JP2024504010A - モデルベースのデジタルツインを使用する無線周波数整合制御の実施 - Google Patents
モデルベースのデジタルツインを使用する無線周波数整合制御の実施 Download PDFInfo
- Publication number
- JP2024504010A JP2024504010A JP2023538853A JP2023538853A JP2024504010A JP 2024504010 A JP2024504010 A JP 2024504010A JP 2023538853 A JP2023538853 A JP 2023538853A JP 2023538853 A JP2023538853 A JP 2023538853A JP 2024504010 A JP2024504010 A JP 2024504010A
- Authority
- JP
- Japan
- Prior art keywords
- manufacturing equipment
- data
- digital replica
- matching network
- impedance sensor
- 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
Links
- 238000004519 manufacturing process Methods 0.000 claims abstract description 127
- 238000012545 processing Methods 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 61
- 230000009471 action Effects 0.000 claims abstract description 49
- 239000003990 capacitor Substances 0.000 claims description 75
- 238000010801 machine learning Methods 0.000 claims description 47
- 238000005457 optimization Methods 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 10
- 238000004088 simulation Methods 0.000 description 32
- 239000000047 product Substances 0.000 description 30
- 230000008569 process Effects 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 235000012431 wafers Nutrition 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 238000003070 Statistical process control Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010011906 Death Diseases 0.000 description 1
- 230000003679 aging effect Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000002019 doping agent Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
- H01J37/32082—Radio frequency generated discharge
- H01J37/32174—Circuits specially adapted for controlling the RF discharge
- H01J37/32183—Matching circuits
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
- H01J37/32082—Radio frequency generated discharge
- H01J37/321—Radio frequency generated discharge the radio frequency energy being inductively coupled to the plasma
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32926—Software, data control or modelling
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H7/00—Multiple-port networks comprising only passive electrical elements as network components
- H03H7/38—Impedance-matching networks
- H03H7/40—Automatic matching of load impedance to source impedance
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/24—Generating plasma
- H05H1/46—Generating plasma using applied electromagnetic fields, e.g. high frequency or microwave energy
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/24—Generating plasma
- H05H1/46—Generating plasma using applied electromagnetic fields, e.g. high frequency or microwave energy
- H05H1/4645—Radiofrequency discharges
- H05H1/4652—Radiofrequency discharges using inductive coupling means, e.g. coils
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Plasma & Fusion (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Plasma Technology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Drying Of Semiconductors (AREA)
- Feedback Control In General (AREA)
- General Factory Administration (AREA)
Abstract
方法は、製造機器にRF信号を生成させて、この製造機器に関連付けられた処理チャンバにエネルギー供給することを含む。この方法は、製造機器に関連付けられた一又は複数のセンサから、RF信号に関連付けられた現在のトレースデータを受信することを更に含む。方法は、現在のトレースデータに基づいて、製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することを更に含む。方法は、デジタルレプリカから、予測データを示す一又は複数の出力を取得することを更に含む。方法は、予測データに基づいて、製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることを更に含む。【選択図】図1
Description
[001]本開示は、電気的コンポーネントに関し、より詳細には、モデルベースのデジタルツインを使用して無線周波数整合制御を実施することに関する。
[002]製品は、製造機器を使用して一又は複数の製造プロセスを実施することによって作製されうる。例えば、半導体製造プロセスを通じて半導体デバイス(例えば基板やウエハなど)を作製するために、半導体製造機器が使用されうる。多くの半導体デバイスの製造段階において使用される従来型の無線周波数(radio frequency:RF)プラズマエッチングプロセスでは、RF信号が、RFエネルギー源を介して基板処理チャンバに提供されうる。RF信号は、連続波モード又はパルス波モードで生成され、提供されうる。RFエネルギー源のインピーダンスと処理チャンバ内で形成されるプラズマとの不整合により、一部のRF信号は反射されてRFエネルギー源へと戻る。その結果、RF信号が非効率的に使用されてエネルギーが無駄になり、RFエネルギー源を損傷する可能性、及び基板処理に関する不整合/非再現性の問題が生じる可能性がある。ゆえに、RF信号の送達の高い再現性を実現することが可能な、RF整合制御システムが求められている。
[003]本開示の態様の一部の基本的な理解を提供するために、本開示の簡略化された概要を以下に示す。この概要は、本開示の網羅的な大要ではない。この概要は、本開示の主要点又は重要要素を特定するためのものでも、本開示の特定の実行形態の何らかの範囲又は特許請求の何らかの範囲を画定するためのものでもない。この概要の唯一の目的は、本開示の概念の一部を、後述する詳細な説明の導入部として、簡略化した形態で提示することである。
[004]本開示の一態様では、方法は、製造機器にRF信号を生成させて、製造機器に関連付けられた処理チャンバにエネルギー供給することを含む。この方法は、製造機器に関連付けられた一又は複数のセンサから、RF信号に関連付けられた現在の(current)トレースデータを受信することを更に含む。方法は、現在のトレースデータに基づいて、製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することを更に含む。方法は、デジタルレプリカから、予測データを示す一又は複数の出力を取得することを更に含む。方法は、予測データに基づいて、製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることを更に含む。
[005]本開示の別の態様では、システムは、メモリと、メモリに連結された処理デバイスとを含み、この処理デバイスは、製造機器にRF信号を生成させて、製造機器に関連付けられた処理チャンバにエネルギー供給する。処理デバイスは更に、製造機器に関連付けられた一又は複数のセンサから、RF信号に関連付けられた現在のトレースデータを受信する。処理デバイスは更に、現在のトレースデータに基づいて、製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新する。処理デバイスは更に、デジタルレプリカから、予測データを示す一又は複数の出力を取得する。処理デバイスは更に、予測データに基づいて、製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにする。
[006]本開示の別の態様では、非一時的機械可読記憶媒体は命令を記憶しており、この命令は、実行されると、製造機器にRF信号を生成させて、製造機器に関連付けられた処理チャンバにエネルギー供給することを含む工程を、処理デバイスに実施させる。かかる工程は更に、製造機器に関連付けられた一又は複数のセンサから、RF信号に関連付けられた現在のトレースデータを受信することを含む。工程は更に、現在のトレースデータに基づいて、製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することを含む。工程は更に、デジタルレプリカから、予測データを示す一又は複数の出力を取得することを含む。工程は更に、予測データに基づいて、製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることを含む。
[007]本開示は、添付図面の図中では、限定としてではなく例として示されている。
[0014]モデルベースのデジタルツインを使用して無線周波数整合制御を実施することを対象とした技術について、本書では説明している。製品(例えばウエハ)を作製するために、製造機器が使用されうる。例えば、製造機器は、RFエネルギーを、RF信号の形態で、処理チャンバに供給して、エッチング用のプラズマを生成することによって、ウエハを作製するためのレシピを実行しうる。多くの場合、RF信号は、固定的な又はチューニング可能な整合ネットワークを通じて、処理チャンバ内のプラズマに結合される。これらの整合ネットワークは、プラズマのインピーダンスをRFエネルギー源のインピーダンスにより厳密に整合させることによって、反射されるRF信号を最小化するように動作する。整合ネットワークは、プラズマに結合されるエネルギー量を最大化するよう、RF源の出力が効率的にプラズマに結合されることを可能にする。ゆえに、整合ネットワークは、総インピーダンス(例えばプラズマインピーダンス、チャンバインピーダンス、及び整合ネットワークインピーダンス)が、RF電力供給の出力インピーダンスと同じになるか、又は同様になることを可能にする。
[0015]従来型の一部のシステムでは、整合ネットワークのRF整合制御プロファイルは、ルックアップテーブルに基づいて設計される。このルックアップテーブルは、処理チャンバにエネルギー供給するために使用される入力周波数の種類(例えば2.2MHzや13.56MHz等)、使用される処理ガスの種類(例えばH2、He、Ar、O2、NF3等)、使用される処理チャンバの種類などといった、処理パラメータに関連付けられうる。制御プロファイルは、整合ネットワークの一又は複数の可変チューニング素子(可変キャパシタ、可変インダクタ、又は可変レジスタなど)を調整するために使用されうる。整合ネットワーク又は処理チャンバのパラメータが、(温度、経時的影響、腐食、部品の不具合、劣化などによって)変化すると、ルックアップテーブルを使用して選択された制御プロファイルにより最適な結果が得られない可能性がある。
[0016]本書で開示しているデバイス、システム、及び方法は、現在のセンサデータを使用して、最小のチューニング時間で最大の電力供給を実現するための、制御プロファイルのリアルタイム最適化を提供する。一実施形態では、処理デバイスは、製造機器にRF信号を生成させて、製造機器に関連付けられた処理チャンバにエネルギー供給する。処理デバイスは、製造機器に関連付けられた一又は複数のセンサから、RF信号に関連付けられた現在のトレースデータ(例えば電圧や電流など)を受信しうる。処理デバイスは次いで、現在のトレースデータに基づいて、製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新しうる。予測データを示す出力が、デジタルレプリカから取得されうる。予測データを示す出力は、訓練された機械学習モデル、ヒューリスティックモデル、又はルールベースのモデルを使用して生成されうる。処理デバイスは、予測データに基づいて、製造機器に関連付けられた一又は複数の是正措置を実施しうる。
[0017]一部の実施形態では、整合ネットワークは、2つの調整可能な(チューニング可能な)キャパシタを含みうる。予測データは、キャパシタの一又は複数のチューニング設定を含みうる。チューニング設定は、反射されたRF信号に関連付けられた反射係数と時間パラメータとの関数でありうる。是正措置は、予測データに基づいて、調整可能なキャパシタの一方又は両方を調整することを含みうる。
[0018]一部の実施形態では、処理デバイスは、現在のトレースデータを使用して、デジタルレプリカをリアルタイムで更新しうる。例えば、現在のトレースデータに基づいて、デジタルレプリカが精度閾値基準を満たしていないと判定することに応答して、処理ロジックが、デジタルレプリカの最適化を実施しうる。
[0019]一部の実施形態では、整合ネットワークは、入力インピーダンスセンサ及び出力インピーダンスセンサを含みうる。デジタルレプリカのインピーダンス値を更新することは、出力インピーダンスセンサからの現在のトレースデータを使用して、デジタルレプリカに関連付けられた処理チャンバモデルを更新することを含みうる。デジタルレプリカのインピーダンス値を更新することは、入力インピーダンスセンサ及び出力インピーダンスセンサからの現在のトレースデータを使用して、デジタルレプリカに関連付けられた整合ネットワークモデルを更新することを更に含みうる。
[0020]本開示の態様は、最適な設定、エネルギー消費、使用される帯域幅、プロセッサオーバーヘッドなどを実現するために必要な時間の大幅な削減という、技術的利点をもたらす。例えば、従来型のシステムは、最適なRF電力供給の再現性の向上を試行するために、トライアンドエラーの反復を実施する。このトライアンドエラーのプロセスでは、各反復(例えば、トライアンドエラーによる命令の生成、この命令の送信、フィードバックの受信、トライアンドエラーによる更新済み命令の生成など)のたびに、必要とされる時間、エネルギー消費、帯域幅、及びプロセッサオーバーヘッドが増大していく。本開示は、予測データを取得し、この予測データに基づいて是正措置が行われるようにするために、信号処理、デジタルレプリカ、及び機械学習モデルを使用すること、並びにトライアンドエラーの反復を回避することによって、所要時間、エネルギー消費、帯域幅、及びプロセッサオーバーヘッドの削減をもたらす。本開示により、不整合な及び異常な製品、予定外のユーザ時間、並びに製造機器の損傷を回避するための、整合ネットワークに関連付けられた最適なパラメータ設定の予測が得られる。
[0021]図1は、ある種の実施形態による、例示的なシステム100(例示的なシステムアーキテクチャ)を示すブロック図である。システム100は、シミュレーションシステム110、クライアントデバイス120、センサ126、製造機器130、計測機器128、及びデータストア140を含む。シミュレーションシステム110は、デジタル表現サーバ170、サーバマシン180、及び予測サーバ112を含みうる。
[0022]製造機器130は、RF生成器132、整合ネットワーク134、処理チャンバ136、及びコントローラ138を含みうる。RF信号は、RF生成器132によって生成され、整合ネットワーク134に送信されうる。RF信号は次いで、エッチングプロセスで使用されるプラズマを点火し、維持するために、処理チャンバ136に印加されうる。一部の実施形態では、RF生成器132は、処理チャンバ136にエネルギー供給するための一又は複数の低RF信号(例えば2.2MHzや13.56MHzなど)、処理チャンバ136にエネルギー供給するための一又は複数の高RF信号(例えば24MHz、60MHz、100MHzなど)、又はこれらの任意の組み合わせを生成しうる。RF生成器132は、望ましいパルス速度、デューティサイクル、及び位相角で、RF信号をパルス化する能力を有しうる。コントローラ138が、RF電力生成器132及びRF整合ネットワーク134に接続されてよく、RF生成器132のRF信号の制御(例えば、開始、切り替え、遮断など)を行いうる。更に、コントローラ138は、RF信号のパルス速度、デューティサイクル、及び位相角を調整するためにも使用されうる。
[0023]整合ネットワーク134は、エッチングプロセスで使用されるプラズマのインピーダンスを、RF生成器132によって供給されるRF信号のインピーダンス(例えば50オーム)に整合させることによって、反射されるRFエネルギーを最小化するよう動作しうる。整合ネットワーク134は、容量素子、誘導素子、及び抵抗素子による構成を含みうる。整合ネットワーク134は、そのパラメータを変えるために、一又は複数の制御可能な調整可能素子又は可変チューニング素子(可変のキャパシタ、インダクタ、若しくはレジスタ、又はこれらの組み合わせなど)を含みうる。例えば、整合ネットワーク134は、可変シャントキャパシタ及び可変直列キャパシタを含んでよく、これらは両方とも、可変チューニング素子として機能する。可変キャパシタ(例えばチューニングキャパシタ又はチューニング可能キャパシタ)は、コントローラ138によって操作される電動真空キャパシタ、又はその他の任意の制御可能な可変キャパシタでありうる。一実施形態では、整合ネットワーク134は、整合ネットワーク134及び/又は処理チャンバ136に関連付けられたインピーダンスがRF生成器132に関連付けられたインピーダンス(例えば50オーム)に向かって増大/減少するように、制御可能な可変チューニング素子のうちの一又は複数をチューニングしうる。
[0024]RF整合ネットワーク134は、一又は複数の電気センサ135も含みうる。電気センサ135は、センサデータ142(センサ値、特徴、トレースデータなど)を提供することが可能な、任意の種類のRF電圧/電流測定デバイス(例えばセンサやプローブなど)でありうる。一部の実施形態では、電気センサ135は、RF生成器132、整合ネットワーク134、及び/又は処理チャンバ136に連結された給電導体(例えば給電ライン)の電気測定を実施する。電気センサ135は、給電導体の特性(例えばインピーダンス、給電導体の磁気揺動、電流、電圧、抵抗など)を感知し、かかる特性をセンサデータ142(例えばトレースデータ、履歴トレースデータ146、現在のトレースデータ154)に変換する。電気センサ135は、電流、交流電流(AC)の振幅(magnitude)、位相、波形(例えばAC波形やパルス波形)、直流電流(DC)、非正弦AC波形、電圧などのうちの一又は複数の値を測定することも可能である。
[0025]一実施形態では、電気センサ135は、入力(ソース)インピーダンスセンサ及び出力(負荷)インピーダンスセンサを含む。入力インピーダンスセンサは、整合ネットワーク134における、RF信号に関連付けられたインピーダンスを特定しうる。出力インピーダンスセンサは、送信先(例えば処理チャンバ136)における、RF信号のインピーダンスを特定しうる。製造機器130については、図2を参照して、より詳細に後述する。
[0026]センサ126は、製造機器130に関連付けられた(例えば製造機器130による、ウエハなどの対応する製品の作製に関連付けられた)センサデータ142(センサ値、特徴、トレースデータなど)を提供しうる。センサデータ142は、機器の健全性及び/又は製品の健全性(例えば製品品質)に関して使用されうる。製造機器130は、レシピに従って製品を作製すること、又はある期間にわたって操業を実施することが可能である。ある期間にわたって受信された、(例えば、レシピ又は操業の少なくとも一部に対応する)センサデータ142は、種々のセンサ126から経時的に受信されたトレースデータ(例えば履歴トレースデータ146や現在のトレースデータ154)と称されうる。
[0027]センサ126は、別の種類のセンサデータ142を提供する追加のセンサを含みうる。一部の実施形態では、センサデータ142は、温度(例えばヒータ温度)、間隔(SP)、圧力、高周波無線周波数(HFRF)、静電チャック(ESC)の電圧、電流、フロー、電力、電圧などのうちの一又は複数の値を含みうる。センサデータ142は、製造機器の、ハードウェアパラメータ(例えば、製造機器130の設定又はコンポーネント(例えばサイズや種類など))、若しくはプロセスパラメータといった製造パラメータに関連付けられうるか、又はかかる製造パラメータを示しうる。センサデータ142は、製造機器130が製造プロセスを実施している間に提供されることがある(製品処理時の機器の示度など)。センサデータ142は、各製品ごとに(例えば各ウエハごとに)異なることもある。
[0028]一部の実施形態では、センサデータ142(例えば履歴トレースデータ146、履歴コンポーネントデータのセット148、現在のトレースデータ154、現在のコンポーネントデータのセット156など)は、(例えばクライアントデバイス120によって、及び/又はシミュレーションシステム110のコンポーネントによって)処理されうる。センサデータ142を処理することは、特徴を生成することを含みうる。一部の実施形態では、特徴は、センサデータ142におけるパターン(例えば傾斜、幅、高さ、ピークなど)、又はセンサデータ142からのセンサ値の組み合わせ(例えば、電圧及び電流の測定値から導出されるインピーダンスなど)である。センサデータ142は、特徴を含んでよく、かかる特徴は、シミュレーションシステム110のコンポーネントによって、シミュレーション処理を実施するため、並びに/又は、是正措置の実施のためのシミュレーションデータ167及び/若しくは予測データ168を取得するために、使用されうる。
[0029]データストア140は、メモリ(例えばランダムアクセスメモリ)、ドライブ(例えばハードドライブやフラッシュドライブ)、データベースシステム、又はデータを記憶することが可能な別の種類のコンポーネント若しくはデバイスでありうる。データストア140は、複数の記憶コンポーネント(例えば複数のドライブ又は複数のデータベース)を含んでよく、かかる記憶コンポーネントは、複数のコンピューティングデバイス(例えば複数のサーバコンピュータ)にわたって配置されることがある。データストア140は、センサデータ142、パフォーマンスデータ160、ライブラリデータ166、シミュレーションデータ168、及び予測データ169を記憶しうる。センサデータ142は、履歴センサデータ144及び現在のセンサデータ152を含みうる。履歴センサデータは、履歴トレースデータ146、履歴コンポーネントデータのセット148、及び履歴コンポーネント識別子150を含みうる。現在のセンサデータ152は、現在のトレースデータ154、現在のコンポーネントデータのセット156、及び現在のコンポーネント識別子158を含みうる。パフォーマンスデータ160は、履歴パフォーマンスデータ162及び現在のパフォーマンスデータ164を含みうる。履歴センサデータ144及び履歴パフォーマンスデータ162は、履歴データでありうる。現在のセンサデータ144は、現在のデータであってよく、それについて(例えば、是正措置を実施するために)シミュレーションデータ167及び予測データ168が生成される。現在のパフォーマンスデータ164は、(例えば、訓練された機械学習モデルを再訓練するための)現在のデータであってもよい。
[0030]パフォーマンスデータ160は、製造機器130及び/又は製造機器130によって作製された製品に関連付けられたデータを含みうる。一部の実施形態では、パフォーマンスデータ160は、製造機器130のコンポーネントの寿命(例えば故障時間)、製造機器130の製造パラメータ、製造機器130のメンテナンス、製造機器130のコンポーネントのエネルギー使用、製造機器130の(例えば同じ型番の)コンポーネントにおける変動などの、表示を含みうる。パフォーマンスデータ160は、製造機器の(例えば同じ種類や同じ部品番号の)コンポーネントにおける変動の表示を含みうる。パフォーマンスデータ160は、かかる変動(例えばジッタ、傾斜、ピークなど)が製品間の変動に影響を与えるかどうかを示しうる。パフォーマンスデータ160は、変動によりウエハが改良されるかどうかを示しうる(例えば、RF生成器がより良好に整合され、フィードバックループがより良好にチューニングされ、ファームウェアが新しくなり、チップがより良好なものになる、など)。パフォーマンスデータ160は、製造機器130によって作製される製品の品質に関連付けられうる。計測機器128は、製造機器130によって作製された製品(例えばウエハ)に関連付けられたパフォーマンスデータ160(ウエハの特性データ、歩留まり、計測データなど)を提供しうる。パフォーマンスデータ160は、膜特性データ(例えばウエハ空間膜特性)、寸法(例えば厚さや高さなど)、誘電率、ドーパント濃度、密度、不良などのうちの一又は複数の値を含みうる。パフォーマンスデータ160は、完成品のものであっても、半完成品のものであってもよい。パフォーマンスデータ160は、各製品ごとに(例えば各ウエハごとに)異なることがある。パフォーマンスデータ160は、製品が閾値品質を満たすかどうか(例えば、不良品であるか、不良品ではないか、など)を示しうる。パフォーマンスデータ160は、閾値品質を満たさないことの原因も示しうる。一部の実施形態では、パフォーマンスデータ160は履歴パフォーマンスデータ162を含み、履歴パフォーマンスデータ162は、(例えば、履歴トレースデータ146に関連付けられた製造パラメータを使用して作製された)製品の履歴特性データに対応する。センサデータ142、パフォーマンスデータ160、及びライブラリデータ166は、教師あり機械学習及び/又は教師なし機械学習のために使用されうる。
[0031]シミュレーションシステム110は、デジタル表現サーバ170、サーバマシン180、及び予測サーバ112を含みうる。予測サーバ112、デジタル表現サーバ170、及びサーバマシン180は各々、ラックマウントサーバ、ルータコンピュータ、サーバコンピュータ、パーソナルコンピュータ、メインフレームコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、デスクトップコンピュータ、グラフィックス処理ユニット(GPU)、アクセラレータ、特定用途向け集積回路(ASIC)(例えばテンソル処理ユニット(TPU))などといった、一又は複数のコンピューティングデバイスを含みうる。
[0032]デジタル表現サーバ170は、製造機器130をシミュレートするアルゴリズムモデルでありうる。例としては、デジタル表現サーバ170は、製造機器130のデジタルレプリカモデル(例えばデジタルツイン)でありうる。デジタル表現サーバ170は、物理的要素及び製造機器130がどのように動作するかというダイナミクスの仮想表現を生成するために、教師あり機械学習、半教師あり機械学習、教師なし機械学習、又はこれらの任意の組み合わせを使用しうる。デジタル表現サーバ170は、センサ126、電気センサ135、センサデータ142、パフォーマンスデータ160、ライブラリデータ166、及び/又は製造機器130のデジタルレプリカモデルの生成及び維持に関連付けられた他の任意のデータからの定期的な更新を使用して、強化学習により更新されうる。
[0033]デジタル表現サーバ170は、整合ネットワークモデル172及び処理チャンバモデル174を含みうる。整合ネットワークモデル172は、整合ネットワーク134の物理的要素及びダイナミクスに関連付けられうる。処理チャンバモデル174は、処理チャンバ136の物理的要素及びダイナミクスに関連付けられうる。
[0034]一部の実施形態では、デジタル表現サーバ170はシミュレーションデータ167を生成しうる。シミュレーションデータ167は、現在のパラメータ又はシミュレートされたパラメータに基づいて製造機器130(例えば整合ネットワーク134や処理チャンバ136など)がどのように作動するかを決定するために使用される、データを含みうる。シミュレーションデータ167は、整合ネットワークモデル172及び処理チャンバモデル174に関連付けられた電気パラメータデータ(例えばインピーダンス、電圧、電流、抵抗、反射、信号反射など)を含みうる。シミュレーションデータ167は、(例えば、現在のトレースデータ154を使用して作製される又は作製された製品の)製造機器130のデジタルレプリカモデルの、予測される特性データを更に含みうる。シミュレーションデータ167は、現在のトレースデータ154を使用して作製される又は作製された製品の、予測される計測データ(例えば仮想計測データ)を更に含みうる。シミュレーションデータ167は、異常(例えば異常な製品、異常なコンポーネント、異常な製造機器130、異常なエネルギー使用など)、及びかかる異常の一又は複数の原因の表示を更に含みうる。シミュレーションデータ167は、製造機器130のコンポーネントの寿命の終わりの表示も更に含みうる。シミュレーションデータは、製造機器のあらゆる機械的態様及び電気的態様をすべて網羅し、カバーしうる。
[0035]予測サーバ112は、予測コンポーネント114を含みうる。一部の実施形態では、予測コンポーネント114は、シミュレーションデータ167及び現在のトレースデータ154(例えば処理チャンバのフロー、処理チャンバの圧力、RF電力など)を受信し、製造機器130に関連付けられた是正措置を実施するための出力(例えば予測データ168)を生成しうる。一部の実施形態では、予測コンポーネント114は、シミュレーションデータ167及び現在のトレースデータ154に基づいて是正措置を実施するための出力を決定するために、一又は複数の訓練された機械学習モデル190を使用しうる。一部の実施形態では、予測コンポーネント114は、シミュレーションデータ167及び現在のトレースデータ154を受信し、現在のトレースデータ154を、現在のコンポーネント識別子158にマッピングされた現在のコンポーネントデータのセット156に分解するために、信号処理を実施し、現在のコンポーネントデータのセット156及び現在のコンポーネント識別子158を、訓練された機械学習モデル190への入力として提供し、訓練された機械学習モデル190から予測データ168を示す出力を取得する。訓練された機械学習モデル190は、単一のモデル又は複数のモデルを含みうる。一部の実施形態では、訓練された機械学習モデル190は、データストア140からの追加のデータ(例えばライブラリデータ166、パフォーマンスデータ160、センサデータ142など)を使用しうる。
[0036]一部の実施形態では、シミュレーションシステム110は、サーバマシン180を更に含む。サーバマシン180は、機械学習モデル(複数可)190を訓練し、検証し、かつ/又は試験するために、データセット生成器を使用して、一又は複数のデータセット(例えばデータ入力のセット及びターゲット出力のセット)を生成しうる。詳細には、サーバマシン180は、訓練エンジン182、検証エンジン184、選択エンジン185、及び/又は試験エンジン186を含みうる。エンジン(例えば訓練エンジン182、検証エンジン184、選択エンジン185、及び試験エンジン186)は、ハードウェア(例えば回路網、専用ロジック、プログラマブルロジック、マイクロコード、処理デバイスなど)、ソフトウェア(処理デバイス、汎用コンピュータシステム、若しくは専用マシンで実行される命令など)、ファームウェア、マイクロコード、又はこれらの組み合わせを参照しうる。訓練エンジン182は、データセット生成器172からの訓練セットに関連付けられた一又は複数の特徴のセットを使用して、一又は複数の機械学習モデル190を訓練することが可能でありうる。訓練エンジン182は複数の訓練された機械学習モデル190を生成することがあり、この場合、訓練された機械学習モデル190の各々は、訓練セットの特徴の個別のセット(例えば、センサの個別のセットからのセンサデータ)に対応する。例えば、第1の訓練された機械学習モデルは、すべての特徴(例えばX1~X5)を使用して訓練されたものであってよく、第2の訓練された機械学習モデルは、特徴の第1のサブセット(例えばX1、X2、X4)を使用して訓練されたものであってよく、第3の訓練された機械学習モデルは、特徴の第1のサブセットと部分的に重複しうる特徴の第2のサブセット(例えばX1、X3、X4、及びX5)を使用して訓練されたものでありうる。
[0037]検証エンジン184は、データセット生成器からの検証セットの対応する特徴のセットを使用して、訓練された機械学習モデル190を検証することが可能でありうる。例えば、訓練セットの第1の特徴のセットを使用して訓練された、第1の訓練された機械学習モデル190は、検証セットの第1の特徴のセットを使用して検証されうる。検証エンジン184は、検証セットの対応する特徴のセットに基づいて、訓練された機械学習モデル190の各々の精度を特定しうる。検証エンジン184は、閾値精度に満たない精度を有する訓練された機械学習モデル190を破棄しうる。一部の実施形態では、選択エンジン185が、閾値精度を満たす精度を有する一又は複数の訓練された機械学習モデル190を選択することが可能でありうる。一部の実施形態では、選択エンジン185は、訓練された機械学習モデル190のうちの、精度が最も高い訓練された機械学習モデル190を選択することが可能でありうる。
[0038]試験エンジン186は、データセット生成器からの試験セットの対応する特徴のセットを使用して、訓練された機械学習モデル190を試験することが可能でありうる。例えば、訓練セットの第1の特徴のセットを使用して訓練された、第1の訓練された機械学習モデル190は、試験セットの第1の特徴のセットを使用して試験されうる。試験エンジン186は、試験セットに基づいて、訓練された機械学習モデルのすべてのうち、精度が最も高い訓練された機械学習モデル190を特定しうる。
[0039]機械学習モデル190はモデルアーチファクトを参照しうる。このモデルアーチファクトは、データ入力及び対応するターゲット出力(それぞれの訓練入力に対する正解)を含む訓練セットを使用して、訓練エンジン182によって作成される。データセットにおける、データ入力をターゲット出力(正解)にマッピングするパターンが見いだされることがあり、機械学習モデル190には、かかるパターンを捕捉するマッピングが提供される。機械学習モデル190は、サポートベクトルマシン(SVM)、放射基底関数(RBF)、クラスタリング、教師あり機械学習、半教師あり機械学習、教師なし機械学習、k最近傍アルゴリズム(k-NN)、線形回帰、ランダムフォレスト、ニューラルネットワーク(例えば人工ニューラルネットワーク)などのうちの一又は複数を使用しうる。
[0045]予測コンポーネント114は、訓練された機械学習モデル190にシミュレーションデータ167及び現在のセンサデータ152を提供してよく、訓練された機械学習モデル190を入力に対して実行して、一又は複数の出力を取得しうる。予測コンポーネント114は、訓練された機械学習モデル190の出力から、予測データ168を決定すること(例えば抽出すること)が可能でありうる。
[0041]本開示の態様では、限定ではなく例示の目的で、予測データ168を決定するために、一又は複数の機械学習モデル190を訓練することと、一又は複数の訓練された機械学習モデル190にシミュレーションデータ167及びセンサデータ142を入力することについて説明している。他の実行形態では、(例えば、訓練された機械学習モデルを使用せずに)予測データ168を決定するために、ヒューリスティックモデル又はルールベースモデルが使用される。予測コンポーネント114は、履歴センサデータ144及び履歴パフォーマンスデータ162をモニタしうる。データストア140からのデータに関連して記述されている情報はいずれも、ヒューリスティックモデル又はルールベースモデルでもモニタされうるか、又は別様に使用されうる。
[0042]一部の実施形態では、クライアントデバイス120、予測サーバ112、デジタル表現サーバ170、及びサーバマシン180の機能が、より少数のマシンによって提供されることもある。例えば、一部の実施形態では、デジタル表現サーバ170とサーバマシン180とは、単一のマシンに一体化されうるが、他の実施形態の一部では、デジタル表現サーバ170とサーバマシン180と予測サーバ112とが、単一のマシンに一体化されうる。一部の実施形態では、クライアントデバイス120と予測サーバ112とが、単一のマシンに一体化されうる。
[0043]一般に、一実施形態ではクライアントデバイス120、予測サーバ112、デジタル表現サーバ170、及びサーバマシン180によって実施されると説明されている機能は、他の実施形態では適宜、予測サーバ112上で実施されることもある。加えて、特定のコンポーネントにより生じる機能が、共に動作する様々な又は複数のコンポーネントによって実施されることもある。例えば、一部の実施形態では、予測サーバ112が、予測データ168に基づいて是正措置を決定しうる。別の例では、クライアントデバイス120が、訓練された機械学習モデルからの出力に基づいて、予測データ168を決定しうる。
[0044]加えて、特定のコンポーネントの機能が、共に動作する様々な又は複数のコンポーネントによって実施されることもある。予測サーバ112、デジタル表現サーバ170、及びサーバマシン180のうちの一又は複数は、他のシステム又はデバイスに提供されるサービスとして、好適なアプリケーションプログラミングインターフェース(API)を通じてアクセスされうる。
[0045]実施形態では、「ユーザ」は単一の個人として表されることがある。しかし、本開示の別の実施形態は、複数のユーザ及び/又は自動化されたソースによって制御されるエンティティである「ユーザ」を包含する。例えば、管理者のグループとして連合している個々のユーザのセットも、一「ユーザ」と見なされうる。
[0046]本開示の実施形態は、データ品質評価、特徴強化、モデル評価、仮想計測(VM)、予測メンテナンス(PdM)、限界最適化などに適用されうる。
[0047]本開示の実施形態は、製造施設(例えば半導体製造施設)において是正措置を実施するために予測データ168を生成することに関して記述されているが、実施形態は、一般に、コンポーネントの特徴付け及びモニタリングにも適用されうる。実施形態は、一般に、様々な種類のデータに基づく特徴付け及びモニタリングに適用されうる。
[0048]クライアントデバイス120、製造機器130、センサ126、計測機器128、予測サーバ112、データストア140、デジタル表現サーバ170、及びサーバマシン180は、予測データ168を生成して是正措置を実施するために、ネットワーク105を介して互いに連結されうる。
[0049]一部の実施形態では、ネットワーク105はパブリックネットワークであり、このパブリックネットワークは、クライアントデバイス120に、予測サーバ112、データストア140、及び公的に利用可能なその他のコンピューティングデバイスへのアクセスを提供する。一部の実施形態では、ネットワーク105はプライベートネットワークであり、このプライベートネットワークは、クライアントデバイス120に、製造機器130、センサ126、計測機器128、データストア140、及び私的に利用可能なその他のコンピューティングデバイスへのアクセスを提供する。ネットワーク105は、一又は複数のワイドエリアネットワーク(WAN)、ローカルエリアネットワーク(LAN)、有線ネットワーク(例えばイーサネットネットワーク)、無線ネットワーク(例えば802.11ネットワーク又はWi-Fiネットワーク)、セルラーネットワーク(例えばロングタームエボリューション(LTE)ネットワーク)、ルーター、ハブ、スイッチ、サーバコンピュータ、クラウドコンピューティングネットワーク、及び/又はこれらの組み合わせを含みうる。
[0050]クライアントデバイス120は、パーソナルコンピュータ(PC)、ラップトップ、携帯電話、スマートフォン、タブレットコンピュータ、ネットブックコンピュータ、ネットワーク接続されたテレビ(スマートTV)、ネットワーク接続されたメディアプレーヤー(例えばブルーレイプレーヤー)、セットトップボックス、オーバーザトップ(OTT)ストリーミングデバイス、オペレータボックスなどといった、コンピューティングデバイスを含みうる。クライアントデバイス120は、是正措置コンポーネント122を含みうる。是正措置コンポーネント122は、製造機器130に関連付けられた表示のユーザ入力を(例えば、クライアントデバイス120を介して表示されるグラフィカルユーザインターフェース(GUI)を通じて)受信しうる。一部の実施形態では、是正措置コンポーネント122は、シミュレーションシステム110に表示を送信し、シミュレーションシステム110から出力(例えば予測データ168)を受信し、出力に基づいて是正措置を決定し、是正措置が実装されるようにする。一部の実施形態では、是正措置コンポーネント122は、製造機器130に関連付けられたセンサデータ142(例えば現在のトレースデータ154)を(例えばデータストア140などから)取得し、製造機器130に関連付けられたセンサデータ142(例えば現在のトレースデータ154)を、シミュレーションシステム110に提供する。一部の実施形態では、是正措置コンポーネント122が、データストア140内にセンサデータ142を記憶させ、予測サーバ112が、データストア140からセンサデータ142を読み出す。一部の実施形態では、予測サーバ112が、データストア140内に訓練された機械学習モデル(複数可)190の出力(例えば予測データ168)を記憶させてよく、クライアントデバイス120が、データストア140から出力を読み出しうる。一部の実施形態では、是正措置コンポーネント122は、シミュレーションシステム110から是正措置の表示を受信し、是正措置が実装されるようにする。各クライアントデバイス120はオペレーティングシステムを含んでよく、このオペレーティングシステムにより、ユーザが、データ(例えば製造機器130に関連付けられた表示や製造機器130に関連付けられた是正措置など)の生成、閲覧、又は編集のうちの一又は複数を行うことが可能になる。
[0051]不良品をもたらす製造プロセスが実施されることで、時間、エネルギー、製品、コンポーネント、製造機器130、欠陥を特定し不良品を廃棄するコストなどの点で、コストがかかりうる。システム100は、センサデータ142(例えば、製品の製造に使用されているか、又は使用されることになっている製造パラメータ)を入力すること、予測データ168の出力を受信すること、及び予測データ168に基づいて是正措置を実施することによって、不良品の作製、特定、及び廃棄のコストを回避するという、技術的利点を有しうる。
[0052]製造プロセスを実施して製造機器124のコンポーネントの不具合が生じると、ダウンタイム、製品の損傷、機器の損傷、交換コンポーネントの特急注文などの点で、コストがかかる可能性がある。システム100は、センサデータ142(例えば、製品の製造に使用されているか、又は使用されることになっている製造パラメータ)を入力すること、予測データ168の出力を受信すること、及び予測データ168に基づいて是正措置(例えば、コンポーネントの交換、処理、洗浄などといった、予測される運用メンテナンス)を実施することによって、予想外のコンポーネント不具合、予定外のダウンタイム、生産性の損失、予想外の機器不具合、製品廃棄などのうちの一又は複数のコストを回避するという、技術的利点を有しうる。
[0053]是正措置は、計算プロセス制御(CPC)、統計プロセス制御(SPC)(例えば、制御におけるプロセスを決定するための電子コンポーネントに対するSPC、コンポーネントの耐用年数を予測するためのSPC、3シグマのグラフと比較するためのSPCなど)、高度プロセス制御(APC)、モデルベースプロセス制御、予防運用メンテナンス、設計最適化、製造パラメータの更新、フィードバック制御、機械学習の修正などのうちの一又は複数に関連付けられうる。一部の実施形態では、是正措置は、整合ネットワーク134の制御可能な可変チューニング素子のうちの一又は複数を調整することを含みうる。これについては、以下で詳述する。
[0054]一部の実施形態では、是正措置は、警報(例えば、予測データ168が、製品、コンポーネント、又は製造機器130の異常といった、予測される異常を示している場合に、製造プロセスを停止するか又は実施しないための警報)を提供することを含む。一部の実施形態では、是正措置は、フィードバック制御を提供すること(例えば、予測される異常を示す予測データ168に応答して、製造パラメータを修正すること)を含む。一部の実施形態では、是正措置は、機械学習を提供すること(例えば、予測データ168に基づいて一又は複数の製造パラメータを修正すること)を含む。一部の実施形態では、是正措置の実施は、一又は複数の製造パラメータの更新が行われるようにすることを含む。
[0055]製造パラメータは、ハードウェアパラメータ(例えばコンポーネントの交換、特定のコンポーネントの使用、処理チップの交換、ファームウェアの更新など)、及び/又はプロセスパラメータ(例えば温度、圧力、フロー、速度、電流、電圧、ガス流、上昇スピードなど)を含みうる。一部の実施形態では、是正措置は、予防的運用メンテナンス(例えば、製造機器130のコンポーネントの交換、処理、洗浄など)が行われるようにすることを含む。一部の実施形態では、是正措置は、設計の最適化が行われるようにすること(例えば、最適化された製品のために、製造パラメータ、製造プロセス、製造機器130などを更新すること)を含む。一部の実施形態では、是正措置は、レシピを更新すること(例えば、製造機器130がアイドルモード、スリープモード、ウォームアップモードなどになること)を含む。
[0056]図2は、製造機器130の例示的な実施形態をより詳細に示しているブロック図である。図2のコンポーネントは、例示を目的とした例として使用されている。したがって、コンポーネント(絶縁体、キャパシタ、レジスタなど)の種々の組み合わせが、本開示の実施形態で使用されうる。上述したように、製造機器130は、RF生成器132、整合ネットワーク134、処理チャンバ136、及びコントローラ138を含む。
[0057]整合ネットワーク126は、第1キャパシタ226(「C1」とも称される)及び第2キャパシタ228(「C2」とも称される)を含みうる。第1キャパシタ226と第2キャパシタ228の各々は、整合ネットワーク134の総インピーダンスをチューニングすることが可能な可変キャパシタ(チューニング又は調整可能なキャパシタ)でありうる。例えば、本開示の実施形態では、処理チャンバ136に関連付けられた出力インピーダンスがRF生成器132に関連付けられた入力インピーダンス(例えば50オーム)に向けて調整されるように、第1キャパシタ226と第2キャパシタ228の一方又は両方を調整することによって、整合チューニングが実施されうる。これにより、RF生成器132から処理チャンバ136への電力供給が最大化されうる。一部の実施形態では、更に第1キャパシタ226がシャントキャパシタであってよい一方、第2キャパシタ228は直列キャパシタでありうる。直列キャパシタは、電力ハンドリング能力の向上のために、直列補償を行うように伝送線路で使用されうる。シャントキャパシタは、単一のアプリケーションにおける複数のタスクのために、電気システムに適用されうる。それに加えて、直列キャパシタでは、無効電力の発生は、負荷電流の二乗に比例する。シャントキャパシタでは、無効電力の発生は電圧の二乗に比例する。
[0058]整合ネットワーク134は、入力センサ222及び出力センサ224を含みうる。入力センサ222は、整合ネットワーク134に関連付けられたインピーダンスを特定しうる。出力センサ224は、処理チャンバ136におけるRF信号のインピーダンスを特定しうる。
[0059]整合ネットワーク126は、第1インピーダンス212(「Z1」とも称される)及び第2インピーダンス214(「Z2」とも称される)に関連付けられうる。第1インピーダンス212は、整合ネットワーク134における並列経路の第1キャパシタ226、抵抗素子234(「R1」とも称される)、及びインダクタンス素子232(「L1」とも称される)に関連付けられうる。第1インピーダンス212は、次に示す方程式1によって表されうる。式中、項jは虚数単位を表し、項wは、角周波数を表し、かつ2×π×fとして表され、ここでfはRF信号の周波数(例えば2.2MHz、13.56MHz、100MHzなど)である。
[0060]第2インピーダンス214は、第2キャパシタ228に関連付けられうる。一部の実施形態では、第2インピーダンス214は、一又は複数の受動デバイス(例えばインダクタやレジスタなど)にも関連付けられる。第2インピーダンス214は、次に示す方程式2によって表されうる。
[0061]処理チャンバ136は、処理チャンバコンポーネントからのインピーダンス、遷移線インピーダンス、(整合ネットワーク134から処理チャンバ136までの)給電ロッドインピーダンスなどに関連付けられた、第3インピーダンス216(「Z3」とも称される)に関連付けられうる。例としては、Z3は、処理チャンバ136に関連付けられたインピーダンスの実数部Rp238と虚数部Lp236とを使用して表されうる。Rp及びLpは、入力インピーダンスセンサ224を使用して、リアルタイムで測定されうる。第3インピーダンス216は、次に示す方程式3によって表されうる。
[0063]図3は、ある種の実施形態による、予測データを生成して是正措置が行われるようにするための方法300のフロー図である。方法300は、ハードウェア(例えば回路網、専用ロジック、プログラマブルロジック、マイクロコード、処理デバイスなど)、ソフトウェア(処理デバイス、汎用コンピュータシステム、又は専用マシンで実行される命令など)、ファームウェア、マイクロコード、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施されうる。一部の実施形態では、方法300は、シミュレーションシステム110によって部分的に実施されうる。一部の実施形態では、非一時的記憶媒体が命令を記憶し、この命令は、(例えば、シミュレーションシステム110、サーバマシン180、予測サーバ112などの)処理デバイスによって実行されると、処理デバイスに方法300を実施させる。
[0064]説明を単純化するために、方法300は、一連の工程として図示され、説明されている。しかし、この開示に従った工程は、様々な順序で、かつ/又は本書で提示及び説明されていない別の工程と同時に及び共に行われうる。更に、開示されている主題に従って方法300を実装するために、例示されている工程のすべてが実施されるわけではないことがある。加えて、当業者であれば、方法300が、状態図又は状態イベントを介して、一連の相互に関連した状態として代替的に表現されうることを理解し、認識しよう。
[0065]ブロック310において、方法300を実装する処理ロジックは、RF生成器132にRF信号を生成させて、処理チャンバにエネルギー供給する。
[0066]ブロック312において、処理ロジックは、デジタルレプリカにおけるインピーダンス値を更新する。詳細には、処理ロジックは、入力センサ222から生成された現在のトレースデータに基づいて、整合ネットワークモデル172に関連付けられたインピーダンスを更新し、出力センサ224から生成された現在のトレースデータ154に基づいて、処理チャンバモデル174に関連付けられたインピーダンスを更新することが可能である。
[0067]ブロック314において、処理ロジックは、現在のインピーダンス値に基づいて、デジタルレプリカが精度閾値基準を満たすかどうかを判定しうる。例えば、処理ロジックは、整合ネットワークモデル172及び処理チャンバモデル174が許容誤差の範囲内にあるかどうかを判定するために、コスト関数式(例えば二乗平均差)を使用しうる。
[0068]例としては、処理ロジックは、次の方程式5を利用しうる。式中、項J1は許容誤差を表し、項Zinputは入力センサ222によって特定されたインピーダンスを表し、項angleはRF信号の周波数及び位相を表す。
[0069]項J1が0に近づくほど、整合ネットワークモデル172は、整合ネットワーク134の物理的要素及びダイナミクスのパラメータに対してより正確になると、理解されている。方程式5に関連付けられた項には、制約が課されることがある。一部の実施形態では、第1キャパシタ226及び第2キャパシタ228の値には、上限(C1maxとC2max)及び下限(C1minとC2min)が定められることがある。これらの値は次のように表される。C1min<C1<C1max;C2min<C2<C2max処理ロジックは、デジタルレプリカが閾値基準を満たした(例えば、整合ネットワークモデル172及び/又は処理チャンバモデル174が各々許容誤差の範囲内にある)ことに応答して、ブロック318に進む。処理ロジックは、デジタルレプリカが閾値基準を満たさなかったことに応答して、ブロック316に進む。
[0070]ブロック316において、処理ロジックはデジタルレプリカを最適化する。一実施形態では、処理ロジックは、方程式5を使用して、整合ネットワークモデル172で使用される抵抗素子R1及び/又はインダクタンス素子L1の最適値を決定しうる。例えば、処理ロジックは、項J1が精度閾値基準を満たすまで一又は複数のパラメータ(例えばL1、R1、C1、C2など)を調整することによって、整合ネットワークモデル172を更新しうる。一実施形態では、処理ロジックは、更新アルゴリズムを使用して一又は複数のパラメータ(例えばLpやRpなど)を調整することによって、処理チャンバモデル174を更新しうる。調整されたパラメータは、シミュレーションデータ167として記憶されうる。
[0071]ブロック318において、処理ロジックは、シミュレーションシステム110から、予測データを示す一又は複数の出力を取得する。例えば、処理ロジックは、反射されるRF信号を最小化するために、第1キャパシタ226及び第2キャパシタ228の最適値を決定しうる。一部の実施形態では、処理ロジックは、シミュレーションデータ167及びモデル190を使用して閉ループシミュレーションを実施するために、予測コンポーネント114を使用しうる。予測コンポーネント114は、値を示しうる一又は複数の最適化プロファイルを生成しうる。反射されるRF信号を最小化するために、第1キャパシタ226及び第2キャパシタ228は、この値に調整される。一部の実施形態では、予測コンポーネント114は、最適値に到達するのに必要な時間を最小化するために、チューニング時間パラメータを更に利用しうる。
[0073]式中、項J2は、コスト関数を表し、かつ製造機器130の総インピーダンス(例えばZtotal)に設定されてよく、項w1は反射係数(
又はγ(ガンマ))に関連付けられた重み係数を表し、項Ttuneはチューニング時間であり、項w2はチューニング時間に関連付けられた重み係数であり、項Z0はターゲットインピーダンス(例えば、RF生成器132の、50オームなどのインピーダンス)を表す。一部の実施形態では、方程式6には、次のような制約条件が課される。
又はγ(ガンマ))に関連付けられた重み係数を表し、項Ttuneはチューニング時間であり、項w2はチューニング時間に関連付けられた重み係数であり、項Z0はターゲットインピーダンス(例えば、RF生成器132の、50オームなどのインピーダンス)を表す。一部の実施形態では、方程式6には、次のような制約条件が課される。
[0074]予測サーバは、第1キャパシタ226及び第2キャパシタ228のための一又は複数の最適化プロファイルを生成するために、方程式6を使用しうる。最適化プロファイルは、第1キャパシタ226と第2キャパシタ228との組み合わせの各チューニングのための反射係数値を示しうる。最適化プロファイルは更に、キャパシタのターゲット値に到達するためのチューニング経路も示しうる。キャパシタターゲット値により、達成可能な最小の反射係数を有する、第1キャパシタ226及び第2キャパシタ228のパラメータが設定されうる。
[0075]図4A~Cは、ある種の実施形態による、例示的な最適化プロファイルを示すグラフである。具体的には、図4Aは、第1キャパシタ226と第2キャパシタ228の初期チューニング値の各々(例えば0~100%)に対する、反射係数(γ)値を示している。ポイント410は、約86%にチューニングされた第1キャパシタ226及び約30%(キャパシタターゲット値)にチューニングされた第2キャパシタに関連付けられている、最適化プロファイルの達成可能な最小の反射係数を示す。
[0076]図4Bは、第1キャパシタ226及び第2キャパシタ228の初期値の各セットが、キャパシタターゲット値に到達するために必要な時間を示す。例えば、第1キャパシタ226が50%のチューニング値を有し、第2キャパシタ228が0%のチューニング値を有する場合(例えば点430)には、是正措置コンポーネント122は、第1キャパシタ226及び第2キャパシタ228をキャパシタターゲット値(例えば、それぞれ86%及び30%)にチューニングするのに1.25秒を必要とする。
[0080]正のパラメータk1、k2、g1、及びg2はコントローラゲインである。c1及びc2の値は、勾配制御から線形制御への切り替えの閾値である。例えば、最適化プロファイルの定常状態部分におけるチャタリング又はノイズを除去するか、さもなければ軽減するために、勾配制御と線形制御との間の切り替えが使用されうる。
[0081]一部の実施形態では、最適化プロファイルは、ヤコビアンベースのRF整合チューニングアルゴリズムに基づくものでありうる。RF整合を制御するという文脈において、ヤコビアンは、最適化プロファイルの過去及び将来の反復によって引き起こされる静電容量(例えば、図2の第1キャパシタC1 226及び第2キャパシタC2 228)における、突然の変化を予測しうる。前述したように、整合ネットワーク(例えば、図1の整合ネットワーク134)は、エッチングプロセスで使用されるプラズマのインピーダンスをRF信号のインピーダンスに整合させることによって、反射されるRFエネルギーを最小化するように動作しうる。例えば、望ましい実数値インピーダンス(例えば50オームや75オームなど)が、プラズマによって整合されうる。方程式4を使用することで、入力インピーダンスは次のように表されうる。
[0084]ここで、C(t)=[C1C2]、e(t)=[50-abs(Z);-angle(Z)]であり、Kは正定ゲイン行列(例えば方程式13)である。更なる実施形態では、振幅位相制御システムのループゲインを調整するために、ヤコビアンJcが修正されうる。
[0085]更なる実施形態では、ヤコビアン行列Jcの逆計算における特異点を防止し、更に処理ロジックによる逆ヤコビアン行列の特定を更に容易にするために、減衰定数λが使用されうる。別の実施形態では、逆ヤコビアン行列を直接求めることなく、チューニング値を計算及び更新するために、非直接行列ソルバーが使用されうる。例えば、他の実施形態で詳述するように、行列最小二乗解、反復ソルバー、及び行列分解ソルバー(例えば上三角ソルバー及び下三角ソルバー、特異値分解など)といった方法が使用されうる。
[0087]UとVは直交行列であり、Dは対角行列である。例えば、Dは、行列の対角要素に沿った非ゼロ値(例えば、対角に沿ったσi=di,_j)のみを含む。特異点が存在しない場合、対角要素は、行列の行の下方に向かって、かつ列にわたって減少する(例えばσ1≧σ2…>0)。Dを対角行列として設定した結果として、最適化モデルの制御が分散される。例えば、対角行列Dの一又は複数のゲインを調整することによって、インピーダンスの振幅制御ループと位相制御ループとが個別にチューニングされうる。
[0088]一部の実施形態では、RF整合回路最適化モデルは、正確性閾値を満たさないことがある。例えば、本書に記載の最適化モデル(例えば図4A~C)は、特定のRF整合回路の固有の特性を誤表現する値(理論値や一般化された値など)に依存しうる。一部の実施形態では、パラメータ及び値をより正確に測定して、より正確な最適化プロファイルを決定及び予測するために、以下のような較正が使用されうる。
[0089]処理ロジックは、(例えば、最適化プロファイルの精度及び正確性を向上させるために)最適化パラメータを更新するための、較正手順に従いうる。処理ロジックは、第1キャパシタ(例えばシャントキャパシタC1)及び第2キャパシタ(例えば直列キャパシタC2)のチューニング位置を見いだすために、RF整合自動チューニングモードを使用しうる。処理ロジックは、チューニングされたインピーダンス位置の摂動計算を使用して、ヤコビアンを測定しうる。例えば、処理ロジックは、C1/C2を、(例えば、RF整合を手動制御に設定することによって)整合位置に移動させうる。処理ロジックは、C2に変更を加えることなく、C1デルタ全体にわたってインピーダンスを計算しうる(例えば
=0.5)。この例では、処理ロジックは、C1をC1+
に移動させ、短時間(例えば10秒間)にわたり入力インピーダンスR1を読み取る。処理ロジックはC1をC1-
に移動させ、短時間(例えば10秒間)にわたり整合入力インピーダンスR2を読み取りうる。処理ロジックは、C1に変更を加えることなく、C2デルタ全体にわたってインピーダンスを計算しうる(例えば
=0.5)。
この例では、処理ロジックは、C2をC2+
に移動させ、短時間(例えば10秒間)にわたり入力インピーダンスR3を読み取る。処理ロジックは、C2をC2-
に移動させ、短時間(例えば10秒間)にわたり整合入力インピーダンスR4を読み取りうる。処理ロジックは次いで、次の方程式及びこの較正例中に記載のパラメータ値を使用して、ヤコビアンを計算しうる。
=0.5)。この例では、処理ロジックは、C1をC1+
に移動させ、短時間(例えば10秒間)にわたり入力インピーダンスR1を読み取る。処理ロジックはC1をC1-
に移動させ、短時間(例えば10秒間)にわたり整合入力インピーダンスR2を読み取りうる。処理ロジックは、C1に変更を加えることなく、C2デルタ全体にわたってインピーダンスを計算しうる(例えば
=0.5)。
この例では、処理ロジックは、C2をC2+
に移動させ、短時間(例えば10秒間)にわたり入力インピーダンスR3を読み取る。処理ロジックは、C2をC2-
に移動させ、短時間(例えば10秒間)にわたり整合入力インピーダンスR4を読み取りうる。処理ロジックは次いで、次の方程式及びこの較正例中に記載のパラメータ値を使用して、ヤコビアンを計算しうる。
[0090]方程式20で特定されたヤコビアンは次いで、本書に記載しているように、他の最適化プロファイル(例えばSVDや減衰など)と関連付けて使用されうる。
[0091]一部の実施形態では、処理ロジックは、予測データ(例えば最適化プロファイル)を、この予測データが重み付け係数に基づく閾値基準を満たすまで、継続的に生成しうる。詳細には、重み付け係数は1に設定されてよい(例えばw1+w2=1又は100%)。ユーザは、チューニング時間に対する最小反射電力の優先度に基づいて、重み付け係数を変更しうる。例えば、ユーザは、整合チューニング時間を最小化することを優先する場合には、w2を高い値に設定しうる。ユーザは、反射電力を最小化することを優先する場合には、w1を高い値に設定しうる。
[0092]ブロック320において、処理ロジックは、予測データに基づいて、是正措置の実施が行われるようにする。例えば、処理ロジックは最適化プロファイルからチューニング経路を選択しうる。コントローラ138は、チューニング経路に基づいて、第1キャパシタ226及び/又は第2キャパシタ228を調整しうる。図5は、第1キャパシタ226及び/又は第2キャパシタ228に関連付けられた複数のチューニング経路を示すグラフである。詳細には、図5は、第1キャパシタ226と第2キャパシタ228の初期チューニング値(例えば0から100%)の各々がキャパシタターゲット値に向かう、チューニング経路を示す。
[0093]図6は、ある種の実施形態による、コンピュータシステム600を示すブロック図である。一部の実施形態では、コンピュータシステム600は、(例えば、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といったネットワークを介して、)他のコンピュータシステムに接続されうる。コンピュータシステム600は、クライアント-サーバ環境におけるサーバ若しくはクライアントコンピュータとして、又はピアツーピア若しくは分散ネットワーク環境におけるピアコンピュータとして動作しうる。コンピュータシステム600は、パーソナルコンピュータ(PC)、タブレットPC、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、又は任意のデバイスであって、そのデバイスが行うアクションを指定する命令のセット(順次命令若しくはそれ以外の命令)を実行することが可能なデバイスによって、提供されうる。更に、「コンピュータ(computer)」という語は、本書に記載の方法のうちの任意の一又は複数を実施するために、命令のセット(又は複数のセット)を個別に又は共同で実行する、コンピュータの何らかの集合を含むものとする。
[0094]更なる態様では、コンピュータシステム600は、処理デバイス602、揮発性メモリ604(例えばランダムアクセスメモリ(RAM))、不揮発性メモリ606(例えば、読取専用メモリ(ROM)又は電気的消去可能プログラマブルROM(EEPROM))、及びデータ記憶デバイス616を含んでよく、これらは、バス608を介して互いに通信しうる。
[0095]処理デバイス602は、汎用プロセッサ(例えば、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、超長命令ワード(VLIW)マイクロプロセッサ、他の種類の命令セットを実装するマイクロプロセッサ、若しくは複数の種類の命令セットの組み合わせを実装するマイクロプロセッサなど)、又は、特殊なプロセッサ(例えば、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)、若しくはネットワークプロセッサなど)といった、一又は複数のプロセッサによって提供されうる。
[0096]コンピュータシステム600は、(例えば、ネットワーク674に連結された)ネットワークインターフェースデバイス622を更に含みうる。コンピュータシステム600は、ビデオディスプレイユニット610(例えばLCD)、英数字入力デバイス612(例えばキーボード)、カーソル制御デバイス614(例えばマウス)、及び信号生成デバイス620も含みうる。
[0097]一部の実行形態では、データ記憶デバイス616は非一時的コンピュータ可読記憶媒体624を含みうる。非一時的コンピュータ可読記憶媒体624には、図1のコンポーネント(例えば是正措置122や予測コンポーネント114など)を符号化する命令を含む、本書に記載の方法又は機能のうちの任意の一又は複数を符号化する命令626であって、本書に記載の方法を実装するための命令626を記憶しうる。
[0098]命令626は、コンピュータシステム600によってそれが実行されている間に、完全に又は部分的に揮発性メモリ604及び/又は処理デバイス602の中に常駐してもよく、ゆえに、揮発性メモリ604及び処理デバイス602が、機械可読記憶媒体を構成することもある。
[0099]コンピュータ可読記憶媒体624は、実施例では単一の媒体として図示されているが、「コンピュータ可読記憶媒体(computer-readable storage medium)」という語は、実行可能な命令の一又は複数のセットを記憶する、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、ならびに/又はそれに関連するキャッシュ及びサーバ)を含むものである。「コンピュータ可読記憶媒体」という語は、本書に記載の方法のうち任意の一又は複数をコンピュータに実施させる、コンピュータによって実行される命令のセットを記憶又は符号化することが可能な、任意の有形媒体も含むものとする。「コンピュータ可読記憶媒体」という語は、ソリッドステートメモリ、光媒体、及び磁気媒体を含むが、これらに限定されるわけではない。
[00100]本書に記載の方法、コンポーネント、及び特徴は、複数の別個のハードウェアコンポーネントによって実装されうるか、又は、他のハードウェアコンポーネント(ASICS、FPGA、DSP、若しくは同様のデバイスなど)の機能に一体化されることもある。加えて、方法、コンポーネント、及び特徴は、ハードウェアデバイス内のファームウェアモジュール又は機能回路網によって実装されうる。更に、方法、コンポーネント、及び特徴は、ハードウェアデバイスとコンピュータプログラムコンポーネントとの何らかの組み合わせにおいて、又はコンピュータプログラムにおいて、実装されうる。
[00101]特に別段の指示のない限り、「受信する(receiving)」、「実施する(performing)」、「提供する(providing)」、「取得する(obtaining)」、「~させる(causing)」、「アクセスする(accessing)」、「特定する/決定する/判定する(determining)」、「追加する(adding)」、「使用する(using)」、「訓練する(training)」などといった語は、コンピュータシステムによって実施又は実装されるアクション及びプロセスを指し示す。かかるコンピュータシステムは、コンピュータシステムのレジスタ及びメモリ内の物理(電子)量として表現されるデータを操作し、かつ、コンピュータシステムのメモリ若しくはレジスタ、又はその他のかかる情報を記憶し、送信し、又は表示するデバイスの中の物理量として同様に表現される別のデータに変換する。また、本書で使用される、「第1(first)」、「第2(second)」、「第3(third)」、「第4(fourth)」などの語は、種々の要素同士を区別するための符号を意味するものであり、これらの数値指定にしたがった順序的な意味は持たないことがある。
[00102]本書に記載の例は、本書に記載の方法を実施するための装置にも関する。この装置は、本書に記載の方法を実施するために特に構築されうるか、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ミングされた、汎用コンピュータシステムを含みうる。かかるコンピュータプログラムは、コンピュータ読取可能な有形記憶媒体に記憶されうる。
[00103]本書に記載の方法及び実施例は、何らかの特定のコンピュータ又はその他の装置に内在的に関連付けられるものではない。多種多様な汎用システムが本書に記載の教示に従って使用されうるか、又は、本書に記載の方法及び/又はそれらの個々の機能、ルーチン、サブルーチン、又は工程の各々を実施するために、より専門化された装置を構築することが便利であると判明することもある。これらの多種多様なシステムの構造の例が、上記に明示されている。
[00104]上記の説明は、限定ではなく例示を意図したものである。本開示では、特定の実施例及び実行形態を参照して説明してきたが、本開示は、説明された例及び実行形態に限定されないということが認識されよう。本開示の範囲は、後続の特許請求の範囲とともに、この特許請求の範囲が権利付与される均等物の全範囲を参照して、決定されるべきである。
Claims (20)
- 製造機器にRF信号を生成させて、前記製造機器に関連付けられた処理チャンバにエネルギー供給することと、
前記製造機器に関連付けられた一又は複数のセンサから、前記RF信号に関連付けられた現在のトレースデータを受信することと、
前記現在のトレースデータに基づいて、前記製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することと、
前記デジタルレプリカから、予測データを示す一又は複数の出力を取得することと、
前記予測データに基づいて、前記製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることと、
を含む、方法。 - 前記現在のトレースデータに基づいて、デジタルレプリカが精度閾値基準を満たしていないと判定することに応答して、前記デジタルレプリカの最適化を実施することを更に含む、請求項1に記載の方法。
- 前記デジタルレプリカの前記インピーダンス値を更新することが、
出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた処理チャンバモデルを更新することを含み、前記出力インピーダンスセンサは前記製造機器の整合ネットワークに関連付けられている、請求項1に記載の方法。 - 前記デジタルレプリカの前記インピーダンス値を更新することが、
入力インピーダンスセンサ及び出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた整合ネットワークモデルを更新することを含み、前記入力インピーダンスセンサ及び前記出力インピーダンスセンサは、前記製造機器の整合ネットワークに関連付けられている、請求項1に記載の方法。 - 前記予測データを示す一又は複数の出力が、訓練された機械学習モデルを使用して生成される、請求項1に記載の方法。
- 前記予測データが、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタの一又は複数のチューニング設定を含む、請求項1に記載の方法。
- 前記是正措置が、前記予測データに基づいて、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタを調整することを含む、請求項1に記載の方法。
- メモリと、
前記メモリに連結された処理デバイスと、を備えるシステムであって、前記処理デバイスが、
製造機器にRF信号を生成させて、前記製造機器に関連付けられた処理チャンバにエネルギー供給することと、
前記製造機器に関連付けられた一又は複数のセンサから、前記RF信号に関連付けられた現在のトレースデータを受信することと、
前記現在のトレースデータに基づいて、前記製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することと、
前記デジタルレプリカから、予測データを示す一又は複数の出力を取得することと、
前記予測データに基づいて、前記製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることと、を行う、
システム。 - 前記処理デバイスが更に、
前記現在のトレースデータに基づいて、デジタルレプリカが精度閾値基準を満たしていないと判定することに応答して、前記デジタルレプリカの最適化を実施する、請求項8に記載のシステム。 - 前記デジタルレプリカの前記インピーダンス値を更新するために、前記処理デバイスが更に、
出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた処理チャンバモデルを更新し、前記出力インピーダンスセンサは前記製造機器の整合ネットワークに関連付けられている、請求項8に記載のシステム。 - 前記デジタルレプリカのインピーダンス値を更新するために、前記処理デバイスが更に、
入力インピーダンスセンサ及び出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた整合ネットワークモデルを更新し、前記入力インピーダンスセンサ及び前記出力インピーダンスセンサは、前記製造機器の整合ネットワークに関連付けられている、請求項8に記載のシステム。 - 前記予測データを示す一又は複数の出力が、訓練された機械学習モデルを使用して生成される、請求項8に記載のシステム。
- 前記予測データが、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタの一又は複数のチューニング設定を含む、請求項8に記載のシステム。
- 前記是正措置が、前記予測データに基づいて、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタを調整することを含む、請求項8に記載のシステム。
- 命令を記憶している非一時的機械可読記憶媒体であって、前記命令は、実行されると、処理デバイスに、
製造機器にRF信号を生成させて、前記製造機器に関連付けられた処理チャンバにエネルギー供給することと、
前記製造機器に関連付けられた一又は複数のセンサから、前記RF信号に関連付けられた現在のトレースデータを受信することと、
前記現在のトレースデータに基づいて、前記製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することと、
前記デジタルレプリカから、予測データを示す一又は複数の出力を取得することと、
前記予測データに基づいて、前記製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることと、を含む工程を実施させる、
非一時的機械可読記憶媒体。 - 前記工程が更に、
前記現在のトレースデータに基づいて、デジタルレプリカが精度閾値基準を満たしていないと判定することに応答して、前記デジタルレプリカの最適化を実施することを含む、請求項15に記載の非一時的機械可読記憶媒体。 - 前記デジタルレプリカの前記インピーダンス値を更新することが、
出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた処理チャンバモデルを更新することを含み、前記出力インピーダンスセンサは前記製造機器の整合ネットワークに関連付けられている、請求項15に記載の非一時的機械可読記憶媒体。 - 前記デジタルレプリカの前記インピーダンス値を更新することが、
入力インピーダンスセンサ及び出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた整合ネットワークモデルを更新することを含み、前記入力インピーダンスセンサ及び前記出力インピーダンスセンサは、前記製造機器の整合ネットワークに関連付けられている、請求項15に記載の非一時的機械可読記憶媒体。 - 前記予測データを示す一又は複数の出力が、訓練された機械学習モデルを使用して生成される、請求項15に記載の非一時的機械可読記憶媒体。
- 前記予測データが、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタの一又は複数のチューニング設定を含み、前記是正措置が、前記予測データに基づいて、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタを調整することを含む、請求項15に記載の非一時的機械可読記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/133,787 | 2020-12-24 | ||
US17/133,787 US11784028B2 (en) | 2020-12-24 | 2020-12-24 | Performing radio frequency matching control using a model-based digital twin |
PCT/US2021/064673 WO2022140431A1 (en) | 2020-12-24 | 2021-12-21 | Performing radio frequency matching control using a model-based digital twin |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024504010A true JP2024504010A (ja) | 2024-01-30 |
Family
ID=82119140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023538853A Pending JP2024504010A (ja) | 2020-12-24 | 2021-12-21 | モデルベースのデジタルツインを使用する無線周波数整合制御の実施 |
Country Status (7)
Country | Link |
---|---|
US (2) | US11784028B2 (ja) |
EP (1) | EP4268258A1 (ja) |
JP (1) | JP2024504010A (ja) |
KR (1) | KR20230122653A (ja) |
CN (1) | CN116671006A (ja) |
TW (1) | TW202227837A (ja) |
WO (1) | WO2022140431A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11784028B2 (en) * | 2020-12-24 | 2023-10-10 | Applied Materials, Inc. | Performing radio frequency matching control using a model-based digital twin |
JP2022120418A (ja) * | 2021-02-05 | 2022-08-18 | 東京エレクトロン株式会社 | 基板処理装置、基板処理システム及び異常検知方法 |
JP7511501B2 (ja) * | 2021-02-10 | 2024-07-05 | 東京エレクトロン株式会社 | プラズマ処理装置及び監視装置 |
Family Cites Families (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5815047A (en) * | 1993-10-29 | 1998-09-29 | Applied Materials, Inc. | Fast transition RF impedance matching network for plasma reactor ignition |
US5654679A (en) * | 1996-06-13 | 1997-08-05 | Rf Power Products, Inc. | Apparatus for matching a variable load impedance with an RF power generator impedance |
US5770982A (en) * | 1996-10-29 | 1998-06-23 | Sematech, Inc. | Self isolating high frequency saturable reactor |
US6876155B2 (en) * | 2002-12-31 | 2005-04-05 | Lam Research Corporation | Plasma processor apparatus and method, and antenna |
US6781317B1 (en) * | 2003-02-24 | 2004-08-24 | Applied Science And Technology, Inc. | Methods and apparatus for calibration and metrology for an integrated RF generator system |
US7049751B2 (en) * | 2003-07-16 | 2006-05-23 | Advanced Energy Industries, Inc | Termination of secondary frequencies in RF power delivery |
US6888313B2 (en) * | 2003-07-16 | 2005-05-03 | Advanced Energy Industries, Inc. | Impedance matching network with termination of secondary RF frequencies |
US20050106873A1 (en) * | 2003-08-15 | 2005-05-19 | Hoffman Daniel J. | Plasma chamber having multiple RF source frequencies |
US7042311B1 (en) * | 2003-10-10 | 2006-05-09 | Novellus Systems, Inc. | RF delivery configuration in a plasma processing system |
US7292045B2 (en) * | 2004-09-04 | 2007-11-06 | Applied Materials, Inc. | Detection and suppression of electrical arcing |
US7403764B2 (en) * | 2004-11-30 | 2008-07-22 | Turner Terry R | RF power delivery diagnostic system |
US20060165146A1 (en) * | 2005-01-21 | 2006-07-27 | Backes Glen B | Systems and methods for utilizing pulsed radio frequencies in a ring laser gyroscope |
US8140312B2 (en) * | 2007-05-14 | 2012-03-20 | Abbott Diabetes Care Inc. | Method and system for determining analyte levels |
US7906032B2 (en) * | 2006-03-31 | 2011-03-15 | Tokyo Electron Limited | Method for conditioning a process chamber |
US8473022B2 (en) * | 2008-01-31 | 2013-06-25 | Abbott Diabetes Care Inc. | Analyte sensor with time lag compensation |
US7653425B2 (en) * | 2006-08-09 | 2010-01-26 | Abbott Diabetes Care Inc. | Method and system for providing calibration of an analyte sensor in an analyte monitoring system |
US8374668B1 (en) * | 2007-10-23 | 2013-02-12 | Abbott Diabetes Care Inc. | Analyte sensor with lag compensation |
JP5657262B2 (ja) * | 2009-03-27 | 2015-01-21 | 東京エレクトロン株式会社 | プラズマ処理装置 |
TWI455172B (zh) * | 2010-12-30 | 2014-10-01 | Semes Co Ltd | 基板處理設備、電漿阻抗匹配裝置及可變電容器 |
CN103137408B (zh) * | 2011-11-30 | 2015-07-29 | 中国科学院微电子研究所 | 具有精密功率检测器的射频电源 |
US9143366B2 (en) * | 2012-09-07 | 2015-09-22 | The Aerospace Corporation | Galvanic isolation interface for high-speed data link for spacecraft electronics, and method of using same |
US9477519B2 (en) * | 2014-09-18 | 2016-10-25 | Robert D. Pedersen | Distributed activity control systems and methods |
US20170330876A1 (en) * | 2014-12-02 | 2017-11-16 | Glenn J. Leedy | Vertical system integration |
KR101917006B1 (ko) | 2016-11-30 | 2018-11-08 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
WO2018185556A1 (en) * | 2017-04-06 | 2018-10-11 | DIARISSIMA Corp. | Augmented intelligence resource allocation system and method |
US11476091B2 (en) * | 2017-07-10 | 2022-10-18 | Reno Technologies, Inc. | Impedance matching network for diagnosing plasma chamber |
US20220254610A1 (en) * | 2017-07-10 | 2022-08-11 | Reno Technologies, Inc. | Resonant filter for solid state rf impedance matching network |
KR20190038070A (ko) * | 2017-09-29 | 2019-04-08 | 삼성전자주식회사 | 반도체 장치의 제조 시스템 및 반도체 장치의 제조 방법 |
US10304669B1 (en) * | 2018-01-21 | 2019-05-28 | Mks Instruments, Inc. | Adaptive counter measure control thwarting IMD jamming impairments for RF plasma systems |
JP6914211B2 (ja) | 2018-01-30 | 2021-08-04 | 株式会社日立ハイテク | プラズマ処理装置及び状態予測装置 |
US10304663B1 (en) * | 2018-07-19 | 2019-05-28 | Lam Research Corporation | RF generator for generating a modulated frequency or an inter-modulated frequency |
JP7094179B2 (ja) * | 2018-08-28 | 2022-07-01 | 東京エレクトロン株式会社 | インピーダンス整合方法およびインピーダンス整合装置 |
JP7134033B2 (ja) * | 2018-09-06 | 2022-09-09 | 東京エレクトロン株式会社 | 基板状態判定装置、基板処理装置、モデル作成装置及び基板状態判定方法 |
US11263737B2 (en) * | 2019-01-10 | 2022-03-01 | Lam Research Corporation | Defect classification and source analysis for semiconductor equipment |
US20220066411A1 (en) * | 2020-08-31 | 2022-03-03 | Applied Materials, Inc. | Detecting and correcting substrate process drift using machine learning |
US11784028B2 (en) * | 2020-12-24 | 2023-10-10 | Applied Materials, Inc. | Performing radio frequency matching control using a model-based digital twin |
US11961030B2 (en) * | 2022-01-27 | 2024-04-16 | Applied Materials, Inc. | Diagnostic tool to tool matching methods for manufacturing equipment |
US20230236586A1 (en) * | 2022-01-27 | 2023-07-27 | Applied Materials, Inc. | Diagnostic tool to tool matching and full-trace drill-down analyasis methods for manufacturing equipment |
US20230259112A1 (en) * | 2022-01-27 | 2023-08-17 | Applied Materials, Inc. | Diagnostic tool to tool matching and comparative drill-down analysis methods for manufacturing equipment |
TW202401008A (zh) * | 2022-06-03 | 2024-01-01 | 美商應用材料股份有限公司 | 監控基板上的聲學事件 |
-
2020
- 2020-12-24 US US17/133,787 patent/US11784028B2/en active Active
-
2021
- 2021-12-21 KR KR1020237024917A patent/KR20230122653A/ko unknown
- 2021-12-21 EP EP21912066.4A patent/EP4268258A1/en active Pending
- 2021-12-21 WO PCT/US2021/064673 patent/WO2022140431A1/en active Application Filing
- 2021-12-21 JP JP2023538853A patent/JP2024504010A/ja active Pending
- 2021-12-21 CN CN202180085761.XA patent/CN116671006A/zh active Pending
- 2021-12-22 TW TW110148108A patent/TW202227837A/zh unknown
-
2023
- 2023-10-09 US US18/377,918 patent/US20240162009A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
KR20230122653A (ko) | 2023-08-22 |
WO2022140431A1 (en) | 2022-06-30 |
US20220208520A1 (en) | 2022-06-30 |
US11784028B2 (en) | 2023-10-10 |
TW202227837A (zh) | 2022-07-16 |
CN116671006A (zh) | 2023-08-29 |
EP4268258A1 (en) | 2023-11-01 |
US20240162009A1 (en) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2024504010A (ja) | モデルベースのデジタルツインを使用する無線周波数整合制御の実施 | |
CN109715848B (zh) | 复杂多变量晶片处理设备中实现机器学习的方法和过程 | |
US11513504B2 (en) | Characterizing and monitoring electrical components of manufacturing equipment | |
JP2024096713A (ja) | 高度に共線的なレスポンススペースにおける処方分析 | |
KR102690997B1 (ko) | 가변 루프 제어 피쳐 | |
US20230418245A1 (en) | Process recipe creation and matching using feature models | |
TW202217671A (zh) | 腔室匹配及校準 | |
US20230222264A1 (en) | Processing chamber calibration | |
US20230078146A1 (en) | Virtual measurement of conditions proximate to a substrate with physics-informed compressed sensing | |
US20230195074A1 (en) | Diagnostic methods for substrate manufacturing chambers using physics-based models | |
US20230359179A1 (en) | Methods and mechanisms for adjusting film deposition parameters during substrate manufacturing | |
US20230195060A1 (en) | Substrate support characterization to build a digital twin | |
KR20230164607A (ko) | 머신 러닝 모델 성능의 변동을 방지하기 위한 방법들 및 메커니즘들 | |
CN117836895A (zh) | 制造系统处的多级rf脉冲监测和rf脉冲化参数优化 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230823 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240801 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240820 |