JP2021515987A - 半導体処理のモニタリングのための機械学習システム - Google Patents

半導体処理のモニタリングのための機械学習システム Download PDF

Info

Publication number
JP2021515987A
JP2021515987A JP2020547198A JP2020547198A JP2021515987A JP 2021515987 A JP2021515987 A JP 2021515987A JP 2020547198 A JP2020547198 A JP 2020547198A JP 2020547198 A JP2020547198 A JP 2020547198A JP 2021515987 A JP2021515987 A JP 2021515987A
Authority
JP
Japan
Prior art keywords
training
machine learning
models
model
substrate
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.)
Granted
Application number
JP2020547198A
Other languages
English (en)
Other versions
JP7323541B2 (ja
Inventor
グレアム イェニー，
グレアム イェニー，
ベンジャミン シェリアン，
ベンジャミン シェリアン，
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.)
Applied Materials Inc
Original Assignee
Applied Materials Inc
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 Applied Materials Inc filed Critical Applied Materials Inc
Publication of JP2021515987A publication Critical patent/JP2021515987A/ja
Priority to JP2023122586A priority Critical patent/JP2023162172A/ja
Application granted granted Critical
Publication of JP7323541B2 publication Critical patent/JP7323541B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B24B37/013—Devices or means for detecting lapping completion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/4188—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by CIM planning or realisation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having at least one potential-jump barrier or surface barrier, e.g. PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having at least one potential-jump barrier or surface barrier, e.g. PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic System or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having at least one potential-jump barrier or surface barrier, e.g. PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having at least one potential-jump barrier or surface barrier, e.g. PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic System or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
    • H01L21/30625—With simultaneous mechanical treatment, e.g. mechanico-chemical polishing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67092—Apparatus for mechanical treatment
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32335—Use of ann, neural network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

研磨システムを動作させる方法が、機械学習アルゴリズムを使用して複数のモデルを訓練して、複数の訓練されたモデルを生成することであって、各訓練されたモデルが、半導体処理システムのインシトゥ・モニタシステムからのモニタリング信号に基づいて基板の層の特性値を特定するように構成されている、複数の訓練されたモデルを生成すること、複数の訓練されたモデルを記憶すること、処理されるべき基板の特性を示すデータを受け取ること、データに基づいて複数の訓練されたモデルのうちの１つを選択すること、及び選択された訓練されたモデルを処理システムに渡すことを含む。【選択図】図１

Description

本開示は、例えば化学機械研磨などの処理中に、基板のモニタリングにおいて使用される機械学習システムに関する。
集積回路は、典型的には、シリコンウェハ上に導電層、半導電層、又は絶縁層を順次堆積させることによって、基板上に形成される。１つの製造ステップは、非平面表面上に充填層を堆積させ、該充填層を平坦化することを含む。用途によっては、パターン化層の上面が露出するまで、充填層を平坦化する。例えば、絶縁層内のトレンチ又は穴を充填するために、パターン化された絶縁層上に導電性充填層を堆積させることができる。平坦化後、絶縁層の隆起したパターン間に残っている導電層の部分が、基板上の薄膜回路間で導電経路を提供するビア、プラグ、及びラインを形成する。他の用途の場合、充填層は、所定の厚さが下層の上に残されるまで平坦化される。例えば、堆積された誘電体層は、フォトリソグラフィのために平坦化することができる。
化学機械研磨（CMP）は、平坦化の1つの受け入れられている方法である。この平坦化方法は、典型的には、基板がキャリヤヘッドに取り付けられることを必要とする。基板の露出面は、典型的には、耐久性のある粗面を有する回転研磨パッドに対して配置される。キャリヤヘッドは、基板に制御可能な負荷を与えて、研磨パッドに押し付ける。研磨粒子を有するスラリのような研磨液が、典型的には、研磨パッドの表面に供給される。
CMPにおける1つの問題は、所望のプロファイル、例えば、所望の平坦度若しくは厚さに平坦化された基板層、又は所望の量の材料が除去された基板層を実現するために適切な研磨速度を使用することである。基板層の初期厚さ、スラリ分布、研磨パッド条件、研磨パッドと基板との間の相対速度、及び基板への負荷の変動は、基板にわたって及び基板毎に材料除去速度の変動をもたらし得る。これらの変動は、研磨終点に到達するのに必要な時間及び除去される量の変動をもたらす。したがって、単に研磨時間の関数として研磨終点を特定すること、又は単に一定の圧力を加えることによって所望のプロファイルを実現することは不可能な場合がある。
一部のシステムでは、基板は、例えば光学モニタシステムによって、研磨中にインシトゥ（その場）でモニタされる。インシトゥ・モニタシステムからの厚さ測定値は、基板に加えられる圧力を調整して、研磨速度を調整し且つウエハ内の不均一性（WIWNU）を低減させ、研磨終点を検出し研磨を止めるために使用され得る。
一態様では、基板処理システムを動作させる方法が、複数の組の訓練データを受け取ること、複数の機械学習モデルを記憶すること、複数の物理プロセスモデルを記憶すること、複数の機械学習モデルからの機械学習モデルの選択及び複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルの組み合わせを提供すること、選択された機械学習モデルに従って実装された機械学習モデルを生成すること、各組の訓練データ内の各訓練スペクトルについての特徴値を計算し、それによって、複数の訓練スペクトルのうちの１つに関連付けられた各訓練特徴値を有する複数の訓練特徴値を生成すること、複数の訓練特徴値及び複数の訓練スペクトルを使用して、実装された機械学習モデルを訓練して、訓練された機械学習モデルを生成すること、並びに訓練された機械学習モデルを基板処理システムの処理制御システムに渡すことを含む。
各組の訓練データは、複数の訓練スペクトル、複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプ、並びに複数の訓練スペクトルについての開始特徴値及び／又は終了特徴値を含む。各機械学習モデルは、少なくとも１つの異なるハイパーパラメータを提供する。各物理プロセスモデルは、異なる時間の関数及び／又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する。特徴値は、訓練スペクトルについてのタイムスタンプ、その組の訓練データについての開始特徴値及び／又は終了特徴値、並びに選択された物理プロセスモデルに基づいて計算される。
別の一態様では、コンピュータ可読媒体内で有形に具現化された、基板の処理を制御するためのコンピュータプログラム製品が、プロセッサに、複数の組の訓練データを受け取ること、複数の機械学習モデルを記憶すること、複数の物理プロセスモデルを記憶すること、複数の機械学習モデルからの機械学習モデルの選択及び複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルの組み合わせを提供すること、選択された機械学習モデルに従って実装された機械学習モデルを生成すること、各組の訓練データ内の各訓練スペクトルについての特徴値を計算し、それによって、複数の訓練スペクトルのうちの１つに関連付けられた各訓練特徴値を有する複数の訓練特徴値を生成すること、複数の訓練特徴値及び複数の訓練スペクトルを使用して、実装された機械学習モデルを訓練して、訓練された機械学習モデルを生成すること、訓練された機械学習モデルを基板処理システムの処理制御システムに渡すこと、を実行させるための指示命令を含む。
各組の訓練データは、複数の訓練スペクトル、複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプ、並びに複数の訓練スペクトルについての開始特徴値及び／又は終了特徴値を含む。各機械学習モデルは、少なくとも1つの異なるハイパーパラメータを提供する。各物理プロセスモデルは、異なる時間の関数及び／又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する。特徴値は、訓練スペクトルについてのタイムスタンプ、その組の訓練データについての開始特徴値及び／又は終了特徴値、並びに選択された物理プロセスモデルに基づいて計算される。
別の一態様では、半導体製造システムが、複数の研磨システム、インライン又はスタンドアロン計測システム、及びアルゴリズム生成プラットフォームを含む。
各研磨システムは、研磨パッドを保持するための支持体、研磨パッドに対して基板を保持するためのキャリヤ、基板と研磨パッドとの間に相対運動を生じさせるためのモータ、研磨中の基板の測定値のシーケンス、及び、測定値のシーケンス内の各測定値についてのタイムスタンプを生成するためのインシトゥ・モニタシステム、並びにコントローラを含む。複数の研磨システムのうちの少なくとも１つの少なくとも１つのコントローラは、複数の研磨システムのうちの１以上に一連の訓練基板を研磨させるように構成されている。複数の研磨システムからの１以上のシステムの１以上のコントローラは、訓練された機械学習モデルを受け取り、１以上のシステムからの研磨システムに一連のデバイス基板を研磨させ、１以上のシステムのインシトゥ・モニタシステムからデバイス基板の測定値のシーケンスを受け取り、測定値のシーケンス及び訓練された機械学習モデルに基づいて特徴値のシーケンスを生成し、特徴値のシーケンスに基づいて少なくとも１つの研磨制御パラメータを制御するように構成されている。
インラインまたはスタンドアロン計測システムは、一連の訓練基板のそれぞれについての開始特徴値及び／又は終了特徴値を生成するように構成されている。
アルゴリズム生成プラットフォームが、１以上のプロセッサ、及び１以上のプロセッサ向けの指示命令を有するコンピュータプログラム製品を記憶した非一過性のコンピュータ可読媒体を備える。訓練基板の研磨中に生成される複数の訓練スペクトル、及び複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプが、各訓練基板について、訓練基板を研磨するために使用される複数の研磨システムのうちの１以上のインシトゥ・モニタシステムから受け取られる。訓練基板についての開始特徴値及び／又は終了特徴値が、各訓練基板について、インライン又はスタンドアロン計測システムから受け取られる。複数の組の訓練データが記憶される。各組の訓練データは、訓練基板からの複数の訓練スペクトル、複数のスペクトルからの各訓練スペクトルについてのタイムスタンプ、並びに訓練基板についての開始特徴値及び／又は終了特徴値を含む。複数の機械学習モデルが記憶され、各機械学習モデルは、少なくとも１つの異なるハイパーパラメータを提供する。複数の物理プロセスモデルが記憶され、各物理プロセスモデルは、異なる時間の関数及び／又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する。複数の機械学習モデルからの機械学習モデルの選択及び複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルとの組み合わせを提供する。選択された機械学習モデルについて少なくとも１つのハイパーパラメータ値が受け取られ、選択された物理プロセスモデルについて少なくとも１つの物理パラメータ値が受け取られる。実装された機械学習モデルは、選択された機械学習モデル及び少なくとも１つのハイパーパラメータ値に従って生成される。各組の訓練データ内の各訓練スペクトルについて、訓練スペクトルについてのタイムスタンプ、その組の訓練データについての開始特徴値及び／又は終了特徴値、物理パラメータ値、並びに選択された物理プロセスモデルに基づいて特徴値が計算され、それによって、複数の訓練スペクトルのうちの1つに関連付けられた各訓練特徴値を有する複数の訓練特徴値が生成される。実装された機械学習モデルは、複数の訓練特徴値及び複数の訓練スペクトルを使用して訓練されて、訓練された機械学習モデルを生成し、訓練された機械学習モデルは、デバイス基板の研磨の制御のために、１以上の研磨システムのコントローラに渡される。
実施態様は、以下の特徴のうちの１以上を含んでよい。
基板処理システムは、化学機械研磨システムを含んでよい。基板は、研磨システム内で研磨されてよい。基板の研磨中に、基板をインシトゥ・分光モニタシステムでモニタして、複数の測定されたスペクトルを生成することができる。複数の測定されたスペクトルを訓練された機械学習モデルに渡して、複数の特徴値を生成することができる。研磨システムの少なくとも1つの処理パラメータは、複数の特徴値に基づいて制御されてよく、例えば、研磨を停止することができ及び／又はキャリヤヘッド圧力を調整することができる。
複数の機械学習モデルは、畳み込みニューラルネットワーク及び完全接続型ニューラルネットワークを含んでよい。ハイパーパラメータは、ニューラルネットワーク内の隠れ層の数であってよい。選択された機械学習モデルについて、少なくとも１つのハイパーパラメータ値を受け取ることができる。実装された機械学習モデルは、選択された機械学習モデル及び少なくとも１つのハイパーパラメータ値に従って生成されてよい。
複数の物理プロセスモデルの一部は、時間の線形関数を含んでよく、複数の物理プロセスモデルの一部は、時間の非線形関数を含んでよい。複数の物理プロセスモデルは、異なる物理プロセスパラメータ、例えば、パターン密度、開始ステップ高さ、臨界ステップ高さ、及びプロセス選択性のうちの１以上を含んでよい。物理パラメータ値が受け取られてよく、特徴値は、物理パラメータ値に基づいて計算されてよい。アルゴリズム生成プラットフォームは、複数の研磨システムのうちの２以上のそれぞれから、訓練基板からの複数の訓練スペクトル、及び複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプを受け取るように構成されてよい。
複数の研磨システムのうちの少なくとも１つ及び複数の研磨システムからの１以上のシステムは、同じ研磨システムの少なくとも一部を含んでよい。アルゴリズム生成プラットフォームは、複数の訓練された機械学習モデルを提供するデータを記憶するように構成されてよい。アルゴリズム生成プラットフォームは、複数の訓練された機械学習モデルのうちの１つを受け取り又は選択し、選択された訓練された機械学習モデルをコントローラに渡すように構成されてよい。
基板追跡システムは、１以上のプロセッサ、及び複数のデバイス基板のそれぞれを特徴付けるデータを記憶するための指示命令を含むコンピュータプログラム製品を記憶するための非一過性のコンピュータ可読媒体を含んでよい。アルゴリズム生成プラットフォームは、基板追跡システムからデバイス基板を特徴付けるデータを受け取るように構成されてよく、特徴付けるデータに基づいて複数の訓練された機械学習モデルから訓練された機械学習モデルを選択するように構成されてよい。
別の一態様では、研磨システムを動作させる方法が、機械学習アルゴリズムを使用して複数のモデルを訓練して、複数の訓練されたモデルを生成することを含み、各訓練されたモデルは、半導体処理システムのインシトゥ・モニタシステムからのモニタリング信号に基づいて、基板の層の特性値を特定するように構成されている。複数の訓練されたモデルが記憶され、処理されるべき基板の特性を示すデータが受け取られ、そのデータに基づいて複数の訓練されたモデルのうちの１つが選択され、選択された訓練されたモデルが処理システムに渡される。
実施態様は、以下の特徴のうちの１以上を含むことができる。
基板の層は、半導体処理システム内で処理されてよい。層の処理中に、基板は、インシトゥ・モニタシステムでモニタされてよく、信号は、インシトゥ・モニタシステムから生成されてよい。その信号は、訓練されたモデルに渡されて、層の厚さの測定値を生成することができる。１以上の制御信号が、厚さの測定値に基づいて、処理システム向けに生成されてよい。処理システムは、化学機械研磨システムであってよく、層を処理することは、層を研磨することを含んでよい。基板をモニタすることは、分光モニタシステムによるモニタリングを含んでよく、信号は、スペクトルのシーケンスを含んでよい。
モデルの１以上のハイパーパラメータを取得することができる。生の予測モデルは、ハイパーパラメータに基づいて生成されてよい。訓練データはモデル向けに取得されてよく、訓練データを使用して生予測モデルを訓練して、モデルを生成する。訓練データは、複数の訓練の各訓練例について、訓練のための複数の入力情報項目及び厚さのグラウンドトゥルース（ground truth）測定値を含んでよい。厚さの各グラウンドトゥルース測定値は、特定の研磨された層を解析することに基づいて、インラインまたはスタンドアロンの計測システムによって生成されてよい。インライン又はスタンドアロンの計測システムは、４点プローブ、偏光解析厚さセンサ、及び透過型電子顕微鏡センサのうちの１以上を含んでよい。
モデルは、ニューラルネットワークを含むことができる。人工ニューラルネットワークは、訓練データ及び既知の特性値を使用して、逆伝搬法（backpropagation）によって訓練され得る。
ある種の実施態様は、下記の利点のうちの１以上を有してよい。基板上の層の厚さが、より正確且つ／又は迅速に測定され得る。ウエハ内厚さ不均一性及びウエハ毎厚さ不均一性（WIWNU及びWTWNU）の低減、及び、所望の処理終点を検出するための終点システムの信頼性の向上が可能になる。
１以上の実施形態の詳細を、添付の図面及び以下の説明で明らかにする。他の態様、特徴、及び利点は、本説明、図面、及び特許請求の範囲から明らかになろう。
半導体製造プラントの概略平面図を示す。 研磨システムの一実施例の概略断面図を示す。 研磨装置用のコントローラの部分として使用されるニューラルネットワークを示す。 データを収集し、モデルを生成するためのプラットフォームのアーキテクチャを示す。
様々な図面における同様の参照番号及び記号表示は、同様の要素を示す。
処理、例えば研磨を受けている基板をモニタするために、様々なモニタシステムが使用されてきた。一部の半導体モニタプロセスでは、機械学習システム、例えばニューラルネットワークを訓練して、モニタシステムからのデータを評価し、必要とされる出力パラメータを生成することができる。例えば、機械学習システムに信号を入力することができ、機械学習システムは、基板の層の厚さ、又は処理を停止又は修正すべきであることを示す信号を出力することができる。
一実施例として、モニタシステムが、基板の研磨中に使用される分光モニタシステムである場合、スペクトル又はスペクトルのシーケンスを機械学習システムに入力することができ、機械学習システムは、基板の層の厚さの測定値、又は研磨を停止すべきであること若しくはキャリヤヘッドの圧力を修正すべきであることを示す信号を生成することができる。
無論、そのような機械学習システムは、訓練される必要があるだろう。各々が基板パラメータに対するモニタリング信号の異なる関係を有することができる様々なデバイス及び処理レシピが与えられるとすれば、処理システムの製造業者が機械学習システムを訓練することは非実用的であり得る。むしろ、機械学習システムが、半導体製造プラントのオペレータによって生成されたデータを使用して訓練される必要があるだろう。訓練データを記憶し、操作するための一般化された技法が説明される。
異なる状況は、モニタシステムからのデータを処理するために、異なる機械学習モデルを必要とすることがある。異なる状況には、デバイス、処理される層、製造に使用される処理パラメータの履歴などの違いが含まれ得る。異なる機械学習モデルは、異なるニューラルネットワーク構成、又は、ニューラルネットワークを使用するモデルに対し、ニューラルネットワークを使用しないモデル（例えば、遺伝的アルゴリズム、サポートベクトルマシンなど）を含むことができる。機械学習モデルは、基板に関する入力情報、例えば、ファブ（fab）の基板追跡システムからの情報に基づいて選択することができる。
別の課題として、半導体製造プラント内の様々なツールから得られる生データは、各測定についての特徴値を含んでいない可能性がある。例えば、処理ツール内のインシトゥ・光学モニタシステムを使用して、訓練データとして使用されるべきスペクトルのシーケンスを生成することができる。しかし、利用可能な唯一のグラウンドトゥルース測定値は、インライン又はスタンドアロン計測システムから得られる開始及び／又は終了厚さであるかもしれない。開始及び／又は終了厚さは、シーケンス内の最初及び／又は最後のスペクトルに関連付けられてよいが、シーケンス内の他のスペクトル（研磨プロセス内の中間時間についての）は、関連付けられた厚さを有さないだろう。これらのスペクトルについての訓練値を生成するための技法が必要とされる。
物理プロセスモデルを使用して、処理時間の関数として特徴値を生成することができ、これらの特徴値をスペクトルに関連付けることができ、これにより、スペクトル（特徴値を有する）を訓練データとして使用することができる。異なる状況は、特徴値を生成するために異なる物理プロセスモデルを必要とすることがある。異なる状況は、デバイス、処理される層、製造に使用される処理パラメータの履歴の差異などを含み得る。異なる物理プロセスモデルは、異なる入力（例えば、ストップオンフィルムプロセスは、臨界ステップ高さを含むことができ、一方、下層の露出の前に研磨を停止するプロセスは、この変数を必要としない場合がある）を使用してよく、異なる入力値（例えば、パターン密度又は異なる選択性についての異なる値）を使用してよく、又は変数を特性値に変換（例えば、線形対非線形補間）するための、異なる関数を使用してよい。物理プロセスモデルは、特定の研磨プロセス（例えば、研磨プロセスで収集された事前の実験データ）に関する入力情報、又はファブの基板追跡システムからの情報に基づいて選択することができる。
図１は、半導体製造プラント１２の構成要素を示している。プラント１２は、１以上の半導体処理ツール、例えば、堆積システム、エッチングシステム、研磨システムなどを含むことができる。例えば、プラントは、１以上の研磨システム２０を含むことができる。各研磨システム２０は、１以上の研磨ステーション２０ａ、及び研磨されるべき基板を研磨システム２０の中に又は研磨された基板を研磨システム２０の外に移送するための移送ステーション２０ｂを含むことができる。各研磨ステーション２０ａは、インシトゥ・モニタシステム７０（図２参照）、例えば分光モニタシステムを含む。
また、プラント１２は、基板について関心がある特性、例えば基板上の層の厚さの正確な測定値を生成することができるインライン又はスタンドアロンの計測システムも含むことができる。この基板特性の正確な測定値は、「グラウンドトゥルース測定値」と呼ぶことができる。グラウンドトゥルース測定値を生成するために使用され得るシステムの例は、４点プローブ、偏光解析センサ、又は透過型電子顕微鏡を含む。また、インライン又はスタンドアロン計測システム１４は、他の測定値、例えば、基板上の１以上のスポットのスペクトル測定値、又は基板の画像を生成することもできる。一部の実施態様では、計測システム１４が、基板の物理的特性についての値を生成せず、むしろ、処理動作、例えば研磨動作を通じた進行の程度を表す値を生成する。
計測システム１４は、処理ツール、例えば研磨システム２０によって処理される前及び／又は後に、基板を測定するために使用することができる。例えば、計測システム１４を使用して、研磨システム２０内の基板の研磨前後の基板上の層の厚さの測定値を生成することができる。これにより、基板の研磨前の厚さと研磨後の厚さのグラウンドトゥルース測定値を提供することができる。
プラント１２はまた、基板についての識別情報、例えば、基板についてのｉｄ番号、基板を保持するカセットについてのｉｄ番号を追跡する基板追跡システム１６も含むことができる。基板追跡システムはまた、基板の最終的な目的の表示、例えば、製造されるデバイスの種類、及び／又は基板の処理履歴、例えば、製造のステップのうちの１以上で使用される処理パラメータも記憶することができる。基板追跡システム１６は、例えば、１以上のデータベースを使用して、１以上のコンピュータ上で実行されるソフトウェアで実装され得る。
基板追跡システム１６はまた、基板の１以上の物理パラメータ又は基板上で実行されるべきプロセスについての１以上の意図された値を記憶することもできる。例えば、基板追跡システム１６は、基板のパターン密度、基板についての開始ステップ高さ、基板についての臨界ステップ高さ（除去速度が減速し始めるステップ高さ）、又は研磨動作についてのプロセス選択性（異なる材料についての除去速度の比）のうちの１以上を記憶することができる。
プラント１２はまた、以下で更に詳細に説明されることになるアルゴリズム生成プラットフォーム１８も含むことができる。アルゴリズム生成プラットフォームは、機械学習システムを訓練するために１以上のコンピュータで実行されるソフトウェアを含む。システムの訓練は、機械学習モデルのインスタンス化（instantiation）を生成する。機械学習モデルのインスタンス化、例えばハイパーパラメータ値は、処理システム用のプロセスコントローラ、例えば研磨システム２０用のコントローラ９０に渡すことができる。ハイパーパラメータ値は、機械学習モデル、例えばニューラルネットワークが畳み込みであるか完全接続型であるか、ニューラルネットワーク内のノードの隠れ層の数、スペクトルが低減されるべき次元の数、又は訓練メトリックを示すことができる。
処理ツールは、訓練されたモデルを使用して、インシトゥ・モニタシステムによる測定値に基づいて特性値を生成することができる。次いで、これらの特性値を使用して、処理システムの動作を制御することができ、例えば、処理を停止するか、又は処理パラメータを調整して処理の均一性を改善することができる。例えば、研磨システムは、訓練されたモデルを使用して、インシトゥ・モニタシステムからのスペクトルを厚さ値に変換することができ、これを使用して研磨終点を検出するか、又はキャリヤヘッド内の圧力に対する調整を決定することができる。
単一プラントの部分として図示されているが、計測システム１４、基板追跡システム１６、及びアルゴリズム生成プラットフォーム１８は、互いに又は処理ツールと同じ物理的場所にある必要はない。更に、基板追跡システム１６及びアルゴリズム生成プラットフォーム１８は、クラウドコンピューティング技法を用いて実装することができる。
図２は、研磨システム２０の研磨ステーションの一実施例を示している。研磨装置２０は、上に研磨パッド３０が載置されている、回転可能な円盤形状のプラテン２２を含んでよい。プラテンは、軸２３を中心として回転するように動作可能である。例えば、モータ２４は、駆動シャフト２６を回転させて、プラテン２２を回転させることができる。研磨パッド３０は、例えば接着剤の層によってプラテン２２に取り外し可能に固定することができる。研磨パッド３０は、外側研磨層３２及びより柔らかいバッキング層３４を有する２層研磨パッドとすることができる。
研磨システム２０は、研磨スラリなどの研磨液体４２を研磨パッド３０上に分注するための研磨液体供給ポート４０を含んでよい。研磨システム２０はまた、研磨パッド３０を一定の研磨状態に維持するために、研磨パッド３０を磨く研磨パッド調整器も含み得る。
キャリヤヘッド５０は、研磨パッド３０に対して基板１０を保持するように動作可能である。各キャリヤヘッド５０はまた、複数の独立して制御可能な加圧可能チャンバ、例えば３つのチャンバ５２ａ〜５２ｃも含む。それらのチャンバは、基板１０の関連付けられた区域に、独立して制御可能な圧力を加えることができる。中央区域は、実質的に円形であってよく、残りの区域は、中央区域の周りの同心環状区域であってよい。
チャンバ５２ａ〜５２ｃは、基板１０が取り付けられている底面を有する可撓性膜５４によって画定され得る。キャリヤヘッド５０はまた、基板１０を可撓性膜５４の下方に保持するための保持リング５６も含むことができる。説明を簡略化するために、図２には３個のチャンバのみを示したが、２個のチャンバ、又は４個若しくはそれより多いチャンバ、例えば、５個のチャンバがあってもよい。更に、基板に加えられる圧力を調整するための他の機構、例えば圧電アクチュエータをキャリヤヘッド５０内で使用することができる。
各キャリヤヘッド５０は、支持構造物６０、例えばカルーセル又はトラックから吊り下げられ、駆動シャフト６２によってキャリヤヘッド回転モータ６４に接続され、キャリヤヘッドが軸５１の周りで回転できるようになっている。任意選択的に、各キャリヤヘッド５０は、例えば、カルーセル上のスライダ上で、トラックに沿った運動によって又はカルーセル自体の回転振動によって、側方に振動することができる。動作中、プラテン２２はその中心軸２３の周りで回転され、キャリヤヘッド５０はその中心軸５１の周りで回転され、研磨パッド３０の上面を横切って側方に平行移動される。
研磨装置はまた、インシトゥ・モニタシステム７０も含む。インシトゥ・モニタシステム７０は、区域１２ａ〜１２ｃのうちの１以上の研磨速度を制御するために、研磨パラメータ、例えばチャンバ５２ａ〜５２ｃのうちの１以上に加えられる圧力を制御するように使用され得る。インシトゥ・モニタシステム７０は、区域１２ａ〜１２ｃのそれぞれにおいて研磨されている層の厚さを示す信号を生成する。インシトゥ・モニタシステムは、光学モニタシステム（例えば、分光モニタシステム）であってよい。
光学モニタシステム７０は、光源７２、光検出器７４、及びコントローラ９０（コンピュータなど）と光源７２及び光検出器７４との間で信号を送受信するための回路７６を含み得る。光源７２から研磨パッド３０内のウインドウ３６に光を送信するため、及び、基板１０からの反射光を検出器７４に送信するために、１以上の光ファイバが使用されてよい。例えば分岐光ファイバ７８を使用して、光源６２から基板１０に光を送信し、その光を検出器７４に戻すように送信することができる。分光システムである場合には、光源７２は白色光を放出するように動作可能であってよく、検出器７４は分光計であってよい。
回路７６の出力はデジタル電子信号であってよく、このデジタル電子信号は、駆動シャフト２６内の回転カプラ２８（例えば、スリップリング）を通過して、コントローラ９０へと至る。代替的に、回路７６は、無線信号によってコントローラ９０と通信してもよい。コントローラ９０は、マイクロプロセッサ、メモリ、及び入力／出力回路を含む計算デバイス、例えば、プログラマブルコンピュータとすることができる。コントローラ９０は、単一のブロックで図示されているが、複数のコンピュータに機能が分散されているネットワーク化されたシステムであってもよい。
一部の実施態様では、インシトゥ・モニタシステム７０が、プラテン２２内に設置されプラテン２２と共に回転するセンサ８０を含む。例えば、センサ８０は、光ファイバ７８の端部であってよい。プラテン２２の運動により、センサ８０は、基板全体を走査することになる。プラテンの回転により、センサ８０がキャリヤヘッドの下方で移動する際に、インシトゥ・モニタシステムはサンプリング周波数で測定を行う。結果として、基板１０を横切る円弧内の場所１４において測定が行われる。
プラテンの一回転にわたって、基板１０上の異なる位置からスペクトルが得られる。特に、一部のスペクトルは、基板１０の中心により近い場所から得ることができ、また一部は、縁部により近い場所から得ることができる。コントローラ９０は、タイミング、モータエンコーダ情報、プラテン回転若しくは位置センサデータ、並びに／又は基板及び／若しくは保持リングの縁部の光学的検出に基づいて、走査からの各測定値に対して（基板１０の中心に対する）径方向位置を計算するように構成することができる。したがって、コントローラは、様々な測定値を様々な区域に関連付けることができる。一部の実施態様では、径方向位置の正確な計算に対する代替として、測定時間が使用されてよい。
コントローラ９０は、インシトゥ・モニタシステムからの信号に基づいて、基板の各区域について特徴値を導き出すことができる。特に、コントローラ９０は、研磨が進行するにつれて、特徴値の経時的シーケンスを生成する。コントローラ９０は、基板１０の下方のセンサが走査する毎に、各区域につき少なくとも１つの特徴値を生成し得るか、又は、例えばセンサが基板全体を走査するわけではない研磨システムでは、ある測定周波数（サンプリング周波数と同じである必要はない）で、各区域について特徴値を生成し得る。一部の実施態様では、１回の走査につき単一の特徴値が生成される。例えば、特徴値を生成するために複数の測定値が合成されてよい。一部の実施態様では、特徴値を生成するために各測定値が使用されてよい。
特徴値は、典型的には、外層の厚さであるが、除去される厚さなどの関連する特性であってもよい。加えて、特徴値は、研磨プロセスを経る基板の進捗をより一般的に表現するもの（例えば、既定の進捗に従った研磨プロセスにおいて測定が観測されることが予期され得る時間又はプラテンの回転数を表す指標値）であり得る。
コントローラ９０は、機械学習システムによって生成されたモデルのインスタンス化を使用して、特徴値を生成することができる。
インシトゥ・分光モニタシステム７０とコントローラ９０とを組み合わせることで、終点及び／又は研磨均一性を制御するシステム１００が提供され得る。つまり、コントローラ９０は、一連の特徴値に基づき、研磨不均一性を低減させるために、研磨プロセス中、研磨終点を検出すること並びに研磨を停止し及び／又は研磨圧力を調整することが可能である。
図３は、コントローラ９０によって実装することができる機能ブロックを示している。これらの機能ブロックは、次元削減を実行する任意選択的な次元削減モジュール１１０、機械学習システム（ニューラルネットワークとして実装されるように示されている）１２０、並びに、研磨プロセスを調整するため（例えば、一連の特徴値に基づき、研磨不均一性を低減させるために、研磨プロセス中に、研磨終点を検出するため並びに研磨を停止し及び／又は研磨圧力を調整するため）のプロセス制御システム１３０を含み得る。上述したように、これらの機能ブロックは、複数のコンピュータに分散されてよい。
ニューラルネットワーク１２０は、主成分のそれぞれについての複数の入力ノード１２２、複数の隠れノード１２４（以下では、「中間ノード」とも称される）、及び特性値を生成することとなる１つの出力ノード１２６を含む。単一層の隠れノードを有するニューラルネットワークでは、各隠れノード１２４が各入力ノード１２２に接続されてよく、出力ノード１２６は各隠れノード１２４に接続されてよい。
一般に、隠れノード１２４は、隠れノードが接続される入力ノード１２２からの値の加重和の非線形関数である値を出力する。
例えば、指定されたノードｋである隠れノード１２４の出力は、次のように表すことができる。すなわち、
Figure 2021515987
ここで、tanhは、双曲線正接であり、akxは、ｋ番目の中間ノードと（Ｍの入力ノードからの）ｘ番目の入力ノードとの間の接続のための重みであり、IMは、Ｍ番目の入力ノードにおける値である。しかし、tanhの代わりに他の非線形関数（正規化線形ユニット（ReLU）関数及びその変種など）も使用され得る。
任意選択的な次元削減モジュール１１０は、成分値がより少ない数（例えば、L個の成分値）になるよう、測定されたスペクトルを削減することになる。ニューラルネットワーク１２０は、スペクトルがそこまで削減される各成分についての入力ノード１２２を含む。例えば、モジュール１１０がＬ個の成分値を生成するには、ニューラルネットワーク１２０は少なくとも入力ノードＮ１、Ｎ２…ＮＬを含むことになる。
しかし、ニューラルネットワーク１２０は、任意選択的に、他のデータを受け取るための１以上の他の入力ノード（例えば、ノード１２２ａ）を含んでよい。かかる他のデータは、インシトゥ・モニタシステムによる基板の事前の測定値（例えば、基板の処理のより早い段階から収集されたスペクトル）、先行する基板の測定値（例えば、別の基板の処理中に収集されたスペクトル）、研磨システム内の別のセンサ（例えば、温度センサによるパッド又は基板の温度の測定値）、研磨システムを制御するために使用されるコントローラによって記憶された研磨レシピ（例えば、基板を研磨するために使用されるキャリヤヘッド圧力やプラテン回転速度などの研磨パラメータ）、コントローラによって追跡された変数（例えばパッドが変更されてからの基板の数）、又は研磨システムの部分ではないセンサ（例えば計測ステーションによる下地フィルムの厚さの測定値）からのものであってよい。これにより、ニューラルネットワーク１２０が、特徴値の計算において、かかる他の処理変数又は環境変数を勘案することが可能になる。
例えばデバイスウエハに使用される前に、機械学習システム１１２を構成する必要がある。
次元削減モジュール１１０の構成手順の部分として、コントローラ９０は、複数の参照スペクトル及び１つの特徴値（例えば、複数の参照スペクトルの各参照スペクトルに関連付けられた厚さ）を受け取ってよい。例えば、参照スペクトルが、１以上の試験基板上の複数の特定の場所で測定されてよい。加えて、計測器材（例えば、接触プロフィロメータやエリプソメータ）を用いて、これらの特定の場所で厚さの測定が実施され得る。したがって、厚さの測定値は、基板上の同じ場所からの参照スペクトルに関連付けられ得る。複数の参照スペクトルは、例えば、５〜１０個の参照スペクトルを含んでよい。
図４は、データを収集し、モデルを生成するためのプラットフォームのアーキテクチャを示している。主な構成要素は、ファブツール（fab tool）、アルゴリズム生成プラットフォーム、及びユーザインターフェースを含む。
ファブツールは、処理システム、例えば、化学機械研磨器２０を含む。処理システムは、様々な制御パラメータによって制御される。時間の関数として制御パラメータを設定するためのデータは、「レシピ」と呼ぶことができる。例えば、研磨システムでは、制御パラメータが、キャリヤヘッドの様々なチャンバ内の研磨圧力、並びにキャリヤヘッド回転速度、プラテン回転速度、スラリ分注速度、キャリヤヘッド掃引、スラリ組成などの他のパラメータを示すレシピ内で設定され得る。これらの制御パラメータのいずれも、時間の関数として指定することができる。
ファブツールはまた、インシトゥ・モニタシステム７０も含むが、そのモニタシステムは、処理システム自体の部分と見なすことができる（仮想ボックスによって示されている）。インシトゥ・モニタシステム７０は、上述したような分光モニタシステムとすることができるが、渦電流モニタリング、モータ電流若しくはトルクモニタリング、カメラ、温度センサなどのような他のセンサを、代わりに又は追加して使用することができる。
ファブツールはまた、プロセスコントローラ、例えばコントローラ９０も含むことができるが、プロセスコントローラは、処理システム自体の部分と見なすことができる（再び仮想ボックスによって示されている）。プロセスコントローラは、インシトゥ・モニタシステム７０からデータを受け取り、処理システム２０を制御する。この制御は、例えば、基板が処理されているときに、概してリアルタイムで行うことができる。例えば、プロセスコントローラ９０は、処理を停止するかどうか、プロセス制御パラメータを調整するかどうか、又は処理レシピの新しい段階を開始するかどうかを検出することができる。研磨パラメータを調整することは、新しい制御パラメータ値を処理システムに供給することを含んでよい。例えば、研磨システムでは、プロセス制御システムが、キャリヤヘッドによって加えられる１以上の圧力を調整するかどうかを判定することができ、調整された値は、次いで、調整されたプロセスを実施する（例えば、調整された圧力を加える）処理システムに渡すことができる。
プロセスコントローラ９０によって使用される特定のアルゴリズムは、アルゴリズム生成プラットフォーム１８から受け取ることができる。
アルゴリズム生成プラットフォーム１８は、１以上のコンピュータ、例えばサーバシステム内で実行されるソフトウェアとして実装することができる。アルゴリズム生成プラットフォーム１８は、３つの主要な機能を有することができる。
第１に、アルゴリズム生成プラットフォーム１８は、様々なファブツールからデータを受け取り、そのデータをデータストア１８ａ、例えばデータベース内に記憶する役割を担う。受け取られるデータは、インシトゥ・モニタシステムからの信号（例えば、分光モニタシステムによって測定されるスペクトルのシーケンス）、処理システムからの制御パラメータ（例えば、研磨レシピ）、ファブ基板追跡システムからの基板データ（例えば、製造される基板の製造履歴及び／又はデバイスの特定）、及びグラウンドトゥルース測定値、並びに任意選択的に計測システムからの他の測定値を含むことができる。
特に、アルゴリズム生成プラットフォーム１８は、複数の組の訓練データを受け取り、データストア１８ａ内に記憶することができる。各組の訓練データは、単一基板上の単一の処理動作に対応し得る。基板は、訓練のために意図的に使用される基板、又は、集積回路の製造の通常の過程でモニタされ、開始厚さ値及び／若しくは終了厚さ値が計測システムによって測定された、デバイス基板とすることができる。
例えば、研磨システム２０が基板を研磨し、計測システム１４が基板の層の厚さを測定する際に又はした後で、データを収集して、一組の訓練データを生成することができる。収集されたデータは、研磨中に測定されたスペクトル、スペクトルが測定された研磨動作中の時間（「タイムスタンプ」）、及び計測システムによって得られた（１以上の）グラウンドトゥルース測定値を含むことができる。したがって、各組の訓練データは、分光モニタシステムによって測定される複数の訓練スペクトル、複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプ、並びに複数の訓練スペクトルについての開始厚さ値及び／又は終了厚さ値を含むことができる。
複数の組の訓練データは、典型的には、単一の処理システムから、例えば単一の研磨システムから収集され得る。訓練データが収集されるこの処理システムは、制御アルゴリズムが生成されることとなる同じ処理システムであってもよいが、そうである必要はない。一部の実施態様では、複数の組の訓練データが、複数の処理システムのそれぞれ、例えば複数の研磨システム２０のそれぞれから収集される。
第２に、アルゴリズム生成プラットフォーム１８は、ユーザ、例えば半導体製造プラント１２のオペレータが、以下に説明する様々なオプションを選択することを可能にする、ユーザインターフェースを生成することができる。ユーザインターフェースは、例えばウェブサーバ１８ｂを介して生成することができる。同様に、ユーザは、ウェブブラウザを介してユーザインターフェースにアクセスすることができる。ウェブブラウザは、ウェブサーバ１８ｂと同じコンピュータにあっても、別のコンピュータであってもよい。
第３に、アルゴリズム生成プラットフォーム１８は、アルゴリズム生成エンジン１８ｃを含む。アルゴリズム生成エンジン１８ｃは、機械学習モデル・ビルダ・アプリケーション１８ｄ、物理プロセスモデル・ビルダ・アプリケーション１８ｅ、及びモデル訓練アプリケーション１８ｆを含む幾つかのサブコンポーネントを含む。
モデル・ビルダ・アプリケーション１８ｄは、ユーザが機械学習システムの様々なモデルを構築することを可能にする。例えば、モデル・ビルダは、ユーザが、ニューラルネットワーク内の隠れノードの幾つかの列を選択すること、又はニューラルネットワーク内の特定のノード間の接続若しくは接続の欠如を指定すること、ニューラルネットワークによって使用される非線形関数を指定することなどを可能にする。これにより、ユーザは、ユーザによって実行されるプロセスに特有の様々なモデルを構築することができる。
より具体的には、機械学習モデル・ビルダ１８ｄが、複数の種類の機械学習モデルを生成するように構成されている。異なる種類の機械学習モデルは、ニューラルネットワーク、並びにニューラルネットワークを使用しない機械学習モデル（例えば、ランダムフォレスト、勾配ブーストツリー、サポートベクトルマシンなど）を含むことができる。異なる種類の機械学習モデルはまた、異なるニューラルネットワーク構成、例えば、完全接続型ニューラルネットワークに対し、畳み込みニューラルネットワークを含むことができる。
機械学習モデル・ビルダ１８ｄは、例えば、ユーザインターフェースを介して、半導体製造プラントのオペレータから機械学習モデルの選択を受け取ることができる。例えば、ウェブサーバ１８ｂは、複数の種類の機械学習モデルをリストし、オペレータが複数の種類の機械学習モデルのうちの1つを選択することを可能にするグラフィック制御要素、例えば、ドロップダウンメニュー、チェックボックス、自動補完検索ボックスなどを含む、ウェブページを生成することができる。
機械学習モデル・ビルダ１８ｄはまた、例えばユーザインターフェースを介して、半導体製造プラントのオペレータから１以上のハイパーパラメータ値を受け取ることもできる。（１以上の）ハイパーパラメータは、機械学習モデルの構成を設定するパラメータであり、機械学習モデルの種類に依存することとなる。ニューラルネットワーク内の隠れ層の数は、ニューラルネットワークについてのハイパーパラメータの一例である。他の実施例は、ノードのドロップアウトのパーセンテージ、初期化重み、及びアクティブ化機能を含む。ここでも、ウェブサーバ１８ｂは、オペレータが各ハイパーパラメータについての値を入力又は選択することを可能にするグラフィック制御要素、例えば、ドロップダウンメニュー、チェックボックス、自動補完検索ボックスなどを含む、ウェブページを生成することができる。
機械学習モデル・ビルダ１８ｄが、機械学習モデルの種類及び必要であれば任意のハイパーパラメータ値の選択を受け取ると、機械学習モデル・ビルダ１８ｄは、機械学習モデルのインスタンスを生成することができる。この時点では、機械学習モデルは訓練されておらず、したがって、特性値の実際の計算には役に立たない。
上述のように、物理プロセスモデルを使用して、処理時間の関数として特徴値を生成することができ、これらの特徴値をスペクトルに関連付けることができ、これにより、スペクトル（特徴値を有する）を訓練データとして使用することができる。
物理プロセス機械学習モデル・ビルダ１８ｄは、複数の種類の物理プロセスモデルを生成するように構成されている。各種類の物理プロセスモデルは、異なる時間の関数及び／又は異なる物理プロセスパラメータとして厚さ値を生成する関数を提供する。異なる種類の物理プロセスモデルは、（１）プロセスモデルの基本関数、例えば、線形又は非線形、（２）プロセスモデルの出力が、タイムスタンプ並びに開始値及び／又は終了値以外の物理プロセス変数に依存するかどうか、並びに（３）物理プロセスモデルにおいて他の物理プロセス変数がどのように使用されるかに基づいて区別することができる。
例えば、単純な物理プロセスモデルの１つの種類は、シーケンスの最初と最後のスペクトルの時間に対する訓練スペクトルの時間に基づいて、開始値と終了値との間の線形補間により、訓練スペクトルついての厚さ値を生成することができる。これは、他の変数に依存せずに行うことができる。
別の一実施例として、別の種類の物理プロセスモデルは、例えば他の変数に依存することなく、時間の予め設定された非線形関数に基づいて、厚さ値の補間を行うことができる。
別の一実施例として、別の種類の物理プロセスモデルは、タイムスタンプ、開始値及び／又は終了値、並びに様々な物理プロセスパラメータ、例えば、プロセスがフィルム上で停止しているかどうか、プロセス選択性、プロセス開始時間、基板上のパターン密度に依存する関数を使用することができる。当該技術分野では、様々な物理プロセスモデルが知られている。
物理プロセスモデル・ビルダ１８ｅは、例えばユーザインターフェースを介して、半導体製造プラントのオペレータから物理プロセスモデルの種類の選択を受け取ることができる。例えば、ウェブサーバ１８ｂは、複数の種類の物理プロセスモデルをリストし、オペレータが複数の種類の物理プロセスモデルのうちの１つを選択することを可能にするグラフィック制御要素、例えば、ドロップダウンメニュー、チェックボックス、自動補完検索ボックスなどを含む、ウェブページを生成することができる。
図４は、機械学習モデル及び物理プロセスモデルの選択のための個別の制御要素を示しているが、既に対になっている機械学習モデルと物理プロセスモデルを同時に選択するための単一の制御要素、例えばドロップダウンメニューがあってもよい。
物理プロセスモデル・ビルダ１８ｅはまた、例えばユーザインターフェースを介して、半導体製造プラントのオペレータから１以上の物理プロセスパラメータ値を受け取ることもできる。この場合も、研磨動作では、物理プロセスパラメータの例には、プロセス選択性、プロセス開始時間、基板上のパターン密度が含まれる。ここでも、ウェブサーバ１８ｂは、オペレータが各物理プロセスパラメータについての値を入力又は選択することを可能にするグラフィック制御要素、例えば、ドロップダウンメニュー、チェックボックス、自動補完検索ボックスなどを含む、ウェブページを生成することができる。
モデル訓練アプリケーション１８ｆは、オペレータが、モデルの特定のインスタンス化の訓練にどのデータを使用すべきかを選択することを可能にする。例えば、分光測定システムが使用されることを前提とすると、ユーザは、訓練のためにどの基板からのどのスペクトルが使用されることとなるか、及びそれらのスペクトルに関連付けられたグラウンドトゥルース測定値を選択することができる。
データストア１８ａが、複数の組の訓練データを記憶すると仮定すると、モデル訓練アプリケーション１８ｆは、例えばユーザインターフェースを介して、半導体製造プラントのオペレータから複数の組のうちの１以上の組の訓練データの選択を受け取ることができる。例えば、ウェブサーバ１８ｂは、データの組をリストし、オペレータが１以上のデータの組を選択することを可能にするグラフィック制御要素、例えば、ドロップダウンメニュー、チェックボックス、自動補完検索ボックスなどを含む、ウェブページを生成することができる。
物理プロセスモデル・ビルダ１８ｄが、物理プロセスモデルの種類の選択及び必要であれば任意のプロセスパラメータ値を受け取ると、物理プロセスモデル・ビルダ１８ｄは、特性値をまだ有していない各訓練スペクトルについて、特性値、例えば厚さ値を計算することができる。すなわち、様々な値、例えば訓練スペクトルのタイムスタンプ、開始値、及び終了値が、物理プロセスモデルの中に供給され、物理プロセスモデルは、その訓練スペクトルについての特性値を計算する。
物理プロセスモデルのインスタンスが生成されると、物理プロセスモデルを使用して、まだ特徴値を有していない訓練データ内の各訓練スペクトルについて、特性値、例えば厚さ値を生成することができる。訓練は、従来の技法を使用してモデル訓練アプリケーション１８ｆによって実行することができる。例えば、ニューラルネットワークの場合、訓練は、測定値のシーケンス、及び物理プロセスモデルによって生成された特性値を使用して、逆伝搬によって実行することができる。例えば、ニューラルネットワークの場合、訓練は、スペクトルのシーケンス、及び研磨プロセスモデルによって生成された特性値、例えば厚さ値を使用して、逆伝搬によって実行することができる。
訓練が実行されると、機械学習モデルの訓練されたインスタンス化をプロセス制御システムに渡すことができ、次いで、プロセス制御システムは、上述のように訓練された機械学習モデルを使用することができる。
例えば、研磨システム内での基板の研磨中に、基板をインシトゥ・分光モニタシステムでモニタして、研磨されている基板の複数の測定されたスペクトルを生成することができる。複数の測定されたスペクトルは、訓練された機械学習モデルに渡されて、複数の特徴値、例えば厚さの測定値を生成し、研磨システムの少なくとも１つの処理パラメータは、複数の特徴値に基づいて制御される。
特に、アルゴリズム生成プラットフォームは、複数の種類の機械学習モデル（例えば、上述のように異なるアーキテクチャで構築されたモデル）のインスタンス化を含むことができ、インスタンス化は、同じ又は異なるデータの組によって訓練される。アルゴリズム生成プラットフォームはまた、同じ機械学習モデルの複数のインスタンス化を含むこともでき、各インスタンス化は、異なるデータの組によって訓練される。
一部の実施態様では、ユーザが、プロセス制御システムの中にロードするための訓練されたモデルインスタンス化を選択する。一部の実施態様では、アルゴリズム生成器が、ファブツールからデータを受け取り、そのデータに基づいてモデルのインスタンス化を選択することができる。例えば、アルゴリズム生成器は、カセット内の基板が特定のデバイスの製造に使用されている基板追跡システムからデータを受け取ることができる。次いで、アルゴリズム生成器は、そのデバイスに関連付けられたモデルのインスタンス化を選択し、そのモデルのインスタンス化をプロセス制御システムに渡すことができる。
本発明の実施形態及び本明細書で説明される機能動作の全ては、本明細書で開示される構造的手段及びその構造的等価物を含む、デジタル電子回路、又はコンピュータソフトウェア、ファームウェア、若しくはハードウェア、又はそれらの組合せで実装することができる。本発明の実施形態を１以上のコンピュータプログラム製品、すなわち、データ処理装置、例えばプログラマブルプロセッサ、コンピュータ、又は複数のプロセッサ若しくはコンピュータによって実行される、又はこれらの作業を制御するための非一過性の機械可読記憶媒体内で有形に具現化された１以上のコンピュータプログラムとして実装可能である。（プログラム、ソフトウェア、ソフトウェアアプリケーション、又はコードとしても知られている）コンピュータプログラムは、コンパイル又は翻訳された言語を含む、任意の形のプログラミング言語で書くことができ、また独立型プログラムとして、又はモジュール、構成要素、サブルーチン、若しくは計算環境で使用するのに適している他のユニットとして配置することを含め、任意の形で配置することができる。コンピュータプログラムは、必ずしもファイルに対応するわけではない。プログラムは、他のプログラム又はデータを保持するファイルの一部、問題のプログラム専用の単一ファイル、又は複数の調整されたファイル（例えば、１以上のモジュール、サブプログラム、若しくはコードの一部を記憶するファイル）に記憶することができる。コンピュータプログラムは、１つのコンピュータ、又は１つのサイトの複数のコンピュータで実行されるように配備することも、複数のサイトに分散させて通信ネットワークによって相互接続することもできる。
本明細書で説明されるプロセス及び論理フローは、入力データで動作し出力を生成することによって機能を実行するために１以上のコンピュータプログラムを実行する１以上のプログラマブルプロセッサによって実行することができる。プロセス及び論理フローは、FPGA（フィールドプログラマブルゲートアレイ）又はASIC（application specific integrated circuit：特定用途向け集積回路）といった特殊用途の論理回路によって実施されてもよく、且つ、装置が、かかる特殊用途の論理回路として実装されることも可能である。
上述の研磨システム及び方法は、種々の研磨システムに適用することができる。研磨パッド若しくはキャリヤヘッドのいずれか又は両方が移動して、研磨面と基板との間の相対運動を提供することができる。例えば、プラテンは、回転するのではなく軌道を回ることができる。研磨パッドは、プラテンに固定された円形状（又は何らかの他の形状）のパッドとすることができる。研磨システムは、例えば、研磨パッドが連続的であるか、又は直線的に移動するリール・ツー・リール・ベルトである、直線的な研磨システムとすることができる。研磨層は、標準的な（例えば、充填剤を含むか若しくは含まないポリウレタン）研磨材料、軟質材料、又は固定研磨材料とすることができる。相対的な配置に関する用語が、構成要素の相対的な配向又は配置に使用されているが、研磨面及び基板は、重力に対して垂直な配向又はその他の配向に保持できることを理解されたい。
上述の説明は、化学機械研磨に焦点を当ててきたが、制御システムは、他の半導体処理技術、例えば、エッチング又は堆積（例えば、化学気相堆積）に適応させることができる。加えて、この技法は、インシトゥ・モニタではなく、インラインの又はスタンドアロンの計測システムにも適用され得る。
本発明の特定の実施形態について説明してきた。他の実施形態は、以下の特許請求の範囲内である。

Claims (20)

  1. 基板処理システムを動作させる方法であって、
    複数の組の訓練データを受け取ることであって、各組の訓練データが、複数の訓練スペクトル、前記複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプ、並びに前記複数の訓練スペクトルについての開始特徴値及び／又は終了特徴値を含む、複数の組の訓練データを受け取ること、
    複数の機械学習モデルを記憶することであって、各機械学習モデルが、少なくとも１つの異なるハイパーパラメータを提供する、複数の機械学習モデルを記憶すること、
    複数の物理プロセスモデルを記憶することであって、各物理プロセスモデルが、異なる時間の関数及び／又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する、複数の物理プロセスモデルを記憶すること、
    前記複数の機械学習モデルからの機械学習モデルの選択及び前記複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルの組み合わせを提供すること、
    前記選択された機械学習モデルについての少なくとも１つのハイパーパラメータ値及び前記選択された物理プロセスモデルについての少なくとも１つの物理パラメータ値を受け取ること、
    前記選択された機械学習モデル及び前記少なくとも１つのハイパーパラメータ値に従って実装された機械学習モデルを生成すること、
    各組の訓練データ内の各訓練スペクトルについて、前記訓練スペクトルについての前記タイムスタンプ、前記組の訓練データについての前記開始特徴値及び／又は前記終了特徴値、前記物理パラメータ値、並びに前記選択された物理プロセスモデルに基づいて特徴値を計算し、それによって、前記複数の訓練スペクトルのうちの１つに関連付けられた各訓練特徴値を有する複数の訓練特徴値を生成すること、
    前記複数の訓練特徴値及び前記複数の訓練スペクトルを使用して、前記実装された機械学習モデルを訓練して、訓練された機械学習モデルを生成すること、並びに
    前記訓練された機械学習モデルを前記基板処理システムの処理制御システムに渡すことを含む、方法。
  2. 前記基板処理システムが、化学機械研磨システムを備える、請求項１に記載の方法。
  3. 前記研磨システム内で基板を研磨すること、
    前記基板の研磨中に、インシトゥ・分光モニタシステムで前記基板をモニタして、複数の測定されたスペクトルを生成すること、
    前記複数の測定されたスペクトルを前記訓練された機械学習モデルに渡して、複数の特徴値を生成すること、及び
    前記複数の特徴値に基づいて、前記研磨システムの少なくとも１つの処理パラメータを制御することを更に含む、請求項２に記載の方法。
  4. 前記少なくとも１つの処理パラメータを制御することが、研磨を停止すること及び／又はキャリヤヘッド圧力を調整することを含む、請求項３に記載の方法。
  5. 非一過性のコンピュータ可読媒体内に有形に具現化された、基板の処理を制御するためのコンピュータプログラム製品であって、プロセッサに、
    複数の組の訓練データを受け取ることであって、各組の訓練データが、複数の訓練スペクトル、前記複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプ、並びに前記複数の訓練スペクトルについての開始特徴値及び／又は終了特徴値を含む、複数の組の訓練データを受け取ること、
    複数の機械学習モデルを記憶することであって、各機械学習モデルが、少なくとも１つの異なるハイパーパラメータを提供する、複数の機械学習モデルを記憶すること、
    複数の物理プロセスモデルを記憶することであって、各物理プロセスモデルが、異なる時間の関数及び／又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する、複数の物理プロセスモデルを記憶すること、
    前記複数の機械学習モデルからの機械学習モデルの選択及び前記複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルの組み合わせを提供すること、
    前記選択された機械学習モデルに従って実装された機械学習モデルを生成すること、
    各組の訓練データ内の各訓練スペクトルについて、前記訓練スペクトルについての前記タイムスタンプ、前記組の訓練データについての前記開始特徴値及び／又は前記終了特徴値、並びに前記選択された物理プロセスモデルに基づいて特徴値を計算し、それによって、前記複数の訓練スペクトルのうちの１つに関連付けられた各訓練特徴値を有する複数の訓練特徴値を生成すること、
    前記複数の訓練特徴値及び前記複数の訓練スペクトルを使用して、前記実装された機械学習モデルを訓練して、訓練された機械学習モデルを生成すること、並びに
    前記訓練された機械学習モデルを基板処理システムの処理制御システムに渡すこと、を実行させるための指示命令を含む、コンピュータプログラム製品。
  6. 前記特徴値が、前記基板上の層についての厚さ値を含む、請求項５に記載のコンピュータプログラム製品。
  7. 前記複数の物理プロセスモデルの一部が、時間の線形関数を含み、前記複数の物理プロセスモデルの一部が、時間の非線形関数を含む、請求項５に記載のコンピュータプログラム製品。
  8. 前記物理プロセスパラメータが、パターン密度、開始ステップ高さ、臨界ステップ高さ、及びプロセス選択性のうちの１以上を含む、請求項５に記載のコンピュータプログラム製品。
  9. 前記選択された機械学習モデルについての少なくとも１つのハイパーパラメータ値を受け取り、前記選択された物理プロセスモデルについての物理パラメータ値を受け取るための指示命令を含み、前記実装された機械学習モデルを生成するための前記指示命令が、前記選択された機械学習モデル及び前記少なくとも１つのハイパーパラメータ値に従って、前記実装された機械学習モデルを生成するための指示命令を含み、前記特徴値を計算するための前記指示命令が、前記物理パラメータ値に基づいて前記特徴値を計算するための指示命令を含む、請求項５に記載のコンピュータプログラム製品。
  10. 半導体製造システムであって、
    複数の研磨システムであって、各研磨システムが、研磨パッドを保持するための支持体、前記研磨パッドに対して基板を保持するためのキャリヤ、前記基板と前記研磨パッドとの間で相対運動を起こさせるモータ、研磨中の前記基板の測定値のシーケンス及び前記測定値のシーケンス内の各測定値についてのタイムスタンプを生成するためのインシトゥ・モニタシステム、並びにコントローラを含む、複数の研磨システムを備え、
    前記複数の研磨システムのうちの少なくとも１つの少なくとも１つのコントローラが、前記複数の研磨システムのうちの１以上に、一連の訓練基板を研磨させるように構成され、
    前記複数の研磨システムからの１以上のシステムの１以上のコントローラが、訓練された機械学習モデルを受け取り、前記１以上のシステムからの前記研磨システムに一連のデバイス基板を研磨させ、前記１以上のシステムの前記インシトゥ・モニタシステムから前記デバイス基板の測定値のシーケンスを受け取り、前記測定値のシーケンス及び前記訓練された機械学習モデルに基づいて特徴値のシーケンスを生成し、前記特徴値のシーケンスに基づいて少なくとも１つの研磨制御パラメータを制御するように構成され、
    前記半導体製造システムが更に、
    前記一連の訓練基板のそれぞれについての開始特徴値及び／又は終了特徴値を生成するための、インライン又はスタンドアロン計測システム、並びに
    １以上のプロセッサ、及び指示命令を含むコンピュータプログラム製品を記憶した非一過性のコンピュータ可読媒体を備えた、アルゴリズム生成プラットフォームを備え、前記指示命令が、前記１以上のプロセッサに、
    各訓練基板について、前記訓練基板を研磨するために使用される前記複数の研磨システムのうちの１以上の前記インシトゥ・モニタシステムから、前記訓練基板の研磨中に生成された複数の訓練スペクトル及び前記複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプを受け取ること、
    各訓練基板について、前記インライン又はスタンドアロン計測システムから、前記訓練基板についての前記開始特徴値及び／又は前記終了特徴値を受け取ること、
    複数の組の訓練データを記憶することであって、各組の訓練データが、前記訓練基板からの前記複数の訓練スペクトル、前記複数の訓練スペクトルからの各訓練スペクトルについての前記タイムスタンプ、並びに前記訓練基板についての前記開始特徴値及び／又は前記終了特徴値を含む、複数の組の訓練データを記憶すること、
    複数の機械学習モデルを記憶することであって、各機械学習モデルが、少なくとも１つの異なるハイパーパラメータを提供する、複数の機械学習モデルを記憶すること、
    複数の物理プロセスモデルを記憶することであって、各物理プロセスモデルが、異なる時間の関数及び／又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する、複数の物理プロセスモデルを記憶すること、
    前記複数の機械学習モデルからの機械学習モデルの選択及び前記複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルの組み合わせを提供すること、
    前記選択された機械学習モデルについての少なくとも１つのハイパーパラメータ値及び前記選択された物理プロセスモデルについての少なくとも１つの物理パラメータ値を受け取ること、
    前記選択された機械学習モデル及び前記少なくとも１つのハイパーパラメータ値に従って実装された機械学習モデルを生成すること、
    各組の訓練データ内の各訓練スペクトルについて、前記訓練スペクトルについての前記タイムスタンプ、前記組の訓練データについての前記開始特徴値及び／又は前記終了特徴値、前記物理パラメータ値、並びに前記選択された物理プロセスモデルに基づいて特徴値を計算し、それによって、前記複数の訓練スペクトルのうちの１つに関連付けられた各訓練特徴値を有する複数の訓練特徴値を生成すること、
    前記複数の訓練特徴値及び前記複数の訓練スペクトルを使用して、前記実装された機械学習モデルを訓練して、訓練された機械学習モデルを生成すること、並びに
    前記訓練された機械学習モデルを前記デバイス基板の研磨の制御のために前記１以上の研磨システムの前記コントローラに渡すこと、を実行させる、システム。
  11. 前記アルゴリズム生成プラットフォームが、前記複数の研磨システムのうちの２以上のそれぞれから、前記訓練基板からの複数の訓練スペクトル、及び前記複数の訓練スペクトルからの各訓練スペクトルについての前記タイムスタンプを受け取るように構成されている、請求項１０に記載のシステム。
  12. 前記アルゴリズム生成プラットフォームが、複数の訓練された機械学習モデルを提供するデータを記憶するように構成されている、請求項１１に記載のシステム。
  13. 前記アルゴリズム生成プラットフォームが、複数の訓練された機械学習モデルのうちの１つを受け取り又は選択し、前記選択された訓練された機械学習モデルを前記コントローラに渡すように構成されている、請求項１２に記載のシステム。
  14. １以上のプロセッサ、及び複数のデバイス基板のそれぞれを特徴付けるデータを記憶するための指示命令を含んだコンピュータプログラム製品を記憶した非一過性のコンピュータ可読媒体を含む、基板追跡システムを更に備える、請求項１３に記載のシステム。
  15. 前記アルゴリズム生成プラットフォームが、前記基板追跡システムからデバイス基板を特徴付けるデータを受け取り、前記特徴付けるデータに基づいて、前記複数の訓練された機械学習モデルから訓練された機械学習モデルを選択するように構成されている、請求項１４に記載のシステム。
  16. 研磨システムを動作させる方法であって、
    機械学習アルゴリズムを使用して複数のモデルを訓練して、複数の訓練されたモデルを生成することであって、各訓練されたモデルが、モニタリング信号に基づいて基板の層の特性値を特定するように構成されている、複数の訓練されたモデルを生成すること、
    前記複数の訓練されたモデルを記憶すること、
    処理されるべき基板の特性を示すデータを受け取ること、
    前記データに基づいて前記複数の訓練されたモデルのうちの１つを選択すること、及び
    前記選択された訓練されたモデルを処理システムに渡すことを含む、方法。
  17. 半導体処理システム内で前記基板の前記層を処理すること、
    前記層の処理中に、インシトゥ・モニタシステムで前記基板をモニタし、前記インシトゥ・モニタシステムからの信号を生成すること、
    前記信号を前記訓練されたモデルに渡して、前記層の厚さの測定値を生成すること、及び
    前記厚さの測定値に基づいて前記処理システム用の１以上の制御信号を生成することを含む、請求項１６に記載の方法。
  18. モデルの１以上のハイパーパラメータを取得すること、
    前記ハイパーパラメータに基づいて生の予測モデルを生成すること、
    前記モデルについての訓練データを取得すること、及び
    前記訓練データを使用して前記生の予測モデルを訓練して、前記モデルを生成することを更に含む、請求項１７に記載の方法。
  19. 研磨システムであって、
    研磨パッドを支持するためのプラテン、
    前記研磨パッドと接触するように基板を保持するためのキャリヤヘッド、
    研磨中に前記基板をモニタするためのインシトゥ・モニタシステム、
    前記インシトゥ・モニタシステムからモデル及び信号を受け取り、前記モデル及び前記信号から特性値を特定するように構成されたプロセス制御システム、並びに
    機械学習アルゴリズムを使用して複数のモデルを訓練して、複数の訓練されたモデルを生成するように構成されたモデル生成器であって、各訓練されたモデルが、モニタリング信号に基づいて基板の層の特性値を特定するように構成され、前記モデル生成器が更に、前記複数の訓練されたモデルを記憶し、使用するために前記複数のモデルのうちの１つを選択し、前記選択された訓練されたモデルを前記プロセス制御システムに渡すように構成されている、モデル生成器を備える、システム。
  20. 非一過性のコンピュータ可読媒体内に有形に具現化された、基板の処理を制御するためのコンピュータプログラム製品であって、プロセッサに、
    機械学習アルゴリズムを使用して複数のモデルを訓練して、複数の訓練されたモデルを生成することであって、各訓練されたモデルが、モニタリング信号に基づいて基板の層の特性値を特定するように構成されている、複数の訓練されたモデルを生成すること、
    前記複数の訓練されたモデルを記憶すること、
    処理されるべき基板の特性を示すデータを受け取ること、
    前記データに基づいて前記複数の訓練されたモデルのうちの１つを選択すること、及び
    前記選択された訓練されたモデルを処理システムに渡すこと、を実行させるための指示命令を含む、コンピュータプログラム製品。
JP2020547198A 2018-03-13 2019-03-08 半導体処理のモニタリングのための機械学習システム Active JP7323541B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023122586A JP2023162172A (ja) 2018-03-13 2023-07-27 半導体処理のモニタリングのための機械学習システム

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862642497P 2018-03-13 2018-03-13
US62/642,497 2018-03-13
PCT/US2019/021441 WO2019177905A1 (en) 2018-03-13 2019-03-08 Machine learning systems for monitoring of semiconductor processing

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2023122586A Division JP2023162172A (ja) 2018-03-13 2023-07-27 半導体処理のモニタリングのための機械学習システム

Publications (2)

Publication Number Publication Date
JP2021515987A true JP2021515987A (ja) 2021-06-24
JP7323541B2 JP7323541B2 (ja) 2023-08-08

Family

ID=67903980

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2020547198A Active JP7323541B2 (ja) 2018-03-13 2019-03-08 半導体処理のモニタリングのための機械学習システム
JP2023122586A Pending JP2023162172A (ja) 2018-03-13 2023-07-27 半導体処理のモニタリングのための機械学習システム

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2023122586A Pending JP2023162172A (ja) 2018-03-13 2023-07-27 半導体処理のモニタリングのための機械学習システム

Country Status (6)

Country Link
US (3) US10969773B2 (ja)
JP (2) JP7323541B2 (ja)
KR (1) KR20200120958A (ja)
CN (1) CN111902924A (ja)
TW (2) TWI817992B (ja)
WO (1) WO2019177905A1 (ja)

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019177905A1 (en) 2018-03-13 2019-09-19 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
US11507824B2 (en) * 2018-06-28 2022-11-22 Applied Materials, Inc. Training spectrum generation for machine learning system for spectrographic monitoring
US10916411B2 (en) 2018-08-13 2021-02-09 Tokyo Electron Limited Sensor-to-sensor matching methods for chamber matching
JP7126412B2 (ja) * 2018-09-12 2022-08-26 東京エレクトロン株式会社 学習装置、推論装置及び学習済みモデル
US11592812B2 (en) 2019-02-19 2023-02-28 Applied Materials, Inc. Sensor metrology data integration
JP2020131353A (ja) * 2019-02-19 2020-08-31 パナソニックＩｐマネジメント株式会社 研磨加工システム、学習装置、学習装置の学習方法
DE102019214653A1 (de) * 2019-09-25 2021-03-25 Rolls-Royce Deutschland Ltd & Co Kg Training von Maschinenlernmodellen zur datengetriebenen Entscheidungsfindung
US11063965B1 (en) * 2019-12-19 2021-07-13 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
US11100221B2 (en) 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
DE102020100565A1 (de) * 2020-01-13 2021-07-15 Aixtron Se Verfahren zum Abscheiden von Schichten
JP2021112797A (ja) * 2020-01-17 2021-08-05 株式会社荏原製作所 研磨ヘッドシステムおよび研磨装置
DE102020201239A1 (de) * 2020-01-31 2021-08-05 Rolls-Royce Deutschland Ltd & Co Kg Sensorsystem und Verfahren zum Erkennen eines Zustands zumindest einer Maschine
CN111338275B (zh) * 2020-02-21 2022-04-12 中科维卡(苏州)自动化科技有限公司 一种电气设备运行状态监控方法及系统
US11705373B2 (en) * 2020-03-10 2023-07-18 Northwestern University In situ monitoring of field-effect transistors during atomic layer deposition
JP7390945B2 (ja) * 2020-03-19 2023-12-04 株式会社荏原製作所 研磨装置、情報処理システム及びプログラム
JP2021152762A (ja) * 2020-03-24 2021-09-30 株式会社Ｓｃｒｅｅｎホールディングス 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法
CN111506575B (zh) * 2020-03-26 2023-10-24 第四范式（北京）技术有限公司 一种网点业务量预测模型的训练方法、装置及系统
JP7421413B2 (ja) 2020-05-08 2024-01-24 株式会社荏原製作所 パッド温度調整装置、パッド温度調整方法、および研磨装置
JP7419163B2 (ja) * 2020-05-29 2024-01-22 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル
JP2021194748A (ja) * 2020-06-17 2021-12-27 株式会社荏原製作所 研磨装置及びプログラム
US11688616B2 (en) 2020-07-22 2023-06-27 Applied Materials, Inc. Integrated substrate measurement system to improve manufacturing process performance
USD977504S1 (en) 2020-07-22 2023-02-07 Applied Materials, Inc. Portion of a display panel with a graphical user interface
US20220026817A1 (en) * 2020-07-22 2022-01-27 Applied Materials, Inc. Determining substrate profile properties using machine learning
JP7466403B2 (ja) 2020-08-03 2024-04-12 キヤノン株式会社 制御装置、リソグラフィー装置、制御方法および物品製造方法
US20220067762A1 (en) * 2020-08-26 2022-03-03 Coupang Corp. System and method for predicting an optimal stop point during an experiment test
US20220165592A1 (en) * 2020-11-24 2022-05-26 Taiwan Semiconductor Manufacturing Company Ltd. Semiconductor device manufacturing system and method for manufacturing semiconductor device
JP2023552461A (ja) * 2020-12-08 2023-12-15 モレックス エルエルシー パイプ及び容器の腐食及び浸食監視のためのシステム及び方法
CN115697631A (zh) * 2020-12-18 2023-02-03 应用材料公司 自适应浆料分配系统
US11853042B2 (en) * 2021-02-17 2023-12-26 Applied Materials, Inc. Part, sensor, and metrology data integration
JP2022127882A (ja) * 2021-02-22 2022-09-01 株式会社荏原製作所 基板処理装置
EP4301548A1 (en) * 2021-03-03 2024-01-10 Applied Materials, Inc. In-situ monitoring to label training spectra for machine learning system for spectrographic monitoring
US11586789B2 (en) * 2021-04-07 2023-02-21 Applied Materials, Inc. Machine learning based smart process recipe builder to improve azimuthal flow and thickness uniformity
TWI790591B (zh) 2021-04-12 2023-01-21 環球晶圓股份有限公司 晶圓加工系統及其重工方法
CN115884848A (zh) * 2021-04-30 2023-03-31 应用材料公司 使用基于机器学习的热图像处理监控化学机械抛光工艺
US11901203B2 (en) 2021-06-10 2024-02-13 Applied Materials, Inc. Substrate process endpoint detection using machine learning
US20220397515A1 (en) * 2021-06-10 2022-12-15 Applied Materials, Inc. Obtaining substrate metrology measurement values using machine learning
US11965798B2 (en) 2021-06-10 2024-04-23 Applied Materials, Inc. Endpoint detection system for enhanced spectral data collection
US11669079B2 (en) * 2021-07-12 2023-06-06 Tokyo Electron Limited Tool health monitoring and classifications with virtual metrology and incoming wafer monitoring enhancements
KR102393813B1 (ko) * 2022-02-24 2022-05-04 주식회사 아크트리아 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템
KR102605515B1 (ko) * 2022-09-15 2023-12-29 (주)성화에스티 인공지능 기반, 피가공물 두께에 기초한 가공 시스템
US20240120186A1 (en) * 2022-10-10 2024-04-11 Kla Corporation Plasma hypermodel integrated with feature-scale profile model for accelerated etch process development
WO2024081764A1 (en) * 2022-10-14 2024-04-18 Applied Materials, Inc. Determining substrate profile properties using machine learning
CN115863204B (zh) * 2023-02-27 2023-06-02 青岛芯康半导体科技有限公司 晶片加工用在线厚度监视和测量方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030055526A1 (en) * 2001-09-18 2003-03-20 Avanzino Steven C. Wafer based temperature sensors for characterizing chemical mechanical polishing processes
JP2011249833A (ja) * 1995-03-28 2011-12-08 Applied Materials Inc Ｃｍｐプロセス中のインシチュウ終点検出に用いるポリッシングパッド
JP2015514984A (ja) * 2012-03-28 2015-05-21 東京エレクトロン株式会社 スペクトル感度に基づいたモデル最適化方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5893796A (en) 1995-03-28 1999-04-13 Applied Materials, Inc. Forming a transparent window in a polishing pad for a chemical mechanical polishing apparatus
US20040267397A1 (en) 2003-06-27 2004-12-30 Srinivas Doddi Optical metrology of structures formed on semiconductor wafer using machine learning systems
US7001243B1 (en) 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
US7356377B2 (en) 2004-01-29 2008-04-08 Applied Materials, Inc. System, method, and medium for monitoring performance of an advanced process control system
US20070249071A1 (en) * 2006-04-21 2007-10-25 Lei Lian Neural Network Methods and Apparatuses for Monitoring Substrate Processing
US7627392B2 (en) * 2007-08-30 2009-12-01 Tokyo Electron Limited Automated process control using parameters determined with approximation and fine diffraction models
US8396582B2 (en) 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US20100094790A1 (en) 2008-10-10 2010-04-15 Micron Technology, Inc. Machine learning of dimensions using spectral intensity response of a reflectometer
US8039397B2 (en) 2008-11-26 2011-10-18 Applied Materials, Inc. Using optical metrology for within wafer feed forward process control
US20140242880A1 (en) 2013-02-26 2014-08-28 Applied Materials, Inc. Optical model with polarization direction effects for comparison to measured spectrum
KR102521159B1 (ko) 2014-11-25 2023-04-13 피디에프 솔루션즈, 인코포레이티드 반도체 제조 공정을 위한 개선된 공정 제어 기술
CN108475351B (zh) * 2015-12-31 2022-10-04 科磊股份有限公司 用于训练基于机器学习的模型的系统和计算机实施方法
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US10504759B2 (en) * 2016-04-04 2019-12-10 Kla-Tencor Corporation Semiconductor metrology with information from multiple processing steps
US10346740B2 (en) 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
US9972478B2 (en) 2016-09-16 2018-05-15 Lam Research Corporation Method and process of implementing machine learning in complex multivariate wafer processing equipment
JP6782145B2 (ja) 2016-10-18 2020-11-11 株式会社荏原製作所 基板処理制御システム、基板処理制御方法、およびプログラム
SG11201902651QA (en) * 2016-10-18 2019-05-30 Ebara Corp Substrate processing control system, substrate processing control method, and program
US10699214B2 (en) 2016-10-26 2020-06-30 International Business Machines Corporation Automatic identification and deployment of virtual sensor models
KR102304331B1 (ko) * 2017-02-24 2021-09-24 에이에스엠엘 네델란즈 비.브이. 기계 학습에 의해 공정 모델들을 결정하는 방법들
JP6779173B2 (ja) 2017-05-18 2020-11-04 株式会社荏原製作所 基板処理装置、プログラムを記録した記録媒体
US11380594B2 (en) * 2017-11-15 2022-07-05 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques
US11200511B1 (en) * 2017-11-17 2021-12-14 Amazon Technologies, Inc. Adaptive sampling of training data for machine learning models based on PAC-bayes analysis of risk bounds
WO2019177905A1 (en) 2018-03-13 2019-09-19 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
JP2020053550A (ja) 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011249833A (ja) * 1995-03-28 2011-12-08 Applied Materials Inc Ｃｍｐプロセス中のインシチュウ終点検出に用いるポリッシングパッド
US20030055526A1 (en) * 2001-09-18 2003-03-20 Avanzino Steven C. Wafer based temperature sensors for characterizing chemical mechanical polishing processes
JP2015514984A (ja) * 2012-03-28 2015-05-21 東京エレクトロン株式会社 スペクトル感度に基づいたモデル最適化方法

Also Published As

Publication number Publication date
US20190286075A1 (en) 2019-09-19
KR20200120958A (ko) 2020-10-22
US11733686B2 (en) 2023-08-22
TW201946136A (zh) 2019-12-01
JP2023162172A (ja) 2023-11-08
CN111902924A (zh) 2020-11-06
TWI817992B (zh) 2023-10-11
US20190286111A1 (en) 2019-09-19
TW202403867A (zh) 2024-01-16
JP7323541B2 (ja) 2023-08-08
US20210018902A1 (en) 2021-01-21
US10969773B2 (en) 2021-04-06
WO2019177905A1 (en) 2019-09-19
US10795346B2 (en) 2020-10-06

Similar Documents

Publication Publication Date Title
JP7323541B2 (ja) 半導体処理のモニタリングのための機械学習システム
JP7193456B2 (ja) ニューラルネットワークを使用する分光モニタリング
JP5675617B2 (ja) 加工時における基板の分光モニタリングを使用した研磨速度の調整
US20230267329A1 (en) Training Spectrum Generation for Machine Learning System for Spectrographic Monitoring
TW202239524A (zh) 用於標記用於攝譜監測的機器學習系統的訓練光譜的原位監測
US8954186B2 (en) Selecting reference libraries for monitoring of multiple zones on a substrate

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220215

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230228

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230314

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230609

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230627

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230727

R150 Certificate of patent or registration of utility model

Ref document number: 7323541

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150