JP2022504561A - 先進の半導体プロセス最適化および生産中の適応制御 - Google Patents
先進の半導体プロセス最適化および生産中の適応制御 Download PDFInfo
- Publication number
- JP2022504561A JP2022504561A JP2021519635A JP2021519635A JP2022504561A JP 2022504561 A JP2022504561 A JP 2022504561A JP 2021519635 A JP2021519635 A JP 2021519635A JP 2021519635 A JP2021519635 A JP 2021519635A JP 2022504561 A JP2022504561 A JP 2022504561A
- Authority
- JP
- Japan
- Prior art keywords
- data
- wafers
- chamber
- metrology
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 title claims description 25
- 239000004065 semiconductor Substances 0.000 title claims description 12
- 230000003044 adaptive effect Effects 0.000 title description 20
- 238000000034 method Methods 0.000 claims abstract description 310
- 230000008569 process Effects 0.000 claims abstract description 226
- 235000012431 wafers Nutrition 0.000 claims abstract description 192
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000010801 machine learning Methods 0.000 claims abstract description 69
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000004886 process control Methods 0.000 claims abstract description 54
- 230000006399 behavior Effects 0.000 claims abstract description 34
- 230000000737 periodic effect Effects 0.000 claims abstract description 7
- 238000013400 design of experiment Methods 0.000 claims description 80
- 238000012360 testing method Methods 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 230000002301 combined effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 17
- 238000011165 process development Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 21
- 238000003860 storage Methods 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 238000004627 transmission electron microscopy Methods 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000005530 etching Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001020 plasma etching Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 125000003821 2-(trimethylsilyl)ethoxymethyl group Chemical group [H]C([H])([H])[Si](C([H])([H])[H])(C([H])([H])[H])C([H])([H])C(OC([H])([H])[*])([H])[H] 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013169 thromboelastometry Methods 0.000 description 1
Images
Classifications
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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] or computer integrated manufacturing [CIM]
- G05B19/41875—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] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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] or computer integrated manufacturing [CIM]
- G05B19/41885—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] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
-
- 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
- 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
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- 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
- G05B2219/32193—Ann, neural base quality management
-
- 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
- G05B2219/32194—Quality prediction
-
- 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
- G05B2219/37—Measurements
- G05B2219/37224—Inspect wafer
-
- 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
- G05B2219/42—Servomotor, servo controller kind till VSS
- G05B2219/42155—Model
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
Description
本開示の諸態様は、半導体処理機器(「チャンバ」とも呼ばれる)の動作を空間デジタルDoEを用いて予測するための空間モデルを構築することが対象とされている。この空間モデルはまた、プロセス空間内の任意の条件のセットに対する仮想方策をデジタル的に生成することもできる。用語の「仮想方策」とは、物理的ウエハまたはクーポンではなく、ウエハの空間デジタルモデル、すなわち仮想ウエハを使用して生成されるプロセス方策を意味する。用語の「仮想ウエハ」は、ウエハだけでなく、マスクベースの計測学を実行するためのマスクなどの他のものも同様に包含する。空間モデルでは、計測学データと様々なノブとの間の相乗効果を活用するために機械学習を使用する。用語の「ノブ」は、プロセスを制御するために操作することができる変数を示すために用いられる。ノブは場合により、プロセス制御変数、または簡単にプロセス変数とも呼ばれる。開示された手法は、新半導体処理機器および新技術(たとえば5nm以下)のためにプロセス適性を促進し、経験的には調査できない著しく大きいプロセス空間を包含し、また、機器ハードウェア、最終デバイス動作およびその他のプロセスパラメータに対するプロセスウィンドウおよびその相互関係を特定する。研究開発段階中に、開示されたシステムおよび方法は、限られた数の試験ウエハだけを使用して、ターゲットプロセス方策に向けてのより速い収束を実現する。大量生産(HVM)につながるプロダクションランプ(production ramp)中、開示されたシステムおよび方法は、プロセスウィンドウのより厳密な制御をウエハ内だけでなく、単一のロット内のウエハ間(ウエハ間制御)、またはウエハの別々のロット間(ロット間制御)でも可能にする。プロセス制御頻度およびモデル適応化頻度は、それがウエハ間であるか(高頻度)、ロット間であるか(中頻度)、またはPM間であるか(すなわち定期補修(PM)ごとに1回)に応じて変わり得る。
本開示の中心にあるのは、機械学習技法を用いて経験的空間モデルを構築して、対象の1つまたは複数の寸法の変動を完全ウエハまたはウエハの一部分にわたって予測することである。用語の「空間」とは、ウエハ全体にわたって複数の場所を指し、たとえばウエハの中心、ウエハの縁などを指す。場所の典型的な数は、数十から数千まで変わり得る。対象の寸法は、ウエハ上の物理的フィーチャの幾何学的寸法とすることができ、たとえば線幅、構造物の高さ、側壁角度、上部限界寸法(TCD)、下部限界寸法(BCD)または他の任意のフィーチャレベルの三次元プロファイル情報とすることができる。しかし、本開示の範囲は、幾何学的寸法の空間分布だけに限定されない。空間プロセス測定の非限定的な例としては、ウエハ全体にわたる特定の核種のドーピング濃度の分布、ウエハ全体にわたる多孔性などが挙げられる。計測学は、空間プロセス変動を測定するためにも強力なツールになり得る。
上で論じた空間モデルは、ウエハ全体にわたる空間プロファイルを生成する。厳しいデバイス規格値(たとえば、5nmの技術以上のもの)では、フィーチャレベル3D空間プロファイリング制度要件は非常に困難なものになる。寸法精度要件を満たすために、1つのウエハから別のウエハまで、より厳密なプロセスの制御が大量生産中に必要とされる。1つの処理機器の中に、または製造プラットフォーム全体にわたる多数の処理機器の中に分散された複数のチャンバの場合には、デバイス動作変動と相関関係があるデバイス寸法変動を招くハードウェア変動の故に、チャンバマッチングがウエハ間のプロセス変動を最小限にするために重要である。
図12は、図を簡単にするために単一のチャンバを示している技術構成ブロック図を示すが、当業者には、複数のチャンバが単一のプラットフォームの一部であり得ることが理解されよう。プロセスプラットフォーム1220は、プロセスモデリングミニサーバ1208を有する。このプロセスモデルは、ウエハ全体にわたる対象の1つまたは複数の寸法の空間変動を引き起こす、チャンバ内のプロセスの物理的現象を捕捉する。モデルはチャンバ固有であってもよく、あるいは1つの共通モデルが複数のチャンバに使用されてもよい。共通モデルは、1つまたは複数のチャンバを較正するための基準として使用されるので、「ゴールデンモデル」と呼ばれることがある。ミニサーバ1208は、チャンバ1204内のセンサからのセンサデータ1205(すなわち、VMデータ)と、OBMツール1202からの生データ1203(たとえば、放射スペクトル)とを受け取る。VMおよびOBMに基づいて、プロセスモデリングミニサーバ1208は、(空間モデルを使用して計算された)多ノブ推奨1209をホストコンピュータ1210内のfab先進のプロセスコントローラ(APC)へ送出する。この推奨は、プロセス制御ノブまたは他の任意のチャンバパラメータ(たとえば、ソース電力、圧力などを調整する)に適用されるべきオフセットを含み得る。fab APC 1210はまた、TEM、電気試験ツールなどの他の試験ツールからデータ1207を受け取る。電気試験データは、デバイスパラメータおよび歩留まりのデータを含み得る。Fab APC 1210はまた、多次元カスタム化計測学データ1214を生成するSEM 1212からインライン高精度計測学データを受け取る。機械学習ベースのモデル構築設定サーバ1216は、カスタム化計測学データ1214、TEMおよび他のデバイスのパラメータおよび歩留まりのデータ1270、生OBMデータ1203ならびにセンサデータ1205を受け取って、プロセスモデルを適応的に調整する。機械学習エンジンは、ミニサーバ1208、Fab APC 1210および設定サーバ1216のうちの1つまたは複数に存在し得る。プロセスモデリングミニサーバ1208と機械学習ベースのモデル構築設定サーバ1216とは、リンク1217を介して互いに結合され、それにより、プロセスモデリングミニサーバ1208によって生成された空間モデルは、SEM1212からの大量のインライン計測学データを必要に応じて使用して、ウエハ間またはロット間変動制御に適応させることができる。加えて、チャンバ間変動は、チャンバ内部のプロセスの物理的現象を捕捉する基準チャンバモデルに基づき各チャンバを較正することによって、制御することができる。基準チャンバモデル自体は、機械学習に基づいて適応的に較正することができ、それにより、改善された基準モデルを用いて較正された各チャンバは、基準チャンバに期待されるオンウエハ動作と対等になることができる。適応的較正は、異なるチャンバからのウエハの周期的なサンプリングに基づいており、それにより、チャンバ間変動は実質的に補償される。ホットスポットベースのサンプリングの一例が、図10に提示されている。
Claims (39)
- コンピュータで実施される方法であって、
有限数のウエハを処理して処理機器のセンサから仮想計測学(VM)データ、およびウエハ上のデバイスの特徴からオンボード計測学(OBM)データを生成することによって、既知の初期プロセスに基づいて物理的実験計画法(DoE)を実行するステップと、
走査型電子顕微鏡(SEM)からインライン計測学データを取得するステップと、
プロセスおよび前記処理機器の経験的プロセスモデルを取得するステップと、
前記インライン計測学データを基準として使用することによって前記経験的プロセスモデルを較正するステップと、
前記VM、OBMおよびインライン計測学データを結合してカスタム化計測学データを生成するステップと、
前記カスタム化計測学データを受け取り、前記ウエハ全体にわたる対象の1つまたは複数の寸法に対する前記ウエハの1つまたは複数の空間マップを出力する機械学習エンジンが、前記経験的プロセスモデルを洗練することによって予測モデルを構築するステップとを含み、前記予測モデルが、どんな別のウエハも物理的に処理することなく空間デジタルDoEを実行するものであり、前記空間デジタルDoEが、前記処理機器に対する、および前記ウエハ全体にわたる対象の前記1つまたは複数の寸法に対する、前記プロセスの多制約最適化を含む、方法。 - カスマム化された計測学データがさらに透過型電子顕微鏡(TEM)データを含む、請求項1に記載の方法。
- 前記予測モデルが、前記ウエハを処理するための仮想方策を逆モードで推奨するものである、請求項1に記載の方法。
- 前記予測モデルが、対象の前記1つまたは複数の寸法のプロセス誘発変動が許容限度内にあるプロセス空間の中でプロセスウィンドウを特定するものである、請求項1に記載の方法。
- 前記機械学習エンジンがさらに、ある特定のプロセスと、前記プロセスが実行されることになる1つまたは複数の特定の機器とについての情報を受け取るものである、請求項1に記載の方法。
- 別のセットの物理的ウエハを処理することにより取得された別の計測学データを使用して、前記予測モデルを検査するステップをさらに含む、請求項1に記載の方法。
- 前記予測モデルが、前記カスタム化計測学データをプロセス空間内の1つまたは複数の重要ノブ設定と互いに関係づけるものである、請求項1に記載の方法。
- 機械学習技法が、対象の前記1つまたは複数の寸法に対する前記1つまたは複数の重要ノブの複合効果を特定するために使用される、請求項7に記載の方法。
- 各ウエハが、完全ウエハまたはその一部分を含む、請求項1に記載の方法。
- 空間デジタル実験計画法(DoE)用の機械学習ベースの予測モデルを構築するための、コンピュータで実施される方法であって
半導体プロセスの知識に基づいて初期方策を取得するステップと、
前記初期方策の周辺で前記半導体プロセスの複数の変数を変更することによって第1のセットのウエハを処理して、前記第1のセットのウエハ上に製造されたデバイスの対象の寸法に影響を及ぼす重要ノブを特定するステップと、
前記第1のセットのウエハを処理する前記ステップの結果をスクリーニングして、プロセス空間内の前記特定された重要ノブの相互作用を包含するために必要なウエハの最適数を決定するステップと、
第2のセットのウエハを、前記特定された重要ノブを前記プロセス空間内で変えることによって処理するステップであって、前記第2のセットが前記最適数のウエハを含む、ステップと、
前記第2のセットのウエハを処理する前記ステップの間中に、前記対象の寸法に関連する仮想計測学(VM)データをセンサから収集するステップと、
前記第2のセットのウエハからの前記対象の寸法に関連するオンボード計測学(OBM)データを収集するステップと、
前記対象の寸法に関連するインライン計測学データを、前記第2のセットのウエハからのウエハのうちの少なくともいくつかにeビーム検査および計測学を実行することによって収集するステップと、
前記VM、OBMおよびインライン計測学データを結合して、前記対象の寸法に関連する結合計測学データを生成するステップと、
前記結合計測学データと前記プロセス空間内の前記特定された重要ノブ設定との相関関係を決定するステップと、
前記半導体プロセスと関連する様々なノブが前記プロセス空間内で仮想的に変えられたときに、前記対象の寸法の空間分布を予測するために前記決定された相関関係を用いる、機械学習ベースの予測モデルを構築するステップであって、前記対象の寸法の前記予測空間分布が、所与の処理チャンバの半導体プロセスを最適化するために何か別のウエハを物理的に処理しなくても、空間デジタルDoEを実行することを可能にする、ステップと
を含む方法。 - ウエハ上のデバイスの生産中にウエハ間のデバイス動作変動を制御するシステムであって、
(1)1つまたは複数の処理チャンバ、オンボード計測学(OBM)ツール、および機械学習ベースのプロセス制御モデルを記憶する第1のサーバを含む、プロセスプラットフォームであって、
前記第1のサーバが、前記1つまたは複数の処理チャンバ内の現在のセットのウエハの処理中に、現在の記録のプロセス(POR)を用いてセンサから収集された仮想計測学(VM)データを受け取るものであり、また、前記ウエハ上に製造されているデバイス中の対象の1つまたは複数の寸法を測定することによって前記OBMツールが生成したOBMデータを受け取るものでもあり、前記1つまたは複数の対象の寸法がデバイス動作と相関関係があり、
前記第1のサーバが、前記VMデータと前記OBMデータを結合するものであり、また、前記結合されたデータに基づいて前記1つまたは複数の対象の寸法の空間分布を予測するために前記プロセス制御モデルを使用するものである、プロセスプラットフォームと、
(2)前記現在のPORに対応する基準インライン計測学データを生成するために前記現在のセットのウエハをサンプリングすることによって選択されたサブセットのウエハについて、前記1つまたは複数の対象の寸法を測定するためのインライン計測学ツールと、
(3)前記第1のサーバから前記1つまたは複数の対象の寸法の前記予測空間分布をVMおよびOBMに基づいて受け取るための、また前記インライン計測学ツールから前記基準インライン計測学データも受け取るための、機械学習エンジンを有する第2のサーバとを備え、
前記機械学習エンジンが、
前記1つまたは複数の対象の寸法の前記予測空間分布を、前記現在のPORに対応する前記基準インライン計測学データと比較することによって、また
前記現在のPORを修正するための新方策を次のセットのウエハに対し推奨することによって、前記プロセス制御モデルを周期的に更新するものであり、前記新方策が、前記現在のセットのウエハと前記次のセットのウエハとの間の処理条件の変化に、ウエハ間のデバイス動作変動を最小限にするように適応する、システム。 - 前記基準計測学データがさらに、透過型電子顕微鏡(TEM)から前記第2のサーバの前記機械学習エンジンによって受け取られたオフライン計測学データを含む、請求項11に記載のシステム。
- 前記基準計測学データがさらに、デバイス特徴について行われた電気試験から前記第2のサーバの前記機械学習エンジンによって受け取られた、デバイスパラメトリックデータおよび歩留まりデータを含む、請求項11に記載のシステム。
- 前記サブセットのウエハが、所定のサンプリング方式に基づいて前記現在のセットのウエハをサンプリングすることによって選択される、請求項11に記載のシステム。
- 前記所定のサンプリング方式がさらに、
前記サブセットのウエハ中の個々のウエハを、特定されたホットスポットまたは他の障害の箇所に基づいて格付けすることを含む、請求項14に記載のシステム。 - 前記次のセットのウエハに対し新方策を推奨する際に、前記特定されたホットスポットまたは前記他の障害の箇所について行われる根本原因分析を考慮に入れる、請求項15に記載のシステム。
- 前記プロセス制御モデルが1つのロット内で周期的に更新される、請求項11に記載のシステム。
- 前記プロセス制御モデルが1つのロットから次のロットまで更新される、請求項11に記載のシステム。
- 前記プロセス制御モデルが周期的な保守サイクルごとに1回更新される、請求項11に記載のシステム。
- 前記プロセス制御モデルが、処理チャンバの時間的なドリフトを補正するために更新される、請求項11に記載のシステム。
- 前記システムが、前記新方策に対するノブ設定を変えるために前記第1のサーバから推奨を受け取るホストコンピュータをさらに備える、請求項11に記載のシステム。
- ウエハ上のデバイスの生産中にウエハ間デバイス動作変動を制御するための、コンピュータで実施される方法であって、
第1のサーバにおいて、現在のセットのウエハの現在の記録のプロセス(POR)を取得するステップであって、前記PORが、前記ウエハ上に製造されるデバイスの対象の寸法の空間分布を予測する機械学習ベースのプロセス制御モデルによって推奨され、前記対象の寸法が前記デバイスの動作と相関関係がある、ステップと、
前記現在のセットのウエハを、前記現在のPORに対応するノブ設定で処理するステップと、
前記現在のセットのウエハの処理中にセンサから仮想計測学(VM)データを受け取るステップと、
前記ウエハ上に製造されている前記デバイス中の1つまたは複数の対象の寸法を測定することによって生成された、オンボード計測学(OBM)データを受け取るステップであって、前記1つまたは複数の対象の寸法がデバイス動作と相関関係があるステップと、
前記VMデータとOBMデータを結合するステップと、
機械学習ベースのプロセス制御モデルを使用して、前記結合データに基づき、前記1つまたは複数の対象の寸法の空間分布を予測するステップと、
前記現在のセットのウエハをサンプリングして、インライン計測学ツールへ送出するためのサブセットのウエハを選択するステップと、
前記インライン計測学ツールを使用して、前記サブセットのウエハ上の前記1つまたは複数の対象の寸法を、前記現在のPORに対応する基準計測学データを生成するために測定するステップと、
機械学習エンジンを有する第2のサーバにおいて、前記VMおよびOBMに基づいて前記第1のサーバによって予測された前記1つまたは複数の対象の寸法の前記空間分布を受け取るステップと、
前記第2のサーバにおいて前記インライン計測学データを受け取るステップと、
前記第2のサーバの前記機械学習エンジンを使用して、
前記1つまたは複数の対象の寸法の前記予測空間分布を、前記現在のPORに対応する前記基準インライン計測学データと比較することによって、また
前記現在のPORを修正するための新方策を次のセットのウエハに対し推奨することによって、前記プロセス制御モデルを周期的に更新するステップであって、前記新方策が、前記現在のセットのウエハと前記次のセットのウエハとの間の処理条件の変化に、ウエハ間のデバイス動作変動を最小限にするように適応する、ステップと
を含む、コンピュータで実施される方法。 - ウエハ上のデバイスの生産中にチャンバ間変動を制御するための、コンピュータで実施される方法であって、
多チャンバ処理プラットフォーム内の現在のチャンバごとに、
ウエハの空間モデルを取得するステップであって、前記空間モデルが、前記デバイスの1つまたは複数の対象の寸法についての第1のセットの計測学データに基づいて、第1の機械学習エンジンによって生成される、ステップと、
前記現在のチャンバの1つまたは複数のパラメータを取得するステップと、
前記空間モデル、および前記現在のチャンバの前記1つまたは複数のパラメータを使用して、前記デバイスの前記1つまたは複数の対象の寸法の空間測定値を前記ウエハ全体にわたって予測するステップと、
前記デバイスの前記1つまたは複数の対象の寸法の基準空間測定値を前記ウエハ全体にわたって取得するステップであって、前記基準空間測定値が、基準チャンバ内で前記デバイスを処理することによって取得される、ステップと、
前記予測空間測定値を前記基準空間測定値と比較して、前記現在のチャンバと前記基準チャンバとの間の動作の変動を示す測定基準を生成するステップと、
第2の機械学習エンジンによって実行される前記測定基準の多制約最適化に基づいて、前記現在のチャンバの前記1つまたは複数のパラメータのうちの少なくともいくつかに対する調整を、前記現在のチャンバの動作が前記基準チャンバの動作と実質的に対等になるように推奨するステップとを含む、コンピュータで実施される方法。 - 前記第1のセットの計測学データが、
前記チャンバ内のウエハの処理中にセンサから収集された仮想計測学(VM)データと、
前記デバイスの前記1つまたは複数の対象の寸法を測定することによってOBMツールで生成されたオンボード計測学(OBM)データとを含む、請求項23に記載の方法。 - 前記第2の機械学習エンジンが、前記デバイスの1つまたは複数の対象の寸法についての前記第1のセットの計測学データおよび第2のセットの計測学データを用いて訓練されることによって、経験的プロセスモデルを適応的に洗練する、請求項23に記載の方法。
- 前記第2のセットの計測学データが、
サブセットのウエハの前記1つまたは複数の対象の寸法を周期的に測定するインライン計測学ツールによって生成されたインライン計測学データを含む、請求項25に記載の方法。 - 前記インライン計測学ツールが走査型電子顕微鏡(SEM)である、請求項26に記載の方法。
- 前記多チャンバ処理プラットフォーム内のチャンバのうちの1つが前記基準チャンバである、請求項23に記載の方法。
- 前記基準チャンバが前記多チャンバ処理プラットフォームの外部にある、請求項23に記載の方法。
- 前記現在のチャンバの前記1つまたは複数のパラメータが、前記現在のチャンバのハードウェア構成要素の特性を含む、請求項23に記載の方法。
- 前記現在のチャンバの前記1つまたは複数のパラメータが、プロセス方策のステップを規制する前記現在のチャンバの調整可能ノブ設定を含む、請求項23に記載の方法。
- ウエハ上のデバイスの生産中にチャンバ間変動を制御するための、コンピュータで実施される方法であって、
多チャンバプラットフォームの複数のチャンバ内で実施されるべきプロセスの物理的現象を表す、基準チャンバの空間モデルを取得するステップと、
前記多チャンバプラットフォームの別々のチャンバから1つまたは複数のウエハを周期的にサンプリングするステップと、
前記サンプリングされた1つまたは複数のウエハから高精度計測学ツールによって取得された実際および仮想の計測学データを受け取る機械学習エンジンによって実行される多制約最適化に基づいて、前記基準チャンバの前記空間モデルを較正するステップと、
前記較正された基準チャンバ空間モデルに基づいて、現在のチャンバの1つまたは複数のパラメータに対する調整を、前記現在のチャンバの動作が前記基準チャンバの動作と実質的に対等になるように推奨し、それによって、前記多チャンバ処理プラットフォーム内の前記プロセスのチャンバ間変動を適応的に制御するステップとを含む、コンピュータで実施される方法。 - 前記現在のチャンバの前記1つまたは複数のパラメータが、前記現在のチャンバのハードウェア構成要素の特性を含む、請求項32に記載の方法。
- 前記現在のチャンバの前記1つまたは複数のパラメータが、プロセス方策のステップを規制する前記現在のチャンバの調整可能ノブ設定を含む、請求項32に記載の方法。
- 前記基準チャンバの前記空間モデルが、前記多チャンバ処理プラットフォーム内の各チャンバの共通モデルである、請求項32に記載の方法。
- 前記多チャンバ処理プラットフォーム内の各チャンバが前記基準チャンバの、対応するチャンバ固有空間モデルを有する、請求項32に記載の方法。
- 前記高精度計測学ツールが、SEM、TEM、またはこれらの組み合わせのうちの1つまたは複数を含む、請求項32に記載の方法。
- 前記機械学習エンジンがさらに、デバイスパラメトリックおよび歩留まり試験のデータを受け取る、請求項32に記載の方法。
- 前記サンプリングがホットスポットを特定することに基づく、請求項32に記載の方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022180846A JP7275370B2 (ja) | 2018-10-09 | 2022-11-11 | 先進の半導体プロセス最適化および生産中の適応制御 |
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/155,779 | 2018-10-09 | ||
US16/155,779 US10930531B2 (en) | 2018-10-09 | 2018-10-09 | Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes |
US16/155,773 | 2018-10-09 | ||
US16/155,773 US10657214B2 (en) | 2018-10-09 | 2018-10-09 | Predictive spatial digital design of experiment for advanced semiconductor process optimization and control |
US16/214,550 US10705514B2 (en) | 2018-10-09 | 2018-12-10 | Adaptive chamber matching in advanced semiconductor process control |
US16/214,550 | 2018-12-10 | ||
PCT/US2019/055031 WO2020076719A1 (en) | 2018-10-09 | 2019-10-07 | Advanced semiconductor process optimization and adaptive control during manufacturing |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022180846A Division JP7275370B2 (ja) | 2018-10-09 | 2022-11-11 | 先進の半導体プロセス最適化および生産中の適応制御 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2022504561A true JP2022504561A (ja) | 2022-01-13 |
JP7177923B2 JP7177923B2 (ja) | 2022-11-24 |
JP7177923B6 JP7177923B6 (ja) | 2022-12-16 |
Family
ID=70051960
Family Applications (4)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021519635A Active JP7177923B6 (ja) | 2018-10-09 | 2019-10-07 | 先進の半導体プロセス最適化および生産中の適応制御 |
JP2022180846A Active JP7275370B2 (ja) | 2018-10-09 | 2022-11-11 | 先進の半導体プロセス最適化および生産中の適応制御 |
JP2023076192A Active JP7375246B2 (ja) | 2018-10-09 | 2023-05-02 | 先進の半導体プロセス最適化および生産中の適応制御 |
JP2023183218A Pending JP2023181311A (ja) | 2018-10-09 | 2023-10-25 | 先進の半導体プロセス最適化および生産中の適応制御 |
Family Applications After (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022180846A Active JP7275370B2 (ja) | 2018-10-09 | 2022-11-11 | 先進の半導体プロセス最適化および生産中の適応制御 |
JP2023076192A Active JP7375246B2 (ja) | 2018-10-09 | 2023-05-02 | 先進の半導体プロセス最適化および生産中の適応制御 |
JP2023183218A Pending JP2023181311A (ja) | 2018-10-09 | 2023-10-25 | 先進の半導体プロセス最適化および生産中の適応制御 |
Country Status (6)
Country | Link |
---|---|
US (2) | US10705514B2 (ja) |
EP (2) | EP3864470B1 (ja) |
JP (4) | JP7177923B6 (ja) |
KR (2) | KR20230141930A (ja) |
CN (2) | CN116415691B (ja) |
WO (1) | WO2020076719A1 (ja) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11940488B2 (en) | 2017-01-05 | 2024-03-26 | Xcalipr Corporation | Systems and methods for high precision optical characterization of carrier transport properties in semiconductor manufacturing |
US11592812B2 (en) * | 2019-02-19 | 2023-02-28 | Applied Materials, Inc. | Sensor metrology data integration |
KR20220083811A (ko) * | 2019-10-23 | 2022-06-20 | 램 리써치 코포레이션 | 반도체 제작을 위한 레시피의 결정 (determination) |
US11815819B2 (en) * | 2020-04-06 | 2023-11-14 | Nova Ltd. | Machine and deep learning methods for spectra-based metrology and process control |
US11901204B2 (en) * | 2020-05-22 | 2024-02-13 | Applied Materials, Inc. | Predictive wafer scheduling for multi-chamber semiconductor equipment |
USD977504S1 (en) | 2020-07-22 | 2023-02-07 | Applied Materials, Inc. | Portion of a display panel with a graphical user interface |
US11688616B2 (en) * | 2020-07-22 | 2023-06-27 | Applied Materials, Inc. | Integrated substrate measurement system to improve manufacturing process performance |
US11862499B2 (en) | 2020-08-19 | 2024-01-02 | Applied Materials, Inc. | Multiplexing control of multiple positional sensors in device manufacturing machines |
US20220066411A1 (en) * | 2020-08-31 | 2022-03-03 | Applied Materials, Inc. | Detecting and correcting substrate process drift using machine learning |
JP2022045616A (ja) * | 2020-09-09 | 2022-03-22 | 東京エレクトロン株式会社 | 基板処理方法および基板処理装置 |
US20220114438A1 (en) * | 2020-10-09 | 2022-04-14 | Kla Corporation | Dynamic Control Of Machine Learning Based Measurement Recipe Optimization |
KR20230124043A (ko) * | 2020-12-21 | 2023-08-24 | 램 리써치 코포레이션 | 반도체 제작 장비의 프로세스 제어를 위한 적응형 모델 트레이닝 (adaptive model training) |
US20220210525A1 (en) * | 2020-12-24 | 2022-06-30 | Applied Materials Israel Ltd. | Prediction of electrical properties of a semiconductor specimen |
US11532525B2 (en) * | 2021-03-03 | 2022-12-20 | Applied Materials, Inc. | Controlling concentration profiles for deposited films using machine learning |
US20220284342A1 (en) * | 2021-03-04 | 2022-09-08 | Applied Materials, Inc. | Systems and methods for process chamber health monitoring and diagnostics using virtual model |
WO2022256194A1 (en) * | 2021-06-01 | 2022-12-08 | Lam Research Corporation | In situ sensor and logic for process control |
US20220392809A1 (en) * | 2021-06-03 | 2022-12-08 | Kla Corporation | Adaptive modeling misregistration measurement system and method |
US11860591B2 (en) * | 2021-09-13 | 2024-01-02 | Applied Materials, Inc. | Process recipe creation and matching using feature models |
US20230078146A1 (en) * | 2021-09-15 | 2023-03-16 | Applied Materials, Inc. | Virtual measurement of conditions proximate to a substrate with physics-informed compressed sensing |
CN113539909A (zh) * | 2021-09-15 | 2021-10-22 | 深圳市信润富联数字科技有限公司 | 一种故障检测方法、装置、终端设备及存储介质 |
US20230163002A1 (en) * | 2021-11-23 | 2023-05-25 | Applied Materials, Inc. | Accelerating preventative maintenance recovery and recipe optimizing using machine-learning based algorithm |
US20230195074A1 (en) * | 2021-12-21 | 2023-06-22 | Applied Materials, Inc. | Diagnostic methods for substrate manufacturing chambers using physics-based models |
CN116542351A (zh) * | 2022-01-21 | 2023-08-04 | 联华电子股份有限公司 | 半导体制造工艺预测模型的训练方法与预测装置 |
US11961030B2 (en) | 2022-01-27 | 2024-04-16 | Applied Materials, Inc. | Diagnostic tool to tool matching methods for manufacturing equipment |
JP2023120961A (ja) * | 2022-02-18 | 2023-08-30 | 株式会社Screenホールディングス | 基板処理条件の設定方法、基板処理方法、基板処理条件の設定システム、及び、基板処理システム |
US20230295799A1 (en) * | 2022-03-16 | 2023-09-21 | Applied Materials, Inc. | Process characterization and correction using optical wall process sensor (owps) |
USD1031743S1 (en) | 2022-05-06 | 2024-06-18 | Applied Materials, Inc. | Portion of a display panel with a graphical user interface |
WO2023220680A1 (en) * | 2022-05-13 | 2023-11-16 | Lam Research Corporation | Virtual semiconductor fab environment |
US20230367288A1 (en) * | 2022-05-16 | 2023-11-16 | Applied Materials, Inc. | Physically-informed multi-system hardware operating windows |
US20240062097A1 (en) * | 2022-08-22 | 2024-02-22 | Applied Materials, Inc. | Equipment parameter management at a manufacturing system using machine learning |
US20240086597A1 (en) * | 2022-09-14 | 2024-03-14 | Applied Materials, Inc. | Generation and utilization of virtual features for process modeling |
WO2024072670A1 (en) * | 2022-09-26 | 2024-04-04 | Lam Research Corporation | Automated control of process chamber components |
US20240176334A1 (en) * | 2022-11-28 | 2024-05-30 | Applied Materials, Inc. | Adjusting chamber performance by equipment constant updates |
US20240176336A1 (en) * | 2022-11-28 | 2024-05-30 | Applied Materials, Inc. | Chamber matching by equipment constant updates |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007528985A (ja) * | 2003-06-27 | 2007-10-18 | ティンバー テクノロジーズ,インコーポレイティド | 機械学習システムを用いた半導体ウェハ上に形成された構造の光学測定 |
JP2008511986A (ja) * | 2004-08-27 | 2008-04-17 | 東京エレクトロン株式会社 | 仮想モジュールを用いた半導体処理方法 |
KR20140011064A (ko) * | 2012-07-17 | 2014-01-28 | 서울과학기술대학교 산학협력단 | 이상치 탐지 기법을 이용한 가상 계측 결과의 신뢰도 추정 방법 |
US20140031968A1 (en) * | 2012-07-25 | 2014-01-30 | International Business Machines Corporation | Run-to-Run Control Utilizing Virtual Metrology in Semiconductor Manufacturing |
US20140107828A1 (en) * | 2012-10-15 | 2014-04-17 | International Business Machines Corporation | Method and System for Wafer Quality Predictive Modeling based on Multi-Source Information with Heterogeneous Relatedness |
JP2014513415A (ja) * | 2011-03-28 | 2014-05-29 | 東京エレクトロン株式会社 | 適合性レシピ選択 |
WO2017117568A1 (en) * | 2015-12-31 | 2017-07-06 | Kla-Tencor Corporation | Accelerated training of a machine learning based model for semiconductor applications |
JP2018537853A (ja) * | 2015-11-09 | 2018-12-20 | アプライド マテリアルズ インコーポレイテッドApplied Materials,Incorporated | ウエハのポイントバイポイント分析及びデータの提示 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6408219B2 (en) * | 1998-05-11 | 2002-06-18 | Applied Materials, Inc. | FAB yield enhancement system |
US6910947B2 (en) * | 2001-06-19 | 2005-06-28 | Applied Materials, Inc. | Control of chemical mechanical polishing pad conditioner directional velocity to improve pad life |
US6913938B2 (en) * | 2001-06-19 | 2005-07-05 | Applied Materials, Inc. | Feedback control of plasma-enhanced chemical vapor deposition processes |
US7201936B2 (en) * | 2001-06-19 | 2007-04-10 | Applied Materials, Inc. | Method of feedback control of sub-atmospheric chemical vapor deposition processes |
WO2003104921A2 (en) * | 2002-06-07 | 2003-12-18 | Praesagus, Inc. | Characterization adn reduction of variation for integrated circuits |
JP4008899B2 (ja) * | 2003-09-08 | 2007-11-14 | 株式会社東芝 | 半導体装置の製造システムおよび半導体装置の製造方法 |
US7902991B2 (en) | 2006-09-21 | 2011-03-08 | Applied Materials, Inc. | Frequency monitoring to detect plasma process abnormality |
US20080076046A1 (en) * | 2006-09-26 | 2008-03-27 | Tokyo Electron Limited | accuracy of optical metrology measurements |
US8352062B2 (en) | 2009-03-11 | 2013-01-08 | Taiwan Semiconductor Manufacturing Company, Ltd. | Advanced process control for gate profile control |
US8437870B2 (en) * | 2009-06-05 | 2013-05-07 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for implementing a virtual metrology advanced process control platform |
US8452439B2 (en) | 2011-03-15 | 2013-05-28 | Taiwan Semiconductor Manufacturing Co., Ltd. | Device performance parmeter tuning method and system |
US10242142B2 (en) | 2013-03-14 | 2019-03-26 | Coventor, Inc. | Predictive 3-D virtual fabrication system and method |
US20140303912A1 (en) | 2013-04-07 | 2014-10-09 | Kla-Tencor Corporation | System and method for the automatic determination of critical parametric electrical test parameters for inline yield monitoring |
RS57470B1 (sr) * | 2013-07-02 | 2018-09-28 | Ancosys Gmbh | In-situ stvaranje otiska za elektrohemijsko taloženje i/ili elektrohemijsku obradu |
CN104900549A (zh) * | 2014-03-04 | 2015-09-09 | 上海华虹宏力半导体制造有限公司 | 一种监控晶圆加工机台生产效率的方法 |
KR102521159B1 (ko) * | 2014-11-25 | 2023-04-13 | 피디에프 솔루션즈, 인코포레이티드 | 반도체 제조 공정을 위한 개선된 공정 제어 기술 |
US10030965B2 (en) * | 2015-05-08 | 2018-07-24 | Kla-Tencor Corporation | Model-based hot spot monitoring |
US11580375B2 (en) * | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model for semiconductor applications |
US10043261B2 (en) * | 2016-01-11 | 2018-08-07 | Kla-Tencor Corp. | Generating simulated output for a specimen |
US10197908B2 (en) * | 2016-06-21 | 2019-02-05 | Lam Research Corporation | Photoresist design layout pattern proximity correction through fast edge placement error prediction via a physics-based etch profile modeling framework |
KR101801023B1 (ko) | 2016-09-02 | 2017-12-20 | 주식회사 프라임솔루션 | 반도체 공정의 가상계측을 이용한 사전공정제어 방법 |
US9972478B2 (en) | 2016-09-16 | 2018-05-15 | Lam Research Corporation | Method and process of implementing machine learning in complex multivariate wafer processing equipment |
US10254641B2 (en) * | 2016-12-01 | 2019-04-09 | Lam Research Corporation | Layout pattern proximity correction through fast edge placement error prediction |
US10262910B2 (en) * | 2016-12-23 | 2019-04-16 | Lam Research Corporation | Method of feature exaction from time-series of spectra to control endpoint of process |
US10618137B2 (en) | 2017-03-24 | 2020-04-14 | National Cheng Kung University | Automated constructing method of cloud manufacturing service and cloud manufacturing system |
US10546085B2 (en) | 2017-04-12 | 2020-01-28 | Anchor Semiconductor Inc. | Pattern centric process control |
-
2018
- 2018-12-10 US US16/214,550 patent/US10705514B2/en active Active
-
2019
- 2019-10-07 KR KR1020237032664A patent/KR20230141930A/ko not_active Application Discontinuation
- 2019-10-07 CN CN202310347326.0A patent/CN116415691B/zh active Active
- 2019-10-07 EP EP19870567.5A patent/EP3864470B1/en active Active
- 2019-10-07 CN CN201980066062.3A patent/CN112805635B/zh active Active
- 2019-10-07 KR KR1020217013531A patent/KR102583830B1/ko active IP Right Grant
- 2019-10-07 JP JP2021519635A patent/JP7177923B6/ja active Active
- 2019-10-07 WO PCT/US2019/055031 patent/WO2020076719A1/en unknown
- 2019-10-07 EP EP23200925.8A patent/EP4276891A2/en active Pending
-
2020
- 2020-07-06 US US16/946,784 patent/US10955832B2/en active Active
-
2022
- 2022-11-11 JP JP2022180846A patent/JP7275370B2/ja active Active
-
2023
- 2023-05-02 JP JP2023076192A patent/JP7375246B2/ja active Active
- 2023-10-25 JP JP2023183218A patent/JP2023181311A/ja active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007528985A (ja) * | 2003-06-27 | 2007-10-18 | ティンバー テクノロジーズ,インコーポレイティド | 機械学習システムを用いた半導体ウェハ上に形成された構造の光学測定 |
JP2008511986A (ja) * | 2004-08-27 | 2008-04-17 | 東京エレクトロン株式会社 | 仮想モジュールを用いた半導体処理方法 |
JP2014513415A (ja) * | 2011-03-28 | 2014-05-29 | 東京エレクトロン株式会社 | 適合性レシピ選択 |
KR20140011064A (ko) * | 2012-07-17 | 2014-01-28 | 서울과학기술대학교 산학협력단 | 이상치 탐지 기법을 이용한 가상 계측 결과의 신뢰도 추정 방법 |
US20140031968A1 (en) * | 2012-07-25 | 2014-01-30 | International Business Machines Corporation | Run-to-Run Control Utilizing Virtual Metrology in Semiconductor Manufacturing |
US20140107828A1 (en) * | 2012-10-15 | 2014-04-17 | International Business Machines Corporation | Method and System for Wafer Quality Predictive Modeling based on Multi-Source Information with Heterogeneous Relatedness |
JP2018537853A (ja) * | 2015-11-09 | 2018-12-20 | アプライド マテリアルズ インコーポレイテッドApplied Materials,Incorporated | ウエハのポイントバイポイント分析及びデータの提示 |
WO2017117568A1 (en) * | 2015-12-31 | 2017-07-06 | Kla-Tencor Corporation | Accelerated training of a machine learning based model for semiconductor applications |
Also Published As
Publication number | Publication date |
---|---|
US10705514B2 (en) | 2020-07-07 |
JP2023015270A (ja) | 2023-01-31 |
JP7177923B2 (ja) | 2022-11-24 |
JP2023181311A (ja) | 2023-12-21 |
JP7275370B2 (ja) | 2023-05-17 |
KR20230141930A (ko) | 2023-10-10 |
CN112805635B (zh) | 2023-04-04 |
JP7177923B6 (ja) | 2022-12-16 |
EP3864470B1 (en) | 2023-10-04 |
KR20210055105A (ko) | 2021-05-14 |
JP2023103309A (ja) | 2023-07-26 |
CN112805635A (zh) | 2021-05-14 |
US20200333774A1 (en) | 2020-10-22 |
KR102583830B1 (ko) | 2023-10-04 |
US10955832B2 (en) | 2021-03-23 |
TW202038030A (zh) | 2020-10-16 |
JP7375246B2 (ja) | 2023-11-07 |
WO2020076719A1 (en) | 2020-04-16 |
EP3864470A4 (en) | 2022-07-13 |
CN116415691A (zh) | 2023-07-11 |
EP3864470A1 (en) | 2021-08-18 |
CN116415691B (zh) | 2024-04-02 |
US20200110390A1 (en) | 2020-04-09 |
EP4276891A2 (en) | 2023-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7275370B2 (ja) | 先進の半導体プロセス最適化および生産中の適応制御 | |
US10930531B2 (en) | Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes | |
US10929586B2 (en) | Predictive spatial digital design of experiment for advanced semiconductor process optimization and control | |
US10627788B2 (en) | Retrieval apparatus and retrieval method for semiconductor device processing | |
JP7137943B2 (ja) | 探索装置、探索方法及びプラズマ処理装置 | |
KR102401565B1 (ko) | 웨이퍼 포인트별 분석 및 데이터 프리젠테이션 | |
JP2020061575A (ja) | 高次元変数選択モデルを使用した重要なパラメータの決定システム | |
JP2023537281A (ja) | ハイブリッド学習モデルを用いて性能を向上させた半導体処理ツール | |
JP2007538383A (ja) | イオン注入プロセスの欠陥検出および制御方法、およびその実行システム | |
US20220198333A1 (en) | Recipe optimization through machine learning | |
TW202227838A (zh) | 半導體試樣的電屬性的預測 | |
CN110582842B (zh) | 依据光学检验结果进行计量导引检验样品成形 | |
TWI839396B (zh) | 高階半導體製程優化及製造期間適應性控制 | |
TWI816188B (zh) | 量測方法 | |
TW202409764A (zh) | 用於基板處理設備的多維感測器資料的整體分析 | |
Baek et al. | Performance Evaluation of Blended Metrology Schemes Incorporating Virtual Metrology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210608 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220711 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221003 |
|
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: 20221013 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221111 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7177923 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |