JP7323541B2 - 半導体処理のモニタリングのための機械学習システム - Google Patents
半導体処理のモニタリングのための機械学習システム Download PDFInfo
- Publication number
- JP7323541B2 JP7323541B2 JP2020547198A JP2020547198A JP7323541B2 JP 7323541 B2 JP7323541 B2 JP 7323541B2 JP 2020547198 A JP2020547198 A JP 2020547198A JP 2020547198 A JP2020547198 A JP 2020547198A JP 7323541 B2 JP7323541 B2 JP 7323541B2
- Authority
- JP
- Japan
- Prior art keywords
- training
- machine learning
- substrate
- polishing
- learning model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims description 176
- 238000012545 processing Methods 0.000 title claims description 79
- 238000012544 monitoring process Methods 0.000 title claims description 45
- 239000004065 semiconductor Substances 0.000 title claims description 21
- 238000012549 training Methods 0.000 claims description 247
- 239000000758 substrate Substances 0.000 claims description 205
- 238000005498 polishing Methods 0.000 claims description 180
- 238000000034 method Methods 0.000 claims description 171
- 230000008569 process Effects 0.000 claims description 147
- 238000001228 spectrum Methods 0.000 claims description 135
- 238000005259 measurement Methods 0.000 claims description 53
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 238000011065 in-situ storage Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 27
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 238000004886 process control Methods 0.000 claims description 13
- 238000012886 linear function Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 6
- 230000002618 waking effect Effects 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 48
- 238000013528 artificial neural network Methods 0.000 description 29
- 238000007517 polishing process Methods 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 8
- 230000009467 reduction Effects 0.000 description 5
- 239000002002 slurry Substances 0.000 description 5
- 238000000151 deposition Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000010408 film Substances 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 239000003082 abrasive agent Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000007779 soft material Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4188—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by CIM planning or realisation
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
- B24B37/005—Control means for lapping machines or devices
- B24B37/013—Devices or means for detecting lapping completion
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4063—Monitoring general control system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
- H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
- H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
- H01L21/30625—With simultaneous mechanical treatment, e.g. mechanico-chemical polishing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67092—Apparatus for mechanical treatment
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32335—Use of ann, neural network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33034—Online learning, training
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Human Computer Interaction (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Description
ここで、tanhは、双曲線正接であり、akxは、k番目の中間ノードと(Mの入力ノードからの)x番目の入力ノードとの間の接続のための重みであり、IMは、M番目の入力ノードにおける値である。しかし、tanhの代わりに他の非線形関数(正規化線形ユニット(ReLU)関数及びその変種など)も使用され得る。
[条項1]
基板処理システムを動作させる方法であって、
複数の組の訓練データを受け取ることであって、各組の訓練データが、複数の訓練スペクトル、前記複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプ、並びに前記複数の訓練スペクトルについての開始特徴値及び/又は終了特徴値を含む、複数の組の訓練データを受け取ること、
複数の機械学習モデルを記憶することであって、各機械学習モデルが、少なくとも1つの異なるハイパーパラメータを提供する、複数の機械学習モデルを記憶すること、
複数の物理プロセスモデルを記憶することであって、各物理プロセスモデルが、異なる時間の関数及び/又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する、複数の物理プロセスモデルを記憶すること、
前記複数の機械学習モデルからの機械学習モデルの選択及び前記複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルの組み合わせを提供すること、
前記選択された機械学習モデルについての少なくとも1つのハイパーパラメータ値及び前記選択された物理プロセスモデルについての少なくとも1つの物理パラメータ値を受け取ること、
前記選択された機械学習モデル及び前記少なくとも1つのハイパーパラメータ値に従って実装された機械学習モデルを生成すること、
各組の訓練データ内の各訓練スペクトルについて、前記訓練スペクトルについての前記タイムスタンプ、前記組の訓練データについての前記開始特徴値及び/又は前記終了特徴値、前記物理パラメータ値、並びに前記選択された物理プロセスモデルに基づいて特徴値を計算し、それによって、前記複数の訓練スペクトルのうちの1つに関連付けられた各訓練特徴値を有する複数の訓練特徴値を生成すること、
前記複数の訓練特徴値及び前記複数の訓練スペクトルを使用して、前記実装された機械学習モデルを訓練して、訓練された機械学習モデルを生成すること、並びに
前記訓練された機械学習モデルを前記基板処理システムの処理制御システムに渡すことを含む、方法。
[条項2]
前記基板処理システムが、化学機械研磨システムを備える、条項1に記載の方法。
[条項3]
前記研磨システム内で基板を研磨すること、
前記基板の研磨中に、インシトゥ・分光モニタシステムで前記基板をモニタして、複数の測定されたスペクトルを生成すること、
前記複数の測定されたスペクトルを前記訓練された機械学習モデルに渡して、複数の特徴値を生成すること、及び
前記複数の特徴値に基づいて、前記研磨システムの少なくとも1つの処理パラメータを制御することを更に含む、条項2に記載の方法。
[条項4]
前記少なくとも1つの処理パラメータを制御することが、研磨を停止すること及び/又はキャリヤヘッド圧力を調整することを含む、条項3に記載の方法。
[条項5]
非一過性のコンピュータ可読媒体内に有形に具現化された、基板の処理を制御するためのコンピュータプログラム製品であって、プロセッサに、
複数の組の訓練データを受け取ることであって、各組の訓練データが、複数の訓練スペクトル、前記複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプ、並びに前記複数の訓練スペクトルについての開始特徴値及び/又は終了特徴値を含む、複数の組の訓練データを受け取ること、
複数の機械学習モデルを記憶することであって、各機械学習モデルが、少なくとも1つの異なるハイパーパラメータを提供する、複数の機械学習モデルを記憶すること、
複数の物理プロセスモデルを記憶することであって、各物理プロセスモデルが、異なる時間の関数及び/又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する、複数の物理プロセスモデルを記憶すること、
前記複数の機械学習モデルからの機械学習モデルの選択及び前記複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルの組み合わせを提供すること、
前記選択された機械学習モデルに従って実装された機械学習モデルを生成すること、
各組の訓練データ内の各訓練スペクトルについて、前記訓練スペクトルについての前記タイムスタンプ、前記組の訓練データについての前記開始特徴値及び/又は前記終了特徴値、並びに前記選択された物理プロセスモデルに基づいて特徴値を計算し、それによって、前記複数の訓練スペクトルのうちの1つに関連付けられた各訓練特徴値を有する複数の訓練特徴値を生成すること、
前記複数の訓練特徴値及び前記複数の訓練スペクトルを使用して、前記実装された機械学習モデルを訓練して、訓練された機械学習モデルを生成すること、並びに
前記訓練された機械学習モデルを基板処理システムの処理制御システムに渡すこと、を実行させるための指示命令を含む、コンピュータプログラム製品。
[条項6]
前記特徴値が、前記基板上の層についての厚さ値を含む、条項5に記載のコンピュータプログラム製品。
[条項7]
前記複数の物理プロセスモデルの一部が、時間の線形関数を含み、前記複数の物理プロセスモデルの一部が、時間の非線形関数を含む、条項5に記載のコンピュータプログラム製品。
[条項8]
前記物理プロセスパラメータが、パターン密度、開始ステップ高さ、臨界ステップ高さ、及びプロセス選択性のうちの1以上を含む、条項5に記載のコンピュータプログラム製品。
[条項9]
前記選択された機械学習モデルについての少なくとも1つのハイパーパラメータ値を受け取り、前記選択された物理プロセスモデルについての物理パラメータ値を受け取るための指示命令を含み、前記実装された機械学習モデルを生成するための前記指示命令が、前記選択された機械学習モデル及び前記少なくとも1つのハイパーパラメータ値に従って、前記実装された機械学習モデルを生成するための指示命令を含み、前記特徴値を計算するための前記指示命令が、前記物理パラメータ値に基づいて前記特徴値を計算するための指示命令を含む、条項5に記載のコンピュータプログラム製品。
[条項10]
半導体製造システムであって、
複数の研磨システムであって、各研磨システムが、研磨パッドを保持するための支持体、前記研磨パッドに対して基板を保持するためのキャリヤ、前記基板と前記研磨パッドとの間で相対運動を起こさせるモータ、研磨中の前記基板の測定値のシーケンス及び前記測定値のシーケンス内の各測定値についてのタイムスタンプを生成するためのインシトゥ・モニタシステム、並びにコントローラを含む、複数の研磨システムを備え、
前記複数の研磨システムのうちの少なくとも1つの少なくとも1つのコントローラが、前記複数の研磨システムのうちの1以上に、一連の訓練基板を研磨させるように構成され、
前記複数の研磨システムからの1以上のシステムの1以上のコントローラが、訓練された機械学習モデルを受け取り、前記1以上のシステムからの前記研磨システムに一連のデバイス基板を研磨させ、前記1以上のシステムの前記インシトゥ・モニタシステムから前記デバイス基板の測定値のシーケンスを受け取り、前記測定値のシーケンス及び前記訓練された機械学習モデルに基づいて特徴値のシーケンスを生成し、前記特徴値のシーケンスに基づいて少なくとも1つの研磨制御パラメータを制御するように構成され、
前記半導体製造システムが更に、
前記一連の訓練基板のそれぞれについての開始特徴値及び/又は終了特徴値を生成するための、インライン又はスタンドアロン計測システム、並びに
1以上のプロセッサ、及び指示命令を含むコンピュータプログラム製品を記憶した非一過性のコンピュータ可読媒体を備えた、アルゴリズム生成プラットフォームを備え、前記指示命令が、前記1以上のプロセッサに、
各訓練基板について、前記訓練基板を研磨するために使用される前記複数の研磨システムのうちの1以上の前記インシトゥ・モニタシステムから、前記訓練基板の研磨中に生成された複数の訓練スペクトル及び前記複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプを受け取ること、
各訓練基板について、前記インライン又はスタンドアロン計測システムから、前記訓練基板についての前記開始特徴値及び/又は前記終了特徴値を受け取ること、
複数の組の訓練データを記憶することであって、各組の訓練データが、前記訓練基板からの前記複数の訓練スペクトル、前記複数の訓練スペクトルからの各訓練スペクトルについての前記タイムスタンプ、並びに前記訓練基板についての前記開始特徴値及び/又は前記終了特徴値を含む、複数の組の訓練データを記憶すること、
複数の機械学習モデルを記憶することであって、各機械学習モデルが、少なくとも1つの異なるハイパーパラメータを提供する、複数の機械学習モデルを記憶すること、
複数の物理プロセスモデルを記憶することであって、各物理プロセスモデルが、異なる時間の関数及び/又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する、複数の物理プロセスモデルを記憶すること、
前記複数の機械学習モデルからの機械学習モデルの選択及び前記複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルの組み合わせを提供すること、
前記選択された機械学習モデルについての少なくとも1つのハイパーパラメータ値及び前記選択された物理プロセスモデルについての少なくとも1つの物理パラメータ値を受け取ること、
前記選択された機械学習モデル及び前記少なくとも1つのハイパーパラメータ値に従って実装された機械学習モデルを生成すること、
各組の訓練データ内の各訓練スペクトルについて、前記訓練スペクトルについての前記タイムスタンプ、前記組の訓練データについての前記開始特徴値及び/又は前記終了特徴値、前記物理パラメータ値、並びに前記選択された物理プロセスモデルに基づいて特徴値を計算し、それによって、前記複数の訓練スペクトルのうちの1つに関連付けられた各訓練特徴値を有する複数の訓練特徴値を生成すること、
前記複数の訓練特徴値及び前記複数の訓練スペクトルを使用して、前記実装された機械学習モデルを訓練して、訓練された機械学習モデルを生成すること、並びに
前記訓練された機械学習モデルを前記デバイス基板の研磨の制御のために前記1以上の研磨システムの前記コントローラに渡すこと、を実行させる、システム。
[条項11]
前記アルゴリズム生成プラットフォームが、前記複数の研磨システムのうちの2以上のそれぞれから、前記訓練基板からの複数の訓練スペクトル、及び前記複数の訓練スペクトルからの各訓練スペクトルについての前記タイムスタンプを受け取るように構成されている、条項10に記載のシステム。
[条項12]
前記アルゴリズム生成プラットフォームが、複数の訓練された機械学習モデルを提供するデータを記憶するように構成されている、条項11に記載のシステム。
[条項13]
前記アルゴリズム生成プラットフォームが、複数の訓練された機械学習モデルのうちの1つを受け取り又は選択し、前記選択された訓練された機械学習モデルを前記コントローラに渡すように構成されている、条項12に記載のシステム。
[条項14]
1以上のプロセッサ、及び複数のデバイス基板のそれぞれを特徴付けるデータを記憶するための指示命令を含んだコンピュータプログラム製品を記憶した非一過性のコンピュータ可読媒体を含む、基板追跡システムを更に備える、条項13に記載のシステム。
[条項15]
前記アルゴリズム生成プラットフォームが、前記基板追跡システムからデバイス基板を特徴付けるデータを受け取り、前記特徴付けるデータに基づいて、前記複数の訓練された機械学習モデルから訓練された機械学習モデルを選択するように構成されている、条項14に記載のシステム。
[条項16]
研磨システムを動作させる方法であって、
機械学習アルゴリズムを使用して複数のモデルを訓練して、複数の訓練されたモデルを生成することであって、各訓練されたモデルが、モニタリング信号に基づいて基板の層の特性値を特定するように構成されている、複数の訓練されたモデルを生成すること、
前記複数の訓練されたモデルを記憶すること、
処理されるべき基板の特性を示すデータを受け取ること、
前記データに基づいて前記複数の訓練されたモデルのうちの1つを選択すること、及び
前記選択された訓練されたモデルを処理システムに渡すことを含む、方法。
[条項17]
半導体処理システム内で前記基板の前記層を処理すること、
前記層の処理中に、インシトゥ・モニタシステムで前記基板をモニタし、前記インシトゥ・モニタシステムからの信号を生成すること、
前記信号を前記訓練されたモデルに渡して、前記層の厚さの測定値を生成すること、及び
前記厚さの測定値に基づいて前記処理システム用の1以上の制御信号を生成することを含む、条項16に記載の方法。
[条項18]
モデルの1以上のハイパーパラメータを取得すること、
前記ハイパーパラメータに基づいて生の予測モデルを生成すること、
前記モデルについての訓練データを取得すること、及び
前記訓練データを使用して前記生の予測モデルを訓練して、前記モデルを生成することを更に含む、条項17に記載の方法。
[条項19]
研磨システムであって、
研磨パッドを支持するためのプラテン、
前記研磨パッドと接触するように基板を保持するためのキャリヤヘッド、
研磨中に前記基板をモニタするためのインシトゥ・モニタシステム、
前記インシトゥ・モニタシステムからモデル及び信号を受け取り、前記モデル及び前記信号から特性値を特定するように構成されたプロセス制御システム、並びに
機械学習アルゴリズムを使用して複数のモデルを訓練して、複数の訓練されたモデルを生成するように構成されたモデル生成器であって、各訓練されたモデルが、モニタリング信号に基づいて基板の層の特性値を特定するように構成され、前記モデル生成器が更に、前記複数の訓練されたモデルを記憶し、使用するために前記複数のモデルのうちの1つを選択し、前記選択された訓練されたモデルを前記プロセス制御システムに渡すように構成されている、モデル生成器を備える、システム。
[条項20]
非一過性のコンピュータ可読媒体内に有形に具現化された、基板の処理を制御するためのコンピュータプログラム製品であって、プロセッサに、
機械学習アルゴリズムを使用して複数のモデルを訓練して、複数の訓練されたモデルを生成することであって、各訓練されたモデルが、モニタリング信号に基づいて基板の層の特性値を特定するように構成されている、複数の訓練されたモデルを生成すること、
前記複数の訓練されたモデルを記憶すること、
処理されるべき基板の特性を示すデータを受け取ること、
前記データに基づいて前記複数の訓練されたモデルのうちの1つを選択すること、及び
前記選択された訓練されたモデルを処理システムに渡すこと、を実行させるための指示命令を含む、コンピュータプログラム製品。
Claims (15)
- 基板処理システムを動作させる方法であって、前記基板処理システムに、
複数の組の訓練データを受け取ることであって、前記複数の組の訓練データの各組は複数の訓練基板の各々に対応し、各組の訓練データが、対応する前記訓練基板の研磨中に生成された複数の訓練スペクトル、前記複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプ、並びに前記複数の訓練スペクトルについての開始特徴値及び/又は終了特徴値を含む、複数の組の訓練データを受け取ること、
複数の機械学習モデルを記憶することであって、各機械学習モデルが、該機械学習モデルの構成を設定する少なくとも1つの異なるハイパーパラメータを提供する、複数の機械学習モデルを記憶すること、
複数の物理プロセスモデルを記憶することであって、各物理プロセスモデルが、異なる時間の関数及び/又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する、複数の物理プロセスモデルを記憶すること、
前記複数の機械学習モデルからの機械学習モデルの選択及び前記複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルの組み合わせを提供すること、
前記選択された機械学習モデルについての少なくとも1つのハイパーパラメータ値及び前記選択された物理プロセスモデルについての少なくとも1つの物理パラメータ値を受け取ること、
前記選択された機械学習モデル及び前記少なくとも1つのハイパーパラメータ値に従って実装された機械学習モデルを生成すること、
各組の訓練データ内の各訓練スペクトルについて、前記訓練スペクトルについての前記タイムスタンプ、前記組の訓練データについての前記開始特徴値及び/又は前記終了特徴値、前記物理パラメータ値、並びに前記選択された物理プロセスモデルに基づいて特徴値を計算し、それによって、前記複数の訓練スペクトルのうちの1つに関連付けられた各訓練特徴値を有する複数の訓練特徴値を生成すること、
前記複数の訓練特徴値及び前記複数の訓練スペクトルを使用して、前記実装された機械学習モデルを訓練して、訓練された機械学習モデルを生成すること、並びに
前記訓練された機械学習モデルを前記基板処理システムの処理制御システムに渡すこと
を含む動作を実行させる、方法。 - 前記基板処理システムが、化学機械研磨システムを備える、請求項1に記載の方法。
- 前記基板処理システムに実行させる前記動作が、
前記研磨システム内で基板を研磨すること、
前記基板の研磨中に、インシトゥ・分光モニタシステムで前記基板をモニタして、複数の測定されたスペクトルを生成すること、
前記複数の測定されたスペクトルを前記訓練された機械学習モデルに渡して、複数の特徴値を生成すること、及び
前記複数の特徴値に基づいて、前記研磨システムの少なくとも1つの処理パラメータを制御すること
を更に含む、請求項2に記載の方法。 - 前記少なくとも1つの処理パラメータを制御することが、研磨を停止すること及び/又はキャリヤヘッド圧力を調整することを含む、請求項3に記載の方法。
- 非一過性のコンピュータ可読媒体内に有形に具現化された、基板の処理を制御するためのコンピュータプログラム製品であって、プロセッサに、
複数の組の訓練データを受け取ることであって、前記複数の組の訓練データの各組は複数の訓練基板の各々に対応し、各組の訓練データが、対応する前記訓練基板の研磨中に生成された複数の訓練スペクトル、前記複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプ、並びに前記複数の訓練スペクトルについての開始特徴値及び/又は終了特徴値を含む、複数の組の訓練データを受け取ること、
複数の機械学習モデルを記憶することであって、各機械学習モデルが、該機械学習モデルの構成を設定する少なくとも1つの異なるハイパーパラメータを提供する、複数の機械学習モデルを記憶すること、
複数の物理プロセスモデルを記憶することであって、各物理プロセスモデルが、異なる時間の関数及び/又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する、複数の物理プロセスモデルを記憶すること、
前記複数の機械学習モデルからの機械学習モデルの選択及び前記複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルの組み合わせを提供すること、
前記選択された機械学習モデルに従って実装された機械学習モデルを生成すること、
各組の訓練データ内の各訓練スペクトルについて、前記訓練スペクトルについての前記タイムスタンプ、前記組の訓練データについての前記開始特徴値及び/又は前記終了特徴値、並びに前記選択された物理プロセスモデルに基づいて特徴値を計算し、それによって、前記複数の訓練スペクトルのうちの1つに関連付けられた各訓練特徴値を有する複数の訓練特徴値を生成すること、
前記複数の訓練特徴値及び前記複数の訓練スペクトルを使用して、前記実装された機械学習モデルを訓練して、訓練された機械学習モデルを生成すること、並びに
前記訓練された機械学習モデルを基板処理システムの処理制御システムに渡すこと、を実行させるための指示命令を含む、コンピュータプログラム製品。 - 前記特徴値が、前記基板上の層についての厚さ値を含む、請求項5に記載のコンピュータプログラム製品。
- 前記複数の物理プロセスモデルの一部が、時間の線形関数を含み、前記複数の物理プロセスモデルの一部が、時間の非線形関数を含む、請求項5に記載のコンピュータプログラム製品。
- 前記物理プロセスパラメータが、パターン密度、開始ステップ高さ、臨界ステップ高さ、及びプロセス選択性のうちの1以上を含む、請求項5に記載のコンピュータプログラム製品。
- 前記選択された機械学習モデルについての少なくとも1つのハイパーパラメータ値を受け取り、前記選択された物理プロセスモデルについての物理パラメータ値を受け取るための指示命令を含み、前記実装された機械学習モデルを生成するための前記指示命令が、前記選択された機械学習モデル及び前記少なくとも1つのハイパーパラメータ値に従って、前記実装された機械学習モデルを生成するための指示命令を含み、前記特徴値を計算するための前記指示命令が、前記物理パラメータ値に基づいて前記特徴値を計算するための指示命令を含む、請求項5に記載のコンピュータプログラム製品。
- 半導体製造システムであって、
複数の研磨システムであって、各研磨システムが、研磨パッドを保持するための支持体、前記研磨パッドに対して基板を保持するためのキャリヤ、前記基板と前記研磨パッドとの間で相対運動を起こさせるモータ、研磨中の前記基板の測定値のシーケンス及び前記測定値のシーケンス内の各測定値についてのタイムスタンプを生成するためのインシトゥ・モニタシステム、並びにコントローラを含む、複数の研磨システムを備え、
前記複数の研磨システムのうちの少なくとも1つの少なくとも1つのコントローラが、前記複数の研磨システムのうちの1以上に、一連の訓練基板を研磨させるように構成され、
前記複数の研磨システムからの1以上のシステムの1以上のコントローラが、訓練された機械学習モデルを受け取り、前記1以上のシステムからの前記研磨システムに一連のデバイス基板を研磨させ、前記1以上のシステムの前記インシトゥ・モニタシステムから前記デバイス基板の測定値のシーケンスを受け取り、前記測定値のシーケンス及び前記訓練された機械学習モデルに基づいて特徴値のシーケンスを生成し、前記特徴値のシーケンスに基づいて少なくとも1つの研磨制御パラメータを制御するように構成され、
前記半導体製造システムが更に、
前記一連の訓練基板のそれぞれについての開始特徴値及び/又は終了特徴値を生成するための、インライン又はスタンドアロン計測システム、並びに
1以上のプロセッサ、及び指示命令を含むコンピュータプログラム製品を記憶した非一過性のコンピュータ可読媒体を備えた、アルゴリズム生成プラットフォームを備え、前記指示命令が、前記1以上のプロセッサに、
各訓練基板について、前記訓練基板を研磨するために使用される前記複数の研磨システムのうちの1以上の前記インシトゥ・モニタシステムから、前記訓練基板の研磨中に生成された複数の訓練スペクトル及び前記複数の訓練スペクトルからの各訓練スペクトルについてのタイムスタンプを受け取ること、
各訓練基板について、前記インライン又はスタンドアロン計測システムから、前記訓練基板についての前記開始特徴値及び/又は前記終了特徴値を受け取ること、
複数の組の訓練データを記憶することであって、各組の訓練データが、前記訓練基板からの前記複数の訓練スペクトル、前記複数の訓練スペクトルからの各訓練スペクトルについての前記タイムスタンプ、並びに前記訓練基板についての前記開始特徴値及び/又は前記終了特徴値を含む、複数の組の訓練データを記憶すること、
複数の機械学習モデルを記憶することであって、各機械学習モデルが、該機械学習モデルの構成を設定する少なくとも1つの異なるハイパーパラメータを提供する、複数の機械学習モデルを記憶すること、
複数の物理プロセスモデルを記憶することであって、各物理プロセスモデルが、異なる時間の関数及び/又は異なる物理プロセスパラメータとして特徴値を生成するための、異なる関数を提供する、複数の物理プロセスモデルを記憶すること、
前記複数の機械学習モデルからの機械学習モデルの選択及び前記複数の物理プロセスモデルからの物理プロセスモデルの選択を受け取って、選択された機械学習モデルと選択された物理プロセスモデルの組み合わせを提供すること、
前記選択された機械学習モデルについての少なくとも1つのハイパーパラメータ値及び前記選択された物理プロセスモデルについての少なくとも1つの物理パラメータ値を受け取ること、
前記選択された機械学習モデル及び前記少なくとも1つのハイパーパラメータ値に従って実装された機械学習モデルを生成すること、
各組の訓練データ内の各訓練スペクトルについて、前記訓練スペクトルについての前記タイムスタンプ、前記組の訓練データについての前記開始特徴値及び/又は前記終了特徴値、前記物理パラメータ値、並びに前記選択された物理プロセスモデルに基づいて特徴値を計算し、それによって、前記複数の訓練スペクトルのうちの1つに関連付けられた各訓練特徴値を有する複数の訓練特徴値を生成すること、
前記複数の訓練特徴値及び前記複数の訓練スペクトルを使用して、前記実装された機械学習モデルを訓練して、訓練された機械学習モデルを生成すること、並びに
前記訓練された機械学習モデルを前記デバイス基板の研磨の制御のために前記1以上の研磨システムの前記コントローラに渡すこと、を実行させる、システム。 - 前記アルゴリズム生成プラットフォームが、前記複数の研磨システムのうちの2以上のそれぞれから、前記訓練基板からの複数の訓練スペクトル、及び前記複数の訓練スペクトルからの各訓練スペクトルについての前記タイムスタンプを受け取るように構成されている、請求項10に記載のシステム。
- 前記アルゴリズム生成プラットフォームが、複数の訓練された機械学習モデルを提供するデータを記憶するように構成されている、請求項11に記載のシステム。
- 前記アルゴリズム生成プラットフォームが、複数の訓練された機械学習モデルのうちの1つを受け取り又は選択し、前記コントローラに渡すように構成されている、請求項12に記載のシステム。
- 1以上のプロセッサ、及び複数のデバイス基板のそれぞれを特徴付けるデータを記憶するための指示命令を含んだコンピュータプログラム製品を記憶した非一過性のコンピュータ可読媒体を含む、基板追跡システムを更に備える、請求項13に記載のシステム。
- 前記アルゴリズム生成プラットフォームが、前記基板追跡システムからデバイス基板を特徴付けるデータを受け取り、前記特徴付けるデータに基づいて、前記複数の訓練された機械学習モデルから訓練された機械学習モデルを選択するように構成されている、請求項14に記載のシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023122586A JP2023162172A (ja) | 2018-03-13 | 2023-07-27 | 半導体処理のモニタリングのための機械学習システム |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862642497P | 2018-03-13 | 2018-03-13 | |
US62/642,497 | 2018-03-13 | ||
PCT/US2019/021441 WO2019177905A1 (en) | 2018-03-13 | 2019-03-08 | Machine learning systems for monitoring of semiconductor processing |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023122586A Division JP2023162172A (ja) | 2018-03-13 | 2023-07-27 | 半導体処理のモニタリングのための機械学習システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021515987A JP2021515987A (ja) | 2021-06-24 |
JP7323541B2 true JP7323541B2 (ja) | 2023-08-08 |
Family
ID=67903980
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020547198A Active JP7323541B2 (ja) | 2018-03-13 | 2019-03-08 | 半導体処理のモニタリングのための機械学習システム |
JP2023122586A Pending JP2023162172A (ja) | 2018-03-13 | 2023-07-27 | 半導体処理のモニタリングのための機械学習システム |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023122586A Pending JP2023162172A (ja) | 2018-03-13 | 2023-07-27 | 半導体処理のモニタリングのための機械学習システム |
Country Status (5)
Country | Link |
---|---|
US (3) | US10969773B2 (ja) |
JP (2) | JP7323541B2 (ja) |
CN (1) | CN111902924A (ja) |
TW (2) | TW202403867A (ja) |
WO (1) | WO2019177905A1 (ja) |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7323541B2 (ja) | 2018-03-13 | 2023-08-08 | アプライド マテリアルズ インコーポレイテッド | 半導体処理のモニタリングのための機械学習システム |
US11651207B2 (en) | 2018-06-28 | 2023-05-16 | Applied Materials, Inc. | Training spectrum generation for machine learning system for spectrographic monitoring |
US10916411B2 (en) | 2018-08-13 | 2021-02-09 | Tokyo Electron Limited | Sensor-to-sensor matching methods for chamber matching |
JP7126412B2 (ja) * | 2018-09-12 | 2022-08-26 | 東京エレクトロン株式会社 | 学習装置、推論装置及び学習済みモデル |
US11592812B2 (en) | 2019-02-19 | 2023-02-28 | Applied Materials, Inc. | Sensor metrology data integration |
JP2020131353A (ja) * | 2019-02-19 | 2020-08-31 | パナソニックIpマネジメント株式会社 | 研磨加工システム、学習装置、学習装置の学習方法 |
DE102019214653A1 (de) * | 2019-09-25 | 2021-03-25 | Rolls-Royce Deutschland Ltd & Co Kg | Training von Maschinenlernmodellen zur datengetriebenen Entscheidungsfindung |
US11100221B2 (en) | 2019-10-08 | 2021-08-24 | Nanotronics Imaging, Inc. | Dynamic monitoring and securing of factory processes, equipment and automated systems |
US11063965B1 (en) * | 2019-12-19 | 2021-07-13 | Nanotronics Imaging, Inc. | Dynamic monitoring and securing of factory processes, equipment and automated systems |
DE102020100565A1 (de) * | 2020-01-13 | 2021-07-15 | Aixtron Se | Verfahren zum Abscheiden von Schichten |
JP2021112797A (ja) * | 2020-01-17 | 2021-08-05 | 株式会社荏原製作所 | 研磨ヘッドシステムおよび研磨装置 |
DE102020201239A1 (de) * | 2020-01-31 | 2021-08-05 | Rolls-Royce Deutschland Ltd & Co Kg | Sensorsystem und Verfahren zum Erkennen eines Zustands zumindest einer Maschine |
CN111338275B (zh) * | 2020-02-21 | 2022-04-12 | 中科维卡(苏州)自动化科技有限公司 | 一种电气设备运行状态监控方法及系统 |
US11705373B2 (en) * | 2020-03-10 | 2023-07-18 | Northwestern University | In situ monitoring of field-effect transistors during atomic layer deposition |
JP7390945B2 (ja) | 2020-03-19 | 2023-12-04 | 株式会社荏原製作所 | 研磨装置、情報処理システム及びプログラム |
JP2021152762A (ja) * | 2020-03-24 | 2021-09-30 | 株式会社Screenホールディングス | 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法 |
CN111506575B (zh) * | 2020-03-26 | 2023-10-24 | 第四范式(北京)技术有限公司 | 一种网点业务量预测模型的训练方法、装置及系统 |
JP7421413B2 (ja) | 2020-05-08 | 2024-01-24 | 株式会社荏原製作所 | パッド温度調整装置、パッド温度調整方法、および研磨装置 |
JP7419163B2 (ja) * | 2020-05-29 | 2024-01-22 | 株式会社Screenホールディングス | 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル |
JP2021194748A (ja) * | 2020-06-17 | 2021-12-27 | 株式会社荏原製作所 | 研磨装置及びプログラム |
USD977504S1 (en) | 2020-07-22 | 2023-02-07 | Applied Materials, Inc. | Portion of a display panel with a graphical user interface |
US20220026817A1 (en) * | 2020-07-22 | 2022-01-27 | Applied Materials, Inc. | Determining substrate profile properties using machine learning |
US11688616B2 (en) | 2020-07-22 | 2023-06-27 | Applied Materials, Inc. | Integrated substrate measurement system to improve manufacturing process performance |
JP7466403B2 (ja) * | 2020-08-03 | 2024-04-12 | キヤノン株式会社 | 制御装置、リソグラフィー装置、制御方法および物品製造方法 |
US20220067762A1 (en) * | 2020-08-26 | 2022-03-03 | Coupang Corp. | System and method for predicting an optimal stop point during an experiment test |
US20220165592A1 (en) * | 2020-11-24 | 2022-05-26 | Taiwan Semiconductor Manufacturing Company Ltd. | Semiconductor device manufacturing system and method for manufacturing semiconductor device |
CN116635693A (zh) * | 2020-12-08 | 2023-08-22 | 莫列斯有限公司 | 用于管道和容器的腐蚀和侵蚀监测的系统及方法 |
US20220193858A1 (en) * | 2020-12-18 | 2022-06-23 | Applied Materials, Inc. | Adaptive slurry dispense system |
US11853042B2 (en) * | 2021-02-17 | 2023-12-26 | Applied Materials, Inc. | Part, sensor, and metrology data integration |
JP2022127882A (ja) * | 2021-02-22 | 2022-09-01 | 株式会社荏原製作所 | 基板処理装置 |
JP2023538197A (ja) * | 2021-03-03 | 2023-09-07 | アプライド マテリアルズ インコーポレイテッド | 分光モニタリング用の機械学習システム向けにトレーニングスペクトルにラベル付けするためのインシトゥモニタリング |
US11586789B2 (en) * | 2021-04-07 | 2023-02-21 | Applied Materials, Inc. | Machine learning based smart process recipe builder to improve azimuthal flow and thickness uniformity |
TWI790591B (zh) | 2021-04-12 | 2023-01-21 | 環球晶圓股份有限公司 | 晶圓加工系統及其重工方法 |
KR20230028472A (ko) * | 2021-04-30 | 2023-02-28 | 어플라이드 머티어리얼스, 인코포레이티드 | 열 이미지의 머신 러닝 기반 처리를 사용하는 화학 기계적 연마 공정 모니터링 |
US20220397515A1 (en) * | 2021-06-10 | 2022-12-15 | Applied Materials, Inc. | Obtaining substrate metrology measurement values using machine learning |
US11965798B2 (en) | 2021-06-10 | 2024-04-23 | Applied Materials, Inc. | Endpoint detection system for enhanced spectral data collection |
US11901203B2 (en) | 2021-06-10 | 2024-02-13 | Applied Materials, Inc. | Substrate process endpoint detection using machine learning |
US11669079B2 (en) * | 2021-07-12 | 2023-06-06 | Tokyo Electron Limited | Tool health monitoring and classifications with virtual metrology and incoming wafer monitoring enhancements |
WO2024081764A1 (en) * | 2022-10-14 | 2024-04-18 | Applied Materials, Inc. | Determining substrate profile properties using machine learning |
CN115863204B (zh) * | 2023-02-27 | 2023-06-02 | 青岛芯康半导体科技有限公司 | 晶片加工用在线厚度监视和测量方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030055526A1 (en) | 2001-09-18 | 2003-03-20 | Avanzino Steven C. | Wafer based temperature sensors for characterizing chemical mechanical polishing processes |
JP2011249833A (ja) | 1995-03-28 | 2011-12-08 | Applied Materials Inc | Cmpプロセス中のインシチュウ終点検出に用いるポリッシングパッド |
JP2015514984A (ja) | 2012-03-28 | 2015-05-21 | 東京エレクトロン株式会社 | スペクトル感度に基づいたモデル最適化方法 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5893796A (en) | 1995-03-28 | 1999-04-13 | Applied Materials, Inc. | Forming a transparent window in a polishing pad for a chemical mechanical polishing apparatus |
US20040267397A1 (en) | 2003-06-27 | 2004-12-30 | Srinivas Doddi | Optical metrology of structures formed on semiconductor wafer using machine learning systems |
US7001243B1 (en) | 2003-06-27 | 2006-02-21 | Lam Research Corporation | Neural network control of chemical mechanical planarization |
US7356377B2 (en) | 2004-01-29 | 2008-04-08 | Applied Materials, Inc. | System, method, and medium for monitoring performance of an advanced process control system |
US20070249071A1 (en) * | 2006-04-21 | 2007-10-25 | Lei Lian | Neural Network Methods and Apparatuses for Monitoring Substrate Processing |
US7627392B2 (en) * | 2007-08-30 | 2009-12-01 | Tokyo Electron Limited | Automated process control using parameters determined with approximation and fine diffraction models |
US8396582B2 (en) * | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
US20100094790A1 (en) * | 2008-10-10 | 2010-04-15 | Micron Technology, Inc. | Machine learning of dimensions using spectral intensity response of a reflectometer |
US8579675B2 (en) | 2008-11-26 | 2013-11-12 | Applied Materials, Inc. | Methods of using optical metrology for feed back and feed forward process control |
US20140242880A1 (en) * | 2013-02-26 | 2014-08-28 | Applied Materials, Inc. | Optical model with polarization direction effects for comparison to measured spectrum |
US20160148850A1 (en) | 2014-11-25 | 2016-05-26 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
EP3398123A4 (en) * | 2015-12-31 | 2019-08-28 | KLA - Tencor Corporation | ACCELERATED TRAINING OF A MODEL BASED ON AUTOMATIC LEARNING FOR SEMICONDUCTOR APPLICATIONS |
US11580375B2 (en) * | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model for semiconductor applications |
US10504759B2 (en) | 2016-04-04 | 2019-12-10 | Kla-Tencor Corporation | Semiconductor metrology with information from multiple processing steps |
US10346740B2 (en) | 2016-06-01 | 2019-07-09 | Kla-Tencor Corp. | Systems and methods incorporating a neural network and a forward physical model for semiconductor applications |
US9972478B2 (en) * | 2016-09-16 | 2018-05-15 | Lam Research Corporation | Method and process of implementing machine learning in complex multivariate wafer processing equipment |
JP6782145B2 (ja) | 2016-10-18 | 2020-11-11 | 株式会社荏原製作所 | 基板処理制御システム、基板処理制御方法、およびプログラム |
US20190240799A1 (en) | 2016-10-18 | 2019-08-08 | Ebara Corporation | Substrate processing control system, substrate processing control method, and program |
US10699214B2 (en) | 2016-10-26 | 2020-06-30 | International Business Machines Corporation | Automatic identification and deployment of virtual sensor models |
KR102449586B1 (ko) * | 2017-02-24 | 2022-10-04 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 의해 공정 모델들을 결정하는 방법들 |
JP6779173B2 (ja) | 2017-05-18 | 2020-11-04 | 株式会社荏原製作所 | 基板処理装置、プログラムを記録した記録媒体 |
US11380594B2 (en) * | 2017-11-15 | 2022-07-05 | Kla-Tencor Corporation | Automatic optimization of measurement accuracy through advanced machine learning techniques |
US11200511B1 (en) * | 2017-11-17 | 2021-12-14 | Amazon Technologies, Inc. | Adaptive sampling of training data for machine learning models based on PAC-bayes analysis of risk bounds |
JP7323541B2 (ja) | 2018-03-13 | 2023-08-08 | アプライド マテリアルズ インコーポレイテッド | 半導体処理のモニタリングのための機械学習システム |
JP2020053550A (ja) | 2018-09-27 | 2020-04-02 | 株式会社荏原製作所 | 研磨装置、研磨方法、及び機械学習装置 |
-
2019
- 2019-03-08 JP JP2020547198A patent/JP7323541B2/ja active Active
- 2019-03-08 CN CN201980021116.4A patent/CN111902924A/zh active Pending
- 2019-03-08 WO PCT/US2019/021441 patent/WO2019177905A1/en active Application Filing
- 2019-03-08 US US16/297,523 patent/US10969773B2/en active Active
- 2019-03-08 US US16/297,517 patent/US10795346B2/en active Active
- 2019-03-12 TW TW112134480A patent/TW202403867A/zh unknown
- 2019-03-12 TW TW108108160A patent/TWI817992B/zh active
-
2020
- 2020-10-05 US US17/063,599 patent/US11733686B2/en active Active
-
2023
- 2023-07-27 JP JP2023122586A patent/JP2023162172A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011249833A (ja) | 1995-03-28 | 2011-12-08 | Applied Materials Inc | Cmpプロセス中のインシチュウ終点検出に用いるポリッシングパッド |
US20030055526A1 (en) | 2001-09-18 | 2003-03-20 | Avanzino Steven C. | Wafer based temperature sensors for characterizing chemical mechanical polishing processes |
JP2015514984A (ja) | 2012-03-28 | 2015-05-21 | 東京エレクトロン株式会社 | スペクトル感度に基づいたモデル最適化方法 |
Also Published As
Publication number | Publication date |
---|---|
US10795346B2 (en) | 2020-10-06 |
US20210018902A1 (en) | 2021-01-21 |
CN111902924A (zh) | 2020-11-06 |
JP2023162172A (ja) | 2023-11-08 |
KR20200120958A (ko) | 2020-10-22 |
TW201946136A (zh) | 2019-12-01 |
TW202403867A (zh) | 2024-01-16 |
US11733686B2 (en) | 2023-08-22 |
TWI817992B (zh) | 2023-10-11 |
US20190286111A1 (en) | 2019-09-19 |
JP2021515987A (ja) | 2021-06-24 |
US20190286075A1 (en) | 2019-09-19 |
US10969773B2 (en) | 2021-04-06 |
WO2019177905A1 (en) | 2019-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7323541B2 (ja) | 半導体処理のモニタリングのための機械学習システム | |
JP7193456B2 (ja) | ニューラルネットワークを使用する分光モニタリング | |
JP5675617B2 (ja) | 加工時における基板の分光モニタリングを使用した研磨速度の調整 | |
JP6009436B2 (ja) | 化学機械研磨における研磨速度補正のためのフィードバック | |
US11507824B2 (en) | Training spectrum generation for machine learning system for spectrographic monitoring | |
US9579767B2 (en) | Automatic generation of reference spectra for optical monitoring of substrates | |
US20110301847A1 (en) | Automatic Initiation Of Reference Spectra Library Generation For Optical Monitoring | |
US8755928B2 (en) | Automatic selection of reference spectra library | |
US20110282477A1 (en) | Endpoint control of multiple substrates with multiple zones on the same platen in chemical mechanical polishing | |
JP2023538197A (ja) | 分光モニタリング用の機械学習システム向けにトレーニングスペクトルにラベル付けするためのインシトゥモニタリング | |
KR101587008B1 (ko) | 기판상의 다중 구역들의 모니터링을 위한 선택 기준 라이브러리들 | |
JP2012507146A (ja) | 処理中の基板の分光モニタリングにおける適合度 | |
KR102666904B1 (ko) | 반도체 처리의 모니터링을 위한 기계 학습 시스템들 | |
TWI841926B (zh) | 用於使用成本函數或預期的未來參數變化對基板拋光期間的處理參數的控制的電腦程式產品、方法及拋光系統 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220215 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230314 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230609 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230627 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230727 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7323541 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |