JP2012532461A - 処理チャンバの予測予防保全のための方法と装置 - Google Patents

Abstract

【解決手段】処理チャンバの健全状態を査定するための方法が提供される。方法は、レシピを実行することを含む。方法は、また、レシピの実行中にセンサのセットから処理データを受信することを含む。方法は、さらに、多変量予測モデルのセットを用いて処理データを解析することを含む。方法は、尚もさらに、コンポーネント摩耗データ値のセットを生成することを含む。方法は、尚もさらに、コンポーネント摩耗データ値のセットを有用寿命閾値範囲のセットと比較することを含む。方法は、さらに、コンポーネント摩耗データ値のセットが有用寿命閾値範囲のセット外である場合に警告を生成することを含む。
【選択図】図１

Description

プラズマ処理における進歩は、半導体産業において驚異的な発展をもたらしてきた。プラズマ処理システムは、多くのコンポーネントで構成されえる。議論を容易にするために、「コンポーネント」という用語は、プラズマ処理システム内の不可分なパーツまたは複数パーツの組み立て品に言及するために使用される。したがって、コンポーネントは、エッジリングのような単品であってよい、またはプロセスモジュール全体のような複合品であってよい。（プロセスモジュールのなどの）複数パーツのコンポーネントは、（真空システム、ガスシステム、電源システムなどの）その他の複数パーツのコンポーネントから形成されてよく、これらの複数パーツのコンポーネントは、さらに、その他の複数パーツのコンポーネントまたは不可分なコンポーネントから形成されてよい。

時間とともに、１つまたは２つ以上のコンポーネントが磨滅する恐れがある。当業者ならば、もし磨滅したコンポーネントが修繕／交換されないと、それらの磨滅コンポーネントによってチャンバおよび／または基板が損傷されえることを承知している。どのコンポーネントが交換されるべきかを特定する１つの方法は、コンポーネント交換についての固定スケジュールを使用することを含んでよい。つまり、各コンポーネントについて、その有用寿命が推測的に特定されてよい。各コンポーネントは、その利用を追跡されてよく、（固定の有用寿命スケジュールによって事前に決定された）自身の有用寿命の終わりに到達したときに交換されてよい。

あいにく、交換／修理を目的としてコンポーネントの有用寿命を事前に決定する方法には、制限がある。第１に、コンポーネントの有用寿命は、そのコンポーネントを取り巻く環境に依存して異なることがある。一例において、コンポーネント１は、コンポーネント２とは異なる１つのプロセスレシピまたは複数プロセスレシピの混合を経るプロセスチャンバ内で使用されることがある。したがって、コンポーネント１は、たとえコンポーネント１とコンポーネント２とが同じ型およびモデルであっても、コンポーネント２よりも早く磨滅する可能性がある。

したがって、有用寿命を事前に決定された方法では、たとえコンポーネントの有用寿命がまだ実際には終了していなくても、処理チャンバをオフラインにしてそのコンポーネントを交換することに付随して不必要なコストが発生する恐れがある。また、有用寿命を事前に決定された方法は、コンポーネントがその事前決定された理論的な有用寿命よりも前に時期尚早に磨滅する可能性を考慮に入れることができない。コンポーネントの劣化状況は、多くの場合、基板への損傷、ならびに／または処理チャンバおよび該チャンバ内のその他のコンポーネントへの損傷を生じさえる恐れがある。

コンポーネントの摩耗を決定する１つの方法は、一パラメータの展開を追跡することを伴ってよく、これは、いわゆる単変量モードである。一例では、コンポーネントの健全性は、何らかのセンサによって測定可能な１つのパラメータを追跡することによって監視されてよい。例えば、ＲＦバイアス電圧が追跡されてよい。もしＲＦバイアス電圧が、事前に決定された閾値を上回る場合は、例えばエッジリングは、その有用寿命の終わりに到達したとみなされてよい。

あいにく、単変量方法にもやはり、制限がある。上記のように、所定の一コンポーネントは、一パラメータを追跡することによって監視される。しかしながら、そのパラメータは、その所定のコンポーネントの状況以外の影響も受ける可能性がある。一例では、エッジリングの状況を監視するために、ＲＦバイアス電圧が監視されてよい。しかしながら、ＲＦバイアス電圧の値は、エッジリングの状況だけでなく、それ以外の影響も受ける可能性がある。例えば、ＲＦバイアス電圧は、チャンバ壁へのデポジションによっても影響されることがある。したがって、高いＲＦバイアス電圧が確認されたときは、その高いＲＦバイアス電圧値は、エッジリングに問題が存在しえることを示しているとは限らない。むしろ、問題は存在するであろうが、その問題の原因を特定する前に、さらなる解析が求められるであろう。

単変量方法のもう１つの問題は、単変量方法が、「実行／中止（go/no-go）」方法になりえることである。つまり、単変量方法は、障害状況がいつ存在しえるかを特定してコンポーネントの交換を可能にするために用いられるのが通常である。しかしながら、単変量方法は、コンポーネントの交換が（必要であるかどうかではなく）いつ必要になりえるかの予測を助けることはできないであろう。つまり、このようなシナリオでは、単変量方法は、問題（例えば有用寿命の終了）がいつ発生しえるかを予測するためでなく、せいぜい、問題を特定するために用いることしかできないであろう。

その結果、エッジリングなどのコンポーネントが実際に磨滅したときに、交換用のコンポーネントを直ちに用意できないであろう。結果的に、処理チャンバは、交換用に例えば新しいエッジリングを得られるまでオフラインにとどまる必要があるであろう。もちろん、メーカは、（エッジリングなどの）交換品を常に用意しておく選択をしてもよい。スペアのコンポーネントを常に用意するこの方法は、コンポーネントがまだ正常な動作状況にあるときでもスペアのコンポーネントを利用可能にしておくために、メーカが資源（資金および貯蔵スペース）を割り当てなければならないゆえに、不経済になる可能性がある。

コンポーネントの摩耗を特定するもう１つの方法は、監視用パッチを用いることを含んでよい。監視用パッチは、コンポーネントに搭載されえるアイテムである。監視用パッチは、コンポーネントの表面近くに搭載されてよいまたはコンポーネントに埋め込まれてよい。コンポーネントは、例えば監視用パッチが磨滅したときに、その有用寿命が終わるとみなされてよい。もし、監視用パッチが埋め込まれているならば、コンポーネントは、例えば監視用パッチが見えるようになったときに、その有用寿命が終わるとみなされる。

監視用パッチの方法には、幾つかの制限がある。第１に、監視用パッチは、監視対象とされる各コンポーネントに必要である。したがって、もし、１００個のコンポーネントの監視が必要であるならば、その各コンポーネントに監視用パッチが搭載されなければならない。監視用パッチの方法は、監視されえるコンポーネントの数次第では、実装および監視が非常に高価で且つ時間がかかる可能性がある。

また、監視用パッチの利用は、汚染のリスクを増大させるであろう。監視用パッチは、処理チャンバに入れなければならない異物である。上記のように、処理チャンバへの損傷および／または基板への損傷を阻止するためには、処理チャンバの状況が厳密に制御されなければならない。処理環境は、１つまたは２つ以上の監視用パッチを処理チャンバに導入することによって変化するであろう。また、処理チャンバ内における監視用パッチの存在によって処理環境がどの程度変化しえたかは、未知または計測困難であろう。

監視用パッチの方法のもう１つの制限は、監視用パッチをコンポーネントに搭載することによって、そのコンポーネントの機械的機能性が損なわれえることである。つまり、エッジリングの機械的挙動は、リングへの監視用パットの埋め込みによって変化するであろう。あいにく、パッチがコンポーネントの機能性を変化させえた度合いは、各コンポーネントおよび／または各パッチが固有でありえるゆえに、変動するであろう。

したがって、コンポーネントの摩耗を予測するための、非侵襲性の方法が望まれている。

添付の図面では、本発明は、限定的なものではなく例示的なものとして示されており、図中、類似の参照符号は、同様の要素を指すものとする。

発明の一実施形態における、コンポーネントを適格化するために１つの多変量予測モデルを適用することの簡略フローチャートを示している。

発明の一実施形態における、コンポーネントの健全性の決定において複数の予測モデルを適用する方法を示した簡略フローチャートである。

発明の一実施形態における、非プラズマ試験（ＮＰＴ）を伴った多変量予測モデルを適用する方法を示した簡略フローチャートである。

発明の一実施形態における、多変量予測モデルと非プラズマ試験からのデータとを使用してコンポーネントを適格化する方法を示した簡略フローチャートである。

発明の一実施形態における、コンポーネントを適格化するための多変量予測モデルを構築する方法を示した簡略フローチャートである。

次に、添付の図面に示されるような幾つかの実施形態を参照にして、本発明が詳細に説明される。以下の説明では、本発明の完全な理解を与えるために、多くの詳細が明記されている。しかしながら、当業者ならば、本発明が、これらの一部または全部の詳細を伴わずとも実施されえることが明らかである。また、本発明を不必要に不明瞭にしないために、周知のプロセス工程および／または構造の詳細な説明は省かれている。

方法および技術を含む様々な実施形態が、以下で説明される。発明は、発明技術の実施形態を実行に移すためのコンピュータ可読命令を格納されたコンピュータ可読媒体を含む製造品も対象としえることを念頭に置かれるべきである。コンピュータ可読媒体としては、例えば、コンピュータ可読コードを格納するための、半導体、磁気、光磁気、光、またはその他の形態のコンピュータ可読媒体が挙げられる。さらに、発明は、発明の実施形態を実施するための装置も対象としえる。このような装置は、発明の実施形態に関連したタスクを実行に移すための、専用および／またはプログラム可能な回路を含んでよい。このような装置の例としては、適切にプログラムされたときの汎用コンピュータおよび／または専用計算機器があり、コンピュータ／計算機器と、発明の実施形態に関連した様々なタスクに適応された専用の／プログラム可能な回路との組み合わせが挙げられる。

技術全体の理解を促すために、統計モデルについて幾らか詳述されるが、本発明は、パーツの摩耗の予測、およびそのような予測が予防保全においてどのように使用されえるかに関する。上記予測を実施するために使用されえる具体的なモデルは、関与しているチャンバまたはパーツに依存してよい。しかしながら、任意のモデル（例えば統計モデル、電気モデル、プラズマモデル、ハイブリッドモデル、これらのモデルの組み合わせなど）が使用されてよく、特定のチャンバ、特定のパーツ、および／または特定のレシピに対する特定のモデルの使用は、当業者の範囲内である。

発明の実施形態において、チャンバの健全状態を査定する方法が提供される。発明の実施形態は、チャンバ健全性指標試験を実施することを含む。本明細書で論じられるチャンバ健全性指標試験とは、処理チャンバ内のコンポーネントのセット（例えば消耗パーツのセット）の健全性を決定および／または予測しえる試験を言う。つまり、チャンバ健全性指標試験は、コンポーネントがその有用寿命の終わりにいつ到達しえるかを決定および／または予測するために使用されてよい。

発明の一実施形態において、チャンバの健全状態を評価する方法が提供される。一例では、１つまたは２つ以上の多変量予測モデルが、処理チャンバ内においてチャンバ健全性指標試験を実施するように構築されてよい。先行技術と異なり、（１つまたは２つ以上の）予測モデルは、１つのパラメータではなく複数のパラメータに基づいてよい。結果的に、チャンバ健全性指標試験は、コンポーネントがいつ磨滅しえたかを特定するためのみならず、そのコンポーネントの残りの有用寿命を予測するためにも実行されてよい。

一実施形態では、ロバスト予測モデルのセット（例えば多変量予測モデルのセット）の構築は、予防保守サイクル内における様々な時点で収集されたデータに基づいてよい。予防保守サイクルは、ここでは、湿式洗浄サイクルとも呼ばれる。データは、実際のコンポーネント自体ではなくチャンバの状況に関係している可能性があるデータセット内のノイズを排除するために、湿式洗浄サイクルの少なくとも開始時および終了時に収集されてよい。発明の一実施形態において、ロバスト予測モデルのセットの構築は、複数のチャンバを跨いで収集されたデータに基づいてもよい。データは、コンポーネントの状況ではなくある特定のチャンバに固有なチャンバ状況に結び付いている可能性があるノイズも排除するために、複数のチャンバを跨いで収集される。

多変量予測モデルのセットが構築されたら、その多変量予測モデルのセットは、チャンバおよびそのコンポーネントの状況を適格化するために、生産環境内において適用されてよい。発明の実施形態は、１つの多変量予測モデルを使用してコンポーネントを適格化する方法を提供する。つまり、１つのコンポーネントを適格化するために、１つの多変量予測モデルが使用されてよい。発明の一実施形態では、複数パーツの摩耗を予測するためにおよびチャンバ健全性指標の決定において２つ以上の多変量予測モデルを適用する方法が提供される。

一実施形態では、チャンバ健全性指標試験と併せて非プラズマ試験（ＮＰＴ）が用いられてよい。一実施形態において、ＮＰＴは、チャンバ健全性指標試験がいつ実行される必要があるであろうかを判断するために用いられてよい。本明細書で論じられる非プラズマ試験とは、１つまたは２つ以上の既定の周波数で低電力を処理チャンバに印加してプラズマを点火させないことによって実行されえる試験を言う。この試験中に、プラズマは形成されないが、処理チャンバの状況を概算するのに十分なデータは提供される。ＮＰＴは、実行が比較的迅速で尚且つ安価な試験であるので、ＮＰＴは、チャンバ健全性指標試験の先行試験として使用されてよい。発明の一実施形態において、ＮＰＴは、チャンバ健全性指標試験を検証するために用いられてもよい。一実施形態では、ＮＰＴからのデータは、検証を目的として、チャンバ健全性指標試験中に収集されたデータに関連付けられてよい。

本発明の特徴および利点は、以下の図面および議論を参照にして、さらに良く理解されるであろう。

上記のように、チャンバの健全状態は、保全がいつ必要とされるかを決定するために使用されてよい。特に消耗パーツなどのチャンバの健全状態を査定するために、チャンバ健全性指標試験が実施されてよい。チャンバ健全性指標試験は、モデルベースのアプローチに基づいて実施されてよい。

図１〜４は、発明の一実施形態における、コンポーネントのセットを適格化するために１つまたは２つ以上の多変量予測モデルを適用する種々の方法を示している。

図１は、発明の一実施形態における、コンポーネントのセットを適格化するために１つの多変量予測モデルを適用することの簡略フローチャートを示している。

第１のステップ１０２では、処理チャンバ内においてレシピが実行される。該レシピは、クライアント特化レシピ、ＷＡＣレシピ、または非クライアント特化レシピのいずれかであってよい。

本明細書で論じられるクライアント特化レシピは、ある特定のメーカ用に適合されえるレシピである。一例において、クライアント特化レシピは、ある特定のメーカに固有な実生産対応プロセスレシピであってよい。一実施形態において、クライアント特化レシピを用いる能力は、ユーザ（例えばプロセスエンジニア）が、自身のニーズに特化された多変量モデルを構築することを可能にする。

本明細書で論じられる非クライアント特化レシピとは、ある特定の消耗パーツの摩耗に対する感度を最大にするように設計されえるレシピを言う。一例において、非クライアント特化レシピは、プラズマ処理システムの特定の状況を解析するように構成されえるレシピであってよい。非クライアント特化レシピは、それによって指定された同様なチャンバセットアップを有する処理チャンバを有するであろう任意のメーカによって用いられてよい。

使用されえるもう１つのレシピは、ウエハレス自動洗浄（waferless autoclean）レシピである。ＷＡＣレシピは、生産工程後に実行されてよい。ＷＡＣレシピは、チャンバに特化されていないのが通常である。

実行されえるレシピのタイプは、多変量予測モデルに依存してよい。一例において、もし、多変量予測モデルがクライアント特化レシピを使用して構築されたならば、その多変量モデルを用いるために使用されえるレシピもやはり、クライアント特化レシピであってよい。

次のステップ１０４では、センサのセット（例えば圧力センサ、温度センサ、ＶＩプローブ、ＯＥＳ、ラングミュアプローブなど）によって、処理データが収集される。

次のステップ１０６では、処理データにモデルが適用される。つまり、システムは、処理データを多変量予測モデルと比較してよい。一実施形態では、予測モデルは、統計モデルである。別の実施形態では、予測モデルは、電気モデルである。さらに別の実施形態では、予測モデルは、プラズマモデルである。さらに、ステップ１０６は、１つのコンポーネントの分析に限られず、むしろ、種々のコンポーネントの健全性を解析するために、同じデータセットに対して異なる多変量予測モデルが適用されてよい。

一実施形態において、多変量予測モデルは、ライブラリからデータを引き出していてよい（１０８）。ライブラリは、モデルをサポートするために使用されえるデータ（例えば定数）を含んでよい。

解析が実施された後、次のステップ１１０において、予測モデルは、解析されている各コンポーネントについてコンポーネント摩耗データを出力してよい。つまり、解析されている各コンポーネントの健全状態を詳述したデータレポートが作成されてよい。

次のステップ１１２において、システムは、出力されたデータを有用寿命閾値範囲と比較してよい。各コンポーネントについての有用寿命閾値は、例えば専門知識に基づいてよい。一実施形態では、有用寿命閾値は、ユーザ設定可能であってよい。したがって、ユーザは、ツール構成やレシピ設定などを調節するために、有用寿命閾値を変更してよい。

もし、出力されたデータが有用寿命閾値外であるならば、次のステップ１１４において、警告／エラーメッセージが提供されてよい。警告／エラーメッセージは、有用寿命閾値が破られる原因となったパラメータを特定してよい。出力レポートからのデータによって、ユーザ（例えばプロセスエンジニア）は、確信を持って、問題を是正するために必要とされえる一連の措置の決定に進めるであろう。一例では、コンポーネントは、例えば修理および／または交換を必要とするであろう。

もし、出力されたデータが有用寿命閾値内であるならば、解析されている各コンポーネントは、良好な動作状況にあるとみなされる。次のステップ１１６において、システムは、図１に示されるような方法を再び実施する前に、次の測定までの時間間隔の間、待機してよい。

図１からわかるように、多変量モデルを適用することによって、ユーザは、１つまたは２つ以上のコンポーネントの健全性を決定することができるであろう。したがって、予測モデルは、コンポーネントがいつ劣化したかを特定しえるのみならず、コンポーネントがいつ許容不可能なレベルまで磨滅しえるかも予測しえる。一例において、出力レポートは、エッジリングがまだ正確に動作しているゆえに、そのエッジリングが磨滅したとは示さないであろう。しかしながら、出力レポートは、そのエッジリングの有用寿命の約７５パーセントが消費されたこと、および間もなく交換が必要になるであろうと示すであろう。この知識によって、メーカは、来たる修理を計画してよい。

図２は、発明の一実施形態における、コンポーネントの健全性の決定において複数の予測モデルを適用する方法を示した簡略フローチャートである。

第１のステップ２０２では、処理チャンバ内においてレシピが実行される。図１と同様に、該レシピは、クライアント特化レシピ、ＷＡＣレシピ、または非クライアント特化レシピのいずれかであってよい。

次のステップ２０４では、センサのセット（例えば、圧力センサ、温度センサ、ＶＩプローブ、ＯＥＳ、ラングミュアプローブなど）によって、処理データが収集される。

次のステップ２０６では、処理データにモデルのセットが適用される。つまり、処理データを解析するために、２つまたは３つ以上のモデル（２０８、２１０、２１２）が使用されてよい。一例では、コンポーネントの適格化を目指して、２つのモデルが適用されてよい。例えば、モデル２０８が多変量統計モデルである一方で、モデル２１０は電気モデルであってよい。

図１と同様に、ステップ２０６は、種々のコンポーネントの健全性を解析するために、同じデータセットに対して異なる多変量予測モデルが適用されることを可能にする。

一実施形態において、モデルのセットは、ライブラリからデータを引き出していてよい（２１４）。ライブラリは、モデルをサポートするために使用されえるデータ（例えば定数）を含んでよい。

解析が実施された後、次のステップ２１６において、システムは、モデルからの出力が一致するかどうかを判定するためにチェックを行ってよい。一例において、もし、多変量モデル２０８からの出力が、コンポーネントにおける９０パーセントの摩耗を示す一方で、多変量モデル２１０からの出力が、同じコンポーネントにおける７５パーセントの摩耗を示すならば、これらのモデルからの出力データは、一致していない。

もし、モデルからの出力データが一致しないならば、次のステップ２１８では、よりロバストなモデルからのデータに対し、よりノイズの少ないモデルが適用されてよい。一例において、モデル２０８は、電気モデルであり、よりロバストなモデルではあるが非常に高いノイズレベルを有するであろう。しかしながら、モデル２１０は、統計モデルであり、さほどロバストではないが、より低いノイズレベルを有するであろう。本明細書で論じられるロバストなモデルとは、外れ値（統計的異常値）をほとんど有さないモデルを言う。一実施形態では、コンポーネントを適格化するために、よりロバストなモデル（この例ではモデル２０８）からのデータに対し、さほどロバストではないがノイズレベルの低いモデル（モデル２１０）が適用されてよい。この方法は、精度を向上させつつノイズを減らすことを可能にする。

また、モデルの出力が一致しないので、システムは、違いを報告してそれらのモデルに更新用の印をつけてよい（ステップ２２０）。つまり、モデルのうちの１つまたは２つ以上を構築しなおすために、追加のデータが収集されてよい。一例において、図５で説明されている方法（後ほど論じられる）は、ノイズレベルを調節してモデルどうしをより良く関連付けるために、電気モデル（２０８）および統計モデル（２１０）を（異なる／追加のデータまたは異なるモデル化アプローチによって）構築しなおすために実施されてよい。

しかしながら、もし、モデルからのデータ出力が一致するならば、次のステップ２２２では、それらの予測モデルから、解析されているコンポーネントについてのコンポーネント摩耗データが出力されてよい。

次のステップ２２４において、システムは、出力されたデータを有用寿命閾値範囲と比較してよい。

もし、有用寿命閾値を超えている場合は、次のステップ２２６において、警告／エラーメッセージが提供されてよい。

もし、出力されたデータが有用寿命閾値外であるならば、次のステップ２２８において、システムは、次の測定までの時間間隔の間、待機してよい。

図２からわかるように、図２で説明されている方法は、１つの多変量予測モデルではなく複数の予測モデルを用いることを除き、図１で説明されている方法と幾分類似している。２つ以上の予測モデルを用いることによって、検証が提供されえる。また、もし、モデルのうちの１つがあまりロバストでないならば、そのあまりロバストでないモデルを補うために、追加のモデルが使用されてよい。

図３は、発明の一実施形態における、非プラズマ試験（ＮＰＴ）を伴った多変量予測モデルを適用する方法を示した簡略フローチャートである。

第１のステップ３０２では、非プラズマ試験が実行される。本明細書で論じられる非プラズマ試験とは、既定の周波数で低電力を処理チャンバに供給することによって実行されえる迅速な試験を言う。電力は、プラズマを発生させられるほど強くはなくてよいが、チャンバに関する電気データ（例えばインピーダンスやキャパシタンスなど）を提供するのには十分な強さであってよい。一実施形態では、非プラズマ試験は、チャンバ健全性指標試験の先行試験であってよい。つまり、ＮＰＴによって、コンポーネントの１つに潜在的な問題が存在しえることが示された場合に、チャンバ健全性指標が実行されてよい。ＮＰＴは、チャンバ健全性指標試験と比べて迅速で尚且つかなり安価な試験であるので、先行試験としてのＮＰＴの使用は、所有コストの削減に役立つであろう。

もし、ＮＰＴによって、潜在的な問題が存在しえることが示された場合は、次のステップ３０４において、チャンバ健全性指標試験が実施されてよい。チャンバ健全性指標試験を開始させるために、先ず、レシピが実行されてよい。

次のステップ３０６では、解析のためにデータが取得される。

次のステップ３０８では、解析のためにデータに対して１つまたは２つ以上のモデルが適用されてよい（図１および図２の議論を参照せよ）。

解析を実施するために、ライブラリ３１０からデータが引き出されてもよい。ライブラリは、（１つまたは２つ以上の）モデルをサポートするために使用されえるデータ（例えば定数）を含んでよい。

データ解析が完了されたら、解析されている各コンポーネントの健全性に関する出力レポートが提供されてよい（ステップ３１２）。

次のステップ３１４において、システムは、出力されたデータを有用寿命閾値範囲と比較してよい。各コンポーネントについての有用寿命閾値は、例えば専門知識に基づいてよい。一実施形態では、有用寿命閾値は、ユーザ設定可能であってよい。したがって、ユーザは、ツール構成やレシピ設定などを調節するために、有用寿命閾値を変更してよい。

もし、出力されたデータが有用寿命閾値外であるならば、次のステップ３１６において、警告／エラーメッセージが提供されてよい。警告／エラーメッセージは、有用寿命閾値が破られる原因となったパラメータを特定してよい。出力レポートからのデータによって、ユーザ（例えばプロセスエンジニア）は、確信を持って、問題を是正するために必要とされえる一連の措置の決定に進めるであろう。一例では、コンポーネントは、例えば修理および／または交換を必要とするであろう。

もし、出力されたデータが有用寿命閾値内であるならば、次のステップ３１８において、システムは、次の測定までの時間間隔の間、待機してよい。

図３からわかるように、コンポーネントを適格化するためのステップは、図１および／または図２で説明されているステップと幾分類似している。図１および／または図２と異なり、図３で説明されている方法は、次の測定までの時間間隔を特定するための定量的方法に関する。つまり、ＮＰＴは、次のチャンバ健全性指標試験がいつ実施される必要があるであろうかに関する指標として用いられる。上記からわかるように、図３で説明されているステップは、もし、データの解析において２つ以上の多変量予測モデルが使用される場合には、調節されてよい。

図４は、発明の一実施形態における、多変量予測モデルと非プラズマ試験からのデータとを使用してコンポーネントを適格化する方法を示した簡略フローチャートである。図３および図４は、ともに、非プラズマ試験を用いているが、図４で説明されている方法は、ＮＰＴがチャンバ健全性指標試験の先行試験としてではなく検証のために用いられるという点で、図３で説明されている方法と異なる。

第１のステップ４０２では、レシピが実行される。

次のステップ４０４では、処理中に処理データが取得される。

次のステップ４０６では、解析のためにデータに対して１つまたは２つ以上のモデルが提供されてよい。一実施形態では、ライブラリ４０８からデータが引き出されてもよい。

解析からの結果は、出力レポートとして提供される（ステップ４１０）。

次のステップ４１２において、システムは、追加の検証が必要であるかを判定するために結果を解析してよい。追加の検証は、ステップ４１０からの結果が不確かであるまたはノイズが多すぎるときに必要とされるであろう。一実施形態において、結果は、既定のノイズレベル閾値範囲と比較されてよい。もし、結果が既定のノイズレベル閾値範囲外であるならば、検証が必要とされるであろう。

もし、追加の検証が必要であるならば、次のステップ４１４において、ＮＰＴが実行されてよい。

ＮＰＴ中に、データが収集される（ステップ４１６）。

ＮＰＴからのデータおよびモデル解析からのデータは、モデル解析中に収集されたデータを検証するためにＮＰＴデータが用いられることによって、互いに関連付けられる（ステップ４１８）。

統合されたデータは、解析されている（１つまたは２つ以上の）コンポーネントの健全性を詳述した単独のレポートとして出力される（ステップ４２０）。

もちろん、もし、追加の検証が必要とされないならば（ステップ４１２）、（ステップ４１０からの）パーツ摩耗情報が、単独のレポートとして出力されてよい（ステップ４２０）。

次のステップ４２２において、システムは、出力されたデータを有用寿命閾値範囲と比較してよい。各コンポーネントについての有用寿命閾値は、例えば専門知識に基づいてよい。一実施形態では、有用寿命閾値は、ユーザ設定可能であってよい。したがって、ユーザは、ツール構成やレシピ設定などを調節するために、有用寿命閾値を変更してよい。

もし、出力されたデータが有用寿命閾値外であるならば、次のステップ４２４において、警告／エラーメッセージが提供されてよい。警告／エラーメッセージは、有用寿命閾値が破られる原因となったパラメータを特定してよい。出力レポートからのデータによって、ユーザ（例えばプロセスエンジニア）は、確信を持って、問題を是正するために必要とされえる一連の措置の決定に進めるであろう。一例では、コンポーネントは、例えば修理および／または交換を必要とするであろう。

もし、出力されたデータが有用寿命閾値内であるならば、次のステップ４２６において、システムは、次の測定までの時間間隔の間、待機してよい。

図４からわかるように、コンポーネントを適格化するためのロバストな方法が提供される。ロバストな方法は、コンポーネント解析を実施するために２つ以上の多変量モデルを提供するのみならず、（１つまたは２つ以上の）多変量予測モデルの結果を検証するためにＮＰＴも含んでいる。

上記からわかるように、チャンバの健全状態を査定する方法は、モデルベースのアプローチであってよい。モデルベースのアプローチは、一実施形態では、電気モデル、プラズマモデル、統計モデル、またはハイブリッドモデルに基づいてよい。モデルがどのように構築されえるかを例示するために、図５は、発明の一実施形態における、コンポーネントを適格化するための多変量予測モデルを構築する方法を示した簡略フローチャートである。

第１のステップ５０２では、コンポーネント寿命データが提供される。コンポーネント寿命データは、コンポーネントについての機能的および／または物理学的測定値を含んでよい。一例において、もし、コンポーネントが新品であるならば、物理学的測定は、メーカによって提供されるのが通常である。しかしながら、もし、コンポーネントが新しくないならば、コンポーネント寿命は、コンポーネントに対して実際に測定を行うことによって決定されてよい。

次のステップ５０４では、レシピが実行される。レシピは、例えば、クライアント特化レシピ、非クライアント特化レシピ、ＷＡＣ（ウエハレス自動洗浄）レシピであってよい。

ユーザ（例えばプロセスエンジニア）によって設定された要件に応じて、上記のレシピタイプのうちの１つまたは２つ以上が、処理チャンバのコンポーネントを適格化するためのモデルの作成に必要とされるデータを取得するために実行されてよい。

次のステップ５０６では、処理中に処理データが収集される。処理データは、センサのセットによって捕獲されてよい。上記からわかるように、利用可能なセンサの数、利用可能なセンサのタイプ、およびセンサの仕様は、収集される処理データの粒度に影響を及ぼすであろう。処理チャンバ内において使用されえるセンサの非限定的な例として、例えば、圧力センサ、温度センサ、電圧−電流プローブ（ＶＩＰ）、発光分光計などが挙げられる。具体的には、ＶＩＰおよびＯＥＳからのデータは、特定の周波数またはそれらの調和周波数で広帯域出力を離散化することを伴ってよい。或いは、これらのセンサからのフルスペクトル広帯域の比較が、解析の基盤をなしてもよい。

一実施形態では、ステップ５０４および５０６は、湿式洗浄サイクル中に発生しえる潜在的なドリフトを考慮に入れるために、湿式洗浄サイクル中に種々の時間間隔で実行されてよい。例えば、これらのステップは、エッジリングなどのコンポーネントが装着されたばかりの時点で実行されてよい。これらのステップは、湿式洗浄サイクルの中間および終わりにかけて繰り返されてもよい。多変量モデルを構築するために利用可能なデータの量は、ステップ５０４および５０６が実行される回数に依存する。上記からわかるように、ステップ５０４および５０６が実行されえる回数は、ユーザがモデルの構築において追加のデータから得られる恩恵に依存してよい。

パラメータは、保守事象（例えば湿式洗浄）の実施後に変化することがあるので、多変量モデルの構築前に、湿式洗浄によって影響されるパラメータを特定して排除または調整する必要があるであろう。一例では、処理チャンバの透明窓が洗浄された後に、幾つかの波長での（ＯＥＳによる）測定強度が変化する可能性がある。一実施形態では、湿式洗浄によって影響されえるパラメータを排除するために、湿式洗浄サイクル（５０８）中にステップ５０４および５０６が複数回実行される必要があるであろう。

追加または代わりとして、ステップ５０２〜５０６は、処理チャンバを跨いで実行されてもよい（５１０）。処理チャンバを跨いで適用されえる多変量モデルを作成するためには（チャンバの状況が同じ／同様であることを前提とする）、チャンバ関連の状況によって影響されえるパラメータを特定して排除または調整する必要があるであろう。例えば、種々のプロセスチャンバにおいて実行される標準的な適格化レシピの実行中に収集されるデータは、とあるチャンバから別のチャンバへとセンサ出力を変換するためのルールを開発して両チャンバにおける出力を一致させるために使用することができる。

発明の一実施形態において、もし、センサが一致しているならば、ステップ５０２〜５０６は、コンポーネントの摩耗に関係していないであろうパラメータの変化を排除するために湿式洗浄サイクル中におよび／または処理チャンバを跨いで繰り返される必要はないであろう。一致したセンサは、定められた何らかのチャンバ状態に対して同じ絶対値を返すはずである。もし、一致したセンサが使用されているならば、同一の２つのチャンバについて測定されたチャンバインピーダンスは同じになる。

十分なデータが収集されたら、次のステップ５１２において、コンポーネントについての多変量モデルが作成されてよい。先行技術と異なり、多変量モデルは、１つのパラメータではなく複数のパラメータに基づく。センサによって、多量のデータおよび／または粒度の高いデータが収集されえるので、一実施形態では、データの処理および解析を扱うために、高速処理計算モジュールが使用されてよい。処理時間を増やすために、データは、先ず製造設備ホストコントローラまたはひいては処理モジュールコントローラを経る必要なくセンサから高速処理計算モジュールに直接送信されてよい。Huang et al.によって２００９年９月８日に出願された出願第１２／５５５，６７４号は、データの扱いに適した高速処理計算モジュールの一例を説明している。

しかしながら、収集された全てのデータが、コンポーネントを適格化するプロセスに関係しているとは限らない。コンポーネントの摩耗に関係している可能性があるパラメータのみを特定するために、フィルタリング基準が適用されてよい。フィルタリング基準は、一実施形態では、湿式洗浄サイクルに関係していないパラメータを含んでよい。別の実施形態では、フィルタリング基準は、チャンバに依存した除外データも含んでよい。一例として、特定の２７ＭＨｚプラズマを監視するために、湿式洗浄中にＶＩプローブが使用されるときは、たとえ湿式洗浄内でパーツの摩耗を詳細に追跡した後でも、多くの場合、１００ＭＨｚを超える一部の高調波成分がシフトを生じる。

コンポーネントの摩耗に関係した関連パラメータが特定されたら、１つまたは２つ以上のモデルが構築されてよい。一実施形態では、処理データは、統計モデル、電気モデル、および／またはプラズマモデルを作成するために用いられてよい。一例として、複数のチャンバパーツについての摩耗情報モデルを構築するために、同じデータが使用されてよい。パーツ摩耗の線形分離は、パーツを交換することによって、または各プラズマによって特定のパーツのみが監視されるように複合多段階プラズマプロセスを使用することによって達成することができる。

各モデルが作成された後、システムは、モデル内のノイズレベルが許容可能であるかどうかを判定するためにチェックを行ってよい（ステップ５１４）。ノイズは、例えば、物理学的測定値および／またはセンサの内部ノイズに由来するであろう。

一例において、ノイズは、コンポーネント間のばらつきに起因して存在するであろう。つまり、コンポーネントの特性は、コンポーネントのサイズ、コンポーネントの材料組成、コンポーネントの構成などに起因して異なるであろう。一例では、処理チャンバＡ内のエッジリングと、処理チャンバＢ内のエッジリングとが、同じに見えるであろう。しかしながら、処理チャンバＡの中のエッジリングのサイズは、処理チャンバＢの中のエッジリングよりも僅かに大きいであろう。コンポーネント間のばらつきは、特定されえるので、コンポーネント間のばらつきは、モデルの中で説明をつけられる。一実施形態では、許容可能な閾値範囲が定められる。もし、コンポーネント間のばらつきが閾値範囲外であるならば、システムは、モデルを構築するために、追加のデータを取得する必要があるであろう。

もう１つのノイズ源は、コンポーネントの装着に起因するであろう。一例では、エッジリングの配置が、モデル内にノイズを発生させることがある。例えば、エッジリングと静電チャックとの間には、隙間が存在するであろう。しかしながら、もし、この隙間が処理チャンバ間で異なると、処理チャンバの電気的特性もまた、異なるであろう。ゆえに、閾値範囲が確立されてよい。もし、差が閾値範囲外であるならば、モデルを構築するために、追加のデータが取得されてよい。

次のステップ５１６では、多変量モデルの構築が完了される。

ステップ５０２〜５１６は、１つのコンポーネントについての１つまたは２つ以上の多変量予測モデルを作成するために実施されてよい。もちろん、同じデータファイルは、その他のコンポーネントについての多変量予測モデルを作成するためにも使用されてよい。

図５からわかるように、説明されている方法は、一湿式洗浄サイクル内における、複数の湿式洗浄サイクルを跨ぐ、および種々の処理チャンバ内におけるなどの種々の環境的条件を超えたコンポーネントの状況を考慮に入れられる多変量予測モデルの作成を提供する。種々の状況でデータを収集することによって、コンポーネント摩耗に関係していないデータが排除されえる。したがって、予測モデルによって、ユーザは、パーツ使用を最適にし、ウエハのかけらを減らし、来たる交換事象を予測して来たる修理の計画を立て、それによって、所有コストを削減することができる。

上記からわかるように、処理チャンバ内のコンポーネントに対して健全性チェックを実施するための方法が提供される。１つまたは２つ以上の多変量予測モデルを使用することによって、コンポーネントに対する、より正確な解析が提供される。つまり、複数のセンサからのデータを用いることによって、外部の計測測定を必要とせずにコンポーネントの残りの有用寿命を推定および／または予測するためにチャンバ健全性指標試験が使用されえる。より粒度が高く尚且つより低侵襲性のチャンバ健全性指標チェックによって、コンポーネントの状態を特定するための、よりコスト効率の良い方法が提供される。したがって、無駄にされるおよび／または損傷される資源および／またはコンポーネントの減少に伴って、所有コストが削減される。

本発明は、幾つかの好ましい実施形態の観点から説明されているが、本発明の範囲内には、代替、置換、および均等物がある。本明細書では、様々な例が提供されるが、これらの例は、発明に対して例示的であって限定的ではないことを意図している。

また、名称および概要は、便宜のために提供されたものであり、特許請求の範囲を解釈するために使用されるべきでない。さらに、要約は、極めて省略された形で記載され、便宜のために提供されたものであり、したがって、特許請求の範囲に表された全体的発明を解釈するためにも制限するためにも用いられるべきでない。もし、本明細書において「セット」という用語が用いられる場合は、このような用語は、ゼロの、１つの、または２つ以上の構成要素を対象とした通常理解の数学的意味を有することを意図している。また、本発明の方法および装置を実現するものとして、多くの代替的手法があることも留意されるべきである。したがって、以下の添付の特許請求の範囲は、本発明の真の趣旨および範囲に含まれるものとして、このようなあらゆる代替、置換、および均等物を含むものと解釈される。

Claims (20)

1. 処理チャンバの健全状態を査定するための方法であって、
   レシピを実行することと、
   前記レシピの実行中にセンサのセットから処理データを受信することと、
   多変量予測モデルのセットを用いて前記処理データを解析することと、
   コンポーネント摩耗データ値のセットを生成することと、
   前記コンポーネント摩耗データ値のセットを有用寿命閾値範囲のセットと比較することと、
   前記コンポーネント摩耗データ値のセットが前記有用寿命閾値範囲のセット外である場合に、警告を生成することと、
   を備える方法。
2. 請求項１に記載の方法であって、さらに、
   前記多変量予測モデルのセットをサポートするためにライブラリからデータを引き出すことを備える方法。
3. 請求項２に記載の方法であって、
   前記レシピは、クライアント特化レシピ、非クライアント特化レシピ、およびウエハレス洗浄自動洗浄レシピのうちの１つを含む、方法。
4. 請求項２に記載の方法であって、
   前記処理データは、前記多変量予測モデルのセットのなかの第１の多変量予測モデルを用いることによって解析される、方法。
5. 請求項２に記載の方法であって、
   前記処理データは、前記多変量予測モデルのセットのなかの少なくとも２つの多変量予測モデルを用いることによって解析される、方法。
6. 請求項５に記載の方法であって、
   処理データは、第１のコンポーネント摩耗データ値のセットを生成するために第１の多変量予測モデルを用いることと、第２のコンポーネント摩耗データ値のセットを生成するために第２の多変量予測モデルを用いることと、前記第１のコンポーネント摩耗データ値のセットと前記第２のコンポーネント摩耗データ値のセットとの間に違いがある場合に、前記第１のコンポーネント摩耗データ値のセットに対して前記第２の多変量予測モデルを適用すること、とによって解析され、前記第１のコンポーネント摩耗データ値のセットは、前記第２のコンポーネント摩耗データ値のセットよりもノイズが少ない、方法。
7. 請求項２に記載の方法であって、
   前記多変量予測モデルのセットは、電気モデル、統計モデル、およびプラズマモデルのうちの少なくとも１つを含む、方法。
8. 請求項２に記載の方法であって、
   前記多変量予測モデルのセットは、２つ以上の消耗パーツを解析するように構成され、各消耗パーツは、前記有用寿命閾値範囲のセットのなかの一つの有用寿命閾値範囲に結び付けられている、方法。
9. 請求項２に記載の方法であって、
   前記有用寿命閾値範囲のセットは、ユーザ設定可能である、方法。
10. 請求項２に記載の方法であって、さらに、
    測定間隔後に前記処理チャンバの前記健全状態の前記査定を実施することであって、前記測定間隔は、既定の期間の一つおよび非プラズマ試験の実行によって決定される、査定の実施を備える方法。
11. 請求項２に記載の方法であって、さらに、
    検証が必要であるかどうかを決定するために前記コンポーネント摩耗データ値のセットを解析することであって、前記検証は、前記コンポーネント摩耗データ値のセットがノイズレベル閾値範囲外であるときに生じる、解析と、
    前記コンポーネント摩耗データ値のセットを検証するために非プラズマ試験を実行することと、
    コンポーネント摩耗データ値の統合セットを生成するために、前記コンポーネント摩耗データ値のセットを非プラズマ試験データ値のセットに関連付けることであって、前記コンポーネント摩耗データ値の統合セットは、前記有用寿命閾値範囲のセットと比較され、前記警告は、前記コンポーネント摩耗データ値の統合セットが前記有用寿命閾値範囲のセット外である場合に、生成される、関連付けと、
    を備える方法。
12. コンピュータ可読コードを実装されたプログラム記憶媒体を備える製造品であって、前記コンピュータ可読コードは、処理チャンバの健全状態を査定するように構成され、
    レシピを実行するためのコードと、
    前記レシピの実行中にセンサのセットから処理データを受信するためのコードと、
    多変量予測モデルのセットを用いて前記処理データを解析するためのコードと、
    コンポーネント摩耗データ値のセットを生成するためのコードと、
    前記コンポーネント摩耗データ値のセットを有用寿命閾値範囲のセットと比較するためのコードと、
    前記コンポーネント摩耗データ値のセットが前記有用寿命閾値範囲のセット外である場合に、警告を生成するためのコードと、
    を備える製造品。
13. 請求項１２に記載の製造品であって、さらに、
    前記多変量予測モデルのセットをサポートするためにライブラリからデータを引き出すためのコードを備える製造品。
14. 請求項１３に記載の製造品であって、さらに、
    測定間隔後に前記処理チャンバの前記健全状態の前記査定を実施するためのコードであって、前記測定間隔は、既定の期間の一つおよび非プラズマ試験の実行によって決定される、コードを備える製造品。
15. 請求項１３に記載の製造品であって、さらに、
    検証が必要であるかどうかを決定するために前記コンポーネント摩耗データ値のセットを解析するためのコードであって、前記検証は、前記コンポーネント摩耗データ値のセットがノイズレベル閾値範囲外であるときに生じる、コードと、
    前記コンポーネント摩耗データ値のセットを検証するために非プラズマ試験を実行するためのコードと、
    コンポーネント摩耗データ値の統合セットを生成するために、前記コンポーネント摩耗データ値のセットを非プラズマ試験データ値のセットに関連付けるためのコードであって、前記コンポーネント摩耗データ値の統合セットは、前記有用寿命閾値範囲のセットと比較され、前記警告は、前記コンポーネント摩耗データ値の統合セットが前記有用寿命閾値範囲のセット外である場合に、生成される、コードと、
    を備える製造品。
16. 請求項１３に記載の製造品であって、
    前記レシピは、クライアント特化レシピ、非クライアント特化レシピ、およびウエハレス洗浄自動洗浄レシピのうちの１つを含む、製造品。
17. 請求項１３に記載の製造品であって、
    前記処理データを解析するための前記コードは、前記多変量予測モデルのセットのなかの第１の多変量予測モデルを用いるためのコードを含む、製造品。
18. 請求項１３に記載の製造品であって、
    前記処理データを解析するための前記コードは、前記多変量予測モデルのセットのなかの少なくとも２つの多変量予測モデルを用いるためのコードを含む、製造品。
19. 請求項１８に記載の製造品であって、
    前記処理データを解析するためのコードは、第１のコンポーネント摩耗データ値のセットを生成するために第１の多変量予測モデルを用いるためのコードと、第２のコンポーネント摩耗データ値のセットを生成するために第２の多変量予測モデルを用いるためのコードと、前記第１のコンポーネント摩耗データ値のセットと前記第２のコンポーネント摩耗データ値のセットとの間に違いがある場合に、前記第１のコンポーネント摩耗データ値のセットに対して前記第２の多変量予測モデルを適用するためのコードと、を含み、前記第２の多変量予測モデルは、前記第１の多変量予測モデルよりもノイズが少ない、製造品。
20. 請求項１３に記載の製造品であって、
    前記多変量予測モデルのセットは、電気モデル、統計モデル、およびプラズマモデルの少うちのなくとも１つを含む、製造品。

Images