EP4424886A2 - Verfahren und system zum herstellen eines substrats mittels kupferabscheidung und entsprechendes substrat - Google Patents

Verfahren und system zum herstellen eines substrats mittels kupferabscheidung und entsprechendes substrat Download PDF

Info

Publication number
EP4424886A2
EP4424886A2 EP24161027.8A EP24161027A EP4424886A2 EP 4424886 A2 EP4424886 A2 EP 4424886A2 EP 24161027 A EP24161027 A EP 24161027A EP 4424886 A2 EP4424886 A2 EP 4424886A2
Authority
EP
European Patent Office
Prior art keywords
substrate
anode
copper
weighting
model
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
EP24161027.8A
Other languages
English (en)
French (fr)
Other versions
EP4424886A3 (de
Inventor
Ruben Kahle
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.)
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Original Assignee
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV filed Critical Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Publication of EP4424886A2 publication Critical patent/EP4424886A2/de
Publication of EP4424886A3 publication Critical patent/EP4424886A3/de
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D21/00—Processes for servicing or operating cells for electrolytic coating
    • C25D21/12—Process control or regulation
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D17/00—Constructional parts, or assemblies thereof, of cells for electrolytic coating
    • C25D17/10—Electrodes, e.g. composition, counter electrode
    • C25D17/12—Shape or form

Definitions

  • the present disclosure relates to a method and a system for producing a substrate by means of copper deposition and a corresponding substrate.
  • a core process for the production of IC substrates in the semi-additive process (SAP) is the galvanic copper deposition of conductor tracks and contacts.
  • a uniform layer thickness has a direct influence on the quality (yield) of the printed circuit board, since excessive copper layers lead to defects in subsequent processes.
  • the present disclosure is therefore based on the object of proposing an improved method and/or system which in particular produces an improved substrate by means of copper deposition, in particular produces a substrate which has a substantially homogeneous copper surface. Furthermore, it may be the object of proposing an improved substrate.
  • the proposed method can thus generate a model that explains how the segmented anode can be controlled to generate a substantially homogeneous copper height on the substrate.
  • the control module can be, for example, a computer or laptop.
  • the storage module can be, for example, a hard drive and can be integrated in the computer and/or laptop.
  • the same substrate can be used for a single run through steps II to IV. If steps II to IV are repeated, a new substrate can be used. A new substrate can be used for step VII. This ensures that previous processing of the substrate cannot influence subsequent steps.
  • the substrate produced in step VII can have a homogeneous copper height.
  • the electrical circuit can be designed, for example, as a relay and/or MOSFET and/or dual MOSFET and/or TRIAC circuit.
  • the weighting model may be adapted using a model based on artificial intelligence.
  • AI artificial intelligence
  • the predefined learning pattern and/or a collection of predefined learning patterns can specify a weighting of the anode segments.
  • at least one of the predefined learning patterns can comprise a mathematically modeled course and/or a grouped gradation.
  • the mathematically modeled course can be, for example, a linear course and/or a radial course and/or a polynomial or comprise one or more of these in combination.
  • the grouped gradation can, for example, be designed as a checkerboard and/or as a regular and/or irregular grouping and/or as hatching or comprise one or more of these gradations, e.g. in combination.
  • a checkerboard pattern or grouping can be a meaningful pattern. It may be advantageous to avoid learning patterns that deliver diffuse, ineffective results, e.g. uniform noise, or to use them only after at least three, preferably at least five meaningful learning patterns have been used. In particular, meaningful patterns can be advantageous because they can achieve quick results.
  • steps II and III can additionally be carried out with a non-segmented anode.
  • the results of the copper height on the substrate with such an anode can be used as a comparison.
  • the results can be used, for example, in step VI to create the weighting model.
  • the Kl can adapt the weighting model using this comparison. Carrying out steps II and III with a non-segmented anode is comparatively simple and inexpensive.
  • step VI in particular for the purpose of bidirectional learning, the data of the stored data sets can be interpolated to a target value, normalized and statistically modified. This can have the advantage that the data can be easily compared with one another.
  • the data can be stored in a digital array, for example a Numpy array.
  • a digital array for example a Numpy array.
  • Other known array forms can also be used.
  • the weighting model of the anode segments can be adapted by training it bidirectionally, in particular using the stored data sets.
  • Bidirectional training can be understood to mean that an input specifies an output and an output specifies an input. This is known, for example, as "reverse machine learning".
  • the model can learn in one direction what the height distribution looks like for a given anode weighting and can learn in the other direction what the anode weighting looks like for a given height distribution. For example, if a homogeneous copper distribution across the substrate is entered as a target value, the model can determine the necessary anode segment weighting.
  • a machine learning model can be generated using artificial neural networks and/or statistical regression models.
  • the machine learning model can be trained using artificial neural networks and/or statistical regression models.
  • the machine learning model can be used to create the weighting model of the anode segments using artificial neural networks and/or statistical regression models.
  • the statistical regression model of linear and non-linear regression can be used with multi-output capable models such as "Decision Tree Regression” and/or "k-nearest neighbors regression” and/or "Multi Output Regression".
  • the data sets can be saved and/or visualized in the form of tables and/or as contour diagrams and/or histograms.
  • Visualization in a contour diagram can be advantageous in order to be able to assign a height distribution to specific areas.
  • the quality of the substrate can be estimated relatively quickly and easily.
  • Steps II to IV can be carried out for at least one, in particular for at least two or at least three, in particular at least five or at least six, preferably at least nine learning patterns.
  • the accuracy of the weighting model can increase the more learning patterns are used.
  • the method can have the advantage that the process developer can develop the optimal control parameters of the segmented anode with significantly fewer test series in order to produce conductor structures in a process-reliable manner.
  • the present disclosure further relates to a system for producing a substrate by means of copper deposition.
  • the system comprises a galvanic system for copper deposition on a substrate.
  • the galvanic system has a segmented anode which has a plurality of anode segments.
  • the anode segments are each designed to deposit copper on a corresponding substrate segment by applying a current; the anode segments can be supplied with direct current or pulsed alternating current independently of one another via an electrical circuit connected between a current source and the anode.
  • the galvanic system can comprise a chamber or a chamber system.
  • a solution for the purpose of galvanic deposition of metals can be arranged in the chamber or the chamber system.
  • a substrate holder for receiving the substrate can be arranged in the chamber or in the chamber system.
  • a substrate can be arranged in the holder.
  • the system further comprises a memory module on which a plurality of data sets are stored.
  • the data sets each comprise information on copper heights on a substrate and an associated control of the anode segments.
  • the system further comprises a control unit which is at least temporarily connected to or integrated with the memory module and which is designed and configured to retrieve the data sets from the memory module and to create or retrieve a weighting model which predicts an effect of the weighting of the anode segments on the copper height of the substrate.
  • the control unit can be connected to the electrical circuit and can be designed and configured to control the electrical circuit using the weighting model such that a homogeneous copper height is achieved on the substrate at least according to the determined weighting model.
  • the control unit can be connected to the memory module either temporarily or permanently. It can be intended that a weighting model is generated, for example with a laptop or PC.
  • the control unit can call up the weighting model and control the electrical circuit according to the specifications of the weighting model.
  • the control unit does not necessarily have to be permanently connected to the laptop or PC for this.
  • the control unit can be designed and configured to adapt the weighting model using artificial neural networks and/or statistical regression models.
  • the features described above in relation to the method can be applied analogously to the system.
  • the system is particularly designed and configured so that the method described above can be carried out by means of the system.
  • the system can therefore be an electroplating system with a multi-segmented anode of any shape and with cell-accurate utilization rate, which can generate an improved substrate with the help of a clocked control based on a machine-learned pattern.
  • the weighting model can take into account other parameters that influence the resulting copper height of the substrate. For example, it can take into account an adjustment of the apertures and/or a regulation of the flow of nozzle rods and/or a movement/agitation of the cathode and/or anode and/or the nozzle rods.
  • the model can output control parameters for controlling an adjustment of the apertures and/or a regulation of the flow of nozzle rods and/or a movement/agitation of the cathode and/or anode and/or the nozzle rods, which lead to an improved, in particular homogeneous, copper distribution.
  • the present disclosure further includes a substrate.
  • the substrate may be manufactured by the method described above.
  • the substrate may be manufactured using a system described above.
  • the substrate can have a homogeneous copper surface. In this case, a tolerance deviation of equal to or less than 20% or equal to or less than 15% or equal to or less than 10% or equal to or less than 5% uniformity based on the mean value using three times the standard deviation recorded in the spot test.
  • Figure 1 shows a schematic flow diagram of a method for producing a substrate by means of copper deposition.
  • a control module, a storage module and a galvanic system for copper deposition on a substrate are provided.
  • the galvanic system comprises a segmented anode which has a plurality of anode segments, each of which is designed to deposit copper on a corresponding substrate segment by applying a current.
  • the anode segments can be supplied with direct current or pulsed alternating current independently of one another via an electrical circuit connected between a current source and the anode.
  • the segmented anode is subjected to a current according to a predefined learning pattern so that copper is deposited on the substrate.
  • a resulting copper height on the substrate is measured.
  • a data set is created from the measured copper heights and an associated control of the anode segments according to the learning pattern. Furthermore, in the fourth step IV, the data set is stored in the memory module.
  • Steps II to IV are repeated, referred to as step V, with a learning pattern that is different from the previous learning pattern.
  • step V can be repeated several times. The more often it is repeated with a different learning pattern, the more accurate a weighting model becomes in step VI and the more homogeneous the copper distribution becomes in step VII.
  • step VI a weighting model that predicts a weighting of the anode segment control to the copper height of the substrate is created using the stored data sets.
  • step VII the segmented anode is controlled such that a homogeneous copper height on the substrate is achieved at least according to the determined weighting model.
  • the galvanic system is, for example, in Figure 2a
  • the galvanic system can, for example, comprise a vertically operating galvanic tank 1 in a manual test facility with a capacity of 100 l.
  • a rear-stabilized, fully passivated holder 2 is designed, for example, for thin substrates (t ⁇ 100 ⁇ m) measuring 303 x 227 mm 2 and contacts the copper starting layer of the substrates with spring contacts.
  • the galvanic tank is equipped with a pump, heater (1 kW) and filter unit.
  • An expanded metal anode 3' cf. Fig. 2b )
  • a segmented anode 3 (compare Fig. 2c )) with segments 31 mounted.
  • the semi-additive process can be implemented, for example, on a substrate size of 303 x 227 mm 2 .
  • the substrate can, for example, comprise 240 individual boards of size 18 x 12 mm 2 with an X/Y distance of 250 ⁇ m.
  • the conductor track widths and distances can be, for example, 10 ⁇ m L/S. Silicon chips can be contacted with a pitch of less than 100 ⁇ m.
  • the substrate of the Fig. 3a is 303 x 227 mm 2 in this case. This is not to be understood as limiting.
  • the substrate can also have other dimensions.
  • the substrate can be significantly larger, for example 610 mm x 457 mm.
  • the substrate 4 has a continuous starting layer with copper, which is partially covered by a photoresist of any type and thickness in order to build up conductor tracks/structures.
  • the substrate 4 can have a 100 ⁇ m thin circuit board core with 18 ⁇ m Cu on both sides.
  • a 10 ⁇ m thin glass fiber-free dielectric layer ABF can be applied to both sides of the core by means of vacuum lamination.
  • a metal combination of 50 nm titanium and 75 nm copper deposited by sputtering (physical vapor deposition, PVD) can be used as the copper starting layer.
  • plasma cleaning can be carried out.
  • the process parameters can be, for example: spray pressure 1.6 bar; 30°C; 0.9% carbonate solution.
  • Plasma cleaning with oxygen/CF4/argon can modify the surface of the photo film (optimal wetting) and can etch organic residues from the copper surface.
  • Figures 3 a, 3b and 3c show, starting on the left, the substrate 4 in the overview with a 15 mm wide edge area 42 and details of the critical points with 10 ⁇ m L/S (line/space).
  • Figure 3b shows a single use for contacting two silicon components.
  • Figure 3c shows conductor tracks 411 in detail.
  • the materials, dimensions and manufacturing processes shown here are not to be understood as limiting and serve only as an example.
  • FIG 4c a photograph of an exemplary structure is shown, comprising the electroplating tank 1, the anode holder 2, a control module 6, an air injection 7 and supply lines 8.
  • a segmented anode 3 (not visible) is mounted on the anode holder 2 and immersed in the electrolyte in the electroplating tank.
  • the substrate is also arranged immersed in the electrolyte in the electroplating tank.
  • the control module 6, which controls the segmented anode can be part of the circuit or an external module or, for example, integrated in a laptop/PC.
  • the control module can be a laptop comprising a hard drive.
  • the control module 6 itself can carry out the machine learning/modeling. Alternatively, the machine learning/modeling can be carried out on a laptop/PC.
  • a control program resulting from the model can be transferred to the control module so that the control module 6 can control the anode segments autonomously.
  • the control module 6 is connected to the anode segments 31 via the supply lines 8 and can control them
  • the controllable, segmented anode 3 comprises a two-part housing constructed from polypropylene with ring seals made of Viton ® , 130 anode segments of varying size on the front side, which are centered to the substrate, and a pulse-resistant, variably controllable relay circuit (compare Figures 2c, 4a, 4b).
  • Relay control 4 for connecting each of the 130 anode segments to the supply line of a pulse current source can be implemented, for example, on the basis of an Engineering Network (EUNO).
  • a microcontroller can communicate with two expansion boards via I2C.
  • a total of 8 MCP23017 components can be mounted on the expansion boards.
  • the expansion boards can control 16 8-channel relay cards in an electrically isolated manner. Two further individual relay cards can be controlled directly via the PC UNO board. With this circuit, all 130 anode segments can be switched independently of one another.
  • the mechanical mounting of the components and distribution of the power supply (12 V, max. 10 A) was implemented using a two-layer circuit board.
  • the PCUNO can be programmed and the deposition sequence can be started on a notebook using a USB interface, for example.
  • the software on the iOS can execute an algorithm to change the on/off states for each anode segment per defined switching cycle.
  • the switching states can be transferred to the Engineering via USB, standardized from 0 to 1 with two decimal places.
  • the program can start and log the process duration. With a cycle time of 5 seconds, it can compare the duty cycle related to the entire copper deposition time.
  • the program can switch the segment on for 5 s if it is below the required duty cycle, or switch it off accordingly if it is above it.
  • the titanium/copper starter layer cannot then be etched off in order to measure the copper deposition data as reliably as possible.
  • XYZ measurement data of the copper surface (measurement area approx. 150 ⁇ m x 220 ⁇ m) can be measured at two points on each individual panel, for a total of 480 points per substrate, using a white light interferometer on an IMPEX coordinate measuring machine.
  • Figure 5 shows an example of a visualization of raw data from an XYZ point cloud.
  • Figure 5b shows filtered leveled data and
  • Figure 5c an averaged measurement value Z of the copper height on the substrate.
  • the data can be evaluated in the Mountains Map ⁇ program. Predefined settings for 1. leveling, 2. filtering of the measurement data at the edges and 3. output of the average height difference of the copper starting layer (green) and conductor track (red) can be used throughout the entire test series (see Figures 5a to 5c).
  • the measurement file with X, Y and Z values can be saved in a .CSV-based database together with the values of the weighting of the anode segments.
  • a program was written using Python software that first imports the data from the contour diagrams, interpolates all values to a mean value of 5 ⁇ m, normalizes them to 1 and saves them in a Numpy array.
  • the interpolation of the average deposited copper layer thickness makes it possible to compare the test series of test data, forecasts and follow-up tests, since a fluctuation in the average layer thickness influences the 3-fold standard deviation (3 sigma) as a quality feature.
  • the normalization of the input/output values is a prerequisite for the Scikit-learn models.
  • the data of the weights (duty cycle) of the anode segments can be imported and saved in a Numpy array.
  • a model can be created from the Scikit-learn library and adapted using training data.
  • a pre-selection of the extensive modeling options from the scikit-learn library for supervised machine learning can be carried out.
  • the pre-selection here consists of models that basically master regression and can map multiple, mutually independent combinations of inputs and outputs (input/output).
  • the following models can be pre-selected, for example: "Decision Tree Regression” and/or "k-nearest neighbors regression” and/or "Multi Output Regression” and/or "Linear Regression” and/or “Random Forest Regressor”.
  • models can be created that reflect a connection between the anode control and the resulting copper deposition.
  • a comparison can first be made with a non-segmented anode.
  • the galvanic system can be operated with a non-segmented anode instead of a segmented anode.
  • the anode can then be converted and a segmented anode inserted into holder 2.
  • five data sets can be created from weights of the anode segments and a corresponding result of the copper deposition.
  • a sixth data set can, for example, represent a zero line.
  • the patterns for weighting the anode segments between 0 and 1 can be implemented in the form of suitable "learning patterns".
  • the learning patterns can have the goal of showing the model gradients, edge effects, displacements and flow effects such as air injection and circulation as effectively as possible.
  • doubly inclined planes and non-linear, for example sine-weighted radii can be distributed on the anode surface as learning patterns.
  • An example of this is shown in the Figures 6a and b shown.
  • a sine-weighted radial wedge generated at the edge was used as a learning pattern.
  • Figure 6b 480 XYZ points are shown, where Z-heights correspond to a copper height deposited on the substrate.
  • the Figure 6b is a smoothed XYZ contour plot. Both information, ie the information of the Figure 6a and 6b in combination result in an exemplary training dataset.
  • a generated weighting model can be trained bidirectionally to predict the weighting of the anode segments (reverse machine learning). Put simply, the model "learns" in one direction what the height distribution looks like for a given anode weighting, and “learns” in the other direction what the anode weighting looks like for a given height distribution.
  • Figure 7 shows a system for carrying out the procedure described above. The double arrows in Figure 7 illustrate bidirectional training. The system and/or the corresponding method can enable a model to be generated that determines the necessary anode weighting when a perfectly homogeneous distribution is input. This can be verified experimentally.
  • Figure 7 visualizes the relationships of the system that is used to carry out the process steps according to Figure 1 is trained.
  • a copper deposition can initially be carried out with a one-piece anode.
  • the deposition with the one-piece anode can show a pronounced edge elevation tcu > 7 ⁇ m and a decrease in the copper layer thickness in the middle tcu ⁇ 4 ⁇ m.
  • the copper deposition can not be shown to be center-symmetrical. This is the case, for example, in Figures 8a and 8b shown.
  • a segmented anode can then be used to manually generate further learning patterns.
  • the results of the test series with manually generated learning patterns for controlling the anode and the associated contour diagrams for copper distribution generated in tests can be together with the "zero line” form training data for machine learning.
  • manually generated learning patterns are (except for the 6th data set of the "zero line") with the numbers 1 to 5 in Figure 9
  • a test data set can be split off from the five previously generated training data in a specified number of loops (for example N > 10) and a forecast of the model can be compared with a real test data set.
  • the mean absolute error (MAE) and its standard deviation (STD) of the training data set against the test data set can be used as a criterion. Example results of these calculations are listed in Table 1 below.
  • results are generated using (reverse) machine learning to weight the anode segments, as well as the associated contour diagrams for the copper distribution.
  • results from this are Figure 10
  • the histograms and contour plots were used to compare the models based on the achieved uniformity in % and to visually represent the changes.
  • the three additional data sets shown above consisting of 130 weights of the individual anode segments and 480 Z contour data, can be added to the training data (for example, the 6 data sets described above).
  • the training data for example, the 6 data sets described above.
  • one, for example only the best, for example the result "LinearRegression V2" with 9 instead of the previous 6 data sets can be trained.
  • the delta of the normalized weight of the segmented anode for the linear regression model from V1 to V2 can be shown to visualize which change the model has calculated with the additional information from the 3 supplementary data sets.
  • Figure 11a shows a detail 10 ⁇ m L/S of the substrate using a one-piece anode.
  • Figure 11b shows an overview 10 ⁇ m L/S of the substrate using a one-piece anode.
  • Figure 11c shows a detail 10 ⁇ m L/S of the substrate using a segmented anode,
  • Fig. 11d shows an overview of 10 ⁇ m L/S of the substrate using a segmented anode.
  • the initial result of the one-piece anode described above can, for example, confirm the significant influence of the lateral, inhomogeneous flow on the substrate surface with high deviations in the copper deposition of U > 30%.
  • the segmented, individually controllable anode developed here shows an alternative solution.
  • the influence of an operator was largely minimized for programming and controlling the segments.
  • the machine learning models can display the probable contour diagram and, using reverse machine learning, also control the segments. to generate the most uniform deposition possible. It can be useful to generate training data and make a pre-selection of models.
  • the Fig.9 The data sets with learning patterns shown can generate logically comprehensible suggestions for controlling the segments in three out of four models with just six data sets.
  • the exemplary results show that a controllable, segmented anode can achieve a uniformity of 15% and works significantly better than the one-piece anode in the configuration shown here. Reducing the 3 ⁇ deviations from almost 2 ⁇ m to well below 1 ⁇ m is a significant improvement on the initial state with the goal of producing a 5 ⁇ m thick deposit.
  • the alternative models can also generate innovative, artificial patterns for controlling the anode segments, which indicate that in this design a ring-shaped anode is very likely to have advantages over a large-area anode.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Automation & Control Theory (AREA)
  • Electroplating Methods And Accessories (AREA)
  • Electrodes Of Semiconductors (AREA)

Abstract

Die vorliegende Offenbarung betrifft ein Verfahren sowie ein System zum Herstellen eines Substrats mittels Kupferabscheidung sowie ein entsprechendes Substrat.

Description

  • Die vorliegende Offenbarung betrifft ein Verfahren sowie ein System zum Herstellen eines Substrats mittels Kupferabscheidung sowie ein entsprechendes Substrat.
  • Eine Vorrausetzung zur Herstellung leistungsfähiger elektrischer Systeme, beispielsweise zur Realisierung von Kl- Funktionen in Smartphones und Tablets, sind miniaturisierte Schaltungsträger (IC Substrate), die mit modernsten Bauteilen bestückt sind. Ein Kernprozess zur Herstellung von IC Substraten im Semi-Additiv Prozess (SAP) ist die galvanische Kupferabscheidung von Leiterzügen und Kontakten.
  • Zur galvanischen Abscheidung von Kupfer aus einem Elektrolyten fließt Strom zwischen einer unlöslichen Anode und der zu beschichtenden strukturierten Oberfläche als Kathode. Als Anode werden u. a. plane Metallgitter aus gestrecktem Titan mit Inert-Überzügen wie Platin und Iridium verwendet. Werden plane, großformatige Leiterplattennutzen beschichtet, so kommt es je nach Anlagenkonfiguration, Blendenkonstruktion oder Wahl der Stromquelle z.B. in den Randbereichen zur lokalen Erhöhung der Stromdichte. Des Weiteren bedingen Halterungskonzepte und die Anlagentechnik zur Filtrierung und Anströmung Strömungsunterschiede an den Kanten und an der Oberfläche. Im Ergebnis unterscheidet sich die abgeschiedene Kupferstärke in der Mitte des Leiterplattennutzens vom Rand und den Ecken.
  • Eine gleichmäßige Schichtstärke hat einen direkten Einfluss auf die Qualität (Ausbeute) des Leiterplattennutzens, da überhöhte Kupferschichten zu Defekten in Folgeprozessen führen.
  • Der vorliegenden Offenbarung liegt daher die Aufgabe zugrunde, ein verbessertes Verfahren und/oder System vorzuschlagen, das insbesondere ein verbessertes Substrat mittels Kupferabscheidung erzeugt, insbesondere ein Substrat erzeugt, das eine im Wesentlichen homogene Kupferoberfläche aufweist. Ferner kann es Aufgabe sein, ein verbessertes Substrat vorzuschlagen.
  • Diese Aufgabe wird gelöst durch ein Verfahren gemäß Anspruch 1 und/oder ein System gemäß einem nebengeordneten Anspruch und/oder ein Substrat gemäß einem nebengeordneten Anspruch. Vorteilhafte oder beispielhafte Ausführungen werden durch die Unteransprüche sowie die beigefügten Figuren näher erläutert.
  • Das vorgeschlagene Verfahren zum Herstellen eines Substrats mittels Kupferabscheidung umfasst die folgenden Schritte
    1. I. Bereitstellen eines Steuermoduls, eines Speichermoduls sowie eines galvanischen System zur Kupferabscheidung auf einem Substrat, das galvanische System aufweisend eine segmentierte Anode, die eine Vielzahl von Anodensegmenten aufweist, die jeweils ausgebildet sind, durch Anlegen eines Stroms auf einem korrespondierenden Substratsegment Kupfer abzuscheiden; wobei die Anodensegmente über eine zwischen eine Stromquelle und die Anode geschaltete elektrische Schaltung unabhängig voneinander mit Gleichstrom oder gepulstem Wechselstrom beaufschlagbar sind,
    2. II. Beaufschlagen der segmentierten Anode mit einem Strom gemäß einem vordefinierten Lernmuster, sodass Kupfer auf dem Substrat abgeschieden wird,
    3. III. Messen der resultierenden Kupferhöhe auf dem Substrat ,
    4. IV. Erstellen eines Datensatzes aus den gemessenen Kupferhöhen und einer zugeordneten Steuerung der Anodensegmente gemäß dem Lernmuster und Speichern des Datensatzes im Speichermodul,
    5. V. Wiederholen der Schritte II bis IV mit einem sich vom vorherigen Lernmuster unterscheidenden Lernmuster,
    6. VI. Erstellen eines Gewichtungsmodells, das eine Gewichtung der Anodensegmentsteuerung auf die Kupferhöhe des Substrats prognostiziert, unter Verwendung der gespeicherten Datensätze,
    7. VII. Steuern der segmentierten Anode derart, dass zumindest gemäß dem ermittelten Gewichtungsmodell eine homogene Kupferhöhe auf dem Substrat erreicht wird.
  • Das vorgeschlagene Verfahren kann somit ein Modell generieren, das darlegt, wie die segmentierte Anode angesteuert werden kann, damit eine im Wesentlichen homogene Kupferhöhe auf dem Substrat generiert wird.
  • Das Steuermodul kann beispielsweise ein Computer oder Laptop sein. Das Speichermodul kann beispielsweise eine Festplatte sein und kann im Computer und/oder Laptop integriert sein.
  • Für einen einmaligen Durchlauf der Schritte II bis IV kann jeweils dasselbe Substrat verwendet werden. Bei Wiederholung der Schritte II bis IV kann ein neues Substrat verwendet werden. Für den Schritt VII kann wiederum ein neues Substrat verwendet werden. So kann gewährleistet werden, das vorherige Bearbeitung des Substrats Folgeschritte nicht beeinflussen kann. Insbesondere kann das im Schritt VII hergestellte Substrat eine homogene Kupferhöhe aufweisen.
  • Die elektrische Schaltung kann beispielsweise als Relais- und/oder MOSFET-und/oder DualMosfet- und/oderTRIAC-Schaltung ausgebildet sein.
  • In einer Ausführung kann in Schritt VI das Gewichtungsmodell unter Verwendung eines Modells basierend auf künstlicher Intelligenz angepasst werden.
  • In der Vergangenheit musste die Regelung meist weniger Anodensegmente anhand von Vorerfahrung und eine Vielzahl an Versuchen von Menschen eruiert werden. Auf einfache und vergleichsweise schnelle Weise kann das Modell das auf künstlicher Intelligenz (KI) basiert auf bekanntes Wissen zurückgreifen und dieses Wissen mit neuen Erkenntnissen vorzugsweise automatisiert kombinieren.
  • In einer Ausführung kann das vordefinierte Lernmuster und/oder eine Sammlung von vordefinierten Lernmustern eine Gewichtung der Anodensegmente vorgeben. Insbesondere kann zumindest eines der vordefinierten Lernmuster einen mathematisch modellierten Verlauf umfassen und/oder eine gruppierte Abstufung umfassen. Der mathematisch modellierte Verlauf kann beispielsweise ein linearer Verlauf und/oder ein radialer Verlauf und/oder ein Polynom sein oder einen oder mehrere dieser in Kombination umfassen. Die gruppierte Abstufung kann beispielsweise als Schachbrett und/oder als regelmäßige und/oder unregelmäßige Gruppierung und/oder als Schraffierung ausgebildet sein oder eine oder mehrere dieser Abstufungen, bspw. in Kombination, umfassen.
  • Insbesondere kann es vorteilhaft sein, dass zunächst aussagekräftige Lernmuster verwendet werden, d.h. insbesondere Lernmuster, die eindeutige Beziehungen in den Modellen des maschinellen Lernens schaffen. Eindeutige Beziehung können beispielsweise in einem Lernmuster darlegen, dass ein Input, beispielsweise Parameter bezüglich des Segments und des Stroms, mit dem die segmentierte Anode gesteuert wird, einen bestimmten Output, beispielsweise eine daraus resultierende Kupferhöhe an einem bestimmten Ort des Substrats, als Ergebnis liefert. Beispielsweise kann ein Schachbrettmuster oder Gruppierung ein aussagekräftiges Muster sein. Es kann vorteilhaft sein, Lernmuster, die diffuse, uneffektive Ergebnisse liefern, z.B. ein gleichmäßiges Rauschen, zu vermeiden oder erst dann zu verwenden, nachdem zumindest drei, vorzugsweise zumindest fünf aussagekräftige Lernmuster verwendet wurden. Insbesondere können aussagekräftige Muster vorteilhaft sein, da diese schnelle Ergebnisse erzielen können.
  • In einer Ausführung des Verfahrens können die Schritte II und III zusätzlich mit einer nicht segmentierten Anode durchgeführt werden. Die Ergebnisse der Kupferhöhe auf dem Substrat mit einer solchen Anode können als Vergleich dienen. Die Ergebnisse können beispielsweise in Schritt VI in die Erstellung des Gewichtungsmodells einfließen. Insbesondere kann die Kl das Gewichtungsmodell unter Verwendung dieses Vergleichs anpassen. Eine Durchführung der Schritte II und III mit einer nicht segmentierten Anode sind vergleichsweise einfach und kostengünstig durchzuführen.
  • In einer Ausführung des Verfahrens können in Schritt VI, insbesondere zum Zwecke eines bidirektionalen Lernens, die Daten der gespeicherten Datensätze auf einen Sollwert interpoliert, normiert und statistisch modifiziert werden. Dies kann den Vorteil haben, dass die Daten miteinander auf einfache Weise verglichen werden können.
  • In einer Ausführungsform des Verfahrens können die Daten in ein digitales Array, beispielsweise ein Numpy Array, gespeichert werden. Auch andere bekannte Array-Formen können anwendbar sein.
  • Insbesondere kann das Gewichtungsmodell der Anodensegmente angepasst werden, indem es bidirektional, insbesondere unter Verwendung der gespeicherten Datensätze, trainiert wird. Dabei kann unter bidirektional trainiert werden verstanden werden, dass ein Input einen Output vorgibt sowie ein Output einen Input vorgibt. Dies ist beispielsweise bekannt als "Reverse Machine Learning". Beispielsweise kann das Modell in der einen Richtung lernen, wie die Höhenverteilung bei gegebenen Anodengewichtung aussieht und kann in der anderen Richtung lernen, wie bei gegebener Höhenverteilung die Anodengewichtung aussieht. So kann bei Eingabe einer homogenen Kupferverteilung über das Substrat als Zielwert von dem Modell eine dafür nötige Anodensegmentgewichtung ermittelt werden.
  • In Schritt VI kann ein Modell zum maschinellen Lernen unter Verwendung künstlicher neuronaler Netze und/oder statistischer Regressionsmodelle erzeugt werden. Das Modell zum maschinellen Lernen kann unter Verwendung künstlicher neuronaler Netze und/oder statistischer Regressionsmodelle trainiert werden. Das Modell zum maschinellen Lernen kann unter Verwendung künstlicher neuronaler Netze und/oder statistischer Regressionsmodelle verwendet werden um das Gewichtungsmodell der Anodensegmente zu erstellen. Insbesondere kann das statistische Regressionsmodell der linearen und nicht linearen Regression mit Multi-Output fähigen Modellen wie "Decision Tree Regression" und/oder "k-nearest neighbours Regression" und/oder "Multi Output Regression" verwendet werden.
  • Die Datensätze können in Schritt IV in Form von Tabellen und/oder als Konturdiagramme und/oder Histogramme gespeichert und/oder visualisiert werden. Eine Visualisierung in einem Konturendiagramm kann vorteilhaft sein, um eine Höhenverteilung bestimmten Bereichen zuordnen zu können. In einem Konturendiagramm kann beispielsweise eine Güte des Substrats vergleichsweise schnell und einfach abgeschätzt werden.
  • Die Schritte II bis IV können für zumindest eines, insbesondere für zumindest zwei oder zumindest drei, insbesondere zumindest fünf oder zumindest sechs, bevorzugt zumindest neun Lernmuster durchgeführt werden. Dabei kann eine Genauigkeit des Gewichtungsmodells ansteigen, je mehr Lernmuster verwendet werden.
  • Das Verfahren kann den Vorteil haben, dass der Prozessentwickler die optimalen Steuerungsparameter der segmentierten Anode mit wesentlich weniger Versuchsreihen entwickeln kann, um Leiterstrukturen prozesssicher herzustellen.
  • Die vorliegende Offenbarung betrifft ferner ein System zum Herstellen eines Substrats mittels Kupferabscheidung. Das System umfasst ein galvanisches System zur Kupferabscheidung auf einem Substrat. Das galvanische System aufweisend eine segmentierte Anode, die eine Vielzahl von Anodensegmenten aufweist. Die Anodensegmente sind jeweils ausgebildet, durch Anlegen eines Stroms auf einem korrespondierenden Substratsegment Kupfer abzuscheiden; wobei die Anodensegmente über eine zwischen eine Stromquelle und die Anode geschaltete elektrische Schaltung unabhängig voneinander mit Gleichstrom oder gepulstem Wechselstrom beaufschlagbar sind. Das galvanische System kann eine Kammer oder ein Kammersystem umfassen. In der Kammer oder dem Kammersystem kann eine Lösung zum Zwecke der galvanischen Abscheidung von Metallen angeordnet sein. In der Kammer oder in dem Kammersystem kann eine Substrathalterung zur Aufnahme des Substrats angeordnet sein. Ein Substrat kann in der Aufnahme angeordnet sein.
  • Das System umfasst ferner ein Speichermodul, auf dem eine Mehrzahl von Datensätzen gespeichert ist. Die Datensätze umfassen jeweils Informationen zu Kupferhöhen auf einem Substrat und einer zugeordneten Steuerung der Anodensegmente.
  • Das System umfasst ferner eine mit dem Speichermodul zumindest temporär verbundene oder integrierte Steuereinheit, die ausgebildet und eingerichtet ist, die Datensätze aus dem Speichermodul abzurufen und ein Gewichtungsmodell zu erstellen oder abzurufen, das eine Wirkung der Gewichtung der Anodensegmente auf die Kupferhöhe des Substrats prognostiziert. Die Steuereinheit kann mit der elektrischen Schaltung verbunden sein und kann ausgebildet und eingerichtet sein, die elektrische Schaltung unter Verwendung des Gewichtungsmodells derart zu steuern, dass zumindest gemäß dem ermittelten Gewichtungsmodell eine homogene Kupferhöhe auf dem Substrat erreicht wird.
  • Die Steuereinheit kann lediglich temporär oder dauerhaft mit dem Speichermodul verbunden sein. Es kann vorgesehen sein, dass ein Gewichtungsmodell erzeugt wird, beispielsweise mit einem Laptop oder PC. Die Steuereinheit kann das Gewichtungsmodell abrufen und die elektrische Schaltung nach den Vorgaben des Gewichtungsmodells steuern. Dafür muss die Steuereinheit nicht zwingend dauerhaft mit dem Laptop oder PC verbunden sein.
  • Die Steuereinheit kann ausgebildet und eingerichtet sein, das Gewichtungsmodell unter Verwendung künstlicher neuronaler Netze und/oder statistischer Regressionsmodelle anzupassen.
  • Die oben in Bezug zum Verfahren beschriebenen Merkmale können analog auf das System angewandt werden. Das System ist insbesondere ausgebildet und eingerichtet, dass das oben beschriebene Verfahren mittels des Systems durchgeführt werden kann.
  • Das System kann also ein Elektroplattierungssystem mit einer multi-segmentierten Anode beliebiger Form und mit zellgenauem Auslastungsgrad sein, das mit Hilfe einer getakteten Steuerung, auf Basis eines maschinell erlernten Musters ein verbessertes Substrat generieren kann.
  • Das Gewichtungsmodell kann neben der Steuerung der segmentierten Anode weitere Parameter berücksichtigen, die Einfluss auf eine resultierende Kupferhöhe des Substrats haben. Zum Beispiel kann eine Justage der Blenden und/oder eine Regelung des Durchflusses von Düsenstöcken und/oder eine Bewegung/Agitation der Kathode und/oder Anode und/oder der Düsenstöcke berücksichtigen. Das Modell kann Steuerparameter für eine Steuerung Justage der Blenden und/oder eine Regelung des Durchflusses von Düsenstöcken und/oder eine Bewegung/Agitation der Kathode und/oder Anode und/oder der Düsenstöcke ausgeben, die zu einer verbesserten, insbesondere homogenen, Kupferverteilung führen.
  • Die vorliegende Offenbarung umfasst ferner ein Substrat. Das Substrat kann durch das oben beschriebene Verfahren hergestellt werden. Das Substrat kann mit einem oben beschriebenen System hergestellt werden. Das Substrat kann eine homogene Kupferoberfläche aufweisen. Dabei kann eine Toleranzabweichung gleich oder kleiner als 20% oder gleich oder kleiner als 15% oder gleich oder kleiner als 10% oder gleich oder kleiner als 5% Uniformität bezogen auf den Mittelwert unter Verwendung der dreifachen im Stichversuch erfassten Standardabweichung ein.
  • Beispielhafte Ausführungen der Erfindung werden anhand der nachfolgenden Beschreibung insbesondere in Zusammenhang mit den beigefügten Figuren näher erläutert. Die nachstehenden Ausführungen sind daher beispielhaft und nicht einschränkend zu verstehen.
  • Es zeigen
    • Figur 1
    ein schematisches Flussdiagramm eines Verfahren zum Herstellen eines Substrats mittels Kupferabscheidung unter Verwendung eines Modells basierend auf künstlicher Intelligenz,
    Fig. 2a
    ein galvanisches System,
    Fig. 2b
    eine Streckmetallanode auf Basis von Titan mit einer MMOX Beschichtung
    Fig. 2c
    eine 130fach segmentierte Anode,
    Fig. 3a
    eine schematische Draufsicht auf ein beispielhaftes Substrat von 303 x 227 mm2,
    Fig. 3b
    eine schematische Draufsicht auf ein Einzelnutzen zur Kontaktierung zweier Siliziumkomponenten,
    Fig. 3c
    eine schematische Draufsicht eines Details der Leiterbahnen der Figuren 3a und 3b Draufsicht mit 10 µm L/S zwischen den Pads,
    Fig. 4a
    eine schematische Konstruktionsansicht des Anodenhalters von hinten mit Sicht auf eine Schaltung der segmentierten Anode gemäß Fig. 2c,
    Fig. 4b
    eine schematische Konstruktionsansicht des Anodenhalters von vorne mit Sicht auf die segmentierte Anode,
    Fig. 4c
    eine Übersicht des Systems zur Herstellung Substrats mittels Kupferabscheidung unter Verwendung eines Modells basierend auf künstlicher Intelligenz,
    Fig. 5a
    eine beispielhafte Visulisierung von Rohdaten einer XYZ Punktewolke, die einer Messung der Kupferhöhe auf einem Substrat entsprechen,
    Fig. 5b
    gefilterte, nivellierte Daten der Fig. 5a,
    Fig. 5c
    einen gemittelten Messwert Z der Kupferhöhe auf dem Substrat der Figuren 5a und b,
    Fig. 6a
    eine grafische Darstellung eines beispielhaften Lernmusters eines an der Kante erzeugten, Sinus gewichteten, radialen Keils,
    Fig. 6b
    ein Konturendiagramm, das eine aus der Schaltung des Lernmusters nach Fig. 6a resultierende Kupferabscheidungshöhe zeigt,
    Fig. 7
    ein System, mit dem ein Verfahren nach Fig. 1 durchgeführt werden kann,
    Fig. 8a
    zeigt ein beispielhaftes Konturdiagramm bei Verwendung einer einteiligen Streckmetallanode,
    Fig. 8b
    ein Histogramm einer Kupferabscheidung bei der einteiligen Streckmetallanode gemäß Fig. 8a,
    Fig. 9
    Ergebnisse von Trainingsdatensätzen für ein Machine Learning (ML),
    Fig. 10
    Ergebnisse zur Kupferverteilung auf dem Substrat basierend auf den unterschiedlichen ML Modellen,
    Fig. 11a
    ein Detail 10 µm L/S des Substrats bei einer Kupferabscheidung unter Verwendung einer einteiligen Anode,
    Fig. 11b
    eine Übersicht 10 µm L/S des Substrats bei einer Kupferabscheidung unter Verwendung einer einteiligen Anode,
    Fig. 11c
    ein Detail 10 µm L/S des Substrats unter Verwendung einer segmentierten Anode bei einem Verfahren nach Fig. 1,
    Fig. 11d
    eine Übersicht 10 µm L/S des Substrats unter Verwendung einer segmentierten Anode bei einem Verfahren nach Fig. 1.
  • Figur 1 zeigt als schematisches Flussdiagramm ein Verfahren zum Herstellen eines Substrats mittels Kupferabscheidung.
  • In einem ersten Schritt I werden ein Steuermodul, ein Speichermodul sowie ein galvanisches System zur Kupferabscheidung auf einem Substrat bereitgestellt. Das galvanische System umfasst eine segmentierte Anode, die eine Vielzahl Anodensegmente hat, die jeweils ausgebildet sind, durch Anlegen eines Stroms auf einem korrespondierenden Substratsegment Kupfer abzuscheiden. Die Anodensegmente sind über eine zwischen eine Stromquelle und die Anode geschaltete elektrische Schaltung unabhängig voneinander mit Gleichstrom oder gepulstem Wechselstrom beaufschlagbar.
  • In einem zweiten Schritt II wird die segmentierte Anode mit einem Strom gemäß einem vordefinierten Lernmuster beaufschlagt, sodass Kupfer auf dem Substrat abgeschieden wird.
  • In einem dritten Schritt III wird eine resultierende Kupferhöhe auf dem Substrat gemessen.
  • In einem vierten Schritt IV wird ein Datensatz aus den gemessenen Kupferhöhen und einer zugeordneten Steuerung der Anodensegmente gemäß dem Lernmuster erstellt. Ferner wird im vierten Schritt IV der Datensatzes im Speichermodul gespeichert.
  • Die Schritte II bis IV werden, bezeichnet als Schritt V, mit einem sich vom vorherigen Lernmuster unterscheidenden Lernmuster wiederholt.
  • Dieser Schritt V kann mehrere Male wiederholt werden. Je öfter er mit einem anderen Lernmuster wiederholt wird, desto genauer wird ein Gewichtungsmodell im Schritt VI und desto homogener wird die Kupferverteilung in Schritt VII.
  • In Schritt VI wird ein Gewichtungsmodells, das eine Gewichtung der Anodensegmentsteuerung auf die Kupferhöhe des Substrats prognostiziert, unter Verwendung der gespeicherten Datensätze erstellt.
  • Im Schritt VII wird die segmentierte Anode derart gesteuert, dass zumindest gemäß dem ermittelten Gewichtungsmodell eine homogene Kupferhöhe auf dem Substrat erreicht wird.
  • Das galvanische System ist beispielsweise in Figur 2a dargestellt. Das galvanische System kann beispielsweise ein vertikal arbeitendes Galvanikbecken 1 in einer manuellen Versuchsanlage mit 100 I Fassungsvermögen umfassen. Ein rückseitig stabilisierter, vollständig passivierter Halter 2 ist beispielsweise für dünne Substrate (t < 100 µm) der Größe 303 x 227 mm2 ausgelegt und kontaktiert die Kupferstartschicht der Substrate mit Federkontakten. Das Galvanikbecken ist vorliegend mit einer Pumpe, Heizung (1kW) und Filtereinheit ausgerüstet. An den Halter 2 kann beispielsweise eine Streckmetallanode 3' (vgl. Fig. 2b)) oder eine segmentierte Anode 3 (vergleiche Fig. 2c)) mit Segmenten 31 montiert sein.
  • Der semi-additive Prozess kann beispielsweise auf einer Substratgröße von 303 x 227 mm2 realisiert werden. Als Mehrfachnutzen kann das Substrat beispielsweise 240 Einzelplatinen der Größe 18 x 12 mm2 mit einem X/Y-Abstand von 250 µm umfassen. Die Leiterbahnbreiten und Abständ können beispielseise 10 µm L/S sein. Siliziumchips können mit einem Pitch von unter 100 µm kontaktiert werden.
  • Das Substrat der Fig. 3a ist vorliegend 303 x 227 mm2. Dies ist nicht einschränkend zu verstehen. Das Substrat kann auch andere Dimensionen aufweisen. Beispielsweise kann das Substrat deutlich größer sein, beispielsweise 610 mm x457 mm.
  • Das Substrat 4 weist eine durchgängige Startschicht mit Kupfer auf, die teilweise von einem Fotoresist beliebiger Art und Dicke abgedeckt ist, um Leiterzüge/Strukturen aufzubauen. Beispielsweise kann das Substrat 4 einen 100 µm dünnen Leiterplattenkern mit beidseitig 18µm Cu aufweisen. Auf diesen Kern kann doppelseitig eine 10 µm dünne glasfaserfreie Dielektrikumsschicht ABF mittels Vakuumlamination appliziert werden. Als Kupferstartlage kann eine mittels Sputtern (physical vapor deposition, PVD) abgeschiedene Metallkombination von 50 nm Titan und 75nm Kupfer eingesetzt werden. Das Substrat 4 kann anschließend mit einem hochauflösenden Trockenfilm vom Typ RY5107UT laminiert (Lackhöhe beispielsweise 7 µm) werden und von einer Orbotech LDI Ultra lithographisch strukturiert (P = 300 mJ/cm2) werden. Nach der Entwicklung in einer Durchlaufanlage kann eine Plasmareinigung durchgeführt werden. Die Prozessparameter können beispielsweise sein: Sprühdruck 1,6 bar; 30°C; 0,9 % Karbonat Lösung. Die Plasmareinigung mit Sauerstoff/CF4/Argon kann die Oberfläche des Fotofilmes (optimale Benetzung) modifizieren und kann organische Rückstände von der Kupferfläche ätzen. Die Figuren 3 a, 3b und 3c zeigen links beginnend das Substrat 4 in der Übersicht mit einem 15 mm breiten Randbereich 42 und Details der kritischen Stellen mit 10 µm L/S (line/space). Figur 3b zeigt einen Einzelnutzen zur Kontaktierung zweier Siliziumkomponenten. Figur 3c zeigt Leiterbahnen 411 in Detaildarstellung. Die hier aufgezeigten Materialien, Dimensionen und Herstellungsprozesse sind nicht einschränkend zu verstehen und dienen lediglich einer beispielhaften Erläuterung.
  • In Figur 4c ist eine Fotografie eines beispielhaften Aufbaus dargestellt, umfassend das Galvanikbecken 1, die Anodenhalterung 2, ein Steuermodul 6, eine Lufteinblasung 7 und Zuleitungen 8. Eine segmentierte Anode 3 (nicht sichtbar) ist an der Anodenhalterung 2 montiert und in das Galvanikbecken in den Elektrolyt eingetaucht. Das Substrat ist ebenfalls im Galvanikbecken in den Elktrolyt eingetaucht angeordnet. Das Steuermodul 6, das die segmentierte Anode ansteuert, kann Teil der Schaltung sein oder ein externes Modul sein oder beispielsweise in einem Laptop/PC integriert sein. Beispielsweise kann das Steuermodul ein Laptop umfassend eine Festplatte sein. Das Steuermodul 6 selbst kann das Machine Learning / Modellieren ausführen. Alternativ kann das Machine Learning/ Modellieren auf einem Laptop/PC ausgeführt werden. Ein aus dem Modell resultierendes Steuerungsprogramm kann auf das Steuermodul übertragen werden, sodass das Steuermodul 6 die Anodensegmente autark steuern kann. Das Steuermodul 6 ist über die Zuleitungen 8 mit den Anodensegmenten 31 verbunden und kann diese unabhängig voneinander ansteuern.
  • Die steuerbare, segmentierte Anode 3 umfasst ein aus Polypropylen konstruiertes, zweiteiliges Gehäuse mit Ringdichtungen aus Viton ®, 130 in der Größe variierte Anodensegmente auf der Vorderseite, die zum Substrat zentriert sind und eine pulsfeste, variabel ansteuerbare Relaisschaltung (vergleiche Figuren 2c, 4a, 4b).
  • Die Relaissteuerung 4 zur Anbindung jeder einzelnen der 130 Anodensegmente, an die Zuleitung einer Puls-Stromquelle, kann beispielsweise auf Basis eines Arduino UNOs realisiert werden. Ein Mikrokontroller kann per I2C mit zwei Erweiterungsplatinen kommunizieren Auf den Erweiterungsplatinen können insgesamt 8 Bausteine vom Typ MCP23017 montiert sein. Die Erweiterungsplatinen können galvanisch getrennt 16 Stück 8-Kanal-Relaiskarten steuern. Zwei weitere Einzel-Relaiskarten können direkt über das Arduino UNO Board angesteuert werden. Mit dieser Schaltung können alle 130 Anodensegmente unabhängig voneinander geschaltet werden.
  • Die mechanische Aufnahme der Baugruppen und Verteilung der Spannungsversorgung (12 V, max. 10 A) wurde mit einer zweilagigen Leiterplatte realisiert. Die Programmierung des Arduino UNOs und der Start der Abscheidungssequenz kann beispielsweise an einem Notebook mittels USB Schnittstelle erfolgen.
  • Die Software auf dem Arduino kann einen Algorithmus zur Änderung der An/Ausschaltzustände für jedes Anodensegment pro definierten Schaltzyklus ausführen. Die Schaltzustände können von 0 bis 1 normiert mit zwei Nachkommastellen mittels USB auf den Arduino übertragen werden. Das Programm kann starten und die Prozessdauer loggen. Es kann, bei einer Taktzeit von 5 Sekunden, das, auf die gesamte Kupferabscheidedauer bezogene, Tastverhältnis vergleichen. Das Programm kann das Segment 5 s lang anschalten, wenn es unter dem geforderten Tastverhältnis liegt, oder kann es entsprechend ausschalten, wenn es darüber liegt. Im Ergebnis sind bei einer Abscheidedauer von 50 min = 3000 s beispielsweise maximal 600 An/Aus-Wechsel möglich und der Verschleiß der Relaiskontakte kann begrenzt werden.
  • Der Fotolack auf den Substraten kann nach der Kupferabscheidung in einer Durchlaufanlage entfernt werden (beispielsweise mit einer aminhaltigen Lösung, T = 40°C, p Sprühdruck = 3 bar). Die Titan-/Kupferstartschicht kann anschließend nicht abgeätzt werden, um möglichst sichere Daten der Kupferabscheidung zu messen. Im nächsten Schritt kann an jeweils zwei Punkten der Einzelnutzen zu insg. 480 Punkten pro Substrat XYZ-Messdaten der Kupferoberfläche (Messfläche ca. 150 µm x 220 µm) mittels Weißlichtinterferometer auf einer IMPEX Koordinatenmessmaschine gemessen werden.
  • Figur 5 zeigt beispielhaft eine Visualisierung von Rohdaten einer XYZ Punktewolke. Figur 5b zeigt gefilterte nivellierte Daten und Figur 5c einen gemittelten Messwert Z der Kupferhöhe auf dem Substrat.
  • Die Auswertung der Daten kann in dem Programm Mountains Map© erfolgen. Die gesamte Versuchsreihe hinweg können vordefinierte Einstellungen für 1. die Nivellierung 2. die Filterung der Messdaten an den Kanten und 3. die Ausgabe der mittleren Höhendifferenz der Kupferstartlage (grün) und Leiterbahn (rot) verwendet werden (siehe Figuren % a bis 5c). Die Messdatei mit X,Y, und Z Werten kann in eine .CSV basierte Datenbank zusammen mit dem Werten der Gewichtung der Anodensegmente abgespeichert werden.
  • Farben sind in den Figuren durch Abkürzungen dargestellt, wobei r für rot, or für orange, ge für gelb, gr für grün, hbl für hellblau, bl für blau steht.
  • Mit der Software Python wurde ein Programm geschrieben, das zuerst die Daten der Konturdiagramme importiert, alle Werte auf einen Mittelwert von 5 µm interpoliert, auf 1 normiert und in ein Numpy Array speichert. Die Interpolierung der im Mittel abgeschiedenen Kupferschichtdicke ermöglicht, die Versuchsreihe aus Testdaten, Prognosen und Folgeversuchen miteinander vergleichen zu können, da eine Schwankung der mittleren Schichtdicke die 3-fache Standardabweichung (3 sigma) als Qualitätsmerkmal beeinflusst. Die Normierung der Eingabe/Ausgabewerte ist eine Voraussetzung der Scikit-learn Modelle. Im nächsten Schritt können die Daten der Gewichtungen (Tastverhältnis) der Anodensegmente importiert und in ein Numpy Array gespeichert werden.
  • Nach dem Import der Datenbank in Numpy Arrays kann ein Modell aus der Scikit-learn Bibliothek erzeugt werden und anhand von Trainigsdaten angepasst werden. Es kann eine Vorauswahl der umfangreichen Möglichkeiten zur Modellierung aus der scikit-learn Bibliotek zu überwachtem / supervised Machine Learning durchgeführt werden. Die Vorauswahl besteht vorliegend aus Modellen, die grundsätzlich Regression beherrschen und multiple, zueinander ab- /wie unabhängige Kombinationen aus Ein- wie Ausgaben (Input / Output) abbilden können. Folgende Modelle können beispielsweise vorausgewählt werden: "Decision Tree Regression" und/oder "k-nearest neighbours Regression" und/oder "Multi Output Regression" und/oder "Linear Regression" und/oder "Random Forest Regressor".
  • Unter Anwendung möglichst weniger Datensätze und entsprechender Versuche, können Modelle erzeugt werden, die einen Zusammenhang der Anoden Steuerung und der resultierender Kupferabscheidung widerspiegeln. Zu diesem Zwecke kann zunächst ein Vergleich zu einer nicht segmentierten Anode durchgeführt werden. Dafür kann das galvanische System anstelle von mit einer segmentierten Anode mit einer nicht segmentierten Anode betrieben werden. Daraufhin kann die Anode umgebaut werden und eine segmentierte Anode in den Halter 2 eingesetzt werden. Anschließend können beispielsweise fünf Datensätze aus Gewichtungen der Anodensegmente und einem entsprechenden Ergebnis der Kupferabscheidung erzeugt werden. Ein sechster Datensatz kann beispielsweise eine Nulllinie darstellen.
  • Die Muster zur Gewichtung der Anodensegmente zwischen 0 und 1 können in Form von geeigneten "Lernmustern" realisiert werden. Die Lernmuster können das Ziel haben, dem Modell möglichst effektiv Gradienten, Randeffekte, Verschiebungen und die Strömungseffekte wie Lufteinblasung und Umwälzung aufzuzeigen. Als Lernmuster können beispielsweise doppelt schiefe Ebenen und nicht lineare, zum Beispiel Sinus-gewichtete Radien auf der Anodenfläche verteilt sein. Ein Beispiel dafür ist in den Figuren 6a und b abgebildet. Hier ist als Lernmuster ein an der Kante erzeugter, Sinus gewichteter, radialer Keil verwendet worden. In Figur 6a ist ein Lernmuster mit 130 Segment-Gewichten dargestellt. Davon sind in rot = 1 dargestellt diejenigen Segmente, die 100 % geschaltet sind. In grün = 0 sind diejenigen Segmente dargestellt, die 0 % geschaltet sind. In Figur 6b sind 480 XYZ Punkte dargestellt, wobei Z-Höhen einer auf dem Substrat abgeschiedenen Kupferhöhe entspricht. Die Figur 6b ist ein geglättetes XYZ Konturdiagramm. Beide Informationen, d.h. die Informationen der Figur 6a und 6b in Kombination ergeben ein beispielhaftes Trainingsdatenset.
  • Ein erzeugtes Gewichtungsmodell kann bidirektional trainiert werden, um die Gewichtung der Anodensegmente zu prognostizieren (Reverse Machine Learning). Vereinfacht ausgedrückt "lernt" das Modell in der einen Richtung, wie die Höhenverteilung bei gegebenen Anodengewichtung aussieht bzw. "lernt" in der anderen Richtung wie bei gegebener Höhenverteilung die Anodengewichtung aussieht. Figur 7 zeigt ein System zur Durchführung des oben beschriebenen Verfahrens. Die Doppelpfeile in Figur 7 verdeutlichen das bidirektionale Trainieren. Das System und/oder das entsprechende Verfahren kann ermöglichen, dass bei Eingabe einer perfekt homogenen Verteilung ein Modell generiert wird, das die dafür nötige Anodengewichtung bestimmt. Dies kann experimentell verifiziert werden.
  • Figur 7 visualisiert die Zusammenhänge des Systems, das zur Durchführung der Verfahrensschritte nach Figur 1 ausgebildet ist.
  • In einem Beispiel kann eine Kupferabscheidung zunächst mit einer einteiligen Anode durchgeführten werden. Ein Ergebnis für eine initial verbaute, einteilige Anode kann beispielsweise betragen: normiert auf den Mittelwert von µ = 5 µm, 3σ = 1.79 µm und die Uniformität U = 36 %. Das ist der Quotient aus statistisch einseitiger Schwankungsbreite von 3σ und dem Mittelwert. Die Abscheidung mit der einteiligen Anode kann eine ausgeprägte Randerhöhung tcu > 7 µm und eine Senke der Kupferschichtdicke in der Mitte tcu< 4 µm zeigen. Zudem kann sich trotz geometrisch zentrierter Anordnung die Kupferabscheidung als nicht mitten-symmetrisch zeigen. Dies ist beispielsweise in Figuren 8a und 8b gezeigt.
  • Daraufhin kann eine segmentierte Anode verwendet werden, um weitere Lernmuster manuell zu generieren. Die Ergebnisse der Versuchsreihe mit manuell erzeugten Lernmustern zur Ansteuerung der Anode und die zugehörigen, in Versuchen erzeugten Konturdiagramme zur Kupferverteilung, können zusammen mit der "Nulllinie" Trainingsdaten für das Machine Learning bilden. Beispielhafte, manuell erzeugte Lernmuster sind (ausgenommen des 6. Datensatzes der "Nulllinie") mit der Nummer 1 bis 5 in Figur 9 dargestellt. Die Skalierung der Segment-Gewichte ist rot = 1 = 100%; grün = 0 = 0% geschaltet, die Skalierung der Konturdiagramme ist 0 µm (dunkelblau) bis 10 µm (rot).
  • Auf Basis einer derartig eingeschränkten Datenbasis können unterschiedliche Machine Learning Modelle trainiert und in einem ersten Schritt digital evaluiert werden. Zu diesem Zweck kann in einer vorgegebenen Anzahl von Schleifen (beispielsweise N > 10) ein Testdatensatz von den fünf zuvor erzeugten Trainingsdaten abgespaltet und eine Prognose des Modelles gegen einen real erzeugten Testdatensatz verglichen werden. Als Kriterium kann der mittlere absoluten Fehler (MAE) und dessen Standardabweichung (STD) von der Trainings- gegen das Testdatenset verwendet werden. Beispielhafte Ergebnisse dieser Berechnungen sind in der nachfolgenden Tabelle 1 aufgeführt.
    Figure imgb0001
  • Beispielsweise unter Verwendung der Modelle aus Tabelle 1 können mit dem in Figur 1 beschriebenen Verfahren Ergebnisse mittels (Reverse) Machine Learning zur Gewichtung der Anodensegmente, sowie die dazu gehörigen Konturdiagramme zur Kupferverteilung erzeugt werden. Beispielhafte Ergebnisse daraus sind Figur 10 dargestellt. Die Histogramme und Konturdiagramme wurden verwendet, um die Modelle anhand der erreichten Uniformität in % zu vergleichen und die Veränderungen visuell darzustellen. Die Skalierung der Segment-Gewichte ist rot = 1 = 100%; grün = 0 = 0% geschaltet; die Skalierung der Konturdiagramme ist: 0 µm (dunkelblau) bis 10 µm (rot).
  • Zu den Trainingsdaten (beispielsweise die oben beschriebenen 6 Datensätze) können die oben gezeigt drei weiteren Datensätze aus 130 Gewichtungen der einzelnen Anodensegmente und 480 Z Konturdaten hinzugefügt werden. Zur Reduktion der Versuchsanzahl kann beispielsweise eines, beispielsweise nur das beste, beispielsweise das Ergebnis "LinearRegression V2" mit 9 statt zuvor 6 Datensätzen trainiert werden. Zudem kann das Delta der normierten Gewichtung der segmentierten Anode für das Lineare Regressions-modell von V1 zu V2 aufgezeigt werden, um zu visualisieren, welche Änderung das Modell mit den zusätzlichen Informationen der 3 ergänzenden Datensätze berechnet hat.
  • Parallel zu den Höhenmessungen kann die Oberfläche der Kupferabscheidung mit einem Lichtmikroskop dokumentiert werden, um den Einfluss der Anode auf die Abscheidung darzustellen und/oder zu bewerten. Figur 11a zeigt ein Detail 10 µm L/S des Substrats unter Verwendung einer einteiligen Anode. Figur 11b zeigt eine Übersicht 10 µm L/S des Substrats unter Verwendung einer einteiligen Anode. Figur 11c zeigt ein Detail 10 µm L/S des Substrats unter Verwendung einer segmentierten Anode, Fig. 11d zeigt eine Übersicht 10 µm L/S des Substrats unter Verwendung einer segmentierten Anode.
  • Das oben beschriebene initiale Ergebnis der einteiligen Anode kann beispielsweise den deutlichen Einfluss der seitlichen, inhomogenen Anströmung der Substratoberfläche mit hohen Abweichungen in der Kupferabscheidung von U > 30% bestätigen.
  • Werden in der Auswertung die Daten der Kupferabscheidung digital, auf die Mitte geschoben, können noch immer Randerhöhungen und ein ausgeprägtes "Tal" in der Substrat-Mitte erkennbar sein, so dass die Uniformität dadurch nicht signifikant verbessert wird. Diese Effekte lassen sich, wenn überhaupt, nur mit weiteren Einbauten wie z.B. Blendenkonfigurationen beheben. Der Aufwand dafür ist als hoch anzusehen, denn jede Veränderung muss mit einer Testabscheidung verifiziert werden. Eine intuitive Richtung zur Problembehebung ist hier nicht gegeben.
  • Die hier entwickelte segmentierte, individuell ansteuerbare Anode zeigt einen alternativen Lösungsweg auf. Zur Programmierung bzw. Steuerung der Segmente wurde der Einfluss eines Operators weitgehend minimiert. Die Machine Learning Modelle können das wahrscheinliche Konturdiagramm darstellen und mittels Reverse Machine Learning auch die Ansteuerung der Segmente zur Erzeugung einer möglichst uniformen Abscheidung berechnen. Dabei kann es sinnvoll sein, Trainingsdaten zu erzeugen und eine Vorauswahl der Modelle zu treffen.
  • Die in Fig. 9 dargestellten Datensätze mit Lernmustern können bereits bei drei von vier Modellen bereits mit 6 Datensätzen logisch nachvollziehbare Vorschläge zur Ansteuerung der Segmente erzeugen.
  • In dieser Versuchskonfiguration mit nur 6 Trainingsdaten kann sich das Modell "linearRegression" durchsetzen. Die dabei berechnete Ansteuerung der Anode erzielte im Versuch eine Uniformität der Kupferabscheidung von 20 %. Auf Basis der Daten die während der Folgeversuche gewonnen wurden, konnte als Auswahl das Modell "linearRegression" erneut trainiert und in Version 2 eine Verbesserung der Uniformität zu 15 % erreichen.
  • Die Ergebnisse der lichtmikroskopischen Untersuchung der Kupferoberfläche könne zeigen, dass die Elemente fehlerfrei plattiert wurden. Es konnte optisch eine Verrundung an der Oberseite der Bahnfläche dokumentiert werden. Die Oberfläche selbst wurde glänzend und gleichmäßig über das Substrat abgeschieden. Der Effekt der Verrundung ist sehr gering (< 0,5 µm) und kann im Zusammenhang mit der kostengünstigen Plattenkonstruktion der Anodensegmente erklärt werden.
  • Die beispielhaften Ergebnisse zeigen, dass eine steuerbare, segmentierte Anode eine Uniformität von 15 % erreichen kann und in der hier dargestellten Konfiguration deutlich besser als die einteilige Anode arbeitet. Die 3σ Abweichungen von knapp 2 µm auf deutlich unter 1 µm zu senken ist bei dem Ziel eine 5 µm hohe Abscheidung zu erzeugen eine signifikante Verbesserung des Initialzustandes.
  • Bemerkenswert ist, dass der Algorithmus zur linearen Regression schon mit nur 6 Datensätzen mathematisch erkennen kann, dass die Bestromung der Ecken Vorteile gegenüber anderen Gewichtungs-Mustern hat und mittig zentrierte Muster nicht verfolgt hat. Dies geschah in der Versuchsreihe entgegen der intuitiv richtig erscheinenden Annahme einer zentriert symmetrischen Gewichtung, was zeigt, dass modellierende Software-Werkzeuge eine sinnvolle Hilfestellung für Prozessingenieure bieten kann.
  • Auch die alternativen Modelle können innovative, künstliche Muster zur Ansteuerung der Anoden Segmente erzeugen, die darauf hinweisen, dass in dieser Konstruktion sehr wahrscheinlich eine ringförmige Anode Vorteile gegenüber einer großflächigen Anode aufweist.
  • Zusammenfassend lässt sich feststellen, dass ältere und oft günstige Anlagentechnik bei inhomogener Anströmung und Lufteinblasung mit einer segmentierten Anode und Machine Learning betrieben werden können, um die anspruchsvollen Toleranzen bei der Verkupferung von Leiterzügen auf IC Substraten einzuhalten.

Claims (14)

  1. Verfahren zum Herstellen eines Substrats mittels Kupferabscheidung umfassend die folgenden Schritte
    I. Bereitstellen eines Steuermoduls, eines Speichermoduls sowie eines galvanischen System zur Kupferabscheidung auf einem Substrat, das galvanische System aufweisend eine segmentierte Anode, die eine Vielzahl von Anodensegmenten aufweist, die jeweils ausgebildet sind, durch Anlegen eines Stroms auf einem korrespondierenden Substratsegment Kupfer abzuscheiden; wobei die Anodensegmente über eine zwischen eine Stromquelle und die Anode geschaltete elektrische Schaltung unabhängig voneinander mit Gleichstrom oder gepulstem Wechselstrom beaufschlagbar sind,
    II. Beaufschlagen der segmentierten Anode mit einem Strom gemäß einem vordefinierten Lernmuster, sodass Kupfer auf dem Substrat abgeschieden wird,
    III. Messen der resultierenden Kupferhöhe auf dem Substrat ,
    IV. Erstellen eines Datensatzes aus den gemessenen Kupferhöhen und einer zugeordneten Steuerung der Anodensegmente gemäß dem Lernmuster und Speichern des Datensatzes im Speichermodul,
    V. Wiederholen der Schritte II bis IV mit einem sich vom vorherigen Lernmuster unterscheidenden Lernmuster,
    VI. Erstellen eines Gewichtungsmodells, das eine Gewichtung der Anodensegmentsteuerung auf die Kupferhöhe des Substrats prognostiziert, unter Verwendung der gespeicherten Datensätze,
    VII. Steuern der segmentierten Anode derart, dass zumindest gemäß dem ermittelten Gewichtungsmodell eine homogene Kupferhöhe auf dem Substrat erreicht wird.
  2. Verfahren nach dem vorhergehenden Anspruch, wobei in Schritt VI das Gewichtungsmodell unter Verwendung eines Modells basierend auf künstlicher Intelligenz angepasst wird.
  3. Verfahren nach dem vorhergehenden Anspruch, wobei das vordefinierte Lernmuster und/oder eine Sammlung von vordefinierten Lernmustern eine Gewichtung der Anodensegmente vorgibt, insbesondere kann zumindest eines der vordefinierten Lernmuster einen mathematisch modellierten Verlauf umfassen und/oder eine gruppierte Abstufung umfassen.
  4. Verfahren nach dem vorhergehenden Anspruch, wobei die Schritte II und III zusätzlich mit einer nicht segmentierten Anode durchgeführt werden.
  5. Verfahren nach dem vorhergehenden Anspruch, wobei in Schritt VI zum Zwecke des bidirektionalen Lernens die Daten der gespeicherten Datensätze auf einen Sollwert interpoliert, zudem normiert und statistisch modifiziert werden.
  6. Verfahren nach dem vorhergehenden Anspruch, wobei die Daten in ein digitales Array, beispielsweise ein Numpy Array, gespeichert werden.
  7. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Gewichtungsmodell der Anodensegmente angepasst wird, indem es bidirektional, insbesondere unter Verwendung der gespeicherten Datensätze, trainiert wird.
  8. Verfahren nach dem vorhergehenden Anspruch, wobei in Schritt VI ein Modell zum maschinellen Lernen unter Verwendung künstlicher neuronaler Netze und/oder statistischer Regressionsmodelle erzeugt, trainiert und verwendet wird.
  9. Verfahren nach dem vorhergehenden Anspruch, wobei die Datensätze in Schritt IV in Form von Tabellen und/oder Konturdiagramme und/oder Histogrammen visualisiert und gespeichert werden.
  10. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Schritte II bis IV für zumindest eines, insbesondere für zumindest zwei oder zumindest drei, insbesondere zumindest fünf oder zumindest sechs, bevorzugt zumindest neun Lernmuster durchgeführt werden.
  11. System zum Herstellen eines Substrats mittels Kupferabscheidung umfassend
    - ein galvanisches System zur Kupferabscheidung auf einem Substrat, aufweisend eine segmentierte Anode, die eine Vielzahl Anodensegmenten aufweist, die jeweils ausgebildet sind, durch Anlegen eines Stroms auf einem korrespondierenden Substratsegment Kupfer abzuscheiden; wobei die Anodensegmente über eine zwischen eine Stromquelle und die Anode geschaltete elektrische Schaltung unabhängig voneinander mit Gleichstrom oder gepulstem Wechselstrom beaufschlagbar sind,
    - ein Speichermodul, auf dem eine Mehrzahl von Datensätzen gespeichert ist, die Datensätze jeweils umfassend Informationen zu Kupferhöhen auf einem Substrat und einer zugeordneten Steuerung der Anodensegmente,
    - eine mit dem Speichermodul zumindest temporär verbundene oder integrierte Steuereinheit, die ausgebildet und eingerichtet ist, die Datensätze aus dem Speichermodul abzurufen und ein Gewichtungsmodell zu erstellen oder abzurufen, das eine Wirkung der Gewichtung der Anodensegmente auf die Kupferhöhe des Substrats prognostiziert, wobei die Steuereinheit ferner mit der elektrischen Schaltung verbunden und ausgebildet und eingerichtet ist, die elektrische Schaltung unter Verwendung des Gewichtungsmodells derart zu steuern, dass zumindest gemäß dem ermittelten Gewichtungsmodell eine homogene Kupferhöhe auf dem Substrat erreicht wird.
  12. System nach dem vorhergehenden Anspruch, wobei die Steuereinheit ausgebildet und eingerichtet ist, das Gewichtungsmodell unter Verwendung künstlicher neuronaler Netze und/oder statistischer Regressionsmodelle anzupassen.
  13. System nach einem der vorhergehenden Ansprüche, wobei das galvanisches System umfasst
    - eine Kammer oder Kammersystem mit einer Lösung zum Zwecke der galvanischen Abscheidung von Metallen;
    - eine in der Kammer angeordnete Substrathalterung zur Aufnahme des Substrats.
  14. Substrat, hergestellt nach dem Verfahren gemäß einem der Ansprüche 1 bis 10 und/oder mit einem System gemäß Anspruch 11 oder 12, wobei das Substrat eine homogene Kupferoberfläche aufweist.
EP24161027.8A 2023-03-02 2024-03-01 Verfahren und system zum herstellen eines substrats mittels kupferabscheidung und entsprechendes substrat Pending EP4424886A3 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102023105206.3A DE102023105206A1 (de) 2023-03-02 2023-03-02 Verfahren und System zum Herstellen eines Substrats mittels Kupferabscheidung und entsprechendes Substrat

Publications (2)

Publication Number Publication Date
EP4424886A2 true EP4424886A2 (de) 2024-09-04
EP4424886A3 EP4424886A3 (de) 2024-10-09

Family

ID=90123769

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24161027.8A Pending EP4424886A3 (de) 2023-03-02 2024-03-01 Verfahren und system zum herstellen eines substrats mittels kupferabscheidung und entsprechendes substrat

Country Status (2)

Country Link
EP (1) EP4424886A3 (de)
DE (1) DE102023105206A1 (de)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050183959A1 (en) * 2000-04-13 2005-08-25 Wilson Gregory J. Tuning electrodes used in a reactor for electrochemically processing a microelectric workpiece
US6444481B1 (en) * 2001-07-02 2002-09-03 Advanced Micro Devices, Inc. Method and apparatus for controlling a plating process
DE10345376B4 (de) * 2003-09-30 2009-04-16 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System zum automatischen Steuern einer Stromverteilung einer Mehrfachanodenanordnung während des Plattierens eines Metalls auf eine Substratoberfläche
US11061382B2 (en) * 2018-12-18 2021-07-13 General Electric Company Methods of forming electroformed components and related system

Also Published As

Publication number Publication date
DE102023105206A1 (de) 2024-09-05
EP4424886A3 (de) 2024-10-09

Similar Documents

Publication Publication Date Title
DE69431822T2 (de) Vorrichtung und Verfahren für eine modellbasierende Prozesssteuerung
DE102007030052B4 (de) Automatische Abscheideprofilzielsteuerung
DE10229001B4 (de) Verfahren und System zum Steuern der Ionenverteilung während des galvanischen Auftragens eines Metalls auf eine Werkstückoberfläche
DE102007046848A1 (de) Verfahren und System zum Steuern der Transportsequenzen in einer Prozessanlage mittels eines vorausschauenden Modus
DE10208166B4 (de) Verfahren zur Herstellung von Metallleitungen mit verbesserter Gleichförmigkeit auf einem Substrat
DE2418906B2 (de) Verfahren zur Verbindung der in einer Halbleiterscheibe erzeugten Schaltungskreise
DE69616257T2 (de) Einrichtung und Verfahren zur Montage von elektronischen Bauteilen
WO2019025594A1 (de) Verfahren zur produktionsplanung
EP3219180A1 (de) Verfahren und system zur bestückung von leiterplatten
DE102008020167A1 (de) Bestimmung einer Zuordnung von einem zu fertigenden Produkt zu einer Produktionslinie
DE10345376B4 (de) Verfahren und System zum automatischen Steuern einer Stromverteilung einer Mehrfachanodenanordnung während des Plattierens eines Metalls auf eine Substratoberfläche
DE102020105185A1 (de) Datenkorrelation zwischen verschiedenen Maschinen einer Fertigungslinie für elektronische Bauelemente
DE10132408C2 (de) Elektrode mit veränderbarer Form
DE102023105206A1 (de) Verfahren und System zum Herstellen eines Substrats mittels Kupferabscheidung und entsprechendes Substrat
DE10229005B4 (de) Vorrichtung und Verfahren zur elektrochemischen Metallabscheidung
WO2003038158A2 (de) Galvanisiereinrichtung und galvanisiersystem zum beschichten von bereits leitfähig ausgebildeten strukturen
EP1025470A2 (de) Verfahren zur ermittlung realisierbarer konfigurationen von bearbeitungsanlagen
DE112023003949T5 (de) Galvanische Beschichtungsvorrichtung und Verfahren zum galvanischen Beschichten einer Komponententrägerstruktur
DE102015225050A1 (de) Verfahren zum Erstellen einer Datenbank zur Durchführung von Schweißprozessen
DE4132849C2 (de) Verfahren zur Verdrahtung in einer Halbleiterschaltungsanordnung
EP2619354B1 (de) Verfahren zum entschichten von werkstücken
EP4228385A1 (de) Computerimplementiertes verfahren zur bestimmung einer optimalen zuordnung von baugruppentypen zu einer hinsichtlich seiner bestückungsleistung ausgewählten bestückungslinie
DE102016208185A1 (de) Werkstück mit elektrischen Strompfaden
DE102005009026B4 (de) Verfahren zum Betreiben einer fortschrittlichen Prozesssteuerung durch dynamisches Anpassen von Hierarchieebenen
DE102022203180B4 (de) Verfahren und System zur Herstellung eines elektrischen Isolationskörpers für einen Testkontaktor, Herstellungssatz für einen elektrischen Isolationskörper für einen Testkontaktor und elektrischer Isolationskörper für einen Testkontaktor

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN PUBLISHED

AK Designated contracting states

Kind code of ref document: A2

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

PUAL Search report despatched

Free format text: ORIGINAL CODE: 0009013

AK Designated contracting states

Kind code of ref document: A3

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

RIC1 Information provided on ipc code assigned before grant

Ipc: C25D 21/12 20060101ALI20240830BHEP

Ipc: C25D 17/12 20060101AFI20240830BHEP

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250404