KR20190105646A - 생산 공정을 제어 또는 모니터링하기 위한 예상 데이터 생성 - Google Patents

생산 공정을 제어 또는 모니터링하기 위한 예상 데이터 생성 Download PDF

Info

Publication number
KR20190105646A
KR20190105646A KR1020197024586A KR20197024586A KR20190105646A KR 20190105646 A KR20190105646 A KR 20190105646A KR 1020197024586 A KR1020197024586 A KR 1020197024586A KR 20197024586 A KR20197024586 A KR 20197024586A KR 20190105646 A KR20190105646 A KR 20190105646A
Authority
KR
South Korea
Prior art keywords
data
performance
context
performance data
model
Prior art date
Application number
KR1020197024586A
Other languages
English (en)
Other versions
KR102275473B1 (ko
Inventor
알렉산더 이프마
디미트라 그코로우
게오르기오스 트시로기아니스
토마스 레오 마리아 후겐붐
리차드 요하네스 프란치스코스 반 하렌
Original Assignee
에이에스엠엘 네델란즈 비.브이.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 에이에스엠엘 네델란즈 비.브이. filed Critical 에이에스엠엘 네델란즈 비.브이.
Publication of KR20190105646A publication Critical patent/KR20190105646A/ko
Application granted granted Critical
Publication of KR102275473B1 publication Critical patent/KR102275473B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • 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], computer integrated manufacturing [CIM]
    • G05B19/41875—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], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • 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
    • G05B2219/32194—Quality prediction
    • 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
    • G05B2219/45028—Lithography
    • 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
    • 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]

Abstract

본 발명은 관심 대상 매개변수를 개선하기 위해 생산 공정의 제어 또는 모니터링을 위한 예측 데이터를 생성한다. 생산 공정(504)의 작동과 관련된 컨텍스트 데이터(502)가 획득된다. 계측/테스트(508)는 생산 공정(504)의 제품(506)에 대해 수행되며, 그에 의하여 성능 데이터(510)를 획득한다. 컨텍스트 대 성능 모델이 제공되어, 성능 데이터로 컨텍스트 데이터(502)를 라벨링하는 것에 기초하여 예측 성능 데이터(526)를 생성한다. 이는 준 지도 학습의 예이다. 컨텍스트 대 성능 모델은 준 지도 라벨링을 수행하는 학습자(522)를 포함하고 있다. 컨텍스트 대 성능 모델은 컨텍스트 데이터 및/또는 성능 데이터의 품질과 관련된 예측 정보를 사용하여 변경된다. 예측 정보는 관심 대상 매개변수에 대한 획득된 컨텍스트 데이터 및/또는 획득된 성능 데이터의 관련성과 관련된 관련성 정보를 포함할 수 있다. 예측 정보는 예측 성능 데이터의 불확실성과 관련된 모델 불확실성 정보를 포함할 수 있다

Description

생산 공정을 제어 또는 모니터링하기 위한 예상 데이터 생성
본 출원은 2017년 1월 23일에 출원된 유럽 출원 제17152659.3호의 우선권을 주장하며, 이 출원은 전체적으로 본 명세서에서 인용 참조된다.
본 발명은, 예를 들어 리소그래피 기술에 의한 장치의 제조에 사용 가능한, 관심 대상 매개변수를 개선하기 위해 생산 공정의 제어 또는 모니터링을 위한 예측 데이터를 생성하는 방법에 관한 것이다. 본 발명은 또한 관련 컴퓨터 프로그램 및 컴퓨터 프로그램 제품, 및 리소그래피 장치와 리소그래피 셀을 포함하는 장치에 관한 것이다.
리소그래피 장치는 기판 상으로, 통상적으로는 기판의 타겟 부분 상으로 원하는 패턴을 적용시키는 기계이다. 리소그래피 장치는, 예를 들어 집적 회로(IC)의 제조에 사용될 수 있다. 그 경우에, 대안적으로 마스크 또는 레티클로 지칭되는 패터닝 디바이스는 IC의 개별 층 상에 형성될 회로 패턴을 생성하는데 사용될 수 있다. 이 패턴은 기판 (예를 들어, 실리콘 웨이퍼) 상의 타겟 부분 (예를 들어, 하나 또는 여러 다이의 일부를 포함하는)으로 전사될 수 있다. 패턴의 전사는 통상적으로 기판 상에 제공된 방사선 감응 물질(레지스트)의 층 상으로의 이미징을 통해 이루어진다. 일반적으로, 단일 기판은 연속적으로 패턴닝된 인접한 타겟 부분들의 네트워크를 포함할 것이다. 이 타겟 부분은 보통 "필드(field)"로 지칭된다.
현재, 리소그래피 처리 동안 많은 컨텍스트 데이터(context data)가 생성된다. 이 컨텍스트 데이터는 측정 및 기계/공정 설정과 관련된 변수의 많은 값 세트이다. 리소그래피 공정의 품질은 성능 매개변수의 값의 세트로 구성된 소위 성능 데이터로 표현된다. 성능 매개변수는 CD (임계 치수) 제어, 오버레이 제어 (장치에서 2개 층의 정렬의 정확도) 또는 기본 매개변수 (예를 들어, 초점 및 선량)와 관련될 수 있다. 이 데이터가 리소그래피 공정의 제어를 허용함에 따라 성능 데이터는 큰 흥미를 끌고 있다. 예를 들어, 오버레이 성능에 대한 정보는 (예를 들어, 기계 설정을 변경시킴으로써) 교정 조치를 취하기 위해 사용될 것이다. 동시에 성능 데이터에 관한 정보는 범위를 벗어난 상황을 트리거하는데 (예를 들어, 공정 제어에 그리고 범위를 벗어난 상황의 원인을 찾는데) 도움이 된다.
흔히, 성능 데이터를 얻기 위해 소요되는 비교적 큰 노력으로 인하여 제한된 성능 데이터가 이용될 수 있다. 이는 성능 데이터가 정확하고 강력한 기계 작동을 허용해야 한다는 요구 조건을 방해할 수 있다.
일반적으로 사용되는 전략은 성능 매개 변수 값의 공간 또는 시간적 분포와 연관된 보다 치밀한 샘플링 방식을 달성하기 위하여 모델을 사용하여 성능 데이터를 보간하는 것이다.
종종 효율적으로 사용되는 다른 전략은 컨텍스트 데이터와 성능 데이터 사이의 통계적 관계를 이용하는 것이다. 보통 컨텍스트 데이터의 양이 매우 많기 때문에 이는 실질적인 "가상" 성능 데이터 세트의 생성을 허용한다; 컨텍스트 및 성능 데이터와 관련된 모델에서 파생된 성능 데이터.
그러나, 문제는 생성된 가상 성능 데이터가 기계 설정을 제어하는데 가장 유용하기 위하여 모델이 정확하고 충분히 관련되어야 한다는 것이다.
부분적으로 라벨링된 데이터세트는 성능 예측 모델링에 문제를 제기한다. 제품 성능 측정의 제한된 유용성은 컨텍스트 데이터와 조합하여 분석할 때 가능한 적은 측정 사용의 요구 조건을 부과한다. 그러나 파생된 모델은 정확하고 계산적으로 효율적이어야 한다.
성능 측정들은 분석을 위하여 동일하게 유익하지 않다. 일반적으로 유사한 노광의 측정은 유익하지 않을 수 있으며, 다른 더 유용한 다른 측정을 위하여 임의의 나머지 측정 시간을 투자하는 것이 더 효과적일 것이다.
본 발명자는 컨텍스트 데이터, 예측 데이터 및/또는 측정된 성능 데이터의 불확실성 및 관련성 정보를 사용하여 컨텍스트 대 성능 모델을 동적이고 자체 학습적으로 만드는 방법을 고안하였다. 예를 들어, 이는 위에서 언급된 하나 이상의 관련 문제를 방지하거나 적어도 완화하면서, 관심 대상 매개변수를 개선하기 위해 생산 공정의 제어를 위해 사용될 수 있다.
제1 양태의 본 발명은 관심 대상 매개변수를 개선하기 위해 생산 공정의 제어 또는 모니터링을 위한 예측 데이터를 생성하는 방법을 제공하며, 본 방법은
생산 공정의 작동과 관련된 컨텍스트 데이터를 획득하는 단계;
생산 공정의 제품의 성능과 관련된 성능 데이터를 획득하는 단계;
성능 데이터로 컨텍스트 데이터를 라벨링하는 것을 기초로 예측 성능 데이터를 생성하기 위해 컨텍스트 대 성능 모델을 제공하는 단계; 및
컨텍스트 데이터의 품질에 관련된 예측 정보를 이용하여 컨텍스트 대 성능 모델을 변경하는 단계를 포함하고 있다.
예측 정보는 관심 대상 매개변수에 대한 획득된 컨텍스트 데이터 및/또는 획득된 성능 데이터의 관련성과 관련된 관련성 정보를 포함할 수 있다. 유틸리티 모델은 성능 데이터로 컨텍스트 데이터를 라벨링을 하기 위한 라벨을 생성하기 위해 이용될 수 있으며, 관련성 정보는 유틸리티 모델의 불확실성을 포함하고 있다.
예측 정보는 생성된 예측 성능 데이터의 불확실성에 관련된 모델 불확실성 정보를 포함할 수 있다. 기계 학습 알고리즘은 라벨링을 수행하기 위해 사용되며, 모델 불확실성 정보는 기계 학습 알고리즘의 불확실성을 포함하고 있다
제2 양태의 본 발명은 적합한 컴퓨터 장치에서 구동될 때 컴퓨터 장치가 제1 양태의 방법을 수행하게 하는 컴퓨터 독출 가능한 명령을 포함하는 컴퓨터 프로그램을 제공하고 있다.
제3 양태의 본 발명은 제2 양태의 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품을 제공하고 있다.
제4 양태의 본 발명은 제1 양태의 방법의 단계를 수행하도록 구체적으로 조정된 장치를 제공하고 있다. 본 장치는 구체적으로 리소그래피 생산 공정을 수행하기 위하여 작동 가능한 리소그래피 장치로서 구성될 수 있다. 본 장치는 구체적으로 리소그래피 생산 공정을 수행하기 위하여 작동 가능한 리소그래피 셀로서 구성될 수 있다.
본 발명의 실시예가 이제 첨부 도면을 참조하여 예로서 설명될 것이다.
도 1은 본 발명에 따른 방법이 사용될 수 있는 리소그래피 셀 또는 클러스터를 도시하고 있다.
도 2는 부분적으로 라벨링된 컨텍스트 데이터세트 및 성능 데이터 세트의 피라미드를 개략적으로 도시하고 있다.
도 3은 본 발명의 실시예에 따른 상호적인 준 지도 학습을 개략적으로 도시하고 있다.
도 4는 종래 기술에 따른 가상 계측 방법의 흐름도이다.
도 5는 본 발명의 실시예에 따른 관심 대상 매개변수를 개선하기 위해 생산 공정의 제어를 위한 예측 데이터를 생성하는 방법의 흐름도이다.
도 6은 반도체 제조 설비(fab) 및 리소그래피 공정 최적화를 위한 능동적 준 지도 학습의 사용을 도시하는 그래프이다.
도 7은 제조 설비 및 리소그래피 공정 최적화를 위한 능동적 준 지도 학습을 사용을 도시하는 다른 그래프이다.
도 8은 본 명세서에 개시된 방법을 구현하는데 유용한 컴퓨터 시스템 하드웨어를 도시하고 있다.
본 발명의 실시예를 상세히 설명하기 전에, 본 발명의 실시예가 구현될 수 있는 예시적인 환경을 제시하는 것이 유익하다.
도 1은 본 발명에 따른 검사 장치가 사용될 수 있는 리소그래피 셀 또는 클러스터를 도시하고 있다.
도 1에서 보여지는 바와 같이, 리소그래피 장치(LA)는 때때로 리소셀 또는 클러스터로 지칭되는 리소그래피 셀(LC)의 일부를 형성하며, 이는 또한 기판 상에서 노광 전 및 노광 후 공정을 수행하기 위한 장치를 포함하고 있다. 통상적으로 이는 레지스트 층을 증착하기 위한 스핀 코터(SC), 노광된 레지스트를 현상하기 위한 현상기(DE), 칠 플레이트(chill plate; CH) 및 베이크 플레이트(BK)를 포함하고 있다. 기판 핸들러 또는 로봇(RO)은 입력/출력 포트(I/O1, I/O2)로부터 기판을 픽업하고, 기판을 상이한 공정 장치들 사이에서 이동시키며, 그후 리소그래피 장치의 로딩 베이(LB)로 전달한다. 보통 일괄하여 트랙으로 지칭되는 이 장치들은 감독 제어 시스템(SCS)에 의하여 자체가 제어되는 트랙 제어 유닛(TCU)의 제어 하에 있으며, 이는 또한 리소그래피 제어 유닛(LACU)을 통해 리소그래피 장치를 제어한다. 따라서, 상이한 장치는 처리량 및 처리 효율을 최대화하도록 작동될 수 있다.
리소그래피 장치에 의해 노광된 기판이 정확하게 그리고 일관되게 노광되도록 하기 위하여, 노광된 기판을 검사하여 후속 층들 사이의 오버레이 에러, 라인 두께, 임계 치수(CD) 등과 같은 특성을 측정하는 것이 바람직하다. 따라서, 리소 셀(LC)이 위치된 제조 설비는 또한 리소셀에서 처리된 기판(W)의 일부 또는 모두를 수용하는 계측 시스템(MET)을 포함한다. 계측 결과는 감독 제어 시스템(SCS)에 직접적으로 또는 간접적으로 제공된다. 에러가 검출되면, 특히 동일한 배치(batch)의 다른 기판들이 여전히 노광되는 것이 충분할 만큼 곧바로 그리고 신속하게 검사가 수행될 수 있다면, 후속 기판의 노광에 대한 조정이 이루어질 수 있다. 또한, 이미 노광된 기판은 해체 및 재작업되어 수율을 개선할 수 있거나, 또는 폐기될 수 있으며, 이에 의하여 결함이 있는 것으로 알려진 기판에 대한 추가 처리를 수행하는 것을 방지한다. 기판의 일부 타겟 부분에만 결함이 있는 경우, 양호한 타겟 부분에 대해서만 추가 노광이 수행될 수 있다.
계측 시스템(MET) 내에서, 검사 장치는 기판의 특성, 및 특히 상이한 기판들 또는 동일 기판의 상이한 층들의 특성이 층마다 어떻게 달라지는지를 결정하기 위해 사용된다. 검사 장치는 리소그래피 장치(LA) 또는 리소셀(LC)에 통합될 수 있거나 독립형 장치일 수 있다. 가장 신속한 측정을 가능하게 하기 위해, 검사 장치는 노광 직후에 노광된 레지스트 층의 특성을 측정하는 것이 바람직하다. 그러나, 레지스트 내의 잠상은 매우 낮은 콘트라스트(contrast)를 갖고 있다- 방사선에 노광된 레지스트의 부분들과 그렇지 않은 부분들 사이에 매우 작은 굴절률의 차이만이 있으며-모든 검사 장치가 잠상의 유용한 측정을 하기에 충분한 감도를 갖고 있지 않다. 따라서 측정은 관례적으로 노광된 기판에서 수행되는 첫 번째 단계이고 레지스트의 노광된 부분과 노광되지 않은 부분 간의 콘트라스트를 증가시키는 노광 후 베이크 단계(PEB) 후에 실시될 수 있다. 이 단계에서, 레지스트 내의 이미지는 반-잠상(semi-latent)으로 지칭될 수 있다. 레지스트의 노광된 또는 노광되지 않은 부분이 제거된 지점에서 또는 에칭과 같은 패턴 전사 단계 후에, 현상된 레지스트 이미지의 측정이 이루어질 수도 있다. 후자의 가능성은 결함이 있는 기판의 재작업 가능성을 제한하지만 여전히 유용한 정보를 제공할 수 있다.
노광 에너지 및 이미지 크기와 같은, 리소그래피 장치 (예를 들어, 스캐너) 노광의 컨텍스트 매개변수는 선형 및 비선형 방식에서 스캐너 성능 (그리고 따라서 제품 성능, 즉 오버레이 또는 임계 치수와 같은, 제품 웨이퍼에서의 패터닝 성능)에 영향을 줄 수 있다. 리소그래피 단계의 복잡성으로 인하여, 스캐너-관련된 그리고 비-스캐너 컨텍스트 매개 변수가 충분한 정확도를 갖는 패터닝 성능에 미치는 영향을 모델링하는 것은 다수의 노광에 대해 완전한 조밀한(full dense) 성능 측정을 필요로 한다. 또한, 일부 매개변수는 이미지 크기와 같이 "고정"되거나 약간만 달라질 수 있으며 (노광 에너지), 따라서 완전한 이해(insight)를 위해 필요한 노광은 실제로 이루어지지도 않는다. 이러한 완전한 조밀한 성능 측정은 시간이 많이 걸리며 (따라서 고가이며) 따라서 좀처럼 사용되지 않는다. 한편, 컨텍스트 매개변수는 더 쉽게 액세스 가능하며 다수의 노광을 위하여 사용 가능하다. 완전한 조밀 성능 측정의 비용으로 인하여, 컨텍스트 매개변수는 때때로 스캐너 및 패터닝 성능에만 연관되어 있다.
기계 학습 컨텍스트에서, 대응하는 완전한-조밀 성능 측정이 사용 가능한 경우, 컨텍스트 매개변수를 나타내는 다차원 데이터 포인트는 "라벨링된(labeled)"으로 불려지며, 그렇지 않으면 "라벨링되지 않은(unlabeled)"으로 지칭된다. 이러한 유형의 부분적으로 라벨링된 데이터세트는 제조 과정에서 자주 발생하며 예측 모델링에 대해 문제를 제기한다. 예를 들어, 장치 성능을 예측하는 모델은 (예를 들어, 링 오실레이터(ring oscillators)와 같은 특수 테스트 구조체를 이용하는) 전기적 측정을 필요로 할 수 있으며, 이는 성능 측정보다도 얻기가 더 어렵다. 이는 점점 더 부분적으로 라벨링된 데이터세트로 이어진다. 도 2에 이 데이터세트가 도시되며, 여기서 각 박스는 측정 세트를 나타내고 있다. 각 박스의 크기는 각 측정 유형에 대한 사용 가능한 정보의 양을 나타내고 있다. 일반적으로 디바이스(칩) 성능에 대한 측정이 유익할수록 더 많은 비용이 들 수 있다.
도 2는 부분적으로 라벨링된 컨텍스트 데이터세트 및 성능 데이터세트의 피라미드를 도시하고 있다.
왼쪽에서 오른쪽으로 갈수록 데이터는 획득하기 위하여 더 많은 비용이 들지만, 동시에 실제 장치 성능과 더 직접적으로 관련된다. 반도체 제조 설비(fab) 및 리소그래피 컨텍스트 데이터(204)는 제조 설비 컨텍스트 매개변수, 웨이퍼(예를 들어, 형상) 및 마스크 매개변수(204)를 포함하고 있다. 이는 또한 노광 매개변수(206)를 포함하고 있다. 리소그래피 공정 성능(208)은 스캐너 계측 데이터(210)를 포함하고 있다. 제품 성능(212)은 CD-SEM 또는 고가의 전압 콘트라스트 측정 장치로 얻어진 것과 같은 계측 데이터(214) 및 전기적 성능(218)을 포함하고 있다. 장치 성능은 또한 장치 수율(220)을 포함하고 있다.
리소그래피에서의 부분적으로 라벨링된 데이터의 발생을 더 도시하기 위하여, 부분적으로 라벨링된 데이터세트의 2 가지 예시적인 경우가 제시된다.
제1 예는 레티클 가열로 인한 제품 오버레이(on-product overlay)와 관련이 있다. 레티클 가열은 레티클 가열 매개변수 세트에 의해 캡처되는 오버레이 페널티를 야기한다. 노광 동안, 레티클 가열은 y에서의 레티클 확대와 같은 레티클 정렬 매개변수에 반영된다. 결과적으로 이미지 크기와 같은 노광 설정과 조합된 레티클 정렬 매개 변수는 오버레이에서 레티클 가열 매개변수 페널티를 모델링할 수 있다. 레티클 정렬 매개변수만을 이용하여 오버레이 상의 레티클 가열 매개변수 페널티를 예측하는 모델은 노광 중에 스캐너를 보정할 수 있다. 결과적으로, 레티클 가열에 의해 야기되는 오버레이가 최소화될 수 있다. 광범위하게 이용 가능한 레티클 정렬 매개변수와 달리, 레티클 가열 매개변수를 결정하는 것은 고가의 완전한 조밀 측정을 필요로 한다.
제2 예는 웨이퍼 정렬 대 오버레이에 관한 것이다. 웨이퍼 정렬 위치 편차 및 신호 강도는 로트(lot) 내의 모든 웨이퍼에 대한 웨이퍼 정렬 동안의 4개의 색상 및 상이한 순서에 대해 측정될 수 있다. 오버레이 계측은 일반적으로 로트 내의 웨이퍼의 서브세트만을 사용하여 상이한 레이아웃에서 측정된다. 일부 오버레이 기여자(contributors)는 (마커 또는 웨이퍼 변형 패턴과 같이) 웨이퍼 정렬 측정에도 존재할 수 있다. 따라서 오버레이는 스캐너 계측에 대한 (데이터 인스턴스에 대한 라벨을 제공하는) 관련성 피드백으로 간주될 수 있다.
본 발명의 실시예는 고가의 유익한 측정을 사용하여 덜 고가이고 덜 유익한 컨텍스트 데이터(contextual data) (예를 들어, 스캐너 측정값, 스캐너 설정값, 제조 설비 컨텍스트 정보)를 점차적으로 라벨링할 수 있다. 컨텍스트, 리소그래피 공정 매개변수와 계측 사이의 매핑(mapping)이 사용자 (예를 들어, 로컬 필드 엔지니어 또는 반도체 제조업체)에게 시각화되면, 라벨의 필요성 또는 매핑 자체에 대한 사용자로부터의 관련성 피드백이 증분 데이터 수집, 라벨링 및 매핑의 학습의 일부로서 이용될 수 있다.
성능-라벨링된 데이터의 부족을 극복하기 위하여, 실시예는 상호적인 데이터-구동 방법을 이용하여 제품 성능과 관련된 예측 및 분류 작업을 수행한다. 능동적 준 지도 학습 알고리즘은 학습 작업에 대한 가장 유익한 측정값만을 이용하여 맵을 컨텍스트 매개변수에서 제품 성능으로 복귀시킨다.
도 3은 본 발명의 실시예에 따른 상호적인 준 지도 학습을 도시하고 있다. 예시한다. 도 2에 보여지고 있는 피처와 공통적인 피처는 동일한 참조 번호를 갖는다.
고가의 측정(210, 214, 218, 220)으로부터의 매우 유익한 데이터는 실제 장치 성능과의 그이 관련성 면에서 스캐너 데이터를 라벨링하는 유틸리티 모델(utility model; 304)을 트레이닝하기 위하여 사용된다. 유틸리티 모델(304)은 결과적으로 (부분적으로) 데이터세트를 라벨링하고 요청될 (컨텍스트, 스캐너, 메트로(metro)로부터의 또는 사용자로부터의) 다음 데이터 샘플을 결정하기 위해 사용되는 라벨을 생성하기 위해 사용된다. 컨텍스트 대 성능 모델(306)은 결과적으로 제품 성능에 대한 상황 관계를 추론하고 현재 제조 설비 및 리소그래피 공정 흐름에 대한 최적화(308)를 제안하기 위해 사용된다. 이 피처는 관련성 결정(310), 능동적 학습(312) 및 컨텍스트 최적화(314)로서 보다 일반적으로 설명될 수 있다.
유익한 측정값은 사용자의 상호 작용(302)을 통하여 획득된다. 입력 데이터세트는 라벨링되지 않은 데이터 포인트, 즉 스캐너 및 제품/공정 관련 설정("노광 컨텍스트")을 설명하는 데이터 포인트 및 (예를 들어, 오버레이 계측으로) 부분적으로 라벨링된 데이터를 포함하고 있다. 능동적 학습자(learner)는 사용자 관련성 피드백 메커니즘을 통해 라벨링된 데이터세트를 구축하고 다음의 가장 유용한 성능 측정을 위하여 컨텍스트를 제공한다.
고차원 입력 공간은, 예를 들어 (차원 감소 기술을 통해) 2D로 시각화될 수 있다. 　이 시각화에서, 라벨링된 데이터와 라벨링되지 않은 데이터 모두 그들의 라벨의 표시(흰색 원)로 나타나 있다. 이 시각화는 고차원 데이터 세트를 사람이 해석할 수 있는 플롯(plot)으로 변경시키며, 따라서 이는 사용자 상호 작용을 가능하게 한다. 이 시각화의 예가 도 6 및 도 7에 나타나 있다. 사용자는 표현된 데이터에서 사소하지 않은 패턴과 클러스터를 관찰하며 라벨링되지 않은 영역 (또는 데이터 포인트)을 선택함으로써 측정을 요청한다. 예를 들어, 로트가 노광되고 있는 동안 그의 노광 매개변수들은 2D 시각화에서 나타난다. 사용자는 플롯 상의 매개변수들의 상대 위치를 관찰하며 이 위치가 유익한지 여부를 결정하기 위한 옵션을 갖고 있다. 사용자 요청시 노광 후에 이 로트에 전용 측정이 적용된다. 사용자가 관련성 피드백을 제공하지 않으면 준 지도 학습 알고리즘은 측정될 다음 로트를 결정한다. 새로운 측정 후, 유틸리티 모델은 미가공 측정 데이터를 라벨이 파생되는 유용한 정보로 변경한다. 능동적 학습자는 라벨링된 데이터세트를 업데이트하고 새 예측을 계산한다.
사용자는 선택된 피처의 관련성과 결과의 정확성에 관한 피드백을 제공함으로써 분석에 적극적으로 참여할 수 있다. 사용자의 피드백은 상호 작용 인터페이스를 통해 알고리즘에 부가적인 정보를 제공한다. 대안적으로, 예를 들어 계측 시스템으로부터의 부가적인 측정은 위에서 제안된 방법을 사용하여 상호작용적으로 촉진될 수 있다. 학습자에 의하여 고려된 피처는 도 6 및 7에 나타나 있는 바와 같은 차원 축소 (dimensionality reduction) 기술을 사용하여 시각화될 수 있다.
다음 측정을 수행하기 전에 정보성(informativeness)이 한정될 수 있다. 기본 컨텍스트 데이터에 기초하여, 특정 클러스터에서 종료될 가능성이 있는 웨이퍼 로트를 초기 단계에서 식별할 수 있다. 어떠한 핑거프린트 (교차-웨이퍼 변형의 패턴)를 포함하는 로트를 측정할 가능성을 최적화할 수 있다. 따라서 본 방법은 일반적인 샘플 방식(sample scheme) 최적화를 보완한다.
데이터-구동 모델은 라벨링된 데이터와 관련된 컨텍스트 매개변수를 강조한다. 데이터, 라벨 또는 성능 정보가 부족한 경우, 의미있는 맞춤형 컨텍스트 대 성능 모델을 생성하기 위하여 사용자의 주관적인 판단이 포함될 수 있다.
도 4는 일반적인 가상 계측 방법의 흐름도이다. 도 4를 참조하면, 일반적인 방법은 생산 공정(404)의 작동과 관련된 컨텍스트 데이터(402)를 획득하는 것으로 시작한다.
계측/테스트(408)는 생산 공정(404)의 제품(406)에 대해 수행되며, 그에 의하여 제품(406)의 성능과 관련된 성능 데이터(410)를 획득한다.
컨텍스트 대 성능 모델(422)이 제공되어 예측 성능 데이터(426)를 생성한다. 생산 공정(404)을 최적화하는 설정을 추론하기 위해 예측 성능 데이터(426)가 사용된다.
도 5는 본 발명의 실시예에 따른, 관심 대상 매개 변수를 개선하기 위해 생산 공정의 제어를 위한 예측 데이터를 생성하는 방법의 흐름도이다. 관심 대상 매개변수는 특정 성능 매개변수일 수 있다. 준 지도 능동적 학습은 예측 정보 (관련성 및/또는 모델 불확실성 정보)를 기반으로 한다. 도 5에서 점선 경계부를 갖는 흐름도 박스가 도 4에 나타나 있는 박스에 대응한다.
도 5를 참조하면, 본 방법은 생산 공정(504)의 동작과 관련된 컨텍스트 데이터(502)를 획득하는 것으로 시작한다.
계측/테스트(508)는 생산 공정(504)의 제품(506)에 대해 수행되며, 그에 의하여 제품(506)의 성능과 관련된 성능 데이터(510)를 획득한다.
컨텍스트 대 성능 모델이 제공되어 성능 데이터로의 컨텍스트 데이터(502)의 라벨링에 기초하여 예측 성능 데이터(526)를 생성한다. 이것이 준 지도 학습의 예이다. 컨텍스트 대 성능 모델은 준 지도 라벨링을 수행하는 학습자(522)를 포함하고 있다.
컨텍스트 대 성능 모델은 컨텍스트 데이터 및/또는 성능 데이터의 품질과 관련된 예측 정보를 사용하여 변경된다.
예측 정보는 관심 대상 매개변수에 대한 획득된 컨텍스트 데이터 및/또는 획득된 성능 데이터의 관련성과 관련한 관련성 정보를 포함할 수 있다. 관련성 정보를 사용함으로써, (컨텍스트 대 성능 모델의 출력부에서의) 라벨은 능동적 학습을 통해 풍부해진다. 이는 관심 대상 성능 라벨을 정확하게 예측하는 컨텍스트 대 성능 매핑의 결정을 가능하게 한다. 이는 라벨링되지 않은 결과로서 컨텍스트 데이터의 많은 부분이 활용되지 않는 문제를 방지한다.
예측 정보는 생성된 예측 성능 데이터(526)의 불확실성과 관련된 모델 불확실성 정보를 포함할 수 있다. 모델 불확실성 정보를 사용함으로써, (컨텍스트 대 성능 모델에 대한 출력부에서) 컨텍스트 데이터는 능동적 학습을 통해 풍부해진다. 이는 복잡한 컨텍스트로 잘 일반화되는 컨텍스트 대 성능 매핑의 결정을 가능하게 한다. 이는 매핑을 컨텍스트 공간의 작고 잠재적으로 관련이 없는 부분으로 바이어스(bias)하는 문제를 방지한다.
이 예에서, 변경은 유틸리티 모델(512) 및 시각화 모듈(516)을 사용하여 구현된다. 유틸리티 모델(512)은 관련성 및 불확실성 면에서 컨텍스트 데이터를 라벨링하기 위한 라벨을 생성한다. 이 경우, 관련성 정보는 유틸리티 모델의 불확실성을 포함하고 있다. 유틸리티 모델은 관련성 정보를 기반으로 라벨을 생성하며, 이 라벨은 컨텍스트 데이터를 예측 성능 데이터로 라벨링하는데 사용된다. 따라서 준 지도 라벨링은 관련성을 기반으로 한다. 유틸리티 모델을 사용하는 것은 관심 대상 매개변수(예를 들어, 수율 등)를 최적화하는 것과 관련이 있는 컨텍스트 대 성능 매핑의 결정을 가능하게 한다.
시각화 모듈(516)은 피처 선택 및 피처 추출을 수행하며, 추출된 피처는 컨텍스트 대 성능 모델을 변경하기 위해 사용된다.
피처 선택 및 추출에 기초하여, 시각화 모듈(516)은 성능 데이터로 라벨링된 컨텍스트 데이터의 시각화를 디스플레이(518)에 출력한다. 사용자는 디스플레이를 보고 시각화 및 피처 선택을 확인한다. 사용자는 컨텍스트 데이터를 직접 라벨링할 수 있으며 및/또는 모델 불확실성 정보를 유틸리티 모델에 추가할 수 있다.
사용자 입력 모듈(520)은 사용자에 의해 입력된 관련성 정보 및/또는 모델 불확실성 정보를 수신한다. 컨텍스트 대 성능 모델을 변경하는 단계는 관련성 정보에 기초하여, 모델링을 위한 컨텍스트 데이터를 선택하는 것을 포함할 수 있다. 데이터 시각화에 응답하여 사용자 입력은 고가의 데이터 기반 관련성 라벨링을 회피한다. 이 사용자 입력은 또한 사용자가 가질 수 있는 정보를 이용한다.
이 예에서 컨텍스트-대-성능 모델은 학습자(learner; 522)를 포함하고 있으며, 이는 유틸리티 모듈에 의해 생성된 라벨과 시각화 모듈로부터의 피처를 이용하여 준 지도 라벨링을 자동으로 수행하는 기계 학습 알고리즘이다. 자동 라벨링은 사용자(520)에 의해 유틸리티 모델(512)에 입력된 관련성 정보에 기초하여 트레이닝될 수 있다. 이 경우, 모델 불확실성 정보는 기계 학습 알고리즘(522)의 불확실성을 포함하고 있다.
제1 세트의 컨텍스트 데이터와 연관된 관련성 정보는 제1 세트의 컨텍스트 데이터와 연관된 예측 성능 데이터의 불확실성을 제2 세트의 컨텍스트 데이터와 연관된 예측 성능 데이터의 불확실성을 비교하는 것에 기초하여 결정될 수 있다.
관련성 정보에 기초하여, 획득된 성능 데이터에 더하여, 생성된 예측 성능 데이터의 불확실성을 감소시키고 및/또는 관심 대상 매개변수에 대한 획득된 컨텍스트 데이터의 관련성을 향상시키는 부가적인 성능 데이터가 식별될 수 있다(514). 식별은 부가적인 측정을 요청하는 유틸리티 모델(512)에 의해 트리거될 수 있다. 이는 새로운 성능 데이터 포인트를 요청하는 사용자(520)에 의해 트리거될 수 있다.
부가적인 성능 데이터를 획득하기 위하여, 제어 신호가 계측/테스트(508)로 출력된다. 제어 신호는 새로운 성능 측정을 야기하는 신호일 수 있다. 제어 신호는 성능 데이터의 데이터베이스 또는 도메인을 확장하기 위한 신호일 수 있다.
모델 불확실성 정보가 계산된다(524). 모델 불확실성 정보는 예측 성능 데이터의 분포; 예측 성능 데이터의 이전에 생성된 예측 성능 데이터와의 비교; 및/또는 획득된 성능 데이터를 예측 성능 데이터와 비교하는 것에 기초하여 계산될 수 있다. 계산된 모델 불확실성 정보는 유틸리티 모델(512)로 피드백될 수 있다. 계산된 모델 불확실성 정보는 부가적인 성능 데이터 포인트를 식별하는데 사용될 수 있다(514). 이는 부가적인 성능 데이터 측정을 요청함으로써 또는 유틸리티 모델(512)에 대한 입력으로서 사용되지 않은 기존 성능 데이터 포인트를 선택함으로써 수행될 수 있다.
모델 불확실성 정보에 기초하여, 부가적인 컨텍스트 데이터 포인트가 요청될 수 있다. 그 후, 획득된 컨텍스트 데이터에 더하여, 생성된 예측 성능 데이터의 불확실성을 감소시키고 및/또는 관심 대상 파라미터에 대한 획득된 컨텍스트 데이터의 관련성을 향상시키는 부가적인 컨텍스트 데이터가 식별될 수 있다(530).
부가적인 컨텍스트 데이터를 획득하기 위하여, 제어 신호가 출력된다. 제어 신호는 생산 공정(504)으로 출력되어 부가적인 생산 공정 설정을 야기할 수 있다. 제어 신호가 출력되어 컨텍스트 데이터의 데이터베이스 또는 도메인을 확장할 수 있다.
예측 성능 데이터(526)는 생산 공정(504)을 최적화하는 설정을 추론하기 위해 사용된다.
도 6은 반도체 생산 설비 및 리소그래피 공정 최적화를 위한 능동적 준 지도 학습의 사용의 사용을 도시하는 그래프이다.
도 6은 주변-보존 매핑(neighborhood-preserving mapping)에 의해 생성된 8 차원 리소그래피 공정 데이터 시각화이다. 그래프 내의 각 포인트는 부가적인 컨텍스트 정보를 사용할 수 있는 웨이퍼 로트를 나타내고 있다. 흑색 점은 노광 데이터만을 기반으로 한다. 정사각형과 원은 성능 측정값을 갖는 라벨링된 로트를 나타내고 있다 (각각 레티클 가열로 인한 높은 오버레이 및 낮은 오버레이). 따라서 데이터 세트는 성능 데이터로 부분적으로 라벨링된다. 클러스터는 CI 내지 C5로 참조된다.
도 7은 제조 설비 및 리소그래피 최적화를 위한 능동적 준 지도 학습의 사용의 사용을 설명하는 다른 그래프이다.
오버레이를 노광 매개변수에 대한 관련성 피드백으로서 사용함으로써, 도 6의 (낮은 성능을 부여하는 높은 오버레이 에러를 갖는) 클러스터(C5)와 4개의 다른 클러스터를 구별하는 컨텍스트 변수(X)를 찾는 것이 결정된다. 컨텍스트 변수는 x-방향으로의 이미지 크기이다. 이는 IC 생산에서의 추가 최적화에 대하여 명확한 단서를 제공한다; 작은 이미지 크기(X)를 갖는 경우에 대해 전용 레티클 가열 교정.
본 발명의 실시예는 컨텍스트 데이터의 모델 불확실성과 관련성 정보, 예측 데이터 및/또는 측정된 성능 데이터를 이용하여 컨텍스트 대 성능 모델을 동적으로 그리고 자체 학습적으로 만드는 것으로 위에 나타나 있다.
관련성 정보는 컨텍스트 또는 성능 매개변수가 얼마나 관계되어 있는지와 관련되어 있다 (예를 들어, 오버레이와 밀접하게 관련된 컨텍스트 데이터는 단일 노광 공정이 채택될 때 제품 성능과 관련이 없을 수 있다). 사용자는 관심 대상 특정 매개 변수 (예를 들어, 수율, 생산량, 처리량, CD 제어 등)에 얼마나 관련되어 있는지에 기초하여 컨텍스트 및 성능 데이터 선택에 적극적으로 참여할 수 있다.
불확실성 정보는 모델이 사용 가능한 컨텍스트 정보를 사용하여 관심 대상 성능 매개변수를 얼마나 잘 예측하는지와 관련되어 있다. 불확실성 수준은 (성능 데이터의 분포의 분석에 의하여) 계산되거나, 이미 모델링된 데이터에 대하여 예측 데이터를 벤치마킹하는 것에서 얻어지거나, 측정된 성능 데이터를 예측 데이터와 비교하는 것에서 얻어지거나, 데이터의 시각화에 기초하여 사용자에 의해 결정될 수 있다. 이러한 시각화의 예는 성능 데이터가 라벨로서 추가되는 컨텍스트 데이터의 클러스터링(clustering)이다. 성능 데이터의 높은 불확실성은 그 자체를 클러스터 전체에 걸친 일관성이 없는 거동으로 드러낼 수 있다. 하나의 작은 클러스터 내에서 성능 데이터가 크게 변하며 이는 차선의 모델에 (매핑에 의하여) 할당될 수 있는 큰 불확실성을 나타낼 수 있다. 사용자는 관련된 성능 데이터가 결여된 컨텍스트 데이터를 선택하는 데 적극적으로 관여할 수 있으며, 따라서 사용자의 이해(insight)에 기초하여, 모델의 불확실성의 원하는 감소로 이어지는 데이터 측정이 트리거된다. 이것은 불확실성을 줄이고 귀중한 측정 시간을 낭비하는 것을 방지하는 측정만이 수행된다는 분명한 이점을 갖고 있다.
불확실성의 수준 및/또는 컨텍스트와 성능 데이터의 관련성에 기초하여, 모델은 불확실성 수준을 최소화하고 관련성 수준을 최대화하기 위하여 우선적으로 최소한의 노력으로 어떤 부가적인 데이터가 포함될 필요가 있는지를 결정한다. 예를 들어, 컨텍스트 데이터는 고가의 측정 데이터보다 더욱 쉽게 획득된다. 이 부가적인 데이터는 새로운 측정된 성능 데이터, 새로운 컨텍스트 데이터 또는 초기에 선택된 데이터 세트 외부의 데이터 (예를 들어, 데이터베이스의 확장, 새로운 도메인 통합)일 수 있다.
따라서, 모델은 성능 데이터를 예측하기 위해 사용되는 데이터를 능동적으로 제어하며 따라서 모델이 시간에 따라 개선된다.
실시예는 데이터의 관련성 및 클러스터링 거동에 대한 반도체 제조업체의 정보를 상호 작용적으로 이용하는 방법을 제공할 수 있다. 실시예는 학습된 매핑을 점진적으로 개선하기 위해 사용될 수 있는 반도체 제조업체 사용자 또는 상황 데이터로부터 새로운 측정을 샘플링/요청하는 방법을 제공한다. 실시예는 (예를 들어, 계측, 전기적 성능 또는 심지어 장치 수율에 관한) 고가의 측정을 저렴한 스캐너와 리소그래피 공정 상황 매개변수 및 측정에 관련시키는 방법을 제공한다.
실시예에서, 알고리즘은 알고리즘이 추천을 제공하는 것에 따라, 사용자가 일반적으로 제공하는 측정 유형을 학습할 수 있으며 사용자 프로파일을 구축할 수 있다.
툴 또는 단계의 특성을 정확하게 지정하지 않고, 공정 툴 사용과 웨이퍼 핑거프린트 간의 매핑의 능동적 학습이 수행될 수 있다. 관련성 피드백을 사용함으로써, 웨이퍼 상에 어떠한 오버레이 또는 CD 패턴을 생성하는 것에 관련된 가능한 공정 툴 세트는 관련성 피드백에 기초하여 관련 서브세트로 감소될 수 있다.
매핑 및 결과적인 클러스터링을 개선함으로써 그리고 따라서 리소그래피 공정 매개변수의 기여도의 개선된 결정에 의하여 개선된 근본 원인 분석이 달성될 수 있다.
생산 공정을 모니터링하는 사용자는 "빅 데이터" 세트에서 누락된 측정을 이해하고 싶을 수 있다. 이는 데이터세트의 다변량(multi-variate) 관계를 더 잘 이해하는 데 크게 기여한다. 구체적으로, 이는 진양성(true positives)을 더 정확하게 찾고 위양성(false positives)을 방지하는 것을 가능하게 할 것이다. 진양성의 진단을 계속하면, 가능한 한 적은 부가적인 측정으로 근본 원인을 찾을 기회를 최대화하기 위하여 사용자는 어떤 측정이 사전에 수행될 수 있는지를 알고 싶어 할 수 있다.
정렬과 오버레이 사이의 준 지도 매핑이 학습되면, 사용자는 인-라인 로트 배치 메커니즘(in-line lot disposition mechanism)으로서 또는 근본 원인 분석을 위한 기초로서 앞으로의 정렬 측정을 사용할 수 있다. 예를 들어, 사용자는 웨이퍼 정렬 측정에서 4가지 색상을 모두 사용할 수 있으며 제어 설정에서 비대칭 억제를 위하여 부가적인 계측 시스템 X-구경 측정을 사용할 수 있다. 따라서, 오버레이 성능 측정의 다양한 조합이 획득될 수 있다. 가능한 모든 조합의 수는 조사하기에 비현실적이기 때문에, 컬러 대 컬러 및 계측 시스템 X-구경에 관한 현저한 차이가 검출되는 조합에서만 선택적 측정이 수행될 수 있다.
본 발명의 실시예는 따라서 컨텍스트 및 노광 정보의 최적 활용을 제공하여 개선된 근본 원인 조사를 가능하게 한다.
본 발명의 실시예는 목표 측정을 위한 단서를 제공할 수 있다. 대부분의 정보를 제공하기 위하여 새로운 노광 데이터가 요청될 수 있다. 로트의 반도체 설비/노광 컨텍스트를 가장 유익한 상황 영역(contextual region.)과 비교함으로써, 매핑의 라벨링 또는 예측도(predictivity)에 관한 대부분의 정보를 부여하기 위하여 새로운 계측 데이터 또는 새로운 측정이 요청될 수 있다.
본 발명의 실시예는 위에서 설명된 바와 같이, 데이터를 생성하는 방법의 방법을 설명하는 하나 이상의 기계 판독 가능한 명령의 시퀀스를 포함하는 컴퓨터 프로그램을 사용하여 구현될 수 있다. 이 컴퓨터 프로그램은, 예를 들어 도 1의 제어 유닛(LACU) 또는 일부 다른 컨트롤러 내에서 실행될 수 있다. 이러한 안에 컴퓨터 프로그램이 저장되어 있는 데이터 저장 매체 (예를 들어, 반도체 메모리, 자기 또는 광 디스크)가 또한 제공될 수 있다.
이 제어 유닛(LACU)은 도 8에 나타나 있는 바와 같이 컴퓨터 조립체를 포함할 수 있다. 컴퓨터 조립체는 본 발명에 따른 조립체의 실시예에서의 제어 유닛 형태의 전용 컴퓨터일 수 있으며, 또는 대안적으로 리소그래피 투영 장치를 제어하는 중앙 컴퓨터일 수 있다. 컴퓨터 조립체는 컴퓨터 실행 가능한 코드를 포함하는 컴퓨터 프로그램 제품을 로딩하기 위하여 배치될 수 있다. 이는 컴퓨터 프로그램 제품이 다운로드될 때 컴퓨터 조립체가 레벨 및 정렬 센서(AS, LS)의 실시예를 갖는 리소그래피 장치의 앞서 언급된 사용을 제어하는 것을 가능하게 할 수 있다.
프로세서(827)에 연결된 메모리(829)는 하드 디스크(861), 판독 전용 메모리(ROM)(862), 전기적으로 소거 가능한 프로그램 가능한 판독 전용 메모리(EEPROM)(863) 및 랜덤 액세스 메모리(RAM)(864)와 같은 다수의 메모리 구성 요소를 포함할 수 있다. 앞서 언급된 메모리 구성 요소 전부가 제공될 필요는 없다. 더욱이, 앞서 언급된 메모리 구성 요소는 물리적으로 프로세서(827)에 근접하거나 또는 서로에 대해 근접할 필요는 없다. 이 메모리 구성 요소들은 떨어져 위치될 수 있다.
프로세서(87)는 또한 일부 종류의 사용자 인터페이스, 예를 들어 키보드(865) 또는 마우스(866)에 연결될 수 있다. 당업자에게 공지되어 있는 터치 스크린, 트랙 볼, 스피치 컨버터, 또는 다른 인터페이스 또한 이용될 수 있다.
프로세서(827)는 고체 상태 드라이브(868) 또는 CDROM(869)과 같은 데이터 운반체로부터, 예를 들어 컴퓨터 실행 가능한 코드 형태의 데이터를 판독하고 일부 환경 하에서는 이 데이터 운반체에 데이터를 저장하도록 배치되어 있는 판독 유닛(867)에 연결될 수 있다. 또한, 당업자에게 공지되어 있는 DVD 또는 기타 데이터 운반체가 이용될 수 있다.
프로세서(827)는 또한 당업자에게 공지되어 있는 임의의 유형의 디스플레이의 디스플레이(871), 예를 들어 모니터 또는 LCD(액정 디스플레이)뿐만 아니라 출력 데이터를 용지 상에 프린트하기 위하여 프린터(870)에 연결될 수 있다.
프로세서(827)는 입력/출력(I/O)을 책임지는 송신기/수신기(873)에 의하여, 예를 들어 공중 교환 전화 네트워크(PSTN), 근거리 통신망(LAN), 광역 통신망(WAN) 등과 같은 통신 네트워크(872)에 연결될 수 있다. 프로세서(827)는 통신 네트워크(872)를 통해 다른 통신 시스템과 통신하도록 배치될 수 있다. 본 발명의 실시예에서, 예를 들어 조작자의 개인용 컴퓨터와 같은 외부 컴퓨터 (나타나 있지 않음)는 통신 네트워크(872)를 통해 프로세서(827)에 연결될 수 있다.
프로세서(827)는 독립적인 시스템으로서 또는 병렬로 동작하는 다수의 처리 유닛으로서 구현될 수 있으며, 여기서 각 처리 유닛은 더 큰 프로그램의 하위-작업(sub-task)을 실행하도록 배치되어 있다. 처리 유닛은 또한 여러 개의 하위-처리 유닛을 갖는 하나 이상의 메인 처리 유닛으로 분할될 수 있다. 프로세서(827)의 일부 처리 유닛은 다른 처리 유닛으로부터 떨어져 위치될 수도 있으며 통신 네트워크(872)를 통해 통신할 수 있다. 모듈들 간의 연결은 유선 또는 무선으로 이루어질 수 있다.
컴퓨터 시스템은 여기에서 논의된 기능을 수행하도록 배열된 아날로그 및/또는 디지털 및/또는 소프트웨어 기술을 갖는 임의의 신호 처리 시스템일 수 있다.
본 기술 분야의 기술 내의 지식을 적용함으로써, 본 발명의 일반적인 개념을 벗어남이 없이, 당업자가 다양한 응용을 위하여 이러한 특정 실시예를 쉽게 변경 및/또는 조정할 수 있도록 특정 실시예에 대한 전술한 설명은 본 발명의 전반적인 특성을 완전히 공개할 것이다. 따라서, 이러한 조정 및 변경은 본 명세서에서 제시된 교시 및 지침에 기초하여, 개시된 실시예의 등가물의 의미 및 범위 내에 있도록 의도된다. 본 명세서 내의 어구 또는 용어는 예로써 설명의 목적을 위한 것이고 제한의 목적이 아니라는 점이 이해되어야 하며, 따라서 본 명세서의 용어 또는 어구는 교시 및 지침을 고려하여 당업자에 의하여 해석되어야 한다.
본 발명의 추가 실시예가 아래의 번호가 매겨진 실시예의 목록에 개시되어 있다.
1. 관심 대상 매개변수를 개선하기 위해 생산 공정의 제어 또는 모니터링을 위한 예측 데이터를 생성하는 방법은,
생산 공정의 작동과 관련된 컨텍스트 데이터를 획득하는 단계;
생산 공정의 제품의 성능과 관련된 성능 데이터를 획득하는 단계;
성능 데이터로 컨텍스트 데이터를 라벨링하는 것을 기초로 예측 성능 데이터를 생성하기 위해 컨텍스트 대 성능 모델을 제공하는 단계; 및
컨텍스트 데이터의 품질에 관련된 예측 정보를 이용하여 컨텍스트 대 성능 모델을 변경하는 단계를 포함하고 있다.
2. 실시예 1의 방법에서, 예측 정보는 관심 대상 매개변수에 대한 획득된 컨텍스트 데이터 및/또는 획득된 성능 데이터의 관련성과 관련된 관련성 정보를 포함하고 있다.
3. 실시예 2의 방법에서, 유틸리티 모델은 성능 데이터로 컨텍스트 데이터를 라벨링을 하기 위한 라벨을 생성하기 위해 이용되며, 관련성 정보는 유틸리티 모델의 불확실성을 포함하고 있다.
4. 실시예 2 또는 실시예 3의 방법에서, 컨텍스트 대 성능 모델을 변경하는 단계는,
컨텍스트 데이터와 성능 데이터의 시각화를 출력하는 단계; 및
사용자에 의하여 입력된 관련성 정보를 수신하는 단계를 포함하고 있다.
5. 실시예 2 내지 실시예 4 중 어느 한 실시예의 방법에서, 컨텍스트 대 성능 모델을 변경하는 단계는 관련성 정보에 기초하여, 모델링을 위한 컨텍스트 데이터를 선택하는 것을 포함하고 있다.
6. 실시예 2 내지 실시예 5 중 어느 한 실시예의 방법에서, 컨텍스트 대 성능 모델을 변경하는 단계는 관련성 정보에 기초하여 상기 예측 성능 데이터로 컨텍스트 데이터를 라벨링하는 것을 포함하고 있다.
7. 실시예 6의 방법에서, 라벨링은 자동으로 수행된다.
8. 실시예 7의 방법에서, 자동 라벨링은 사용자에 의해 입력된 관련성 정보를 기초로 트레이닝된다.
9. 실시예 2 내지 실시예 8 중 어느 한 실시예의 방법은 컨텍스트 데이터의 제1 세트와 관련된 예측 성능 데이터의 불확실성을 컨텍스트 데이터의 제2 세트와 관련된 예측 성능 데이터의 불확실성과 비교하는 것을 기초로, 컨텍스트 데이터의 제1 세트와 관련된 관련성 정보를 결정하는 단계를 더 포함하고 있다.
10. 실시예 1 내지 실시예 9 중 어느 한 실시예의 방법은,
관련성 정보에 기초하여, 획득된 성능 데이터에 더하여, 부가적인 성능 데이터를 식별하는 단계; 및
부가적인 성능 데이터를 획득하기 위하여 제어 신호를 출력하는 단계를 더 포함하며,
부가적인 성능 데이터는;
생성된 예측 성능 데이터의 불확실성을 감소시키고; 및 또는
관심 대상 매개변수에 대한 획득된 컨텍스트 데이터의 관련성을 개선한다.
11. 실시예 10의 방법에서, 제어 신호는 새로운 성능 측정을 야기하는 신호를 포함하고 있다.
12. 실시예 10 또는 실시예 11의 방법에서, 제어 신호는 성능 데이터의 데이터베이스 또는 도메인을 확장하기 위한 신호를 포함하고 있다.
13. 실시예 1 내지 실시예 12 중 어느 한 실시예의 방법에서, 예측 정보는 생성된 예측 성능 데이터의 불확실성에 관련된 모델 불확실성 정보를 포함하고 있다.
14. 실시예 13의 방법에서, 기계 학습 알고리즘은 라벨링을 수행하기 위해 사용되며, 모델 불확실성 정보는 기계 학습 알고리즘의 불확실성을 포함하고 있다.
15. 실시예 13 또는 실시예 14의 방법에서, 컨텍스트 대 성능 모델을 변경하는 단계는,
컨텍스트 데이터와 성능 데이터의 시각화를 출력하는 단계; 및
사용자에 의하여 입력된 모델 불확실성 정보를 수신하는 단계를 포함하고 있다.
16. 실시예 13 내지 실시예 15 중 어느 한 실시예의 방법은 예측 성능 데이터의 분포에 기초하여 모델 불확실성 정보를 계산하는 단계를 더 포함하고 있다.
17. 실시예 13 내지 실시예 16 중 어느 한 실시예의 방법은 예측 성능 데이터를 앞서 생성된 예측 성능 데이터에 비교한 것을 기초하여 모델 불확실성 정보를 계산하는 단계를 더 포함하고 있다.
18. 실시예 13 내지 실시예 17 중 어느 한 실시예의 방법은 획득된 성능 데이터를 예측 성능 데이터에 비교한 것을 기초하여 모델 불확실성 정보를 계산하는 단계를 더 포함하고 있다.
19. 실시예 13 내지 실시예 18 중 어느 한 실시예의 방법은 모델 불확실성 정보에 기초하여, 획득된 컨텍스트 데이터에 더하여, 부가적인 컨텍스트 데이터를 식별하는 단계를 더 포함하며, 부가적인 컨텍스트 데이터는;
생성된 예측 성능 데이터의 불확실성을 감소시키고; 및 또는
관심 대상 매개변수에 대한 획득된 컨텍스트 데이터의 관련성을 개선한다.
20. 실시예 19의 방법은 부가적인 컨텍스트 데이터를 획득하기 위하여 제어 신호를 출력하는 단계를 더 포함하고 있다.
21. 실시예 20의 방법에서, 제어 신호는 부가적인 생산 공정 설정을 야기하는 신호를 포함하고 있다.
22. 실시예 20 또는 실시예 21의 방법에서, 제어 신호는 컨텍스트 데이터의 데이터베이스 또는 도메인을 확장하기 위한 신호를 포함하고 있다.
23. 컴퓨터 프로그램은 적합한 컴퓨터 장치에서 구동될 때 컴퓨터 장치가 실시예 1 내지 실시예 22 중 어느 한 실시예의 방법을 수행하게 하는 컴퓨터 독출 가능한 명령을 포함하고 있다.
24. 컴퓨터 프로그램 제품은 실시예 23의 컴퓨터 프로그램을 포함하고 있다.
25. 장치는 구체적으로 실시예 1 내지 실시예 22 중 어느 한 실시예의 방법의 단계를 수행하도록 조정되어 있다.
26. 실시예 25에 따른 장치는 구체적으로 리소그래피 생산 공정을 수행하도록 작동 가능한 리소그래피 장치로서 구성되어 있다.
27. 실시예 25에 따른 장치는 구체적으로 리소그래피 생산 공정을 수행하도록 작동 가능한 리소그래피 셀로서 구성되어 있다.
본 발명의 폭 및 범위는 위에서 설명된 예시적인 실시예 중 임의의 것에 의하여 제한되지 않아야 하며, 다음의 청구범위 및 그 등가물에 따라서만 한정되어야 한다.

Claims (15)

  1. 관심 대상 매개변수를 개선하기 위해 생산 공정의 제어 또는 모니터링을 위한 예측 데이터를 생성하는 방법으로서,
    상기 생산 공정의 작동과 관련된 컨텍스트 데이터를 획득하는 단계;
    상기 생산 공정의 제품의 성능과 관련된 성능 데이터를 획득하는 단계;
    성능 데이터로 상기 컨텍스트 데이터를 라벨링하는 것을 기초로 예측 성능 데이터를 생성하기 위해 컨텍스트 대 성능 모델을 제공하는 단계; 및
    상기 컨텍스트 데이터의 품질에 관련된 예측 정보를 이용하여 상기 컨텍스트 대 성능 모델을 변경하는 단계를 포함하는 방법.
  2. 제1항에 있어서, 상기 예측 정보는 상기 관심 대상 매개변수에 대한 상기 획득된 컨텍스트 데이터 및/또는 획득된 성능 데이터의 관련성과 관련된 관련성 정보를 포함하는 방법.
  3. 제2항에 있어서, 유틸리티 모델은 성능 데이터로 상기 컨텍스트 데이터를 라벨링을 하기 위한 라벨을 생성하기 위해 이용되며, 상기 관련성 정보는 상기 유틸리티 모델의 불확실성을 포함하는 방법.
  4. 제2항에 있어서, 상기 컨텍스트 대 성능 모델을 변경하는 단계는,
    상기 컨텍스트 데이터와 성능 데이터의 시각화를 출력하는 단계; 및
    사용자에 의하여 입력된 상기 관련성 정보를 수신하는 단계를 포함하는 방법.
  5. 제2항에 있어서, 상기 컨텍스트 대 성능 모델을 변경하는 단계는 상기 관련성 정보에 기초하여, 모델링을 위한 컨텍스트 데이터를 선택하는 것을 포함하는 방법.
  6. 제2항에 있어서, 상기 컨텍스트 대 성능 모델을 변경하는 단계는 상기 관련성 정보에 기초하여 상기 예측 성능 데이터로 컨텍스트 데이터를 라벨링하는 것을 포함하는 방법.
  7. 제6항에 있어서, 상기 라벨링은 자동적으로 수행되며, 상기 자동 라벨링은 사용자에 의하여 입력된 관련성 정보에 기초하여 트레이닝되는 방법.
  8. 제2항에 있어서, 상기 컨텍스트 데이터의 제1 세트와 관련된 예측 성능 데이터의 불확실성을 컨텍스트 데이터의 제2 세트와 관련된 예측 성능 데이터의 불확실성과 비교하는 것을 기초로, 컨텍스트 데이터의 제1 세트와 관련된 상기 관련성 정보를 결정하는 단계를 더 포함하는 방법.
  9. 제1항에 있어서,
    상기 관련성 정보에 기초하여, 상기 획득된 성능 데이터에 더하여, 부가적인 성능 데이터를 식별하는 단계; 및
    상기 부가적인 성능 데이터를 획득하기 위하여 제어 신호를 출력하는 단계를 더 포함하며,
    상기 부가적인 성능 데이터는;
    상기 생성된 예측 성능 데이터의 불확실성을 감소시키고; 및 또는
    상기 관심 대상 매개변수에 대한 상기 획득된 컨텍스트 데이터의 관련성을 개선하는 방법.
  10. 제9항에 있어서, 상기 제어 신호는 새로운 성능 측정을 야기하는 신호를 포함하는 방법.
  11. 제1항에 있어서, 상기 예측 정보는 생성된 예측 성능 데이터의 불확실성에 관련된 모델 불확실성 정보를 포함하는 방법.
  12. 제11항에 있어서, 상기 컨텍스트 대 성능 모델을 변경하는 단계는,
    상기 컨텍스트 데이터와 성능 데이터의 시각화를 출력하는 단계; 및
    사용자에 의하여 입력된 상기 모델 불확실성 정보를 수신하는 단계를 포함하는 방법.
  13. 제11항에 있어서, 상기 모델 불확실성 정보에 기초하여, 상기 획득된 컨텍스트 데이터에 더하여, 부가적인 컨텍스트 데이터를 식별하는 단계를 더 포함하며,
    상기 부가적인 컨텍스트 데이터는;
    상기 생성된 예측 성능 데이터의 불확실성을 감소시키고; 및 또는
    상기 관심 대상 매개변수에 대한 상기 획득된 컨텍스트 데이터의 관련성을 개선하는 방법.
  14. 적합한 컴퓨터 장치에서 구동될 때 컴퓨터 장치가 제1항의 방법을 수행하게 하는 컴퓨터 독출 가능한 명령을 포함하는 컴퓨터 프로그램.
  15. 구체적으로 제1항에서 청구된 바와 같은 방법의 단계를 실행하도록 조정되며, 리소그래피 생산 공정을 수행하도록 작동 가능한 리소그래피 장치로서 구성된 장치.
KR1020197024586A 2017-01-23 2017-12-13 생산 공정을 제어 또는 모니터링하기 위한 예상 데이터 생성 KR102275473B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP17152659.3A EP3352013A1 (en) 2017-01-23 2017-01-23 Generating predicted data for control or monitoring of a production process
EP17152659.3 2017-01-23
PCT/EP2017/082553 WO2018133999A1 (en) 2017-01-23 2017-12-13 Generating predicted data for control or monitoring of a production process

Publications (2)

Publication Number Publication Date
KR20190105646A true KR20190105646A (ko) 2019-09-17
KR102275473B1 KR102275473B1 (ko) 2021-07-13

Family

ID=57914721

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197024586A KR102275473B1 (ko) 2017-01-23 2017-12-13 생산 공정을 제어 또는 모니터링하기 위한 예상 데이터 생성

Country Status (6)

Country Link
US (1) US11099486B2 (ko)
EP (1) EP3352013A1 (ko)
KR (1) KR102275473B1 (ko)
CN (2) CN110192153A (ko)
TW (1) TWI659274B (ko)
WO (1) WO2018133999A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021107180A1 (ko) * 2019-11-27 2021-06-03 위즈코어 주식회사 제조 빅테이터 기반의 머신러닝 장치 및 방법

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11940488B2 (en) 2017-01-05 2024-03-26 Xcalipr Corporation Systems and methods for high precision optical characterization of carrier transport properties in semiconductor manufacturing
WO2020094525A1 (en) 2018-11-09 2020-05-14 Curious Ai Oy Solution for machine learning system
EP3654104A1 (en) * 2018-11-16 2020-05-20 ASML Netherlands B.V. Method for monitoring lithographic apparatus
WO2020099050A1 (en) * 2018-11-16 2020-05-22 Asml Netherlands B.V. Method for monitoring lithographic apparatus
CN109491216B (zh) * 2018-12-20 2020-11-27 上海集成电路研发中心有限公司 一种优化光刻工艺参数的方法
US11687007B2 (en) 2019-01-29 2023-06-27 Asml Netherlands B.V. Method for decision making in a semiconductor manufacturing process
EP3705944A1 (en) 2019-03-06 2020-09-09 ASML Netherlands B.V. Extracting a feature from a data set
EP3742229A1 (en) * 2019-05-21 2020-11-25 ASML Netherlands B.V. Systems and methods for adjusting prediction models between facility locations
KR102648599B1 (ko) * 2019-04-09 2024-03-15 에이에스엠엘 네델란즈 비.브이. 설비 위치들 사이에서 예측 모델을 조절하기 위한 시스템 및 방법
EP3767392A1 (en) * 2019-07-17 2021-01-20 ASML Netherlands B.V. Method and apparatus for determining feature contribution to performance
EP3994525B1 (en) * 2019-07-04 2023-05-03 ASML Netherlands B.V. Method for determining feature contribution to performance
JP7394205B2 (ja) * 2019-07-05 2023-12-07 ケーエルエー コーポレイション 動的標本化プラン、最適化ウェハ計測経路及び最適化ウェハ輸送を伴い量子情報処理を用いるファブ管理
TWI740313B (zh) * 2019-12-18 2021-09-21 新加坡商鴻運科股份有限公司 虛擬量測方法、裝置及電腦可讀存儲介質
EP4127834A1 (en) 2020-04-02 2023-02-08 ASML Netherlands B.V. Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process
EP3910417A1 (en) 2020-05-13 2021-11-17 ASML Netherlands B.V. Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process
CN113743688B (zh) * 2020-05-27 2023-10-20 富联精密电子(天津)有限公司 质量管控方法、装置、计算机装置及存储介质
CN114065687A (zh) * 2020-08-07 2022-02-18 奥特斯奥地利科技与系统技术有限公司 基于人工智能确定用于制造部件承载件的行动规划
DE102020212102A1 (de) * 2020-09-25 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Qualitätskontrolle für in Serie gefertigte Produkte
US11853042B2 (en) * 2021-02-17 2023-12-26 Applied Materials, Inc. Part, sensor, and metrology data integration
WO2023050229A1 (zh) * 2021-09-29 2023-04-06 西门子股份公司 工业数据处理方法、装置、电子设备和存储介质
WO2023186441A1 (en) * 2022-03-29 2023-10-05 Asml Netherlands B.V. Data retrieval
CN114841378B (zh) * 2022-07-04 2022-10-11 埃克斯工业(广东)有限公司 晶圆特征参数预测方法、装置、电子设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140172394A1 (en) * 2012-12-18 2014-06-19 Kla-Tencor Corporation Integrated use of model-based metrology and a process model
US20160148850A1 (en) * 2014-11-25 2016-05-26 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
US20160246185A1 (en) * 2013-10-02 2016-08-25 Asml Netherlands B.V. Methods and apparatus for obtaining diagnostic information relating to an industrial process
US20160313651A1 (en) * 2013-12-17 2016-10-27 Asml Netherlands B.V. Yield estimation and control

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140172394A1 (en) * 2012-12-18 2014-06-19 Kla-Tencor Corporation Integrated use of model-based metrology and a process model
US20160246185A1 (en) * 2013-10-02 2016-08-25 Asml Netherlands B.V. Methods and apparatus for obtaining diagnostic information relating to an industrial process
US20160313651A1 (en) * 2013-12-17 2016-10-27 Asml Netherlands B.V. Yield estimation and control
US20160148850A1 (en) * 2014-11-25 2016-05-26 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021107180A1 (ko) * 2019-11-27 2021-06-03 위즈코어 주식회사 제조 빅테이터 기반의 머신러닝 장치 및 방법

Also Published As

Publication number Publication date
TWI659274B (zh) 2019-05-11
KR102275473B1 (ko) 2021-07-13
CN110192153A (zh) 2019-08-30
US11099486B2 (en) 2021-08-24
EP3352013A1 (en) 2018-07-25
US20190369503A1 (en) 2019-12-05
WO2018133999A1 (en) 2018-07-26
TW201841066A (zh) 2018-11-16
CN117311102A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
KR102275473B1 (ko) 생산 공정을 제어 또는 모니터링하기 위한 예상 데이터 생성
KR102411813B1 (ko) 디바이스 제조 프로세스의 수율의 예측 방법
KR102336390B1 (ko) 제품 유닛의 다중-스테이지 처리를 위한 장치 최적화
KR102469978B1 (ko) 검사와 계측을 위한 방법 및 장치
CN113168111A (zh) 用于预测半导体制造过程的产率的方法
KR102563127B1 (ko) 반도체 제조 프로세스의 이벤트의 근본 원인을 결정하고 반도체 제조 프로세스를 모니터링하기 위한 방법
TW202143084A (zh) 插補模型組態
TWI791321B (zh) 用於組態採樣架構產生模型之方法及電腦程式
TWI734390B (zh) 自資料集中提取特徵
KR20210102976A (ko) 속성 공동 보간 및 예측을 위한 장치 및 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant