JP2023550487A - 装置製造中の多層スタックのフィードフォワード制御 - Google Patents

Abstract

基板上に多層スタックを形成する方法は、基板上に多層スタックの第１の層を堆積させるために第１の堆積プロセスを用いて第１のプロセスチャンバ内で基板を処理することと、第１のプロセスチャンバから基板を取り出すことと、光学センサを用いて第１の層の第１の厚さを測定することと、第１の層の第１の厚さに基づいて、多層スタックの第２の層のためのターゲットの第２の厚さを決定することと、第２の層のための第２のターゲットの厚さを達成することになる第２の堆積プロセスのための１つ又は複数のプロセスパラメータ値を決定することと、第１の層の上にターゲットの第２の厚さをほぼ有する多層スタックの第２の層を堆積させるために、１つ又は複数のプロセスパラメータ値を有する第２の堆積プロセスを用いて、第２のプロセスチャンバにおいて基板を処理することとを含む。【選択図】図１Ａ

Description

［０００１］本開示の実施形態は、装置製造中の多層スタックのフィードフォワード制御に関する。加えて、本実施形態は、マルチプロセス製造シーケンスの上流プロセスの後に実行される光学測定に基づく、マルチプロセス製造シーケンスの下流プロセスのフィードフォワード制御に関する。

［０００２］基板上に構成要素を形成するための製造プロセスシーケンスを開発するために、エンジニアは、１つ又は複数の実験計画（ＤｏＥ）を実行して、製造プロセスシーケンスで実行されるプロセスのシーケンスの各プロセスのためのプロセスパラメータ値を決定する。ＤｏＥでは、各製造プロセスについて異なるプロセスパラメータ値を用いて基板を処理することによって、一般的に、複数の異なるプロセスパラメータ値が試験される。製造プロセスシーケンス中に堆積及び／又はエッチングされる１つ又は複数の層を含む装置又は構成要素は、その後、エンドオブライン（ｅｎｄ－ｏｆ－ｌｉｎｅ）で試験され、ここでエンドオブラインは、構成要素又は装置の完成に対応する。このような試験の結果、１つ又は複数のエンドオブライン性能測定値（ｅｎｄ－ｏｆ－ｌｉｎｅ ｐｅｒｆｏｒｍａｎｃｅ ｍｅｔｒｉｃ ｖａｌｕｅ）が決定される。製造プロセスシーケンスにおける製造プロセスの１つ以上のプロセスパラメータのためのターゲットのプロセスパラメータ値を決定するために、及び／又は製造プロセスシーケンスにおける製造プロセスの１つ以上によって堆積及び／又はエッチングされる層のためのターゲット層の特性（本明細書では膜特性とも称される）を決定するために、１つ又は複数のＤｏＥの結果が使用されることがある。

［０００３］ターゲットプロセスパラメータ値及び／又はターゲット層特性がいったん決定されると、基板は、製造プロセスシーケンスに従って処理されることになり、ＤｏＥの結果に基づいて決定された所定のプロセスパラメータ値及び／又は層特性が、製造プロセスシーケンスの各プロセスに使用される。そして、エンジニアは、処理された基板が、ＤｏＥ中に処理された基板と類似する特性を有していることを期待し、更に、製造プロセスシーケンスによって形成された層を含む製造装置又は構成要素が、ターゲットのエンドオブライン性能測定値を有していることを期待する。しかし、ＤｏＥ中に決定された膜特性と製品基板上の膜の膜特性との間には、ばらつきがあることが多く、その結果、エンドオブラインの性能測定値が変化してしまうことがある。更に、各プロセスチャンバは、他のプロセスチャンバとわずかに異なる場合があり、異なる膜特性を有する膜を生成することができる。また、プロセスチャンバは経年変化することがあるため、同じプロセスレシピ（ｒｅｃｉｐｅ）を使用しても、それらのプロセスチャンバにより生成される膜も経年変化してしまうことがある。

［０００４］本明細書で説明する実施形態のいくつかは、少なくとも１つの移送チャンバと、少なくとも１つの移送チャンバに接続された第１のプロセスチャンバと、少なくとも１つの移送チャンバに接続された第２のプロセスチャンバと、第１の層が基板上に堆積された後に、第１の層に対して光学測定を実行するように構成された光学センサと、第１のプロセスチャンバ、第２のプロセスチャンバ、移送チャンバ又は光学センサのうちの少なくとも１つに動作可能に接続された計算装置とを備える基板処理システムの範囲に及ぶ。第１のプロセスチャンバは、基板上に多層スタックの第１の層を堆積させるための第１のプロセスを実行するように構成され、第２のプロセスチャンバは、基板上に多層スタックの第２の層を堆積させるための第２のプロセスを実行するように構成される。計算装置は、第１のプロセスが基板上で実行された後に、第１の層の第１の光学測定値を受信することであって、第１の光学測定値は第１の層の第１の厚さを示す、第１の層の第１の光学測定値を受信することと、第１の層の第１の厚さに基づいて、多層スタックの第２の層のためのターゲットの第２の厚さを決定することと、第２のプロセスチャンバに、第１の層上にターゲットの第２の厚さをほぼ有する第２の層を堆積させるための第２のプロセスを実行させることとを行う。

［０００５］追加又は関連する実施形態では、方法は、基板上に多層スタックの第１の層を堆積させるために第１の堆積プロセスを用いて第１のプロセスチャンバ内で基板を処理することと、第１のプロセスチャンバから基板を取り出すことと、光学センサを用いて第１の層の第１の厚さを測定することと、第１の層の第１の厚さに基づいて、多層スタックの第２の層のためのターゲットの第２の厚さを決定することと、第２の層のための第２のターゲットの厚さを達成することになる第２の堆積プロセスのための１つ又は複数のプロセスパラメータ値を決定することと、第１の層の上にターゲットの第２の厚さをほぼ有する多層スタックの第２の層を堆積させるために、１つ又は複数のプロセスパラメータ値を有する第２の堆積プロセスを用いて、第２のプロセスチャンバにおいて基板を処理することとを含む。

［０００６］いくつかの実施形態では、方法は、複数のデータ項目を含む訓練データセットを受信又は生成することであって、複数のデータ項目の各データ項目は、多層スタックの複数の層のための層の厚さと、多層スタックを含む装置のためのエンドオブライン性能測定値との組み合わせを含む、訓練データセットを受信又は生成することと、訓練データセットに基づいて、入力として多層スタックの単一層の厚さ又は少なくとも２つの層の厚さを受信し、多層スタックの単一の残りの層のターゲットの厚さ、多層スタックの少なくとも２つの残りの層のためのターゲットの厚さ、又は多層スタックを含む装置のための予測エンドオブライン性能測定値のうちの少なくとも１つを出力するために、機械学習モデルを訓練することとを含む。

［０００７］多数の他の特徴が、本開示のこれらの態様及び他の態様に従って提供される。本開示の他の特徴及び態様は、以下の詳細な説明、特許請求の範囲、及び添付の図面からより完全に明らかになるだろう。

［０００８］本開示は、限定ではなく、例として、図解されており、添付図面の図では、類似の参照番号が類似の要素を示している。本開示における「ある（ａｎ）」又は「１つの（ｏｎｅ）」実施形態への様々な言及は、必ずしも同じ実施形態への言及ではなく、かかる言及は少なくとも１つを意味することに留意されたい。

［０００９］実施形態による第１の例の製造システムの上面概略図である。 ［００１０］実施形態による第２の製造システムの上面概略図である。 ［００１１］実施形態による、ＤＲＡＭビット線形成プロセスにおける１つ又は複数のプロセスのフィードフォワード制御を実行する方法のフローチャートである。 ［００１２］実施形態による、ポリプラグ、ＤＲＡＭビット線スタック、及びハードマスク層を含む基板の一部の概略側面図を示す。 ［００１３］本開示の１つの態様による、クラスタツールにおいて基板上の層の厚さを測定するためのシステム３００の簡略化した側面図を示す。 ［００１４］実施形態による、プロセスシーケンスにおける１つ又は複数の既に実行されたプロセスから得られる膜の光学測定値（ｏｐｔｉｃａｌ ｍｅａｓｕｒｅｍｅｎｔｓ）に基づいて、多層スタックのためのプロセスシーケンスにおける１つ又は複数の下流プロセスのフィードフォワード制御を実行する方法のためのフローチャートである。 ［００１５］実施形態による、１つ又は複数の既に実行された堆積プロセスから得られる膜の光学測定値に基づいて、プロセスシーケンスにおける下流エッチングプロセスのフィードフォワード制御を実行する方法のためのフローチャートである。 ［００１６］実施形態による、プロセスシーケンスにおける１つ又は複数の既に実行されたプロセスから得られる膜の光学測定値に基づいて、プロセスシーケンスにおける１つ又は複数の下流プロセスのフィードフォワード制御を実行する方法のためのフローチャートである。 ［００１７］プロセスシーケンスにおける１つ又は複数のプロセスによって形成される１つ又は複数の層の光学測定値に基づいて、プロセスシーケンス内の下流プロセスを制御するために使用される機械学習モデルの訓練を更新する方法のためのフローチャートである。 ［００１８］実施形態による、基板上に１つ又は複数の層を形成する製造プロセスシーケンスに関連する実験計画（ｄｅｓｉｇｎ ｏｆ ｅｘｐｅｒｉｍｅｎｔ：ＤｏＥ）を実行する方法のためのフローチャートである。 ［００１９］実施形態による、製造プロセスシーケンスにおける１つ又は複数のプロセスによって形成される１つ又は複数の層の厚さ値に基づいて、１つ又は複数の残りの層のターゲットの厚さ、１つ又は複数の層を形成するためのプロセスパラメータ値及び／又はエンドオブライン性能測定値を決定するためにモデルを訓練する方法のためのフローチャートである。 ［００２０］本明細書で議論される方法論のいずれか１つ以上をマシンに実行させるための、命令のセットが実行されうる、計算装置の例示形態におけるマシンの図式的表現を示す。

［００２１］本明細書に記載の実施形態は、製造プロセスシーケンスにおける１つ又は複数の既に実行されたプロセスによって形成される１つ又は複数の層の厚さ測定値に基づいて、製造プロセスシーケンスにおける１つ又は複数のまだ実行されていないプロセスのフィードフォワード制御を実行する方法に関する。１つの実施形態では、多層スタックの１つ又は複数の既に形成された層の厚さは、多層スタックの形成される１つ又は複数の残りの層のターゲットの厚さ及び／又はターゲットの厚さを達成するためのプロセスパラメータ値を決定するために使用される。１つの実施形態では、１つ又は複数の既に堆積した層をエッチングするために実行されるエッチングプロセスに使用するターゲットプロセスパラメータ値を決定するために、基板上に既に形成された１つ又は複数の層の厚さが使用される。実施形態では、１つ又は複数の層の厚さに基づいて、形成される追加の１つ又は複数の層の厚さ、追加の１つ又は複数の層を形成するために使用されるプロセスパラメータ値、既に堆積した１つ又は複数の層をエッチングするために使用されるプロセスパラメータ値及び／又は層若しくは複数の層を含む装置又は構成要素のための予測されるエンドオブライン性能測定値を決定するために、訓練済みの機械学習モデルが使用される。実施形態はまた、１つ又は複数の層の厚さの入力に基づいて、形成される追加の１つ又は複数の層の厚さ、追加の１つ又は複数の層を形成するために使用されるプロセスパラメータ値、既に形成された１つ又は複数の層をエッチングするために使用されるプロセスパラメータ値、及び／又は層若しくは層を含む装置又は構成要素の予測されるエンドオブライン性能測定値を決定するために、機械学習モデルを訓練することにも範囲が及ぶ。訓練されうる機械学習モデルの例は、線形回帰モデル、ガウス回帰モデル、及び畳み込みニューラルネットワークなどのニューラルネットワークを含む。

［００２２］従来、製造プロセスシーケンス（例えば、堆積プロセス及び／又はエッチングプロセスのシーケンスを含む）における各製造プロセスのプロセスパラメータのレシピ設定点を決定するために、１回限りのＤｏＥが実行される。製造プロセスシーケンスのプロセスの各々にレシピ設定点がいったん設定されると、製造プロセスシーケンスのプロセスためのレシピを実行する各プロセスチャンバは、そのプロセスについて決定したプロセスパラメータ設定点を使用し、製造プロセスシーケンスについてＤｏＥ時に決定した膜の質及び膜の特性が達成されているという仮定がなされる。しかし、プロセスチャンバ間でばらつきがあったり、及び／又はプロセスチャンバのプロセスパラメータが経時的にドリフトしたりすることがよくある。このようなばらつき及び／又はドリフトによって、これらのプロセスチャンバは、プロセスレシピで実際に設定される値とは異なるプロセスパラメータ値を達成する。例えば、ある製造プロセスのプロセスレシピは、２００℃までのターゲット温度を含むが、第１のプロセスチャンバは、２００℃に設定されると、実際には２０５℃の実温度に到達しうる。加えて、第２のプロセスチャンバは、２００℃に設定されると、実際には１９６℃の実温度に到達しうる。プロセスレシピの所定のプロセスパラメータ値からのこのようなずれ（ｄｅｖｉａｔｉｏｎ）は、製造プロセスを用いて堆積された膜の１つ又は複数の特性を、ターゲット特性から変化させる可能性がある。例えば、同じ堆積プロセスを実行する２つの異なるチャンバは、異なる厚さの層を形成しうる。ここで、第１の基板上の層はターゲットの厚さを上回る厚さを有し、第２の基板上の層はターゲットの厚さを下回る厚さを有しうる。この層は、最終的に形成される装置のための多層スタックの１つの層であり、膜の特性のこのような変化は、最終的に形成される装置に有害な影響を与える可能性がある。

［００２３］多層スタックについては、多層スタックの第１の層の厚さがターゲットの厚さから外れると、そのようなずれは、多層スタックを含む装置に有害な影響を与える可能性がある。しかし、多層スタックの更なる層が堆積される前に厚さのずれが検出される場合、次に、それらの更なる層の１つ以上のターゲットの厚さが調整され、第１の層がそれのターゲットの厚さを有していた場合に多層スタックが有していたであろうものと類似のエンドオブライン性能測定値を、最終的な多層スタックが有するようになりうる。同様に、多層スタックの最初の２つの層の１つ以上が、更なる層の堆積前にターゲットの厚さから外れる厚さを有していることが検出される場合、次にこの情報が使用され、多層スタックの１つ又は複数の残りの層のためのターゲットの厚さが調整され、多層スタックを含む装置のエンドオブライン性能が改善される可能性がある。実施形態では、光学センサは、移送チャンバ、ロードロック又はビアに配置され、堆積プロセス後に堆積された層の厚さを測定するために使用される。測定された厚さは、堆積された層を含む装置のエンドオブライン性能を向上させるように、追加の層の堆積及び／又は既存の層のエッチングを行うことになる将来のプロセスを調整するために使用されうる。

［００２４］１つの例では、本明細書の実施形態に記載のシステム及び方法は、ＤＲＡＭビット線スタックにおける１つ又は複数の層のフィードフォワード制御を提供するために使用することができる。ＤＲＡＭのビット線スタックは、バリア金属層、バリア層、及びビット線金属層を含みうる。センシングマージンは、バリア金属層、バリア層、及びビット線金属層の各々の厚さに依存しうる。機械学習モデルは、バリア金属層の厚さ及び／又はバリア層の厚さを入力として受信するように訓練され、ターゲットのバリア層の厚さ及び／又はビット線金属層の厚さを出力しうる。機械学習モデルは、入力及び／又は出力厚さ値を有するバリア金属層、バリア層及びビット線金属層を含むＤＲＡＭビット線スタックの予測センシングマージンを追加的に出力しうる。このように、各層が形成された後に、ＤＲＡＭビット線スタックの層の厚さを測定することにより、次の１つ又は複数の層を形成するために使用されるプロセスは、すでに形成された層の、それらの層のためのターゲットの厚さからのいかなるずれについても、正確に調整されうる。このような調整により、ＤＲＡＭビット線スタックを含むＤＲＡＭメモリモジュールのためのセンシングマージンを改善することができる。また、同じ技法は、任意の他のタイプの多層スタックが、装置の電気的特性など、他のエンドオブライン性能測定を改善するためにも作用する。

［００２５］実施形態において、計算装置は、多層スタックの層を分析し、スタックレベルの最適化を実行する。スタックレベル情報は、例えば、多層スタックを含む装置のための電力性能面積及びコスト（ＰＰＡＣ）を最適化するために使用されうる。フィードフォワードの決定は、１つ又は複数の以前の単位プロセスからの情報を使用して、１つの単位プロセスについて行われうる。処理ロジックは、１つ又は複数の形成されたＭＬモデルへの入力として、複数のユニットプロセスからの複雑なスペクトルを使用することができ、個々のプロセスの最適化とは対照的に、スタック全体の動作の最適化を可能にする。

［００２６］ここで図を参照すると、図１Ａは、本開示の少なくともいくつかの実施形態に従って、基板製造、例えば、ポストポリプラグ製造（ｐｏｓｔ ｐｏｌｙ ｐｌｕｇ ｆａｂｒｉｃａｔｉｏｎ）、ＤＲＡＭビット線形成、３次元（３Ｄ）ＮＡＮＤ形成（例えば、ＯＮＯＮゲート形成及び／又はＯＰＯＰゲート形成）等のために構成されるクラスタツール１００（システム又は製造システムとも称される）の図である。クラスタツール１００は、１つ又は複数の真空移送チャンバ（ＶＴＭ）１０１、１０２と、ファクトリインターフェース１０４と、複数の処理チャンバ／モジュール１０６、１０８、１１０、１１２、１１４、１１６、１１８と、プロセスコントローラ１２０（コントローラ）とを含む。サーバ計算装置１４５はまた、クラスタツール１００に（例えば、クラスタツール１００のコントローラ１２０に）接続されうる。図１Ａに示すような２つ以上のＶＴＭを有する実施形態では、１つのＶＴＭから別のＶＴＭへの真空移送を容易にするために、１つ又は複数の通過チャンバ（ビアと称される）が設けられうる。図１Ａに示すものと一致する実施形態では、２つの通過チャンバを設けることができる（例えば、通過チャンバ１４０及び通過チャンバ１４２）。

［００２７］ファクトリインターフェース１０４は、クラスタツール１００を使用して処理される、例えば前方開口型統一ポッド（ＦＯＵＰ）又は他の適切な基板含有ボックス又はキャリアから、１つ又は複数の基板を受け取るように構成されるローディングポート１２２を含む。ローディングポート１２２は、１つ又は複数のローディングエリア１２４ａ～１２４ｃを含むことができ、これらは、１つ又は複数の基板をローディングするために使用することができる。３つのローディングエリアが表示されている。ただし、より多い又はより少ないローディングエリアを使用することができる。

［００２８］ファクトリインターフェース１０４は、ローディングポート１２２にロードされた基板を移送するために使用される大気圧移送モジュール（ＡＴＭ）１２６を含む。より詳細には、ＡＴＭ１２６は、ＡＴＭ１２６をローディングポート１２２に接続するドア１３５（点線で示され、スリットバルブとも称される）を通して、ローディングエリア１２４ａ～１２４ｃからＡＴＭ１２６に基板を移送するように構成される１つ又は複数のロボットアーム１２８（点線で示される）を含む。各ローディングポート（１２４ａ～１２４ｃ）には、それぞれのローディングポートからＡＴＭ１２６への基板移送を可能にするために、通常、１つのドアがある。ロボットアーム１２８はまた、ＡＴＭ１２６をエアロック１３０ａ，１３０ｂに接続するドア１３２（点線で示され、各ロードロックに対してそれぞれ１つずつ）を通して、ＡＴＭ１２６からロードロック１３０ａ，１３０ｂに基板を移送するように構成される。ロードロックの数は２つより多くても少なくてもよいが、単に説明目的のために、２つのロードロック（１３０ａ及び１３０ｂ）が示されており、各ロードロックはＡＴＭ１２６に接続するためのドアを有している。ロードロック１３０ａ～ｂは、バッチ式ロードロックであってもよく、そうでなくてもよい。

［００２９］ロードロック１３０ａ、１３０ｂは、コントローラ１２０の制御の下、大気圧環境又は真空圧環境のいずれかに維持することができ、ＶＴＭ１０１、１０２に／ＶＴＭ１０１、１０２から移送されている基板の中間的又は一時的保持空間として機能する。ＶＴＭ１０１は、真空を破壊せずに、すなわち、ＶＴＭ１０２及び複数の処理チャンバ１０６、１０８及び通過チャンバ１４０、１４２内部の真空圧環境を維持しながら、ロードロック１３０ａ、１３０ｂから、複数の処理チャンバ１０６、１０８（プロセスチャンバとも称される）のうちの１つ以上に、又は１つ又は複数の通過チャンバ１４０、１４２（ビアとも称される）に、基板を移送するように構成されるロボットアーム１３８（点線で示される）を含む。ＶＴＭ１０２は、真空を破壊せずに、すなわち、ＶＴＭ１０２及び複数の処理チャンバ１０６、１０８、１１０、１１２、１１４、１１６及び１１８内部の真空圧環境を維持しながら、エアロック１３０ａ、１３０ｂから、複数の処理チャンバ１０６、１０８、１１０、１１２、１１４、１１６及び１１８のうちの１つ以上に、基板を移送するように構成されるロボットアーム１３８（点線）を含む。

［００３０］特定の実施形態では、ロードロック１３０ａ、１３０ｂを省略することができ、コントローラ１２０は、基板をＡＴＭ１２６からＶＴＭ１０２に直接移動するように構成することができる。

［００３１］ドア１３４、例えば、スリットバルブドアは、それぞれのロードロック１３０ａ、１３０ｂをＶＴＭ１０１に各々接続する。同様に、ドア１３６、例えば、スリットバルブドアは、それぞれの処理モジュールが結合されているＶＴＭ（例えば、ＶＴＭ１０１又はＶＴＭ１０２のいずれか）に、各処理モジュールを接続する。複数の処理チャンバ１０６、１０８、１１０、１１２、１１４、１１６、及び１１８は、１つ又は複数のプロセスを実行するように構成される。処理チャンバ１０６、１０８、１１０、１１２、１１４、１１６、及び１１８のうちの１つ以上によって実行されうるプロセスの例は、洗浄プロセス（例えば、基板から表面酸化物を除去する前洗浄プロセス）、アニールプロセス、堆積プロセス（例えば、キャップ層、ハードマスク層、バリア層、ビット線金属層、バリア金属層などの堆積のための）、エッチングプロセスなどを含む。プロセスチャンバの１つ以上によって実行されうる堆積プロセスの例は、物理的気相堆積（ＰＶＤ）、化学気相堆積（ＣＶＤ）、原子層堆積（ＡＬＤ）などを含む。プロセスチャンバの１つ以上によって実行されうるエッチングプロセスの例は、プラズマエッチプロセスを含む。１つの例示的な実施形態では、プロセスチャンバ１０６、１０８、１１０、１１２、１１４、１１６、及び１１８は、通常、ポストポリプラグ製造シーケンス及び／又はダイナミックランダムアクセスメモリ（ＤＲＡＭ）ビット線スタック製造シーケンスに関連するプロセスを実行するように構成される。１つの例示的な実施形態では、プロセスチャンバ１０６、１０８、１１０、１１２、１１４、１１６、及び１１８は、通常、ＯＮＯＮゲート又はＯＰＯＰゲートを形成するなどの３Ｄ ＮＡＮＤ形成シーケンスに関連するプロセスを実行するように構成され、これには、絶縁体と導体（例えば、ＳｉＯ_２とＳｉＮ、又はＳｉＯ_２とポリシリコン）の交互の層の多層スタックを堆積させるためのプロセスが含まれうる。

［００３２］実施形態では、クラスタツール１００の構成要素の１つ以上は、基板上の層又は膜の厚さなどの特性を測定するように構成された光学センサ１４７ａ、１４７ｂを含む。１つの実施形態では、光学センサ１４７ａはビア１４０内に配置され、光学センサ１４７ｂはビア１４７ｂ内に配置される。代替的に又は追加的には、１つ又は複数の光学センサ１４７ａ～ｂが、ＶＴＭ１０２及び／又はＶＴＭ１０１内部に配置されうる。代替的に又は追加的には、１つ又は複数の光学センサ１４７ａ～ｂは、ロードロック１３０ａ及び／又はロードロック１３０ｂ内に配置されうる。代替的に又は追加的には、１つ又は複数の光学センサ１４７ａ～ｂは、プロセスチャンバ１０６、１０８、１１０、１１２、１１４、１１６、及び１１８のうちの１つ以上の中に配置されうる。１つ又は複数の光学センサ１４７ａ～ｂは、基板上に堆積した層の膜の厚さを測定するように構成されうる。１つの実施形態では、光学センサ１４７ａ～ｂは、図３の光学センサ３００に対応する。いくつかの実施形態では、光学センサ１４７ａ～ｂは、多層スタックの各層が基板上に形成された後に、膜の厚さを測定する。１つ又は複数の光学センサ１４７ａ～ｂは、製造プロセスシーケンスにおけるプロセス間の膜の厚さを測定し、製造プロセスシーケンスにおける更なるプロセスの実行方法に関する決定を知らせるために使用されうる。実施形態では、膜の厚さを示す光学測定は、基板を真空環境から取り出すことなく、基板上で実行されうる。

［００３３］コントローラ１２０（例えば、ツール及び機器コントローラ）は、クラスタツール１００の様々な態様、例えば、処理チャンバ内のガス圧力、個々のガス流、空間流量比、種々のプロセスチャンバ内のプラズマ出力、種々のチャンバ部品の温度、処理チャンバの高周波（ＲＦ）又は電気状態など、を制御しうる。コントローラ１２０は、ロボットアーム１２８、１３８、プロセスチャンバ１０６、１０８、１１０、１１２、１１４、１１６、及び１１８、ロードロック１３０ａ～ｂ、スリットバルブドア、光学センサ１４７ａ～ｂ及び／又は１つ又は複数の他のセンサ、及び／又はクラスタツール１００の他の処理構成要素のようなクラスタツール１００の他の処理構成要素といった、クラスタツール１００の構成要素のうちのいずれかから信号を受信して、そのいずれかにコマンドを送信しうる。したがって、コントローラ１２０は、処理の開始及び停止を制御し、堆積速度及び／又はターゲット層の厚さを調整し、プロセス温度を調整し、堆積組成物の種類又は混合を調整し、エッチング速度などを調整しうる。コントローラ１２０は、更に、様々なセンサ（例えば、光学センサ１４７ａ～ｂ）から測定データ（例えば、光学測定データ）を受信して処理し、かかる測定データに基づいて決定を下しうる。

［００３４］様々な実施形態では、コントローラ１２０は、パーソナルコンピュータ、サーバコンピュータ、プラグラム可能な論理制御装置（ＰＬＣ）、マイクロコントローラなどの計算装置でありうる及び／又はこれを含みうる。コントローラ１２０は、１つ又は複数の処理装置を含み（又は、１つ又は複数の処理装置であり）、マイクロプロセッサ、中央処理装置などの汎用処理装置でありうる。より詳細には、処理装置は、複合命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、超長命令語（ＶＬＩＷ）マイクロプロセッサ、又は他の命令セットを実装するプロセッサ、又は命令セットの組み合わせを実装するプロセッサでありうる。また、処理装置は、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、ネットワークプロセッサなどの１つ又は複数の特殊用途処理装置であってもよい。コントローラ１２０は、データ記憶装置（例えば、１つ又は複数のディスクドライブ及び／又はソリッドステートドライブ）、メインメモリ、スタティックメモリ、ネットワークインターフェース、及び／又は他の構成要素を含みうる。コントローラ１２０の処理装置は、本明細書に記載された方法論及び／又は実施形態のいずれか１つ以上を実行するための命令を実行しうる。命令は、コンピュータ可読記憶媒体に記憶されてもよく、メインメモリ、スタティックメモリ、二次記憶及び／又は処理装置（命令の実行中）を含みうる。

［００３５］１つの実施形態では、コントローラ１２０は、フィードフォワードエンジン１２１を含む。フィードフォワードエンジン１２１は、ハードウェア、ファームウェア、ソフトウェア、又はこれらの組み合わせで実装されうる。フィードフォワードエンジン１２１は、オプションで、分光計などの光学センサによって実行される反射計測の結果を含む、光学測定データを受信及び処理するように構成される。フィードフォワードエンジン１２１は、層に対する１つ又は複数のターゲットの厚さ値及び／又は他のターゲット特性を決定するために、層が基板上に形成された後に、及び／又は基板上の層がエッチングされた後に、光学測定データ（例えば、反射率信号）を計算しうる。フィードフォワードエンジン１２１は、多層スタックの１つ又は複数の追加の層の更新されたターゲットの厚さ及び／又は他のターゲット特性を更に決定し、更新されたターゲットの厚さ及び／又は他の特性を有する層を形成するためのプロセスに使用するためのターゲットプロセスパラメータ値を決定し、１つ又は複数の層のエッチングに使用するプロセスのためのターゲットプロセスパラメータ値を決定し、及び／又は層を含む装置又は構成要素のための１つ又は複数のエンドオブライン性能測定値を予測しうる。測定されうるエンドオブラインの性能測定の例は、信号マージン、歩留まり、電圧、電力、装置の動作速度、装置の待ち時間、及び／又は他の性能変数を含む。

［００３６］１つの実施形態では、フィードフォワードエンジン１２１は、１つ又は複数の層の膜の厚さ及び／又は他の膜特性を、エンドオブライン性能測定の予測値と相関させうる予測モデル１２３を含む。予測モデル１２３は、追加的又は代替的に、１つ又は複数の既に堆積された層の厚さ及び／又は他の層特性の入力に基づいて、これから堆積される層（ｔｏ－ｂｅ－ｄｅｐｏｓｉｔｅｄ ｌａｙｅｒｓ）の推奨ターゲット層の厚さ及び／又は他のターゲット層特性を出力しうる。追加的に又は代替的には、予測モデル１２３は、製造プロセスシーケンスにおける１つ又は複数のまだ実行されていないプロセスのプロセスパラメータのためのターゲットプロセスパラメータ値を出力しうる。まだ実行されていないプロセスは、例えば、堆積プロセス及び／又はエッチングプロセスでありうる。１つの実施形態では、予測モデル１２３は、ニューラルネットワーク、ガウス回帰モデル、又は線形回帰モデルなどの、訓練済みの機械学習モデルである。

［００３７］フィードフォワードエンジン１２１は、１つ又は複数の既に形成された層の測定された厚さ及び／又は他の層特性を予測モデル１２３に入力し、１つ又は複数の追加の層の出力ターゲットの厚さ及び／又は他のターゲット層の特性として、ターゲットの厚さを達成するためのターゲットプロセスパラメータ値、１つ又は複数の層で実行されるエッチングプロセスのためのターゲットプロセスパラメータ値、及び／又はエンドオブライン性能測定の予測値を受信しうる。その後、追加の層を形成し及び／又は１つ又は複数の層のエッチングするために実行されるプロセスレシピは、予測モデル１２３の出力に基づいて調整されうる。したがって、フィードフォワードエンジン１２１は、製造プロセス中（すなわち、エンドオブラインに到達する前）にエンドオブライン問題を予測することができ、更に、予測されたラインエンドオブライン問題を回避するために、製造プロセスシーケンス内のまだ実行されていないプロセスに対する１つ又は複数のプロセスレシピを調整することができる。

［００３８］１つの例では、プロセスチャンバ１０６、１０８、１１０、１１２、１１４、１１６、及び１１８のうちの第１のチャンバは、バリア金属層を堆積させる堆積チャンバであり、プロセスチャンバの第２のチャンバは、バリア層を堆積させる堆積チャンバであり、プロセスチャンバの第３のチャンバは、ビット線金属層を堆積させるチャンバでありうる。製造プロセスシーケンスは、バリア金属層を堆積させるための第１のプロセスレシピ、バリア層を堆積させるための第２のプロセスレシピ、及びビット線金属層を堆積させるための第３のプロセスレシピを含みうる。プロセスレシピの各々は、それぞれのプロセスレシピによって達成されるターゲット層の厚さと関連付けられうる。第１の堆積チャンバは、バリア金属層を堆積させるためのプロセスレシピを実行しうる。１つ又は複数の光学センサ１４７ａ～ｂは、バリア金属層の厚さを測定するために使用されうる。次いで、フィードフォワードエンジン１２１は、測定された厚さがバリア金属層のターゲットの厚さから外れていると決定しうる。フィードフォワードエンジン１２１は、バリア金属層の測定された厚さに基づいて、バリア層及び／又はビット線金属層のための新しいターゲットの厚さを決定するために、予測モデル１２３を使用しうる。例えば、バリア金属層が厚すぎた場合、次に、バリア層の厚さ及び／又はビット線金属層の厚さが適宜調整されうる（例えば、バリア層及びビット線金属層のターゲットの厚さの一方又は両方を増加及び／又は減少させることによって）。バリア層を形成するためのプロセスレシピの新しいプロセスパラメータ値が決定され、第２のプロセスチャンバは、新しいターゲットの厚さを有するバリア層を形成するために、調整されたプロセスレシピを実行しうる。

［００３９］基板は、バリア層の厚さを決定するために、光学センサ１４７ａ～ｂによって再び測定されうる。次に、ターゲットの厚さからの任意のずれを決定するために、バリア金属層の厚さ及びバリア層の厚さが、これら２つの層のためのターゲットの厚さと比較されうる。そのようなずれが識別される場合、次にフィードフォワードエンジン１２１は、ビット線金属層のターゲットの厚さを調整しうる。フィードフォワードエンジン１２１は、バリア金属層及びバリア層の測定された厚さに基づいて、ビット線金属層の新しいターゲットの厚さを決定するために、予測モデル１２３を使用しうる。例えば、バリア金属層が厚すぎ、バリア層が薄すぎる場合、次いでバリア層の厚さ及び／又はビット線金属層の厚さが適宜調整されうる（例えば、バリア層及びビット線金属層のターゲットの厚さの一方又は両方を増加及び／又は減少させることによって）。金属ビット線層を形成するためのプロセスレシピの新しいプロセスパラメータ値が決定され、第３のプロセスチャンバは、新しいターゲットの厚さを有する金属ビット線層を形成するために、調整されたプロセスレシピを実行しうる。

［００４０］基板は、金属ビット線層の厚さを決定するために、光学センサ１４７ａ～ｂによって再び測定されうる。その後、エンドオブライン性能測定の値を予測するために、金属バリア層、バリア層、及び金属ビット線層の厚さがフィードフォワードエンジン１２１によって使用されうる。予測値が仕様から外れた場合、最終検査で不合格になると予測される装置又は構成要素の製造を完了するために、追加のリソースを費やすよりも、基板を廃棄する決定が下されうる。追加的に又は代替的には、エンドオブラインの性能測定値が性能閾値を下回る場合、厚すぎる又は薄すぎる層を堆積させたプロセスチャンバは、サービスから外され、及び／又はメンテナンスが予定されうる。したがって、フィードフォワードエンジン１２１は、プロセスチャンバの健全性に関する診断を実行し、適切な場合にプロセスチャンバにメンテナンスが予定されうる。

［００４１］コントローラ１２０は、サーバ１４５に動作可能に接続されうる。サーバ１４５は、製作施設内のいくつかのツール又はすべてのツールとインターフェース接続するファクトリフロアサーバとして動作する計算装置であってもよく、これを含んでもよい。サーバ１４５は、クラスタツール１００などの１つ又は複数のクラスタツールのコントローラに指示を送信しうる。例えば、サーバ１４５は、クラスタツール１００のコントローラ１２０から信号を受信し、コマンドを送信しうる。

［００４２］様々な実施形態において、サーバ１４５は、パーソナルコンピュータ、サーバコンピュータ、プラグラム可能な論理制御装置（ＰＬＣ）、マイクロコントローラなどの計算装置でありうる及び／又はこれを含みうる。サーバ１４５は、１つ又は複数の処理装置を含んでいても（であっても）よく、その処理装置は、マイクロプロセッサ、中央処理装置などの汎用処理装置でありうる。より詳細には、処理装置は、複合命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、超長命令語（ＶＬＩＷ）マイクロプロセッサ、又は他の命令セットを実装するプロセッサ、又は命令セットの組み合わせを実装するプロセッサでありうる。また、処理装置は、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、ネットワークプロセッサなどの１つ又は複数の特殊用途処理装置であってもよい。サーバ１４５は、データ記憶装置（例えば、１つ又は複数のディスクドライブ及び／又はソリッドステートドライブ）、メインメモリ、スタティックメモリ、ネットワークインターフェース、及び／又は他の構成要素を含みうる。サーバ１４５の処理装置は、本明細書に記載された方法論及び／又は実施形態のいずれか１つ以上を実行するための命令を実行しうる。命令は、コンピュータ可読記憶媒体に記憶されてもよく、メインメモリ、スタティックメモリ、二次記憶及び／又は処理装置（命令の実行中）を含みうる。

［００４３］いくつかの実施形態では、サーバ１４５は、フィードフォワードエンジン１２１及び予測モデル１２３を含む。サーバ１４５は、フィードフォワードエンジン１２１及び予測モデル１２３を含むコントローラ１２０に加えて又はその代わりに、フィードフォワードエンジン１２１及び予測モデル１２３を含みうる。いくつかの実施形態では、コントローラ１２０及び／又はサーバ１４５は、図１０の計算装置１０００に対応する。

［００４４］いくつかの例では、基板上に１つ又は複数の膜を形成するために、第１のクラスタツール（例えば、クラスタツール１００）において基板上で１つ又は複数のプロセスが実行され、別のクラスタツールにおいて基板上で１つ又は複数のプロセス（例えば、基板上でリソグラフィプロセスを実行した後にオプションで実行されるエッチングプロセス）が実行されうる。予測されるエンドオブラインの性能を決定するために、及び／又は基板上で実行される１つ又は複数の更なるプロセスのための調整を行うために、第１のクラスタツール及び／又は第２のクラスタツール内で、光学測定が実行されうる。このような実施形態では、製造プロセスシーケンスにおいて既に実行されたプロセスを通して基板上に形成された１つ又は複数の層の測定された厚さに基づいて、まだ実行されていない１つ又は複数のプロセスのフィードフォワード制御を調整するために、サーバ１４５が両方のクラスタツールのコントローラと通信しうる。

［００４５］図１Ｂは、本開示の少なくともいくつかの実施形態による、基板製造、例えばポストポリプラグ製造のために構成されるクラスタツール１５０の図である。クラスタツール１５０は、真空移送チャンバ（ＶＴＭ）１６０、ファクトリインターフェース１６４、複数のチャンバ／モジュール１５２、１５４、１５６（その一部又は全部がプロセスチャンバであってもよい）、及びコントローラ１７０を含む。サーバ計算装置１４５はまた、クラスタツール１５０に（例えば、クラスタツール１５０のコントローラ１７０に）接続されうる。

［００４６］ファクトリインターフェース１６４は、クラスタツール１５０を使用して処理される、例えば前方開口型統一ポッド（ＦＯＵＰ）１６６ａ、１６６ｂ又は他の適切な基板含有ボックス又はキャリアから、１つ又は複数の基板を受け取るように構成される１つ又は複数のローディングポートを含む。

［００４７］ファクトリインターフェース１６４は、ローディングポートにロードされた基板を移送するために使用される大気圧移送モジュール（ＡＴＭ）を含む。より詳細には、ＡＴＭは、ローディングエリアからＡＴＭに基板を移送するように構成される１つ又は複数のロボットアームを含み、それを通してＡＴＭをローディングポートに接続する。また、ロボットアームは、ＡＴＭをロードロック１５８ａ～ｂに接続するドアを通して、ＡＴＭからロードロック１５８ａ～ｂに基板を移送するように構成される。ロードロック１５８ａ～ｂは、コントローラ１７０の制御の下、大気圧環境又は真空圧環境のいずれかに維持することができ、ＶＴＭ１６０に／から移送されている基板のための中間又は一時保持空間として機能する。ＶＴＭ１６０は、真空を破壊することなく、すなわち、ＶＴＭ１６０及び複数のチャンバ１５２、１５４、１５６内部の真空圧環境を維持しながら、ロードロック１５８ａ～ｂから複数の処理チャンバ１５２、１５４、１５６のうちの１つ以上に基板を移送するように構成されるロボットアーム１６２を含む。

［００４８］図示された実施形態では、光学センサ１５７ａ～ｂは、ロードロック１５８ａ～ｂを通過する基板上で光学測定を実行するために、ロードロック１５８ａ～ｂにそれぞれ配置される。代替的に又は追加的には、１つ又は複数の光学センサが、ＶＴＭ１６０内及び／又はチャンバ１５２、１５４、１５６のうちの１つに配置されうる。

［００４９］コントローラ１７０（例えば、ツール及び機器コントローラ）は、クラスタツール１５０の様々な態様、例えば、処理チャンバ内のガス圧力、個々のガス流、空間流量比、様々なチャンバ部品の温度、処理チャンバの高周波（ＲＦ）又は電気状態などを制御しうる。コントローラ１７０は、ロボットアーム１６２、プロセスチャンバ１５２、１５４、１５６、ロードロック１５８ａ～ｂ、光学センサ１５７ａ～ｂ、スリットバルブドア、１つ又は複数のセンサ、及び／又はクラスタツール１５０の他の処理構成要素といった、クラスタツール１５０の構成要素のいずれかから信号を受信して、そのいずれかにコマンドを送信しうる。このようにコントローラ１７０は、処理の開始及び停止を制御し、堆積速度、堆積組成物の種類又は混合、エッチング速度などを調整しうる。コントローラ１７０は、光学センサ１５７ａ～ｂなどの様々なセンサから測定データ（例えば、光学測定データ）を更に受信及び処理しうる。コントローラ１７０は、図１Ａのコントローラ１２０と実質的に類似であり、フィードフォワードエンジン１２１（例えば、予測モデル１２３を含みうる）を含みうる。

［００５０］コントローラ１７０は、サーバ１４５に動作可能に接続され、このサーバはまた、図１Ａのコントローラ１２０に動作可能に接続されうる。

［００５１］１つの例では、基板上に１つ又は複数の層を形成するために、クラスタツール１００の様々なプロセスチャンバ１０６、１１６、１１８、１１４、１１０、１１２、１０８によって、基板上で１つ又は複数のプロセスが実行される。１つ又は複数の層の厚さは、１つ又は複数の光学センサ１４７ａ～ｂを使用して測定されうる。１つ又は複数のこれから堆積される層のための層の厚さ、これから堆積される層を形成するためのプロセスのためのプロセスパラメータ及び／又は既に堆積された層をエッチングするためのプロセスのためのプロセスパラメータ値を決定するために、測定された厚さが、フィードフォワードエンジン１２１によって使用されうる。その後、基板はクラスタツール１００から取り出され、基板上のマスク層をパターニングするためにリソグラフィツール内に配置されうる。その後、基板はクラスタツール１５０内に配置されうる。その後、１つ又は複数の膜をエッチングするために、クラスタツール１５０のプロセスチャンバ１５２、１５４、１５６の１つ以上によって、基板上で１つ又は複数のエッチングプロセスが実行されうる。エッチングプロセスのための１つ又は複数のターゲットプロセスパラメータ値は、１つ又は複数の堆積層の測定された１つ又は複数の厚さに基づいて、フィードフォワードエンジン１２１によって出力された可能性がある。代替的に又は追加的には、多層スタックの１つ又は複数の層を堆積させるために、クラスタツール１５０のプロセスチャンバ１５２、１５４、１５６の１つ以上によって基板上で１つ又は複数の堆積プロセスが実行されうる。このような膜のターゲットの厚さは、堆積した１つ又は複数の層の測定された１つ又は複数の厚さに基づいて、フィードフォワードエンジン１２１によって出力された可能性がある。

［００５２］１つの実施形態では、クラスタツール１００及び／又はクラスタツール１５０のプロセスチャンバは、１つ又は複数のＤＲＡＭビット線スタックプロセス（例えば、ポストポリプラグ製造のための）を実行するように構成される。代替的には、クラスタツール１００及び／又はクラスタツール１５０は、３Ｄ ＮＡＮＤ堆積プロセスなどの他のプロセスを実行するように構成されうる。

［００５３］図２Ａは、実施形態による、ＤＲＡＭビット線形成プロセスにおける１つ又は複数のプロセスのフィードフォワード制御を実行する方法２２０のためのフローチャートである。図２Ｂは、実施形態による、ポリプラグ２０２、ＤＲＡＭビット線スタック２０１（バリア金属２０４、バリア層２０６、及びビット線金属層２０８を含む）、及びハードマスク層２１０を含む基板２００の一部の概略的側面図を示している。ポリプラグ２０２は、クラスタツール１００の外部に形成されうる。ＤＲＡＭビット線スタック２０１は、方法２２０に従って、ＤＲＡＭビット線スタック２０１の様々な層の堆積の間の真空を破壊せずに、クラスタツール１００の内部に形成されうる。

［００５４］方法２２０の工程２２５において、基板２００は、ローディングエリア１２４ａ～１２４ｃのうちの１つ以上を介して、ローディングポート１２２内にロードされうる。ＡＴＭ１２６のロボットアーム１２８は、コントローラ１２０の制御下で、ポリプラグ２０２を有する基板２００を、ローディングエリア１２４ａからＡＴＭ１２６に移送することができる。ロボットアーム１２８は、次に、基板２００をロードロック１３０ａ～ｂ内に配置することができ、ロードロックは、コントローラ１２０の制御下で真空になるまでポンプダウンされうる。その後、コントローラ１２０は、基板２００の製造が完了するように、すなわち、基板２００上のポリプラグ２０２の上部のビット線スタックプロセスが完了するように、ロボットアーム１３８に、基板３００を処理チャンバの１つ以上に移送するように指示することができる。

［００５５］工程２３０において、ロボットアーム１３８は、コントローラ１２０の制御下で、ロードロック１３０ａ～ｂから基板２００を取り出し、基板を前洗浄チャンバ（例えば、プロセスチャンバ１０６）内に配置することができる。ロードロックからプロセスチャンバ１０６への基板２００の移送は、真空破壊せずに実行することができる（すなわち、基板２００が前洗浄チャンバに移送される間、ＶＴＭ１０１及びＶＴＭ１０２内で真空圧環境が維持される）。１つ又は複数の前洗浄プロセスを実行し、基板２００上に存在しうる汚染物質、例えば、基板２００上に存在する可能性のある自然酸化、を除去するために、処理チャンバ１０６が使用されうる。

［００５６］工程２３５において、コントローラ１２０は、ドア１３６を開き、プロセスチャンバ１０８などのバリア金属堆積チャンバでありうる次の処理チャンバに基板２００を移送するよう、ロボットアーム１３８に指示する。プロセスチャンバ１０６からプロセスチャンバ１０８への基板２００の移送は、真空引きを行わずに実行されうる。次に、プロセスチャンバは、ポリプラグ２０２の上にバリア金属層２０４を形成するための堆積プロセスを実行する。バリア金属は、例えば、チタン（Ｔｉ）、タンタル（Ｔａ）のうちの１つでありうる。

［００５７］工程２４０において、コントローラ１２０は、プロセスチャンバ１０８から基板２００を取り除くよう、ロボットアーム１３８に指示し、バリア金属層２０４の光学測定値を生成し、バリア金属層２０４の厚さを決定するよう、光学センサ１４７ａ～ｂに指示する。例えば、コントローラ１２０は、ロボットアーム１３８に、処理チャンバ１０８から通過チャンバ１４０、１４２のいずれかに真空下で基板を移送するよう指示しうる。コントローラ１２０は、基板２００が通過チャンバ１４０、１４２内にある間に、バリア金属層２０４の光学測定値を生成するよう光学センサ１４７ａ～ｂに指示しうる。

［００５８］工程２４５において、コントローラ１２０は、バリア金属層２０２の測定された厚さに基づいて、バリア層２０６のターゲットの厚さを決定する。加えて、コントローラ１２０は、ビット線金属層２０８のターゲットの厚さを決定しうる。バリア層及び／又はバリア金属層のターゲットの厚さを決定することは、例えば、フィードフォワードエンジン１２１及び／又は予測モデル１２３などの訓練済みの機械学習モデルを用いて行われうる。工程２４０、２４５は、基板２００の真空破壊を行わずに実行できる。

［００５９］１つの実施形態では、工程２５０において、コントローラ１２０は、真空破壊を行わずに別のプロセスチャンバ（例えば、プロセスチャンバ１１６）に基板２００を移送するよう、ロボットアーム１３９に指示し、バリア金属層２０４でアニール工程を実行するよう、プロセスチャンバに指示する。いくつかの実施形態では、工程２４０及び／又は２４５は、工程２５０の後に実行されうる。アニーリングプロセスは、急速熱処理（ＲＴＰ）アニールなどの任意の適切なアニーリングプロセスでありうる。

［００６０］工程２５５において、コントローラ１２０は、真空破壊を行わずに、通過チャンバ１４０、１４２から、又はアニールプロセスチャンバ（例えば、プロセスチャンバ１１６）からバリア層堆積チャンバ（例えば、プロセスチャンバ１１０）に基板２００を移送するよう、ロボットアーム１３９に指示しうる。処理チャンバ１１０は、例えば、基板２００にバリア層堆積プロセスを実行する（例えば、バリア金属層２０４の上にバリア層２０６を堆積させる）ように構成されうる。バリア層２０６は、例えば、窒化チタン（ＴｉＮ）、窒化タンタル（ＴａＮ）、又は窒化タングステン（ＷＮ）のうちの１つでありうる。

［００６１］工程２６０において、コントローラ１２０は、バリア層堆積チャンバから基板２００を取り除くよう、ロボットアーム１３８又はロボットアーム１３９に指示し、バリア層２０６の光学測定値を生成し、バリア層２０６の厚さを決定するよう、光学センサ１４７ａ～ｂに指示する。例えば、コントローラ１２０は、ロボットアーム１３９に、処理チャンバ１０８から通過チャンバ１４０、１４２のいずれかに真空下で基板を移送するよう指示しうる。コントローラ１２０は、基板２００が通過チャンバ１４０、１４２内にある間に、バリア層２０６の光学測定値を生成するよう光学センサ１４７ａ～ｂに指示しうる。

［００６２］工程２６５において、コントローラ１２０は、バリア層２０６の測定された厚さ及びバリア金属層２０４の測定された厚さに基づいて、ビット線金属層２０８のターゲットの厚さを決定する。ビット線金属層２０８のターゲットの厚さの決定は、例えば、フィードフォワードエンジン１２１及び／又は予測モデル１２３のような訓練済みの機械学習モデルを用いて行われうる。工程２６０、２６５は、基板２００の真空破壊を行わずに実行できる。

［００６３］工程２７０において、コントローラ１２０は、真空破壊せずに、処理チャンバ１１０から、例えばビット線金属堆積プロセスチャンバ（例えば、処理チャンバ１１２）へ、基板２００を移送するよう、ロボットアーム１３９に指示しうる。ビット線金属堆積チャンバは、基板２００にビット線金属堆積プロセスを実行する（例えば、バリア層２０６の上にビット線金属層２０８を堆積させる）ように構成されうる。ビット線金属層は、例えば、タングステン（Ｗ）、モリブデン（Ｍｏ）、ルテニウム（Ｒｕ）、イリジウム（Ｉｒ）、ロジウム（Ｒｈ）のうちの１つでありうる。

［００６４］工程２７５において、コントローラ１２０は、ビット線金属層堆積チャンバから基板２００を取り除くよう、ロボットアーム１３９に指示し、ビット線金属層２０８の光学測定値を生成し、ビット線金属層２０８の厚さを決定するよう、光学センサ１４７ａ～ｂに指示する。例えば、コントローラ１２０は、ロボットアーム１３９に、処理チャンバ１１２から通過チャンバ１４０、１４２のいずれかに真空下で基板を移送するよう指示しうる。コントローラ１２０は、基板２００が通過チャンバ１４０、１４２内にある間に、ビット線金属層２０８の光学測定値を生成するよう、光学センサ１４７ａ～ｂに指示しうる。

［００６５］工程２８０において、コントローラ１２０は、金属ビット線層２０８の測定された厚さ、バリア層２０６の測定された厚さ、及びバリア金属層２０４の測定された厚さに基づいて、エンドオブライン性能測定の値を予測する。エンドオブライン性能測定値の決定は、例えば、フィードフォワードエンジン１２１及び／又は予測モデル１２３などの訓練済みの機械学習モデルを用いて行われうる。工程２７５、２８０は、基板２００の真空破壊を行わずに実行できる。

［００６６］１つの実施形態では、工程２８５において、コントローラ１２０は、真空破壊を行わずに、アニーリングプロセスチャンバ（例えば、プロセスチャンバ１１６）に基板２００を移送するよう、ロボットアーム１３９に指示し、ビット線金属層２０８でアニール工程を実行するよう、プロセスチャンバに指示する。いくつかの実施形態では、工程２７５及び／又は２８０は、工程２８５の後に実行されうる。アニーリングプロセスは、急速熱処理（ＲＴＰ）アニールなどの任意の適切なアニーリングプロセスでありうる。

［００６７］アニール工程が工程２８５で実行されるいくつかの実施形態では、工程２９０で、ビット線金属層２０８上にオプションのキャッピング層２０９を堆積させるために、アニールされた基板２００が別の処理チャンバに移送されうる。例えば、ビット線金属層２０８を含むアニールされた基板２００は、アニールされたビット線金属層２０８の上にキャッピング層を堆積させるために、例えばロボットアーム１３９を用いて、アニーリングチャンバ（例えば、処理チャンバ１１６）からキャッピング層堆積チャンバ（例えば、処理チャンバ１１８）へ真空下で移送されうる。

［００６８］工程２９５において、コントローラ１２０は、真空破壊せずに、ハードマスク堆積チャンバ（例えば、処理チャンバ１１４など）に基板２００を移送するよう、ロボットアーム１３９に指示しうる。ハードマスク堆積チャンバは、基板２００にハードマスク堆積プロセスを実行する（例えば、ビット線金属層２０８及び／又はキャップ層２０９の上にハードマスク層２１０を堆積させる）ように構成される。ハードマスクは、例えば、窒化ケイ素（ＳｉＮ）、酸化ケイ素（ＳｉＯ）、炭化ケイ素（ＳｉＣ）のうちの１つでありうる。

［００６９］統合ツール（例えば、クラスタツール１００）において上記シーケンスの各々を実行することにより、粒成長のためのアニール中のビット線金属の酸化が更に有利に回避される。

［００７０］ＤＲＡＭビット線スタック及びハードマスク層２１０が形成された後に、基板２００はクラスタツール１００から取り出され、ハードマスク２１０にパターンを形成するために、リソグラフィツールを使用して処理されうる。その後、基板はクラスタツール１５０に移送され、クラスタツール１５０は、ＤＲＡＭビット線スタックの１つ又は複数の層をエッチングするために１つ又は複数のエッチング処理を実行しうる。いくつかの実施形態では、工程２８０において、コントローラ１２０は、更に、金属バリア層、バリア層及び／又は金属ビット線層の厚さに基づいて、ＤＲＡＭビット線スタック上で実行されるエッチングプロセスのための１つ又は複数のプロセスパラメータ値を決定する。これらのプロセスパラメータ値は、コントローラ１７０に伝達されうる。次いで、コントローラ１７０は、決定された１つ又は複数のエッチングプロセスパラメータ値を使用して、エッチングプロセスを実行するよう、エッチングプロセスチャンバ（例えば、プロセスチャンバ１５２又は１５４）に指示しうる。

［００７１］方法２２０は、従来の処理技術を使用して形成されたＤＲＡＭビット線スタックと比較して、改善されたエンドオブライン性能特性を有するＤＲＡＭビット線スタックをもたらしうる。

［００７２］図３は、本開示の１つの態様による、クラスタツールにおける基板上の層の厚さを測定するための光学センサシステム３００の簡略化した側面図を示している。光学センサシステムは、例えば、実施形態における図１Ａ～Ｂの光学センサ１４７ａ～ｂ、１５７～ｂに対応しうる。システム３００は、例えば、チャンバ３０３を含んでもよく、このチャンバは、移送チャンバ（例えば、ＶＴＭ１０１、１０２）、ロードロックチャンバ１３０ａ～ｂ、通過チャンバ１４０、１４２、又はクラスタツールの他のチャンバであってもよい。１つの実施形態では、チャンバ３０３は、クラスタツールのファセット（例えば、ＶＴＭのファセットに）に取り付けられた測定チャンバである。

［００７３］チャンバ３０３は、真空圧にある内部空間を含み、これは、１つ又は複数のＶＴＭ（例えば、ＶＴＭ１０１、１０２）の真空環境の一部でありうる。チャンバ３０３は、窓３２０を含みうる。窓３２０は、例えば、透明な結晶、ガラス、又は他の透明な材料でありうる。透明な結晶は、透明なセラミック材料で作られてもよく、又はサファイア、ダイヤモンド、石英、炭化ケイ素、又はこれらの組み合わせなどの耐久性のある透明な材料で作られてもよい。

［００７４］実施形態では、システム３００は、光源３０１（例えば、広帯域光源又は他の電磁放射源）、光結合装置３０４（例えば、コリメータ又はミラー）、分光計３２５、コントローラ１２０、１７０、及びオプションでサーバ１４５を更に含む。光源３０１及び分光計３２５は、１つ又は複数の光ファイバのケーブル３３２を通して、光結合装置３０４に光学結合されうる。

［００７５］様々な実施形態において、光結合装置３０４は、光路に沿った２方向の光をコリメートするか、又は他の方法で伝送するように適合されうる。第１の方向は、コリメートされ、窓３２０を通してチャンバ３０３内に透過されることになる光源３０１からの光を含みうる。第２の方向は、基板３０４から反射され、窓３２０を再び通過し、光結合装置３０４内に戻る反射光でありうる。反射光は、光ファイバのケーブル３３２内に集光され、その結果、光路に沿った第２の方向で分光計３２５に方向付けられうる。更に、光ファイバのケーブル３３２は、光源３０１から、透明な結晶１２０へ、そして分光計３２５に戻るまでの光の効率的な伝達のために、分光計３２５と光源３０１との間に結合されうる。

［００７６］実施形態では、光源は約２００～８００ｎｍのスペクトルで光を放出し、分光計３２５も２００～８００ｎｍの波長域を有する。分光計３２５は、光結合装置３０４から受け取った反射光、例えば、チャンバ３０３内の基板から反射して窓３２０を通って戻り、光結合装置３０４によって光ファイバのケーブル３３２内に集光された光、のスペクトルを検出するように適合されうる。

［００７７］コントローラ１２０、１７０は、光源３０１、分光計３２５と、チャンバ３０３の両方に結合されうる。

［００７８］１つの実施形態では、コントローラ１２０、１７０は、光源３０１に、点滅した後に、分光計３２５から光スペクトルを受け取るよう指示しうる。また、コントローラ１２０、１７０は、光源３０１がオフのときに、光源をオフのままにして、分光計３２５から第２のスペクトルを受け取りうる。コントローラ１２０、１７０は、ある瞬間の反射計測信号（ｒｅｆｌｅｃｔｏｍｅｔｒｙ ｓｉｇｎａｌ）を決定するために、第１のスペクトルから第２のスペクトルを減算しうる。次いで、コントローラ１２０、１７０は、測定される薄膜の１つ又は複数の光学薄膜特性を決定するために、反射計測信号を１つ又は複数の薄膜モデルに数学的に適合させうる。

［００７９］いくつかの実施形態では、１つ又は複数の光学薄膜特性は、膜の厚さ、屈折率（ｎ）、及び／又は消光係数（ｋ）値を含みうる。屈折率とは、真空中の光の速度対膜中の光の速度の比である。消光係数は、膜内に光がどれだけ吸収されるかを示す尺度である。コントローラ１２０、１７０は、ｎ値及びｋ値を用いて、膜の組成を決定しうる。コントローラ１２０、１７０は、膜の１つ又は複数の特性のデータを分析するように更に構成されうる。次いで、コントローラ１２０、１７０は、フィードフォワードエンジンを用いて、本明細書で上述したように、堆積される層のターゲットの厚さ値、堆積プロセス及び／又はエッチングプロセスのターゲットプロセスパラメータ値、及び／又はエンドオブライン性能特性を決定しうる。あるいは、サーバ１４５は、フィードフォワードエンジンを用いて、本明細書で上述したように、堆積プロセス及び／又はエッチングプロセスのターゲットプロセスパラメータ値、及び／又はエンドオブライン性能特性を決定しうる。

［００８０］実施形態は、追加の層のターゲットの厚さ、実行される追加のプロセスのためのプロセスパラメータ値、及び／又はエンドオブライン性能特性を決定するために、１つ又は複数の層の特定の特性（すなわち、厚さ）を用いて参照しつつ本明細書で議論されることに留意されたい。しかしながら、光学測定に基づいて決定することができる堆積層の他の層特性（例えば、屈折率ｎ及び／又は消光係数ｋなど）が、追加の層のターゲットの厚さ、実行される追加のプロセスのためのプロセスパラメータ値及び／又はエンドオブライン性能特性を決定するために厚さの代わりに又は厚さに加えて用いられうることを理解すべきである。したがって、本明細書において厚さ測定値の使用に関するいかなる言及も、厚さ測定値のみの使用、又は屈折率及び／又は消光係数を伴う厚さ測定値の使用に適用されると理解すべきである。加えて、屈折率及び／又は消光係数などの他の光学的に測定可能な膜特性が、本明細書の実施形態における厚さ測定の代わりになりうることを理解されたい。

［００８１］図４は、実施形態による、プロセスシーケンスにおける１つ又は複数の既に実行されたプロセスから得られる膜の光学測定値に基づいて、多層スタックのためのプロセスシーケンスにおける１つ又は複数の下流プロセスのフィードフォワード制御を実行する方法４００のためのフローチャートである。

［００８２］方法４００の工程４１０において、基板上に多層スタックの第１の層を形成するために、第１の製造プロセスが第１のプロセスチャンバ内の基板上で実行される。いくつかの実施形態では、第１の層の下の基板上に追加の層が存在する。その後、基板がプロセスチャンバから取り出されうる。

［００８３］工程４１５において、基板上で光学測定を実行し、第１の層の第１の厚さを測定するために、光学センサが使用される。追加的に又は代替的には、屈折率及び／又は消光係数といった、第１の層の１つ又は複数の他の特性が、光学センサを使用して測定されうる。

［００８４］工程４２０において、計算装置（例えば、コントローラ又はサーバ）は、第１の厚さ（及び／又は第１の層の１つ又は複数の他の測定特性）に基づいて、多層スタックの１つ又は複数の残りの層のためのターゲットの厚さを決定する。追加的に又は代替的には、計算装置は、第１の厚さ（及び／又は第１の層の１つ又は複数の他の測定された特性）に基づいて、１つ又は複数の残りの層のための１つ又は複数の他のターゲット特性（例えば、ターゲット屈折率、ターゲット表面粗さ、ターゲット平均粒径、ターゲット粒配向など）を決定しうる。追加的に又は代替的には、工程４２０において、計算装置は、１つ又は複数の残りの層を形成するために実行されることになるプロセスのためのターゲットプロセスパラメータ値を決定しうる。例えば、計算装置は、決定されたターゲット層の厚さをほぼもたらすことになるように実行される１つ又は複数の堆積プロセスについて、堆積時間、ガス流量、温度、圧力、プラズマ出力などのプロセスパラメータのためのプロセスパラメータ値を決定しうる。加えて、計算装置は、測定された厚さを有し、１つ又は複数の残りの層のターゲットの厚さを有する多層スタックを含む装置又は構成要素のための１つ又は複数のエンドオブライン性能測定値を予測しうる。予測エンドオブライン性能測定値が性能閾値を下回る場合、いくつかの実施形態では、基板はスクラップ又は再加工されうる。追加的に又は代替的には、予測エンドオブライン性能測定値が性能閾値を下回る場合、第１の層を堆積させたプロセスチャンバは、メンテナンスが予定されうる。実施形態において、第１の層の測定された厚さ（及び／又は他の特性）を予測モデル１２３に入力することによって、工程４２０が実行されうる。

［００８５］工程４２５において、処理ロジックは、多層スタックの第２の層を形成するために実行される第２の製造プロセスに関する１つ又は複数のプロセスパラメータのプロセスパラメータ値を決定する。１つの実施形態では、プロセスパラメータ値は、ターゲットの厚さ（及び／又は堆積させる次の層の他のターゲット特性）を表、関数又はモデルに入力することによって決定される。表、関数、又はモデルは、ターゲットの厚さ（及び／又は他の層特性）を受信し、プロセスパラメータ値を出力しうる。１つの実施形態では、モデルは、層の入力ターゲットの厚さ及び／又は他の入力ターゲット特性に基づいてレシピのプロセスパラメータ値を出力するように訓練されたニューラルネットワーク（例えば、畳み込みニューラルネットワーク）又は回帰モデルのような、訓練済みの機械学習モデルである。１つの実施形態では、ターゲットプロセスパラメータ値は、工程４２０で決定された。

［００８６］工程４３０において、基板は第２のプロセスチャンバに移送され、第２のプロセスチャンバは、決定されたプロセスパラメータ値を使用して基板上で第２の製造プロセスを実行し、基板上に多層スタックの第２の層を形成する。その後、基板は第２のプロセスチャンバから取り出されうる。

［００８７］工程４３５において、基板上で光学測定を実行し、第２の層の実際の第２の厚さを測定するために、光学センサが使用される。追加的に又は代替的には、屈折率や消光係数といった、第２の層の１つ又は複数の他の特性が、光学センサを用いて測定されうる。

［００８８］工程４４０において、計算装置（例えば、コントローラ又はサーバ）は、第１の層の第１の厚さ及び第２の層の実際の第２の厚さ（及び／又は第１の層及び第２の層の１つ又は複数の他の測定された特性）に基づいて、多層スタックの１つ又は複数の残りの層のためのターゲットの厚さを決定する。追加的に又は代替的には、計算装置は、第１の厚さ（及び／又は第１の層の１つ又は複数の他の測定された特性）及び実際の第２の厚さ（及び／又は第２の層の１つ又は複数の他の測定された特性）に基づいて、１つ又は複数の残りの層のための１つ又は複数の他のターゲット特性（例えば、ターゲット屈折率、ターゲット表面粗さ、ターゲット平均粒径、ターゲット粒配向など）を決定しうる。追加的に又は代替的には、工程４４０において、計算装置は、１つ又は複数の残りの層を形成するために実行されることになるプロセスのためのターゲットプロセスパラメータ値を決定しうる。例えば、計算装置は、決定されたターゲット層の厚さをほぼもたらすことになるように実行される１つ又は複数の堆積プロセスについて、堆積時間、ガス流量、温度、圧力、プラズマ出力などのプロセスパラメータのためのプロセスパラメータ値を決定しうる。加えて、計算装置は、測定された第１の厚さ及び第２の厚さを有し、１つ又は複数の残りの層のターゲットの厚さを有する多層スタックを含む装置又は構成要素のための１つ又は複数のエンドオブライン性能測定値を予測しうる。予測されるエンドオブライン性能測定値が性能閾値を下回る場合、次に基板は、いくつかの実施形態において、スクラップ又は再加工され、及び／又は第２のプロセスチャンバは、メンテナンスが予定されうる。工程４４０は、実施形態において、第１及び第２の層の測定された厚さ（及び／又は他の特性）を予測モデル１２３に入力することによって実行されうる。いくつかの実施形態では、工程４２０及び４４０で、同じ訓練済みの機械学習モデルが使用される。代替的には、工程４２０と４４０で、異なる訓練済みの機械学習モデルが使用されてもよい。例えば、工程４２０で使用される訓練済みの機械学習モデルは、単一の厚さのみを受け取るように訓練され、工程４４０で使用される訓練済みの機械学習モデルは、２つの厚さ値を受け取るように訓練されうる。

［００８９］多層スタックが２つの層を含む１つの実施形態では、工程４４０において、計算装置は、予測エンドオブライン性能測定値を決定するが、残りの任意の層のためのターゲットの厚さを決定しない。そのような実施形態では、方法４００は、工程４４０で終了しうる。

［００９０］工程４４５において、処理ロジックは、多層スタックの第３の層を形成するために実行される第３の製造プロセスのための１つ又は複数のプロセスパラメータのプロセスパラメータ値を決定しうる。１つの実施形態では、プロセスパラメータ値は、ターゲットの厚さ（及び／又は堆積させる次の層の他のターゲット特性）を表、関数又はモデルに入力することによって決定される。表、関数、又はモデルは、ターゲットの厚さ（及び／又は他の層特性）を受信し、プロセスパラメータ値を出力しうる。１つの実施形態では、モデルは、層の入力ターゲットの厚さ及び／又は他の入力ターゲット特性に基づいてレシピのプロセスパラメータ値を出力するように訓練されたニューラルネットワーク（例えば、畳み込みニューラルネットワーク）又は回帰モデルのような、訓練済みの機械学習モデルである。１つの実施形態では、ターゲットプロセスパラメータ値は、工程４４０で決定された。

［００９１］工程４５０において、基板は第３のプロセスチャンバに移送され、第３のプロセスチャンバは、決定されたプロセスパラメータ値を使用して基板上で第３の製造プロセスを実行し、基板上に多層スタックの第３の層を形成する。その後、第３のプロセスチャンバから基板が取り出されうる。

［００９２］工程４５５において、基板上で光学測定を実行し、第３の層の実際の第３の厚さを測定するために、光学センサが使用される。追加的に又は代替的には、屈折率及び／又は消光係数など、第３の層の１つ又は複数の他の特性が、光学センサを用いて測定されうる。

［００９３］工程４６０において、計算装置（例えば、コントローラ又はサーバ）は、第１の層の第１の厚さ、第２の層の測定された第２の厚さ及び第３の層の測定された第３の厚さ（及び／又は第１の層、第２の層及び第３の層の１つ又は複数の他の測定された特性）に基づいて、予測エンドオブライン性能測定値を決定する。エンドオブライン性能測定値が性能閾値を下回る場合、次に基板は、いくつかの実施形態では、スクラップ又は再加工されうる。工程４６０は、実施形態において、第１の層、第２の層及び第３の層の測定された厚さ（及び／又は他の特性）を予測モデル１２３に入力することによって実行されうる。いくつかの実施形態では、工程４２０、４４０及び４６０において、同じ訓練済みの機械学習モデルが使用される。代替的には、工程４２０、４４０、４６０において、異なる訓練済みの機械学習モデルが使用されてもよい。第３の層の後に堆積される追加の層がある場合、次に工程４６０において、計算装置は、追加的に又は代替的には、次の層のためのターゲットの厚さ及び／又はターゲットの厚さを達成するためのターゲットプロセスパラメータ値を決定しうる。次に、工程４５０～４６０と類似の工程が、次の層について実行されうる。

［００９４］図５は、実施形態による、１つ又は複数の既に実行された堆積プロセスから得られる膜の光学測定値に基づいて、プロセスシーケンスにおける下流エッチングプロセスのフィードフォワード制御を実行する方法５００のためのフローチャートである。

［００９５］方法５００の工程５１０において、基板上に層を形成するために、第１のプロセスチャンバ内の基板上で第１の製造プロセスが実行される。いくつかの実施形態では、第１の層の下の基板上に追加の層が存在する。いくつかの実施形態では、層は、多層スタックの層である。その後、基板がプロセスチャンバから取り出されうる。

［００９６］工程５１５において、基板上で光学測定を実行し、第１の層の第１の厚さを測定するために、光学センサが使用される。追加的に又は代替的には、屈折率及び／又は消光係数といった、第１の層の１つ又は複数の他の特性が、光学センサを使用して測定されうる。

［００９７］工程５２０において、計算装置（例えば、コントローラ又はサーバ）は、第１の厚さ（及び／又は第１の層の１つ又は複数の他の測定された特性）に基づいて、堆積層上で実行されるエッチングプロセスの１つ又は複数のプロセスパラメータのためのターゲットプロセスパラメータ値を決定する。加えて、計算装置は、層を含む装置又は構成要素のための１つ又は複数のエンドオブライン性能測定値を予測しうる。予測されるエンドオブライン性能測定値が性能閾値を下回る場合、次に、いくつかの実施形態では、基板がスクラップ又は再加工され、及び／又はプロセスチャンバにメンテナンスが予定されうる。工程５２０は、実施形態において、層の測定された厚さ（及び／又は他の特性）を予測モデル１２３に入力することによって実行されうる。

［００９８］工程５３０において、基板は、第２のプロセスチャンバ（例えば、エッチングプロセスチャンバ）に移送され、第２のプロセスチャンバは、決定されたプロセスパラメータ値を使用して基板上でエッチングプロセスを実行し、層をエッチングする。一例では、工程５１０で堆積された層は、ターゲットの厚さよりも厚かった可能性があり、エッチングプロセスのためのｎエッチング時間は、より厚い層に対応するために増加される可能性がある。その後、基板は第２のプロセスチャンバから取り出されうる。

［００９９］工程５３５において、基板上で光学測定を実行し、層のエッチング後の厚さを測定するために、光学センサがオプションで使用されうる。追加的に又は代替的には、光学センサを使用して、層の１つ又は複数の他のエッチング後の特性が測定されうる。

［００１００］工程５４０において、計算装置（例えば、コントローラ又はサーバ）は、層の厚さ及び／又は層のエッチング後の厚さ（及び／又は層の１つ又は複数の他の測定特性）に基づいて、予測されるエンドオブライン性能測定値を決定しうる。予測エンドオブライン性能測定値が性能閾値を下回る場合、いくつかの実施形態では、基板はスクラップ又は再加工されうる。工程５４０は、実施形態において、層の測定された厚さ（及び／又は他の特性）を予測モデル１２３に入力することによって実行されうる。いくつかの実施形態では、工程５２０及び５４０で、同じ訓練済みの機械学習モデルが使用される。代替的には、工程５２０と５４０で、異なる訓練済みの機械学習モデルが使用されてもよい。

［００１０１］図６は、実施形態による、プロセスシーケンスにおける１つ又は複数の既に実行されたプロセスから得られる膜の光学測定値に基づいて、プロセスシーケンスにおける１つ又は複数の下流プロセスのフィードフォワード制御を実行する方法６００のためのフローチャートである。

［００１０２］方法６００の工程６０５において、基板上に層を形成するために、第１のプロセスチャンバ内の基板上で第１の製造プロセスが実行される。いくつかの実施形態では、第１の層の下の基板上に追加の層が存在する。

［００１０３］工程６１０において、基板上で光学測定を実行し、第１の層の第１の厚さを測定するために、光学センサが使用される。追加的に又は代替的には、屈折率及び／又は消光係数といった、第１の層の１つ又は複数の他の特性が、光学センサを使用して測定されうる。

［００１０４］工程６１５において、計算装置（例えば、コントローラ又はサーバ）は、第１の厚さ（及び／又は第１の層の１つ又は複数の他の測定特性）に基づいて、基板上で実行される１つ又は複数の将来のプロセスのための１つ又は複数のプロセスパラメータ値を決定する。基板上に更なる層が堆積される場合、計算装置はまた、オプションで、１つ又は複数の残りの層のターゲットの厚さを決定しうる。追加的に又は代替的には、計算装置は、第１の厚さ（及び／又は第１の層の１つ又は複数の他の測定された特性）に基づいて、１つ又は複数の残りの層のための１つ又は複数の他のターゲット特性（例えば、ターゲット屈折率、ターゲット表面粗さ、ターゲット平均粒径、ターゲット粒配向など）を決定しうる。加えて、計算装置は、測定された厚さを有する第１の層を含む装置又は構成要素のための１つ又は複数のエンドオブライン性能測定値を予測しうる。予測されるエンドオブライン性能測定値が性能閾値を下回る場合、次に基板はスクラップ又は再加工され、及び／又は基板上に第１の層を堆積させたプロセスチャンバには、いくつかの実施形態において、メンテナンスが予定されうる。実施形態において、第１の層の測定された厚さ（及び／又は他の特性）を予測モデル１２３に入力することによって、工程６１５が実行されうる。

［００１０５］工程６２０において、基板は第２のプロセスチャンバに移送され、第２のプロセスチャンバは、決定されたプロセスパラメータ値を使用して、基板上で第２の製造プロセスを実行する。第２の製造プロセスは、例えば、堆積プロセス、エッチングプロセス、アニールプロセス、又はいくつかの他のプロセスでありうる。例えば、第２の製造プロセスは、基板上に多層スタックの第２の層を形成するための堆積プロセスでありうる。

［００１０６］工程６２５において、光学センサは、第２の製造プロセスの完了後に基板上で光学測定を実行するために使用されうる。第２のプロセスが堆積プロセスである場合、次に光学測定は、追加の堆積層の１つ以上の特性（例えば、厚さ）を測定しうる。

［００１０７］工程６３０において、計算装置（例えば、コントローラ又はサーバ）は、第１の層の第１の厚さ及び工程６２５で決定された基板の光学測定値（例えば、第２の層の第２の厚さ）に基づいて、基板上で実行される１つ又は複数の更なるプロセスのプロセスパラメータについての１つ又は複数のプロセスパラメータ値を決定しうる。追加的に又は代替的には、計算装置は、エンドオブライン性能測定の予測値を決定しうる。予測されるエンドオブライン性能測定値が性能閾値を下回る場合、次に基板は、いくつかの実施形態において、スクラップ又は再加工され、及び／又は第２のプロセスチャンバは、メンテナンスが予定されうる。工程６３０は、実施形態において、第１及び／又は第２の層の測定された厚さ（及び／又は他の特性）を予測モデル１２３に入力することによって実行されうる。

［００１０８］工程６３５において、処理ロジックは、その結果が光学センサを使用して測定される追加のプロセスが実行されるかどうかを決定する。追加のプロセスが実行される場合、方法はブロック６２０に戻り、次のプロセスが次のプロセスチャンバで実行される。追加のプロセスが実行されない場合、方法は工程６４０に進む。工程６４０では、装置又は構成要素がいったん完成すると（又は１つ又は複数の性能測定が測定できる完成段階に達すると）、エンドオブライン性能測定を決定するための測定が行われる。例えば、装置のセンシングマージン及び／又は他の電気的特性が測定されうる。工程６１０及び／又は６２５で決定された測定結果とともに、測定されたエンドオブライン性能測定値の結果は、その後、工程６１５及び６３０で使用された機械学習モデルを更に訓練するために使用されうる。例えば、予測モデル１２３は、新しい製品ロットが完成すると、継続的に訓練されうる。その結果、予測モデル１２３の精度は、時間の経過とともに向上し続ける可能性がある。

［００１０９］図７は、プロセスシーケンス内の１つ又は複数のプロセスによって形成された１つ又は複数の層の光学測定値に基づいて、プロセスシーケンス内の下流プロセスを制御するために使用される機械学習モデルの訓練を更新する方法７００のためのフローチャートである。方法７００は、例えば、予測モデル１２３を定期的に再訓練するために使用されうる。方法７００は、ハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせを含みうる処理ロジックによって実行されうる。実施形態では、方法７００は、図１Ａ～Ｂのコントローラ１２０、１７０及び／又はサーバ１４５によって実行される。

［００１１０］方法７００の動作７０５において、エンドオブライン性能測定値を決定するために、多層スタックを含む装置又は構成要素上で、ラインエンドオブライン測定が行われる。工程７１０において、処理ロジックは、多層スタックにおける１つ又は複数の層の膜の厚さを決定する。各々のそれぞれの層の厚さは、その層の堆積後に測定されたものでありうる。例えば、層の厚さは、方法４００～６００のいずれかに従って測定されたものでありうる。工程７１５において、処理ロジックは、１つ又は複数の層の膜の厚さと、エンドオブライン性能測定値とを含む訓練データ項目を生成する。工程７２０において、処理ロジックは、次に、機械学習モデルの訓練を更新するために、訓練データ項目を使用して、訓練済みの機械学習モデル（例えば、予測モデル１２３）に対して教師あり学習を実行する。

［００１１１］図８は、実施形態による、基板上に１つ又は複数の層を形成する製造プロセスシーケンスに関連する実験計画（ｄｅｓｉｇｎ ｏｆ ｅｘｐｅｒｉｍｅｎｔ：ＤｏＥ）を実行する方法８００のためのフローチャートである。特定のシーケンス又は順序で表示されているが、特に指定がない限り、処理の順序は変更可能である。したがって、図示された実施形態は例としてのみ理解されるべきであり、図示されたプロセスは異なる順序で実行することができ、いくつかのプロセスは並行して実行することができる。加えて、様々な実施形態において、１つ又は複数のプロセスは省略することができる。したがって、すべての実施形態において、すべてのプロセスが実行されるわけではない。その他のプロセスフローも可能である。

［００１１２］方法８００の工程８０５において、製造プロセスのシーケンスの複数のバージョンが実行される。製造プロセスのシーケンスの各バージョンは、シーケンス内の１つ又は複数のプロセスのためのプロセスパラメータ値の異なる組み合わせを使用し、層の厚さの異なる組み合わせを有する多層スタックをもたらす。１つの実施形態では、多層スタックはＤＲＡＭビット線スタックであり、ＤＲＡＭビット線スタックの各バージョンは、バリア金属層、バリア層及びビット線金属層のための層の厚さの異なる組み合わせを有している。いくつかの例では、多層スタックのための層の厚さの組み合わせの最適値が先験的に知られており、層の厚さのその最適な組み合わせ、並びに層の厚さの１つ又は複数が最適な厚さを上回る及び／又は下回る層の厚さの１つ又は複数の追加の組み合わせが試験されうる。例えば、ＤＲＡＭのビット線スタックについて、最適な層の厚さは、金属バリア層では２ｎｍ、バリア層では３ｎｍ、金属ビット線層では２０ｎｍでありうる。ＤＲＡＭビット線スタックの異なるバージョンが生成されうる。いくつかのバージョンは、最適な厚さを上回る又は下回る厚さの１つだけを変化させ、いくつかのバージョンは、最適な厚さを上回る及び／又は下回る厚さの２つを変化させ、いくつかのバージョンは、最適な厚さを上回る及び／又は下回る厚さの３つすべてを変化させる。１つの例として、ある範囲の厚さの組み合わせを有する多層スタックを製造するために、約３００の基板が処理される。製造プロセスのシーケンスのバージョンの各々について、試験可能な装置又は構成要素を製造するために、１つ又は複数の更なるプロセスが基板上で実行されうる。

［００１１３］工程８１０において、製造プロセスシーケンスのバージョンのうちの１つが選択される。

［００１１４］工程８１５において、製造プロセスのシーケンスの選択されたバージョンを使用して製造された代表基板上で、１つ又は複数の測定が実行され、代表基板上の多層スタックの１つ又は複数の層の特性を決定する。例えば、基板上の多層スタックの各層の厚さを決定するために、破壊的計測測定が実行されうる。代替的には、多層スタックの製造中にインラインで測定が行われてもよい（例えば、層が形成された後に、多層スタックの各層の非破壊光学測定を実行することによって）。

［００１１５］工程８２０において、選択された製造プロセスのシーケンスを使用して形成された多層スタックを有する基板を使用して、装置又は構成要素が製造されうる。いくつかの実施形態では、工程８２０は工程８１０の前に実行される。形成されうる装置の例は、ＤＲＡＭメモリモジュール及び３Ｄ ＮＡＮＤメモリモジュールを含む。

［００１１６］工程８２５において、選択されたバージョンの製造プロセスによって形成された多層スタックを含む製造された装置又は構成要素について、１つ又は複数のエンドオブライン性能測定が測定される。性能測定は、センシングマージン、電圧、電力、装置速度、装置の待ち時間、歩留まり、及び／又は他の性能パラメータを含みうる。いくつかの実施形態では、装置又は構成要素の１つ又は複数の電気的特性を決定するために、装置又は構成要素に対して１つ又は複数の電気的測定が実行される。電気的特性は、装置又は構成要素のエンドオブライン性能測定に対応しうるか、又はエンドオブライン性能測定でありうる。例えば、センシングマージンは、メモリユニット用のゲートに供給される電圧のうち、実際にゲートで検出される電圧の割合である。より大きなセンシングマージンは、より小さなセンシングマージンよりも優れている。これは、より大きなセンシングマージンを有する装置が、より少ない電圧で機能しうる（例えば、ゲートの状態を変化させるために、メモリユニットのゲートに、より小さな電圧が印加されうる）からである。

［００１１７］工程８３０で、製造プロセスのシーケンスの選択されたバージョンについて、データ項目が生成される。データ項目は、多層スタックの各層についての層の厚さと、１つ又は複数のエンドオブライン性能測定値とを含む訓練データ項目でありうる。

［００１１８］工程８３５において、まだ試験されていない（及びデータ項目がまだ生成されていない）製造プロセスのシーケンスの残りのバージョンがあるかどうかについての判定が行われる。製造プロセスのシーケンスの未試験のバージョンがまだ残っている場合、方法は工程８１０に戻り、製造プロセスのシーケンスの新しいバージョンが選択され試験される。製造プロセスのシーケンスのバージョンのすべてが試験された場合、本方法は工程８４０に続く。

［００１１９］工程８４０において、訓練データセットが生成される。訓練データセットは、製造プロセスのシーケンスのバージョンの各々について生成されたデータ項目を含む。

［００１２０］図９は、実施形態による、製造プロセスシーケンスにおける１つ又は複数のプロセスによって形成される１つ又は複数の層の厚さ値に基づいて、１つ又は複数の残りの層のターゲットの厚さ、１つ又は複数の層を形成するためのプロセスパラメータ値及び／又はエンドオブライン性能測定値を決定するためにモデルを訓練する方法９００のためのフローチャートである。方法９００は、明らかになるように、図１Ａ～３を参照して説明した構成要素を用いて実行されうる。例えば、方法９００は、実施形態において、コントローラ１２０、コントローラ１７０及び／又はサーバ１４５によって実行されうる。方法９００の少なくともいくつかの工程は、ハードウェア（例えば、回路、専用ロジック、プログラマブルロジック、マイクロコードなど）、ソフトウェア（例えば、ハードウェアシミュレーションを実行するために処理装置上で実行される命令）、又はこれらの組み合わせを含みうる処理論理によって実行されうる。特定のシーケンス又は順序で表示されているが、特に指定がない限り、処理の順序は変更可能である。したがって、図示された実施形態は例としてのみ理解されるべきであり、図示されたプロセスは異なる順序で実行することができ、いくつかのプロセスは並行して実行することができる。加えて、様々な実施形態において、１つ又は複数のプロセスは省略することができる。したがって、すべての実施形態において、すべてのプロセスが実行されるわけではない。その他のプロセスフローも可能である。

［００１２１］方法９００の工程９０５において、処理ロジックは、訓練データセット（例えば、方法８００に従って生成された可能性がある）を受信する。訓練データセットは、複数のデータ項目を含みうる。各データ項目は、製造プロセスのシーケンスのバージョンの１つ又は複数の層の厚さと、エンドオブライン性能測定値とを含む。

［００１２２］工程９１０において、処理ロジックは、基板上の多層スタックの１つ又は複数の層についての厚さの入力を受け取り、多層スタックの１つ又は複数の残りの層のためのターゲットの厚さ、基板上で実行される１つ又は複数の将来の製造プロセスのプロセスパラメータのためのターゲットプロセスパラメータ値及び／又は予測エンドオブライン性能測定値の少なくとも１つを出力するようにモデルを訓練する。

［００１２３］１つの実施形態では、モデルは、回帰を用いて訓練された回帰モデルなどの機械学習モデルである。回帰モデルの例は、線形回帰やガウス回帰を用いて学習させた回帰モデルである。１つの実施形態では、工程９１５において、処理ロジックは、モデルを訓練するために訓練データセットを用いて線形回帰又はガウス回帰を実行する。回帰モデルは、Ｘ変数の既知の値を考慮してＹの値を予測する。回帰モデルは、内挿及び／又は外挿を含みうる回帰分析を用いてトレーニングされうる。１つの実施形態では、回帰モデルのパラメータは、最小二乗法を用いて推定される。代替的には、ベイズ線形回帰、パーセンテージ回帰、最小絶対偏差、ノンパラメトリック回帰、シナリオ最適化及び／又は距離メトリック学習が、回帰モデルを訓練するために実行されうる。

［００１２４］１つの実施形態では、モデルは、人工ニューラルネットワーク（単にニューラルネットワークとも称される）のような機械学習モデルである。人工ニューラルネットワークは、例えば、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＣＮＮ）又はディープニューラルネットワークでありうる。１つの実施形態では、工程９２０で、処理ロジックは、ニューラルネットワークを訓練するために教師あり機械学習を実行する。

［００１２５］人工ニューラルネットワークは、概して、特徴をターゲット出力空間にマッピングする分類器又は回帰層を有する特徴表現構成要素を含む。例えば、畳み込みニューラルネットワーク（ＣＮＮ）は、複数の層の畳み込みフィルタを備える。下層ではプーリングが実行され、非線形性への対処が行われうる。その下層の上部には、一般的には多層パーセプトロンが追加され、畳み込み層によって抽出される上層の特徴を決定（例えば、分類出力）にマッピングする。ニューラルネットワークは、複数の隠れ層を有する深いネットワークであってもよく、ゼロ又は少数（例えば、１～２）の隠れ層を有する浅いネットワークであってもよい。ディープラーニングは、特徴抽出及び変換のために非線形処理ユニットの多層のカスケードを使用する機械学習アルゴリズムのクラスである。連続する各層は、前の層からの出力を入力として使用する。ニューラルネットワークは、教師あり（例えば、分類）及び／又は教師なし（例えば、パターン分析）の方法で学習しうる。いくつかのニューラルネットワーク（例えば、ディープニューラルネットワークなど）は、層の階層を含み、異なる層は、異なる抽象レベルに対応する異なるレベルの表現を学習する。ディープラーニングでは、各レベルがその入力データをもう少し抽象的で複合的な表現に変換することを学習する。

［００１２６］ニューラルネットワークを訓練することは、ネットワークを通してラベル付けされた入力からなる訓練データセットを供給することと、その出力を観察することと、（出力とラベル付けされた値との間の差を測定することによって）誤差を定義することと、誤差が最小化されるようにそのすべての層及びノードにわたってネットワークの重みを調整するために、深い勾配降下（ｄｅｅｐ ｇｒａｄｉｅｎｔ ｄｅｓｃｅｎｔ）及び逆行性伝播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）などの技術を使用することとを含む、教師あり学習方法で達成されうる。多くのアプリケーションでは、このプロセスを訓練データセット内の多くのラベル付き入力にわたって繰り返すことで、訓練データセットに含まれる入力とは異なる入力が提示さると、正しい出力を生成可能なネットワークが得られる。大きな画像のような高次元の設定では、十分に大きく多様な訓練データセットが利用可能になると、この一般化が実現される。

［００１２７］実施形態では、入力は、１つ又は複数の層の膜特性（例えば、膜の厚さなど）を含む特徴ベクトルであり、ラベルは、エンドオブライン性能測定値（例えば、感知マージンなどの電気的な値）などの性能測定値である。１つの実施形態では、１つ又は複数の堆積された層の膜特性を入力として受信し、１つ又は複数の予測性能測定値、まだ堆積されていない層の膜特性、及び／又は既に堆積した層上で実行される将来のプロセスのためのプロセスパラメータ値を出力し、及び／又は更なる層を堆積させるために、ニューラルネットワークが訓練される。

［００１２８］工程９２５において、訓練されたモデルが展開される。訓練されたモデルは、例えば、１つ又は複数のプロセスチャンバ及び／又はクラスタツールのコントローラに展開されうる。追加的に又は代替的には、訓練済みモデルは、１つ又は複数のコントローラ（例えば、１つ又は複数のプロセスチャンバのコントローラ及び／又は１つ又は複数のクラスタツールのコントローラ）に接続されたサーバに展開されうる。訓練されたモデルを展開することは、コントローラ及び／又はサーバのフィードフォワードエンジン内に訓練されたモデルを保存することを含みうる。訓練済みモデルがいったん展開されると、コントローラ及び／又はサーバは、製造プロセスのシーケンスにおける１つ又は複数の製造プロセスのフィードフォワード制御を実行するために、訓練済みモデルを使用しうる。

［００１２９］図１０は、本明細書で議論される方法論のいずれか１つ以上をマシンに実行させるための命令のセットが実行されうる、計算装置１０００の例示的形態におけるマシンの図式的表現を示す。代替的な実施形態では、マシンは、ローカルエリアネットワーク（ＬＡＮ）、イントラネット、エクストラネット、又はインターネットにおいて他のマシンに接続（例えば、ネットワーク化）されることがある。マシンは、クライアントサーバネットワーク環境においてサーバ又はクライアントマシンとして動作し、又はピアツーピア（又は分散）ネットワーク環境においてピアマシンとして動作しうる。マシンは、パーソナルコンピュータ（ＰＣ）、タブレットコンピュータ、セットトップボックス（ＳＴＢ）、パーソナルデジタルアシスタント（ＰＤＡ）、携帯電話、ウェブアプライアンス、サーバ、ネットワークルータ、スイッチ若しくはブリッジ、又はそのマシンが取るべき行動を指定する（連続した若しくは連続していない）命令のセットを実行可能な任意のマシンでありうる。更に、単一のマシンのみが図示されているが、「マシン」という用語はまた、本明細書で議論される方法論のいずれか１つ以上を実行するための命令の１つのセット（又は複数のセット）を個別に又は連携して実行するマシン（例えば、コンピュータ）の任意のコレクションを含むとも解釈されよう。

［００１３０］例の計算装置１０００は、バス１０３０を介して互いに通信する、処理装置１００２、主メモリ１００４（例えば、読み出し専用メモリ（ＲＯＭ）、フラッシュメモリ、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）（同期ＤＲＡＭ（ＳＤＲＡＭ）又はラムバスＤＲＡＭ（ＲＤＲＡＭ）など）、スタティックメモリ１００６（例えば、フラッシュメモリ、スタティックランダムアクセスメモリ（ＳＲＡＭ）など）、及び二次メモリ（例えば、データ記憶装置１０１８など）を含む。

［００１３１］処理装置１００２は、マイクロプロセッサ、中央処理装置などの１つ又は複数の汎用プロセッサを表す。より詳細には、処理装置１００２は、複合命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、超長命令語（ＶＬＩＷ）マイクロプロセッサ、他の命令セットを実装するプロセッサ、又は命令セットの組み合わせを実装するプロセッサでありうる。処理装置１００２はまた、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、ネットワークプロセッサなどといった、１つ又は複数の特殊用途処理装置でありうる。処理装置１００２は、本明細書で議論される工程及びステップを実行するための処理ロジック（命令１０２２）を実行するように構成される。

［００１３２］計算装置１０００は、ネットワークインターフェース装置１００８を更に含みうる。また、計算装置１０００は、ビデオディスプレイユニット１０１０（例えば、液晶ディスプレイ（ＬＣＤ）又は陰極線管（ＣＲＴ））、英数字入力装置１０１２（例えば、キーボード）、カーソル制御装置１０１４（例えば、マウス）、及び信号生成装置１０１６（例えば、スピーカ）を含みうる。

［００１３３］データ記憶装置１０１８は、本明細書に記載の方法論又は機能のいずれか１つ以上を具現化する１つ又は複数の命令セット１０２２が記憶されるマシン可読記憶媒体（又はより具体的にはコンピュータ可読記憶媒体）１０２８を含みうる。命令１０２２はまた、コンピュータシステム１０００によるその実行中に、完全に又は少なくとも部分的に、メインメモリ１００４内及び／又は処理装置１００２内に存在しうる。メインメモリ１００４及び処理装置１００２はまた、コンピュータ可読記憶媒体を構成する。

［００１３４］コンピュータ可読記憶媒体１０２８はまた、フィードフォワードエンジン１２１、及び／又はフィードフォワードエンジン１２１を呼び出す方法を含むソフトウェアライブラリを記憶するためにも使用されうる。コンピュータ可読記憶媒体１０２８は、例示的な実施形態では、単一の媒体であるように示されているが、「コンピュータ可読記憶媒体」という用語は、１つ又は複数の命令セットを記憶する単一の媒体又は複数の媒体（例えば、集中データベース若しくは分散データベース、及び／又は関連キャッシュ及びサーバ）を含むと解釈されるべきである。「コンピュータ可読記憶媒体」という用語はまた、マシンによる実行のための命令のセットを記憶又は符号化することができ、本明細書に記載の方法論のいずれか１つ以上をマシンに実行させる任意の媒体をも含むものと解釈されよう。したがって、「コンピュータ可読記憶媒体」という用語は、ソリッドステートメモリ、光学媒体及び磁気媒体などの非一時的コンピュータ可読媒体を含むが、これらに限定されないものと解釈されよう。

［００１３５］本明細書（例えば、図１Ａ～３に関連して）で説明したモジュール、構成要素、及び他の特徴は、ディスクリートハードウェア構成要素として実装することも、ＡＳＩＣＳ、ＦＰＧＡ、ＤＳＰ又は類似の装置などのハードウェア構成要素の機能性に統合することもできる。加えて、モジュールは、ハードウェア装置内のファームウェア又は機能回路として実装可能である。更に、モジュールは、ハードウェア装置とソフトウェア構成要素との任意の組み合わせで実装することも、ソフトウェアのみで実装することも可能である。

［００１３６］詳細な説明のいくつかの部分は、コンピュータメモリ内のデータビットに対する動作のアルゴリズム及び記号的表現の観点から提示されてきた。これらのアルゴリズムの記述及び表現は、本発明の内容を他の当業者に最も効果的に伝えるために、データ処理技術分野の当業者によって使用される手段である。アルゴリズムとは、ここでは、一般に、ターゲットの結果を導く自己矛盾のない一連のステップと考えられる。これらのステップは、物理量の物理的操作を必要とするものである。通常、必ずしもそうではないが、これらの量は、記憶、転送、結合、比較、その他の操作が可能な電気信号又は磁気信号の形態をとる。これらの信号は、ビット、値、要素、記号、文字、用語、数字等で表されることが、主に共通使用の理由で便利であることが証明されている。

［００１３７］しかしながら、これらの用語及び類似の用語のすべては、適切な物理量に関連付けられるべきであり、こうした物理量に適用される便宜上の標識にすぎないことに留意するべきである。以下の説明から明らかなように、特に別段の記載がない限り、本明細書を通して、「受信する（ｒｅｃｅｉｖｉｎｇ）」、「識別する（ｉｄｅｎｔｉｆｙｉｎｇ）」、「決定する（ｄｅｔｅｒｍｉｎｉｎｇ）」、「選択する（ｓｅｌｅｃｔｉｎｇ）」、「提供する（ｐｒｏｖｉｄｉｎｇ）」、「記憶する（ｓｔｏｒｉｎｇ）」などといった用語を利用する議論は、コンピュータシステム又は類似の電子計算装置の動作及びプロセスを指すと理解されたい。このコンピュータシステム又は類似の電子計算装置は、コンピュータシステムのレジスタ及びメモリ内で物理量（電子量）として表されるデータを操作し、コンピュータシステムのメモリ若しくはレジスタ、又はかかる情報の他の記憶装置、送信装置、若しくは表示装置内で物理量として同様に表される他のデータへと変換する。

［００１３８］本発明の実施形態はまた、本明細書の工程を実行するための装置に関する。この装置は、議論された目的のために特別に構築されてもよく、又はコンピュータシステムに記憶されたコンピュータプログラムによって選択的にプログラムされる汎用コンピュータシステムを備えてもよい。かかるコンピュータプログラムは、限定されないが、フロッピーディスク、光ディスク、ＣＤ－ＲＯＭ、及び光磁気ディスクを含む任意のタイプのディスク、読み取り専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気ディスク記憶媒体、光記憶媒体、フラッシュメモリ装置、他のタイプのマシンアクセス可能記憶媒体、又はコンピュータシステムバスに各々が結合された電子命令の記憶に適した任意のタイプの媒体などのコンピュータ読み取り可能記憶媒体に記憶されうる。

［００１３９］前述の説明は、本開示のいくつかの実施形態の良好な理解を提供するために、特定のシステム、構成要素、方法などの例などの多数の特定の詳細を明記している。しかしながら、本開示の少なくともいくつかの実施形態は、これらの特定の詳細なしに実施されうることが、当業者には明らかであろう。他の例では、本開示を不必要に曖昧にすることを回避するために、周知の構成要素又は方法は、詳細に説明されないか、又は単純なブロック図形式で提示される。したがって、記載された特定の詳細は、単に例示的なものである。特定の実施態様は、これらの例示的な詳細とは異なり、なおも本開示の範囲内にあると考えられうる。

［００１４０］本明細書全体を通して、「１つの実施形態」又は「実施形態」への言及は、実施形態に関連して説明された特定の特徴、構造、又は特性が、少なくとも１つの実施形態に含まれることを意味する。したがって、本明細書全体の様々な場所における「１つの実施形態では」又は「実施形態では」という語句が現れても、必ずしもすべてが同じ実施形態を参照しているわけではない。加えて、「又は」という用語は、排他的な「又は」ではなく、包括的な「又は」を意味することを意図している。「約（ａｂｏｕｔ）」又は「ほぼ（ａｐｐｒｏｘｉｍａｔｅｌｙ）」という用語が本明細書で使用される場合、これは、提示される公称値が±１０％以内で正確であることを意味することが意図される。

［００１４１］本明細書の方法の工程は特定の順序で図示され説明されるが、特定の工程が逆の順序で実行され、特定の工程が他の工程と同時に少なくとも部分的に実行されるように、各方法の工程の順序が変更されてもよい。別の実施形態では、別個の工程の命令又はサブ工程は、断続的及び／又は交互でありうる。

［００１４２］上記の説明は、例示を意図したものであり、限定を意図したものではないと理解すべきである。上記の説明を読み理解すれば、多くの他の実施形態が当業者に明らかになるだろう。したがって、開示の範囲は、添付の特許請求の範囲を参照し、そのような特許請求の範囲が権利を有する均等物の全範囲と共に決定されるべきである。

Claims (25)

1. 少なくとも１つの移送チャンバと、
   前記少なくとも１つの移送チャンバに接続された第１のプロセスチャンバであって、多層スタックの第１の層を基板上に堆積させるための第１のプロセスを実行するように構成される、第１のプロセスチャンバと、
   前記少なくとも１つの移送チャンバに接続された第２のプロセスチャンバであって、前記多層スタックの第２の層を前記基板上に堆積させるための第２のプロセスを実行するように構成される、第２のプロセスチャンバと、
   前記第１の層が前記基板上に堆積された後に、前記第１の層上で光学測定を実行するように構成された光学センサと、
   前記第１のプロセスチャンバ、前記第２のプロセスチャンバ、前記移送チャンバ又は前記光学センサのうちの少なくとも１つに動作可能に接続された計算装置と
   を備え、前記計算装置は、
   前記第１のプロセスが前記基板上で実行された後に、前記第１の層の第１の光学測定値を受信することであって、前記第１の層の第１の厚さを示す第１の光学測定値を受信することと、
   前記第１の層の前記第１の厚さに基づいて、前記多層スタックの前記第２の層のためのターゲットの第２の厚さを決定することと、
   前記第２のプロセスチャンバに、前記第１の層上に前記ターゲットの第２の厚さをほぼ有する前記第２の層を堆積させるための前記第２のプロセスを実行させることと
   を行う、基板処理システム。
2. 前記少なくとも１つの移送チャンバに接続された第３のプロセスチャンバであって、前記多層スタックの第３の層を前記基板上に堆積させるための第３のプロセスを実行するように構成される、第３のプロセスチャンバ
   を更に備え、
   前記光学センサは、前記第２の層に対して前記光学測定を実行するように更に構成され、
   前記計算装置は、
   前記第２のプロセスが前記基板上で実行された後に、前記第２の層の第２の光学測定値を受信することであって、前記第２の層の実際の第２の厚さを示す第２の光学測定値を受信することと、
   前記第１の層の前記第１の厚さ及び前記第２の層の前記実際の第２の厚さに基づいて、前記多層スタックの前記第３の層のためのターゲットの第３の厚さを決定することと、
   前記第３のプロセスチャンバに、前記第２の層上に前記ターゲットの第３の厚さをほぼ有する前記第３の層を堆積させるための前記第３のプロセスを実行させることと
   を更に行う、請求項１に記載の基板処理システム。
3. 前記多層スタックの前記第３の層のための前記ターゲットの第３の厚さを決定するために、前記計算装置は、
   前記第１の層の前記第１の厚さ及び前記第２の層の前記実際の第２の厚さの入力のために、前記第１の層の前記第１の厚さ及び前記第２の層の前記実際の第２の厚さと組み合わされると、前記多層スタックを含む装置のための最適なエンドオブライン性能測定値をもたらす前記第３の層の前記ターゲットの第３の厚さを決定するように訓練された訓練済みの機械学習モデルに、前記第１の層の前記第１の厚さ及び前記第２の層の前記実際の第２の厚さを入力すること
   を行う、請求項２に記載の基板処理システム。
4. 前記光学センサは、前記第３の層に対して前記光学測定を実行するように更に構成され、
   前記計算装置は、
   前記第３のプロセスが前記基板上で実行された後に、前記第３の層の第３の光学測定値を受信することであって、前記第３の層の実際の第３の厚さを示す第３の光学測定値を受信することと、
   前記第１の層の前記第１の厚さ、前記第２の層の前記実際の第２の厚さ、及び前記第３の層の前記実際の第３の厚さに基づいて、前記多層スタックを含む装置のための予測エンドオブライン性能測定値を決定することと
   を更に行う、請求項２に記載の基板処理システム。
5. 前記多層スタックを含む前記装置のための予測エンドオブライン性能測定値を決定するために、前記計算装置は、
   前記第１の層の前記第１の厚さ、前記第２の層の前記実際の第２の厚さ及び前記第３の層の前記実際の第３の厚さの入力のために、前記多層スタックを含む前記装置のための前記予測エンドオブライン性能測定値を予測するように訓練された訓練済みの機械学習モデルに、前記第１の層の前記第１の厚さ、前記第２の層の前記実際の第２の厚さ及び前記第３の層の前記実際の第３の厚さを入力すること
   を行う、請求項４に記載の基板処理システム。
6. 前記多層スタックは、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）ビット線スタックを含み、前記予測エンドオブライン性能測定値は、センシングマージンを含む、請求項５に記載の基板処理システム。
7. 前記多層スタックの前記第２の層のための前記ターゲットの第２の厚さを決定するために、前記計算装置は、
   前記第１の層の前記第１の厚さの入力ために、前記第１の層の前記第１の厚さと組み合わされると、前記多層スタックを含む装置のための最適なエンドオブライン性能測定値をもたらす前記第２の層の前記ターゲットの第２の厚さを出力するように訓練された訓練済みの機械学習モデルに、前記第１の層の前記第１の厚さを入力すること
   を行う、請求項１に記載の基板処理システム。
8. 前記訓練済みの機械学習モデルは、ニューラルネットワークを含む、請求項７に記載の基板処理システム。
9. 前記訓練済みの機械学習モデルは、前記多層スタックの第３の層のターゲットの第３の厚さ又は前記多層スタックを含む装置のためのエンドオブライン性能測定値のうちの少なくとも１つを出力するように更に訓練される、請求項７に記載の基板処理システム。
10. 前記光学センサは、反射計測を用いて前記第１の厚さを測定するように構成された分光計を含む、請求項１に記載の基板処理システム。
11. 前記光学センサは、前記移送チャンバ、前記移送チャンバに接続されたロードロックチャンバ又は通過ステーションの構成要素である、請求項１に記載の基板処理システム。
12. 基板上に多層スタックの第１の層を堆積させるための第１の堆積プロセスを用いて、第１のプロセスチャンバ内で前記基板を処理することと、
    前記第１のプロセスチャンバから前記基板を取り出すことと、
    光学センサを用いて前記第１の層の第１の厚さを測定することと、
    前記第１の層の前記第１の厚さに基づいて、前記多層スタックの第２の層のためのターゲットの第２の厚さを決定することと、
    前記第２の層のための前記第２のターゲットの厚さを達成することになる第２の堆積プロセスのための１つ又は複数のプロセスパラメータ値を決定することと、
    前記第１の層の上に前記ターゲットの第２の厚さをほぼ有する前記多層スタックの前記第２の層を堆積させるために、前記１つ又は複数のプロセスパラメータ値を有する前記第２の堆積プロセスを用いて、第２のプロセスチャンバにおいて前記基板を処理することと
    を含む、方法。
13. 前記光学センサ又は追加の光学センサを用いて、前記第２の層の実際の第２の厚さを測定することと、
    前記第１の層の前記第１の厚さ及び前記第２の層の前記実際の第２の厚さに基づいて、前記多層スタックの第３の層のためのターゲットの第３の厚さを決定することと、
    前記第２の層のための前記第３のターゲットの厚さを達成することになる第３の堆積プロセスのための１つ又は複数の追加のプロセスパラメータ値を決定することと、
    前記第３の堆積プロセスを実行して、前記第２の層の上に前記ターゲットの第３の厚さをほぼ有する前記第３の層を堆積させるために、前記１つ又は複数の追加のプロセスパラメータ値を用いて、第３のプロセスチャンバにおいて前記基板を処理することと
    を更に含む、請求項１２に記載の方法。
14. 前記多層スタックの前記第３の層のための前記ターゲットの第３の厚さを決定することは、
    前記第１の層の前記第１の厚さ及び前記第２の層の前記実際の第２の厚さの入力のために、前記第１の層の前記第１の厚さ及び前記第２の層の前記実際の第２の厚さと組み合わされると、前記多層スタックを含む装置のための最適なエンドオブライン性能測定値をもたらす前記第３の層の前記ターゲットの第３の厚さを出力するように訓練された訓練済みの機械学習モデルに、前記第１の層の前記第１の厚さ及び前記第２の層の前記実際の第２の厚さを入力すること
    を含む、請求項１３に記載の方法。
15. 前記光学センサ又は前記追加の光学センサを用いて、前記第３の層の実際の第３の厚さを測定することと、
    前記第１の層の前記第１の厚さ、前記第２の層の前記実際の第２の厚さ、及び前記第３の層の前記実際の第３の厚さに基づいて、前記多層スタックを含む装置のための予測エンドオブライン性能測定値を決定することと
    を更に含む、請求項１３に記載の方法。
16. 前記多層スタックを含む前記装置の前記予測エンドオブライン性能測定値を決定することは、
    前記第１の層の前記第１の厚さ、前記第２の層の前記実際の第２の厚さ及び前記第３の層の前記実際の第３の厚さの入力のために、前記多層スタックを含む前記装置のための前記予測エンドオブライン性能測定値を予測するように訓練された訓練済みの機械学習モデルに、前記第１の層の前記第１の厚さ、前記第２の層の前記実際の第２の厚さ及び前記第３の層の前記実際の第３の厚さを入力すること
    を含む、請求項１５に記載の方法。
17. 前記多層スタックは、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）ビット線スタックを含み、前記予測エンドオブライン性能測定値は、センシングマージン値を含む、請求項１６に記載の方法。
18. 前記多層スタックの前記第２の層のための前記ターゲットの第２の厚さを決定することは、
    前記第１の層の前記第１の厚さの入力ために、前記第１の層の前記第１の厚さと組み合わされると、前記多層スタックを含む装置のための予測された最適なエンドオブライン性能測定値をもたらす前記第２の層の前記ターゲットの第２の厚さを出力するように訓練された訓練済みの機械学習モデルに、前記第１の層の前記第１の厚さを入力すること
    を含む、請求項１２に記載の方法。
19. 前記訓練済みの機械学習モデルは、ニューラルネットワークを含む、請求項１８に記載の方法。
20. 前記訓練済みの機械学習モデルは、前記多層スタックの第３の層のターゲットの第３の厚さ又は前記多層スタックを含む装置のためのエンドオブライン性能測定値のうちの少なくとも１つを出力するように更に訓練される、請求項１８に記載の方法。
21. 前記多層スタックを含む前記装置のための実際のエンドオブライン性能測定値を受信することと、
    前記第１の層の前記第１の厚さ及び前記第２の層の前記ターゲットの第２の厚さを含む訓練データ項目を用いて、前記訓練済みの機械学習モデルを再訓練することと
    を更に含み、前記訓練データ項目は、前記実際のエンドオブライン性能測定値に対応するラベルを更に含む、請求項１８に記載の方法。
22. 前記光学センサは、移送チャンバ、前記移送チャンバに接続されたロードロックチャンバ又は通過ステーションの構成要素であり、前記第１のプロセスチャンバ、前記第２のプロセスチャンバ、並びに前記第１のプロセスチャンバ及び前記第２のプロセスチャンバに接続された移送チャンバを含むクラスタツールから前記基板を取り出さずに、前記第１の層及び前記第２の層が前記基板上に形成される、請求項１２に記載の方法。
23. 複数のデータ項目を含む訓練データセットを受信又は生成することであって、前記複数のデータ項目の各データ項目は、多層スタックの複数の層のための層の厚さと、前記多層スタックを含む装置のためのエンドオブライン性能測定値との組み合わせを含む、訓練データセットを受信又は生成することと、
    前記訓練データセットに基づいて、入力として前記多層スタックの単一層の厚さ又は少なくとも２つの層の厚さを受信し、前記多層スタックの単一の残りの層のターゲットの厚さ、前記多層スタックの少なくとも２つの残りの層のためのターゲットの厚さ、又は前記多層スタックを含む装置のための予測エンドオブライン性能測定値のうちの少なくとも１つを出力するために、機械学習モデルを訓練することと
    を含む、方法。
24. 前記多層スタックの複数のバージョンを形成することであって、前記複数のバージョンの各々が、前記多層スタックの前記複数の層のための層の厚さの異なる組み合わせを含む、前記多層スタックの複数のバージョンを形成することと、
    前記多層スタックの各バージョンについて、前記多層スタックの前記バージョンを含む装置を製造することと、
    前記多層スタックのバージョンを含む各装置について、エンドオブライン性能測定値を決定するために、エンドオブライン性能測定を測定することと、
    前記多層スタックの各バージョンについて、前記多層スタックの前記複数の層のための層の厚さの前記組み合わせを、前記エンドオブライン性能測定値に関連付けることと
    によって前記訓練データセットを生成することを更に含む、請求項２３に記載の方法。
25. 前記多層スタックは、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）ビット線スタックを含み、前記予測エンドオブライン性能測定値は、センシングマージン値を含む、請求項２３に記載の方法。

Images