JP6751871B2 - 半導体製造プロセスのための改善されたプロセス制御技術 - Google Patents

Description

本出願は、各々その全体が参照によって本願に組み込まれる、２０１４年１１月２５日に出願された“Ｓｙｓｔｅｍ ａｎｄ Ｍｅｔｈｏｄｓ ｆｏｒ Ｏｖｅｒｌａｙ Ｅｒｏｒ Ｃｏｍｐｅｎｓａｔｉｏｎ， Ｍｅａｓｕｒｅｍｅｎｔｓ， ａｎｄ Ｌｉｔｈｏｇｒａｐｈｙ Ａｐｐａｒａｔｕｓ Ｃｏｎｔｒｏｌ”と題された米国特許出願第６２／０８４，５５１号、２０１４年１２月１４日に出願された“Ｓｙｓｔｅｍ ａｎｄ Ｍｅｔｈｏｄｓ ｆｏｒ Ｙｉｅｌｄ Ｐｒｅｄｉｃｔｉｏｎ， Ｔｅｓｔ Ｏｐｔｉｍｉｚａｔｉｏｎ， ａｎｄ Ｂｕｒｎ−Ｉｎ Ｏｐｔｉｍｉｚａｔｉｏｎ”と題された米国特許出願第６２／０９１，５６７号、および２０１５年１月１５日に出願された“Ｓｙｓｔｅｍ ａｎｄ Ｍｅｔｈｏｄｓ ｆｏｒ Ｕｓｉｎｇ Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ Ｍａｎｕｆａｃｔｕｒｉｎｇ”と題された米国特許出願第６２／１０３，９４６号からの優先権を主張するものである。

本開示は、一般に半導体製造プロセスに関し、特に、半導体製造プロセスのリソグラフィ、歩留り予測、および他の態様に関する改善されたプロセス制御技術に関する。

半導体製造業は、複雑かつ要求の多い業界であることが知られており、デバイス構造およびプロセス技術における大幅な変化を伴って進化し続けている。従来、半導体産業は、最新のハイテク機器、高度の工場自動化、および超清浄製造設備を特徴としており、これらは数十億ドルもの設備投資およびメンテナンスコストがかかるものである。

この数十年間、半導体製造は、ムーアの法則および平面型トランジスタ構造によって動かされてきた。これは、トランジスタコストのスケーリングおよび明確なインタフェースのための予測可能かつ自己持続型ロードマップを提供し、個々のプロセス／層は自らの技術軌道を独立的に辿ることができた。しかし、サブ２０ｎｍノードおよびたとえばＭＥＭＳなど他の大衆的なデバイス構造を供給するほどまで産業が拡大するにつれ、新たなプロセスが必要とされ、半導体製造のための新たなアプローチが研究および実装されている。

サブ２０ｎｍノードの場合、完全に新しいデバイス構造が必要である。同時に、モノのインターネット（ＩｏＴ）における急速な成長がＭＥＭＳ市場を動かしている。これらの変化は、この産業に関する困難かつ前代未聞の課題を提示しており、概して製造歩留りの低下をもたらす。

これらの新たな構造によって許容可能な歩留りおよびデバイス性能を実現するためには、非常に厳しいプロセス仕様が実現されなければならない。したがって、より良いプロセス制御および集積スキームが、現在かつてないほど必要とされている。

この産業に関する具体的な現在の課題の一例は、サブ２０ｎｍノード製造のためのリソグラフィプロセスである。ＥＵＶリソグラフィ技術が知られているが未だ幅広く生産に採用されてはおらず、そのため、マスクおよびプロセスステップを追加することにより複雑およびコストがかかるマルチパターニングスキームによって１９３ｎｍ液浸リソグラフィがその能力を拡大しなければならない。

様々なプロセスがより複雑な集積を必要とし、その結果、もはや互いに独立して発展することができない。たとえば、ｆｉｎＦＥＴおよび３−Ｄ ＮＡＮＤの３次元構造、ならびに対応するプロセスステップ間の複雑な関係は、プロセス可変性がデバイス性能および歩留りに影響を及ぼし得る状況を変えてきた。一例として、多くの半導体製造業者は、自身のｆｉｎＦＥＴラインにおける歩留り低下を経験しており、歩留まりを増加させる必要性は差し迫ったものである。メモリ空間において、３−Ｄ ＮＡＮＤは主要な構造になりつつあり、プロセス制御は３−Ｄ ＮＡＮＤプロセス層に関する重要な問題である。ＩｏＴ空間は、デバイスが必ずしもムーアの法則に合わせない技術を組み入れる「モアザンムーア」傾向によってますます多数派になりつつある。この成長する市場空間は、多角的かつ特殊なプロセスによって動かされており、製造ソリューションを実現する際に歩留りを増加させ製造コストを削減するための新たな方法の必要性がある。

半導体デバイスを製造するためのプロセスを示すフローチャートである。 図１のプロセスの様々なステップと、プロセス変動および製品性能へのそれらの累積効果との関係を示すブロック図である。 オーバーレイエラーがなくデバイスの２つの異なる層に形成された特徴の平面図である。 オーバーレイエラーを伴ってデバイスの２つの異なる層に形成された特徴の平面図である。 臨界寸法エラーを伴ってデバイスの単一層に形成された特徴の平面図である。 臨界寸法エラーまたはオーバーレイエラーがなくデバイスの２つの異なる層に形成された特徴を有する基板の側面図である。 臨界寸法エラーまたはオーバーレイエラーがなくデバイスの２つの異なる層に形成された特徴を有する基板の側面図である。 モデルを訓練および展開するための方法を示すフローチャートである。 入力データおよび入力データのソースの例を示すブロック図である。 プロセス調整を行うために展開されたモデルを用いるための方法を示すフローチャートである。 ＤＢＯ測定とＣＤ−ＳＥＭ測定との誤差を示すグラフである。 分類アルゴリズムおよび信頼メトリックを用いた歩留り予測を示すフローチャートである。 歩留りを予測するためにモデルを訓練および展開するための方法を示すフローチャートである。 歩留り予測システムの１つの実施形態のブロック図である。 製造された製品の状態を、重み付けされた試験データ、信頼メトリック、および分類の関数として決定するためのプロセスを説明する式を示す。 バーンイン時間を最適化するためのプロセスを説明する式を示す。 予測分析のための半導体製造プロセスにおける追加のアプリケーションを示すブロック図である。

１．概観
本開示は、半導体製造プロセスの生産ランにおけるプロセス変動を測定および／または補償するための新たな技術を説明し、これらの技術を、プロセスの任意のステップで歩留りを予測するために用い、試験およびバーンイン手順を最適化するためのものである。たとえば、新たな種類の入力データを取り入れることによってデータ分析に新たなアプローチをもたらすために機械学習アルゴリズムが用いることができ、データはより効率的に相関付け、編成、および前処理され、その後プロセス調整を行うために用いることができる。ターゲットパラメータに関するモデルを作成するために前回生産ランからのデータが用いられてよく、ターゲットパラメータに関する予測を生成し予測と実際のデータとを相関付けるために、今回生産ランからのデータがモデルに入力されてよい。

２．半導体製造プロセスの概要
図１は、典型的な半導体製造プロセス１００の高レベル図であり、実際はこの中に何百ものステップが存在し得る。一般に、生産ランにわたりプロセスのステップおよびサブステップごとにデータが収集されてよく、ステップごとに歩留りが計算されるとともに、プロセス全体の全歩留りが予測され得る。

ウェハ製造はステップ１０２から始まり、ここで、ウェハとして知られるたとえばシリコンなどの半導体基板の単一スライス上に多数の集積回路が形成される。様々な集積回路を組み立てるために多くのステップが様々なシーケンスにおいて必要である。たとえば堆積は、ウェハの絶縁層を成長させるプロセスである。拡散は、電気特性を変更するためにウェハのエリア内に不純物を焼成するプロセスである。イオン注入は、電気特性を変更するための他のプロセスであり、ドーパントをシリコンに注入するものである。これらのステップの間に、リソグラフィプロセスによって、ウェハのエリアが画像を用いてパターン化されることが可能であり、その後、ウェハ全体に塗布されたフォトレジストを露光するためにマスクが使用され、露光されたフォトレジストが現像される。その後、現像されたフォトレジストの選択された部分を除去するためにパターンがエッチングされ、これらのステップが反復されて複数の層を生成する。最後に、メタライゼーションは、ウェハ上に形成された様々なデバイス／回路の間の電気的相互接続を形成する特殊堆積プロセスである。製造プロセスは、製造後ステップに移行するまで完了するのに数か月を要し得る。

ステップ１０４においてウェハ試験および仕分けが行われる。ウェハが製造された後、ウェハ上に形成された個々の集積回路の全てが、たとえばウェハプローブを用いて試験パターンを印加することによって機能欠陥について試験される。回路は試験手順で可または不可になり、不可回路はマークされ、あるいはたとえばウェハマップを表すファイル内に格納されて識別される。

ステップ１０６において組立ておよびパッケージングが行われる。ウェハは独立した個々の回路またはダイにダイシングされ、ウェハ仕分けおよび試験を通過した各ダイは、パッケージを形成するためにフレームに接着および電気接続される。各ダイ／パッケージはその後、回路を保護するためにカプセル化される。

ステップ１０８において、パッケージ内の回路がここでも予想通りに機能することを確認するために、パッケージはランダム電気試験を受ける。

ステップ１１０において、残ったパッケージは、パッケージを極端ではあるが可能性のある動作条件に晒すことによるバーンインサイクルを経る。バーンインは、所定の期間にわたる電気試験、熱暴露、ストレススクリーニング、またはこれらの組み合わせを伴ってよい。バーンイン試験は、欠陥部品を明らかにする。

最後に、ステップ１１２において、残ったパッケージに電気試験の最終ラウンドが実施される。

３．機械学習アルゴリズム
たとえば大規模での並行処理の実行など、コンピューティング技術およびデータ分析技術における昨今の進化は、機械学習アルゴリズム、データマイニング、および予測分析における進歩をもたらした。機械学習は、データから学習し得る、システムの構築および研究に関する人工知能の分岐である。これらの種類のアルゴリズムによって、並行処理機能に加えて、データを物理的にモデル化する必要なくより大量のデータセットが処理されることが可能である。これによって、リソグラフィ装置にオーバーレイエラーおよび臨界寸法（ＣＤ）変動に関する補正を行うためにデータ分析を取り入れる可能性が開かれる。たとえば、オーバーレイエラーを補正するために通常のパラメータ（たとえばＣＤメトロロジー、オンスキャナデータ、ウェハ形状およびジオメトリメトロロジー、ＤＢＯ測定値）を使用することに加えて、機械学習アルゴリズムを訓練するために上流プロセスおよびメトロロジーからのプロセスパラメータおよび他のメトロロジーも使用され得る。

半導体およびエレクトロニクスの製造において、データは常に役割を果たしてきた。半導体産業において、データは当初、仕掛け品（ＷＩＰ）を追跡するために手動で収集されていた。収集されたこの種のデータには、メトロロジーデータ（ＩＣ製造プロセス中に得られた測定値）、パラメトリック試験データ、ダイ試験データ、最終試験データ、欠陥データ、プロセスデータ、および機器データが含まれた。データセットを分析および利用して歩留りおよび製造効率を改善するために、標準的な統計技術およびプロセス制御技術が用いられた。多くの例において、分析は、専門家による手動の「アドホック」形式で実行された。

しかし、デバイスノードが小さくなり許容差が厳しくなるにつれ、工場はより自動化され、データを収集する能力が改善されてきた。このデータ収集能力の改善を伴っても、半分より多くのデータが処理されることはないと見積もられている。また、処理および格納されたデータのうち、９０％より多くは再びアクセスされることがない。

今後、データ容量および速度は急速に増加し続ける。半導体プロセスツールにおけるデータ収集速度の昨今の水準は、１Ｈｚである。国際半導体技術ロードマップ（ＩＴＲＳ）は、データ収集速度に関する要件が３年以内に１００Ｈｚに達すると予測している。多くの専門家によると、より現実的な速度は１０Ｈｚであると考えられる。１０Ｈｚの速度でさえ、データ速度における１０倍の増加を示す。高速データ速度に加えて、半導体製造プロセスにより多くのセンサが展開されている。たとえば、アプライドマテリアルズファクトリーオートメーショングループは、先端技術の要件がセンサにおける４０％の増加をもたらすことを示すロードマップを有する。

現在収集される膨大な量のセンサデータおよび低いデータ記憶率を伴う場合、半導体産業の問題点を解決するためにデータサイエンスにおける進化が実現されてよく、またされなければならない。半導体およびエレクトロニクス産業において、データを活用して効率を改善するためにある程度の進歩が遂げられた。たとえば、マイクロチップ製造工場は、特定のプロセスのためのツールがメンテナンスを必要とする時を予測するため、または製造工場におけるスループットを最適化するために、データを結合および分析している。

予測分析および機械学習アルゴリズムは、このように、半導体産業が直面する課題に対処するために用いられ得る。半導体製造業の細部に深く掘り込むこと、およびどのように予測分析を適用して歩留り結果をより迅速に検出および解明し、個々の製造ステップの仕様を目標とし強化するかを知ることによって、歩留りの増加がもたらされ得る。図２は、製品性能におけるプロセス変動の累積効果の例を示す。関係は複雑であり、たとえばリソグラフィおよびエッチングステップの臨界寸法２０２、誘電体フィルム厚さ２０４、およびフィルム抵抗率２０６などプロセスステップの重要性能指標（ＫＰＩ）、たとえばチャネル長さおよび幅２１２、トランジスタおよびダイオード閾値２１４、および抵抗２１６などのパラメトリック、および、たとえば最大周波数２２２および最大電流２２４などの製品性能を相関付けることは難しい。これらの関係を数量化し、その後関係を活用して製品性能を予測および改善するために、予測分析を用いることができる。

半導体産業は、予測分析および機械学習アルゴリズムを適用するためにいくつかの固有の課題を提示する。これらの課題のいくつかは、多くのバッチプロセスにおける非線形性、プロダクトミックスによるマルチモードバッチ軌道、プロセスドリフトおよびシフト、少量の（場合によっては大量とは言えない）訓練データ、および（しばしば故意に調整される）様々な持続時間を有するプロセスステップである。

これらの課題を良く理解することが、予測分析を的確に利用するために必要である。的確に適用された場合、予測分析は、他の技術を用いて明らかにすることが難しかった複雑な相関性を見出すことができる。より深い理解および識見に近づくこの新たな方法は、未だかつてないような歩留りの増加、デバイス性能の改善、およびコスト削減のために活用され得る。

一例において、機械学習アルゴリズムは、歩留りを予測するために用いられ得る。製品に関する歩留り予測は、任意の数の製造ステップが完了した後の製品の品質または使用可能性の予測を参照する。製品に関する歩留り予測が所与の製造ステップにおいて「優良」である場合、その製品は、その製造プロセスの時点で使用可能であると予測され、処理を継続すべきである。歩留り予測が「不良」であると予測された場合、その製品は、その製造ステップの時点で欠陥品または使用不可能であると予測され、継続した処理を推奨されない。歩留り予測は、製品の処理を継続することがコスト効率的に良いかを決定するために役立つ。いくつかの実施形態において、歩留り予測は、製品の処理を継続するか否かの決定における構成要素である。歩留り予測は必ずしも、製品の処理を継続するか否かに関して決定する際の唯一の変数ではない。

他の例において、仮想メトロロジーは、リアルタイムで、実際の測定を行わずにたとえばフィルム厚さおよび臨界寸法（ＣＤ）などのメトロロジーメトリックを予測するために、機械学習アルゴリズムを用いることができる。これはスループットに多大な影響を与え、また高価なＴＥＭまたはＳＥＭ断面積測定の必要性も減少させ得る。生産設備からのセンサデータおよびアルゴリズムを訓練するためにサンプリングされたウェハの実際のメトロロジー値に基づいて、仮想メトロロジーは、全てのウェハに関するメトロロジー値を予測し得る。アルゴリズムは、入力データおよび測定されたターゲットのセットを用いてモデルが訓練され得る、教師あり学習アルゴリズムであってよい。ターゲットは、制御されるべき臨界寸法であってよい。入力データは、上流メトロロジー測定値またはプロセス機器からの（たとえば温度および実行時間などの）データであってよい。

また他の例において、メトロロジー測定値は現場で、または特定の半導体プロセスが完了した後に取られ、仮想メトロロジーシステムのための入力データの一部として用いられ得る。たとえばメトロロジーデータは、現在のリトグラフィステップに先立つ１または複数の処理ステップにおいて生じるＣＭＰステップの後に収集され得る。これらのメトロロジー測定値は、各メトロロジーシステムによって決定された厚さデータ、または屈折率および吸収係数であってもよい。

他の例において、メトロロジーデータは、エッチング処理中に収集され得る。フォトルミネセンスからの光学発光スペクトルまたはスペクトルデータが入力データの一部として利用され得る。たとえばエッチング、堆積、またはＣＭＰなどの特定のプロセス中に収集された現場スペクトルデータまたは他のセンサデータに、データ変換または特徴エンジニアリングが実行され得る。一例として、複数のスペクトルが処理中に現場で収集されてよい。使用されるスペクトルセットは、処理中に収集された全てのスペクトル、または処理中に収集されたスペクトルのサブセットであってよい。たとえば平均、標準偏差、最小、および最大などの統計値が時間にわたりスペクトルセットの波長間隔ごとに収集され、データ入力として使用されてよい。他の例として、所与のスペクトルに関して同様の統計値が収集され、これらの統計値の時系列がデータ入力として使用され得る。また他の例として、スペクトルにおける頂部および谷部が識別され、（同様の統計的変換を適用して）データ入力として使用され得る。スペクトルは、処理雑音またはシステム雑音を低減するために正規化またはフィルタ（たとえばローパスフィルタ）される必要があり得る。現場スペクトルデータの例は、ウェハからのリフレクトメトリ、光学発光スペクトル（ＯＥＳ）、またはフォトルミネセンスを含む。

また他の例において、仮想メトロロジーモデルのターゲットは、ウェハプローブ試験の出力、またはウェハプローブ試験によって測定した測定値であってよい。また、最終ウェハ電気試験、ウェハ仕分け試験、およびウェハ受入れ試験からの出力が、仮想メトロロジーモデルへのターゲットとして用いられ得る。最終ウェハ電気試験パラメータの例は、ダイオード特性、駆動電流特性、ゲート酸化物パラメータ、漏洩電流パラメータ、金属層特性、レジスタ特性、ビア特性などを含むが、これに限定されない。ウェハ仕分けパラメータの例は、クロックサーチ特性、ダイオード特性、走査論理電圧、静止ＩＤＤ、ＩＤＤＱ、ＶＤＤ分、電源オープンショート特性、リング発振器周波数などを含むが、これに限定されない。仮想メトロロジーモデルのターゲットは、最終試験からの出力であってよい。ターゲットは、たとえばバーンインなどのデバイス信頼性ストレスの前後に様々な電気および温度条件の下で複数回生じる試験、またはバーンインステップにおいて生じる試験から得られ得る。ターゲットは、機能試験、構造試験、およびシステムレベル試験の混合である電気試験から得られ得る。

また他の例において、機械学習アルゴリズムは、製造プロセスステップを制御するために用いられ得る。上述したように、仮想メトロロジーは、製造プロセスステップに関する臨界寸法またはフィルム厚さを予測するために用いられ得る。この製造ステップの処理前または処理中、予測は、その処理ステップに関する任意の数の処理パラメータ（たとえば実行時間）を設定および／または制御するために用いられ得る。

また他の例において、機械学習アルゴリズムは、製造プロセスにおいて、またはプロセスステップにおける特定のツールで、いつ故障または欠陥が生じるかを予測するために用いられ得る。機械故障または障害を識別し、故障の根本原因を迅速に発見することが、半導体製造業において重要であり得る。製造プロセスにおける故障をより良く検出および解明することができると、ダウンタイムおよび廃棄物が減少し得る。これは、故障検出および分類（ＦＤＣ）とも称される。故障が生じる前にそれを予測することができれば、ダウンタイムが最適にスケジュールされ、廃棄物は更に減少し得る。一例として、どの入力特徴がプロセスにおける故障を最も良く予測し得るかを決定し、故障の検出に基づいて決定則を展開するために、決定ツリーが使用され得る。

４．リソグラフィおよびオーバーレイエラー
上述したように、リソグラフィプロセスは、サブ２０ｎｍノードの製造に関する課題を提示する。リソグラフィ装置は、基板、多くの場合基板のターゲット部分に、所望のパターンを施す機械である。個々の集積回路（ＩＣ）層の回路パターンは、一般にマスクまたはレチクルと称される、パターンをターゲットに転写するパターニングデバイスによって生成される。通常、パターンは、基板上に形成された放射感応性の材料（たとえばレジスト）の層に結像することによって転写される。１つの基板上に、連続的にパターン化された隣接するターゲット部分の回路網が存在する。

リソグラフィ装置の一種がステッパであり、これによるとターゲット部分のパターン全体が単一の機会に露光される。他の種類のリソグラフィ装置はスキャナであり、これによると、所与の方向への放射ビームによってパターンを走査すると同時にこの方向と平行または反平行に基板を走査することによって、ターゲット部分が照射される。

後続する層におけるパターン化特徴の配置は、デバイスを的確に組み立てるために非常に精密でなくてはならない。全ての特徴は、指定された許容値の範囲で形成されるサイズおよび形状を有さなければならない。特徴または隣接層間のオフセットまたはミスマッチを指すオーバーレイエラーは、製造後のデバイスが正常に機能するために、最小限かつ許容値の範囲内でなくてはならない。したがってオーバーレイ測定値は、レジスト層におけるマスクによって露光される所与のパターンのオーバーレイエラーを決定するために重要である。

オーバーレイ測定モジュールは通常、光学走査システムを用いてオーバーレイ測定を実行する。基板上のパターンの位置に対するレジスト層におけるマスクパターンの位置は、光源によって照射される基板上の光学マーカからの光学応答を測定することによって決定される。光学マーカによって生成される信号は、センサ配置によって測定される。センサの出力を用いて、オーバーレイエラーが導出される。通常、オーバーレイエラーが測定されるパターンは、ターゲット部分の間にあるスクライブレーン内に位置する。

オーバーレイの測定に関する２つの共通概念は、画像に基づくオーバーレイ（ＩＢＯ）および回析に基づくオーバーレイ（ＤＢＯ）である。ＩＢＯの場合、基板パターンの画像位置が、レジスト層におけるマスクパターン位置と比較される。オーバーレイは、これら２つの画像位置を比較した結果である。結像アプローチは、２つの層のアライメントを直接的に示す「画像」の分析に基づくので、概念として単純である。たとえば、ボックスインボックスまたはラインインラインアライメントマークが２つの層で共通して用いられる。しかし、ＩＢＯエラー測定は、振動および測定中のフォーカス品質に過敏であり、両者が画像のぶれをもたらし得る。光学系における収差が更にＩＢＯ測定の精度を低下させ得る。

ＤＢＯの場合、第１の回析格子パターンがパターン層に存在し、同一のピッチを有する第２の回析格子パターンがレジスト層に存在する。第２の格子は、名目的には第１の格子の上面に存在しなければならず、回析パターンの強度を測定することにより、オーバーレイ測定値が得られ得る。２つの格子の間にオーバーレイエラーが存在する場合、それが解析パターンにおいて検出可能である。ＤＢＯは、ＩＢＯに比べて振動に過敏ではない。

マルチパターニングソリューションを機能させるために、特に現在実装されている非常に小さな寸法の光の場合、より精密かつ正確なマスクオーバーレイの必要性が非常に重要になっている。オーバーレイエラーおよび臨界寸法（ＣＤ）変動の畳み込みは、短絡、接続不良、および動作不良デバイスを招き得るので、マスクオーバーレイエラーを最小限にすることに加えて臨界寸法均一性（ＣＤＵ）も重要になっている。

たとえば、図３Ａは、第１層に形成された特徴３０２およびたとえば第１層の上にある第２層に形成された特徴３０４を有する、外見上のオーバーレイエラーがないデバイス３００の一部の上面図を示す。第１層において、特徴３０４の下に、特徴３０４と直線上で位置を合わせられることによってオーバーレイエラーを生じない他の特徴（不図示）も形成される。

対照的に、図３Ｂは、第１層に形成された特徴３１２および３１３を有する別のデバイス３１０の一部の上面図を示す。特徴３１４は第２層に形成され、第１層における特徴３１３と合わせられるが、この例では、特徴３１３と３１４との位置ずれによるオーバーレイエラー３１１が示される。

図４は、単一層に形成された特徴間のＣＤ変動を有するデバイス４００の一部の上面図を示す。したがって、特徴間の寸法は「ｘ」に設計され、特徴４０１と４０２との間および特徴４０３と４０４との間にこの寸法が認められる。しかし、特徴４０２と４０３との間で寸法は「ｘ未満」であり、これが臨界寸法エラーである。

図５Ａは、基板５０１および基板の上面に形成された特徴の第１層５０２を有するデバイス５００の側面図である。特徴の第２層５０３は、２つの異なるリソグラフィステップにおいて第１層５０２の上面に形成される。たとえば、特徴５１１〜５１４は第１のリソグラフィステップにおいて形成され、その後、特徴５１５〜５１７が第２のリソグラフィステップにおいて形成される。この例では、異なる層における特徴間で外見上のオーバーレイエラーはなく、異なるリソグラフィステップにおいて形成された特徴間で寸法は一貫して「ｘ」であるため、ＣＤエラーもない。

図５Ｂは、基板５２１、基板の上面に形成された特徴の第１層５２２、２つの異なるリソグラフィステップにおいて第１層５０２の上面に形成された特徴の第２層５０３、すなわち第１のリソグラフィステップにおいて形成された特徴５３１〜５３４および第２のリソグラフィステップにおいて形成された特徴５３５〜５３７を有する別のデバイス５２０の側面図である。しかしこの例において、特徴５３５〜５３７は第１層に対して位置ずれがあるので、第２のリソグラフィステップにおける外見上のオーバーレイエラー５５０が存在する。異なるリソグラフィステップにおいて形成された特徴間のＣＤエラーも存在し、特徴の片側における寸法は「ｘより大きく」、特徴の他方の側における寸法は「ｘ未満」である。

このように、オーバーレイエラーおよびＣＤエラーを決定し、補償を適用することが、リソグラフィプロセスにおいて非常に重要になっている。以下の表Ｉは、より小さなノードほど許容可能なオーバーレイエラーおよびＣＤエラーに関して厳しさを増すバジェットを示す。

オーバーレイエラーおよびＣＤエラーを招くパターニングエラーの多くの原因が存在する。たとえば、レチクルは、配置エラー、ＣＤ均一性エラー、およびヘイズ欠陥の原因になり得る。リソグラフィおよびエッチングプロセスは、フォーカスおよび／または露光エラー、オーバーレイ問題、（たとえばＣＤおよび形状などの）エッチングプロファイル問題、および他の欠陥を有し得る。ウェハ製造および他のプロセスは、ウェハ形状および均一性、フィルム特性の均一性、ＣＭＰ均一性、熱処理、および背面およびエッジ欠陥に関する問題を有し得る。

処理技術が、たとえば１０ｎｍや７ｎｍなどますます小さなノードに移行するにつれ、利用可能なメトロロジーソリューションの能力に関する深刻な懸念が存在する。オーバーレイエラーおよびＣＤエラーを補正するためにスキャナまたはステッパに的確な調整が行われ得るように、これらのソリューションにおける不確実性は最小限にされなければならない。オーバーレイはｘｙ座標系、またはオーバーレイを表すベクトルにおいて定義され得るが、オーバーレイを補正するための調整をもたらし得るリソグラフィ装置には多数の構成要素が存在する。

したがって、たとえばオーバーレイエラーおよびＣＤエラーなどのリソグラフィパターンエラーを測定および／または補償するための新たな技術が説明される。機械学習アルゴリズムは、データ処理およびプロセス制御に新たなアプローチをもたらすために用いられ得る。たとえば、より多数の多様な種類の入力データが機械学習アルゴリズムに供給されてよく、エラーを補正するためにリソグラフィ装置の１または複数のパラメータをどのように調整するかを決定するために、データはより効率的に編成および前処理され得る。

図６を参照すると、フローチャートは、たとえばオーバーレイエラーおよびＣＤエラーなどのリソグラフィ処理におけるエラーを補正するために半導体製造プロセスを評価するためのモデルを作成および展開する方法６００を示す。ステップ６０２において、ターゲットが選択される。１つの実施形態において、ターゲットはオーバーレイ測定（たとえばＩＢＯ測定、ＤＢＯ測定、ＣＤ−ＳＥＭ、ＴＥＭなど）であり、ｘおよびｙ方向における線形オーバーレイオフセットであってよい。ターゲットは、たとえばレチクル位置、レチクル回転、またはレチクル倍率など、オーバーレイエラーを最小限にするように制御される必要がある他のリソグラフィ装置パラメータであってもよい。ターゲットは、たとえばトランジスタのオン／オフ電流、トランジスタ閾値、またはトランジスタの状態を数値化する他の何らかのパラメータなどのパラメトリックデータであってよい。ターゲットは、たとえば（場合によっては可または不可のいずれかとして測定される）ウェハ上の所与のダイまたはエリアの機能性などの歩留り情報であってもよい。ターゲットは、半導体デバイス性能データであってもよい。

ステップ６０４において、ターゲットの評価に役立つパラメータが識別され、ステップ６０６において、パラメータに関連する入力データが収集される。入力データのセットは全て、特定の出力またはターゲットに相関付けられる。たとえば、測定値および観測値のセットがオーバーレイオフセットに相関付けられ得る。これらの値は、モデルへの入力ベクトルであり、たとえば測定されたオフセットなどのターゲットに相関付けられる。ｎ個の入力変数がある場合、ターゲットごとの入力ベクトルサイズは１×ｎである。したがって、ｍ個のターゲットがある場合、サイズｍ×ｎの入力データマトリクスが存在し、入力データマトリクスの各行はターゲットに関連する。これは、機械学習アルゴリズムのためのマトリクス形式の典型的な訓練セットである。このマトリクスの説明が以下の表ＩＩに示される。

ターゲットデータは、他のプロセスが完了した後に収集されてよく、あるいは半導体デバイスが全ての処理を終えた後に収集されてもよい。パッケージング後のデータがターゲットとして用いられてもよい。

オーバーレイエラー補償およびリソグラフィ装置制御において既に常用されているパラメータのいくつかは、この入力データセットの一部として用いられる。たとえば、これらの常用パラメータは、メトロロジー機器からのＤＢＯ測定値、ウェハ形状およびジオメトリ測定値、またはリソグラフィ装置からのパラメータを含み得る。

最も重要なことに、上流半導体プロセスおよびメトロロジーからの他のパラメータが同様にアルゴリズムへの入力として用いられ得る。これらの入力パラメータは、光リフレクトメトリまたはエリプソメトリを含む、前のプロセスステップからの他のメトロロジー測定値（垂直入射、偏光または無偏光、入射斜角、および様々な方位角）を含み得る。

メトロロジー測定値は、所与の波長における強度としてのアルゴリズムへの入力であってよい。たとえば、メトロロジーデータは、特定のステップ（たとえばエッチングまたは堆積）後に行われるリフレクトメトリ測定から取り込まれてよい。リフレクトメトリデータが広帯域無偏光でターゲットを照射することによって収集され、２５０ｎｍ〜８５０ｎｍの検出可能波長範囲を有する場合、ユーザは、２ｎｍ間隔で２５０ｎｍ〜８５０ｎｍの光をサンプリングのために選択し、その波長範囲について合計３０１のスペクトル強度測定値を得ることができる。これら３０１のサンプルは、各々がアルゴリズムへの入力になる。入力データがどのようにターゲットに相関付けられるかの例が表ＩＩＩに示される。

メトロロジー測定値は現場で、または特定の半導体プロセスの完了後、得られ得る。たとえば、メトロロジーデータは、現在のリソグラフィステップに先立つ１または複数の処理ステップにおいて生じるＣＭＰステップ後に収集され得る。メトロロジー測定値は、各メトロロジーシステムによって決定された厚さデータ、または屈折率および吸収係数であってもよい。他の例において、メトロロジーデータは、エッチングプロセス中に収集され得る。フォトルミネセンスからの光学発光スペクトルまたはスペクトルデータが入力データとして利用され得る。

たとえばエッチング、堆積、またはＣＭＰなど特定のプロセス中に収集された現場スペクトルデータまたは他のセンサデータに、データ変換または特徴エンジニアリングが実行され得る。一例として、複数のスペクトルがプロセス中に現場で収集されてよい。使用されるスペクトルセットは、プロセス中に収集された全てのスペクトル、またはプロセス中に収集されたスペクトルのサブセットであってよい。たとえば平均、標準偏差、最小、および最大などの統計値が時間にわたりスペクトルの波長間隔ごとに収集され、データ入力として用いられ得る。他の例として、所与のスペクトルに関して同様の統計値が収集され、それらの統計値の時系列がデータ入力として用いられ得る。また他の例として、スペクトルにおける頂部および谷部が識別され、（同様の統計的変換を適用して）データ入力として用いられ得る。スペクトルは、プロセス雑音またはシステム雑音を低減するために正規化またはフィルタ（たとえばローパスフィルタ）される必要があり得る。現場スペクトルデータの例は、ウェハからのリフレクトメトリ、光学発光スペクトル（ＯＥＳ）、またはフォトルミネセンスを含む。

入力パラメータは、たとえばプローブおよび他の種類の接触測定、すなわち高解像度プロファイラ（ＨＲＰ）などの接触測定によって得られたＲｓ（導電性、抵抗率）測定値など、非光学測定値を含んでもよい。

入力パラメータは、エッチング装置のプラズマ電極とマッチングネットワークとの間に設置され得るプラズマインピーダンスモニタ（ＰＩＭ）に由来してもよく、リアクタンス、インピーダンス、抵抗、電流、電圧、電力、位相、および基本周波数に関するデータを供給し得る。

たとえば気体流センサ、電力センサ、圧力センサ、温度センサ、電流センサ、電圧センサなどのプロセス機器測定値またはメトリックがアルゴリズムへの入力として用いられてもよい。このデータは、オーバーレイが測定および制御されるリソグラフィステップの前に生じるプロセスステップにおいて収集され得る。これらの例は、エッチングチャンバからのプロセス時間、ＲＦ周波数および電力、ＣＭＰツールからの電流およびインピーダンス測定値、ＣＭＰ研磨時間、モータ電流、質量流量コントローラからのＣＶＤ堆積時間および情報、温度、圧力などを含む。このデータは、実行中のリソグラフィステップより上流の任意または全てのプロセスから得られ得る。

たとえばチャネル幅および深さ、トランジスタ閾値、および抵抗などのパラメトリックデータおよび測定値がアルゴリズムへの入力として用いられてもよい。

ＤＢＯ技術において用いられる回析スペクトルまたはデータも同様に入力の一部であってよい。上述した入力は全て、ＤＢＯ出力におけるわずかな変動に相関付けられ得るので、エッチングからのＣＤ測定値が与えられると、オーバーレイエラー補償のより良い制御またはより良いリソグラフィ制御をもたらし得る。

エッチング後に得られるＣＤ測定値は、入力として選出する重要なパラメータである。上述したように、これらの測定値は、デバイス性能または歩留りを決定するためにオーバーレイエラーに畳み込まれる。

ＤＢＯ測定システムにおいて、オーバーレイを測定するために回析光が用いられる。しかし、上流プロセスにおける変化は、スペクトルシグネチャに影響を及ぼし得る。たとえば、上流フィルム特性の屈折率にシフトがあると、スペクトルシグネチャが変化し得る。同様に、プロセスシフトによって回析格子の側壁角がシフトすると、それがスペクトルシグネチャにおける変化を引き起こし得る。したがって、回析スペクトルへの影響を有し得る上流データを用いて機械学習アルゴリズムを訓練することによって、上流プロセスと回析格子のスペクトルシグネチャとの間で相関性が発見された場合にオーバーレイエラーが厳密化され、またはオーバーレイ測定がより正確に行われ得る。

図６を参照すると、ステップ６０８において、フィルタリング、正規化および／またはクレンジングステップが入力データに実行され得る。

ステップ６１０において、次元縮小または特徴選択ステップが実行される。このステップの目的は、アルゴリズムに関する入力パラメータの数を減少させることである。たとえば主成分分析（ＰＣＡ）などの次元縮小技術が一般に知られている。

ステップ６１２において、データはその後、訓練のためにアルゴリズムに供給される。アルゴリズムは、多数の様々な種類のアルゴリズムの１つであってよい。機械学習アルゴリズムの例は、たとえばＣＡＲＴ（分類および回帰ツリー）、Ｃ５．０、Ｃ４．５、およびＣＨＡＩＤ、サポートベクトル回帰、パーセプトロン、バックプロパゲーション、および深層学習（ビッグデータ対応）を含む人工ニューラルネットワーク、および、ブースティング／バッギング、ランダムフォレスト、およびＧＢＭ（グラディエントブースティングマシン）を含むアンサンブルなどの決定ツリーを含む。最良のアルゴリズムは、単一のアルゴリズムではなくアルゴリズムの集団であってもよい。

特に、ＧＢＭ（グラディエントブースティングマシン）およびランダムフォレストアルゴリズムは、最良の結果をもたらし得る。上述したものを含む他の機械学習アルゴリズムも良好に機能し得るものであり検討すべきである。

訓練入力および訓練ターゲットを与えられると、アルゴリズムは、ステップ６１４においてモデルを生成する。モデルはその後、ステップ６１６において展開され得る。

図７は、測定値、算出パラメータ、またはモデル化パラメータであってよい、特定のターゲットに関連する複数の入力パラメータ７１２ａ、７１２ｂ、・・・７１２ｘを有するマトリクス７１２である、入力特徴セット７１０のための入力データを収集する１つの例である。入力データは、ウェハ製造中、ウェハ試験および仕分けおよび／またはウェハプローブ試験において、またはその前に収集されてよい。たとえば、入力データは、エッチング、ＣＭＰ、ギャップフィル、ブランケット、ＲＴＰなどに関するステップ中にプロセス機器７２０から収集されてよく、たとえばプロセス持続時間、温度、圧力、ＲＦ周波数などのプロセス変数を含んでよい。また入力データは、たとえばＣＤ、ウェハ形状、フィルム厚さ、フィルム抵抗率、インラインまたは現場測定値などのメトロロジーデータ７３０も含んでよい。また入力データは、たとえばチャネル長さ、チャネル幅、チャネル深さ、トランジスタ閾値、抵抗などのパラメトリックデータ７４０も含んでよい。

図８は、モデルの使用法を示す。ステップ８０２において、指定された入力データがたとえば入力ベクトルとして収集され、その後ステップ８０４においてモデルに供給される。指定されたデータのいくつかが１ｘｎベクトルに存在しない場合、入力ベクトルにおいて欠落データを置換または推定し得る複数の技術がある。

ステップ８０６において、アルゴリズムモデルに供給されるサイズ１ｘｎの入力ベクトルごとに、スコアが生成される。スコアは、入力データが与えられると、モデルによって作製されるターゲットの予測である。モデルによって生成されるスコアは、モデルを生成したアルゴリズムを訓練するためにどのようなメトリックが用いられたかに対応する。たとえば、アルゴリズムを訓練するためにターゲットに関してＤＢＯ測定が用いられた場合、スコアは、予測ＤＢＯ測定値である。ターゲットがパラメトリック試験値であった場合、スコアは、そのパラメトリック試験値の予測である。典型的な状況において、スコアは、オーバーレイオフセット予測、たとえばｘ方向またはｙ方向におけるオフセットであってよい。ステップ８０８において、スコアは、リソグラフィ装置の１または複数の構成要素に行われる調整を決定するために用いられる。たとえば、リソグラフィ装置パラメータまたは「制御ノブ」に調整を行い、オーバーレイエラーを調整するために、オフセットデータが制御システムに適用され得る。

スコアに加えて、モデルは、スコア予測がどの程度信頼できるかを記述する信頼メトリックも出力し得る。これは、スコアを利用するか否か、または他の従来の測定と併せてその予測の使用を重み付けするか否かの決定に役立ち得る。たとえば、予測されたオフセットが３．０ｎｍ、ＤＢＯ測定されたオフセットが６ｎｍであり、予測に（１．０中）０．８の信頼度がある場合、最終予測オフセットは、（３．０×０．８）＋（６．０×０．２）＝３．６ｎｍとなる。

上述したように、ＣＤエラーおよびオーバーレイエラーの畳み込みは、デバイス性能に影響を及ぼし得る。デバイス性能を最適化するために、所与のＣＤに関してオーバーレイを調整することが必要であり得る。１つの実施形態において、機械学習アルゴリズムは、たとえばフォーカス、電力、またはｘｙ方向制御などのリソグラフィ装置制御パラメータをターゲットとするモデルを作成するために、ＣＤエラー測定およびオーバーレイエラー測定とともに、上述した入力データの全てまたは一部を用いて使用され得る。リソグラフィ装置の出力が最良の半導体デバイス性能または歩留りをもたらすように、（測定されたＣＤを前提に）リソグラフィ装置制御パラメータを最適化することが目標である。

新たな入力データおよび対応するターゲットデータが生成されると、アルゴリズムは、より良いスコアを出すより良いモデルを生成するように再訓練され得る。アルゴリズムのセットは、同じ入力およびターゲットデータセットによって同時に訓練され得る。最良の出力を出すアルゴリズムが、最終的に展開されるアルゴリズムであってよい。あるいは、アルゴリズムの集団が、利用すべき最良のアルゴリズムとして識別されてもよい。最良のアルゴリズムは、訓練データセットにおける確認試験の平均を通して、どのアルゴリズムが最良の結果を出すかによって識別される。たとえば、ｋ平均交差確認は、確認アルゴリズムのための一般的な技術である。

上述したように、入力データセットは、前処理を受けなければならない。前処理ステップは、入力データセットの品質を改善し、モデルによって行われる予測の正確さおよび精度を高め得る。いくつかの実施形態において、たとえばデータの正規化またはパラメータ付けなど、他のデータ作成技術が入力データに適用され得る。

また、データ内のドリフトおよびシフトを補償するためにｚスコアが生成され得る。たとえばツールが校正された場合、入力データがシフトし得る。シフトが生じると、それによって入力データの全体平均および標準偏差が変化することにより、モデルによって不良な結果が生じる。たとえばプロセスツールが校正を受けた場合のようにシフトが生じると、人間またはアルゴリズムのいずれかが合図し、誤った予測が存在しないことを確認するために、校正後、（アルゴリズム予測が製品に適用されない）「リスニングモード」で一定期間データが収集され得る。所定の期間の後、そのデータからｚスコアが生成される。ｚスコアは、校正前に生じたデータのｚスコアと類似するはずである。これは、校正が行われる前後にデータを正規化する例である。

いくつかの実施形態において、上流のプロセス機器およびメトロロジーデータによって生成された仮想メトロロジー予測がモデルへの入力として用いられ得る。これは基本的に、第１のアルゴリズムによって第１に仮想メトロロジー予測が決定されるマルチステップモデルまたはアルゴリズムを表す。たとえば、出力は、オーバーレイエラー補償、オーバーレイエラー測定、または歩留り予測のために設計された他のアルゴリズムへの入力として用いられ得る。

アルゴリズムによる予測は、製品における全ての試験および製造が完了した後、行われ得る。典型的な状況において、製品が全ての最終試験を可で通過した場合でも、製品が出荷後および／または使用中に機能しなくなるかを予測することが目標である。

アルゴリズムは、機械学習アルゴリズムの種類である分類または回帰アルゴリズムであってよいが、多数の異なる種類のアルゴリズムの１つであってもよい。使用され得るこれらのアルゴリズムのいくつかの例は、決定ツリー、ＣＡＲＴ（分類および回帰ツリー）、Ｃ５．０、Ｃ４．５、ＣＨＡＩＤ、サポートベクトル回帰、人工ニューラルネットワーク、パーセプトロン、バックプロパゲーション、深層学習、アンサンブル、ブースティング／バッギング、ランダムフォレスト、ＧＢＭ（グラディエントブースティングマシン）、アダブーストを含む。

いくつかの実施形態において、最良のアルゴリズムは、単一のアルゴリズムではなくアルゴリズムの集団であってもよい。アルゴリズムの集団は、どのアルゴリズムまたはアルゴリズムの組み合わせが最良の予測をもたらすかを決定するために様々な技術を用い得る。たとえば、集団アルゴリズムは、集団内のアルゴリズムの全てからの平均推奨を採用し得る。他の例において、集団アルゴリズムは、最終推奨を生成するために投票スキームを用い得る。集団アルゴリズムは、最良の予測を生成するために個々のアルゴリズムの集合に適用される様々な重み付けスキームを用い得る。

特に、ＧＢＭ（グラディエントブースティングマシン）およびランダムフォレストアルゴリズムを用いて良好な予測が生成されている。

スコアは、モデルが展開されるとモデルに供給される入力ベクトルごとに行われる予測である。たとえば、ウェハがウェハ試験で「優良」であると識別されるか否かを予測することが目標である場合、入力ベクトルは、そのウェハに関連する全ての入力データから構成されてよく、その入力データは、予測を行うためにモデルに供給される。

いくつかの実施形態において、モデルは、スコアがどの程度信頼できるかを記述し得る信頼メトリックも出力し得る。これは、スコアを利用するか否かの決定、または最終試験を最適化するため、またはバーンイン時間を計算するために役立ち、あるいは最終歩留り予測において用いられてよい。マルチステップアルゴリズムの場合、信頼メトリックは、後続するアルゴリズムへの入力として用いられ得る。

アルゴリズムが分類アルゴリズムである場合、傾向メトリックも生成されてよく、１つの実施形態において、それは０〜１の値を有する。一例として、傾向値が０に近い場合、予測が一方の分類（たとえばＦＡＬＳＥ）である可能性がある。傾向値が１に近い場合、予測が他方の分類（たとえばＴＲＵＥ）である可能性がある。傾向メトリックは、所与の予測を行う際にアルゴリズムがどの程度信頼性が高いかを示してよく、すなわち、傾向メトリックが０または１のいずれかに近いほど、予測が正確であるという信頼性が高まる。マルチステップアルゴリズムの場合、傾向メトリックは、後続するアルゴリズムへの入力として用いられ得る。

実施形態において、新たな入力データおよび対応するターゲットデータが生成されると、アルゴリズムは、より良いスコアを出すより良いモデルを生成するために再訓練され得る。

いくつかの実施形態において、アルゴリズムのセットが、同一の入力およびターゲットデータセットによって同時に訓練され得る。最良の出力を出すアルゴリズムが展開のために選択され得る。

一例において、アルゴリズムは、ｆｉｎＦＥＴ構造の処理および製造に適用され得る。流動可能なギャップフィルフィルム材料特性は変化しやすく、フィルム密度および光学特性に影響を及ぼす。これは、フィルム厚さを測定および制御するために用いられる光学メトロロジーを混乱させ、誤ったフィルム厚さ測定を招き得る。これは、ｆｉｎＦＥＴの製造において、ゲート高さの誤った測定を招き、ゲート高さを変動させる原因になり得る。変動するゲート高さは、ゲート容量の増加、漏洩、およびより高い駆動電流の必要性をもたらし得る。したがって、アルゴリズムへの入力は、エッチングプロセスパラメータ、流動可能なＣＶＤプロセスパラメータ、ＣＭＰプロセスパラメータ、酸化物メトロロジー出力、透過型電子顕微鏡、および歩留り結果であってよい。アルゴリズムは、エッチングプロセス、流動可能なＣＶＤプロセス、およびＣＭＰプロセスに関する問題の検出および修理のいずれのためにも用いられ得る。

エッチング深さは、ゲート高さの決定において重大な役割を果たし得る。エッチングプロセスは、ゲート側壁角にも作用し、ゲート性能および光学メトロロジーシグネチャに影響を及ぼし得る。いくつかの実施形態において、エッチングプロセスパラメータは、問題を検出する、またはＣＭＰプロセスを制御するために上記モデルへの入力パラメータとして用いられてよく、あるいは制御するためのターゲットであってもよい。アルゴリズムは、プロセスを制御し、プロセス問題点を検出し、より厳しいゲートスペックを実現し得る。いくつかの実施形態において、エッチングプロセスパラメータは、リソグラフィツール制御を決定する際の入力として用いられ得る。エッチングツールプロセスパラメータは、仮想メトロロジーの場合と同様、エッチング速度または最終エッチング深さを予測するために用いられ得る。仮想メトロロジーアルゴリズムの出力は、その後、たとえば中間ステップアルゴリズムとして、リソグラフィツール制御への入力として用いられ得る。

アルゴリズムは、３ＤＮＡＮＤ、すなわち垂直ＮＡＮＤメモリ構造の処理および製造にも適用され得る。垂直ＮＡＮＤ（３−Ｄ ＮＡＮＤ）構造を形成するために、半導体製造業者は、酸化層と窒化層、または酸化層と導電層との交互の層を用いる。これらの積層は、たとえば高さ２ｕｍなど非常に厚くなることがあり、厚さを増し続ける。その結果、高いストレス、層間剥離、および亀裂が生じる。

ストレス問題に対処するために、アルゴリズムは、これらのフィルム積層を測定するために用いられる（広帯域光メトロロジーを含む）現場およびインラインメトロロジーとともに、これらのフィルムのブランケット堆積のプロセスパラメータ（たとえば気体流量、温度、プロセスサイクル時間）を入力として用い得る。任意の物理的モデル化を明確に適用する必要はなく、歩留り／検査／ストレス試験と上述した入力との間に相関性が発見され、ブランケット堆積に関する問題が瞬時に識別され得る。

３−Ｄメモリの特徴付けおよび故障分析は多くの課題を呈しており、より良い特徴付けへの多大な必要性がある。現在、ＴＥＭおよびｘ線技術が用いられているが、これらは低いスループットであり、材料状態の変化をもたらし得る。また、プローブ故障とインライン欠陥検査との相関付けは、多数の欠陥が埋め込まれているという事実により困難である。構造欠陥を識別するためにＥビーム検査が用いられることが増えているが、これには追加のコストがかかる。いくつかの実施形態において、アルゴリズムへの入力としてギャップフィルプロセスパラメータが用いられる。Ｅビーム３Ｄ検査もまた、アルゴリズムのターゲットとして用いられ得る。

５．オーバーレイエラーのためのプロセス例
１または複数の訓練ウェハにオーバーレイプロセスが実行されてよく、その後、訓練ウェハは実際のオーバーレイエラーに関して分析される。オーバーレイエラーを測定する最も正確な方法は、ＣＤ−ＳＥＭまたはＴＥＭである。たとえば厚さ、直径ウェハ形状変動、面内変位、ストレス誘発性局所曲率、ウェハ厚さおよび平坦度変動、表面および裏面ナノトポグラフィ（ＮＴ）、ウェハエッジロールオフ（ＥＲＯ）、滑り線など全ての利用可能なウェハジオメトリパラメータ、たとえば並進（ｘ、ｙ、ｚ）、回転（ｘ、ｙ、ｚ）、フォーカス傾斜、線量エラー、フォーカス残差、倍率、非対称倍率、非対称回転などのスキャナパラメータ、たとえばフィルム厚さ、トレンチ深さ、金属ゲートリセス、高ｋリセス、側壁角、レジスト高さ、ハードマスク高さ、ピッチ歩行などのＣＤ測定値、たとえば屈折率および吸収係数（ｎおよびｋ光学定数）などのフィルム特性パラメータ、たとえばＤＢＯおよびＩＢＯなどの（ＤＢＯ測定値自体とともに回析シグネチャの強度値を含んでもよい）他のオーバーレイ測定値のパラメータが、ターゲットとして対応する実際のオーバーレイエラーとともに、訓練モデルへの入力として用いられる。実際のオーバーレイ測定のウェハ上での位置は、適用可能な場合、その場所に関する全ての入力パラメータの位置と照合される。たとえば温度、圧力、プロセス持続時間などいくつかのプロセスパラメータおよび他のツール関連パラメータはウェハごとに収集され、特に場所にはマップされなくてよい。むしろ、場所固有情報が適用可能または利用可能ではない場合、所与のウェハに関する全ての場所が、ウェハに関して収集された同一の値を含む。あるいは、オーバーレイエラー測定の空間分解能が所与の入力パラメータの空間分解能（たとえばウェハ上で９カ所のＣＤ測定）を上回る場合、最も近い入力パラメータが、実際のオーバーレイエラー測定値にマップされる。これを行うために適した技術は、ｋ平均クラスタリングである。他の技術は、入力パラメータの値を決定するための補完（３−Ｄ）または３次スプラインを含む。

ＤＢＯおよびＩＢＯは、プロセスおよびジオメトリの影響によって、オーバーレイを測定するための完璧な技術ではない。たとえば図９は、１４３の測定値に関して、ＤＢＯと、より正確なＣＤ−ＳＥＭとのオーバーレイ表現の誤差を示す。ＤＢＯパラメータ（たとえば回析スペクトルの各波長における強度など）がＤＢＯ予測測定値とともに入力データセットに含まれる場合、リソグラフィツールのプロセスパラメータに図９に示す誤差を相関付けることが可能である。

１つのアプローチは、ＤＢＯ測定とＣＤ−ＳＥＭ測定との差分としてターゲットを指定する。ＤＢＯとＣＤ−ＳＥＭまたはＴＥＭとの間の関連する誤差は入力データセットに帰され、生産中に補正され得る。

訓練入力データセットが編成されると、それがクレンジングされる。訓練入力データは破損値を有することがあり、その場合、破損値は除去され、ブランクまたはヌル値と置き換えられる。データセットは、たとえばロットまたはウェハＩＤなど様々な情報特徴に関して一貫性のない値を含み得る。たとえば、ロット種類は、いくつかの場合には「ｌｏｔ＿Ａ」、他の場合には「ｌｏｔ．Ａ」として現れることがある。これらの値は全て、たとえば「ｌｏｔ．Ａ」など、同一の名称に変換される必要がある。

入力データはその後、正規化または変換される。たとえば、ツール校正の場合、データは平均シフトされる必要があり得る。所与の入力データセットにおける様々な母集団または分布について入力データセットからｚスコアが計算されてもよい。たとえば、時間Ａと時間Ｂとの間で所与のツール校正に関して入力の一部が補正された場合、そのデータは正規化され、またはデータのその部分についてｚスコアが生成される。時間Ｂと時間Ｃとの間で異なるツール校正が用いられる場合、その部分に関して正規化またはｚスコア生成が実行される。その結果が、ツール校正に集約的な全データセットである。データ変換の必要性を生じ得るツール校正以外のイベントは、上流プロセス変化および消耗変化である。生産が開始すると、同じ変換が適用される必要があることに留意することが重要である。変換を行うためにリアルタイムの生産中に十分なデータを集めるために、変換を行うためにユーザの指定した量のデータが収集されるまで、予測は適用されなくてよい。しかし、変換されたデータは、モデルに関して重要な特徴ではないと決定されることもある。

訓練データセットは、過剰適合または過剰バイアスではない堅牢なモデルが組み立てられることを確実にするために、訓練、試験、および確認部分に分割され得る。典型的な分割は、６０％が訓練、３０％が試験、および１０％が確認であってよい。たとえばＩＢＭ ＳＰＳＳモデラなどの分析プラットフォームにおいて実装されるブーステッドまたはブートストラップ集計モデルなど、いくつかのモデルの場合、試験データセットはモデルを更に最適化するために用いられ、確認セットは任意のモデル訓練または最適化作業に対して完全に無知であるため、試験セットと確認セットとは別々にされる必要がある。たとえば標準的な線形回帰など他の種類のモデルの場合、訓練と試験のみに区分分けすることが許される。任意の所与の訓練セットに対してモデルが過剰適合しないことを確実にするために、たとえばｋ重交差確認などの技術がモデル組立てフェーズ中に利用され得ることに留意することが重要である。これは、全てのデータが訓練または試験部分を知ることを確実にするために、データセットの訓練／試験／確認部分を循環させることを伴う。

所与の入力が多数の欠損値または破損値を有する場合、その入力特徴は、モデルを訓練する際の考慮事項から排除されてよい。たとえば、所与の入力特徴に関してデータの５０％より多くが存在しない場合、その入力特徴は放棄され得る。あるいは、欠損データフィールドが公称値で補われてよく、または値を含まない記録は訓練データセットから完全に排除されてもよい。どの技術を用いるかの決定は、所与の入力特徴の重要性に関する人間の判断に基づいて決定され得る。

データセットは、所与のキーに関してマージする必要があり得る。キーは通常、ウェハまたはスキャナ上のｘｙ座標であり、あるいはダイ番号であってもよい。上述したように、データセットが所与のキー（３次スプライン、補間、または最近傍）にマップされる必要があり得る。たとえば特定のダイまたはその位置などのウェハ上の位置は、適用可能な場合、その場所に関する全ての入力パラメータの位置と照合される。たとえば温度、圧力、プロセス持続時間などいくつかのプロセスパラメータおよび他のツール関連パラメータはウェハごとに収集され、特に場所にマップされなくてもよい。むしろ、所与のウェハに関する全ての場所は、場所固有情報が適用可能または使用可能でない場合、ウェハに関して収集された同一の値を含む。あるいは、ダイ位置の空間分解能が、所与の入力パラメータの空間分解能（たとえばウェハ上で９カ所のＣＤ測定）を上回る場合、最も近い入力パラメータがその実際のダイにマップされる。これを行うために適した技術が、ｋ平均クラスタリングである。他の技術は、入力パラメータの値を決定するための補間（３−Ｄ）または３次スプラインを含む。

訓練入力データセットは、何千もの入力特徴を含んでよく、入力特徴の関連セットが決定される必要があり得る。オーバーレイエラーとの弱い相関性しかない無関係の入力特徴を排除するためのプロセスが実装される必要があり得る。このプロセスにおける第１のステップとして、全く変化がない入力特徴は排除され得る。

また、特徴選択のための数々のアプローチも存在する。１つのアプローチは、どの入力特徴がオーバーレイエラーの予測に最も関連するかを識別するランダムフォレストを実装することである。他の技術は、ＣＨＡＩＤ決定ツリーであり、これもまた重要な特徴を識別するものである。他の技術として線形回帰がある。他の技術としてＡＮＯＶＡがある。

あるいは、次元縮小が利用されてもよい。一般的な次元縮小技術は、部分最小二乗法および主成分分析を含み、これらは、初期入力パラメータの大きなセットに基づいて入力パラメータの新たなより小さなセットを作成する。たとえば、５０００の特徴の入力セットは、データ内の分散の重要部分を説明し得る３０の新たに生成された主成分の入力セットに低減され得る。次元縮小ステップの結果または出力は、モデルへの新たな入力として用いられ得る。たとえば、ＰＣＡによって生成された主成分がモデルへの入力であってよい。主成分は、入力のより大きなセットから低減された入力のセットを表す。

元の入力データから、仮想メトロロジーモデルのセットが構成されてよい。仮想メトロロジーモデルの目的は、半導体製造プロセスにおける重要なメトリックを予測することである。たとえば、エッチングツールプロセスパラメータなど特定の上流変数、たとえば堆積ツールプロセスパラメータなど前のステップの厚さおよびプロセス変数、ＣＭＰプロセスパラメータ、およびフィルムの光学ｎおよびｋ値が与えられると、エッチング深さが予測されてよい。いくつかの実施形態において、エッチングプロセスパラメータは、リソグラフィツール制御を決定する際の入力として用いられ得る。エッチングツールプロセスパラメータは、（仮想メトロロジーの場合と同様に）エッチング速度または最終エッチング深さを予測するために用いられ得る。仮想メトロロジーアルゴリズムの出力は、その後、中間ステップアルゴリズムとしてリソグラフィツール制御への入力として用いられ得る。中間ステップアルゴリズム（または仮想メトロロジーアルゴリズム）の出力は、オーバーレイエラーを決定するための入力変数として用いられ得る。

モデルにおける特定のパラメータは、最良モデルを決定する際に重要であり、その特定の変動が試行され得る。予測オーバーレイエラーと実際のオーバーレイエラーとの誤差が最小になるモデルパラメータの最良の組み合わせが選択される。たとえば、決定ツリーリーフにおいて許容された最小数の記録が設定されてよく、またはランダムフォレストアルゴリズムまたはＧＢＭモデルにおいて利用される弱い学習者の数、またはランダムフォレストアルゴリズムにおける弱い学習者ごとの入力特徴の数でもよい。

候補モデルは、オーバーレイエラーを予測し、それらと確認用ウェハにおける実際のオーバーレイエラーとを比較する。予測精度が、オーバーレイバジェットおよび他の考慮事項に基づく特定の閾値を満たす場合、候補モデルは有効であるとみなされ、訓練および確認用ウェハと同様の処理条件を共有する他の生産ウェハにおけるオーバーレイエラーを予測するために展開される準備ができる。

モデルまたはマルチステップモデルおよび関連パラメータが選択されると、モデルは第１に、ウェハの生産の進行と同時にオーバーレイエラー予測が行われる「リスニングモード」で生産中に実装される。予測されたオーバーレイエラーは、実際のオーバーレイエラーと比較され得る。予測されたエラーがユーザの定めた閾値またはオーバーレイエラーバジェットの範囲内であると分かった場合、生産を進行し続けることができ、更なるデータが収集される。

モデルが、測定された実際のオーバーレイエラーと比べて定められた制限範囲内の予測をしない場合、その時点までに収集されたデータ全てが、上記ステップに概要が示されたようにモデルを再訓練するために用いられる。再訓練された後、モデルがユーザの定めた閾値の範囲内である結果を予測するようになると、モデルは、生産中にリスニングモードで再展開される。モデルが、ユーザの指定した期間（たとえば生産中の８週間）に、指定されたエラー限界（予測―実際のオーバーレイ）の範囲内で機能する場合、モデルは、実際の生産で用いられる実際のオーバーレイ測定値の一部と置き換えられることができる。時間にわたりモデルが良好に機能し続けると、次第に多くの製品が予測されたオーバーレイに頼るようになり、最終的に全ての製品にオーバーレイ予測が用いられることになる。

新たなデータが利用可能になる度、モデルはユーザの定めた間隔で（たとえば１週間に１度）継続的に再訓練される。モデルを再訓練するために、利用可能なデータセット全体が用いられてよい。モデルを訓練するために、たとえば直近の３か月のみなど所定の期間にわたり利用可能な最新データのみを用い、プロセスが著しいシフトを経験するとともに極めて古いデータは使われなくなるので廃棄することが有益にもなり得る。モデル訓練のために、入力およびターゲット分散の極値を定義する古いデータを保持し、モデル訓練効率の維持またはメモリ空間の節約のために古い冗長データを廃棄することが有益にもなり得る。フル生産のリリース後でも、実際のオーバーレイ測定値と継続的に比較することによって、予測されたオーバーレイの性能を継続的に監視することが有益になり得る。予測されたオーバーレイと実際のオーバーレイとの誤差が許容値の範囲外であることが分かると、予測が許容値の範囲外になった原因が決定され、モデルが再訓練されて徐々に生産に戻されるまで、一定期間にわたり予測は展開されない。

候補モデルが決定されると、生産ウェハから１または複数の確認用ウェハが選択され、パターン化ウェハジオメトリメトロロジーツールを用いて確認用ウェハに関するパターン化ウェハジオメトリパラメータが得られる。１または複数の確認用ウェハにオーバーレイプロセスが実行され、１または複数の確認用ウェハは実際のオーバーレイエラーに関して分析される。候補モデルは、オーバーレイエラーを予測し、それらと確認用ウェハにおける実際のオーバーレイエラーとを比較する。予測精度が、オーバーレイバジェットおよび他の考慮事項に基づく特定の閾値を満たす場合、候補モデルは有効であるとみなされ、訓練および確認用ウェハと同様の処理条件を共有する他の生産ウェハにおけるオーバーレイエラーを予測するために展開される準備ができる。

候補モデルが確認されると、残っている生産ウェハは、ウェハジオメトリパラメータを決定するためにパターン化ウェハジオメトリメトロロジーツールを用いて走査される。ウェハジオメトリパラメータおよび展開される予測モデルに基づいて、システムは、残っている生産ウェハに関してオーバーレイエラーを予測し、予測されたオーバーレイエラーを補正するためにリソグラフィスキャナを調整する。ポイントツーポイント予測は、予測されたオーバーレイを前送りすること、調整を適用すること、およびその結果として露光後の実際のオーバーレイエラーを低減することのために不可欠である。

６．歩留り予測
半導体デバイスの製造業者にとって歩留りを予測することは概して重要であり、半導体デバイスの製造にかかるコストがますます増えつつあるため、いっそう重要である。歩留り予測は、プロセス中の様々なステップにおいて行われ得る。

製造プロセスの任意の段階で歩留りを正確に予測することができれば、後のプロセスにおけるコストを最適化および節減することが可能になる。たとえば、ウェハ仕分けおよび試験前にデバイスが不良であると予測することができれば、そのデバイスの更なる試験および処理が回避され、追加の処理コストが節減され得る。一般的に、半導体製造プロセスには何百ものステップが存在する。ウェハの製造に関するプロセスは、ウェハ試験および仕分け、組立て／パッケージング、最終試験、およびバーンインを通常含む製造後の段階に移行するまでに２〜３か月間を要し得る。これらのステップの各々において、予測歩留りが計算され得る。製造歩留りは、所与のプロセスに投入された全ウェハに対する、ウェハ製造プロセスを完遂する優良ウェハの比として測定され得る。ウェハ試験歩留りは、ウェハ試験に投入された全チップに対する、ウェハ試験で決定された欠陥のないチップの比として計算され得る。組立ておよびパッケージング歩留りも同様に、すなわちこれらそれぞれのプロセスに入った全チップに対する優良チップの比で計算される。

歩留り予測のための既存の技術は、一変量分析に主に基づいてきた。たとえばマルコフ連鎖は、欠陥の数を前提にチップが正の歩留りをもたらすかを予測する。しかし、試験データの量が非常に多くなるにつれ、多変量分析が一般的になりつつある。多変量分析に利用される一般的な技術は判別分析であるが、この技術は、データが正規分布かつ独立的であることを前提としており、これは常であるとは限らない。

多変量分析の必要性を更に高めているのが、半導体製造プロセスにおいてアクセス可能なデータの量が増加を続けているという事実である。しかし、機械学習アルゴリズム、データマイニング、および予測分析を用いることによって、大量のデータセットの処理の管理が可能になる。また、多くの機械学習アルゴリズムに関連する信頼および傾向メトリックが、ウェハ仕分け／試験、最終試験、およびバーンイン作業を最適化するために用いられ得る。

半導体製造業の場合、出荷するパッケージチップを試験する際、１００万あたりの欠陥部品の分量（ＤＰＰＭ）が評価される。典型的な状況において、どの製品／ダイが欠陥品であるかを決定するために、ウェハ仕分けにおいて、かつ部品（すなわち製品）がパッケージされた後にも、機能／構造試験パターンが用いられる。その後、機能システムレベル試験が続く。各後続段階における試験のコストは、前段階よりも大幅に高くなり得る。通常、パッケージされた製品は、ウェハ仕分けにおいて使用された、または機能試験パターンとともに使用されたもののいずれかと同じ構造パターンを用いて、バーンインチャンバ内およびロードボード上で試験される。そのような試験のコストは、設計複雑性が増すにつれ、過去数年間で著しく増加してきた。

マイクロチップの製造に関する典型的なビジネスモデルは、鋳造所／ファブレスモデルであり、ウェハは鋳造所で製造された後、後続する処理および試験のためにファブレスデザインハウスまたはパッケージングパートナーへ受け渡される。「ｋｎｏｗｎ ｇｏｏｄ ｄｉｅ」（ＫＧＤ）という用語は、ウェハ仕分け／試験中またはそれ以前のダイであり、パッケージされたそれらの対応物と同じ品質および信頼レベルであることが試験されているものを指す。ダイが仕分け／試験フェーズでは可であったがウェハ仕分け後の何らかの時点で欠陥品であると分かった場合、デザインハウスまたはパッケージングハウスは、ウェハ仕分け後の製品の製造において行われた全ステップのコストを負担し得る。１つのビジネスモデルにおいて、ウェハ仕分けを通過した鋳造所からのダイは、ファブレスデザインハウスによって買い入れされる。パッケージング後にダイが欠陥品であると分かった場合、デザインハウスはこれらのダイの代金を支払う。これは、たった１つのダイが不良であると分かった場合でもパッケージチップ内の全てのダイが廃棄されなければならないため、積層ＩＣまたはマルチチップモジュールに含まれるダイの場合、非常に高額になり得る。

したがって、ダイがパッケージ後に機能するかを可能な限り早い段階で知ることが非常に重要になる。ウェハ仕分けにおいて、または最終試験の様々な段階において、またはバーンイン前に、パッケージ後の歩留りをより正確に予測することができれば、パッケージング後の欠陥製品を所有するいずれかの会社によって負担されるコストを大幅に削減することができる。また、予測および信頼メトリックが決定され、バーンイン時間を最適化するために用いられてよく、その結果、大幅なコスト節減がもたらされ得る。

概して、製品に関する歩留り予測は、製品の品質または使用可能性を参照する。１つの実施形態において、歩留り予測は２つの値の一方、すなわち「可」または「不可」（あるいは「優良」または「不良」、あるいは「使用可能」または「使用不可能」）のいずれかであってよい。たとえば、所与の製造ステップにおいて製品に関する歩留り予測が「可」である場合、製品はその製造プロセスの時点で使用可能であると予測され、処理を継続すべきである。歩留り予測が「不可」であると予測された場合、その製品はその製造ステップの時点で欠陥がある、または使用不可能であると予測され、継続した処理を推奨されない。このように歩留り予測は、製品の処理を継続することがコスト効率的に良いかを決定する際に役立つ。いくつかの実施形態において、歩留り予測は、製品の処理を継続するか否かの決定における構成要素である。歩留り予測は必ずしも、製品の処理を継続するか否かに関して決定する際の唯一の変数ではない。

本開示は、ウェハ仕分けの前後および最中に歩留りを予測するための新規の技術を説明する。これらの歩留り予測は、ウェハ仕分け、最終試験、バーンイン、および他のウェハ仕分け後の試験においてより正確に歩留りを予測することによって、コストを削減するために用いられ得る。歩留り予測およびそれらに関連する信頼メトリックは、ウェハ仕分け後にどの試験を実行するかに関して決定するためにも用いられ得る。歩留り予測は、バーンイン時間を最適化および低減するためにも用いられ得る。

１つの実施形態において、歩留り予測は、分類システムまたはアルゴリズムの予測または結果であってよい。分類システムまたはアルゴリズムは、アルゴリズムへの入力データセットが与えられると、全ての製造ステップが完了した後に製品が機能するかしないかを決定し得る。たとえば、分類システムまたはアルゴリズムが、製品が機能すると予測した場合、歩留り予測はポジティブである、すなわちその製品は収益を生むと考えてよい。たとえば、可である／機能する製品を示すために「０」が割り当てられてよく、不可である／機能しない製品に「１」が割り当てられてよい。

オーバーレイエラーに関して上述したように、歩留り予測を行うために用いられる分類システムまたはアルゴリズムは、アルゴリズムへの入力データが与えられると、可または不可の分類とともに信頼または傾向メトリックも供給し得る。信頼または傾向メトリックは、一定範囲または不定範囲の値であってよい。典型的な状況において、値は、０〜１の実数であってよい。この例において、値が０に近い場合、信頼性が低い。値が１に近い場合、信頼性が高い。

信頼値を高または低の２進法にするため、信頼値に関する閾値が設定され得る。たとえば、信頼メトリックが０〜１の間で変化する場合、閾値は０．５に設定され、０．５を上回る信頼値が高い信頼性とみなされ、０．５未満の値が低い信頼性とみなされる。

信頼または傾向メトリックは、図１０に示すように、最終歩留り予測を行うために可または不可の分類と併用されてよい。ステップ１００２において、分類アルゴリズムにデータが入力される。ステップ１００４において分類アルゴリズムが、製品が可であると予測し、ステップ１００６において分類予測に関する信頼メトリックが高い場合、ステップ１００８における歩留り予測はポジティブであると考えられ、製品が可である高い信頼性があることを意味する。

しかし、分類アルゴリズムがステップ１００４において製品が可であると予測しても、ステップ１００６において信頼値が低い場合、ステップ１０１０における歩留り予測は、偽ポジティブ結果を生じないようにネガティブである。いくつかの状況において、実際には欠陥があるにもかかわらず優良であると予測される製品は、製造業者にとって非常にコストがかかり得るので、この性質の偽ポジティブは非常に望ましくない。

上記のオーバーレイエラーの予測の説明と同様、歩留り予測は、機械学習、予測分析、およびデータマイニングアルゴリズム（これら全てをアルゴリズムと称する）によって行われ得る。オーバーレイセクションにおいて識別される入力データの種類は、歩留りの予測および他のターゲットの評価にも関連する。また、オーバーレイセクションにおいて上述した技術および例は、歩留りの予測または他のターゲットの評価にも関連するので、参照によってこのセクションにも同様に組み込まれる。したがって、入力データの識別、入力データの収集、入力データの変換、モデルの訓練および再訓練、およびモデルの展開に関して説明された技術は、歩留り予測および他のターゲットの評価にも適用可能である。図１１は、歩留りを予測するために半導体製造プロセスを評価するためのモデルを作成および展開するための方法１１００を示す。ステップ１１０２においてターゲットが選択される。１つの実施形態において、ターゲットは、製造プロセス全体に関する全歩留りである。他の実施形態において、ターゲットは、個々のプロセスステップに関する歩留りである。ターゲットは、ウェハ上の個々のダイ、またはウェハ全体に関する歩留りであってよい。ターゲットは、バーンイン前の最終試験におけるパッケージチップまたは製品、あるいはバーンイン後の最終試験におけるパッケージチップまたは製品の歩留りであってもよい。

ステップ１１０４において、歩留りを評価する際に役立つパラメータが識別され、ステップ１１０６において、パラメータに関連する入力データが収集される。入力データのセットは全て、特定の出力またはターゲットに相関付けられる。たとえば、測定値および観測値のセットは実際の歩留り値に相関付けられ、これらの値はモデルへの入力ベクトルとして供給される。

概して、アルゴリズムへの入力データは、ウェハ製造中に実行される任意のまたは全てのプロセスからの入力データであってよい。ウェハ仕分けおよび試験の前に収集される、半導体製造プロセスおよび測定によるウェハレベルデータは、アルゴリズムへの全入力の一部または全てとして用いられ得る。これらの入力パラメータは、プロセスステップからのメトロロジー測定値またはウェハ製造プロセス中に収集されるメトロロジー測定値を含み得る。これらの測定値は、光学リフレクトメトリまたはエリプソメトリデータ、および所与の波長における各測定の強度を含み得る。測定データは、特定のプロセスステップ（たとえばＣＭＰまたはエッチング、またはギャップフィルプロセス）後に行われるリフレクトメトリ測定から取り込まれ得る。メトロロジー測定値は、たとえばプローブによって行われるＲｓ（導電性、抵抗率）測定および他の種類の接触測定、すなわちたとえばＨＲＰまたは高分解能プロファイラなどの接触測定など、非光学測定によって生成されてもよい。

いくつかの実施形態において、入力データの一部または全ては、ウェハプローブ試験の出力、またはウェハプローブ試験によって測定された測定値から得られてよい。また、最終ウェハ電気試験、ウェハ仕分け試験、およびウェハ受入れ試験からのデータが入力データとして用いられ得る。最終ウェハ電気試験パラメータの例は、ダイオード特性、駆動電流特性、ゲート酸化物パラメータ、漏洩電流パラメータ、金属層特性、レジスタ特性、ビア特性などを含むが、これに限定されない。ウェハ仕分けパラメータの例は、クロックサーチ特性、ダイオード特性、走査論理電圧、静止ＩＤＤ、ＩＤＤＱ、ＶＤＤ分、電源オープンショート特性、リング発振器周波数などを含むが、これに限定されない。

入力データは、最終試験から得られてよい。入力データは、たとえばバーンインなどのデバイス信頼性ストレスの前後に様々な電気および温度条件下で複数回生じる試験、またはバーンインステップにおいて生じる試験から得られてよい。入力データは、機能、構造、およびシステムレベル試験の混合である電気試験から得られてよい。

歩留り予測システムへの入力として役立ち得る試験出力は、２進形式（可／不可）またはアナログであってよく、有限または無限であり得る実数値であってもよい。アナログ出力は、圧力読取値または電流読取値であってよい。

ステップ１１０８において、入力データは、フィルタリング、正規化、および／またはクレンジングステップを経験する。ステップ１１１０において、アルゴリズムを処理するための入力パラメータの数を低減するために次元縮小または特徴選択が実行される。

ステップ１１１２において、データはその後、訓練のために１または複数のアルゴリズムに供給される。訓練入力データおよび訓練ターゲットを与えられると、アルゴリズムは、ステップ１１１４においてモデルを生成し、モデルはステップ１１１６において、リアルタイムデータに従うように展開され得る。

１つの実施形態において、製造後の製品の状態は、図１３に示すように、最終試験の結果、歩留り予測システムの信頼メトリック、歩留り予測システムの分類を重み付けする関数の結果であってよい。状態予測が特定の閾値を上回る場合、その部品は優良、すなわち使用可能であると決定され得る。

実施形態において、アルゴリズムは、より少ない故障を含み得る最終試験の故障率を決定するために、より多くの故障を含む上流試験から算出された傾向を利用する。たとえば、上流試験プロセスの終了時に故障率が高くなるほど、より正確な予測をもたらすモデル（たとえばＣＨＡＩＤ決定ツリー）を生成することが容易になる。この上流プロセスの故障率を決定し、信頼および傾向メトリックとともに可／不可予測を生成するためにモデルが組み立てられ得る。故障予測、信頼および傾向メトリックはその後、更に下流の試験の故障を予測するための入力として用いられ得る。これは特に、下流の試験が少ない数の不可しか有さず、正確なモデルを組み立てることが困難である場合に役立つ。

いくつかの実施形態において、分類モデルに関するデータ処理ステップは、オーバーサンプリングを含んでよい。たとえば、１００の不可チップおよび１０，０００の可のチップが訓練データセット内にある場合、オーバーサンプリングは、１０，０００行の不可チップが存在することになるように、不可チップの行を１００回複製することを意味する。この平衡化セットはその後モデルに供給される。あるいは、アンダーサンプリングは、１００の可のチップを（ランダムに）選択し、他方の１００の不可チップとともにモデル内に供給して、平衡化訓練セットを作成することを意味する。これは、決定ツリーの作成において重要なステップであり得る。

いくつかの実施形態において、訓練データセットに対する過剰バイアスまたは過剰適合モデルが生じないように、決定ツリーのリーフノードがどの程度まで小さくなり得るかに関する制限が設定される。

いくつかの実施形態において、モデルはデータの一部で訓練される。モデルはその後、訓練フェーズに無知であるデータの異なる部分で試験される。モデルの堅牢性を決定するために、Ｋ重交差確認も適用され得る。バッグドアルゴリズムにおいてブーストされる場合、訓練、試験、および確認データセットは分割されてよく、この場合、試験セットがモデルを最適化するために用いられるのに対し、確認セットは完全に無知である。

以下は、歩留り予測アルゴリズムの一例である。入力データは、上述したように、クレンジング、変換、および編成される。入力データは、上述した技術を用いて、各ダイに相関付けられ、または特定のダイにマップされ得る。入力データセットは、ダイごとに相関付けられた入力データとともに製造プロセスを通して製造されるダイのセットを含み得る。関連するダイの状態、すなわち可または不可が各ダイに付随し得る。通常、ほとんどのダイが可であるが、最終試験ステップ後、ダイのいくつかが不可と決定される。最終試験プロセスを通して、ダイは、様々な試験および信頼性ストレス（たとえばバーンイン）を経験し、いくつかのダイが増加的に不可にされ、除去される。モデルは、ダイの状態（可／不可）をターゲットとして用いる分類モデルの類である。プロセスの最終段階におけるダイ状態（可／不可）に基づいてモデルを訓練することに伴う問題は、通常この段階での故障の数が非常に少ないことである。たとえば、最終試験後の故障の数は、１，０００，０００のうちわずか１００であり得る。多くの分類モデルは、モデルを訓練するために用いられるデータセットにこれほど少数の故障しかない場合、正確に故障を予測することができない。この問題を緩和するために、より多くの故障を有する先行の上流試験に基づいて中間モデルが訓練される。故障の数は可の数に比べて比較的少なく、たとえば１，０００，０００のうち１０，０００の故障であるので、たとえばオーバーサンプリングなどの平衡化技術もやはりデータセットに適用される。この中間モデルによって、残っている可のダイ全てについて傾向メトリックが生成され、これらは継続して後続処理を受ける。ダイが最終試験に到達すると、先行の中間モデルからの傾向スコアは、最終故障予測モデルを訓練するための追加の入力として用いられる。故障の数がモデル訓練セットにおける可の数と等しくなることを確実にするために、データセットは再び平衡化（たとえばオーバーサンプリング）される。上流モデルの傾向も入力として用いられる場合、モデルの全体精度が向上し得る。訓練、試験、確認、および交差確認技術は、最良モデルを決定するために適用される。上述した技術において様々なモデルが試行される。（どのメトリックがユーザにとって最も重要であるかに依存して）最も少ない数の偽ポジティブおよび／または偽ネガティブをもたらすモデルが選択されるモデルとなる。通常、ユーザは偽ネガティブ（すなわちダイが可であると予測されるが実際は不可であること）を最小化することに関心があり、これは、それらが厳重性の低い試験またはバーンインに誤って進められ、その結果、標準以下のダイが顧客に発送され、現場故障の危険性が増すことを意味するためである。

７．試験およびバーンイン最適化
歩留り予測システムは、バーンイン時間を計算および最適化するために用いられ得る。バーンイン時間計算は、図１４に示すように、歩留り予測システムによって生成された歩留り予測または分類、歩留り予測システムによって計算された信頼または傾向メトリック、および／または実際の最終試験結果の関数であってよい。一例として、歩留り予測システムによって歩留りがポジティブであると予測され、歩留り予測システムによって計算された信頼メトリックが比較的高い値である場合、バーンイン時間は平均より低くなるように計算され、または完全に削除され得る。他の例において、歩留り予測システムによって製品が優良であると予測され、歩留り予測システムによって信頼メトリックが低く計算された場合、バーンイン時間は、平均より高くなるように計算され得る。他の例において、歩留り予測システムによって製品が不良であると予測された場合、バーンイン時間は最大値に設定され得る。

歩留り予測は、最終試験を最適化するためにも用いられ得る。たとえば、製品が高い信頼値を伴って優良であると予測された場合、特定の高価な試験はスキップされ得る。他の例において、歩留り予測が優良であるが信頼値が低い場合、歩留り予測が優良かつ信頼度が低い場合よりも更に徹底的な試験が実行され得る。また他の例において、製品が優良であると予測された場合、最も厳しい量の試験を行うことが決定され、または追加の試験および処理を行わず製品を廃棄することが決定され得る。

８．他の適用
本明細書で説明するように、予測分析は、様々なプロセスステップ、パラメトリック、および製品性能の間の関係を発見するために用いられてよく、関係はその後、製品性能を予測および改善するために活用され得る。機械学習および並行処理の利点を取り入れることによって、予測分析は、他の技術を用いて明らかにすることが困難であった入力データ間の複雑な相関性を見出すことができる。したがって、歩留りを予測しオーバーレイエラーおよびＣＤ変動を補正することに加えて、上述したように、予測分析は、性能、品質、および歩留りを改善しコストを削減するために、半導体製造プロセスにおいて多様に用いられ得る。半導体製造におけるプロセスの一部または全てを最適化するためにアルゴリズムが用いられ得る。

図１５は、本明細書で説明される技術に関するいくつかの追加の適用１３０２を示し、とりわけ、歩留り予測／改善、ランツーラン制御、ウェハツーウェハ制御、リアルタイムおよび現場制御、仮想メトロロジー、故障予測および分類、工場範囲の制御、および予測保全を含む。歩留りに関して、本明細書に開示される技術はとりわけ、ボックス１３０４に示すように、歩留りを予測し、または歩留りを低下させている根本原因を識別し、またはパラメータ欠陥をインラインプロセスデータに結び付け得る。仮想メトロロジーに関して、本明細書に開示される技術は、ボックス１３０６に示すように、メトロロジー機器データ、プロセス機器データ、および上流データを用いて特定のプロセスメトリックを予測し得る。故障予測および分類に関して、本明細書に開示される技術は、ボックス１３０８に示すように、プロセス機器データおよび現場メトロロジーを用いてプロセス機器における故障を分類または検出し得る。工場範囲の制御に関して、本明細書に開示される技術は、ボックス１３１０に示すように、プロセスデータに隠された関係性を発見し得る。予測保全に関して、本明細書に開示される技術は、ボックス１３１２に示すように、様々な種類の欠陥の根本原因を識別し、インラインプロセスデータを用いて未来の欠陥を予測し得る。

いくつかの実施形態において、仮想メトロロジーは、リアルタイムで実際の測定を行う必要なく、たとえばフィルム厚さおよび臨界寸法（ＣＤ）などのメトロロジーメトリックを予測するためにアルゴリズムを用い得る。これは、スループットに多大な影響を与え、また高価なＴＥＭまたはＳＥＭ断面積測定の必要性も減少させ得る。生産設備からのセンサデータおよびアルゴリズムを訓練するためにサンプリングされたウェハの実際のメトロロジー値に基づいて、仮想メトロロジーは、全てのウェハに関するメトロロジー値を予測し得る。アルゴリズムは、入力データおよび測定されたターゲットのセットを用いてモデルが訓練され得る、教師あり学習アルゴリズムであってよい。ターゲットは、制御されるべき臨界寸法であってよい。入力データは、上流メトロロジー測定値、またはプロセス機器からの（たとえば温度および実行時間などの）データであってよい。

機械故障または障害を特定し、故障の根本原因を迅速に見つけ出すことは、半導体製造において重要であり得る。製造プロセスにおいて故障をより良く検出および解明することができれば、ダウンタイムおよび破棄物が減少し得る。これは、故障検出および分類（ＦＤＣ）とも称される。故障が生じる前にそれらを予測することができれば、ダウンタイムは最適にスケジュールされ、廃棄物が更に減少し得る。したがって、製造プロセスまたはプロセスステップにおける特定のツールに故障または欠陥が生じる時を予測するために、アルゴリズムが用いられ得る。

本発明のいくつかの実施形態において、アルゴリズムは、いつ製造機器にメンテナンスを実行する必要があるかを決定するために用いられ得る。これは、半導体製造プロセスにおいて予測保全と称される。

９．結論
本発明の上記説明は、当業者に、現在最良の形態であると考えられるものの製造および使用を可能にするが、当業者は、本明細書における特定の実施形態、方法、および例の変形例、組み合わせ、および均等物の存在を理解および認識する。したがって本発明は、上述した実施形態、方法、および例によって限定されるものではない。

Claims (20)

1. リソグラフィプロセスにおける半導体ウェハの今回生産ランにおけるメトロロジー測定値から収集されたリアルタイム入力の第１のセット、および少なくとも１つの上流プロセスにおけるメトロロジー測定値から収集されたリアルタイム入力の第２のセットを、データ処理装置に格納されたオーバーレイ測定モデルへの入力データとして複数のリアルタイム入力を受け取ることと、
   第１の複数のリアルタイム入力の、目標とされるオーバーレイ測定値に対する多変量関係を決定するために、前記オーバーレイ測定モデルを用いて前記入力データを分析することと、
   前記今回生産ランのために前記リソグラフィプロセスにおいて前記目標とされるオーバーレイ測定値の予測を形成するために、前記第１の複数のリアルタイム入力の、前記目標とされるオーバーレイ測定値に対する多変量関係を評価することと、
   前記目標とされるオーバーレイ測定値の予測が実際の目標とされるオーバーレイ測定値と相関するように前記リソグラフィプロセスまたは前記上流プロセスを調整することと、
   を備える、方法。
2. 前記オーバーレイ測定モデルは、前記多変量関係を決定する際に用いるために、前記リソグラフィプロセス後に前回生産ランにおけるプロセスから追加の入力データを得ることと、
   前記リソグラフィプロセス後のプロセスからの追加のリアルタイム入力を、各生産ランのために前記モデルに供給することと、
   を更に備える、請求項１に記載の方法。
3. リソグラフィプロセスの複数の生産ランにおいて複数のウェハからの複数の実際のオーバーレイ測定値を得ることであって、各実際のオーバーレイ測定値は、第１層に形成された特徴の第１のセットと、前記第１層の上の第２層に形成された特徴の第２のセットとのオフセットを示すことと、
   入力データの複数のセットを収集することであって、入力データの各セットは、前記リソグラフィプロセスから得られるデータおよび少なくとも１つの上流プロセスから得られるデータを含むことと、
   前記入力データの、前記実際のオーバーレイ測定値に対する多変量関係を決定するために、各生産ランから収集された入力データのセットを分析することと、
   入力データのセットごとに予測オーバーレイ測定値を生成するために前記多変量関係を評価することと、
   前記予測オーバーレイ測定値が入力データのセットごとに前記実際のオーバーレイ測定値と相関するように、前記リソグラフィプロセスまたは前記少なくとも１つの上流プロセスを調整することと、
   を備える、方法。
4. 前記入力データおよび前記対応するオーバーレイ測定値の分析に基づいてオーバーレイ測定に関するモデルを作成することと、
   ウェハ生産ランのために前記モデルを展開することであって、前記リソグラフィプロセスおよび前記上流プロセスからリアルタイム入力が得られ、前記モデルに供給されることと、
   前記モデルを用いて予測オーバーレイ測定値を生成することと、
   前記予測オーバーレイ測定値と実際のオーバーレイ測定値が相関するように、前記リソグラフィプロセスまたは前記上流プロセスを調整することと、
   を更に備える、請求項３に記載の方法。
5. 前記リソグラフィプロセスおよび前記上流プロセスから得られた前記データは、メトロロジーおよびパラメトリックデータを含む、請求項３に記載の方法。
6. 前記リソグラフィプロセスからのメトロロジーおよびパラメトリックデータは、特徴臨界寸法、ウェハ形状、ウェハジオメトリ、フィルム厚さ、フィルム抵抗率、デバイスチャネル長さ、デバイスチャネル幅、デバイスチャネル深さ、デバイス動作閾値、およびデバイス抵抗を含む、請求項５に記載の方法。
7. 前記上流プロセスからのメトロロジーおよびパラメトリックデータは、各上流プロセスに関して、プロセス持続時間、プロセス温度、プロセス圧力、プロセス周波数、および光学測定値を含む、請求項５に記載の方法。
8. 前記オーバーレイ測定値は、画像に基づくオーバーレイまたは回析に基づくオーバーレイを用いて得られる、請求項３に記載の方法。
9. 前記分析するステップは、少なくとも１つの機械学習アルゴリズムによって実行される、請求項３に記載の方法。
10. 前記分析するステップは、機械学習アルゴリズムの組み合わせによって実行される、請求項３に記載の方法。
11. 前記分析するステップは、マルチステップアルゴリズムによって実行される、請求項３に記載の方法。
12. 上流プロセスから得られた前記データに基づいて仮想メトロロジーモデルを作成することと、
    前記仮想メトロロジーモデルの出力を前記オーバーレイ測定モデルへの入力として供給することと、
    を更に備える、請求項４に記載の方法。
13. 現場測定データを得ることと、
    前記現場測定データを前記オーバーレイ測定モデルへの入力として供給することと、
    を更に備える、請求項４に記載の方法。
14. 前記入力データの１つ以上のセットの変換を実行することと、
    前記変換された入力データを前記オーバーレイ測定モデルへの入力として供給することと、
    を更に備える、請求項４に記載の方法。
15. 前記リアルタイム入力の第２の統計分布が前記入力データの第１の統計分布から変化している場合、前記リアルタイム入力を正規化すること
    を更に備える、請求項４に記載の方法。
16. 前記正規化するステップは、前記第１および第２の統計分布のｚスコアを決定することによって実行される、請求項１５に記載の方法。
17. １つ以上のプロセッサによって実行されると、前記１つ以上のプロセッサに、
    リソグラフィプロセスの複数の生産ランにおいて複数のウェハから複数の実際のオーバーレイ測定値を得ることであって、各実際のオーバーレイ測定値は、第１層に形成された特徴の第１のセットと、前記第１層の上の第２層に形成された特徴の第２のセットとのオフセットを示すことと、
    入力データの複数のセットを収集することであって、入力データの各セットは、前記リソグラフィプロセスから得られるデータおよび少なくとも１つの上流プロセスから得られるデータを含むことと、
    前記入力データの、前記実際のオーバーレイ測定値に対する多変量関係を決定するために、各生産ランから収集された入力データのセットを分析することと、
    入力データのセットごとに予測オーバーレイ測定を生成するために前記多変量関係を評価することと、
    前記予測オーバーレイ測定値が入力データのセットごとに前記実際のオーバーレイ測定値と相関するように、前記リソグラフィプロセスまたは前記少なくとも１つの上流プロセスを調整することと、
    のステップを実行させる１つ以上の命令のシーケンスを格納した非一時的機械可読媒体。
18. 前記１つ以上のプロセッサに、
    前記入力データおよび前記対応するオーバーレイ測定値の分析に基づいてオーバーレイ測定のためのモデルを作成することと、
    ウェハ生産ランのために前記モデルを展開することであって、リアルタイム入力が、前記リソグラフィプロセスおよび前記上流プロセスから得られかつ前記モデルに供給されることと、
    前記モデルを用いて予測オーバーレイ測定値を生成することと、
    前記予測オーバーレイ測定値が実際のオーバーレイ測定値と相関するように、前記リソグラフィプロセスまたは前記上流プロセスを調整することと、
    のステップを実行させる命令を更に格納した、請求項１７に記載の非一時的機械可読媒体。
19. 少なくとも１つのプロセッサと、
    前記プロセッサによって実行されると、前記プロセッサに、
    リソグラフィプロセスの複数の生産ランにおいて複数のウェハから複数の実際のオーバーレイ測定値を得ることであって、各実際のオーバーレイ測定値は、第１層に形成された特徴の第１のセットと前記第１層の上の第２層に形成された特徴の第２のセットとのオフセットを示すことと、
    入力データの複数のセットを収集することであって、入力データの各セットは、前記リソグラフィプロセスから得られるデータおよび少なくとも１つの上流プロセスから得られるデータを含む、前記複数の生産ランのうち１つから収集されることと、
    前記入力データの、前記実際のオーバーレイ測定値に対する多変量関係を決定するために、各生産ランから収集された入力データのセットを分析することと、
    入力データのセットごとに予測オーバーレイ測定値を生成するために前記多変量関係を評価することと、
    前記予測オーバーレイ測定値が入力データのセットごとに前記実際のオーバーレイ測定値と相関するように、前記リソグラフィプロセスまたは前記少なくとも１つの上流プロセスを調整することと、
    を行わせる、前記プロセッサによって実行可能な命令を格納する、前記プロセッサに結合されたメモリと、
    を備える、システム。
20. 前記メモリが、前記プロセッサに、
    前記入力データおよび前記対応するオーバーレイ測定値に基づいてオーバーレイ測定のためのモデルを作成することと、
    ウェハ生産ランのために前記モデルを展開することであって、リアルタイム入力が、前記リソグラフィプロセスおよび前記上流プロセスから得られかつ前記モデルに供給されることと、
    前記モデルを用いて予測オーバーレイ測定値を生成することと、
    前記予測オーバーレイ測定値が実際のオーバーレイ測定値と相関するように、前記リソグラフィプロセスまたは前記上流プロセスを調整することと、
    を行わせる命令を更に格納する、請求項１９に記載のシステム。

Images