KR20110133758A - Plasma process diagnosis system, method and apparatus of detecting an end point in the same - Google Patents
Plasma process diagnosis system, method and apparatus of detecting an end point in the same Download PDFInfo
- Publication number
- KR20110133758A KR20110133758A KR1020100053331A KR20100053331A KR20110133758A KR 20110133758 A KR20110133758 A KR 20110133758A KR 1020100053331 A KR1020100053331 A KR 1020100053331A KR 20100053331 A KR20100053331 A KR 20100053331A KR 20110133758 A KR20110133758 A KR 20110133758A
- Authority
- KR
- South Korea
- Prior art keywords
- state
- data
- end point
- oes data
- segment value
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 165
- 230000008569 process Effects 0.000 title claims abstract description 137
- 238000003745 diagnosis Methods 0.000 title description 10
- 238000001514 detection method Methods 0.000 claims description 52
- 238000009826 distribution Methods 0.000 claims description 38
- 238000005530 etching Methods 0.000 claims description 29
- 238000000513 principal component analysis Methods 0.000 claims description 23
- 230000005856 abnormality Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 229920002120 photoresistant polymer Polymers 0.000 abstract description 9
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 abstract 2
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 229910052681 coesite Inorganic materials 0.000 abstract 1
- 229910052906 cristobalite Inorganic materials 0.000 abstract 1
- 239000000377 silicon dioxide Substances 0.000 abstract 1
- 235000012239 silicon dioxide Nutrition 0.000 abstract 1
- 229910052682 stishovite Inorganic materials 0.000 abstract 1
- 229910052905 tridymite Inorganic materials 0.000 abstract 1
- 239000000047 product Substances 0.000 description 35
- 230000006870 function Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 15
- 238000012417 linear regression Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 11
- 239000006227 byproduct Substances 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000012495 reaction gas Substances 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 201000007902 Primary cutaneous amyloidosis Diseases 0.000 description 1
- 229910004298 SiO 2 Inorganic materials 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000009434 installation 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
- 208000014670 posterior cortical atrophy Diseases 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 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
- H01J37/32917—Plasma diagnostics
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
- H01J37/32963—End-point detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/443—Emission spectrometry
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Plasma & Fusion (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Drying Of Semiconductors (AREA)
Abstract
Description
본 발명은 플라즈마 공정 진단 시스템 및 이에 있어서 종료점 검출 방법 및 장치에 관한 것이다. The present invention relates to a plasma process diagnostic system and an endpoint detection method and apparatus therein.
플라즈마 공정 진단 시스템은 플라즈마를 이용하여 증착 및 식각 공정 등을 수행하는 플라즈마 공정의 이상 유무 및 공정 상태 등을 진단하는 시스템으로서, 예를 들어 웨이퍼 식각 공정에서 종료점을 검출한다.The plasma process diagnosis system is a system for diagnosing an abnormality and a process state of a plasma process that performs deposition and etching processes using plasma, and detects an endpoint in, for example, a wafer etching process.
일반적으로, 상기 플라즈마 공정 진단 시스템은 상기 종료점을 검출하기 위하여 데이터의 기울기를 사용하며, 반도체의 사이즈가 큰 경우에는 상기 종료점을 정확하게 검출할 수 있다.In general, the plasma process diagnosis system uses a slope of data to detect the end point, and when the size of the semiconductor is large, the end point can be accurately detected.
현재 반도체의 사이즈는 상당히 소형화되고 있는 추세이다. 그러나, 상기 데이터의 기울기를 이용하여 종료점을 검출하는 방법을 소형화된 반도체에 적용하면, 상기 종료점이 정확하게 검출되지 않는 문제점이 발생하였다. At present, the size of semiconductors is becoming much smaller. However, when the method of detecting an end point using the slope of the data is applied to a miniaturized semiconductor, there is a problem that the end point is not accurately detected.
즉, 종래의 진단 시스템은 플라즈마 공정의 이상유무 및 공정 상태를 정확하게 검출할 수 없었다. That is, the conventional diagnostic system could not accurately detect the presence or absence of an abnormality in the plasma process and the process state.
본 발명의 목적은 대형 반도체 뿐만 아니라 소형 반도체에서도 플라즈마 공정의 이상유무 및 공정 상태 등을 정확하게 검출할 수 있는 플라즈마 공정 진단 시스템 및 이에 있어서 종료점을 검출하는 방법 및 장치를 제공하는 것이다.SUMMARY OF THE INVENTION An object of the present invention is to provide a plasma process diagnosis system capable of accurately detecting a plasma process abnormality, a process state, and the like in a large semiconductor as well as a small semiconductor, and a method and apparatus for detecting an end point in the same.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 태양에 따른 종료점 검출 방법은 제 1 상태에 해당하는 제 1 분절값 및 제 2 상태에 해당하는 제 2 분절값을 설정하는 단계; 공정 OES 데이터를 상기 제 1 분절값 및 상기 제 2 분절값을 기준으로 하여 상태 함수 확률 분포로 변환하는 단계; 및 상기 상태 함수 확률 분포에서 최대 우도 상태 시퀀스 추적 방법을 이용하여 종료점을 검출하는 단계를 포함한다. 여기서, 상기 상태 함수 확률 분포는 상기 공정 OES 데이터의 값들이 상기 제 1 상태 또는 상기 제 2 상태에 속할지를 확률로서 표시한 분포이다.In order to achieve the above object, the endpoint detection method according to an aspect of the present invention comprises the steps of setting a first segment value corresponding to the first state and a second segment value corresponding to the second state; Converting process OES data into a state function probability distribution based on the first segment value and the second segment value; And detecting an endpoint using the maximum likelihood state sequence tracking method in the state function probability distribution. Here, the state function probability distribution is a distribution indicating whether the values of the process OES data belong to the first state or the second state as probability.
본 발명의 다른 태양에 따른 종료점 검출 장치는 회귀 모델을 구축하여 제 1 상태에 해당하는 제 1 분절값 및 제 2 상태에 해당하는 제 2 분절값을 획득하는 회귀 모델부; 공정 OES 데이터를 상기 제 1 분절값 및 상기 제 2 분절값을 기준으로 하여 상태 함수 확률 분포로 변환시키는 상태 함수 확률부; 및 상기 상태 함수 확률 분포에서 상태 변화를 검출하여 종료점을 판단하는 종료점 판단부를 포함한다. 여기서, 상기 상태 함수 확률 분포는 상기 공정 OES 데이터의 값들이 상기 제 1 상태 또는 상기 제 2 상태에 속할지를 확률로서 표시한 분포이다.An endpoint detection apparatus according to another aspect of the present invention includes a regression model unit for constructing a regression model to obtain a first segment value corresponding to a first state and a second segment value corresponding to a second state; A state function probability unit for converting process OES data into a state function probability distribution based on the first segment value and the second segment value; And an endpoint determination unit for detecting a state change in the state function probability distribution and determining an endpoint. Here, the state function probability distribution is a distribution indicating whether the values of the process OES data belong to the first state or the second state as probability.
본 발명의 또 다른 태양에 따른 종료점 검출 방법은 공정 OES 데이터를 획득하는 단계; 및 상기 획득된 공정 OES 데이터를 은닉 마코브 모델에 적용하여 종료점을 검출하는 단계를 포함한다.An endpoint detection method according to another aspect of the present invention includes obtaining process OES data; And applying the obtained process OES data to a hidden Markov model to detect an endpoint.
본 발명의 또 다른 태양에 따른 플라즈마 공정 진단 방법은 OES 데이터를 획득하는 단계; 및 상기 획득된 OES 데이터를 은닉 마코브 모델에 적용하여 플라즈마 공정의 이상유무를 진단하는 단계를 포함한다. Plasma process diagnostic method according to another aspect of the present invention comprises the steps of obtaining OES data; And diagnosing abnormality of the plasma process by applying the obtained OES data to the hidden Markov model.
본 발명에 따른 플라즈마 공정 진단 시스템 및 이에 있어서 종료점 검출 방법 및 장치는 분광 분석 방법, 은닉 마코브 모델 및 비터비 알고리즘을 이용하여 종료점을 검출하므로, 반도체가 소형화되어도 상기 플라즈마 공정의 이상 유무 및 종료점 등과 같은 공정 상태를 정확하게 검출할 수 있는 장점이 있다. Plasma process diagnostic system and an endpoint detection method and apparatus according to the present invention detects the end point by using a spectroscopic analysis method, hidden Markov model and Viterbi algorithm, so even if the semiconductor is miniaturized, whether there is an abnormality and the end point of the plasma process, etc. The advantage is that the same process conditions can be detected accurately.
특히, 상기 플라즈마 공정 진단 시스템이 최대 우도 상태 시퀀스 추적 방법을 사용하여 종료점 등을 검출하므로, 잡음 등이 OES 데이터에 추가되더라도 상기 종료점을 정확하게 검출할 수 있다. In particular, since the plasma process diagnosis system detects an end point and the like using the maximum likelihood state sequence tracking method, the end point can be accurately detected even if noise or the like is added to the OES data.
도 1은 본 발명의 일 실시예에 따른 플라즈마 공정 진단 시스템을 도시한 도면이다.
도 2는 식각 공정에서 발생되는 광의 특징을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 종료점 검출 방법을 도시한 순서도이다.
도 4는 기준 OES 데이터의 일예를 도시한 도면이다.
도 5 및 도 6은 본 발명의 일 실시예에 따른 정규화 과정 및 PCA 처리 과정을 도시한 도면들이다.
도 7은 본 발명의 일 실시예에 따른 선형 회귀 모델을 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 공정 프로덕트들을 도시한 도면이다.
도 9는 본 발명의 일 실시예에 따른 공정 프로덕트를 상태 함수 확률로 변환하는 과정을 도시한 도면이다.
도 10은 본 발명의 일 실시예에 따른 상태 함수 확률 분포들을 도시한 도면이다.
도 11은 본 발명의 일 실시예에 따른 종료점 검출 과정을 도시한 도면이다.
도 12는 본 발명의 일 실시예에 따른 종료점 검출 결과를 도시한 도면이다.
도 13은 본 발명의 일 실시예에 따른 종료점 검출부의 구조를 도시한 블록도이다.1 is a diagram illustrating a plasma process diagnosis system according to an embodiment of the present invention.
2 is a view illustrating characteristics of light generated in an etching process.
3 is a flowchart illustrating an endpoint detection method according to an embodiment of the present invention.
4 is a diagram illustrating an example of reference OES data.
5 and 6 illustrate a normalization process and a PCA process according to an embodiment of the present invention.
7 illustrates a linear regression model according to an embodiment of the present invention.
8 is a diagram illustrating process products according to an embodiment of the present invention.
9 is a diagram illustrating a process of converting a process product into a state function probability according to an embodiment of the present invention.
10 illustrates state function probability distributions according to an embodiment of the present invention.
11 is a diagram illustrating an endpoint detection process according to an embodiment of the present invention.
12 is a diagram illustrating an end point detection result according to an embodiment of the present invention.
13 is a block diagram illustrating a structure of an endpoint detection unit according to an embodiment of the present invention.
이하에서는 첨부된 도면들을 참조하여 본 발명의 실시예들을 자세히 설명하도록 한다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시예에 따른 플라즈마 공정 진단 시스템을 도시한 도면이고, 도 2는 식각 공정에서 발생되는 광의 특징을 도시한 도면이다. 1 is a view showing a plasma process diagnostic system according to an embodiment of the present invention, Figure 2 is a view showing the characteristics of the light generated in the etching process.
플라즈마 공정 진단 시스템은 플라즈마 공정의 공정 상태 및 이상유무를 진단하는 시스템으로서, 예를 들어 식각 공정의 종료점을 검출한다. 여기서, 상기 플라즈마 공정은 플라즈마를 이용하여 수행되는 공정으로서, 증착 공정, 식각 공정 등을 포함한다. The plasma process diagnosis system is a system for diagnosing a process state and abnormality of a plasma process, for example, detecting an end point of an etching process. Here, the plasma process is a process performed by using a plasma, and includes a deposition process, an etching process, and the like.
이하에서는, 식각 공정에서 종료점을 검출하는 과정을 예로 하여 플라즈마 공정 진단 시스템의 동작을 상술하겠다. Hereinafter, the operation of the plasma process diagnosis system will be described in detail by taking an example of detecting the end point in the etching process.
도 1을 참조하면, 본 실시예의 플라즈마 공정 진단 시스템은 감지부(110) 및 종료점 검출부(112)를 포함한다. Referring to FIG. 1, the plasma process diagnosis system according to the present embodiment includes a
식각 공정을 살펴보면, 챔버(100) 내에서 홀더(102) 위에 배열된 웨이퍼(104) 상에 SiO2 등으로 이루어진 레이어(layer)가 형성되고, 상기 레이어 위에 포지티브 포토레지스트(Positive Photoresist) 또는 네거티브 포토레지스트(Negative Photoresist)가 형성될 수 있다. In the etching process, a layer made of SiO 2 or the like is formed on the
이어서, 상기 포토 레지스트를 특정 마스크를 이용하여 소정 패턴으로 변화시키며, 그 결과 상기 레이어 위에 소정 패턴을 가지는 포토 레지스트층이 형성된다. Subsequently, the photoresist is changed into a predetermined pattern using a specific mask, and as a result, a photoresist layer having a predetermined pattern is formed on the layer.
계속하여, 플라즈마를 이용하여 상기 레이어를 상기 포토 레지스트의 패턴에 대응하는 패턴으로 식각시킨다. 여기서, 상기 플라즈마는 외부에서 챔버(100)로 공급될 수도 있고, CF4 등과 같은 특정 가스가 챔버(100)로 공급된 상태에서 챔버(100)로 소정 전압이 인가됨에 의해 상기 가스가 플라즈마로 변화될 수도 있다. Subsequently, the layer is etched using a plasma in a pattern corresponding to the pattern of the photoresist. Here, the plasma may be supplied to the
상기 레이어는 상기 플라즈마와 반응하며, 이 과정에서 광이 방출된다. 여기서, 상기 광은 도 2(A)에 도시된 바와 같이 반응 후의 부산물(By-product)에 따라 다양한 파장을 가질 수 있다. 다만, 본 발명의 종료점 검출 방법은 후술하는 바와 같이 CO의 파장을 포함한 다양한 파장대의 광을 이용하여 종료점을 검출하는 실험을 하였다. The layer reacts with the plasma, in which light is emitted. Here, the light may have various wavelengths according to the by-product after the reaction as shown in FIG. 2 (A). However, in the end point detection method of the present invention, as described later, the end point was detected using light of various wavelength bands including the wavelength of CO.
감지부(110)는 상기 반응 과정에서 발생되는 광을 감지하며, 예를 들어 OES(Optical Emission Spectrometer) 센서일 수 있다. The
본 발명의 일 실시예에 따르면, 감지부(110)는 상기 감지된 광을 OES 데이터로 변환시킨다. 여기서, 상기 OES 데이터는 M×N 행렬로서 표현될 수 있으며, M 및 N은 정수이다. 다만, 감지부(110)의 설치 위치 및 구조는 감지부(110)가 상기 광을 감지할 수 있는 한 특별하게 제한되지 않는다. According to an embodiment of the present invention, the
종료점 검출부(112)는 상기 OES 데이터를 이용하여 상기 식각 공정의 종료점을 검출한다. 구체적으로는, 특정 파장을 가지는 광의 세기는 도 2(B)에 도시된 바와 같이 시간에 따라 변화되며, 이 경우 종료점 검출부(112)는 상태가 변화된 지점을 종료점(End Point, 도 2에서는 약 99초)으로 판단한다. An
본 발명의 일 실시예에 따르면, 종료점 검출부(112)는 주성분 분석(Principal Component Analysis, PCA) 및 은닉 마코브 모델(Hidden Markov Model), 특히 세미 은닉 마코브 모델(Semi-hidden markov model)과 분절 은닉 마코브 모델(segmental hidden markov model)이 혼합된 모델을 이용하여 상기 종료점을 검출할 수 있다. 이에 대한 자세한 설명은 첨부된 도면들을 참조하여 후술하겠다.According to one embodiment of the invention, the
요컨대, 본 실시예의 플라즈마 공정 진단 시스템은 식각 공정 등에서 반응 결과로서 방출되는 광을 이용하여 종료점 검출 등과 같은 공정 상태 및 공정의 이상유무를 검출할 수 있다. In other words, the plasma process diagnosis system of the present embodiment can detect process conditions such as endpoint detection and abnormality of processes using light emitted as a result of reaction in an etching process or the like.
이하, 상기 종료점 검출 과정을 첨부된 도면들을 참조하여 상술하겠다. 다만, 상기 종료점 검출 과정에 대한 전체적인 과정을 개략적으로 설명하고, 그런 후 각 단계별 상세 과정을 설명하겠다. Hereinafter, the endpoint detection process will be described in detail with reference to the accompanying drawings. However, the overall process for the endpoint detection process will be described schematically, and then the detailed process for each step will be described.
우선, 상기 종료점 검출 과정의 전체 과정을 설명하겠다. First, the entire process of the endpoint detection process will be described.
도 3은 본 발명의 일 실시예에 따른 종료점 검출 방법을 도시한 순서도이고, 도 4는 기준 OES 데이터의 일예를 도시한 도면이다. 도 5 및 도 6은 본 발명의 일 실시예에 따른 정규화 과정 및 PCA 처리 과정을 도시한 도면들이고, 도 7은 본 발명의 일 실시예에 따른 선형 회귀 모델을 도시한 도면이다. 3 is a flowchart illustrating an endpoint detection method according to an embodiment of the present invention, and FIG. 4 is a diagram illustrating an example of reference OES data. 5 and 6 illustrate a normalization process and a PCA process according to an embodiment of the present invention, and FIG. 7 illustrates a linear regression model according to an embodiment of the present invention.
도 3을 참조하면, 종료점 검출부(112)는 SNR을 이용하여 예를 들어 식각 공정에서 획득한 광 중 일부를 선택하여 기준 OES 데이터 및 공정 OES 데이터를 획득한다(S300). Referring to FIG. 3, the
이어서, 종료점 검출부(112)는상기 획득된 기준 OES 데이터를 정규화시킨다(S302). 여기서, 상기 기준 OES 데이터는 감지부(110)에 의해 감지된 광 중 소정값 이상의 SNR을 가지는 광을 추출한 데이터로서, 메모리에 기저장되어 있는 상태에서 요청에 따라 독출되어 정규화될 수 있다. Subsequently, the
예를 들어, 상기 기준 OES 데이터는 도 4에 도시된 바와 같이 M (정수임)×N (정수임) 행렬로서 표현될 수 있고, 도 5에 도시된 바와 같이 정규화될 수 있다. 여기서, M은 각 파장들에 대한 샘플을 의미하며, N은 각 시간마다 샘플링되는 파장을 나타낼 수 있다. For example, the reference OES data may be represented as an M (integer) × N (integer) matrix as shown in FIG. 4 and normalized as shown in FIG. 5. Here, M may mean a sample for each wavelength, and N may represent a wavelength sampled at each time.
이어서, 종료점 검출부(112)는 도 5에 도시된 바와 같이 상기 정규화된 기준 OES 데이터를 PCA 처리하여 고유 벡터(Eigenvector)를 획득한다(S304).Subsequently, the
계속하여, 종료점 검출부(112)는 상기 획득된 고유 벡터와 상기 기준 OES 데이터를 연산하여 기준 프로덕트(Reference Product)를 생성한다(S306).Subsequently, the
이어서, 종료점 검출부(112)는 상기 생성된 기준 프로덕트를 이용하여 선형 회귀 모델(Linear Regression Model)을 구축한다(S308). 특히, 종료점 검출부(112)는 상태 판단의 기준이 되는 제 1 분절값(θ1) 및 제 2 분절값(θ2)을 획득한다. Subsequently, the
계속하여, 종료점 검출부(112)는 공정 OES 데이터와 상기 고유 벡터를 연산하여 공정 프로덕트를 생성한다(S310).Subsequently, the
이어서, 종료점 검출부(112)는 상기 생성된 공정 프로덕트의 값들을 상태 함수 확률로 변환하여 상태 함수 확률 분포를 생성한다(S312).Subsequently, the
계속하여, 종료점 검출부(112)는 상기 상태 함수 확률 분포를 통하여 상태 변환점을 검출하고, 상기 검출된 상태 변환점을 종료점으로서 판단한다(S314). 본 발명의 일 실시예에 따르면, 종료점 검출부(112)는 종료점 검출 과정(S314)에 비터비 알고리즘(Viterbi algorithm)을 이용할 수 있다. Subsequently, the
요컨대, 종료점 검출부(112)는 상기 식각 공정 등에서 반응 결과로서 방출된 광 중 특정 파장 범위의 광에 해당하는 기준 OES 데이터를 이용하여 선형 회귀 모델을 구축하고, 상기 구축된 선형 회귀 모델 및 공정 OES 데이터를 이용하여 상기 종료점을 검출하며, 종료점 검출을 위한 모델, 예를 들어 은닉 마코브 모델을 구축한다. In other words, the
이하, 각 단계별 상세 과정을 살펴보겠다. The following describes the detailed process of each step.
우선, OES 데이터들을 선택하는 과정을 살펴보겠다.First, let's look at the process of selecting OES data.
식각 공정시 식각 부산물에 의한 광 및 반응가스 또는 분해된 원자나 분자에 의한 광(에천트, echant의 파장)이 발생한다. In the etching process, light generated by etching by-products and reactant gases or light generated by decomposed atoms or molecules (wavelength of etchant, echant) are generated.
식각 부산물에 의한 광은 반응가스와 반응하기 때문에 식각 공정이 진행될 수록 감소되며, 그 결과 상기 식각 부산물에 해당하는 광의 파장도 공정이 진행되면서 감소한다. Since the light generated by the etching by-products reacts with the reaction gas, it decreases as the etching process proceeds. As a result, the wavelength of light corresponding to the etching by-products decreases as the process proceeds.
반면에, 에천트는 식각 공정이 진행되면 반응가스가 소모되므로 식각 공정 동안은 광의 강도가 약해지지만 반응이 더 이상 일어나지 않으면, 상기 반응가스와 관련된 광의 파장의 피크는 다시 증가한다. On the other hand, the etchant consumes the reaction gas when the etching process proceeds, so that the intensity of the light decreases during the etching process, but when the reaction no longer occurs, the peak of the wavelength of the light associated with the reaction gas increases again.
따라서, 상기 식각 부산물에 의한 광과 상기 에천트에 의한 광이 반대되는 특성을 가지므로, 하나의 광만을 이용하여 이후의 PCA를 적용한다. 여기서, 상기 광을 선택하기 위하여 아래의 수학식 1과 같은 SNR을 이용한다. Therefore, since the light by the etching by-product and the light by the etchant have the opposite characteristics, the subsequent PCA is applied using only one light. In this case, an SNR such as
여기서, A는 종료점 이전의 데이터이고, B는 종료점 이후의 데이터이며, S는 전체 데이터의 표준편차이다. 예를 들어, 종료점이 90초이면 A는 1초 내지 30초 사이의 데이터이고, B는 100초 내지 130초의 데이터일 수 있다. Here, A is data before the end point, B is data after the end point, and S is the standard deviation of all data. For example, if the endpoint is 90 seconds, A may be between 1 and 30 seconds, and B may be between 100 and 130 seconds.
위와 같이 SNR을 구하면, 도 4(A)에 도시된 바와 같은 그래프가 획득될 수 있다. 여기서, 0 이상의 값들은 식각 부산물에 의한 데이터이고, 0 이하의 값들은 에천트에 의한 데이터이다. When the SNR is obtained as described above, a graph as shown in FIG. 4A may be obtained. Here, the values above 0 are data by etching by-products, and the values below 0 are data by etchant.
본 발명의 일 실시예에 따르면, 본 실시예의 종료점 검출 방법은 SNR 그래프에서 기준값 이상의 파장만을 OES 데이터로서 선택한다. 예를 들어, 상기 종료점 검출 방법은 2.3 이상의 SNR을 가지는 데이터를 OES 데이터로서 선택할 수 있다. According to an embodiment of the present invention, the endpoint detection method of the present embodiment selects only the wavelength above the reference value as the OES data in the SNR graph. For example, the endpoint detection method may select data having an SNR of 2.3 or more as OES data.
다음으로, PCA 처리 과정(S302)을 살펴보겠다. 여기서, 상기 PCA(주성분 분석)는 공정 변수 행렬의 공분산(covariance) 행렬을 고유 벡터 분해(eigenvector decomposition)하는 방법을 의미한다. Next, the PCA processing process S302 will be described. Here, PCA (Principal Component Analysis) means a method of eigenvector decomposition of a covariance matrix of a process variable matrix.
도 5를 참조하면, 상기 종료점 검출 방법은 상기 정규화된 기준 OES 데이터(M개의 샘플과 N개의 변수를 가지는 M×N 행렬로 표현됨)에 대하여 아래의 수학식 2의 공분산 행렬식(cov(X))을 적용하여 공분산 행렬을 계산한다. 여기서, 상기 기준 OES 데이터는 변량이 p인 N개의 데이터들, 즉 X11, X22,....,Xpn로 이루어진다. 즉, 상기 데이터들은 p차원 공간에서 N 개의 점들로 표시될 수 있다. Referring to FIG. 5, the endpoint detection method includes a covariance determinant (cov (X)) of
여기서, XT는 X의 전치(transposition) 행렬을 의미한다. Here, X T means the transposition matrix of X.
이어서, 상기 종료점 검출 방법은 상기 PCA 처리로서 상기 공분산 행렬에 대하여 아래의 수학식 3을 적용하여 데이터 행렬(D)를 계산한다. Subsequently, the endpoint detection method calculates a data matrix D by applying
계속하여, 상기 종료점 검출 방법은 상기 PCA 처리로서 도 6에 도시된 바와 같이 데이터 행렬(D)에 대하여 고유 벡터 문제를 풀어서 고유치(Eigenvalue)와 고유 벡터를 계산한다. Subsequently, the endpoint detection method calculates an eigenvalue and an eigenvector by solving the eigenvector problem for the data matrix D as shown in FIG. 6 as the PCA process.
본 발명의 일 실시예에 따르면, 상기 종료점 검출 방법은 상기 고유 벡터를 이용하여 종료점을 검출한다. According to an embodiment of the present invention, the endpoint detection method detects an endpoint using the eigenvector.
다음으로, 상기 기준 프로덕트 및 상기 공정 프로덕트를 생성하는 과정을 살펴보겠다.Next, the process of generating the reference product and the process product will be described.
상기 기준 프로덕트는 상기 기준 OES 데이터의 값들과 상기 고유 벡터의 로딩 벡터들(AR1(1)∼AR1(N), AR2(1)∼AR2(N), ... , ARN(1)∼ARN(N))을 아래의 수학식 4와 같이 연산함에 의해 생성된다.The reference product includes values of the reference OES data and loading vectors of the eigenvectors AR1 (1) to AR1 (N), AR2 (1) to AR2 (N), ..., ARN (1) to ARN ( N)) is generated by calculating
실제 실험에서는, 4개의 OES 데이터들을 사용하여 각기 로딩 벡터들을 추출하고 상기 추출된 로딩 벡터들 중 대표 로딩 벡터를 4개의 OES 데이터들과 연산하여 기준 프로덕트를 생성하였다. In a practical experiment, four OES data were used to extract respective loading vectors, and a representative product of the extracted loading vectors was calculated with four OES data to generate a reference product.
본 발명의 다른 실시예에 따르면, 4개의 OES 데이터들 중 임의로 하나를 선정하고, 상기 선정된 OES 데이터에서 로딩 벡터를 추출하며, 상기 추출된 로딩 벡터와 상기 선정된 OES 데이터를 연산하여 기준 프로덕트를 생성할 수도 있다. According to another embodiment of the present invention, a random one of four OES data is selected, a loading vector is extracted from the selected OES data, and the reference product is calculated by calculating the extracted loading vector and the selected OES data. You can also create
상기 공정 프로덕트는 상기 기준 프로덕트 생성 과정과 유사하게 상기 공정 OES 데이터의 값들과 상기 고유 벡터의 로딩 벡터들(AR1(1)∼AR1(N), AR2(1)∼AR2(N), ... , ARN(1)∼ARN(N))을 연산함에 의해 생성된다.The process product is similar to the reference product generation process, and the values of the process OES data and the loading vectors of the eigenvectors AR1 (1) to AR1 (N), AR2 (1) to AR2 (N), ... And ARN (1) to ARN (N)).
실제 실험에서는, 2개의 OES 데이터들을 사용하였으며, 상기 기준 프로덕트 과정에서 추출된 대표 로딩 벡터와 2개의 OES 데이터들과 연산하여 공정 프로덕트를 생성하였다.In the actual experiment, two OES data were used, and a process product was generated by calculating the representative loading vector and two OES data extracted in the reference product process.
다음으로, 상기 선형 회귀 모델을 구축하는 과정을 살펴보겠다. 다만, 상기 선형 회귀 모델을 살펴보기 전에 종료점 검출의 특수성에 대하여 살펴보겠다. Next, we will look at the process of building the linear regression model. However, before examining the linear regression model, the specificity of end point detection will be described.
도 2(B)에 도시된 바와 같이, 감지부(110)에 의해 감지된 광은 시간에 따라 변화되며, 특히 종료점을 기준으로 분명하게 구분된다. 즉, 상기 광은 상기 종료점 이전까지의 제 1 상태와 상기 종료점 이후의 제 2 상태로 분리될 수 있다. As shown in FIG. 2B, the light detected by the
또한, 상기 광은 항상 상기 제 1 상태로부터 상기 제 2 상태로 변화된다. 따라서, 본 발명의 종료점 검출 방법은 예를 들어 은닉 마코브 모델을 이용하여 선형 회귀 모델을 구축하되, 초기 상태 분포를 아래의 수학식 5와 같이 설정하고 전이 행렬(transition matrix)을 아래의 수학식 6과 같이 설정한다. 즉, 상기 초기 상태 분포가 항상 제 1 상태가 되도록 설정되고, 상기 종료점을 기준으로 하여 상기 광이 상기 제 1 상태에서 상기 제 2 상태로 변화되도록 설정한다. Also, the light always changes from the first state to the second state. Accordingly, the endpoint detection method of the present invention is to construct a linear regression model using a hidden Markov model, for example, set the initial state distribution as shown in
K 상태들에 대한 선형 회귀 모델은 아래의 수학식 7과 같다. The linear regression model for the K states is shown in
여기서, 1≤i≤K이고, et는 잡음이며, 는 회귀 함수를 의미한다. Where 1 ≦ i ≦ K, e t is noise, Is a regression function.
위 수학식 7에서 알 수 있는 바와 같이, K 상태들은 θi로서 표시될 수 있고, 상기 공정 프로덕트의 값들(yt)은 잡음(et)이 고려된 상태로 θi의 함수로 표현된다. 여기서, 잡음(et)은 평균 0이고 분산이 σ2인 가우시안 함수(Gaussian Function)일 수 있다. As can be seen in
다만, 상기 종료점 검출 과정에서는 2개의 상태들만이 존재하므로, 상기 선형 회귀 모델은 도 8에 도시된 바와 같이 제 1 분절값(first segmental value, θ1) 및 제 2 분절값(θ2)으로 구축될 수 있다. 여기서, 분절값들(θ1 및 θ2)은 상태 판단의 기준이 되는 값들로서, 선형적인 특징을 가지며 소정 기울기를 가질 수 있다.However, since only two states exist in the endpoint detection process, the linear regression model is constructed with a first segmental value θ 1 and a second segment value θ 2 as shown in FIG. 8. Can be. Here, the segment values θ 1 and θ 2 are values used as criteria for determining the state, and may have a linear characteristic and have a predetermined slope.
구체적으로는, 상기 공정 프로덕트의 값이 θ1에 가까우면 상기 값은 상기 제 1 상태에 속할 확률이 높다고 판단하며, 상기 공정 프로덕트의 값이 θ2에 가까우면 상기 값은 상기 제 2 상태에 속할 확률이 높다고 판단한다. Specifically, if the value of the process product is close to θ 1 , the value is determined to belong to the first state, and if the value of the process product is close to θ 2 , the value is to belong to the second state. I think the probability is high.
다음으로, 상태 함수 확률 계산 과정을 살펴보겠다. Next, we will look at the process of calculating the state function probability.
도 8은 본 발명의 일 실시예에 따른 공정 프로덕트들을 도시한 도면이고, 도 9는 본 발명의 일 실시예에 따른 공정 프로덕트를 상태 함수 확률로 변환하는 과정을 도시한 도면이다. 도 10은 본 발명의 일 실시예에 따른 상태 함수 확률 분포들을 도시한 도면이고, 도 11은 본 발명의 일 실시예에 따른 종료점 검출 과정을 도시한 도면이다. 8 is a diagram illustrating process products according to an embodiment of the present invention, and FIG. 9 is a diagram illustrating a process of converting process products into state function probabilities according to an embodiment of the present invention. 10 is a diagram illustrating state function probability distributions according to an embodiment of the present invention, and FIG. 11 is a diagram illustrating an endpoint detection process according to an embodiment of the present invention.
도 8 내지 도 10을 참조하면, 공정 프로덕트의 값들(yt)은 아래의 수학식 8을 통하여 상기 제 1 상태에 속할 확률 및 상기 제 2 상태에 속할 확률을 나타내는 상태 함수 확률로 변환된다. 8 to 10, the values y t of the process product are converted into state function probabilities indicating the probability of belonging to the first state and the probability of belonging to the second state through Equation 8 below.
여기서, μc는 미리 알고 있는 예측 종료점이며, 예를 들어 식각 공정 시작으로부터 99초 경과된 시간일 수 있다. Here, μ c is a predicted end point known in advance, and may be, for example, a time elapsed 99 seconds from the start of the etching process.
결과적으로, 상기 공정 프로덕트의 값들(yt)이 상태 함수 확률로 변환되며, 따라서 상기 공정 프로덕트가 하나의 상태 함수 확률 분포로 표시된다. As a result, the values y t of the process product are converted into state function probabilities, so that the process product is represented by one state function probability distribution.
실제 실험에서는, 도 8에 도시된 바와 같은 4개의 공정 프로덕트들을 도 9에 도시된 바와 같은 변환 과정을 통하여 변환하여 도 10에 도시된 바와 같은 상태 함수 확률 분포들을 획득하였다. 이에 대한 자세한 설명은 후술하겠다. In an actual experiment, four process products as shown in FIG. 8 were transformed through a transformation process as shown in FIG. 9 to obtain state function probability distributions as shown in FIG. 10. Detailed description thereof will be described later.
위와 같이 μc를 설정하면 상기 종료점은 대략적으로 μc±20%에서 일어날 것으로 예상되며, 그 결과 상기 제 1 상태의 상태 지속 분포는 아래의 수학식 9와 같은 정규 분포로서 표현될 수 있다. 또한, 상기 제 2 상태의 상태 지속 분포는 수학식 10과 같이 표현될 수 있다. When the μ c is set as above, the end point is expected to occur at approximately μ c ± 20%. As a result, the state sustained distribution of the first state may be expressed as a normal distribution as shown in Equation 9 below. In addition, the state sustain distribution of the second state may be expressed by
여기서, 이다. here, to be.
수학식 9 및 수학식 10을 참조하면, 상기 식각 공정이 종료되기 전의 공정에 해당하는 상기 제 1 상태는 상기 종료점을 기준으로 하여 정규 분포로서 지속될 수 있고, 상기 식각 공정이 종료된 후에는 상기 제 2 상태에서 다른 상태로의 변화가 없으므로 확률이 거의 1로서 표현될 수 있다. Referring to
계속하여, 상기 상태 함수 확률 분포에서 상기 종료점을 검출하는 과정을 살펴보겠다. Subsequently, the process of detecting the end point in the state function probability distribution will be described.
도 11은 본 발명의 일 실시예에 따른 종료점 검출 과정을 도시한 도면이다.11 is a diagram illustrating an endpoint detection process according to an embodiment of the present invention.
도 11에 도시된 바와 같이, 본 실시예의 종료점 검출 방법은 최대 우도 상태 시퀀스(most likely state sequence) 추적 방법을 사용한다. 구체적으로는, 데이터 시퀀스들(y, 상태 함수 확률 분포에서의 확률값들)의 상태 변화를 계속적으로 추적하되, 동일한 상태가 연속적으로 유지되는지의 여부를 통하여 종료점을 판단한다. As shown in Fig. 11, the endpoint detection method of this embodiment uses a most likely state sequence tracking method. Specifically, the state change of the data sequences (y, probability values in the state function probability distribution) is continuously tracked, but the endpoint is determined by whether the same state is continuously maintained.
예를 들어, 종료점 이전의 시퀀스들은 상기 제 2 상태에 속할 확률보다 상기 제 1 상태에 속할 확률이 높으나(상기 제 1 상태를 가짐), 일부 시퀀스에서는 상기 제 2 상태에 속할 확률이 더 높을 수 있다(상기 제 2 상태를 가짐). 이 경우, 상기 제 2 상태를 가지는 시퀀스 이후의 시퀀스들이 상기 제 1 상태를 가지므로, 즉 상기 제 2 상태가 연속적으로 유지되지 않으므로, 상기 제 1 상태에서 상기 제 2 상태로 변화된 시퀀스를 종료점으로 판단하지 않는다.For example, sequences before an endpoint are more likely to belong to the first state than to belong to the second state (having the first state), but in some sequences, they may be more likely to belong to the second state. (Having said second state). In this case, since sequences after the sequence having the second state have the first state, that is, the second state is not continuously maintained, the sequence changed from the first state to the second state is determined as an end point. I never do that.
그러나, 특정 시퀀스에서 상기 제 1 상태가 상기 제 2 상태로 변화된 후 상기 제 2 상태들이 유지되면, 상기 제 1 상태에서 상기 제 2 상태로 변화된 시점을 상기 종료점으로 판단한다. However, if the second states are maintained after the first state is changed to the second state in a particular sequence, the end point is determined as the time point when the first state is changed from the first state to the second state.
예를 들어, 도 10(A) 내지 도 10(D)에 도시된 바와 같이 종료점 이전의 시퀀스들이 대다수 상기 제 1 상태를 가지지만 일부는 상기 제 2 상태를 가진다(즉, 상기 제 2 상태에 속할 확률이 상기 제 1 상태에 속할 확률보다 높음). 이 경우, 상기 시퀀스 이후의 시퀀스들이 상기 제 1 상태를 가지므로, 상기 시퀀스를 상기 종cnf료점 이전의 시퀀스로 판단한다. For example, as shown in Figs. 10A to 10D, most of the sequences before the endpoint have the first state but some have the second state (i.e. belong to the second state). The probability is higher than the probability of belonging to the first state. In this case, since the sequences after the sequence have the first state, the sequence is determined to be the sequence before the slave CNF exit point.
반면에, 상기 종료점(약 99초) 이후에서는 시퀀스들의 대다수가 상기 제 2 상태를 가지며, 즉 상기 제 2 상태가 연속적으로 유지되므로, 상기 제 1 상태에서 상기 제 2 상태로 변화된 시점이 상기 종료점임을 확인할 수 있다. On the other hand, after the end point (approximately 99 seconds), the majority of sequences have the second state, that is, the second state is continuously maintained, so that the point of time when the first state changes from the first state to the second state is the end point. You can check it.
본 발명의 일 실시예에 따르면, 상기 최대 우도 상태 시퀀스 추적 방법은 아래의 수학식 11과 같은 비터비 알고리즘(Viterbi algorithm)을 이용함에 의해 수행될 수 있다. According to an embodiment of the present invention, the maximum likelihood state sequence tracking method may be performed by using a Viterbi algorithm such as
여기서, 1<i<N이고, Aji는 j 상태에서 i 상태로 변화될 확률을 의미한다. Here, 1 <i <N, and A ji means the probability of changing from the j state to the i state.
수학식 11을 참조하면, 각 초에서 V1 및 V2가 아래의 수학식 12와 같이 생성되며, 도 12에 도시된 바와 같이 최대 확률이 되는 경로로 최종 경로가 결정된다. Referring to
수학식 11 및 수학식 12의 방법을 통하여 경로를 추적하면, 약 99초에서 시퀀스의 상태가 상기 제 1 상태에서 상기 제 2 상태로 변화된 후 상기 제 2 상태가 유지됨을 확인할 수 있다. 즉, 상기 종료점이 약 99초임을 확인할 수 있다. By tracking the path through the methods of
즉, 본 실시예의 종료점 추적 방법은 상기 최대 우도 상태 시퀀스 추적 방법, 특히 비터비 알고리즘을 이용하여 상기 종료점을 검출한다. That is, the endpoint tracking method of the present embodiment detects the endpoint using the maximum likelihood state sequence tracking method, particularly the Viterbi algorithm.
이하, 상기 종료점 검출을 위한 실제 은닉 마코브 모델 구축 과정을 살펴보겠다. Below, we will look at the actual hidden Markov model construction process for the endpoint detection.
도 12는 본 발명의 일 실시예에 따른 종료점 검출 결과를 도시한 도면이다. 12 is a diagram illustrating an end point detection result according to an embodiment of the present invention.
실험에서는, 웨이퍼의 식각 공정에서 방출된 광의 주요 파장대를 이용하여 은닉 마코브 모델을 구축하였다. 구체적으로는, 주요 파장대의 139 값들을 분석하여 은닉 마코브 모델을 구축하였다. 여기서, 제 1 분절값(θ1)의 기울기 및 제 2 분절값(θ2)의 기울기는 도 9에 도시된 바와 같이 각기 0.01285 및 -0.02로 확정되었다.In the experiment, a hidden Markov model was constructed using the main wavelength band of the light emitted in the wafer etching process. Specifically, a hidden Markov model was constructed by analyzing the 139 values of the principal wavelength band. Here, the slopes of the first segment value θ 1 and the slopes of the second segment value θ 2 were determined to be 0.01285 and −0.02, respectively, as shown in FIG. 9.
이어서, 도 8에 도시된 바와 같은 공정 OES 데이터에 해당하는 공정 프로덕트들을 통하여 종료점을 검출하고, 종료점 검출을 위한 은닉 마코브 모델을 구축하였다. Subsequently, an end point was detected through process products corresponding to process OES data as shown in FIG. 8, and a hidden Markov model for end point detection was constructed.
계속하여, 기준 프로덕트의 파장대와 동일한 파장대의 2개의 공정 프로덕트들을 이용하여 상기 구축된 은닉 마코브 모델에 적용한 결과, 도 12에 도시된 바와 같이 종료점이 약 99초로 검출되었다. Subsequently, as a result of applying to the constructed hidden Markov model using two process products having the same wavelength band as the reference product, the end point was detected as about 99 seconds as shown in FIG. 12.
즉, 상기 구축된 은닉 마코브 모델이 정확하게 종료점을 검출함을 확인할 수 있었다. 특히, OES 데이터 획득 과정에서 잡음이 추가되었음에도 불구하고, 상기 종료점은 정확하게 검출되었다. 이것은 상기 비터비 알고리즘에 의한 경로 추적 방법을 사용하였기 때문이다. In other words, it could be confirmed that the constructed hidden Markov model accurately detects the end point. In particular, even though noise was added during OES data acquisition, the endpoint was accurately detected. This is because the path tracking method by the Viterbi algorithm is used.
도 13은 본 발명의 일 실시예에 따른 종료점 검출부의 구조를 도시한 블록도이다.13 is a block diagram illustrating a structure of an endpoint detection unit according to an embodiment of the present invention.
도 13을 참조하면, 본 실시예의 종료점 검출부(112)는 제어부(1300), 데이터 선택부(1302), 정규화부(1304), PCA 처리부(1306), 프로덕트 생성부(1308), 회귀 모델부(1310), 상태 함수 확률부(1312), 종료점 판단부(1314) 및 저장부(1316)를 포함한다. Referring to FIG. 13, the
데이터 선택부(1302)는 SNR을 이용하여 식각 공정에서 발생된 광 중 일부 광에 해당하는 OES 데이터들을 선택한다. 여기서, 상기 선택 과정은 자동으로 이루어질 수 있다. The
정규화부(1304)는 기준 OES 데이터를 정규화한다.The
PCA 처리부(1306)는 상기 정규화된 기준 OES 데이터를 PCA 처리한다.The
프로덕트 생성부(1308)는 상기 기준 OES 데이터와 상기 PCA 처리에 의해 획득된 고유 벡터를 연산하여 기준 프로덕트를 생성하고, 상기 공정 OES 데이터와 상기 고유 벡터를 연산하여 공정 프로덕트를 생성한다. A
회귀 모델부(1310)는 상기 기준 프로덕트를 이용하여 선형 회귀 모델을 구축하며, 특히 제 1 분절값(θ1) 및 제 2 분절값(θ2)을 획득한다. The
상태 함수 확률부(1312)는 공정 프로덕트의 값들을 각기 상태 함수 확률로 변환하여 상태 함수 확률 분포를 생성한다.The state
종료점 판단부(1314)는 상기 상태 함수 확률 분포를 통하여 종료점을 검출하며, 특히 비터비 알고리즘을 이용하여 상기 종료점을 검출한다. An
저장부(1316)는 기존 OES 데이터, 종료점 등을 저장한다.The
제어부(1300)는 종료점 검출부(118)의 구성요소들의 동작을 전반적으로 제어한다. The
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다. The embodiments of the present invention described above are disclosed for purposes of illustration, and those skilled in the art having ordinary knowledge of the present invention may make various modifications, changes, and additions within the spirit and scope of the present invention. Should be considered to be within the scope of the following claims.
100 : 챔버 102 : 홀더
104 : 웨이퍼 110 : 감지부
112 : 종료점 검출부 1300 : 제어부
1302 : 데이터 선택부 1304 : 정규화부
1306 : PCA 처리부 1308 : 프로덕트 생성부
1310 : 회귀 모델부 1312 : 상태 함수 확률부
1314 : 종료점 판단부 1316 : 저장부100
104: wafer 110: detector
112: endpoint detection unit 1300: control unit
1302: data selection unit 1304: normalization unit
1306: PCA processing unit 1308: product generation unit
1310: regression model unit 1312: state function probability unit
1314: endpoint determination unit 1316: storage unit
Claims (16)
공정 OES 데이터를 상기 제 1 분절값 및 상기 제 2 분절값을 기준으로 하여 상태 함수 확률 분포로 변환하는 단계; 및
상기 상태 함수 확률 분포에서 최대 우도 상태 시퀀스 추적 방법을 이용하여 종료점을 검출하는 단계를 포함하되,
상기 상태 함수 확률 분포는 상기 공정 OES 데이터의 값들이 상기 제 1 상태 또는 상기 제 2 상태에 속할지를 확률로서 표시한 분포인 것을 특징으로 하는 종료점 검출 방법. Setting a first segment value corresponding to the first state and a second segment value corresponding to the second state;
Converting process OES data into a state function probability distribution based on the first segment value and the second segment value; And
Detecting an endpoint using the maximum likelihood state sequence tracking method in the state function probability distribution;
And the state function probability distribution is a distribution indicating whether the values of the process OES data belong to the first state or the second state as probability.
SNR을 이용하여 기준 OES 데이터들을 획득하는 단계;
상기 기준 OES 데이터들을 정규화하는 단계;
상기 정규화된 데이터들을 PCA(주성분 분석) 처리하여 고유 벡터들을 획득하는 단계;
상기 기준 OES 데이터들과 상기 고유 벡터들 중 대표 고유 벡터를 연산하여 기준 프로덕트를 생성하는 단계; 및
상기 생성된 기준 프로덕트를 통하여 상기 제 1 분절값 및 상기 제 2 분절값을 획득하는 단계를 포함하되,
상기 SNR은,
이며,
A는 예상 종료점 이전의 데이터이고, B는 상기 예상 종료점 이후의 데이터이며, S는 전체 데이터의 표준편차인 것을 특징으로 하는 종료점 검출 방법. The method of claim 1, wherein the setting of the first segment value and the second segment value comprises:
Obtaining reference OES data using SNR;
Normalizing the reference OES data;
PCA (Principal Component Analysis) the normalized data to obtain eigenvectors;
Generating a reference product by computing a representative eigenvector among the reference OES data and the eigenvectors; And
Obtaining the first segment value and the second segment value through the generated reference product,
The SNR is,
,
A is data before the expected end point, B is data after the expected end point, and S is a standard deviation of all data.
상기 공정 OES 데이터와 상기 대표 고유 벡터를 연산 처리하여 공정 프로덕트를 생성하는 단계; 및
기저장된 종료점을 이용하여 상기 생성된 공정 프로덕트의 값들을 확률값들로 변환함에 의해 상기 상태 함수 확률 분포를 획득하는 단계를 포함하는 것을 특징으로 하는 종료점 검출 방법. The method of claim 2, wherein the converting into the state function probability distribution comprises:
Generating a process product by computing the process OES data and the representative eigenvector; And
And obtaining the state function probability distribution by converting values of the generated process product into probability values using previously stored endpoints.
각 시간대별로 확률값들이 높은 상태들을 검출하는 단계; 및
상기 검출된 상태들을 추적한 결과, 상기 제 1 상태에서 상기 제 2 상태로 전환된 후 상기 제 2 상태가 소정 횟수 이상 유지되는 경우 상기 전환 시점을 상기 종료점으로 판단하는 단계를 포함하는 것을 특징으로 하는 종료점 검출 방법. The method of claim 1, wherein the detecting of the end point comprises:
Detecting states having high probability values for each time period; And
And determining the switching time point as the end point when the second state is maintained for a predetermined number of times after being switched from the first state to the second state as a result of tracking the detected states. Endpoint detection method.
공정 OES 데이터를 상기 제 1 분절값 및 상기 제 2 분절값을 기준으로 하여 상태 함수 확률 분포로 변환시키는 상태 함수 확률부; 및
상기 상태 함수 확률 분포에서 상태 변화를 검출하여 종료점을 판단하는 종료점 판단부를 포함하되,
상기 상태 함수 확률 분포는 상기 공정 OES 데이터의 값들이 상기 제 1 상태 또는 상기 제 2 상태에 속할지를 확률로서 표시한 분포인 것을 특징으로 하는 종료점 검출 장치. A regression model unit for constructing a regression model to obtain a first segment value corresponding to the first state and a second segment value corresponding to the second state;
A state function probability unit for converting process OES data into a state function probability distribution based on the first segment value and the second segment value; And
An endpoint determination unit for determining a termination point by detecting a state change in the state function probability distribution,
And the state function probability distribution is a distribution indicating whether the values of the process OES data belong to the first state or the second state as probability.
SNR을 이용하여 기준 OES 데이터들을 획득하는 단계;
상기 기준 OES 데이터들을 정규화하는 정규화부;
상기 정규화된 데이터들을 PCA(주성분 분석) 처리하여 고유 벡터들을 획득하는 PCA 처리부; 및
상기 기준 OES 데이터들과 상기 고유 벡터들 중 대표 고유 벡터를 연산하여 기준 프로덕트를 생성하는 프로덕트 생성부를 더 포함하되,
상기 SNR은,
이며,
A는 예상 종료점 이전의 데이터이고, B는 상기 예상 종료점 이후의 데이터이며, S는 전체 데이터의 표준편차이며, 상기 제 1 분절값 및 상기 제 2 분절값은 상기 생성된 기준 프로덕트를 통하여 획득되는 것을 특징으로 하는 종료점 검출 장치. The method of claim 7, wherein the endpoint detection device,
Obtaining reference OES data using SNR;
A normalizer for normalizing the reference OES data;
A PCA processor configured to obtain eigenvectors by PCA (Principal Component Analysis) the normalized data; And
Further comprising a product generation unit for generating a reference product by calculating a representative eigenvector of the reference OES data and the eigenvectors,
The SNR is,
,
A is data before the expected end point, B is data after the expected end point, S is the standard deviation of the entire data, and the first segment value and the second segment value are obtained through the generated reference product. End point detection device characterized in that.
상기 상태 함수 확률부는 상기 생성된 공정 프로덕트의 값들을 기저장된 종료점을 이용하여 확률값들로 변환하며,
상기 종료점 판단부는 각 시간대별로 확률값들이 높은 상태들을 검출하고, 상기 검출된 상태들을 추적한 결과 상기 제 1 상태에서 상기 제 2 상태로 전환된 후 상기 제 2 상태가 소정 횟수 이상 유지되는 경우 상기 전환 시점을 상기 종료점으로 판단하는 것을 특징으로 하는 종료점 검출 장치. The method of claim 8, wherein the product generation unit generates a process product by calculating process OES data and the representative eigenvector,
The state function probability unit converts the values of the generated process product into probability values using prestored endpoints,
The end point determination unit detects states having high probability values for each time period, and when the second state is maintained more than a predetermined number of times after switching from the first state to the second state as a result of tracking the detected states The end point detection device, characterized in that for determining the end point.
상기 획득된 공정 OES 데이터를 은닉 마코브 모델에 적용하여 종료점을 검출하는 단계를 포함하는 것을 특징으로 하는 종료점 검출 방법.Obtaining process OES data; And
And detecting an end point by applying the obtained process OES data to a hidden Markov model.
상기 은닉 마코브 모델을 구축하는 단계는,
SNR을 이용하여 기준 OES 데이터들을 획득하는 단계;
상기 기준 OES 데이터들을 정규화하는 단계;
상기 정규화된 데이터들을 PCA(주성분 분석) 처리하여 고유 벡터들을 획득하는 단계;
상기 기준 OES 데이터들과 상기 고유 벡터들 중 대표 로딩 벡터를 연산하여 기준 프로덕트를 생성하는 단계; 및
상기 생성된 기준 프로덕트를 통하여 제 1 상태에 해당하는 제 1 분절값 및 제 2 상태에 해당하는 제 2 분절값을 획득하는 단계를 포함하되,
상기 SNR은,
이며,
A는 예상 종료점 이전의 데이터이고, B는 상기 예상 종료점 이후의 데이터이며, S는 전체 데이터의 표준편차인 것을 특징으로 하는 종료점 검출 방법. 12. The method of claim 11, wherein the endpoint detection method further comprises building the hidden Markov model,
Building the hidden Markov model,
Obtaining reference OES data using SNR;
Normalizing the reference OES data;
PCA (Principal Component Analysis) the normalized data to obtain eigenvectors;
Generating a reference product by computing a representative loading vector of the reference OES data and the eigenvectors; And
Acquiring a first segment value corresponding to a first state and a second segment value corresponding to a second state through the generated reference product;
The SNR is,
,
A is data before the expected end point, B is data after the expected end point, and S is a standard deviation of all data.
상기 공정 OES 데이터를 상기 제 1 분절값 및 상기 제 2 분절값을 기준으로 하여 상태 함수 확률 분포로 변환하는 단계; 및
상기 상태 함수 확률 분포에서 최대 우도 상태 시퀀스 추적 방법을 이용하여 종료점을 검출하는 단계를 포함하되,
상기 상태 함수 확률 분포는 상기 공정 OES 데이터의 값들이 상기 제 1 상태 또는 상기 제 2 상태에 속할지를 확률로서 표시한 분포인 것을 특징으로 하는 종료점 검출 방법. The method of claim 11, wherein the detecting of the end point comprises:
Converting the process OES data into a state function probability distribution based on the first segment value and the second segment value; And
Detecting an endpoint using the maximum likelihood state sequence tracking method in the state function probability distribution;
And the state function probability distribution is a distribution indicating whether the values of the process OES data belong to the first state or the second state as probability.
상기 획득된 OES 데이터를 은닉 마코브 모델에 적용하여 플라즈마 공정의 이상유무를 진단하는 단계를 포함하는 것을 특징으로 하는 플라즈마 공정 진단 방법.
Obtaining OES data; And
And diagnosing abnormality of the plasma process by applying the obtained OES data to a hidden Markov model.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020100053331A KR101117928B1 (en) | 2010-06-07 | 2010-06-07 | Plasma process diagnosis system, method and apparatus of detecting an end point in the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020100053331A KR101117928B1 (en) | 2010-06-07 | 2010-06-07 | Plasma process diagnosis system, method and apparatus of detecting an end point in the same |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20110133758A true KR20110133758A (en) | 2011-12-14 |
KR101117928B1 KR101117928B1 (en) | 2012-02-29 |
Family
ID=45501271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020100053331A KR101117928B1 (en) | 2010-06-07 | 2010-06-07 | Plasma process diagnosis system, method and apparatus of detecting an end point in the same |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101117928B1 (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140096732A (en) * | 2013-01-29 | 2014-08-06 | 삼성디스플레이 주식회사 | Method of monitoring a manufacturing-process and manufacturing-process monitoring device |
KR20200021868A (en) * | 2018-08-21 | 2020-03-02 | 가부시키가이샤 히다치 하이테크놀로지즈 | State predicting apparatus and semiconductor manufacturing apparatus |
CN111081584A (en) * | 2019-12-30 | 2020-04-28 | 中国科学院电子学研究所 | Spectrometer-based ion etching end point detection device and etching system using same |
KR20210015741A (en) * | 2019-07-30 | 2021-02-10 | 주식회사 히타치하이테크 | Device diagnostic device, plasma processing device and device diagnostic method |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030006812A (en) * | 2001-07-16 | 2003-01-23 | 삼성전자 주식회사 | Dry etching apparatus |
KR100892248B1 (en) | 2007-07-24 | 2009-04-09 | 주식회사 디엠에스 | Endpoint detection device for realizing real-time control of a plasma reactor and the plasma reactor comprising the endpoint detection device and the endpoint detection method |
JP5192850B2 (en) | 2008-02-27 | 2013-05-08 | 株式会社日立ハイテクノロジーズ | Etching end point judgment method |
-
2010
- 2010-06-07 KR KR1020100053331A patent/KR101117928B1/en active IP Right Grant
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140096732A (en) * | 2013-01-29 | 2014-08-06 | 삼성디스플레이 주식회사 | Method of monitoring a manufacturing-process and manufacturing-process monitoring device |
US9299542B2 (en) | 2013-01-29 | 2016-03-29 | Samsung Display Co., Ltd. | Method of monitoring a manufacturing-process and manufacturing-process monitoring device |
KR20200021868A (en) * | 2018-08-21 | 2020-03-02 | 가부시키가이샤 히다치 하이테크놀로지즈 | State predicting apparatus and semiconductor manufacturing apparatus |
KR20210015741A (en) * | 2019-07-30 | 2021-02-10 | 주식회사 히타치하이테크 | Device diagnostic device, plasma processing device and device diagnostic method |
CN112585727A (en) * | 2019-07-30 | 2021-03-30 | 株式会社日立高新技术 | Device diagnostic device, plasma processing device, and device diagnostic method |
CN112585727B (en) * | 2019-07-30 | 2023-09-29 | 株式会社日立高新技术 | Device diagnosis device, plasma processing device, and device diagnosis method |
CN111081584A (en) * | 2019-12-30 | 2020-04-28 | 中国科学院电子学研究所 | Spectrometer-based ion etching end point detection device and etching system using same |
CN111081584B (en) * | 2019-12-30 | 2022-07-19 | 中国科学院电子学研究所 | Spectrometer-based ion etching end point detection device and etching system using same |
Also Published As
Publication number | Publication date |
---|---|
KR101117928B1 (en) | 2012-02-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6153115A (en) | Monitor of plasma processes with multivariate statistical analysis of plasma emission spectra | |
US6652710B2 (en) | Process monitoring apparatus and method | |
US8049872B2 (en) | Endpoint detection device for realizing real-time control of plasma reactor, plasma reactor with endpoint detection device, and endpoint detection method | |
JP6002487B2 (en) | Analysis method, analysis apparatus, and etching processing system | |
KR101117928B1 (en) | Plasma process diagnosis system, method and apparatus of detecting an end point in the same | |
JP2001521280A5 (en) | ||
TWI683333B (en) | Plasma processing device and method for predicting state of plasma processing device | |
JP2003509839A (en) | Method of determining etch end point using principal component analysis of emission spectrum | |
US7403930B2 (en) | Neural network for determining the endpoint in a process | |
US9464936B2 (en) | Plasma processing apparatus and analyzing apparatus | |
JP2008547201A (en) | Process change detection using evolutionary algorithms | |
Kim et al. | Use of plasma information in machine-learning-based fault detection and classification for advanced equipment control | |
US7746473B2 (en) | Full spectrum adaptive filtering (FSAF) for low open area endpoint detection | |
Lee et al. | Sensitivity enhancement of SiO 2 plasma etching endpoint detection using modified Gaussian mixture model | |
US7043403B1 (en) | Fault detection and classification based on calculating distances between data points | |
US11404253B2 (en) | Plasma processing apparatus and analysis method for analyzing plasma processing data | |
US11556853B2 (en) | Learning method, management device, and management program | |
Noh et al. | Real time endpoint detection in plasma etching using Real-Time Decision Making Algorithm | |
JP4836994B2 (en) | Semiconductor processing equipment | |
Kim et al. | Improvement of Plasma Etching Endpoint Detection with Data-driven Wavelength Selection and Gaussian Mixture Model | |
JP2005051269A (en) | Semiconductor processing apparatus | |
KR101895707B1 (en) | Method of determining an etching end point of plasma process | |
KR101588531B1 (en) | Method for detecting end point of plasma etching process | |
Yang | Multivariable OES data analysis for semiconductor plasma etching process | |
JP2000040690A (en) | Etching method and device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20150204 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20160202 Year of fee payment: 5 |
|
FPAY | Annual fee payment |
Payment date: 20180207 Year of fee payment: 7 |
|
FPAY | Annual fee payment |
Payment date: 20190328 Year of fee payment: 8 |
|
FPAY | Annual fee payment |
Payment date: 20200129 Year of fee payment: 9 |