DE102021103455A1 - System und verfahren zur erkennung der verunreinigung vondünnschichten - Google Patents

System und verfahren zur erkennung der verunreinigung vondünnschichten Download PDF

Info

Publication number
DE102021103455A1
DE102021103455A1 DE102021103455.8A DE102021103455A DE102021103455A1 DE 102021103455 A1 DE102021103455 A1 DE 102021103455A1 DE 102021103455 A DE102021103455 A DE 102021103455A DE 102021103455 A1 DE102021103455 A1 DE 102021103455A1
Authority
DE
Germany
Prior art keywords
thin film
film deposition
wafer
excitation light
spectrum
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
DE102021103455.8A
Other languages
English (en)
Inventor
Chung-Liang Cheng
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.)
Taiwan Semiconductor Manufacturing Co TSMC Ltd
Original Assignee
Taiwan Semiconductor Manufacturing Co TSMC Ltd
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
Priority claimed from US17/169,101 external-priority patent/US11686683B2/en
Application filed by Taiwan Semiconductor Manufacturing Co TSMC Ltd filed Critical Taiwan Semiconductor Manufacturing Co TSMC Ltd
Publication of DE102021103455A1 publication Critical patent/DE102021103455A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/8422—Investigating thin films, e.g. matrix isolation method
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
    • C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
    • C23C14/52—Means for observation of the coating process
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
    • C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
    • C23C14/54—Controlling or regulating the coating process
    • C23C14/548—Controlling the composition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6489—Photoluminescence of semiconductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B82—NANOTECHNOLOGY
    • B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y30/00—Nanotechnology for materials or surface science, e.g. nanocomposites
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N2021/6491—Measuring fluorescence and transmission; Correcting inner filter effect
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Mechanical Engineering (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

Ein Dünnschichtabscheidungssystem scheidet eine Dünnschicht auf einem Wafer ab. Eine Strahlungsquelle bestrahlt den Wafer mit Anregungslicht. Ein Emissionssensor erkennt ein Emissionsspektrum des Wafers, das auf das Anregungslicht reagiert. Ein auf Maschinenlernen basierendes Analysemodell analysiert das Spektrum und erkennt auf Grundlage des Spektrums die Verunreinigung der Dünnschicht.

Description

  • HINTERGRUND
  • Technisches Gebiet
  • Diese Offenbarung bezieht sich auf das Gebiet der Dünnschichtabscheidung.
  • Beschreibung des Stands der Technik
  • Es gibt eine kontinuierliche Nachfrage nach steigender Rechenleistung in elektronischen Vorrichtungen wie Smartphones, Tablets, Desktop-Computern, Laptops und vielen anderen Arten von elektronischen Vorrichtungen. Integrierte Schaltungen liefern die Rechenleistung für diese elektronischen Vorrichtungen. Eine Möglichkeit, die Rechenleistung in integrierten Schaltungen zu erhöhen, besteht darin, die Anzahl der Transistoren und anderer integrierter Schaltungsmerkmale zu erhöhen, die für eine bestimmte Fläche des Halbleitersubstrats verwendet werden können.
  • Um die Größe der Merkmale in integrierten Schaltungen weiter zu verringern, werden verschiedene Dünnschichtabscheidungstechniken umgesetzt. Diese Techniken können sehr dünne Schichten bilden. Allerdings gibt es auch bei Dünnschichtabscheidungstechniken große Schwierigkeiten, die richtige Bildung der Dünnschichten zu gewährleisten.
  • Figurenliste
    • 1 ist ein Blockdiagramm eines Dünnschichtabscheidungssystems nach einer Ausführungsform.
    • 2 ist eine Illustration eines Dünnschichtabscheidungssystems nach einer Ausführungsform.
    • 3 ist eine Illustration eines Dünnschichtabscheidungssystems nach einer Ausführungsform.
    • 4 ist eine Querschnittsansicht eines Halbleiterwafers nach einer Ausführungsform.
    • 5 ist eine Querschnittsansicht eines Halbleiterwafers nach einer Ausführungsform.
    • 6 ist ein Blockdiagramm eines Steuersystems nach einer Ausführungsform.
    • 7 bis 13 sind Ablaufdiagramme von Verfahren zur Erkennung von Defekten in Dünnschichten, nach verschiedenen Ausführungsformen
  • AUSFÜHRLICHE BESCHREIBUNG
  • In der folgenden Beschreibung werden viele Dicken und Materialien für verschiedene Schichten und Strukturen innerhalb eines integrierten Schaltungsdies beschrieben. Spezifische Abmessungen und Materialien sind beispielhaft für verschiedene Ausführungsformen angegeben. Fachleute auf dem Gebiet erkennen angesichts dieser Offenbarung, dass in vielen Fällen auch andere Abmessungen und Materialien verwendet werden können, ohne vom Anwendungsbereich dieser Offenbarung abzuweichen.
  • Die folgende Offenbarung stellt viele verschiedene Ausführungsformen oder Beispiele zur Umsetzung verschiedener Merkmale des beschriebenen Inhalts bereit. Spezifische Beispiele von Komponenten und Anordnungen sind nachfolgend beschrieben, um die vorliegende Beschreibung zu vereinfachen. Diese sind natürlich nur Beispiele, die nicht als einschränkend zu verstehen sind. Beispielsweise kann das Bilden eines ersten Elements oder eines zweiten Elements in der folgenden Beschreibung Ausführungsformen umfassen, bei denen das erste und das zweite Element in direktem Kontakt gebildet sind, und es kann außerdem Ausführungsformen umfassen, in denen weitere Elemente zwischen dem ersten und dem zweiten Element gebildet sein können, sodass das erste und das zweite Element nicht in direktem Kontakt stehen müssen. Weiterhin kann diese Offenbarung Referenzziffern und/oder - buchstaben der verschiedenen Beispiele wiederholen. Diese Wiederholung dient der Einfachheit und Klarheit und diktiert nicht für sich eine Beziehung zwischen den verschiedenen erklärten Ausführungsformen und/oder Konfigurationen.
  • Ferner können räumlich relative Begriffe wie „unter“, „darunter“, „unterer“, „über“, „oberer“ und dergleichen hierin für eine einfachere Beschreibung verwendet werden, um die Beziehung eines Elements oder Merkmals zu einem oder mehreren anderen Element(en) oder Merkmal(en) wie in den Figuren illustriert zu beschreiben. Die räumlich relativen Begriffe sollen zusätzlich zu der Ausrichtung, die in den Figuren dargestellt ist, verschiedene Ausrichtungen der Vorrichtung in der Verwendung oder im Betrieb umfassen. Die Vorrichtung kann anderweitig ausgerichtet sein (um 90 Grad gedreht oder in einer anderen Ausrichtung) und die räumlich relativen Bezeichnungen, die hierin verwendet werden, können ebenfalls entsprechend ausgelegt werden.
  • In der folgenden Beschreibung sind bestimmte spezifische Details dargelegt, um ein ausführliches Verständnis der verschiedenen Ausführungsformen der Offenbarung bereitzustellen. Ein Fachmann auf dem Gebiet versteht jedoch, dass die Offenbarung ohne diese spezifischen Details praktiziert werden kann. In anderen Fällen sind bekannte Strukturen, die mit elektronischen Komponenten und Herstellungstechniken assoziiert sind, nicht ausführlich beschrieben, um die Beschreibungen der Ausführungsformen dieser Offenbarung nicht unnötig zu verschleiern.
  • Sofern der Zusammenhang es nicht anders verlangt, sind in dieser Beschreibung und den folgenden Ansprüchen das Wort „umfassen“ und seine Variationen, wie etwa „umfasst“ und „umfassend“ in einem offenen, inklusiven Sinn auszulegen, also im Sinn von „einschließlich, aber nicht beschränkt auf“.
  • Die Verwendung von Ordinalzahlen wie erste, zweite und dritte impliziert nicht notwendigerweise eine Rangordnung, sondern dient nur der Unterscheidung zwischen mehreren Fällen einer Handlung oder Struktur.
  • In diesen Vorgaben bedeutet ein Verweis auf „eine Ausführungsform“, dass ein bestimmtes Merkmal, eine Struktur oder Eigenschaft, die in Verbindung mit der Ausführungsform beschrieben ist mindestens einer Ausführungsform umfasst ist. Daher bezieht sich das Auftreten der Begriffe „in einer Ausführungsform“ an verschiedenen Stellen in dieser Vorgabe nicht notwendigerweise immer auf dieselbe Ausführungsform. Außerdem können die spezifischen Merkmale, Strukturen oder Eigenschaften in jeder geeigneten Weise in einer oder mehreren Ausführungsformen kombiniert werden.
  • Wie in dieser Beschreibung und den anliegenden Ansprüchen verwendet, umfassen die Singularformen „ein“, „eine“ und „der/die/das“ auch Pluralverweise, sofern der Inhalt nicht klar etwas anderes verlangt. Es sollte angemerkt werden, dass der Begriff „oder“ allgemein in dem Sinn verwendet wird, der „und/oder“ umfasst, sofern der Inhalt nicht klar etwas anders verlangt.
  • Ausführungsformen dieser Offenbarung stellen Dünnschichten von zuverlässiger Dicke und Zusammensetzung bereit. Ausführungsformen dieser Offenbarung nutzen Maschinenlernverfahren, um Verunreinigungen oder andere Defekte in Dünnschichten zu erkennen. Die Verunreinigung kann vor Ort erkannt werden, wodurch ein sofortiger Abbruch von Dünnschichtabscheidungsprozessen unmittelbar nach einem fehlerhaften Abscheidungsprozess ermöglicht wird. Anstatt also eine große Anzahl von Wafern mit defekten Dünnschichten zu versehen, bevor die Prüfungen ein Problem erkennen können, werden Probleme sofort erkannt und weitere Wafer sind nicht betroffen. Integrierte Schaltungen, die die Dünnschichten umfassen, weisen keine Leistungsprobleme auf, die entstehen können, wenn die Dünnschichten nicht richtig gebildet sind. Außerdem werden die Batches von Halbleiterwafern eine verbesserte Ausbeute und weniger Ausschusswafer aufweisen.
  • 1 ist ein Blockdiagramm eines Dünnschichtabscheidungssystems 100 nach einer Ausführungsform. Das Dünnschichtabscheidungssystem 100 umfasst eine Dünnschichtabscheidungskammer 102, die ein Innenvolumen 103 definiert. Das Dünnschichtabscheidungssystem 100 umfasst eine Abscheidungsausrüstung 104, die so konfiguriert ist, dass sie einen Dünnschichtabscheidungsprozess auf einem Wafer 106 ausführt, der innerhalb des Innenvolumens 103 positioniert ist. Das Dünnschichtabscheidungssystem 100 umfasst eine Strahlungsquelle 108, einen Emissionssensor 110 und ein Steuersystem 112. Die Strahlungsquelle 108, der Emissionssensor 110 und das Steuersystem 112 arbeiten zusammen, um eine Verunreinigung einer auf dem Wafer 106 gebildeten Dünnschicht zu erkennen.
  • Das Dünnschichtabscheidungssystem 104 kann eine Abscheidungsausrüstung umfassen, die außerhalb der Dünnschichtabscheidungskammer 102, innerhalb der Dünnschichtabscheidungskammer 102 oder sowohl innerhalb als auch außerhalb der Dünnschichtabscheidungskammer 102 angeordnet ist. Die Abscheidungsausrüstung 104 kann Ausrüstung zum Ausführen eines oder mehrerer physischer Gasphasenabscheidungsprozesse (PVD), chemischer Gasphasenabscheidungsprozesse (CVD), Atomlagenabscheidungsprozesse (ALD) oder anderer Arten von Dünnschichtabscheidungsprozessen zur Bildung einer Dünnschicht auf dem Wafer 106 umfassen.
  • In einigen Fällen ist es möglich, dass eine Dünnschicht während oder nach einem Dünnschichtabscheidungsprozess verunreinigt wird. Verunreinigungen können durch Kontaminationen oder Unreinheiten in einem Zielmaterial, einem Vorläufermaterial oder anderen Materialien entstehen, die während eines Dünnschichtabscheidungsprozesses in die Dünnschichtabscheidungskammer 102 eingebracht werden. In vielen Fällen werden die Dünnschichtabscheidungsprozesse unter Vakuumbedingungen ausgeführt. Es ist möglich, dass durch ein Luftleck oder einen anderen Fehler in der Ausrüstung während eines Dünnschichtabscheidungsprozesses, bei dem Vakuumbedingungen vorgesehen sind, Außenluft in die Dünnschichtabscheidungskammer 102 eindringen kann. In diesem Fall ist es möglich, dass der Luftsauerstoff die Dünnschicht oxidiert. Wenn eine Oxidation der Dünnschicht auftritt, weist die Dünnschicht möglicherweise nicht die beabsichtigte Struktur, Zusammensetzung und Eigenschaften auf, um eine gewählte Funktion im Wafer 106 auszuführen.
  • Das Dünnschichtabscheidungssystem 100 nutzt die Strahlungsquelle 108, den Emissionssensor 110 und das Steuersystem 112, um Verunreinigungen der Dünnschichten zu erkennen. Die Strahlungsquelle 108 gibt ein Anregungslicht 109 ab. Das Anregungslicht 109 bestrahlt die auf dem Wafer 106 gebildete Dünnschicht. Durch die Bestrahlung der auf dem Wafer 106 gebildeten Dünnschicht können die Atome oder Moleküle der Dünnschicht angeregt werden. Die angeregten Atome oder Moleküle der Dünnschichten können in Reaktion auf die Anregung durch das Anregungslicht 109 Emissionen 111 abgeben. Die Emissionen 111 können Licht oder Teilchen, wie z. B. Elektronen, oder eine Kombination aus Licht und Teilchen umfassen. Die Emissionen 111 weisen in ihrer Gesamtheit ein Energiespektrum auf. Das Energiespektrum entspricht dem Spektrum von abgegebenem Licht oder dem Energiespektrum von abgegebenen Teilchen. Wenn die Emissionen 111 Photonen umfassen, entspricht das Energiespektrum einem Photonenspektrum mit den verschiedenen Wellenlängen, die mit den Emissionsphotonen assoziiert sind. Wenn die Emissionen 111 Teilchen, wie z. B. Elektronen, umfassen, dann entspricht das Energiespektrum den Energien der abgegebenen Teilchen. Das Energiespektrum kann einen Hinweis auf die Arten von Atomen, Molekülen oder Verbindungen geben, die in der Dünnschicht umfasst sind.
  • Wie hier verwendet, beziehen sich die Begriffe „Strahlung“ und „Anregungslicht“ auf elektromagnetische Strahlung innerhalb oder außerhalb des sichtbaren Spektrums. So kann das Anregungslicht 109 elektromagnetische Strahlung außerhalb des sichtbaren Spektrums umfassen.
  • Obwohl 1 illustriert, dass die Strahlungsquelle 108 innerhalb der Dünnschichtabscheidungskammer 102 positioniert ist, kann die Strahlungsquelle 108 auch außerhalb der Dünnschichtabscheidungskammer 102 positioniert sein. Die Strahlungsquelle 108 kann teilweise innerhalb der Dünnschichtabscheidungskammer 102 und teilweise außerhalb der Dünnschichtabscheidungskammer 102 positioniert sein. Wenn die Strahlungsquelle 108 außerhalb der Dünnschichtabscheidungskammer 102 positioniert ist, kann die Strahlungsquelle 108 den Wafer 106 über ein oder mehrere Fenster oder Öffnungen in einer Wand der Dünnschichtabscheidungskammer 102 bestrahlen.
  • Der Emissionssensor 110 ist so konfiguriert, dass er die Emissionen 111 erkennt. Die Dünnschicht kann in verschiedene Richtungen emittieren 111. Der Emissionssensor 110 ist so positioniert, dass ein Abschnitt der Emissionen 111 vom Emissionssensor 110 empfangen wird. Der Emissionssensor 110 erkennt die Wellenlängen der verschiedenen Emissionen 111, die vom Emissionssensor 110 empfangen werden. Der Emissionssensor 110 gibt Sensorsignale aus, die das Spektrum der Emissionen 111 anzeigen.
  • Obwohl 1 illustriert, dass der Emissionssensor 110 innerhalb der Dünnschichtabscheidungskammer 102 positioniert ist, kann der Emissionssensor 110 auch außerhalb der Dünnschichtabscheidungskammer 102 positioniert sein. Der Emissionssensor 110 kann teilweise innerhalb der Dünnschichtabscheidungskammer 102 und teilweise außerhalb der Dünnschichtabscheidungskammer 102 positioniert sein. Wenn der Emissionssensor 110 außerhalb der Dünnschichtabscheidungskammer 102 positioniert ist, kann der Emissionssensor 110 in über ein oder mehrere Fenster oder Öffnungen in einer Wand der Dünnschichtabscheidungskammer 102 Emissionen aufnehmen.
  • Das Steuersystem 112 ist mit der Strahlungsquelle 108, dem Emissionssensor 110 und der Abscheidungsausrüstung 104 gekoppelt. Das Steuersystem 112 empfängt die Sensorsignale vom Emissionssensor 110. Das Steuersystem 112 analysiert die Sensorsignale und ermittelt das Spektrum der Emissionen 111. Das Steuersystem 112 kann auf Grundlage des Spektrums der Emissionen 111 eine Verunreinigung der Dünnschicht erkennen.
  • Das Steuersystem 112 umfasst das Analysemodell 114. Das Analysemodell 114 wird mit einem Maschinenlernverfahren trainiert, um auf Grundlage des vom Emissionssensor 110 erkannten Emissionsspektrums eine Verunreinigung der Dünnschicht zu erkennen. Das Analysemodell 114 kann ein neuronales Netz oder eine andere Art von maschinellem Lernmodell umfassen. Wie in den 6 und 7 genauer dargelegt wird, wird das Analysemodell 114 mit einem Trainingssatz trainiert, der mehrere Spektren umfasst, die jeweils mit verunreinigten oder nicht verunreinigten Dünnschichten assoziiert sind. Der Maschinenlernprozess nutzt den Trainingssatz, um das Analysemodell 114 zu trainieren, damit es eine Verunreinigung der Dünnschicht auf der Grundlage des vom Emissionssensor 110 erkannten Emissionsspektrums zuverlässig erkennt.
  • Wenn das Steuersystem 112 eine Verunreinigung der Dünnschicht erkennt, kann das Steuersystem 112 verschiedene Reaktionsmaßnahmen ergreifen. Beispielsweise kann das Steuersystem 112 den Betrieb des Dünnschichtabscheidungssystems 100 auf Grundlage der Erkennung von Verunreinigungen in der Dünnschicht stoppen. Das Steuersystem 112 kann Informationen ausgeben, die die Art der Verunreinigung anzeigen. Wenn das Analysemodell 114 beispielsweise erkennt, dass das Spektrum eine unerwünschte Oxidation der Dünnschicht anzeigt, kann das Steuersystem 112 eine Sauerstoffverunreinigung anzeigen. Wenn das Analysemodell 114 andere Arten von Verunreinigung erkennt, kann das Steuersystem 112 Informationen ausgeben, die auf andere Arten von Verunreinigung hinweisen.
  • Das Steuersystem 112 kann eine Verunreinigung der Dünnschicht vor Ort erkennen. Anders ausgedrückt, das Steuersystem 112 kann eine Verunreinigung der Dünnschicht während des Dünnschichtabscheidungsprozesses oder kurz nach dem Dünnschichtabscheidungsprozess erkennen, während sich der Wafer 106 noch in der Dünnschichtabscheidungskammer befindet. Dies kann enorme Vorteile bieten, da jeder Wafer 106 überwacht werden kann und Verunreinigungen sofort erkannt werden können und nicht erst später, wenn möglicherweise eine große Anzahl von Wafern 106 verarbeitet und verunreinigt wurde. Dies erhöht die Waferausbeute und verringert die Anzahl der Ausschusswafer.
  • Das Steuersystem 112 kann Verarbeitungs-, Speicher- und Informationsübertragungsressourcen umfassen. Die Verarbeitungs-, Speicher- und Informationsübertragungsressourcen können sich in einer Einrichtung des Dünnschichtabscheidungssystems 100 befinden. Alternativ können sich die Verarbeitungs-, Speicher- und Informationsübertragungsressourcen entfernt von der Einrichtung des Dünnschichtabscheidungssystems 100 befinden. Das Steuersystem 112 kann ein verteiltes Steuersystem mit Ressourcen an mehreren Standorten sein. Das Steuersystem 112 kann cloudbasierte Ressourcen und lokale physische Ressourcen umfassen.
  • 2 ist ein Blockdiagramm eines Dünnschichtabscheidungssystems 200 nach einer Ausführungsform. Das Dünnschichtabscheidungssystem 200 ähnelt das Dünnschichtabscheidungssystem 100 aus 1, mit dem Unterschied, dass das Dünnschichtabscheidungssystem 200 ein PVD-System ist, die einen Anregungslaser und einen Lichtsensor umsetzt. Das System 100 kann die mit Verweis auf 2 beschriebenen Komponenten, Systeme und Prozesse verwenden. Das Dünnschichtabscheidungssystem 200 umfasst eine Dünnschichtabscheidungskammer 202, die ein Innenvolumen 203 definiert. Ein Waferträger 222 stützt einen Wafer 206 innerhalb des Innenvolumens 203 der Dünnschichtabscheidungskammer 202.
  • Im Beispiel von 2 ist das Dünnschichtabscheidungssystem 200 ein PVD-Sputterabscheidungssystem, obwohl auch andere Arten von Abscheidungssystemen verwendet werden können, ohne dass dies vom Anwendungsbereich dieser Offenbarung abweicht. Das Dünnschichtabscheidungssystem 200 umfasst eine Sputter-Magnetron-Kathode 216 und ein Sputterziel 218. Während des Abscheidungsprozesses legt eine Spannungsquelle 220 ein Spannungssignal an die Sputter-Magnetron-Kathode 216 an. Das Ergebnis ist, dass Atome aus dem Sputterziel 218 herausgeschleudert werden. Der Waferträger 222 wirkt als geerdete Anode des Sputtersystems. Die Atome aus dem Sputterziel 218 sammeln sich auf der Fläche des Wafers 206. Dies führt dazu, dass eine Dünnschicht auf dem Wafer 206 abgeschieden wird.
  • Das Dünnschichtabscheidungssystem 200 umfasst auch einen Abluftkanal 224, der kommunikativ mit dem Innenvolumen 203 der Dünnschichtabscheidungskammer 202 verbunden ist. Ein Ventil 226 koppelt den Abluftkanal 224 mit einer Pumpe 228. Vor dem Dünnschichtabscheidungsprozess wird das Ventil 226 geöffnet und die Pumpe 228 wird aktiviert. Die Pumpe 228 erzeugt ein Vakuum im Innenraum 203 durch Abpumpen von Flüssigkeiten aus dem Innenraum 203. Wenn das Innenvolumen unterhalb eines Schwellendrucks liegt, d. h. im Wesentlichen im Vakuum, kann der PVD-Prozess beginnen.
  • In einem Beispiel ist der Dünnschichtabscheidungsprozess ein Titannitrid-Abscheidungsprozess. In diesem Fall ist das Sputterziel 218 ein Titansputterziel. Nachdem das Innenvolumen durch die Pumpe 228 evakuiert wurde, wird Stickstoff in das Innenvolumen 203 eingeleitet. Der Sputterprozess beginnt in Anwesenheit des Stickstoffs. Dies führt dazu, dass eine Titannitriddünnschicht auf dem Wafer 206 abgeschieden wird.
  • In manchen Fällen ist es möglich, dass durch ein Leck in der Dünnschichtabscheidungskammer 202 während des Abscheidungsprozesses Luft in das Innenvolumen 203 eindringen kann. Wenn dies geschieht, kann die Titannitriddünnschicht oxidieren, was zum Vorhandensein von Titanoxid in der Dünnschicht führt. Das Vorhandensein von Titanoxid in der Dünnschicht führt dazu, dass die Dünnschicht ihre Funktion als Sperrschicht bzw. Klebeschicht nicht ausführen kann.
  • Um Oxidation oder andere Verunreinigungen der Dünnschicht zu erkennen, umfasst das Dünnschichtabscheidungssystem 200 einen Anregungslaser 208 und einen Lichtsensor 210. Der Anregungslaser 208 und der Lichtsensor 210 können in einem Rohr 213 positioniert sein, das sich von einer Außenseite der Dünnschichtabscheidungskammer 202 in das Innere der Dünnschichtabscheidungskammer 202 erstreckt. Die Innenfläche des Rohrs 213 kann im Wesentlichen über den größten Abschnitt der Ausdehnung des Rohrs 213 reflektierend sein. Ein Ende des Rohrs 213 kann transparent sein, so dass Anregungslicht und Emissionsphotonen hindurchtreten können. In 2 ist der transparente Abschnitt des Rohrs durch gestrichelte Linien gekennzeichnet. In einem Beispiel unterscheidet sich der transparente Abschnitt des Rohrs von dem reflektierenden Abschnitt des Rohrs dadurch, dass der transparente Abschnitt des Rohrs 213 keine reflektierende Beschichtung umfasst, während der reflektierende Abschnitt des Rohrs 213 eine reflektierende Beschichtung umfasst.
  • Der Anregungslaser 208 gibt Anregungslicht 209 ab. Das Anregungslicht wird innerhalb des reflektierenden Abschnitts der Röhre reflektiert. Am nicht-reflektierenden Abschnitt des Rohres tritt das Anregungslicht 209 aus dem Rohr 213 in das Innenvolumen 203 der Dünnschichtabscheidungskammer 202. Das Anregungslicht 209 bestrahlt dann den Wafer 206. Insbesondere bestrahlt das Anregungslicht 209 die abgeschiedene Dünnschicht auf dem Wafer 206.
  • Ein Abschnitt des Anregungslichts 209 wird von der Dünnschicht absorbiert. Dadurch gehen Valenzelektronen in den Atomen oder Verbindungen der Dünnschicht von niedrigeren Energieniveaus auf höhere Energieniveaus über. Anschließend kehren die Elektronen von den höheren Energieniveaus zu den niedrigeren Energieniveaus zurück. Wenn die Elektronen von den höheren Energieniveaus zu den niedrigeren Energieniveaus zurückkehren, emittieren die Elektronen Emissionsphotonen 211 mit einer Energie, die der Differenz der Energieniveaus entspricht.
  • Das Spektrum der von der Dünnschicht abgegebenen Emissionsphotonen 211 ist ein Indikator für die Zusammensetzung der Dünnschicht. Unterschiedliche Materialien emittieren Photonen unterschiedlicher Wellenlängen auf Grundlage der Atome oder Moleküle, aus denen die Materialien bestehen. So ist das Photonenspektrum der Emissionsphotonen 211 aus der Dünnschicht in Reaktion auf die Bestrahlung mit dem Anregungslicht ein Indikator für die Zusammensetzung der Dünnschicht.
  • Der Lichtsensor 210 ist so konfiguriert, dass er die Emissionsphotonen 211 empfängt und erkennt. Insbesondere ist der Lichtsensor 210 am transparenten Ende des Rohrs 213 so positioniert, dass die Emissionsphotonen 211 das Rohr 213 durchdringen und vom Lichtsensor 210 empfangen werden können. Der Lichtsensor 210 kann so konfiguriert werden, dass er Licht in einem Wellenlängenbereich erkennt, der einem erwarteten Wellenlängenbereich für Emissionsphotonen zu 211 von verunreinigten und nicht verunreinigten Dünnschichten entspricht.
  • Wieder mit Verweis auf das Beispiel, in dem das Dünnschichtabscheidungssystem 200 eine Titannitriddünnschicht abscheidet, gibt der Anregungslaser 208 ein Anregungslicht zwischen 300 nm und 330 nm ab. Dieser Bereich wurde gewählt, weil eine mögliche Verunreinigung des Titannitrids die Oxidation des Titannitrids ist. Durch Oxidation des Titannitrids entsteht Titanoxid, das ein Halbleitermaterial mit einer Bandlücke von etwa 3,2 eV ist. Photonen im Bereich von 300 nm und 330 nm weisen ausreichend Energie (~3,7 eV - 4,1 eV) auf, um Elektronen im Valenzband zum Übergang in das Leitungsband anzuregen. Entsprechend wird der Anregungslaser 208 so gewählt, dass die Anregungsphotonen eine Energie haben, die größer ist als die Bandlücke von Titanoxid. Elektronen im Valenzband können Photonen des Anregungslichts absorbieren und durch die Bandlücke in das Leitungsband übergehen. Wenn die Elektronen vom Leitungsband zurück in das Valenzband übergehen, emittieren die Elektronen Emissionsphotonen 211 mit einer Energie, die der Differenz zwischen dem Energieniveau des Valenzbandes und dem Energieniveau entspricht, von dem das Elektron in das Leitungsband zurückgekehrt ist.
  • In einem Beispiel weist TiO2 ein Fotolumineszenzspektrum mit einer Intensitätsspitze auf, die um 360 nm zentriert ist. So kann die Analyse des Spektrums der Emissionsphotonen 211 anzeigen, ob das Spektrum TiO2 entspricht, was auf eine Verunreinigung der Dünnschicht durch Oxidation hinweist. In diesem Beispiel kann der Lichtsensor 210 ein Sensor für ultraviolette Strahlung mit besonderer Empfindlichkeit für ultraviolettes Licht in einem Bereich zwischen 200 nm und 400 nm sein. Entsprechend kann der Anregungslaser 208 ein Ultraviolettlaser sein.
  • Während ein spezielles Beispiel für eine durch Oxidation verunreinigte Titannitriddünnschicht gegeben wurde, kann das Dünnschichtabscheidungssystem 200 viele andere Arten von Abscheidungsprozessen, Dünnschichten, Verunreinigungserkennungen, Strahlungsquellen und Strahlungssensoren umfassen, als die hier beschriebenen speziellen Beispiele, ohne vom Umfang dieser Offenbarung abzuweichen. Die Dünnschicht kann Ti, TiAl, TiON, TiAlO, TiAl, TiAlC, ein Middle-End-of-Line-Kontaktmetall (MEOL-Kontaktmetall), eine Front-End-of-Line-Abdeckung (FEOL-Abdeckung) mit hohem K-Wert oder ein Metallgate oder andere Arten von Dünnschichten umfassen.
  • Das Steuersystem 212 ist mit dem Anregungslaser 208, dem Lichtsensor 210 und der Spannungsquelle 220 gekoppelt. Das Steuersystem 212 empfängt Sensorsignale vom Lichtsensor 210. Die Sensorsignale des Lichtsensors 210 zeigen das Spektrum der Emissionsphotonen 211 an, die der Lichtsensor 210 von der Dünnschicht empfängt. Das Steuersystem 212 analysiert die Sensorsignale, um festzustellen, ob das Spektrum der Emissionsphotonen einer verunreinigten Dünnschicht oder einer korrekt gebildeten Dünnschicht entspricht. Stellt das Steuersystem 212 fest, dass das Photonenspektrum einer verunreinigten Dünnschicht entspricht, kann das Steuersystem 212 das Dünnschichtabscheidungssystem 200 abschalten und eine Warnmeldung ausgeben. Im Beispiel der Oxidation einer Titannitriddünnschicht kann der Alarm auf ein Leck in der Dünnschichtabscheidungskammer 202 hinweisen.
  • Das Steuersystem 212 umfasst ein Analysemodell 214. Das Analysemodell 214 wird mit einem Maschinenlernverfahren trainiert, um zuverlässig Photonenspektren zu erkennen, die auf verschiedene Arten von Verunreinigungen oder korrekt gebildete Dünnschichten hinweisen. Weitere Details zum Training eines Analysemodells sind mit Verweis auf 6 und 7 bereitgestellt.
  • Während 2 einen Anregungslaser 208 und einen Lichtsensor 210 illustriert, der Emissionsphotonen erkennt, kann das Dünnschichtabscheidungssystem 200 auch andere Arten von Anregungsquellen und Strahlungssensoren umfassen. In einer Ausführungsform ist die Anregungsquelle eine Röntgenquelle, die Röntgenstrahlung abgibt. Die Röntgenquelle bestrahlt die Dünnschicht mit Röntgenstrahlen. Röntgenstrahlen sind hochenergetische Photonen. Die hochenergetischen Röntgenphotonen regen die Dünnschicht an und bewirken, dass die Dünnschicht über den fotoelektrischen Effekt Elektronen abgibt.
  • Im Beispiel einer Röntgenquelle ist der Lichtsensor 210 stattdessen ein Fotoelektronensensor. Die Emission der Dünnschicht, der auf die Röntgenstrahlen reagiert, sind Fotoelektronen. Der Fotoelektronensensor kann die Energie der von der Dünnschicht empfangenen Elektronen über den Fotoelektrischen Effekt bestimmen. Da die Energie der Röntgenstrahlen bekannt ist und die Energie der abgegebenen Elektronen durch den Fotoelektronensensor gemessen wird, kann die Elektronenbindungsenergie der abgegebenen Elektronen bestimmt werden. Die Elektronenbindungsenergie der aus der Dünnschicht abgegebenen Elektronen ist ein Indikator für das Material der Dünnschicht. So kann durch die Analyse des Energiespektrums der abgegebenen Elektronen die Zusammensetzung der Dünnschicht bestimmt werden. In diesem Fall kann das Analysemodell auf Grundlage des Energiespektrums der Fotoelektronen feststellen, ob die Dünnschicht verunreinigt wurde.
  • 3 ist eine Illustration eines Dünnschichtabscheidungssystems 300 nach einer Ausführungsform. Das Dünnschichtabscheidungssystem 300 ähnelt in vielerlei Hinsicht den Dünnschichtabscheidungssystemen 100, 200 der 1 und 2, mit der Ausnahme, dass das Dünnschichtabscheidungssystem 300 separate Kammern für die Dünnschichtabscheidung und die Dünnschichtmessung umfasst. Das Dünnschichtabscheidungssystem 300 umfasst eine Dünnschichtabscheidungskammer 302 und eine Dünnschichtanalysekammer 334. Das Dünnschichtabscheidungssystem 300 umfasst eine Abscheidungsausrüstung 304, die so konfiguriert ist, dass sie einen Dünnschichtabscheidungsprozess auf einem Wafer 306 ausführt, der durch einen Träger 322 in der Dünnschichtabscheidungskammer 302 getragen wird.
  • Die Dünnschichtanalysekammer 334 und die Dünnschichtabscheidungskammer 302 sind über einen Transferkanal 332 kommunikativ gekoppelt. Nachdem ein Dünnschichtabscheidungsprozess auf den Wafer 306 ausgeführt wurde, wird der Wafer 306 über den Transferkanal 332 in die Dünnschichtanalysekammer 334 transportiert. Die Dünnschichtanalysekammer 334 umfasst einen Träger 330. Der Wafer 306 wird auf dem Träger 330 positioniert, nachdem er aus der Dünnschichtabscheidungskammer 302 transferiert wurde. Der Wafer 306 kann von einem Roboterarm (in 3 nicht abgebildet) transportiert werden.
  • Da in einer Ausführungsform die Dünnschichtabscheidungskammer 302 und die Dünnschichtanalysekammer 334 durch den Transferkanal 332 miteinander gekoppelt sind, wird der Vakuum- oder Druckzustand in der Dünnschichtabscheidungskammer 302 an die Dünnschichtanalysekammer 334 kommuniziert. Das bedeutet, dass der Wafer 306 bei der Übertragung des Wafers 306 von der Dünnschichtabscheidungskammer 302 in die Dünnschichtanalysekammer 334 keine zusätzliche Verunreinigungsumgebung durchläuft.
  • Eine Strahlungsquelle 308 und der Emissionssensor 310 sind in oder benachbart zu der Dünnschichtanalysekammer 334 positioniert. Die Strahlungsquelle 308 ist so konfiguriert, dass der Wafer 306 mit Anregungslicht bestrahlt wird. Der Emissionssensor 310 ist so konfiguriert, dass er die Emissionen des Wafers 306 in Reaktion auf das Anregungslicht empfängt und erkennt. Die Strahlungsquelle 308 und der Emissionssensor 310 können die gleichen Arten von Strahlungsquellen und Emissionssensoren umfassen, wie sie in Bezug auf 1 und 2 beschrieben sind.
  • Das Steuersystem 312 kann die Emissionsspektrumsignale vom Emissionssensor 310 empfangen. Das Analysemodell 314 kann das Spektrum analysieren und feststellen, ob die Dünnschicht verunreinigt ist oder nicht. Wenn die Dünnschicht verunreinigt ist, kann das Steuersystem 312 einen Alarm ausgeben und den Betrieb des Dünnschichtabscheidungssystems 300 anhalten.
  • 4 ist eine Querschnittsansicht eines Wafers 406, nach einer Ausführungsform. Der Wafer 406 umfasst eine Nanosheetstruktur 440. Über der Nanosheetstruktur befindet sich eine Grenzflächenschicht 442. Eine Gatedielektrikumschicht 444 mit hohem k-Wert befindet sich an der Grenzflächenschicht 442 und an den Seitenwänden eines Grabens 448, der in einer Schicht aus Dielektrikum 445 gebildet wird. Der Graben 448 ist so gebildet, dass er von einer Gateelektrode eines Nanosheettransistors gefüllt wird.
  • Vor der Abscheidung der Gateelektrode wird eine Schicht aus Titannitrid 446 auf der Gatedielektrikumschicht 444 mit hohem k-Wert gebildet. Die Schicht aus Titannitrid dient als Austrittsarbeitsschicht für die Gateelektrode, die im Graben 448 gebildet wird. Das Titannitrid erhöht die Austrittsarbeit und verbessert die Gesamtfunktion des Nanosheettransistors.
  • Die Schicht aus Titannitrid 446 ist ein Beispiel für eine Dünnschicht, die in den Dünnschichtabscheidungssystemen der 1-3 gebildet wird. Nach der Bildung der Titannitridschicht 446 bestrahlt eine Strahlungsquelle die Titannitridschicht 446 mit Anregungslicht 409. Das Anregungslicht 409 kann den verschiedenen Beispielen für Anregungslicht entsprechen, die in Bezug auf 1 bis 3 genannt sind. So kann das Anregungslicht ultraviolette Strahlung, Röntgenstrahlung oder andere Arten von Strahlung umfassen, die von einer Strahlungsquelle abgegeben werden.
  • Die Schicht aus Titannitrid 446 absorbiert einen Abschnitt des Anregungslichts 409 und gibt Emissionen 411 ab. Die Emissionen 411 können Fotolumineszenz-Photonen umfassen, die von der Titannitridschicht 446 in Reaktion auf die Absorption des Anregungslichts 409 abgegeben werden. Alternativ können die Emissionen 411 auch Fotoelektronen umfassen, die von der Titannitridschicht 446 in Reaktion auf die Absorption des Anregungslichts 409 ausgestoßen werden.
  • Ein Strahlungssensor (nicht gezeigt) kann die Emissionen 411 empfangen und erkennen. Der Strahlungssensor kann die in Bezug auf 1 bis 3 beschriebenen Typen von Emissionssensoren oder andere Typen von Strahlungssensoren umfassen. Der Strahlungssensor kann Sensorsignale an ein Steuersystem liefern, das ein Analysemodell umfasst, wie in Bezug auf 1 bis 3 beschrieben. Das Steuersystem und das Analysemodell können auf Grundlage des Spektrums der Emissionen 411 feststellen, ob das Titannitrid verunreinigt wurde, wie zuvor in Bezug auf 1 bis 3 beschrieben und wie in Bezug auf 6 und 7 noch näher erläutert wird.
  • 5 ist eine Querschnittsansicht eines Wafers 506, nach einer Ausführungsform. Der Wafer 506 umfasst eine Nanosheetstruktur 540. Über der Nanosheetstruktur 540 befindet sich eine Grenzflächenschicht 542. Auf der Grenzflächenschicht 542 befindet sich eine Dielektrikumschicht 544 mit hohem k-Wert. Die Seitenwandabstandhalter 551 sind zu der Dielektrikumschicht 544 mit hohem k-Wert benachbart angeordnet. Eine Austrittsarbeitsschicht aus Titannitrid 546 ist auf der Dielektrikumschicht 544 mit hohem k-Wert positioniert. Die Gateelektrode 550 ist in Kontakt mit der Austrittsarbeitsschicht aus Titannitrid 546 gebildet. Die Gräben 552 sind in einer Schicht aus Dielektrikum 555 gebildet. Die Gräben 552 dienen den Source- und Drainelektroden. Eine Sourceregion 553 an der Drainregion 557 oder zu der Nanosheetstruktur 540 benachbart. Die Silizidschichten 554 und 556 sind an den Source- und Drainregionen 53 und 557 positioniert. Eine Klebeschicht aus Titannitrid 556 wird auf der Schicht aus Dielektrikum 555, an den Seitenwänden der Gräben 552 und auf der Gateelektrode 550 gebildet.
  • Die Schicht aus Titannitrid 556 ist ein Beispiel für eine Dünnschicht, die in den Dünnschichtabscheidungssystemen der 1-3 gebildet wird. Nach der Bildung der Titannitridschicht 556 bestrahlt eine Strahlungsquelle die Titannitridschicht 556 mit Anregungslicht 509. Das Anregungslicht 509 kann den verschiedenen Beispielen für Anregungslicht entsprechen, die in Bezug auf 1 bis 3 genannt sind. So kann das Anregungslicht ultraviolette Strahlung, Röntgenstrahlung oder andere Arten von Strahlung umfassen, die von einer Strahlungsquelle abgegeben werden.
  • Die Schicht aus Titannitrid 556 absorbiert einen Abschnitt des Anregungslichts 509 und gibt Emissionen 511 ab. Die Emissionen 511 können Fotolumineszenz-Photonen umfassen, die von der Titannitridschicht 556 in Reaktion auf die Absorption des Anregungslichts 509 abgegeben werden. Alternativ können die Emissionen 511 auch Fotoelektronen umfassen, die von der Titannitridschicht 556 in Reaktion auf die Absorption des Anregungslichts 509 ausgestoßen werden.
  • Ein Strahlungssensor (nicht gezeigt) kann die Emissionen 511 empfangen und erkennen. Der Strahlungssensor kann die in Bezug auf 1 bis 3 beschriebenen Typen von Emissionssensoren oder andere Typen von Strahlungssensoren umfassen. Der Strahlungssensor kann Sensorsignale an ein Steuersystem liefern, das ein Analysemodell umfasst, wie in Bezug auf 1 bis 3 beschrieben. Das Steuersystem und das Analysemodell können auf Grundlage des Spektrums der Emissionen 511 feststellen, ob das Titannitrid verunreinigt wurde, wie zuvor in Bezug auf 1 bis 3 beschrieben und wie in Bezug auf 6 noch näher erläutert wird.
  • Während bestimmte Schichten aus Titannitrid in Bezug auf 4 und 5 beschrieben sind, erstrecken sich die Grundsätze dieser Offenbarung auf andere Arten von abgeschiedenen Dünnschichten und andere Arten von Strukturen und mit anderen Arten von Abscheidungsprozessen. Die Erkennung von Verunreinigungen mit einem Analysemodell, einer Strahlungsquelle und einem Emissionssensor kann für mehrere Dünnschichten und viele verschiedene Arten von Verunreinigungen verwendet werden.
  • 6 ist ein Blockdiagramm eines Steuersystems 612 nach einer Ausführungsform. Die Steuersysteme 112, 212 und 312 von 1 bis 3 können die Komponenten und die Funktionalität des Steuersystems 612 umfassen. Entsprechend kann das Steuersystem 612 mit den in Bezug auf 1 bis 5 beschriebenen Systemen, Prozesse und Komponenten umgesetzt werden. Das Steuersystem 612 aus 6 ist nach einer Ausführungsform für die Steuerung des Betriebs eines Dünnschichtabscheidungssystems konfiguriert. Das Steuersystem 612 nutzt Maschinenlernen, um festzustellen, ob eine Dünnschicht verunreinigt oder anderweitig nicht korrekt gebildet ist. Das Steuersystem 612 kann eine Verunreinigung der Dünnschicht erkennen und weitere Dünnschichtabscheidungsprozesse stoppen, bevor weitere Wafer mit nicht ordnungsgemäß gebildeten Dünnschichten betroffen werden können. Das Steuersystem 612 kann einen Alarm auslösen, der ein Problem mit dem Dünnschichtabscheidungsprozess anzeigt.
  • In einer Ausführungsform umfasst das Steuersystem 612 ein Analysemodell 614 und ein Trainingsmodul 660. Das Trainingsmodul trainiert das Analysemodell 614 mit einem Maschinenlernprozess. Der Maschinenlernprozess trainiert das Analysemodell 614, um auf Grundlage der Emissionsspektren der Dünnschicht zu erkennen, ob eine Dünnschicht verunreinigt ist oder nicht. Obwohl das Trainingsmodul 660 als vom Analysemodell 614 getrennt dargestellt ist, kann das Trainingsmodul 660 in der Praxis Abschnitt des Analysemodells 614 sein.
  • Das Steuersystem 612 umfasst oder speichert Trainingsdatensätze 642. Der Trainingsdatensatz 642 umfasst historische Dünnschichtspektrumsdaten 664 und Verunreinigungslabeldaten 666. Die historischen Dünnschichtspektrumsdaten 664 umfassen Emissionsspektren für eine große Anzahl von Dünnschichten. Die Verunreinigungslabeldaten 666 umfassen für jedes Emissionsspektrum in den historischen Dünnschichtspektrumsdaten 664 Daten, die angeben, ob das Emissionsspektrum einer verunreinigten Dünnschicht entspricht oder nicht. Wie im Folgenden näher erläutert wird, nutzt das Trainingsmodul 660 die historischen Dünnschichtspektrumsdaten 664 und die Verunreinigungslabeldaten 666, um das Analysemodell 614 mit einem Maschinenlernverfahren zu trainieren.
  • In einer Ausführungsform umfassen die historischen Dünnschichtspektrumsdaten 664 Daten, die sich auf Emissionsspektren für eine große Anzahl von Dünnschichten beziehen. Die Emissionsspektren umfassen das Spektrum der Photonen oder Fotoelektronen, die von jeder der vielen Dünnschichten abgegeben werden. Im Falle von Photonenspektren umfasst jedes Spektrum die Verteilung von Photonen verschiedener Energien, Wellenlängen oder Frequenzen für eine bestimmte, zuvor analysierte Dünnschicht. Im Falle der Elektronenspektren umfasst jedes Spektrum die Energieverteilung der Elektronen für eine bestimmte, zuvor analysierte Dünnschicht.
  • In einer Ausführungsform umfassen die Verunreinigungslabeldaten 666 für jedes historische Dünnschichtspektrum in den historischen Dünnschichtspektrumsdaten 664 ein entsprechendes Label. Jedes Label zeigt entweder Verunreinigung oder Nicht-Verunreinigung an. Da mehrere Arten von Verunreinigungen vorliegen können, können auch mehrere Arten von Verunreinigungslabels geben. Anders ausgedrückt: Labels, die Verunreinigungen anzeigen, können abhängig von den verschiedenen Möglichkeiten, wie eine Dünnschicht während eines Dünnschichtabscheidungsprozesses verunreinigt werden kann, in eine von mehreren Kategorien von Verunreinigungen fallen.
  • In einer Ausführungsform umfasst das Analysemodell 614 ein neuronales Netz. Das Training des Analysemodells 614 wird in Bezug auf ein neuronales Netz beschrieben. Es können jedoch auch andere Arten von Analysemodellen oder Algorithmen verwendet werden, ohne dass dies vom Anwendungsbereich dieser Offenbarung abweicht. Das Trainingsmodul 660 verwendet den Trainingsdatensatz 642, um das neuronale Netz mit einem Maschinenlernprozess zu trainieren. Während des Trainingsprozesses erhält das neuronale Netz als Eingabe historische Dünnschichtspektrumsdaten 664 aus dem Trainingsdatensatz 662. Während des Trainingsprozesses gibt das neuronale Netzwerk vorhergesagte Kategoriedaten aus. Die vorhergesagten Kategoriedaten sagen für jedes Dünnschichtspektrum, das dem Analysemodell 614 zur Verfügung gestellt wird, die Kategorie voraus, in die das Spektrum fällt. Die Kategorien können Verunreinigung, Nicht-Verunreinigung oder verschiedene einzelne Kategorien von Verunreinigung und Nicht-Verunreinigung umfassen. Der Trainingsprozess trainiert das neuronale Netzwerk, um vorhergesagte Kategoriedaten zu erzeugen, die zu den Verunreinigungslabeldaten 666 für jedes Dünnschichtspektrum passen.
  • In einer Ausführungsform umfasst das neuronale Netzwerk mehrere neuronale Schichten. Die verschiedenen neuronalen Schichten umfassen Neuronen, die eine oder mehrere interne Funktionen definieren. Die internen Funktionen basieren auf Gewichtungswerten, die mit den Neuronen jeder neuronalen Schicht des neuronalen Netzes assoziiert sind. Während des Trainings vergleicht das Steuersystem 612 für jeden Satz historischer Dünnschichtspektrumsdaten die vorhergesagten Kategoriedaten mit dem tatsächlichen Label aus den Verunreinigungslabeldaten 666. Das Steuersystem erzeugt eine Fehlerfunktion, die angibt, wie genau die vorhergesagten Kategoriedaten zu den Verunreinigungslabeldaten 666 passen. Das Steuersystem 612 passt dann die internen Funktionen des neuronalen Netzes an. Da das neuronale Netzwerk vorhergesagte Kategoriedaten auf Grundlage der internen Funktionen generiert, führt eine Anpassung der internen Funktionen zur Generierung unterschiedlicher vorhergesagter Kategoriedaten für einen gleichen Satz historischer Dünnschichtspektrumsdaten. Die Anpassung der internen Funktionen kann zu vorhergesagten Kategoriedaten führen, die größere Fehlerfunktionen (schlechtere Anpassung an die Verunreinigungslabeldaten 666) oder kleinere Fehlerfunktionen (bessere Anpassung an die Verunreinigungslabeldaten 666) erzeugen.
  • Nach der Anpassung der internen Funktionen des neuronalen Netzes werden die historischen Dünnschichtspektrumsdaten 664 erneut an das neuronale Netz übergeben und das Analysemodell 614 erzeugt erneut vorhergesagte Kategoriedaten. Das Trainingsmodul 660 vergleicht erneut die vorhergesagten Kategoriedaten mit den Verunreinigungslabeldaten 666. Das Trainingsmodul 660 passt erneut die internen Funktionen des neuronalen Netzes an. Dieser Prozess wird in einer sehr großen Anzahl von Iterationen der Überwachung der Fehlerfunktionen und der Anpassung der internen Funktionen des neuronalen Netzes wiederholt, bis ein Satz interner Funktionen gefunden wird, der zu vorhergesagten Kategoriedaten führt, die zu den Verunreinigungslabeldaten 666 über den gesamten Trainingssatz passen.
  • Zu Beginn des Trainingsprozesses passen die vorhergesagten Kategoriedaten wahrscheinlich nicht sehr gut zu den Verunreinigungslabeldaten 666. Da der Trainingsprozess jedoch durch viele Iterationen der Anpassung der internen Funktionen des neuronalen Netzwerks fortschreitet, werden die Fehlerfunktionen tendenziell kleiner und kleiner, bis ein Satz interner Funktionen gefunden wird, der zu vorhergesagten Kategoriedaten führt, die mit den Verunreinigungslabeldaten 666 übereinstimmen. Die Identifizierung eines Satzes interner Funktionen, der zu vorhergesagten Kategoriedaten führt, die zu den Verunreinigungslabeldaten 666 passen, entspricht dem Abschluss des Trainingsprozesses. Sobald der Trainingsprozess abgeschlossen ist, kann das neuronale Netz zur Anpassung der Prozessparameter für die Dünnschichtabscheidung verwendet werden.
  • In einer Ausführungsform kann das Analysemodell 614, nachdem es trainiert wurde, zur Analyse von Emissionsspektren von Dünnschichten verwendet werden. Insbesondere kann, wie in Bezug auf 1 bis 5 beschrieben, eine Dünnschicht mit einem Anregungslicht aus einer Strahlungsquelle bestrahlt werden. Die Dünnschicht gibt dann Emissionen ab, wie z. B. jeweils Fotolumineszenz-Photonen oder Fotoelektronen. Ein Strahlungssensor kann dann das Energiespektrum der Missionen erkennen. Der Strahlungssensor kann die Sensorsignale an das Analysemodell 614 weitergeben. Das Analysemodell 614 analysiert die Spektrumsdaten und ordnet das Spektrum einer Kategorie zu. Die Kategorie kann Verunreinigung, Nicht-Verunreinigung oder verschiedene Unterkategorien von Verunreinigung und Nicht-Verunreinigung umfassen. Das Steuersystem 612 kann eine Warnung ausgeben und weitere Dünnschichtabscheidungsprozesse stoppen, wenn die Kategorie eine Verunreinigung anzeigt.
  • In einer Ausführungsform umfasst das Steuersystem 612 Verarbeitungsressourcen 668, Speicherressourcen 670 und Kommunikationsressourcen 672. Die Verarbeitungsressourcen 668 können eine oder mehrere Steuergeräte oder Prozessoren umfassen. Die Verarbeitungsressourcen 668 sind so konfiguriert, dass sie Softwareanweisungen ausführen, Daten verarbeiten, Entscheidungen zur Steuerung der Dünnschichtabscheidung treffen, Signalverarbeitung ausführen, Daten aus dem Speicher lesen, Daten in den Speicher schreiben und andere Verarbeitungsvorgänge ausführen. Die Verarbeitungsressourcen 668 können physische Verarbeitungsressourcen 668 umfassen, die sich an einem Standort oder einer Einrichtung des Dünnschichtabscheidungssystems befinden. Die Verarbeitungsressourcen können virtuelle Verarbeitungsressourcen 668 umfassen, die vom Standort des Dünnschichtabscheidungssystems oder einer Einrichtung, in der sich das Dünnschichtabscheidungssystems befindet, entfernt sind. Die Verarbeitungsressourcen 668 können Cloud-basierte Verarbeitungsressourcen umfassen, wie etwa Prozessoren und Server, auf die über eine oder mehrere Cloud-Computing-Plattformen zugegriffen wird.
  • In einer Ausführungsform können die Speicherressourcen 670 einen oder mehrere computerlesbare Speicher umfassen. Die Speicherressourcen 670 sind so konfiguriert, dass sie Softwareanweisungen speichern, die mit der Funktion des Steuersystems und seiner Komponenten assoziiert sind, einschließlich, aber nicht beschränkt auf das Analysemodell 614. In den Speicherressourcen 670 können Daten gespeichert werden, die mit der Funktion des Steuersystems 612 und seiner Komponenten assoziiert sind. Die Daten können den Trainingsdatensatz 642, die Daten der aktuellen Prozessbedingungen und alle anderen Daten umfassen, die mit dem Betrieb des Steuersystems 612 oder einer seiner Komponenten assoziiert sind. Die Speicherressourcen 670 können physische Speicherressourcen umfassen, die sich am Standort oder in der Einrichtung des Dünnschichtabscheidungssystems 100 befinden. Die Speicherressourcen können virtuelle Speicherressourcen umfassen, die sich vom Standort oder der Einrichtung des Dünnschichtabscheidungssystems 100 entfernt befinden. Die Speicherressourcen 670 können cloudbasierte Speicherressourcen umfassen, auf die über eine oder mehrere Cloud-Computing-Plattformen zugegriffen wird.
  • In einer Ausführungsform können die Kommunikationsressourcen Ressourcen umfassen, die es dem Steuersystem 612 ermöglichen, mit Geräten zu kommunizieren, die mit dem Dünnschichtabscheidungssystem 100 assoziiert sind. Die Kommunikationsressourcen 672 können z. B. verkabelte und drahtlose Kommunikationsressourcen umfassen, die es dem Steuersystem 612 ermöglichen, die mit dem Dünnschichtabscheidungssystem assoziierten Sensordaten zu empfangen und die Geräte des Dünnschichtabscheidungssystems zu steuern. Die Kommunikationsressourcen 672 können es dem Steuersystem 612 ermöglichen, die verschiedenen Komponenten des Dünnschichtabscheidungssystems zu steuern. Die Kommunikationsressourcen 672 können es dem Steuersystem 612 ermöglichen, mit entfernten Systemen zu kommunizieren. Die Kommunikationsressourcen 672 können ein oder mehrere Netzwerke, wie z. B. Weitverkehrsnetze, drahtlose Netzwerke, das Internet oder ein Intranet, umfassen oder die Kommunikation darüber ermöglichen. Die Kommunikationsressourcen 672 können es Komponenten des Steuersystems 612 ermöglichen, miteinander zu kommunizieren.
  • In einer Ausführungsform wird das Analysemodell 614 über die Verarbeitungsressourcen 668, die Speicherressourcen 670 und die Kommunikationsressourcen 672 umgesetzt. Das Steuersystem 612 kann ein verteiltes Steuersystem mit Komponenten und Ressourcen und Standorten sein, die voneinander und von dem Dünnschichtabscheidungssystem entfernt sind.
  • Die in Bezug auf das Steuersystem 612 und das Analysemodell 614 beschriebenen Komponenten, Funktionen und Prozesse können auf die in Bezug auf 1 bis 5 beschriebenen Steuerungen und Analysemodelle erweitert werden.
  • 7 ist ein Ablaufdiagramm eines Prozesses 700 zum Trainieren eines Analysemodells, um zu bestimmen, ob eine Dünnschicht verunreinigt ist oder nicht, nach einer Ausführungsform. Der Prozess 700 kann unter Verwendung von Systemen, Komponenten und Prozessen umgesetzt werden, die in Bezug auf 1 bis 6 beschrieben sind. Der Prozess 700 kann auch mit anderen Systemen, Komponenten und Prozessen umgesetzt werden. Ein Beispiel für ein Analysemodell ist das Analysemodell 614 aus 6, obwohl der Prozess 700 aus 7 auf die Analysemodelle angewendet werden kann, die in jeder der vorherigen Figuren beschrieben sind. Die verschiedenen Schritte des Prozesses 700 können Komponenten, Prozesse und Techniken verwenden, die in Bezug auf 1 bis 6 beschrieben wurden. So wird 7 mit Bezug auf die 1-6 beschrieben.
  • Bei 702 sammelt der Prozess 700 Trainingsdaten, wie etwa historische Dünnschichtspektrumsdaten und Verunreinigungslabeldaten. Ein Beispiel für einen Trainingsdatensatz ist der Trainingsdatensatz 662 aus 6. Dies kann durch den Einsatz eines Data-Mining-Systems oder -Prozesses erreicht werden. Das Data-Mining-System oder der -Prozess kann einen Trainingsdatensatz durch Zugriff auf eine oder mehrere Datenbanken sammeln, die mit Dünnschichtabscheidungssystemen assoziiert sind, und verschiedene Arten von Daten sammelt und organisiert, die in der einen oder den mehreren Datenbanken umfasst sind. Das Data-Mining-System oder der -Prozess oder ein anderes System oder ein anderer Prozess kann die gesammelten Daten verarbeiten und formatieren, um einen Trainingsdatensatz zu erzeugen. Der Trainingsdatensatz kann historische Dünnschichtspektrumsdaten und Verunreinigungslabeldaten umfassen, wie in Bezug auf 6 beschrieben.
  • Bei 704 gibt der Prozess 700 historische Dünnschichtspektrumsdaten in das Analysemodell ein. In einem Beispiel kann dies die Eingabe von Verunreinigungslabeldaten in das Analysemodell mit einem Trainingsmodul umfassen, wie in Bezug auf 6 beschrieben. Ein Beispiel für Verunreinigungslabeldaten sind die Verunreinigungslabeldaten 666 aus 6. Die historischen Dünnschichtspektrumsdaten können in aufeinanderfolgenden diskreten Sätzen dem Analysemodell zur Verfügung gestellt werden. Ein Beispiel für historische Dünnschichtdaten sind die historischen Dünnschichtdaten 664 aus 6. Jeder diskrete Satz kann einer einzelnen Dünnschicht oder einer Gruppe von Dünnschichten entsprechen. Die historischen Dünnschichtspektrumsdaten können dem Analysemodell als Vektoren zur Verfügung gestellt werden. Jeder Satz kann einen oder mehrere Vektoren umfassen, die für den Empfang und die Verarbeitung durch das Analysemodell formatiert sind. Die historischen Dünnschichtspektrumsdaten können dem Analysemodell auch in anderen Formaten zur Verfügung gestellt werden, ohne den Rahmen dieser Offenbarung zu verlassen.
  • Bei 706 erzeugt der Prozess 700 vorhergesagte Kategoriedaten auf Grundlage historischer Dünnschichtspektrumsdaten. Insbesondere generiert das Analysemodell für jeden Satz historischer Dünnschichtspektrumsdaten die vorhergesagten Kategoriedaten. Die Daten der vorhergesagten Kategorie entsprechen einer Vorhersagekategorie von Verunreinigung oder Nicht-Verunreinigung. Dies kann durch das Trainingsmodul 660 oder das Analysemodell 614 von 6 ausgeführt werden.
  • Bei 708 werden die vorhergesagten Kategoriedaten mit den historischen Dünnschichtspektrumsdaten 664 verglichen. Insbesondere werden die vorhergesagten Kategoriedaten für jeden Satz historischer Dünnschichtspektrumsdaten mit den Verunreinigungslabeldaten verglichen, die mit diesem Satz historischer Dünnschichtspektrumsdaten assoziiert sind. Der Vergleich kann zu einer Fehlerfunktion führen, die angibt, wie gut die vorhergesagten Kategoriedaten zu den Verunreinigungslabeldaten passen. Dieser Vergleich wird für jeden Satz von vorhergesagten Kategoriedaten ausgeführt. In einer Ausführungsform kann dieser Prozess die Erzeugung einer aggregierten Fehlerfunktion oder Anzeige umfassen, die angibt, wie die Gesamtheit der vorhergesagten Kategoriedaten mit den Verunreinigungslabeldaten verglichen wird. Diese Vergleiche können durch das Trainingsmodul oder durch das Analysemodell ausgeführt werden. Die Vergleiche können auch andere Arten von Funktionen oder Daten als die oben beschriebenen umfassen, ohne vom Anwendungsbereich dieser Offenbarung abzuweichen. Dies kann durch das Trainingsmodul 660 oder das Analysemodell 614 von 6 ausgeführt werden.
  • Bei 710 bestimmt der Prozess 700, ob die vorhergesagten Kategoriedaten zu den Verunreinigungslabeldaten passen, auf Grundlage der in Schritt 708 erzeugten Vergleiche. In einem Beispiel dann bestimmt der Prozess 700, dass die vorhergesagten Kategoriedaten nicht zu den Verunreinigungslabeldaten passen, wenn die aggregierte Fehlerfunktion kleiner als eine Fehlertoleranz ist. In einem Beispiel bestimmt der Prozess 700, dass die vorhergesagten Kategoriedaten zu den Verunreinigungslabeldaten passen, wenn die aggregierte Fehlerfunktion größer als eine Fehlertoleranz ist. In einem Beispiel kann die Fehlertoleranz eine Toleranz zwischen 0,1 und 0 umfassen. Anders ausgedrückt, wenn der aggregierte prozentuale Fehler weniger als 0,1 oder 10 % beträgt, dann geht der Prozess 700 davon aus, dass die vorhergesagten Kategoriedaten zu den Verunreinigungslabeldaten passen. Wenn der aggregierte prozentuale Fehler größer als 0,1 oder 10 % ist, dann geht der Prozess 700 davon aus, dass die vorhergesagten Kategoriedaten nicht zu den Verunreinigungslabeldaten passen. Andere Toleranzbereiche können verwendet werden, ohne vom Anwendungsbereich dieser Offenbarung abzuweichen. Fehlerbewertungen können auf verschiedene Weise berechnet werden, ohne dass der Rahmen dieser Offenbarung verlassen wird. Das Trainingsmodul oder das Analysemodell kann die mit Prozessschritt 710 assoziierten Feststellungen treffen. Dies kann durch das Trainingsmodul 660 oder das Analysemodell 614 von 6 ausgeführt werden.
  • In einer Ausführungsform fährt der Prozess mit Schritt 712 fort, wenn die vorhergesagten Kategoriedaten nicht zu den historischen Dünnschichtspektrumsdaten in Schritt 710 passen. In Schritt 712 passt der Prozess 700 die mit dem Analysemodell assoziierten internen Funktionen an. In einem Beispiel passt das Trainingsmodul die mit dem Analysemodell assoziierten internen Funktionen an. Von Schritt 712 kehrt der Prozess zu Schritt 704 zurück. In Schritt 704 werden die historischen Dünnschichtspektrumsdaten dem Analysemodell erneut zur Verfügung gestellt. Da die internen Funktionen des Analysemodells angepasst wurden, erzeugt das Analysemodell andere vorhergesagte Kategoriedaten als im vorherigen Zyklus. Der Prozess fährt mit den Schritten 706, 708 und 710 fort und der Gesamtfehler wird berechnet. Wenn die vorhergesagten Kategoriedaten nicht zu den Verunreinigungslabeldaten passen, kehrt der Prozess zu Schritt 712 zurück und die internen Funktionen des Analysemodells werden erneut angepasst. Dieser Prozess wird in Iterationen fortgesetzt, bis das Analysemodell vorhergesagte Kategoriedaten erzeugt, die zu den Verunreinigungslabeldaten passen. Dies kann durch das Trainingsmodul 660 oder das Analysemodell 614 von 6 ausgeführt werden.
  • In einer Ausführungsform fährt der Prozess 700 bei 714 fort, wenn die vorhergesagten Kategoriedaten zu den historischen Verunreinigungslabeldaten und Prozessschritt 710 passen. In Schritt 714 ist das Training abgeschlossen. Das Analysemodell kann nun verwendet werden, um Prozessbedingungen zu identifizieren, die bei Dünnschichtabscheidungsprozessen, die durch das Dünnschichtabscheidungssystem ausgeführt werden, verwendet werden können. Der Prozess 700 kann andere Schritte oder Anordnungen von Schritten als die hier gezeigten und beschriebenen umfassen, ohne dass dies vom Umfang dieser Offenbarung abweicht.
  • 8 ist ein Ablaufdiagramm eines Dünnschichtabscheidungsverfahrens 800, nach einer Ausführungsform. Das Verfahren 800 kann unter Verwendung von Systemen, Komponenten und Prozessen umgesetzt werden, die in Bezug auf 1 bis 7 beschrieben sind. Das Verfahren 800 kann auch mit anderen Systemen, Komponenten und Prozessen umgesetzt werden. Bei 802 umfasst das Verfahren 800 die Abscheidung einer Dünnschicht auf einem strukturierten Wafer in einer Dünnschichtabscheidungskammer. Ein Beispiel für einen Wafer ist der Wafer 106 aus 1. Ein Beispiel für eine Dünnschichtabscheidungskammer ist die Dünnschichtabscheidungskammer 102 aus 1. Bei 804 umfasst das Verfahren 800 die Bestrahlung der Dünnschicht in der Dünnschichtabscheidungskammer mit einem Laser. Ein Beispiel für einen Laser ist der Anregungslaser 208 aus 2. Bei 806 umfasst das Verfahren 800 das Erfassen von Fotolumineszenzspektrumsdaten mit einem Lichtsensor, der auf die Bestrahlung mit dem Laser reagiert. Ein Beispiel für einen Lichtsensor ist der Lichtsensor 210 aus 2. Bei 808 umfasst das Verfahren 800 die Analyse des Spektrums mit einem Analysemodell, das mit einem Maschinenlernverfahren trainiert wurde. Ein Beispiel für ein Analysemodell ist das Analysemodell 214 aus 2. Bei 810 umfasst das Verfahren 800 die Bestimmung mit dem Analysemodell auf Grundlage des Spektrums, ob ein Sauerstoffleck vorliegt. Bei 812 umfasst das Verfahren 800 die Ausgabe eines Signals, das das Sauerstoffleck anzeigt, wenn ein Sauerstoffleck vorliegt.
  • 9 ist ein Ablaufdiagramm eines Dünnschichtabscheidungsverfahrens 900, nach einer Ausführungsform. Das Verfahren 900 kann unter Verwendung von Systemen, Komponenten und Prozessen umgesetzt werden, die in Bezug auf 1 bis 8 beschrieben sind. Das Verfahren 900 kann auch mit anderen Systemen, Komponenten und Prozessen umgesetzt werden. In 902 umfasst das Verfahren 900 die Abscheidung einer Dünnschicht auf einem strukturierten Wafer in einer ersten Kammer. Ein Beispiel für einen Wafer ist der Wafer 306 aus 3. Ein Beispiel für eine erste Kammer ist die Dünnschichtabscheidungskammer 302 aus 3. Bei 903 umfasst das Verfahren 900 das Überführen des Wafers aus der ersten Kammer in eine zweite Kammer. Ein Beispiel für eine zweite Kammer ist die Dünnschichtanalysekammer 334 aus 3. Bei 904 umfasst das Verfahren 900 die Bestrahlung der Dünnschicht in der zweiten Kammer mit einem Laser. Ein Beispiel für einen Laser ist der Anregungslaser 208 aus 2. Bei 906 umfasst das Verfahren 900 das Erfassen von Fotolumineszenzspektrumsdaten mit einem Lichtsensor, der auf die Bestrahlung mit dem Laser reagiert. Ein Beispiel für einen Lichtsensor ist der Lichtsensor 210 aus 2. Bei 908 umfasst das Verfahren 900 die Analyse des Spektrums mit einem Analysemodell, das mit einem Maschinenlernverfahren trainiert wurde. Ein Beispiel für ein Analysemodell ist das Analysemodell 314 aus 3. Bei 910 umfasst das Verfahren 900 die Bestimmung mit dem Analysemodell auf Grundlage des Spektrums, ob ein Sauerstoffleck vorliegt. Bei 912 umfasst das Verfahren 900 die Ausgabe eines Signals, das das Sauerstoffleck anzeigt, wenn ein Sauerstoffleck vorliegt.
  • 10 ist ein Ablaufdiagramm eines Dünnschichtabscheidungsverfahrens 1000, nach einer Ausführungsform. Das Verfahren 1000 kann unter Verwendung von Systemen, Komponenten und Prozessen umgesetzt werden, die in Bezug auf 1 bis 9 beschrieben sind. Das Verfahren 1000 kann auch mit anderen Systemen, Komponenten und Prozessen umgesetzt werden. Bei 1002 umfasst das Verfahren 1000 die Abscheidung einer Dünnschicht auf einem strukturierten Wafer in einer Dünnschichtabscheidungskammer. Ein Beispiel für einen Wafer ist der Wafer 106 aus 1. Ein Beispiel für eine Dünnschichtabscheidungskammer ist die Dünnschichtabscheidungskammer 102 aus 1. Bei 1004 umfasst das Verfahren 1000 die Bestrahlung der Dünnschicht in der Dünnschichtabscheidungskammer mit Röntgenstrahlen. Bei 1006 umfasst das Verfahren 1000 das Sammeln von Fotoelektronenspektrumsdaten mit einem Fotoelektronensensor, der auf die Bestrahlung mit den Röntgenstrahlen reagiert. Ein Beispiel für einen Fotoelektronensensor ist der Emissionssensor 110 aus 1. Bei 1008 umfasst das Verfahren 1000 die Analyse des Spektrums mit einem Analysemodell, das mit einem Maschinenlernverfahren trainiert wurde. Ein Beispiel für ein Analysemodell ist das Analysemodell 114 aus 1. Bei 1010 umfasst das Verfahren 1000 die Bestimmung mit dem Analysemodell auf Grundlage des Spektrums, ob ein Sauerstoffleck vorliegt. Bei 1012 umfasst das Verfahren 1000 die Ausgabe eines Signals, das das Sauerstoffleck anzeigt, wenn ein Sauerstoffleck vorliegt.
  • 11 ist ein Ablaufdiagramm eines Dünnschichtabscheidungsverfahrens 1100, nach einer Ausführungsform. Das Verfahren 1100 kann unter Verwendung von Systemen, Komponenten und Prozessen umgesetzt werden, die in Bezug auf 1 bis 10 beschrieben sind. Das Verfahren 1100 kann auch mit anderen Systemen, Komponenten und Prozessen umgesetzt werden. In 1102 umfasst das Verfahren 1100 die Abscheidung einer Dünnschicht auf einem strukturierten Wafer in einer ersten Kammer. Ein Beispiel für einen Wafer ist der Wafer 306 aus 3. Ein Beispiel für eine erste Kammer ist die Dünnschichtabscheidungskammer 302 aus 3. Bei 1103 umfasst das Verfahren 1100 das Überführen des Wafers aus der ersten Kammer in eine zweite Kammer. Ein Beispiel für eine zweite Kammer ist die Dünnschichtanalysekammer 334 aus 3. Bei 1104 umfasst das Verfahren 1100 die Bestrahlung der Dünnschicht in der zweiten Kammer mit Röntgenstrahlen. Bei 1106 umfasst das Verfahren 1100 das Sammeln von Fotoelektronenspektrumsdaten mit einem Fotoelektronensensor, der auf die Bestrahlung mit den Röntgenstrahlen reagiert. Ein Beispiel für einen Fotoelektronensensor ist der Emissionssensor 310 aus 3. Bei 1108 umfasst das Verfahren 1100 die Analyse des Spektrums mit einem Analysemodell, das mit einem Maschinenlernverfahren trainiert wurde. Ein Beispiel für ein Analysemodell ist das Analysemodell 314 aus 3. Bei 1110 umfasst das Verfahren 1100 die Bestimmung mit dem Analysemodell auf Grundlage des Spektrums, ob ein Sauerstoffleck vorliegt. Bei 1112 umfasst das Verfahren 1100 die Ausgabe eines Signals, das das Sauerstoffleck anzeigt, wenn ein Sauerstoffleck vorliegt.
  • 12 ist ein Ablaufdiagramm eines Dünnschichtabscheidungsverfahrens 1200, nach einer Ausführungsform. Das Verfahren 1200 kann unter Verwendung von Systemen, Komponenten und Prozessen umgesetzt werden, die in Bezug auf 1 bis 11 beschrieben sind. Das Verfahren 1200 kann auch mit anderen Systemen, Komponenten und Prozessen umgesetzt werden. In einer Ausführungsform umfasst das Verfahren 1200 bei 1202 die Abscheidung einer Dünnschicht auf einem Wafer in einer Dünnschichtabscheidungskammer. Ein Beispiel für die Dünnschichtabscheidungskammer ist die Dünnschichtabscheidungskammer 102 aus 1. Bei 1204 umfasst das Verfahren 1200 die Bestrahlung der Dünnschicht mit Anregungslicht. Bei 1206 umfasst das Verfahren 1200 das Erkennen eines Emissionsspektrums der Dünnschicht in Reaktion auf das Anregungslicht. Bei 1208 umfasst das Verfahren 1200 das Erkennen von Verunreinigungen der Dünnschicht durch Analyse des Emissionsspektrums mit einem Analysemodell eines Steuersystems. Ein Beispiel für ein Analysemodell ist das Analysemodell 614 aus 6. Ein Beispiel für ein Steuersystem ist das Steuersystem 612 in 6.
  • 13 ist ein Ablaufdiagramm eines Dünnschichtabscheidungsverfahrens 1300, nach einer Ausführungsform. Das Verfahren 1300 kann unter Verwendung von Systemen, Komponenten und Prozessen umgesetzt werden, die in Bezug auf 1 bis 12 beschrieben sind. Das Verfahren 1300 kann auch mit anderen Systemen, Komponenten und Prozessen umgesetzt werden. Bei 1302 umfasst das Verfahren 1300 das Trainieren eines Analysemodells zur Erkennung von Verunreinigungen von Dünnschichten mit einem Maschinenlernprozess unter Verwendung von Daten aus mehreren Spektren, die unter mehreren Verunreinigungs- und Nicht-Verunreinigungsbedingungen erkannt wurden. Ein Beispiel für ein Analysemodell ist das Analysemodell 614 aus 6. Bei 1304 umfasst das Verfahren 1300 die Abscheidung einer Dünnschicht auf einem Wafer in einer Dünnschichtabscheidungskammer. Bei 1306 umfasst das Verfahren 1300 die Bestrahlung des Wafers mit Anregungslicht. Ein Beispiel für eine Dünnschichtabscheidungskammer ist die Dünnschichtabscheidungskammer 102 aus 1. Bei 1308 umfasst das Verfahren 1300 das Erkennen eines Emissionsspektrums des Wafers, das auf das Anregungslicht reagiert. Bei 1310 umfasst das Verfahren 1300 das Erkennen, ob die Dünnschicht verunreinigt ist oder nicht, indem das Emissionsspektrum mit dem Analysemodell analysiert wird.
  • In einer Ausführungsform umfasst ein Verfahren die Abscheidung einer Dünnschicht auf einem Wafer in einer Dünnschichtabscheidungskammer und die Bestrahlung der Dünnschicht mit Anregungslicht. Das Verfahren umfasst das Erkennen eines Emissionsspektrums der Dünnschicht, die auf das Anregungslicht reagiert, und das Erkennen einer Verunreinigung der Dünnschicht durch Analysieren des Emissionsspektrums mit einem Analysemodell eines Steuersystems.
  • In einer Ausführungsform umfasst ein System eine Dünnschichtabscheidungskammer, die so konfiguriert ist, dass eine Dünnschicht auf einem Wafer abgeschieden wird, und eine Strahlungsquelle, die so konfiguriert ist, dass die Dünnschicht mit Anregungslicht bestrahlt wird. Das System umfasst einen Emissionssensor, der so konfiguriert ist, dass er ein Emissionsspektrum des Wafers in Reaktion auf das Anregungslicht erkennt. Das System umfasst ein Steuersystem, das mit der Strahlungsquelle und dem Emissionssensor gekoppelt und so konfiguriert ist, dass es eine Verunreinigung der Dünnschicht durch Analyse des Photonenspektrums erkennt und die Dünnschichtabscheidungsprozesse in der Dünnschichtabscheidungskammer als Reaktion auf die Erkennung einer Verunreinigung der Dünnschicht stoppt.
  • In einer Ausführungsform umfasst ein Verfahren das Trainieren eines Analysemodells zur Erkennung von Verunreinigungen von Dünnschichten mit einem Maschinenlernprozess unter Verwendung von Daten aus mehreren Spektren, die unter mehreren Verunreinigungs- und Nicht-Verunreinigungsbedingungen erkannt wurden. Das Verfahren umfasst die Abscheidung einer Dünnschicht auf einem Wafer in einer Dünnschichtabscheidungskammer und die Bestrahlung des Wafers mit Anregungslicht. Das Verfahren umfasst das Erkennen eines Emissionsspektrums vom Wafer als Reaktion auf das Anregungslicht und das Erkennen, ob die Dünnschicht verunreinigt ist oder nicht, indem das Emissionsspektrum mit dem Analysemodell analysiert wird.
  • Ausführungsformen dieser Offenbarung sind in der Lage, Verunreinigungen von Dünnschichten vor Ort zu erkennen. Dünnschichtabscheidungsprozesse können bei Erkennung von Verunreinigungen gestoppt werden, wodurch die Anzahl der Wafer mit fehlerhaften Dünnschichten verringert wird. Dies bietet viele Vorteile, darunter eine verbesserte Waferausbeute und weniger Ausschusswafer. Außerdem können Sauerstofflecks in Abscheidungskammern auf Grundlage der erkannten Verunreinigung erkannt werden.
  • Die verschiedenen oben beschriebenen Ausführungsformen können kombiniert werden, um weitere Ausführungsformen bereitzustellen. Alle US-Patentanmeldungsveröffentlichungen und US-Patentanmeldungen, auf die in dieser Beschreibung Bezug genommen wird und/oder die im Anmeldungsdatenblatt aufgeführt sind, werden hierin durch Verweis in vollem Umfang aufgenommen. Aspekte der Ausführungsformen können, sofern erforderlich, modifiziert werden, um Konzepte der verschiedenen Patente, Anmeldungen und Veröffentlichungen zu verwenden, um noch weitere Ausführungsformen bereitzustellen.
  • Diese und andere Änderungen können an den Ausführungsformen mit Blick auf die obige ausführliche Beschreibung vorgenommen werden. Allgemein sollten in den folgenden Ansprüchen die verwendeten Begriffe nicht so ausgelegt werden, als würden sie die Ansprüche auf spezifische Ausführungsformen beschränken, die in der Beschreibung und den Ansprüchen offenbart werden, sondern sollten als alle möglichen Ausführungsformen zusammen mit dem vollen Umfang der Entsprechungen, die solchen Ansprüchen zustehen, umfassend ausgelegt werden. So sind die Ansprüche nicht durch die Offenbarung beschränkt.

Claims (20)

  1. Dünnschichtabscheidungsverfahren, umfassend: Abscheiden einer Dünnschicht auf einem Wafer in einer Dünnschichtabscheidungskammer; Bestrahlen der Dünnschicht mit Anregungslicht; Erkennen eines Emissionsspektrums der Dünnschicht in Reaktion auf das Anregungslicht; und Erkennen von Verunreinigungen der Dünnschicht durch Analyse des Emissionsspektrums mit einem Analysemodell eines Steuersystems.
  2. Verfahren nach Anspruch 1, ferner umfassend das Bestrahlen der Dünnschicht mit dem Anregungslicht in der Dünnschichtabscheidungskammer.
  3. Verfahren nach Anspruch 1 oder 2, ferner umfassend: Überführen des Wafers aus der Dünnschichtabscheidungskammer in eine Erkennungskammer; und Bestrahlen der Dünnschicht mit Anregungslicht in der Erkennungskammer.
  4. Verfahren nach Anspruch 3, ferner umfassend das Aufrechterhalten eines Vakuumzustands der Abscheidungskammer in der Erkennungskammer während der Bestrahlung der Dünnschicht mit Anregungslicht.
  5. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Erkennen einer Verunreinigung das Erkennen einer Oxidation der Dünnschicht umfasst.
  6. Verfahren nach Anspruch 5, ferner umfassend das Erkennen eines Lecks in der Abscheidungskammer mit dem Steuersystem, auf Grundlage des Erkennens der Oxidation der Dünnschicht.
  7. Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend das Anhalten des Betriebs der Dünnschichtabscheidungskammer in Reaktion auf das Erkennen einer Verunreinigung der Dünnschicht.
  8. Verfahren nach einem der vorhergehenden Ansprüche 1 bis 7, wobei das Anregungslicht ultraviolettes Licht umfasst, wobei das Erkennen des Emissionsspektrums das Erkennen eines Fotolumineszenzspektrums umfasst.
  9. Verfahren nach einem der vorhergehenden Ansprüche 1 bis 7, wobei das Anregungslicht Röntgenlicht umfasst, wobei das Erkennen des Emissionsspektrums das Erkennen eines Fotoelektronenspektrums umfasst.
  10. Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend das Trainieren des Analysemodells mit einem Maschinenlernverfahren zum Erkennen von Verunreinigungen der Dünnschicht.
  11. System, aufweisend: eine Dünnschichtabscheidungskammer, die zum Abscheiden einer Dünnschicht auf einem Wafer konfiguriert ist; eine Strahlungsquelle, die so konfiguriert ist, dass die Dünnschicht mit Anregungslicht bestrahlt wird; einen Emissionssensor, der so konfiguriert ist, dass er ein Emissionsspektrum des Wafers in Reaktion auf das Anregungslicht erkennt; und ein Steuersystem, das mit der Strahlungsquelle und dem Emissionssensor gekoppelt und so konfiguriert ist, dass es eine Verunreinigung der Dünnschicht durch Analyse des Emissionsspektrums erkennt und die Dünnschichtabscheidungsprozesse in der Dünnschichtabscheidungskammer als Reaktion auf die Erkennung einer Verunreinigung der Dünnschicht stoppt.
  12. System nach Anspruch 11, wobei die Strahlungsquelle ein Laser ist, wobei der Emissionssensor ein Ultraviolettlichtsensor ist.
  13. System nach Anspruch 11, wobei die Strahlungsquelle eine Röntgenquelle ist, wobei der Emissionssensor ein Fotoelektronenspektroskopiedetektor ist.
  14. System nach einem der vorhergehenden Ansprüche 11 bis 13, wobei die Strahlungsquelle so positioniert ist, dass sie die Dünnschicht in der Dünnschichtabscheidungskammer bestrahlt.
  15. System nach einem der vorhergehenden Ansprüche 11 bis 14, das ferner eine Dünnschichtanalysekammer aufweist, wobei die Strahlungsquelle so konfiguriert ist, dass sie die Dünnschicht in der Dünnschichtanalysekammer bestrahlt.
  16. System nach einem der vorhergehenden Ansprüche 11 bis 15, wobei das Steuersystem ein Analysemodell aufweist, das mit einem Maschinenlernverfahren trainiert wurde, um Verunreinigungen von Dünnschichten auf Grundlage des Emissionsspektrums zu erkennen.
  17. System nach Anspruch 16, wobei das Analysemodell ein neuronales Netz aufweist.
  18. Verfahren, umfassend: Trainieren eines Analysemodells zum Erkennen von Verunreinigungen von Dünnschichten mit einem Maschinenlernprozess unter Verwendung von Daten aus mehreren Spektren, die unter mehreren Verunreinigungs- und Nicht-Verunreinigungsbedingungen erkannt wurden; Abscheiden einer Dünnschicht auf einem Wafer in einer Dünnschichtabscheidungskammer; Bestrahlen des Wafers mit Anregungslicht; Erkennen eines Emissionsspektrums von dem Wafer in Reaktion auf das Anregungslicht; und Erkennen, ob die Dünnschicht verunreinigt ist oder nicht, indem das Emissionsspektrum mit dem Analysemodell analysiert wird.
  19. Verfahren nach Anspruch 18, wobei die Dünnschicht Titannitrid umfasst, wobei das Erkennen einer Verunreinigung des Titannitrids das Erkennen umfasst, dass das Emissionsspektrum Emissionen umfasst, die für Titanoxid charakteristisch sind.
  20. Verfahren nach Anspruch 19, ferner umfassend das Abscheiden der Dünnschicht über einer Halbleiternanosheetstruktur.
DE102021103455.8A 2020-04-30 2021-02-15 System und verfahren zur erkennung der verunreinigung vondünnschichten Pending DE102021103455A1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063018312P 2020-04-30 2020-04-30
US63/018,312 2020-04-30
US17/169,101 US11686683B2 (en) 2020-04-30 2021-02-05 System and method for detecting contamination of thin-films
US17/169,101 2021-02-05

Publications (1)

Publication Number Publication Date
DE102021103455A1 true DE102021103455A1 (de) 2021-11-04

Family

ID=77028965

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021103455.8A Pending DE102021103455A1 (de) 2020-04-30 2021-02-15 System und verfahren zur erkennung der verunreinigung vondünnschichten

Country Status (4)

Country Link
US (1) US20230296523A1 (de)
CN (1) CN113203714A (de)
DE (1) DE102021103455A1 (de)
TW (1) TWI775413B (de)

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5815396A (en) * 1991-08-12 1998-09-29 Hitachi, Ltd. Vacuum processing device and film forming device and method using same
US5664066A (en) * 1992-11-09 1997-09-02 The United States Of America As Represented By The United States Department Of Energy Intelligent system for automatic feature detection and selection or identification
JP3986631B2 (ja) * 1997-08-27 2007-10-03 キヤノンアネルバ株式会社 薄膜作成方法及び薄膜作成装置
WO2001011310A1 (en) * 1999-08-06 2001-02-15 Thermo Biostar, Inc. Instruments for analyzing binding assays based on attenuation of light by thin films
JP2001133423A (ja) * 1999-11-08 2001-05-18 Canon Inc 電子分光装置および分析方法
US6466365B1 (en) * 2000-04-07 2002-10-15 Corning Incorporated Film coated optical lithography elements and method of making
US7126131B2 (en) * 2003-01-16 2006-10-24 Metrosol, Inc. Broad band referencing reflectometer
EP2319073A1 (de) * 2008-07-09 2011-05-11 BT Imaging Pty Ltd Dünnfilmbildgebungsverfahren und vorrichtung
JP6061692B2 (ja) * 2013-01-18 2017-01-18 キヤノン株式会社 放射線発生管及び放射線発生装置及びそれらを用いた放射線撮影装置
CN104048599B (zh) * 2013-03-13 2018-06-01 以操作-试验名义经营的索夫泰克系统配套公司 用于对发光器件进行特征分析的方法和系统
WO2016037057A1 (en) * 2014-09-04 2016-03-10 Duke University Methods and systems for deposition of blended polymer films
TWI571700B (zh) * 2014-12-25 2017-02-21 Ching-Bore Wang A method of detecting contaminants formed in the mask and a mask for carrying out the method
US11906907B2 (en) * 2017-12-12 2024-02-20 Asml Netherlands B.V. Apparatus and method for determining a condition associated with a pellicle

Also Published As

Publication number Publication date
CN113203714A (zh) 2021-08-03
US20230296523A1 (en) 2023-09-21
TW202143355A (zh) 2021-11-16
TWI775413B (zh) 2022-08-21

Similar Documents

Publication Publication Date Title
EP0028322B1 (de) Verfahren zum Erfassen und Identifizieren von mit Rohteilen oder Werkstücken in einer Fertigungslinie einhergehenden Materialzusammensetzungen und Fremdkörpern
DE102015202716A1 (de) Strahlendurchlässiges Fenster, Strahlungsdetektor und Strahlungsdetektionsvorrichtung
CN113097089B (zh) 一种薄膜连续度的确定方法及确定薄膜连续度的系统
DE102013214684B4 (de) Direktkonvertierender Röntgendetektor
DE112018006397T5 (de) Silizium-drift-detektionselement, silizium-drift-detektor und strahlungsdetektionsvorrichtung
DE112021000018T5 (de) Verfahren zur Bestimmung der sonnigen und regnerischen Zeit unter Verwendung mehrerer Kenngrößen der Hochfrequenz-Satelliten-Boden-Verbindung
DE112015002389B4 (de) Verfahren zum herstellen strahlungsundurchlässiger mittel für eine funktionseinheit
DE10318416B4 (de) Vorrichtung zur Erfassung des Abstandes und der Richtung einer Röntgenstrahl- oder Gammastrahlquelle mit einem Mehrschichtstrahlendetektor
DE102021103455A1 (de) System und verfahren zur erkennung der verunreinigung vondünnschichten
DE112012006445T5 (de) Messgerät für Texturgrösse, Fertigungssystem für Solarzelle und Fertigungsverfahren für Solarzelle
EP3066459A1 (de) Vorrichtung und verfahren zur messung kleiner spannungen und potentiale an einer biologischen, chemischen oder anderen probe
DE4200493A1 (de) Vorrichtung zur duennschichtbildung
DE102018200118A1 (de) Vorrichtung und Verfahren zur ldentifikation von Verunreinigungen
DE60122713T2 (de) Strahlungsidentifizierung mit hilfe eines proportionalgaszählers
DE19540195C2 (de) Verfahren der Röntgenfluoreszenzmikroskopie
US20210341390A1 (en) System and method for detecting contamination of thin-films
WO2023011793A1 (de) Herstellungsverfahren und -anlage für batteriespeicher
DE10030145A1 (de) Verfahren und Vorrichtung zur Prüfung einer Halbleitereinrichtung
DE19515574A1 (de) Verfahren und Vorrichtung zur Röntgenanalyse
CN114018760A (zh) 半导体结构的检测方法及其检测装置
DE10224195A1 (de) Ein Verfahren zur objektiven und genauen Dickenmessung auf mikroskopischer Skala von dünnen Filmen
DE69919625T2 (de) Ionenstreuungsspektrometer
EP3922961B1 (de) Verfahren zum kalibrieren einer vorrichtung zum messen eines prozesswerts mindestens eines stoffes, verfahren zum messen eines prozesswerts mindestens eines stoffes mittels einer vorrichtung und system
DE3490595T (de) Verfahren und Einrichtung zur Oberflächenanalyse
DE102021106289A1 (de) System und verfahren zum ausführen von extrem-ultraviolett-photolithografieprozessen

Legal Events

Date Code Title Description
R012 Request for examination validly filed