JP2023516872A - 機械学習に基づく基板画像処理からの膜厚推定 - Google Patents

機械学習に基づく基板画像処理からの膜厚推定 Download PDF

Info

Publication number
JP2023516872A
JP2023516872A JP2022544271A JP2022544271A JP2023516872A JP 2023516872 A JP2023516872 A JP 2023516872A JP 2022544271 A JP2022544271 A JP 2022544271A JP 2022544271 A JP2022544271 A JP 2022544271A JP 2023516872 A JP2023516872 A JP 2023516872A
Authority
JP
Japan
Prior art keywords
substrate
die
color image
polishing
thickness measurements
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022544271A
Other languages
English (en)
Inventor
シヴァクマール ダンダパーニ，
アラシュ アラゴリプロムラニ，
ドミニク ジェー． ベンヴェニュ，
チュン チエン，
キラン ロール シュレスタ，
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 JP2023516872A publication Critical patent/JP2023516872A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Abstract

校正用基板の最上層のグラウンドトゥルース厚さ測定値を複数の場所で取得することによって、基板厚さ測定システムに使用するためにニューラルネットワークが訓練され、各場所は、基板上に製造されているダイの画定された位置である。校正用基板の複数のカラー画像が取得され、各カラー画像は、基板上に製造されているダイの領域に対応する。インライン基板イメージャからのダイ領域のカラー画像をダイ領域における最上層の厚さ測定値に変換するように、ニューラルネットワークが訓練される。訓練は、複数のカラー画像とグラウンドトゥルース厚さ測定値とを含む訓練データを用いて実行され、それぞれのカラー画像の各々は、それぞれのカラー画像に関連するダイ領域のグラウンドトゥルース厚さ測定値と対となる。【選択図】図３

Description

本開示は、光計測に関し、例えば、機械学習のアプローチを用いて基板上の層の厚さを検出することに関する。
集積回路は、通常、シリコンウエハに導電層、半導電層、又は絶縁層を順次堆積させることにより基板上に形成される。充填層の除去、又は集積回路製造中のフォトリソグラフィにおける平坦度を向上させるために、基板表面の平坦化が必要となる場合がある。
化学機械研磨（ＣＭＰ）は、平坦化の方法の一つとして認められている。この平坦化方法では、通常、基板をキャリア又は研磨ヘッドに装着する必要がある。基板の露出面は、通常、回転する研磨パッドに押し当てられる。キャリアヘッドは、基板が研磨パッドに押し付けられるように、基板に制御可能な荷重を付与する。研磨パッドの表面には、通常、研磨スラリが供給される。
研磨前及び研磨後の基板層の厚さを測定するために、例えば、インライン又はスタンドアロンの計測ステーションで、様々な光計測システム、例えば、分光法又は偏光解析法を使用することが可能である。
それと並行して、グラフィックプロセッシングユニット（ＧＰＵ）及びテンソルプロセッシングユニット（ＴＰＵ）等のハードウェア資源の進歩により、ディープラーニングアルゴリズムとその応用は飛躍的に向上している。ディープラーニングが発展している分野の１つに、コンピュータビジョンと画像認識がある。このようなコンピュータビジョンのアルゴリズムは、主に画像の分類又はセグメンテーションのために設計されている。
一態様では、基板厚さ測定システムで使用するためにニューラルネットワークを訓練する方法は、校正用基板の最上層のグラウンドトゥルース厚さ測定値を複数の場所で取得することを含み、各場所は、基板上に製造されているダイの画定された位置である。校正用基板の複数のカラー画像が取得され、各カラー画像は、基板上に製造されているダイの領域に対応する。インライン基板イメージャからのダイ領域のカラー画像をダイ領域における最上層の厚さ測定値に変換するように、ニューラルネットワークが訓練される。訓練は、複数のカラー画像とグラウンドトゥルース厚さ測定値とを含む訓練データを用いて実行され、それぞれのカラー画像の各々はそれぞれのカラー画像に関連するダイ領域のグラウンドトゥルース厚さ測定値と対となる。
別の態様では、研磨を制御する方法は、研磨システムのインラインモニタステーションにおいて、第１の基板の第１のカラー画像を取得することと、第２のカラー画像の各々が第１の基板上に製造されているダイの領域に対応するように、ダイマスクを用いて第１のカラー画像を複数の第２のカラー画像に分割することと、１又は複数の場所の厚さ測定値を生成することと、厚さ測定値に基づいて、第１の基板又は後続の第２の基板の研磨パラメータを決定することとを含む。１又は複数の場所のそれぞれの場所の各々は、第１の基板上に製造されているダイのそれぞれの領域に対応する。領域の厚さ測定値を生成するために、校正用基板のダイの複数の第３のカラー画像と校正用基板のグラウンドトゥルース厚さ測定値とを含む訓練データを用いて訓練されたニューラルネットワークを通して、領域に対応する第２のカラー画像が処理され、それぞれの第３のカラー画像の各々は、それぞれの第３のカラー画像に関連するダイ領域のグラウンドトゥルース厚さ測定値と対となる。
実装態様は、以下の潜在的な利点のうちの１又は複数を含み得る。基板上の複数のダイの厚さは、迅速に測定され得る。例えば、インライン計測システムは、スループットに影響を与えることなく、基板のカラー画像に基づいて基板の厚さを決定することができる。推定された厚さは、多変量ランツーラン制御方式で直接使用可能である。
記載のアプローチを用いて、実際の膜厚の５％未満の誤差で厚さ測定値を生成するように、モデルを訓練することができる。厚さ測定値は３つのカラーチャネルを有するカラー画像から抽出できるが、ハイパースペクトルカメラを基板イメージャシステムに追加して、モデルへの高次元の特徴入力を提供することが可能である。これにより、膜スタックのより多くの物理的特性を理解するためのより複雑なモデルの訓練が容易になり得る。
計測システムにおけるディープラーニングは、高い推論速度を持ち、尚且つ基板上の厚さプロファイルの高解像度測定を達成することができる。それにより、計測システムは、高い厚さ精度を持つ、メモリアプリケーションのための高速且つ低コストのプリメトロロジー及びポストメトロロジー測定ツールとなる。
１又は複数の実装態様の詳細は、添付の図面及び以下の説明に記載されている。他の態様、特徴、及び利点は、説明及び図面、ならびに特許請求の範囲から明らかになるであろう。
インライン光測定システムの一例を示す図である。 モデルの訓練に使用される基板の例示的な画像の一例を示す図である。 コンピュータデータストレージシステムの概略図である。 研磨装置のコントローラの一部として用いられるニューラルネットワークを示す図である。 ディープラーニングアプローチを用いて基板上の層の厚さを検出する方法を示すフロー図である。
図面中の同符号は、同種の要素を示す。
ＣＭＰ処理では、ＣＭＰでの研磨速度にばらつきがあるため、ドライ計測システムによる薄膜厚測定が用いられる。このようなドライ計測技法では、膜スタックの光学モデルの変数を収集した測定値に当てはめる分光法又は偏光解析法を用いることが多い。このような測定技法では通常、収集した測定値にモデルが適用可能となるように、センサを基板の測定スポットに正確にアライメントすることが必要である。そのため、基板上の多数のポイントを測定するのに時間がかかり、高解像度の厚さプロファイルを収集することは現実的でない可能性がある。
しかし、機械学習を用いることで、基板上の膜厚を短時間で測定することができるようになり得る。基板上のダイのカラー画像と、他の信頼性の高い計測システムによる関連の厚さ測定値を用いてディープニューラルネットワークを訓練し、入力画像をニューラルネットワークに適用することで、ダイの膜厚を測定することができる。このシステムは、高スループットで経済的な解決策として、例えば、低コストのメモリアプリケーションに使用することができる。この技法は、膜厚推定以外にも、画像分割を用いて基板上の残留物のレベルを分類するのに使用され得る。
図１を参照すると、研磨装置１００は、それぞれが基板１０を運ぶように構成された１又は複数のキャリアヘッド１２６と、１又は複数の研磨ステーション１０６と、キャリアヘッドへの基板のロード及びキャリアヘッドからの基板のアンロードを行う移送ステーションとを含む。各研磨ステーション１０６は、プラテン１２０上に支持された研磨パッド１３０を含む。研磨パッド１３０は、外側研磨層と、より柔らかいバッキング層とを有する２層研磨パッドであってよい。
キャリアヘッド１２６は、支持体１２８から吊り下げられ、研磨ステーション間で移動可能である。幾つかの実装態様では、支持体１２８はオーバーヘッドトラックであり、各キャリアヘッド１２６は、各キャリッジ１０８が研磨ステーション１２４と移送ステーションとの間で選択的に移動できるように、トラックに装着されたキャリッジ１０８に結合される。あるいは、幾つかの実装態様では、支持体１２８は回転可能なカルーセルであり、カルーセルの回転は、キャリアヘッド１２６を円形経路に沿って同時に移動させる。
研磨装置１００の各研磨ステーション１０６は、研磨パッド１３０上に研磨スラリ等の研磨液１３６を分注するためのポートを、例えば、アーム１３４の端部に含み得る。研磨装置１００の各研磨ステーション１０６は、研磨パッド１３０を研磨して研磨パッド１３０を一貫した研磨状態に維持するためのパッド調整装置も含み得る。
各キャリアヘッド１２６は、研磨パッド１３０に対して基板１０を保持するように動作可能である。各キャリアヘッド１２６は、それぞれの各基板に関連する研磨パラメータ、例えば、圧力の独立した制御を有し得る。特に、各キャリアヘッド１２６は、可撓性膜１４４の下方に基板１０を保持するための保持リング１４２を含み得る。各キャリアヘッド１２６は、膜によって画定された、複数の独立して制御可能な加圧可能なチャンバ、例えば３つのチャンバ１４６ａ～１４６ｃを含んでいてよく、これらは、可撓性膜１４４上の、ひいては基板１０上の関連ゾーンに独立して制御可能な圧力を印加し得る。図１では、図示を容易にするために３つのチャンバのみを示したが、１つ又は２つのチャンバ、又は４つ以上のチャンバ、例えば、５つのチャンバが存在し得る。
各キャリアヘッド１２６は、支持体１２８から吊り下げられ、キャリアヘッドが軸１２７を中心に回転できるように、駆動軸１５４によってキャリアヘッド回転モータ１５６に接続される。オプションとして、各キャリアヘッド１２６は、例えば、キャリッジ１０８をトラック上で駆動することによって、又はカルーセル自体の回転振動によって、横方向に振動し得る。工程において、プラテンはその中心軸を中心に回転し、各キャリアヘッドはその中心軸１２７を中心に回転し、研磨パッドの上面を横切って横方向に並進する。
プログラマブルコンピュータ等のコントローラ１９０が各モータに接続され、プラテン１２０及びキャリアヘッド１２６の回転速度を独立して制御する。コントローラ１９０は、中央処理装置（ＣＰＵ）１９２、メモリ１９４、及び支援回路１９６、例えば、入出力回路、電源、クロック回路、キャッシュ等を含み得る。メモリは、ＣＰＵ１９２に接続される。メモリは、非一過性の計算可能な可読媒体であり、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、フロッピーディスク、ハードディスク、又は他の形態のデジタルストレージ等の１又は複数の容易に利用可能なメモリであってよい。更に、単一のコンピュータとして図示したが、コントローラ１９０は、例えば、独立して動作する複数のプロセッサ及びメモリを含む分散システムであり得る。
研磨装置１００はまた、インライン（インシーケンスとも呼ばれる）光計測システム１６０を含む。インライン光計測システム１６０のカラー撮像システムは、研磨装置１００内に位置決めされるが、研磨工程中には測定を行わず、むしろ測定値は、研磨工程間、例えば、基板が１つの研磨ステーションから別の研磨ステーションに移動されている間、又は研磨前若しくは研磨後、例えば、基板が移送ステーションから研磨ステーションに移動されている間又はその逆の間に収集される。更に、インライン光計測システム１６０は、基板がカセットから取り出された後且つ基板が研磨ユニットに移動される前、又は基板が洗浄された後且つ基板がカセットに戻される前に基板を測定するために、ファブインターフェースユニット又はファブインターフェースユニットからアクセスできるモジュールに位置決めされ得る。
インライン光計測システム１６０は、基板１０のカラー撮像を提供するセンサアセンブリ１６１を含む。センサアセンブリ１６１は、光源１６２と、光検出器１６４と、コントローラ１９０、光源１６２及び光検出器１６４との間で信号を送受信するための回路１６６とを含み得る。
光源１６２は、白色光を放出するように動作可能であり得る。一実装態様では、放出される白色光は、２００～８００ナノメートルの波長を有する光を含む。好適な光源は、白色光発光ダイオード（ＬＥＤ）のアレイ、又はキセノンランプ若しくはキセノン水銀ランプである。光源１６２は、光１６８を基板１０の露出面上に非ゼロの入射角αで方向付けするように配向される。入射角αは、例えば、約３０°～７５°、例えば、５０°であってよい。
光源は、基板１０の幅にまたがる実質的に線形の細長い領域を照らすことができる。例えば、光源１６２は、光源からの光を細長い領域内に広げるための光学系、例えば、ビームエキスパンダを含み得る。代替的に又は追加的に、光源１６２は、光源の線形アレイを含み得る。光源１６２自体、及び基板上の照らされる領域は、細長く、基板の表面に平行な長手方向軸を有し得る。
光１６８の経路に拡散器１７０を配置する、又は光源１６２に拡散器を含めることで、光が基板１０に到達する前に光を拡散させることができる。
検出器１６４は、光源１６２からの光に対して感度のよいカラーカメラである。カメラは、検出器素子のアレイを含む。例えば、カメラは、ＣＣＤアレイを含み得る。幾つかの実装態様では、アレイは、一行の検出器素子である。例えば、カメラは、ラインスキャンカメラであってよい。検出器素子の行は、光源１６２によって照らされる細長い領域の長手方向軸に平行に延在し得る。光源１６２が発光素子の行を含む場合、検出器素子の行は、光源１６２の長手方向軸に平行な第１の軸に沿って延在し得る。検出器素子の行は、１０２４個以上の素子を含み得る。
カメラ１６４は、適切な集束光学系１７２で構成され、基板の視野を検出器素子のアレイ上に投影する。視野は、基板１０の全幅を見るのに十分な長さ、例えば、１５０～３００ｍｍの長さであってよい。関連する光学系１７２を含むカメラ１６４は、個々のピクセルが約０．５ｍｍ以下の長さを有する領域に対応するように構成され得る。例えば、視野が約２００ｍｍの長さであり、検出器１６４が１０２４個の素子を含むと仮定すると、ラインスキャンカメラによって生成される画像は、約０．５ｍｍの長さを有するピクセルを有し得る。画像の長さ解像度を決定するために、視野（ＦＯＶ）の長さを、ＦＯＶが撮像されるピクセルの数で割って、長さ解像度を得ることができる。
カメラ１６４はまた、ピクセル幅がピクセル長に匹敵するように構成することも可能である。例えば、ラインスキャンカメラの利点は、その非常に速いフレームレートである。フレームレートは、少なくとも５ｋＨｚであってよい。フレームレートは、撮像されたエリアが基板１０を横切ってスキャンするとき、ピクセル幅がピクセル長に匹敵するような周波数に設定することができ、例えば、約０．３ｍｍ以下であってよい。
光源１６２及び光検出器１６４は、ステージ１８０に支持され得る。光検出器１６４がラインスキャンカメラである場合、光源１６２及びカメラ１６４は、撮像されたエリアが基板の長さを横切ってスキャンできるように、基板１０に対して相対的に移動可能である。特に、相対運動は、基板１０の表面に平行で、ラインスキャンカメラ１６４の検出器素子の行に垂直な方向であり得る。
幾つかの実装態様では、ステージ１８２は静止しており、基板の支持体が移動する。例えば、キャリアヘッド１２６は、例えば、キャリッジ１０８の運動又はカルーセルの回転振動によって移動することができる、又はファクトリインターフェースユニットにおいて基板を保持するロボットアームは、ラインスキャンカメラ１８２を越えて基板１０を移動させることができる。幾つかの実装態様では、ステージ１８０は移動可能であるが、キャリアヘッド又はロボットアームは画像取得のために静止したままである。例えば、ステージ１８０は、線形アクチュエータ１８２によってレール１８４に沿って移動可能であり得る。いずれの場合においても、これは、スキャンされるエリアが基板１０を横切って移動する際に、光源１６２及びカメラ１６４が互いに対して固定位置に留まることを可能にする。
基板を横切って一緒に移動するラインスキャンカメラと光源を有することの考えられる利点は、例えば、従来の２Ｄカメラと比較して、光源とカメラとの間の相対角度がウエハ全体における異なる位置で一定のままであることである。その結果、視野角の変動に起因するアーチファクトを低減又は除去することができる。更に、従来の２次元カメラにつきものの、画像変換により補正する必要があった透視歪みが、ラインスキャンカメラでは解消される。
センサアセンブリ１６１は、基板１０と光源１６２と検出器１６４との間の垂直距離を調整するための機構を含み得る。例えば、センサアセンブリ１６１は、ステージ１８０の垂直位置を調整するためのアクチュエータを含み得る。
オプションとして、偏光フィルタ１７４が光の経路、例えば、基板１０と検出器１６４との間に位置決めされ得る。偏光フィルタ１７４は、円偏光子（ＣＰＬ）であってよい。典型的なＣＰＬは、直線偏光子と１／４波長板との組合せである。偏光フィルタ１７４の偏光軸の適切な配向は、画像のヘイズを低減し、所望の視覚的特徴を鮮明にし得る又は強調し得る。
基板上の最外層が半透明層、例えば誘電体層であると仮定すると、検出器１６４で検出される光の色は、例えば、基板表面の組成、基板表面の平滑度、及び／又は基板上の１又は複数の層（例えば誘電体層）の異なるインターフェースから反射する光の間の干渉量に依存する。上述のように、光源１６２及び光検出器１６４は、それらの動作を制御し、それらの信号を受信するように動作可能なコンピューティングデバイス、例えば、コントローラ１９０に接続され得る。カラー画像を厚さ測定値に変換するための様々な機能を実行するコンピューティングデバイスは、計測システム１６０の一部とみなすことができる。
図２Ａを参照すると、インライン光計測システム１６０で収集された基板１０の画像２０２の一例が示されている。インライン光計測システム１６０は、高解像度カラー画像２０２、例えば、少なくとも３つのカラーチャネル、例えば、ＲＧＢチャネル）を有する少なくとも７２０×１０８０ピクセルの画像、例えば、少なくとも２０４８×２０４８ピクセルの画像を生成する。任意の特定のピクセルにおける色は、そのピクセルに対応する基板のエリアにおける最上層を含む１又は複数の層の厚さに依存する。
画像２０２は、１又は複数の領域２０８に分割され、各領域は、基板上に製造されているダイ２０６に対応する。領域２０８を提供する画像の部分は、画像中の所定の領域であり得る、又は領域２０８を提供する部分は、画像に基づくアルゴリズムにより自動的に決定され得る。
画像中の所定のエリアの一例として、コントローラ１９０は、領域２０８ごとに画像中の場所とエリアを識別するダイマスクを記憶することができる。例えば、矩形の領域については、画像中の右上座標と左下座標によってエリアが画定され得る。したがって、マスクは、矩形領域ごとに右上座標及び左下座標の対を含むデータファイルであり得る。領域が矩形でない他の場合は、より複雑な関数が使用され得る。
幾つかの実装態様では、基板の配向及び位置を決定することができ、ダイマスクを画像に対してアライメントすることができる。基板の配向は、ノッチファインダによって、又はカラー画像２０２の画像処理によって、例えば、画像中のスクライブラインの角度を決定することによって、決定することができる。また、基板位置は、カラー画像２０２の画像処理によって、例えば、円形の基板エッジを検出した後、その円の中心を決定することによっても決定することができる。
領域２０８を自動的に決定する一例として、画像処理アルゴリズムが画像２０２を分析し、スクライブラインを検出することができる。次に画像２０２が、識別されたスクライブライン間の領域に分割され得る。
初期カラー画像を分割することにより、基板１０から個々の領域２０８の複数のカラー画像２０４を収集することができる。上述したように、各カラー画像２０４は、基板上に製造されているダイ２０６に対応する。収集されたカラー画像は、他の多くの形式、例えばＪＰＥＧ等が可能であるが、ＰＮＧ画像としてエクスポートすることが可能である。
カラー画像２０４は、カラー画像２０４に示すダイの厚さ測定値を生成するために、画像処理アルゴリズムに供給され得る。画像は、カラー画像に基づいて層厚を推定するために、例えば、教師付きディープラーニングアプローチによって訓練された画像処理アルゴリズムへの入力データとして使用される。教師付きディープラーニングベースのアルゴリズムは、カラー画像と厚さ測定値との間にモデルを確立する。画像処理アルゴリズムは、ディープラーニングベースのアルゴリズムとして、ニューラルネットワークを含み得る。
カラー画像２０４の各ピクセルの各カラーチャネルの強度値は、画像処理アルゴリズム、例えば、ニューラルネットワークの入力ニューロンに入力される。この入力データに基づいて、カラー画像に対する層厚測定値が計算される。このように、画像処理アルゴリズムへのカラー画像２０４の入力の結果、推定厚さの出力が得られる。このシステムは、高スループットで経済的な解決策として、例えば、低コストのメモリアプリケーションにおいて使用することができる。厚さの推論とは別に、この技法を使用し、画像分割を用いて、基板上の残留物のレベルを分類することができる。
教師付きディープラーニングアプローチを用いて、画像処理アルゴリズム、例えば、ニューラルネットワークを訓練するために、上述したように、１又は複数の校正用基板からダイの校正画像が取得され得る。すなわち、各校正用基板を、インライン光計測システム１６０のラインスキャンカメラによってスキャンして初期校正画像を生成することができ、初期校正画像は、校正用基板上の個々の領域の複数のカラー画像に分割され得る。
初期カラー校正画像が収集される前又は後のいずれかにおいて、高精度計測システム、例えば、インライン又はスタンドアロン計測システムを用いて、校正用基板上の複数の場所において、グラウンドトゥルース厚さ測定値が収集される。高精度計測システムは、ドライ光計測システムであってよい。グラウンドトゥルース測定値は、オフラインの反射率計法、偏光解析法、スキャタロメトリ、又はより高度なＴＥＭ測定から得ることができるが、他の技法が適している場合もある。このようなシステムは、Ｎｏｖａ Ｍｅａｓｕｒｉｎｇ Ｉｎｓｔｒｕｍｅｎｔｓ社又はＮａｎｏｍｅｔｒｉｃｓ社から入手可能である。各場所は、製造されているダイの１つ、すなわち、個々の領域の１つに対応する。
例えば、図２Ｂを参照すると、各校正用基板上の個々の領域の各々に対して、光計測システム１６０のインラインセンサでカラー校正画像２１２が収集される。各カラー校正画像は、校正用基板上の対応するダイに対するグラウンドトゥルース厚さ測定値２１４と関連付けられる。画像２１２及び関連するグラウンドトゥルース厚さ測定値２１４は、データベース２２０に記憶され得る。例えば、データは、各レコードが校正画像２１２及びグラウンドトゥルース厚さ測定値２１４を含むレコード２１０として記憶され得る。
次に、ディープラーニングベースのアルゴリズム、例えば、ニューラルネットワークが、結合されたデータセット２１８を用いて訓練される。ドライ計測ツールから測定されたダイの中心に対応する厚さ測定値は、モデルを訓練する間、入力画像のラベルとして使用される。例えば、モデルは、広範囲のポスト厚さを有する基板上の５つのダイから収集された約５０，０００の画像で訓練され得る。
図３は、研磨装置１００のコントローラ１９０の一部として使用されるニューラルネットワーク３２０を示す図である。ニューラルネットワーク３２０は、校正用基板からの入力画像のＲＧＢ強度値とグラウンドトゥルース厚さ測定値との回帰分析のために開発されたディープニューラルネットワークであり、基板の領域のカラー画像に基づいて、その領域の層厚を予測するモデルを生成することができる。
ニューラルネットワーク３２０は、複数の入力ノード３２２を含む。ニューラルネットワーク３２０は、入力カラー画像の各ピクセルに関連する各カラーチャネルの入力ノードと、複数の隠れノード３２４（以下、「中間ノード」とも呼ぶ）と、層厚測定値を生成する出力ノード３２６とを含み得る。隠れノードの単層を有するニューラルネットワークでは、各隠れノード３２４は各入力ノード３２２に結合され得、出力ノード３２６は各隠れノード３２０に結合され得る。しかし、実際問題として、画像処理用のニューラルネットワークは、隠れノード３２４の多くの層を有すると考えられる。
一般に、隠れノード３２４は、入力ノード３２２又は隠れノード３２４が接続される隠れノードの前の層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、ノードｋと指定された第１の層の隠れノード３２４の出力は、下記のように表され得る。
ｔａｎｈ（０．５*ａｋ１（Ｉ１）＋ａｋ２（Ｉ２）＋．．．＋ａｋＭ（ＩＭ）＋ｂｋ）
上記式において、ｔａｎｈは双曲線正接、ａｋｘはｋ番目の中間ノードと、（Ｍ個の入力ノードのうちの）ｘ番目の入力ノードとの間の接続に対する重み、ＩＭはＭ番目の入力ノードでの値である。ただし、ｔａｎｈの代わりに、正規化線形ユニット（ＲｅＬＵ）関数やその変形等の他の非線形関数を使用することも可能である。
従って、ニューラルネットワーク３２０は、入力カラー画像の各ピクセルに関連する各カラーチャネルに対する入力ノード３２２を含み、例えば、Ｊ個のピクセルとＫ個のカラーチャネルがある場合、Ｌ＝Ｊ*Ｋは入力カラー画像の強度値の数であり、ニューラルネットワーク３２０は、少なくとも入力ノードＮ１、Ｎ２．．．ＮＬを含むことになる。
したがって、入力ノードの数がカラー画像の強度値の数に対応する場合、ノードｋと指定された隠れノード３２４の出力Ｈｋは、次のように表され得る。
Ｈｋ＝ｔａｎｈ（０．５*ａｋ１（Ｉ１）＋ａｋ２（Ｉ２）＋．．．＋ａｋL（ＩL）＋ｂｋ）
測定されたカラー画像Ｓが列行列（ｉ１，ｉ２，．．．，ｉＬ）で表されると仮定すると、ノードｋと指定された中間ノード３２４の出力は、次のように表され得る。
Ｈｋ＝ｔａｎｈ（０．５*ａｋ１（Ｖ１・Ｓ）＋ａｋ２（Ｖ２・Ｓ）＋．．．＋ａｋL（ＶＬ・Ｓ）＋ｂｋ）
上記式において、Ｖは重みの値（ｖ１、ｖ２，．．．，ｖＬ）であり、Ｖｘはカラー画像からのＬ個の強度値のうちｘ番目の強度値に対する重みである）。
出力ノード３２６は、隠れノードの出力の加重和である特性値ＣＶ、例えば、厚さを生成し得る。例えば、これは次のように表され得る。
ＣＶ＝Ｃ１*Ｈ１＋Ｃ２*Ｈ２＋．．．＋ＣＬ*ＨＬ
上記式において、Ｃｋはｋ番目の隠れノードの出力に対する重みである。
しかしながら、ニューラルネットワーク３２０は、オプションとして、他のデータを受信するための１又は複数の他の入力ノード、例えば、ノード３２２ａを含み得る。この他のデータは、インシトゥモニタシステムによる基板の先行測定からのもの、例えば、基板の処理の早い段階から収集されたピクセル強度値、先行基板の測定からのもの、例えば、別の基板の処理中に収集されたピクセル強度値、研磨システムの別のセンサからのもの、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からのもの、例えば、基板を研磨するために使用するキャリアヘッド圧力又はプラテン回転速度等の研磨パラメータ、コントローラによって追跡される変数からのもの、例えば、パッドを変更してからの基板の数、又は研磨システムの一部ではないセンサからのもの、例えば、計測ステーションによる下地膜の厚さの測定値であってよい。これにより、ニューラルネットワーク３２０が、層厚測定値の計算において、他の処理変数又は環境変数を考慮することが可能になる。
出力ノード３２６で生成された厚さ測定値は、プロセス制御モジュール３３０に供給される。プロセス制御モジュールは、１又は複数の領域の厚さ測定値に基づいて、プロセスパラメータ、例えば、キャリアヘッド圧力、プラテン回転速度等を調整し得る。調整は、基板又は後続の基板に対して実行される研磨プロセスのために実行され得る。
例えば基板測定に使用される前に、ニューラルネットワーク３２０は構成される必要がある。
構成手順の一部として、コントローラ１９０は、複数の校正画像を受信し得る。各校正画像は、校正画像の各ピクセルについて、複数の強度値、例えば、各カラーチャネルの強度値を有する。コントローラはまた、各校正画像について、特性値、例えば、厚さを受信する。例えば、カラー校正画像は、１又は複数の校正用基板又は試験基板上に製造されている特定のダイで測定され得る。更に、特定のダイの場所における厚さのグラウンドトゥルース測定は、ドライ計測機器、例えば、接触式プロフィロメータ又はエリプソメータを用いて実行され得る。従って、グラウンドトゥルース厚さ測定値は、基板上の同じダイの場所からのカラー画像と関連付けられ得る。複数のカラー校正画像は、上述したように校正用基板の画像を分割することによって、例えば５～１０枚の校正用基板から生成され得る。ニューラルネットワーク３２０の構成手順として、校正用基板上に作製された各ダイのカラー画像と特性値とを用いて、ニューラルネットワーク３２０を訓練する。
Ｖは、カラー画像の１つに対応し、したがって、特性値と関連付けられる。ニューラルネットワーク３２０がバックプロパゲーションモード等の訓練モードで動作している間、値（ｖ１，ｖ２，．．．，ｖＬ）はそれぞれの入力ノードＮ１，Ｎ２．．．ＮＬに供給され、特性値ＣＶは出力ノード３２６に供給される。これは、各行に対して繰り返され得る。このプロセスにより、上記式１又は式２におけるａｋ１等の値が設定される。
これで、システムの工程準備は完了である。インラインモニタシステム１６０を用いて、基板からカラー画像が測定される。測定されたカラー画像は、列行列Ｓ＝（ｉ１，ｉ２，．．．，ｉＬ）によって表すことができ、ｉｊはＬ個の強度値のうちｊ番目の強度値における強度値を表し、画像が合計ｎ個のピクセルを含み、各ピクセルが３つのカラーチャネルを含むとき、Ｌ＝３ｎである。
ニューラルネットワーク３２０が推論モードで使用されている間、これらの値（Ｓ１，Ｓ２，．．．，ＳＬ）は、それぞれの入力ノードＮ１，Ｎ２，．．．ＮＬに入力として供給される。その結果、ニューラルネットワーク３２０は、出力ノード３２６において特性値、例えば、層厚を生成する。
ニューラルネットワーク３２０のアーキテクチャは、深さと幅が変動し得る。例えば、ニューラルネットワーク３２０は、単一の列の中間ノード３２４を有するように示したが、複数の列を含む場合がある。中間ノード３２４の数は、入力ノード３２２の数以上であってよい。
上述のように、コントローラ１９０は、様々なカラー画像を、基板上の異なるダイ（図２参照）に関連付けることができる。各ニューラルネットワーク３２０の出力は、画像が収集されたときの基板上のセンサの位置に基づいて、ダイの１つに属するものとして分類され得る。これにより、コントローラ１９０は、各ダイに対して測定値の別個のシーケンスを生成することができる。
幾つかの実装態様では、コントローラ１９０は、複数の異なる種類のビルディングブロックで構成されるニューラルネットワークモデル構造を有するように構成され得る。例えば、ニューラルネットワークは、そのアーキテクチャにｒｅｓ－ｂｌｏｃｋ機能を含む残差ニューラルネットワークである。残差ニューラルネットワークは、幾つかの層を飛び越えるために、スキップ接続、又はショートカットを利用し得る。残差ニューラルネットワークは、例えば、ＲｅｓＮｅｔモデルで実装することができる。残差ニューラルネットワークの文脈では、非残差ネットワークはプレーンネットワークと表現されることがある。
幾つかの実装態様では、ニューラルネットワークは、計算中にスタックからの下層の厚さを考慮するように訓練され得、これにより、厚さ測定における下地の変動に起因する誤差が改善され得る。膜スタックにおける下地厚さの変動の影響は、下層の厚さのカラー画像の強度値をモデルへの追加入力として供給し、モデルの性能を向上させることによって緩和させることができる。
計算された厚さ測定値の信頼性は、それらを測定値と比較し、次に計算値と元の測定値との差を求めることによって評価することができる。その後、このディープラーニングモデルは、新たな試験基板をスキャンした直後の推論モードにおいて、厚さの予測に使用され得る。この新たなアプローチにより、システム全体のスループットが向上し、ロットの全ての基板に対して厚さ測定を実行することが可能になる。
図４を参照すると、基板厚さ測定システムで使用するための機械学習技法によって生成された画像処理アルゴリズムの方法である。このような画像処理アルゴリズムは、統合型ラインスキャンカメラ検査システムから収集されたＲＧＢ画像を受信し、はるかに高速で膜厚推定を可能にすることができる。約２０００の測定点に対する推論時間は、ドライ計測の２時間に対して、約数秒である。
本方法は、コントローラが光検出器１６４からの個々の画像ラインを２次元カラー画像に組み立てること（５００）を含む。コントローラは、各カラーチャネルにおける画像の強度値に対してオフセット及び／又はゲイン調整を適用し得る（５１０）。各カラーチャネルは、異なるオフセット及び／又はゲインを有し得る。オプションとして、画像は正規化され得る（５１５）。例えば、測定された画像と標準的な事前定義された画像との間の差が計算され得る。例えば、コントローラは、赤、緑、及び青の各カラーチャネルの背景画像を記憶することができ、背景画像は、各カラーチャネルの測定画像から取り除かれ得る。あるいは、測定された画像を標準的な事前定義された画像で割ることができる。画像は、低周波の空間変動を除去するためにフィルタリングされ得る（５３０）。幾つかの実装態様では、輝度チャネルを使用してフィルタが生成され、このフィルタは、赤、緑、及び青の画像に適用される。
画像は、標準画像座標フレームに変換され、例えば、スケーリングされ、及び／又は回転され、及び／又は平行移動される（５４０）。例えば、ダイ中心が画像の中心点にあるように画像を平行移動させることができる、及び／又は、基板のエッジが画像のエッジにあるように画像をスケーリングすることができる、及び／又は、画像のＸ軸と基板中心と基板配向特徴とを結ぶ半径方向の区分との間に０゜の角度があるように画像を回転させることができる。
基板上の１又は複数の領域が選択され、選択された各領域に対して画像が生成される（５５０）。これは、上述した技法を用いて実行することができ、例えば、領域は所定の領域であってよい、又は、領域２０８を提供する部分は、アルゴリズムによって自動的に決定され得る。
画像の各ピクセルについて各カラーチャネルによって提供される強度値は、教師付きディープラーニングで訓練された画像処理アルゴリズムへの入力として使用されると考えられる。画像処理アルゴリズムは、特定の領域に対する層厚測定値を出力する（５６０）。
測定値の誤差を減らすことを目的に、小型のダイ試験パターン基板を用いて、様々なディープモデルアーキテクチャの訓練と検証を行った。下層の特性を考慮したモデルの方が、誤差が小さかった。更に、１つのツールで収集したデータでモデルを訓練し、それを他のツールからのデータに対する推論に使用することで、ツール間のマッチング検証を事前に実施した。結果は、同じツールからのデータで訓練及び推論した場合と同等であった。
一般に、データを使用して、ＣＭＰ装置の１又は複数の動作パラメータが制御され得る。動作パラメータは、例えば、プラテン回転速度、基板回転速度、基板の研磨経路、プレートを横切る基板速度、基板に作用する圧力、スラリの組成、スラリの流量、及び基板表面の温度を含む。動作パラメータはリアルタイムで制御でき、更に人手を介することなく自動的に調整することが可能である。
本明細書で使用する基板という用語は、例えば、製品基板（例えば、複数のメモリ又はプロセッサダイを含む）、試験基板、ベア基板、及びゲーティング基板を含み得る。基板は、集積回路製造の様々な段階にあってよく、例えば、基板はベアウエハであってよい、又は１又は複数の堆積層及び／又はパターニングされた層を含み得る。基板という用語は、円形ディスク及び長方形シートを含み得る。
しかし、上記のカラー画像処理技法は、３Ｄ垂直ＮＡＮＤ（ＶＮＡＮＤ）フラッシュメモリの文脈で特に有用であり得る。特に、ＶＮＡＮＤの製造に使用される層スタックは非常に複雑であるため、現在の計測方法（例えば、Ｎｏｖａスペクトル分析）は、不適切な厚さの領域を検出する際に十分な信頼性で実行できない可能性がある。これに対し、カラー画像処理技法は、この用途において優れた信頼性を有し得る。
本発明の実施形態及び本明細書に記載の全ての機能動作は、デジタル電子回路、又は本明細書に開示された構造的手段及びその構造的等価物を含むコンピュータソフトウェア、ファームウェア、又はハードウェア、又はそれらの組み合わせで実装され得る。本発明の実施形態は、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又はコンピュータによって実行するため、又はその動作を制御するために、１又は複数のコンピュータプログラム製品、すなわち非一過性機械可読記憶媒体に有形に具現化された１又は複数のコンピュータプログラムとして実装され得る。
相対的な位置決めの用語は、必ずしも重力に関してではなく、システムの構成要素の互いに対する位置決めを示すために使用され、研磨面及び基板は、垂直配向又は幾つかの他の配向で保持され得ることを理解されたい。
多数の実装態様について説明してきた。それにもかかわらず、様々な変更がなされ得ることが理解されるであろう。例えば、
・ラインスキャンカメラではなく、基板全体を撮像するカメラを使用することができる。この場合、基板に対するカメラの移動は必要ない。
・カメラは、基板の全幅よりも狭い範囲をカバーすることができる。この場合、基板全体をスキャンするために、カメラをＸ－Ｙステージで支持する等、２つの垂直方向に移動させる必要がある。
・光源は基板全体を照らすことができる。この場合、光源は基板に対して移動する必要はない。
・光検出器は、カラーカメラの代わりに分光計であってよく、そのスペクトルデータをＲＧＢ色空間に還元することができる。
・センサアセンブリは、研磨ステーション間又は研磨ステーションと移送ステーションとの間に位置決めされたインラインシステムである必要はない。例えば、センサアセンブリは、移送ステーション内に位置決めされ得る、カセットインターフェースユニットに位置決めされ得る、又はスタンドアロンシステムであってよい。
・均一性解析ステップはオプションである。例えば、閾値変換を適用して生成された画像は、基板の後の処理ステップを調整するためにフィードフォワードプロセスに、又は後続基板の処理ステップを調整するためにフィードバックプロセスに供給することができる。
従って、他の実装態様も特許請求の範囲に含まれる。

Claims (20)

  1. コンピュータプログラム製品で符号化された非一過性コンピュータ可読媒体であって、前記コンピュータプログラム製品は、１又は複数のプロセッサに、
    校正用基板の最上層のグラウンドトゥルース厚さ測定値を複数の場所で取得することであって、各場所は、基板上に製造されているダイの画定された位置である、校正用基板の最上層のグラウンドトゥルース厚さ測定値を複数の場所で取得することと、
    前記校正用基板の複数のカラー画像を取得することであって、各カラー画像は、前記基板上に製造されているダイの領域に対応する、前記校正用基板の複数のカラー画像を取得すること、
    インライン基板イメージャからのダイ領域のカラー画像を前記ダイ領域における前記最上層の厚さ測定値に変換するように、ニューラルネットワークを訓練することと
    を行わせる命令を含み、
    前記ニューラルネットワークを訓練する命令は、前記複数のカラー画像とグラウンドトゥルース厚さ測定値とを含み、それぞれのカラー画像の各々は、前記それぞれのカラー画像に関連する前記ダイ領域のグラウンドトゥルース厚さ測定値と対となる、訓練データを使用する命令を含む、非一過性コンピュータ可読媒体。
  2. 前記複数のカラー画像を取得する命令は、前記インライン基板イメージャから前記校正用基板の缶を受信する命令を含む、請求項１に記載のコンピュータ可読媒体。
  3. 前記複数のカラー画像を取得する命令は、前記校正用基板のカラー画像を受信する命令と、ダイマスクに基づいて前記カラー画像を前記複数のカラー画像に分割する命令とを含む、請求項１に記載のコンピュータ可読媒体。
  4. 複数の校正用基板の最上層のグラウンドトゥルース厚さ測定値を取得する命令と、前記校正用基板の各々の複数のカラー画像を取得する命令とを含む、請求項１に記載のコンピュータ可読媒体。
  5. 前記グラウンドトゥルース厚さ測定値を取得する命令は、光学式プロフィロメータから前記複数の場所の各々における厚さ測定値を受信する命令を含む、請求項１に記載のコンピュータ可読媒体。
  6. 前記校正用基板の下層のグラウンドトゥルース厚さ測定値を前記複数の場所で取得することと、
    前記インライン基板イメージャからのダイ領域のカラー画像を前記下層の厚さ測定値に変換するように、前記ニューラルネットワークを訓練することと
    を行う命令を含む、請求項１に記載のコンピュータ可読媒体。
  7. 前記画定された位置は前記ダイの中心である、請求項１に記載のコンピュータ可読媒体。
  8. 基板の全てのダイから測定値を取得する命令を含む、請求項１に記載のコンピュータ可読媒体。
  9. 化学機械平坦化の前と後の両方において、ロットの全ての基板から測定値を取得する命令を含む、請求項１に記載のコンピュータ可読媒体。
  10. 基板厚さ測定システムで使用するためにニューラルネットワークを訓練する方法であって、
    校正用基板の最上層のグラウンドトゥルース厚さ測定値を複数の場所で取得することであって、各場所は、前記基板上に製造されているダイの画定された位置である、校正用基板の最上層のグラウンドトゥルース厚さ測定値を複数の場所で取得することと、
    前記校正用基板の複数のカラー画像を取得することであって、各カラー画像は、前記基板上に製造されているダイの領域に対応する、前記校正用基板の複数のカラー画像を取得すること、
    インライン基板イメージャからのダイ領域のカラー画像を前記ダイ領域における前記最上層の厚さ測定値に変換するように、ニューラルネットワークを訓練することであって、前記訓練は、前記複数のカラー画像とグラウンドトゥルース厚さ測定値とを含む訓練データを用いて実行され、それぞれのカラー画像の各々は、前記それぞれのカラー画像に関連する前記ダイ領域のグラウンドトゥルース厚さ測定値と対となる、インライン基板イメージャからのダイ領域のカラー画像を前記ダイ領域における前記最上層の厚さ測定値に変換するように、ニューラルネットワークを訓練することと
    を含む方法。
  11. コンピュータプログラム製品であって、１又は複数のプロセッサに、
    研磨システムのインラインモニタステーションから第１の基板の第１のカラー画像を受信することと、
    第２のカラー画像の各々が前記第１の基板上に製造されているダイの領域に対応するように、ダイマスクを用いて前記第１のカラー画像を複数の第２のカラー画像に分割することと、
    １又は複数の場所の厚さ測定値を生成することであって、前記１又は複数の場所のそれぞれの場所の各々は、前記第１の基板上に製造されているダイのそれぞれの領域に対応し、領域の前記厚さ測定値を生成する命令は、校正用基板のダイの複数の第３のカラー画像と前記校正用基板のグラウンドトゥルース厚さ測定値とを含む訓練データを用いて訓練されたニューラルネットワークを通して、前記領域に対応する第２のカラー画像を処理する命令を含み、それぞれの第３のカラー画像の各々は、前記それぞれの第３のカラー画像に関連するダイ領域のグラウンドトゥルース厚さ測定値と対となる、１又は複数の場所の厚さ測定値を生成することと、
    前記厚さ測定値に基づいて、前記第１の基板又は後続の第２の基板の研磨パラメータの値を決定することと
    を行わせる命令で符号化された非一過性コンピュータ可読媒体を含む、コンピュータプログラム製品。
  12. 研磨ステーションで前記第１の基板を研磨した後に、前記第１の基板の前記第１のカラー画像を受信する命令を含む、請求項１１に記載のコンピュータプログラム製品。
  13. 前記厚さ測定値に基づいて、前記後続の第２の基板に対する前記研磨ステーションの前記研磨パラメータを決定する命令を含む、請求項１２に記載のコンピュータプログラム製品。
  14. 研磨ステーションで前記第１の基板を研磨する前に、前記第１の基板の前記第１のカラー画像を受信する命令を含む、請求項１１に記載のコンピュータプログラム製品。
  15. 前記厚さ測定値に基づいて、前記第１の基板に対する前記研磨ステーションの前記研磨パラメータを決定する命令を含む、請求項１４に記載のコンピュータプログラム製品。
  16. 前記研磨パラメータは、キャリアヘッドのチャンバ圧力を含む、請求項１１に記載のコンピュータプログラム製品。
  17. 研磨装置であって、
    研磨パッドを支持するプラテンと、前記研磨パッドに対して第１の基板を保持するキャリアヘッドとを含む研磨ステーションと、
    前記第１の基板のカラー画像を生成するカラーカメラを有するインライン計測ステーションと、
    制御システムであって、
    研磨システムのインラインモニタステーションから前記第１の基板の第１のカラー画像を受信し、
    第２のカラー画像の各々が前記第１の基板上に製造されているダイの領域に対応するように、ダイマスクを用いて前記第１のカラー画像を複数の第２のカラー画像に分割し、
    １又は複数の場所の厚さ測定値を生成することであって、前記１又は複数の場所のそれぞれの場所の各々は、前記第１の基板上に製造されているダイのそれぞれの領域に対応し、領域の前記厚さ測定値を生成する命令は、校正用基板のダイの複数の第３のカラー画像と前記校正用基板のグラウンドトゥルース厚さ測定値とを含む訓練データを用いて訓練されたニューラルネットワークを通して、前記領域に対応する第２のカラー画像を処理する命令を含み、それぞれの第３のカラー画像の各々は、前記それぞれの第３のカラー画像に関連するダイ領域のグラウンドトゥルース厚さ測定値と対となる、１又は複数の場所の厚さ測定値を生成し、
    前記厚さ測定値に基づいて、前記第１の基板又は後続の第２の基板に対する研磨パラメータの値を決定し、
    前記研磨ステーションに、決定された前記研磨パラメータを用いて前記第１の基板又は前記後続の第２の基板を研磨させる
    ように構成された制御システムと
    を備える装置。
  18. 前記研磨パラメータは、前記キャリアヘッドのチャンバ圧力を含む、請求項１７に記載の装置。
  19. 前記制御システムは、研磨ステーションにおける前記第１の基板の研磨後に、前記第１の基板の前記第１のカラー画像を受信するように構成される、請求項１７に記載の装置。
  20. 研磨を制御する方法であって、
    研磨システムのインラインモニタステーションにおいて、第１の基板の第１のカラー画像を取得することと、
    第２のカラー画像の各々が前記第１の基板上に製造されているダイの領域に対応するように、ダイマスクを用いて前記第１のカラー画像を複数の第２のカラー画像に分割することと、
    １又は複数の場所の厚さ測定値を生成することであって、前記１又は複数の場所のそれぞれの場所の各々は、前記第１の基板上に製造されているダイのそれぞれの領域に対応し、領域の厚さ測定値を生成することは、校正用基板のダイの複数の第３のカラー画像と前記校正用基板のグラウンドトゥルース厚さ測定値とを含む訓練データを用いて訓練されたニューラルネットワークを通して、前記領域に対応する第２のカラー画像を処理することを含み、それぞれの第３のカラー画像の各々は、前記それぞれの第３のカラー画像に関連するダイ領域のグラウンドトゥルース厚さ測定値と対となる、１又は複数の場所の厚さ測定値を生成することと、
    前記厚さ測定値に基づいて、前記第１の基板又は後続の第２の基板の研磨パラメータの値を決定することと
    を含む方法。
JP2022544271A 2020-06-29 2021-06-25 機械学習に基づく基板画像処理からの膜厚推定 Pending JP2023516872A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063045782P 2020-06-29 2020-06-29
US63/045,782 2020-06-29
PCT/US2021/039247 WO2022005916A1 (en) 2020-06-29 2021-06-25 Film thickness estimation from machine learning based processing of substrate images

Publications (1)

Publication Number Publication Date
JP2023516872A true JP2023516872A (ja) 2023-04-21

Family

ID=79032657

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022544271A Pending JP2023516872A (ja) 2020-06-29 2021-06-25 機械学習に基づく基板画像処理からの膜厚推定

Country Status (7)

Country Link
US (4) US11836913B2 (ja)
EP (1) EP4172560A1 (ja)
JP (1) JP2023516872A (ja)
KR (1) KR20220123069A (ja)
CN (1) CN115104001A (ja)
TW (2) TW202321970A (ja)
WO (1) WO2022005916A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022005916A1 (en) * 2020-06-29 2022-01-06 Applied Materials, Inc. Film thickness estimation from machine learning based processing of substrate images
CN114918817A (zh) * 2022-05-27 2022-08-19 河南科技学院 一种Roll-to-Roll化学机械抛光装置及方法
CN116086330B (zh) * 2023-02-17 2024-01-12 无锡星微科技有限公司 一种用于大尺寸晶圆的厚度检测平台

Family Cites Families (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6614529B1 (en) 1992-12-28 2003-09-02 Applied Materials, Inc. In-situ real-time monitoring technique and apparatus for endpoint detection of thin films during chemical/mechanical polishing planarization
US5985032A (en) 1995-05-17 1999-11-16 Matsushita Electric Industrial Co., Ltd. Semiconductor manufacturing apparatus
US6075883A (en) 1996-11-12 2000-06-13 Robotic Vision Systems, Inc. Method and system for imaging an object or pattern
US6390019B1 (en) 1998-06-11 2002-05-21 Applied Materials, Inc. Chamber having improved process monitoring window
JP2000233369A (ja) 1999-02-15 2000-08-29 Noritake Co Ltd 研削状態監視装置およびドレッシング状態監視装置
JP2001287159A (ja) 2000-04-05 2001-10-16 Nikon Corp 表面状態測定方法及び測定装置及び研磨装置及び半導体デバイス製造方法
US6924641B1 (en) 2000-05-19 2005-08-02 Applied Materials, Inc. Method and apparatus for monitoring a metal layer during chemical mechanical polishing
US7374477B2 (en) 2002-02-06 2008-05-20 Applied Materials, Inc. Polishing pads useful for endpoint detection in chemical mechanical polishing
US6966816B2 (en) 2001-05-02 2005-11-22 Applied Materials, Inc. Integrated endpoint detection system with optical and eddy current monitoring
US6722946B2 (en) 2002-01-17 2004-04-20 Nutool, Inc. Advanced chemical mechanical polishing system with smart endpoint detection
KR100979071B1 (ko) 2002-02-22 2010-08-31 에이저 시스템즈 인크 이중 배향 다결정성 재료의 화학 기계적 연마
US6937915B1 (en) 2002-03-28 2005-08-30 Lam Research Corporation Apparatus and methods for detecting transitions of wafer surface properties in chemical mechanical polishing for process status and control
US6807503B2 (en) 2002-11-04 2004-10-19 Brion Technologies, Inc. Method and apparatus for monitoring integrated circuit fabrication
WO2004090502A2 (en) 2003-04-01 2004-10-21 Filmetrics, Inc. Whole-substrate spectral imaging system for cmp
US7001243B1 (en) 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
US7076320B1 (en) 2004-05-04 2006-07-11 Advanced Micro Devices, Inc. Scatterometry monitor in cluster process tool environment for advanced process control (APC)
US20060025048A1 (en) 2004-07-28 2006-02-02 3M Innovative Properties Company Abrasive article detection system and method
JP5534672B2 (ja) 2005-08-22 2014-07-02 アプライド マテリアルズ インコーポレイテッド 化学機械的研磨のスペクトルに基づく監視のための装置および方法
US7409260B2 (en) 2005-08-22 2008-08-05 Applied Materials, Inc. Substrate thickness measuring during polishing
US7306507B2 (en) 2005-08-22 2007-12-11 Applied Materials, Inc. Polishing pad assembly with glass or crystalline window
US20070077671A1 (en) 2005-10-03 2007-04-05 Applied Materials In-situ substrate imaging
JP2007266235A (ja) 2006-03-28 2007-10-11 Ebara Corp 研磨装置
KR20080013059A (ko) 2006-08-07 2008-02-13 삼성전자주식회사 씨엠피공정설비의 웨이퍼 검사장치 및 그 방법
JP5361299B2 (ja) 2008-09-12 2013-12-04 株式会社東京精密 研磨終了予測・検出方法とその装置
US9248544B2 (en) 2012-07-18 2016-02-02 Applied Materials, Inc. Endpoint detection during polishing using integrated differential intensity
US9095952B2 (en) 2013-01-23 2015-08-04 Applied Materials, Inc. Reflectivity measurements during polishing using a camera
US10012494B2 (en) 2013-10-25 2018-07-03 Applied Materials, Inc. Grouping spectral data from polishing substrates
US9490182B2 (en) 2013-12-23 2016-11-08 Kla-Tencor Corporation Measurement of multiple patterning parameters
KR20180038477A (ko) 2015-08-04 2018-04-16 노바 메주어링 인스트루먼츠 엘티디. 박막 내 하이브리드 측정 시스템 및 측정 방법
US10565701B2 (en) 2015-11-16 2020-02-18 Applied Materials, Inc. Color imaging for CMP monitoring
TWI737659B (zh) 2015-12-22 2021-09-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
TWI743176B (zh) * 2016-08-26 2021-10-21 美商應用材料股份有限公司 獲得代表在基板上的層的厚度的測量的方法，及量測系統和電腦程式產品
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
TWI755448B (zh) 2016-11-30 2022-02-21 美商應用材料股份有限公司 使用神經網路的光譜監測
US10989652B2 (en) 2017-09-06 2021-04-27 Lam Research Corporation Systems and methods for combining optical metrology with mass metrology
US11507824B2 (en) 2018-06-28 2022-11-22 Applied Materials, Inc. Training spectrum generation for machine learning system for spectrographic monitoring
US11577356B2 (en) * 2018-09-24 2023-02-14 Applied Materials, Inc. Machine vision as input to a CMP process control algorithm
US11100628B2 (en) * 2019-02-07 2021-08-24 Applied Materials, Inc. Thickness measurement of substrate using color metrology
WO2022005916A1 (en) * 2020-06-29 2022-01-06 Applied Materials, Inc. Film thickness estimation from machine learning based processing of substrate images
WO2022187079A1 (en) * 2021-03-04 2022-09-09 Applied Materials, Inc. Pixel and region classification of film non-uniformity based on processing of substrate images

Also Published As

Publication number Publication date
US20240054634A1 (en) 2024-02-15
TW202211072A (zh) 2022-03-16
TW202321970A (zh) 2023-06-01
US11836913B2 (en) 2023-12-05
KR20220123069A (ko) 2022-09-05
US11847776B2 (en) 2023-12-19
US20210407066A1 (en) 2021-12-30
EP4172560A1 (en) 2023-05-03
TWI792370B (zh) 2023-02-11
CN115104001A (zh) 2022-09-23
US20210407065A1 (en) 2021-12-30
US20240062364A1 (en) 2024-02-22
WO2022005916A1 (en) 2022-01-06

Similar Documents

Publication Publication Date Title
KR102495894B1 (ko) 컬러 계측을 사용한 기판의 두께 측정
JP2023516872A (ja) 機械学習に基づく基板画像処理からの膜厚推定
TWI814980B (zh) 使用色彩度量術進行的基板的厚度測量
KR20180071292A (ko) Cmp 모니터링을 위한 컬러 이미징
US11557048B2 (en) Thickness measurement of substrate using color metrology
TWI837057B (zh) 使用色彩度量術進行的基板的厚度測量
JP7254197B2 (ja) 色計測を用いた基板の厚さ測定

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220914

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231012

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231205

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20240301

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240321

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240402