaten aus den Sensoren 141 mit einer gewünschten Zeitabdeckung zu erhalten, um somit das relevante Bewertungen von dem Fehlererkennungssystem 100 zu erhalten. Durch Verbessern der Zuverlässigkeit der Bewertung, die durch das Fehlererkennungssystem 100 erstellt wird, und durch Verringern einer Verzögerung bei der Bereitstellung des Fehlersignals 101 beim Auftreten einer abweichenden Situation, kann somit die gesamte Effizienz der Fertigungsumgebung 150 deutlich angehoben werden. Die Signifikanz des Fehlersignals 101 kann jedoch von der Datenkommunikation 144 und 143b abhängen, während welcher die aktuellen Messdaten von der Prozessanlage 140 dem System 100 zugeführt werden, da bei höheren Datenübertragungsraten und einer moderat großen Anzahl an Prozessparametern, die zu überwachen sind, die Datenkommunikationsressourcen zu einer entsprechenden Verzögerung oder zu einem Verlust von Messdaten führen können, was wiederum deutlich eine reduzierte Zuverlässigkeit des Fehlersignals 101 bewirken kann.
1b zeigt schematisch ein Prozessschema für eine Datenreduktionstechnik auf der Grundlage der PCA, die in dem System 100 eingerichtet ist und die in geeigneter Weise erweitert wird, um auch ein Maß für das Bewerten der Datenkommunikationsqualität zu beinhalten, um damit einen geeigneten zusätzlichen „virtuellen” Prozessparameter zum Ermitteln des Fehlersignals 101 mit erhöhter Zuverlässigkeit bereitzustellen, wie dies hierin beschrieben ist. Wie in 1b gezeigt ist, ist in dem System 100 eine Quelle für „historische” Daten eingerichtet, beispielsweise sind diese in einer Datenbank 102 gespeichert, wobei die historischen Daten entsprechende Messwerte repräsentieren, die von der Prozessanlage 140 für eine Prozesssituation erhalten wurden, die als „normal” betrachtet wird. Somit können die historischen Daten der Datenbank 102 als Referenzdaten verwendet werden und repräsentieren eine Vielzahl von Prozessparametern entsprechend einer normalen Prozesssituation. Diese historischen Daten, d. h. die entsprechenden Rohdaten, können einem PCA-Modul 103 zugeführt werden, das ausgebildet ist, ein Modell des Fertigungsprozesses zu erzeugen, der in der Prozessanlage 140 (siehe 1a) ausgeführt wird. Während des Aufbaus eines PCA-Modells werden die Messdaten, die typischerweise durch eine Datenmatrix repräsentiert sind, in eine Modellkomponente und eine Restkomponente zerlegt, wobei die Restkomponenten typischerweise auch als weniger relevante Komponenten bezeichnet werden. Wie zuvor erläutert ist, wird in einer PCA eine Transformation bestimmt, die einen vieldimensionalen Parameterraum in einen entsprechenden neuen Parameterraum abbildet, der eine orthogonale Basis besitzt, wobei die jeweiligen Basisvektoren so erhalten werden, dass der erste Basisvektor die Richtung der maximalen Varianz anzeigt, während der zweite Basisvektor die Richtung der zweitgrößten Varianz repräsentiert und so weiter. Durch Auswählen eines oder nur weniger Basisvektoren oder Komponenten kann somit der Großteil der Variabilität der Eingangsdaten berücksichtigt werden, wodurch die verbleibenden Eigenvektoren als weniger wichtig zum Bewerten der zugehörigen Messdaten bewertet werden. Folglich kann durch Auswählen einer oder lediglich weniger Hauptkomponenten die Anzahl der Dimensionen des Parameterraums, die Berücksichtigung finden beim Bewerten des betrachteten Prozesses, deutlich verringert werden, ohne dass im Wesentlichen relevante Informationen im Hinblick auf die anfänglich eingespeisten Messwerte und somit Prozessparameter verloren gehen. Es sollte beachtet werden, dass aufgrund der „Drehung” der Basisvektoren oder Hauptkomponenten in dem vieldimensionalen Parameterraum die Hauptkomponenten somit als „neue”-Parameter betrachtet werden können, die als Linearkombinationen der zuvor eingespeisten Parameter verstanden werden. Folglich kann das Modul 103 einen oder mehrere Basisvektoren oder Eigenvektoren bereitstellen, die auch als Basisfunktionen bezeichnet werden, wodurch eine Modell 104 des betrachteten Prozesses erstellt wird. Auf der Grundlage des Modells 104 werden andere Messdaten auf der Grundlage geeigneter statistischer Konzepte 105 bewertet, in welchen aktuelle Messdaten 106, die beispielsweise den Messungen entsprechen, die von den Sensoren 141 der Prozessanlage 140 in 1a erhalten werden, einer zuvor ermittelten Parametertransformation unterzogen werden, um einen oder mehrere Vektoren oder Funktionen zu erhalten, die den entsprechenden Richtungen der Eigenvektoren oder Funktionen entsprechen, die in dem Modell 104 angegeben sind. Zum Beispiel wird in einem sehr einfachen Ansatz Differenz zwischen entsprechenden Funktionen, die auf der Grundlage der aktuellen Messdaten 106 und der Basisfunktionen des Modells 104 bestimmt wird, ermittelt und wird als ein Maß zum Quantifizieren der Qualität des betrachteten Prozesses verwendet. Somit kann durch geeignetes Festlegen entsprechender statistischer Grenzen eine Fehlerbedingung in der Prozessanlage 140 der 1a erkannt werden und das Fehlersignal 101 wird in geeigneter Weise gesetzt.
1c zeigt schematisch eine Tabelle, in der ein Fertigungsprozess, beispielsweise ein Prozess, wie er durch die Prozessanlage 140 in 1a ausgeführt wird, für eine Vielzahl von Substraten 160 bewertet wird, beispielsweise sind diese als Halbleiterscheiben 1 bis r angegeben. Des Weiteren werden mehrere Prozessparameter, die als Parameter 1, ... Parameter m bezeichnet sind, als Eingangsvariablen des PCA-Mechanismus verwendet, wobei in diesem Beispiel die Fehlererkennung nur auf der ersten Basisfunktion 1 beruht, die, wie zuvor erläutert ist, die Richtung in dem vieldimensionalen Parameterraum, der durch die Parameter 1, ... m aufgespannt ist, angibt, die der höchsten Varianz entspricht. In dem gezeigten Beispiel besitzen die Scheiben i und j Werte für die Basisfunktion 1 von 1,1 und 1,4, die eine vordefinierte statistische Grenze in dem entsprechenden statistischen Merkmal 105 der 1b übersteigen. Folglich repräsentieren die Scheiben i und j eine unzulässige Prozessbedingung und erzeugen somit einen Alarm, der zu speziellen Aktivitäten führt, etwa dem Abschalten der Prozessanlage 140 und dergleichen. Wie zuvor erläutert ist, können entsprechende durch Fehler ausgelöste Aktivitäten zu einer unerwünschten Zunahme der gesamten Prozesszeit führen, wenn ein oder mehrere entsprechende Alarm(e) schließlich als falsche Alarme erkannt werden. Andererseits werden andere Substrate ggf. tatsächlich unter unzulässigen Bedingungen bearbeitet, die sich jedoch nicht in den Werten der Basisfunktion 1 ausdrücken. Aufgrund der Komplexität des Datenreduktionsprozesses, beispielsweise auf der Grundlage der PCA-Technik, kann eine entsprechende Weiterbewertung nicht in einfacher Weise auf der Grundlage der diversen Anteile der Parameter 1, ... m der Basisfunktion 1 ermittelt werden, so dass gemäß einer anschaulichen Ausführungsform eine Weiterbewertung von zumindest von Substraten A und J auf der Grundlage einer Messdatenqualität ausgeführt wird, wie dies zuvor erläutert ist. Zu diesem Zweck wird eine detailliertere Analyse der zugehörigen Messdaten angewendet.
1d zeigt schematisch einen Graphen, der eine in den PCA-Datenreduktionsprozess verwendete Eingangsvariable zeigt, wie dies zuvor beschrieben ist. Beispielsweise repräsentiert die Eingangsvariable, die in 1d angegeben ist, einen der Parameter 1, ... m, wobei jedoch typischerweise entsprechende Mittelwerte auf der Grundlage der ursprünglichen Rohdaten definiert sind. Das heißt, es werden eine Vielzahl einzelner Messwerte, die auf der Grundlage der aktuellen Datenrate erhalten werden, bearbeitet, um damit einen Mittelwert zu bestimmen, der dann als ein Eingangsparameter zum Definieren des entspre chenden PCA-Modells und der aktuellen Basisfunktion und zugehöriger Beiträge verwendet wird, wie dies beispielsweise in der Tabelle als 1c gezeigt ist. Beispielsweise sind in 1d entsprechende Mittelwerte des speziellen Prozessparameters mit zugehörigen statistischen Grenzen dargestellt, etwa einer Bandbreite von 2,8, wobei die entsprechenden Mittelwerte für den betrachteten Parameter außerhalb der als „normal” betrachteten schmalen Bandbreite für die Scheiben i und j dargestellt sind. Das heißt, diese Scheiben zeigen im Hinblick auf den betrachteten Parameter eine signifikante Abweichung von dem „normalen” Wertebereich. Zum Vergleich sind entsprechende Mittelwerte für die Scheiben k und l, die als unter „normalen” Prozessbedingungen bearbeitet betrachtet werden können, ebenfalls gezeigt. Jedoch muss die signifikante Abweichung der speziellen PCA-Eingangsvariablen aus 1d weiter bewertet werden, um ein mögliches Datenratenproblem zu erkennen, das die signifikante Abweichung verursacht haben kann. Zu diesem Zweck wird die Datenanalyse auf eine weitere tiefere Ebene ausgedehnt, in der die Zeitauflösung der Messdaten sichtbar wird.
1e zeigt schematisch die entsprechenden tatsächlichen Messergebnisse für die Scheiben i, j, k, l, wobei diese Messwerte für das Bestimmen der entsprechenden Mittelwerte, die in 1c gezeigt sind, verwendet werden. Der Einfachheit halber sind die entsprechenden Kurven ebenfalls als Kurven I, J, K und L bezeichnet. Wie aus 1e hervorgeht, repräsentieren die Kurven K und L „normale” Prozessbedingungen. Andererseits zeigt die Kurve I an, dass eine signifikante Abweichung von der Verteilung der Kurven K und L während der Bearbeitung der Scheibe i aufgetreten ist, wobei jedoch die entsprechenden einzelnen Messwerte keine signifikante Störung während der Datenübertragung angeben, da die Anzahl und die Zeitintervalle zwischen aufeinanderfolgenden einzelnen Messergebnissen im Wesentlichen die gleiche ist wie in den Kurven I, K und L. Da ernsthaft Probleme während der Datenkommunikation für die Scheibe i ausgeschlossen werden können, repräsentiert somit die Scheibe i tatsächlich eine abweichende Situation und daher wird der entsprechende Fehleralarm als eine echte Fehlersituation erachtet. Andererseits repräsentiert die Kurve J eine deutlich reduzierte Anzahl an Messdaten, wodurch angezeigt wird, dass ein signifikanter Verlust an Messdaten aufgetreten ist, der somit zu einer deutlichen Abweichung des Mittelwertes in 1d für die Scheibe j beitragen kann. Folglich ist es nicht möglich zu entscheiden, ob die Scheibe j auf der Grundlage guter oder unzulässiger Prozessbedingungen bearbeitet wurde. Aufgrund dieser Tatsache wird der Fehleralarm auf der Grundlage der Scheibe j als ein nicht relevanter Alarm betrachtet und wird ignoriert. Während des Fehlererkennungsmechanismus, der den Prozess der 1b–1e repräsen tiert ist, beispielsweise unter Anwendung des in 1a gezeigten Fehlererkennungssystems 100, kann somit die Zuverlässigkeit der Fehlererkennung deutlich verbessert werden, indem die Qualität der Datenkommunikation zwischen der Prozessanlage 140 und dem System 100 (siehe 1a) berücksichtigt wird.
Mit Bezug zu den 1f–1h werden weitere anschauliche Ausführungsformen nunmehr beschrieben, in denen eine quantitative Messung oder ein Maß für die Datenkommunikationsqualität ermittelt wird, das dann in einigen anschaulichen Ausführungsformen direkt als ein Eingangsparameter des Datenreduktionsmechanismus verwendet wird, der in dem entsprechenden Fehlererkennungssystem eingerichtet ist.
1f ist eine Darstellung, in der der Zeitablauf der Datenkommunikation dargestellt ist. Somit repräsentiert die horizontale Achse die Zeit während des Betriebs einer Prozessanlage, etwa der Anlage 140 aus 1a, wobei eine entsprechende Soll-Abtastrate im voraus gemäß den Prozesserfordernissen festgelegt werden kann. Das heißt, während gewisser regulärer Zeitintervalle wird ein Messwert für jeden der mehreren Parameter P1, ... Pm genommen, wobei die Zeitauflösung, d. h. die Abtastrate, so gewählt ist, dass eine gewünschte Abdeckung des betrachteten Prozesses gelingt. Beispielsweise kann eine Abtastrate von 2 Hz oder ein Zeitintervall von 0,5 Sek. angewendet werden, wobei zu beachten ist, dass eine beliebige andere Abtastrate bei Bedarf eingesetzt werden kann. Wie gezeigt, werden zum Zeitpunkt t₁ Messergebnisse für alle Parameter P1, ... Pm erhalten, während zum Zeitpunkt t₂ der Parameterwert für den Parameter P1 aufgrund von Datenkommunikationsproblemen verlorengeht, wie dies zuvor erläutert ist. In dem dargestellten Beispiel wird der Messwert für den Parameter Pm zu einer späteren Zeit aufgrund nunmehr ausreichende Kommunikationsressourcen und dergleichen erhalten. Ähnlicherweise können bei einem oder mehreren Datenpunkt(en) zum Zeitpunkt t₃, t₄, t₅, t₆ etc. ebenfalls ein oder mehrere Unregelmäßigkeiten in der Datenkommunikation auftreten, beispielsweise kann ein Verlust an Messdaten oder eine Verzögerung auftreten.
1g zeigt schematisch eine Verteilung des Maßes, das die Qualität der Datenkommunikation angibt. In dem gezeigten Beispiel wird die Datenrate als ein geeignetes Datenkommunikationsqualitätsmaß verwendet, wobei die Datenrate als die Anzahl an Informationseinheiten definiert ist, die dem Fehlererkennungssystem mit den diversen Zeitpunkten t₁, t₂, t₃, ... zugeleitet werden. Es sollte beachtet werden, dass die Zeitpunkte t₁, ... als moderat kleine Zeitintervalle im Vergleich zu dem Intervall beachtet werden, das durch die sukzessiven Zeitpunkte t₁, t₂ und dergleichen definiert ist. Idealerweise wird die Datenrate als eine vertikale Linie repräsentiert, die die „Datenratenachse” bei der Solldatenrate ST schneidet. Aufgrund der entsprechenden Datenkommunikationsprobleme, wie dies zuvor erläutert ist, wird die tatsächliche Datenrate durch eine normal verteilte Kurve, die als SA angegeben ist, repräsentiert, so dass in diesem Fall ein geeigneter zusätzlicher oder virtueller Parameter SA definiert werden kann, der als ein Parameter oder „Sensor” des betrachteten Prozesses verwendet werden kann, und der explizit die Qualität der Messdaten wiedergibt, wobei die Qualität durch Datenkommunikationsstörungen beeinflusst ist, wie zuvor erläutert ist. Folglich kann die Liste der Eingangsparameter P1, ... Pm durch einen zusätzlichen Parameter SA ergänzt werden, der die aktuelle Datenrate präsentiert, die mit jedem der Zeitpunkte t₁, ... verknüpft ist. Somit werden in einigen anschaulichen Ausführungsformen die diversen Parameterwerte SA als zusätzliche Parameterwerte verwendet und sind daher ebenfalls während des Erstellens eines entsprechenden Modells für den betrachteten Prozess angewendet, wie dies zuvor für die Parameter 1, ... m im Kontext der 1b–1e erläutert ist.
1h zeigt schematisch das Schema zum Definieren einer Datenkommunikationsqualitätsmaßzahl gemäß weiterer anschaulicher Ausführungsformen. Wie gezeigt, besitzt jeder Parameter P1, ..., Pm zugeordnete Messwerte, die mit einer Zeitmarke verknüpft sind, die idealerweise identisch ist mit den Zeitpunkten t₁, ..., die jedoch, wie zuvor erläutert ist, mit anderen Zeitpunkten aufgrund des Verlustes von Messergebnissen oder einer Verzögerung zusammenhängen kann. Wie gezeigt, können einzelne Messergebnisse als MP1, ..., MP2, ...., MPM angegeben werden, wovon jeder eine zugeordnete Zeitmarke besitzt, die als Zeitmarken t₁, ..., t_n dargestellt sind. Das heißt, der Index n repräsentiert eine Gesamtmenge einzelner Messergebnisse, die der Gesamtheit der Parameter P1, ..., Pm entsprechend. Somit wird in einer anschaulichen Ausführungsform ein Datenkommunikationsqualitätsmaß, das als QM₁, ..., QM_n-1 angegeben ist, definiert, indem die Differenz zweier aufeinanderfolgender Messergebnisse bestimmt wird, die mit dem gleichen Prozessparameter verknüpft sind. Beispielweise entsprechen die Zeitmarken t₁ und t₂ den Zeitmarken zweier aufeinanderfolgender Messwerte eines spezifizierten Parameters, etwa dem Parameter P1, so dass das Qualitätsmaß QM₁ durch t₂ – t₁ definiert werden kann. Aus den mehreren Qualitätsmaßen QM₁, ..., QM_n-1, die somit einen weiteren Parameter für den Datenreduktionsmechanismus repräsentieren, kann ein Qualitätsparameter definiert werden, beispielsweise indem ein entsprechender Mittelwert berechnet wird, wie dies in 1h gezeigt ist. Der entsprechende Mittelwert kann dann als ein Eingangswert für den PCA-Algorithmus oder einen anderen Algorithmus zum Bestimmen des entsprechenden Modells für den betrachteten Prozess verwendet werden, wie dies zuvor erläutert ist.
1i zeigt schematisch einen Teil der Funktionsblöcke des Systems 100 gemäß anschaulicher Ausführungsformen, in denen Datenkommunikationsqualitätsmaßzahlen, etwa die Maßzahlen QM₁, ..., QM_n-1 aus 1h, oder entsprechende Datenratenwerte SA (siehe 1g) als weiterer „Prozessparameter” verwendet werden. Wie gezeigt, enthält die Datenbank 102 nunmehr geeignete Datenratenwerte, etwa wie sie in den 1h oder 1g als Werte dargestellt sind. Auf der Grundlage dieser Messwerte werden entsprechende Eingangsvariablen entsprechend den Parametern 1, ..., m ermittelt, wobei auch ein entsprechender Datenratenparameter 1 und 2a als eine Eingangsvariable für den PCA-Algorithmus oder einen anderen Datenreduktionsmechanismus 103 repräsentiert ist, um beispielsweise einen geeigneten Mittelwert zu definieren, wie dies zuvor erläutert ist. Danach liefert der Mechanismus 103 das Modell 104 in Form einer geeigneten Anzahl an Basisfunktionen, wobei auch die entsprechenden Beiträge der Parameter 1, ..., m und des Datenratenparameters 102a eingeschlossen sind. Somit umfasst das Modell 104 einen Beitrag 104a, der mit der Datenkommunikationsqualität in Beziehung steht, wie dies zuvor erläutert ist.
1j zeigt schematisch die Prozessanlage 140 in der Fertigungsumgebung 150, wobei das Fehlererkennungssystem 100 darin eingerichtet den Modellbereich 104a aufweist, der einen virtuellen Sensor präsentiert, der die Datenkommunikationsqualität wiedergibt, wie dies auch zuvor beschrieben ist. Beim Betrieb der Prozessanlage 140 übermitteln die Prozess- und Anlagensensoren 141, die als reale Sensoren betrachtet werden, die entsprechenden Messwerte auf der Grundlage des Datenkommunikationsprozesses 143 zu der Anlagensteuerung 142 und schließlich zu dem System 100 über den Kommunikationsprozess 144, wie dies auch zuvor erläutert ist. Folglich ist in dem System 100 das Modell eingerichtet, das auf den realen Messungen 106 beruht und den virtuellen Sensorbereich 104a enthält, so dass eine weitere Bewertung der Basisfunktion auf der Grundlage des entsprechenden Beitrags möglich ist, der sich aus dem virtuellen Sensor 104a ergibt.
1k zeigt schematisch eine Tabelle, die auf der Grundlage des Systems 100 ermittelt wird, wie es in 1j gezeigt ist. Wie gezeigt, repräsentieren die Scheiben 1, ..., r das gleiche Beispiel, wie es in der Tabelle aus 1c gezeigt ist. Somit ist die Basisfunktion 1 zum Bewerten der Qualität des betrachteten Prozesses eingesetzt, wobei die realen Sensoren oder Parameter 1, ..., m die gleichen Messergebnisse, wie in dem zuvor erläuterten Beispiel ergeben. Folglich besitzen auch die entsprechenden Beiträge ähnliche Werte, woraus sich kritische Werte der Basisfunktion 1 für die Scheiben i und j ergeben. Ferner wird auch ein Qualitätsparameter, d. h. ein Parameter entsprechend dem Modellbereich 104a (siehe 1j) ebenfalls ermittelt, da dieser Parameter als ein Eingang für den Datenreduktionsmechanismus behandelt wird, wodurch ebenfalls entsprechende Beiträge zu der Basisfunktion 1 ermittelt werden. Wie gezeigt, weist der Qualitätsparameter einen moderat hohen Wert auf, der eine speziell definiere statistische Grenze übersteigt, wodurch ein signifikanter Anteil an der Basisfunktion 1 angezeigt wird. Wenn andererseits die Beiträge, die mit den Parametern 1, ..., m verknüpft sind, innerhalb vordefinierter statistischer Grenzen liegen, ist der entsprechende Wert der Basisfunktion nicht vertrauenswürdig, da ein signifikantes Datenkommunikationsproblem aufgetreten ist. In diesem Fall wird der Fehleralarm, der durch die Scheibe ausgelöst wird, verworfen. Andererseits liegt der Beitrag des Qualitätsparameters für die Scheibe i innerhalb eines zulässigen Wertebereichs, wodurch ein hohes Maß an Vollständigkeit der entsprechenden Messwerte angezeigt wird, so dass die Beiträge der verbleibenden realen Parameter 1, ..., m den unzulässigen Wert der Basisfunktion 1 hervorgerufen haben, wodurch die Scheibe i als die Scheibe angegeben wird, die eine unzulässige Prozesssituation erfahren hat. Somit wird ein tatsächliches Fehlersignal nur für die Scheibe i ausgegeben, wodurch die Wahrscheinlichkeit des Erzeugens eines falschen Alarms deutlich verringert wird. In noch anderen anschaulichen Ausführungsformen werden die Beiträge des Qualitätsparameters als ein Maß der Qualität oder der Vertrauenswürdigkeit für die Messdaten, die für die Fehlererkennungsanalyse verwendet wurden, verwendet. Beispielsweise, wenn die Eingangsvariablen, d. h. die Mittelwerte der tatsächlichen Messwerte, nicht stark von den „normalen” Mittelwerten abweichen, führen etwaige fehlende Messwerte nicht zu einer signifikanten Verschiebung des Mittelwertes, wobei der Qualitätsparameter dennoch moderat hohe Werte anzeigt, wie dies beispielsweise für die Scheibe j gezeigt ist, wodurch ein allgemeines Maß für die Qualität der angewendeten Messwerte bereitgestellt wird.
Es gilt also: die vorliegende Offenbarung stellt ein System und ein Verfahren bereit, um die Zuverlässigkeit von Fehlererkennungssystemen zu verbessern, indem die Qualität des Datenkommunikationsprozesses berücksichtigt wird. Beispielsweise kann die Wahrscheinlichkeit des Erzeugens eines falschen Alarms deutlich verringert werden, da der Einschluss fehlender oder verzögerter Messergebnisse auf die Bewertung, die durch gut etablierte Datenreduktionstechniken erhalten wird, etwa durch PCA, auf der Grundlage des Grades an Messdatenqualität bewertet wird. In einigen anschaulichen Ausführungsformen wird die Datenkommunikationsqualitätsmaßzahl in den Fehlererkennungsablauf als Eingangsvariab le eingeführt, wodurch somit entsprechende Beiträge erzeugt werden, die effizient mit entsprechenden Beiträgen der realen Prozessparameter verglichen werden können, um damit quantitativ die Qualität der Messergebnisse zu bewerten, wodurch auch eine effiziente Vermeidung falscher Alarme möglich ist.
Weitere Modifizierungen und Variationen der vorliegenden Offenbarung werden für den Fachmann angesichts dieser Beschreibung offenkundig. Daher ist die Beschreibung als lediglich anschaulich und für die Zwecke gedacht, dem Fachmann die allgemeine Art und Weise des Ausführens der hierin offenbarten Prinzipien zu vermitteln. Selbstverständlich sind die hierin gezeigten und beschriebenen Formen als die gegenwärtig bevorzugten Ausführungsformen zu betrachten.

Claims

Verfahren zum Überwachen eines Produktionsprozesses zur Bearbeitung von Mikrostrukturbauelementen in zumindest einer Prozessanlage, wobei das Verfahren umfasst: Ausführen eines Datenkommunikationsprozesses, um mehrere Messdaten zumindest einige Male von der mindestens einen Prozessanlage zu einem Fehlererkennungssystem während der Bearbeitung eines Mikrostrukturbauelementes zu übermitteln; Bestimmen eines Datenkommunikationsqualitätsmaßes in dem Fehlererkennungssystem, wobei das Datenkommunikationsqualitätsmaß zumindest einen Grad an Vollständigkeit der Messdaten angibt, wobei der Grad an Vollständigkeit von der Menge an Messdaten abhängt, die von dem Fehlererkennungssystem empfangen werden; und Ausführen eines Fehlererkennungsprozesses in dem Fehlererkennungssystem auf der Grundlage der mehreren Messdaten und des Datenkommunikationsqualitätsmaßes.
Verfahren nach Anspruch 1, wobei die Messdaten Werte jedes der Prozessparameter repräsentieren und wobei das Ausführen des Fehlererkennungsprozesses umfasst: Ausführen einer multivariablen Datenreduktion unter Anwendung jedes der mehreren Prozessparameter als Eingangsvariable.
Verfahren nach Anspruch 2, wobei Ausführen der multivariablen Datenreduktion umfasst: Verwenden des Datenkommunikationsqualitätsmaßes als eine weitere Eingangsvariable.
Verfahren nach Anspruch 1, wobei Bestimmen des Datenkommunikationsqualitätsmaßes umfasst: Bestimmen einer mittleren Datenrate des Datenkommunikationsprozesses.
Verfahren nach Anspruch 4, wobei Bestimmen einer mittleren Datenrate umfasst: Verwenden einer entsprechenden Zeitmarke, die mit jedem Datenpunkt der Messdaten und dem Datenkommunikationsprozess verknüpft ist.
Verfahren nach Anspruch 5, wobei Bestimmen der mittleren Datenrate ferner umfasst: Subtrahieren entsprechender Zeitmarken zweier aufeinanderfolgender Messdaten, die mit dem gleichen Prozessparameter verknüpft sind.
Verfahren nach Anspruch 1, wobei Ausführen des Fehlererkennungsprozesses umfasst: Angeben eines Fehlerbedingungsprozesses, wenn ein erstes Prozessqualitätsmaß außerhalb eines gültigen Prozessqualitätsbereichs liegt und das Datenkommunikationsqualitätsmaß innerhalb eines vordefinierten gültigen Kommunikationsqualitätsbereichs liegt.
Verfahren nach Anspruch 7, wobei Ausführen des Fehlererkennungsprozesses ferner umfasst: Verwerfen eines zweiten Prozessqualitätsmaßes, das außerhalb des vordefinierten gültigen Prozessqualitätsbereichs liegt, wenn das Datenkommunikationsqualitätsmaß außerhalb des vordefinierten gültigen Kommunikationsqualitätsbereichs liegt.
Verfahren nach Anspruch 8, wobei Ausführen des Fehlererkennungsprozesses ferner umfasst: Bestimmen eines Beitrags der Messdaten zu einem dritten Prozessqualitätsmaß, das innerhalb des vordefinierten gültigen Prozessqualitätsbereichs liegt, auf der Grundlage des Datenkommunikationsqualitätsmaßes.
Verfahren nach Anspruch 9, wobei Bestimmen des Beitrags umfasst: Erkennen eines Teils der Messdaten als nicht relevante Daten, wenn das Datenkommunikationsqualitätsmaß einen vordefinierten Schwellwert übersteigt.
Verfahren nach Anspruch 2, wobei Ausführen der multivariablen Datenreduktion umfasst: Ausführen einer Hauptkomponentenanalyse (PCA) und/oder einer Analyse der k nächsten Nachbarn (KNN).
Verfahren zur Fehlererkennung in einem Halbleiterfertigungsprozess, wobei das Verfahren umfasst: Übermitteln von Messdaten für jeden von mehreren Prozessparametern des Fertigungsprozesses an ein Fehlererkennungssystem; Ausführen eines Datenreduktionsprozesses in dem Fehlererkennungssystem unter Anwendung jedes der mehreren Prozessparameter als Eingangsvariable; Bestimmen eines Datenratenmaßes (QM₁, .., QM_n-1) für einen Datenkommunikationsprozess, der zum Übermitteln der Messdaten angewendet wird; Verwenden des Datenratenmaßes (QM₁, .., QM_n-1) als eine weitere Eingangsvariable des Datenreduktionsprozesses; und Bewerten des Halbleiterfertigungsprozesses unter Anwendung eines Qualitätsmaßes, das durch den Datenreduktionsprozess auf der Grundlage der Eingangsvariablen und unter Anwendung eines Datenratenbeitragswertes erhalten wird, der einen Beitrag des Datenratenmaßes (QM₁, .., QM_n-1) zu dem Qualitätsmaß angibt.
Verfahren nach Anspruch 12, wobei Bewerten des Halbleiterfertigungsprozesses umfasst: Anzeigen einer Fehlerbedingung des Halbleiterfertigungsprozesses, wenn das Qualitätsmaß außerhalb eines vordefinierten zulässigen Prozessqualitätsbereichs liegt und das Datenratenmaß (QM₁, .., QM_n-1) innerhalb eines vordefinierten zulässigen Wertebereichs liegt.
Verfahren nach Anspruch 13, wobei Bewerten des Halbleiterfertigungsprozesses umfasst: Angeben des Qualitätsmaßes als nicht schlüssig, wenn dieses außerhalb des vordefinierten gültigen Qualitätsbereichs liegt und wenn das Datenratenmaß (QM₁, .., QM_n-1) außerhalb des vordefinierten zulässigen Wertebereichs liegt.
Verfahren nach Anspruch 12, wobei Bestimmen des Datenratenmaßes (QM₁, .., QM_n-1) umfasst: Verwenden entsprechender Zeitmarken, die mit jedem der Messdatenpunkte verknüpft sind.
Verfahren nach Anspruch 12, wobei Ausführen des Datenreduktionsprozesses umfasst: Erstellen eines Modells des Halbleiterfertigungsprozesses auf der Grundlage von Referenzmessdaten des Fertigungsprozesses.
Verfahren nach Anspruch 16, wobei das Modell auf der Grundlage einer Hauptkomponentenanalyse (PCA) und/oder einer Analyse der k nächsten Nachbarn (KNN) erstellt wird.
Verfahren nach Anspruch 12, wobei die Messdaten der mehreren Prozessparameter für jedes von mehreren Substraten erhalten werden, die in dem Halbleiterfertigungsprozess verarbeitet werden.
Fehlererkennungssystem mit: einer Schnittstelle, die ausgebildet ist, Messdaten von mindestens einer Prozessanlage zu empfangen, die zum Bearbeiten eines Substrats verwendet wird, wobei die Messdaten mehrere Prozessparameter der mindestens einen Prozessanlage angeben; und einem Fehlererkennungsmodul, das mit der Schnittstelle verbunden und ausgebildet ist, ein Datenkommunikationsqualitätsmaß zu bestimmen, das zumindest eine Datenrate einer Datenübermittlung der Schnittstelle angibt, wenn diese Messdaten empfängt, wobei das Fehlererkennungsmodul ferner ausgebildet ist, eine Fehlerbedingung der mindestens einen Prozessanlage auf der Grundlage des Datenübermittlungsqualitätsmaßes und der Messdaten zu bestimmen.
Fehlererkennungssystem nach Anspruch 19, wobei das Fehlererkennungsmodul darin eingerichtet einen Haupt-Komponentenanalysealgorithmus oder einen K-nächste-Nachbarn-Analysealgorithmus aufweist.