KR20230025450A - 분광 모니터링을 위한 기계 학습 시스템을 위한 훈련 스펙트럼들을 표지하기 위한 인-시튜 모니터링 - Google Patents

분광 모니터링을 위한 기계 학습 시스템을 위한 훈련 스펙트럼들을 표지하기 위한 인-시튜 모니터링 Download PDF

Info

Publication number
KR20230025450A
KR20230025450A KR1020237001593A KR20237001593A KR20230025450A KR 20230025450 A KR20230025450 A KR 20230025450A KR 1020237001593 A KR1020237001593 A KR 1020237001593A KR 20237001593 A KR20237001593 A KR 20237001593A KR 20230025450 A KR20230025450 A KR 20230025450A
Authority
KR
South Korea
Prior art keywords
values
training
sequence
polishing
substrate
Prior art date
Application number
KR1020237001593A
Other languages
English (en)
Inventor
토마스 리
벤자민 체리안
Original Assignee
어플라이드 머티어리얼스, 인코포레이티드
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 어플라이드 머티어리얼스, 인코포레이티드 filed Critical 어플라이드 머티어리얼스, 인코포레이티드
Publication of KR20230025450A publication Critical patent/KR20230025450A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • 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
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/02—Constructional details
    • G01J5/08—Optical arrangements
    • G01J5/0859—Sighting arrangements, e.g. cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/02—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using thermoelectric elements, e.g. thermocouples
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/32—Polishing; Etching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
    • G01R31/2831—Testing of materials or semi-finished products, e.g. semiconductor wafers or substrates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67092—Apparatus for mechanical treatment
    • 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
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J2005/0077—Imaging
    • 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
    • G01J3/02—Details
    • G01J3/0205—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows
    • G01J3/0218—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows using optical fibers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

분광 모니터링을 위해 신경망을 훈련하는 방법은, 시험 기판을 연마하는 단계, 기판으로부터 반사된 광의 시험 스펙트럼들의 시퀀스를 인-시튜 분광 모니터링 시스템에 의해 측정하고 시험 기판의 연마 동안 기판으로부터 시험 값들의 시퀀스를 인-시튜 비-광학 모니터링 시스템에 의해 측정하는 단계, 연마 전에 기판에 대한 초기 특징화 값 또는 연마 후에 기판에 대한 최종 특징화 값 중 적어도 하나를 측정하는 단계, 시험 값들의 시퀀스 및 초기 특징화 값 및/또는 최종 특징화 값을, 훈련 값들의 시퀀스를 출력하는 두께 예측 모델에 입력하는 단계 - 훈련 값들의 시퀀스 내의 각각의 개별 훈련 값은 시험 스펙트럼들의 시퀀스로부터의 개별 시험 스펙트럼과 연관됨 -, 및 복수의 훈련 스펙트럼들 및 복수의 훈련 값들을 사용하여 인공 신경망을 훈련하는 단계를 포함한다.

Description

분광 모니터링을 위한 기계 학습 시스템을 위한 훈련 스펙트럼들을 표지하기 위한 인-시튜 모니터링
본 개시내용은, 예를 들어, 화학적 기계적 연마와 같은 처리 동안의 기판의 광학 모니터링에 관한 것이다.
집적 회로는 전형적으로, 규소 웨이퍼 상의 전도성, 반전도성, 또는 절연성 층들의 순차적 증착에 의해 기판 상에 형성된다. 하나의 제조 단계는, 비평면 표면 위에 필러 층을 증착시키고 필러 층을 평탄화하는 것을 수반한다. 일부 응용들의 경우, 필러 층은 패터닝된 층의 최상부 표면이 노출될 때까지 평탄화된다. 예를 들어, 절연성 층의 트렌치들 또는 홀들을 채우기 위해, 패터닝된 절연성 층 상에 전도성 필러 층이 증착될 수 있다. 평탄화 후에, 절연성 층의 융기된 패턴 사이에 남아있는 전도성 층의 부분들은, 기판 상의 박막 회로들 사이에 전도성 경로들을 제공하는, 비아들, 플러그들 및 라인들을 형성한다. 다른 응용들의 경우, 필러 층은 아래놓인 층 위에 미리 결정된 두께가 남겨질 때까지 평탄화된다. 예를 들어, 증착된 유전체 층이 포토리소그래피를 위해 평탄화될 수 있다.
화학적 기계적 연마(CMP)는 하나의 수용된 평탄화 방법이다. 이 평탄화 방법은 전형적으로, 기판이 캐리어 헤드 상에 장착될 것을 요구한다. 기판의 노출된 표면은 전형적으로, 내구성있는 조면화된 표면을 갖는 회전 연마 패드에 대해 배치된다. 캐리어 헤드는, 기판을 연마 패드에 대해 누르기 위해, 제어가능한 하중을 기판 상에 제공한다. 전형적으로, 연마액, 예컨대, 연마 입자들을 갖는 슬러리가 연마 패드의 표면에 공급된다.
CMP에서의 한가지 과제는, 바람직한 프로파일, 예를 들어, 원하는 양의 물질이 제거되었거나 원하는 평탄도 또는 두께까지 평탄화된 기판 층을 달성하기 위해 적절한 연마 속도를 사용하는 것이다. 기판 층의 초기 두께, 슬러리 분포, 연마 패드 조건, 연마 패드와 기판 사이의 상대 속도, 및 기판에 대한 하중의 변동들은, 기판에 걸친, 그리고 기판마다의 물질 제거 속도의 변동들을 야기할 수 있다. 이러한 변동들은 연마 종료점에 도달하는데 필요한 시간 및 제거된 양의 변동들을 야기한다. 그러므로, 연마 종료점을 단순히 연마 시간의 함수로서 결정하거나, 또는 단순히 일정한 압력을 가함으로써 원하는 프로파일을 달성하는 것은 가능하지 않을 수 있다.
일부 시스템들에서, 기판은, 예를 들어, 광학 모니터링 시스템에 의해, 연마 동안 인-시튜로 모니터링된다. 인-시튜 모니터링 시스템으로부터의 두께 측정들은, 연마 속도를 조정하고 웨이퍼 내 불균일성(WIWNU)을 감소시키기 위해, 기판에 인가되는 압력을 조정하는 데에 사용될 수 있다.
일 양상에서, 분광 모니터링을 위해 신경망을 훈련하는 방법은, 시험 기판을 연마하는 단계, 시험 기판의 연마 동안 기판으로부터 반사된 광의 시험 스펙트럼들의 시퀀스를 인-시튜 분광 모니터링 시스템에 의해 측정하는 단계, 시험 기판의 연마 동안 기판으로부터 시험 값들의 시퀀스를 인-시튜 비-광학 모니터링 시스템에 의해 측정하는 단계, 연마 전에 기판에 대한 초기 특징화 값 또는 연마 후에 기판에 대한 최종 특징화 값 중 적어도 하나를 측정하는 단계, 시험 값들의 시퀀스 및 초기 특징화 값 및/또는 최종 특징화 값을, 훈련 값들의 시퀀스를 출력하는 두께 예측 모델에 입력하는 단계 - 훈련 값들의 시퀀스 내의 각각의 개별 훈련 값은 시험 스펙트럼들의 시퀀스로부터의 개별 시험 스펙트럼과 연관됨 -, 및 복수의 훈련 스펙트럼들 및 복수의 훈련 값들을 사용하여 인공 신경망을 훈련하는 단계를 포함한다. 인공 신경망은 복수의 스펙트럼 값들에 대한 복수의 입력 노드들, 특징화 값을 출력하기 위한 출력 노드, 및 입력 노드들을 출력 노드에 연결하는 복수의 은닉 노드들을 갖는다.
이러한 양상들은, 프로세서로 하여금 작동들을 수행하게 하기 위한 명령어들을 포함하고 비일시적 컴퓨터 판독가능 매체에 유형적으로 구체화된 컴퓨터 프로그램 제품으로, 또는 작동들을 수행하기 위해 제어기를 갖는 처리 시스템, 예를 들어, 연마 시스템에서 구체화될 수 있다.
양상들 중 임의의 양상의 구현들은 이하의 특징들 중 하나 이상을 포함할 수 있다.
특정 구현들은 다음의 장점들 중 하나 이상을 가질 수 있지만, 이에 제한되지 않는다. 기계 학습 시스템, 예를 들어, 신경망의 훈련에 사용되는 스펙트럼들은 더 정확하게 표지될 수 있으며, 따라서, 기계 학습 시스템의 예측 성능을 개선한다. 기판 상의 층의 두께는 더 정확하고/거나 더 빠르게 측정될 수 있다. 웨이퍼 내 두께 불균일성 및 웨이퍼간 두께 불균일성(WIWNU 및 WTWNU)이 감소될 수 있고, 원하는 처리 종료점을 검출하기 위한 종료점 시스템의 신뢰성이 개선될 수 있다.
하나 이상의 실시예의 세부사항들이 이하의 설명 및 첨부 도면들에 제시된다. 다른 특징들, 양상들 및 장점들은 설명, 도면들 및 청구항들로부터 명백해질 것이다.
도 1은 연마 장치의 예의 개략적인 단면도를 예시한다.
도 2는 다수의 구역들을 갖는 기판의 개략적인 평면도를 예시한다.
도 3은, 제1 기판 상에서 인-시튜 측정들이 취해지는 위치들을 보여주는 개략적인 평면도를 예시한다.
도 4는 연마 장치를 위한 제어기의 일부로서 사용되는 신경망을 예시한다.
도 5는 기계 학습 시스템을 훈련하기 위한 훈련 데이터를 예시한다.
도 6은 제어 시스템에 의해 출력된 특징화 값들의 그래프를 시간의 함수로서 예시한다.
도 7은 훈련 스펙트럼들을 생성하는 데 사용되는 구성요소들의 개략도이다.
도 8은 예측 모델에 공급되는 데이터를 예시한다.
도 9는 시간에 따른 모터 토크의 그래프를 예시한다.
다양한 도면들에서 유사한 참조 번호들 및 명칭들은 유사한 요소들을 나타낸다.
하나의 모니터링 기법은, 연마되고 있는 기판으로부터 반사된 광의 스펙트럼을 측정하는 것이다. 측정된 스펙트럼으로부터 특징 값, 예를 들어, 연마되고 있는 층의 두께를 결정하기 위해 다양한 기법들이 제안되었다. 가능한 기법은 샘플 기판들로부터의 훈련 스펙트럼들 및 그 샘플 기판들에 대한 측정된 특징 값들에 기초하여 신경망을 훈련하는 것이다. 훈련 후에, 정상 작동 동안, 디바이스 기판으로부터의 측정된 스펙트럼이 신경망에 입력될 수 있고, 신경망은 특징화 값, 예를 들어, 기판의 최상부 층의 계산된 두께를 출력할 수 있다. 신경망들을 사용하는 동기는 최상부 층의 계산된 두께에 미치는 하부층 막 두께의 영향을 제거할 가능성이다.
훈련 데이터를 획득하기 위해, 시험 기판의 연마 동안 스펙트럼들의 시퀀스가 측정될 수 있다. 기판의 특징화 값, 예를 들어, 두께는, 연마 전후에, 예를 들어, 독립형 또는 인-라인 계측 시스템으로 측정될 수 있다. 그 다음, 이러한 2개의 값들은 시퀀스 내의 처음 및 마지막 스펙트럼들과 연관될 것이다. 시퀀스 내의 나머지 스펙트럼들에 대한 특징화 값들은, 예를 들어, 시간에 기초하여 선형 보간법에 의해 생성될 수 있다. 따라서, 훈련 데이터는 스펙트럼들의 세트를 포함할 것이고, 각각의 스펙트럼들은 연관된 특징화 값을 갖는다.
이러한 기법의 문제점은, 특징화 값들, 예를 들어, 두께 값들이, 시퀀스 내의 초기 및 최종 스펙트럼들에 대해서만 확실히 알려져 있다는 점이다. 많은 프로세스들의 경우, 특징화 값은 시간에 따라 비선형적으로 변화될 수 있다. 이를 해결하기 위해, 다른 인-시튜 모니터링 시스템, 예를 들어, 비-광학 모니터링 시스템, 예컨대, 모터 전류 모니터링 시스템으로부터의 신호들이 두께 예측 모델에 공급될 수 있다. 두께 예측 모델은, 시간에 기초한 선형 보간법을 단순히 사용하는 것보다 더 정확한, 시퀀스 내의 각각의 스펙트럼의 타임 스탬프에 대한 두께 값을 출력할 수 있다.
도 1은 연마 장치(20)의 예를 예시한다. 연마 장치(20)는 회전가능한 디스크-형상 플래튼(22)을 포함할 수 있고, 이 플래튼 상에 연마 패드(30)가 위치된다. 플래튼은 축(23)을 중심으로 회전하도록 작동가능하다. 예를 들어, 모터(24)는 플래튼(22)을 회전시키기 위해 구동 샤프트(26)를 회전시킬 수 있다. 연마 패드(30)는, 예를 들어, 접착제의 층에 의해 플래튼(22)에 탈착가능하게 고정될 수 있다. 연마 패드(30)는 외측 연마 층(32) 및 더 연질의 후면 층(34)을 갖는 2층 연마 패드일 수 있다.
연마 장치(20)는, 연마액(42), 예컨대, 연마 슬러리를 연마 패드(30) 상에 분배하기 위해 연마액 공급 포트(40)를 포함할 수 있다. 연마 장치(20)는 또한, 연마 패드(30)를 일관된 연마 상태로 유지하기 위해 연마 패드(30)를 연마하기 위한 연마 패드 컨디셔너를 포함할 수 있다.
캐리어 헤드(50)는 연마 패드(30)에 대해 기판(10)을 유지하도록 작동가능하다. 각각의 캐리어 헤드(50)는 또한, 복수의 독립적으로 제어가능한 가압가능 챔버들, 예를 들어, 3개의 챔버들(52a-52c)을 포함하며, 이 챔버들은 독립적으로 제어가능한 압력들을 기판(10) 상의 연관된 구역들(12a-12c)에 인가할 수 있다(도 2 참고). 도 2를 참조하면, 중심 구역(12a)은 실질적으로 원형일 수 있고, 나머지 구역들(12b-12c)은 중심 구역(12a) 주위의 동심 환형 구역들일 수 있다.
도 1로 돌아가면, 챔버들(52a-52c)은 기판(10)이 장착되는 바닥 표면을 갖는 가요성 멤브레인(54)에 의해 한정될 수 있다. 캐리어 헤드(50)는 또한, 가요성 멤브레인(54) 아래에 기판(10)을 유지하기 위해 리테이닝 링(56)을 포함할 수 있다. 예시의 편의를 위해, 도 1 및 2에 단지 3개의 챔버들만이 예시되어 있지만, 2개의 챔버들, 또는 4개 이상의 챔버들, 예를 들어, 5개의 챔버들이 있을 수 있다. 추가적으로, 기판에 가해지는 압력을 조정하기 위한 다른 메커니즘들, 예를 들어, 압전 액추에이터들이 캐리어 헤드(50)에 사용될 수 있다.
각각의 캐리어 헤드(50)는 지지 구조(60), 예를 들어, 캐러셀 또는 트랙으로부터 매달리며, 캐리어 헤드가 축(51)을 중심으로 회전할 수 있도록, 구동 샤프트(62)에 의해 캐리어 헤드 회전 모터(64)에 연결된다. 선택적으로, 각각의 캐리어 헤드(50)는, 캐러셀 자체의 회전 진동에 의해; 또는 트랙 또는 그를 따른 움직임에 의해, 예를 들어, 캐러셀 상의 슬라이더들 상에서 측방향으로 진동할 수 있다. 작동 시에, 플래튼(22)은 플래튼의 중심 축(23)을 중심으로 회전되며, 캐리어 헤드(50)는 캐리어 헤드의 중심 축(51)을 중심으로 회전되고, 연마 패드(30)의 최상부 표면에 걸쳐 측방향으로 병진된다.
연마 장치는 또한, 구역들(12a-12c) 중 하나 이상의 구역의 연마 속도를 제어하기 위해, 연마 파라미터들, 예를 들어, 챔버들(52a-52c) 중 하나 이상에서의 인가된 압력을 제어하는 데에 사용될 수 있는 인-시튜 분광 모니터링 시스템(70)을 포함한다. 인-시튜 모니터링 분광 시스템(70)은 기판으로부터 반사된 광의 스펙트럼의 측정치를 생성하고, 이는 구역들(12a-12c) 각각에서 연마되고 있는 층의 두께를 나타내는 특징화 값으로 변환될 수 있다.
분광 모니터링 시스템(70)은 광원(72), 광 검출기(74), 및 제어기(90), 예를 들어, 컴퓨터와 광원(72) 및 광 검출기(74) 사이의 신호들을 전송 및 수신하기 위한 회로(76)를 포함할 수 있다. 광원(72)으로부터의 광을 연마 패드(30)의 윈도우(36)로 보내고, 기판(10)으로부터 반사된 광을 검출기(74)로 보내기 위해 하나 이상의 광섬유가 사용될 수 있다. 예를 들어, 이분된 광섬유(78)가, 광원(62)으로부터의 광을 기판(10)으로 보내고 다시 검출기(74)로 보내는 데에 사용될 수 있다. 분광 시스템으로서, 광원(72)은 백색 광을 방출하도록 작동가능할 수 있고, 검출기(74)는 분광계일 수 있다.
회로(76)의 출력은, 구동 샤프트(26)의 로터리 커플러(28), 예를 들어, 슬립 링을 통해 제어기(90)에 전달되는 디지털 전자 신호일 수 있다. 대안적으로, 회로(76)는 무선 신호에 의해 제어기(90)와 통신할 수 있다. 제어기(90)는 마이크로프로세서, 메모리 및 입력/출력 회로를 포함하는 컴퓨팅 디바이스, 예를 들어, 프로그램가능 컴퓨터일 수 있다. 단일 블록으로 예시되었지만, 제어기(90)는, 기능들이 다수의 컴퓨터들에 걸쳐 분산된 네트워킹된 시스템일 수 있다.
일부 구현들에서, 인-시튜 분광 모니터링 시스템(70)은, 플래튼(22)에 설치되고 플래튼과 함께 회전하는 센서(80)를 포함한다. 예를 들어, 센서(80)는 광섬유(78)의 단부일 수 있다. 플래튼(22)의 움직임은 센서(80)가 기판에 걸쳐 스캔하게 할 것이다. 도 3에 도시된 바와 같이, 플래튼의 회전(화살표(38)로 도시됨)으로 인해 센서(80)가 캐리어 헤드 아래를 이동할 때, 인-시튜 분광 모니터링 시스템은 샘플링 주파수로 측정을 하고; 결과적으로, 기판(10)을 횡단하는 원호의 위치들(14)에서 측정들이 취해진다(지점들의 개수는 예시적이고; 샘플링 주파수에 따라, 예시된 것보다 더 많거나 더 적은 측정들이 취해질 수 있다).
플래튼의 일 회전 동안, 기판(10) 상의 상이한 위치들로부터 스펙트럼들이 획득된다. 특히, 일부 스펙트럼들은 기판(10)의 중심에 더 가까운 위치들로부터 획득될 수 있고, 일부는 에지에 더 가까운 위치들로부터 획득될 수 있다. 제어기(90)는, 타이밍, 모터 인코더 정보, 플래튼 회전 또는 위치 센서 데이터, 및/또는 리테이닝 링 및/또는 기판의 에지의 광학 검출에 기초하여, 스캔으로부터의 각각의 측정에 대해 (기판(10)의 중심에 대한) 방사상 위치를 계산하도록 구성될 수 있다. 따라서, 제어기는 다양한 측정치들을 다양한 구역들(12a-12c)(도 2 참고)과 연관시킬 수 있다. 일부 구현들에서, 측정의 시간은 방사상 위치의 정확한 계산의 대용으로서 사용될 수 있다.
도 1로 돌아가면, 제어기(90)는 인-시튜 모니터링 시스템으로부터의 신호에 기초하여 기판의 각각의 구역에 대한 특징화 값을 도출할 수 있다. 특히, 연마가 진행됨에 따라, 제어기(90)는 특징화 값들의 시간에 따른 시퀀스를 생성한다. 제어기(90)는, 기판(10) 아래에서의 센서의 각각의 스캔에 대해 각각의 구역에 대한 적어도 하나의 특징화 값을 생성하거나, 예를 들어, 기판에 걸쳐 센서를 스캔하지 않는 연마 시스템들의 경우, (샘플링 주파수와 동일할 필요 없는) 측정 주파수로 각각의 구역에 대한 특징화 값을 생성할 수 있다. 일부 구현들에서, 스캔 당 하나의 특징화 값이 생성되고, 예를 들어, 다수의 측정들이 결합되어 특징화 값을 생성할 수 있다. 일부 구현들에서, 각각의 측정은 특징화 값을 생성하는 데 사용된다.
특징화 값은 전형적으로, 외측 층의 두께이지만, 관련된 특징, 예컨대, 제거된 두께일 수 있다. 추가적으로, 특징화 값은, 연마 프로세스를 통한 기판의 진행의 더 일반적인 표현, 예를 들어, 미리 결정된 진행에 후속하는 연마 프로세스에서 측정이 관찰될 것으로 예상될 플래튼 회전들의 횟수 또는 시간을 나타내는 인덱스 값일 수 있다.
제어기(90)는 인-시튜 분광 모니터링 시스템(70)으로부터의 측정된 스펙트럼으로부터 특징화 값을 생성하기 위해 2단계 프로세스를 사용할 수 있다. 우선, 측정된 스펙트럼의 차원수가 감소된 다음, 감소된 차원수 데이터가 인공 신경망에 입력되고, 인공 신경망이 특징화 값을 출력할 것이다. 이 프로세스를 각각의 측정된 스펙트럼에 대해 수행함으로써, 인공 신경망은 특징화 값들의 시퀀스를 생성할 수 있다. 이러한 시퀀스는, 예를 들어, 센서(80)가 기판 아래로 지나가고 있다고 가정하면, 기판 상의 상이한 방사상 위치들에 대한 특징화 값들을 포함할 수 있다.
인-시튜 분광 모니터링 시스템(70)과 제어기(90)의 조합은 종료점 및/또는 연마 균일성 제어 시스템(100)을 제공할 수 있다. 즉, 제어기(90)는 일련의 특징화 값들에 기초하여 연마 불균일성을 감소시키기 위해, 연마 프로세스 동안 연마 종료점을 검출하고 연마를 중단하고/거나 연마 압력들을 조정할 수 있다.
도 4는 제어기(90)에 의해 구현된 기능 블록들을 예시하고, 기능 블록들은, 차원 감소를 수행하기 위한 차원 감소 모듈(110), 신경망(120), 및 연마 프로세스를 조정하기 위한, 예를 들어, 일련의 특징화 값들에 기초하여 연마 불균일성을 감소시키기 위해, 연마 프로세스 동안 연마 종료점을 검출하고 연마를 중단하고/거나 연마 압력들을 조정하기 위한 프로세스 제어 시스템(130)을 포함한다. 위에서 언급된 바와 같이, 이러한 기능 블록들은 다수의 컴퓨터들에 걸쳐 분산될 수 있다.
신경망(120)은 각각의 주성분에 대한 복수의 입력 노드들(122), 복수의 은닉 노드들(124)(또한, 이하에서 "중간 노드들"로 칭함), 및 특징 값을 생성할 출력 노드(126)를 포함한다. 은닉 노드들의 단일 층을 갖는 신경망에서, 각각의 은닉 노드(124)는 각각의 입력 노드(122)에 결합될 수 있고, 출력 노드(126)는 각각의 은닉 노드(220)에 결합될 수 있다. 일부 구현들에서, 다수의 출력 노드들이 존재하며, 그 중 하나는 특징 값을 제공한다.
일반적으로, 은닉 노드(124)는 은닉 노드가 연결된 입력 노드들(122)로부터의 값들의 가중된 합의 비선형 함수인 값을 출력한다.
예를 들어, 은닉 노드(124), 즉, 지정된 노드(k)의 출력은:
Figure pct00001
식(1)
으로 표현될 수 있고, 여기서 tanh는 쌍곡 탄젠트이고, akx는 kth 중간 노드와 (M개의 입력 노드들 중에) xth 입력 노드 사이의 연결에 대한 가중치이고, IM은 Mth 입력 노드에서의 값이다. 그러나, 다른 비선형 함수들, 예컨대, 정류된 선형 유닛(ReLU) 함수 및 그 변형들이 tanh 대신에 사용될 수 있다.
차원 감소 모듈(110)은 측정된 스펙트럼을 더 제한된 개수의 성분 값들, 예를 들어, L개의 성분 값들로 감소시킬 것이다. 신경망(120)은, 스펙트럼이 감소되는 각각의 성분에 대한 입력 노드(122)를 포함하는데, 예를 들어, 모듈(110)이 L개의 성분 값들을 생성하는 경우에 신경망(120)은 적어도 입력 노드들(N1, N2 ... NL)을 포함할 것이다.
따라서, 입력 노드들의 개수가, 측정된 스펙트럼이 감소되는 성분들의 개수에 대응하는 경우(즉, L=M), 은닉 노드(124), 즉, 지정된 노드(k)의 출력(Hk)은:
Figure pct00002
로 표현될 수 있다.
측정된 스펙트럼(S)이 열행렬(i1, i2, ..., in)에 의해 표현된다고 가정하면, 중간 노드(124), 즉, 지정된 노드(k)의 출력은:
Figure pct00003
식(2)
으로 표현될 수 있고, 여기서, Vx는, 측정된 스펙트럼의, 감소된 차원수 데이터의 (L개의 성분들 중에서) xth 성분에 대한 값으로의 변환을 제공할 행행렬(v1, v2, ..., vn)이다. 예를 들어, Vx는 이하에서 설명되는 행렬(W 또는 W')의 (L개의 열들 중에서) xth 열에 의해 제공될 수 있는데, 즉, Vx는 WT의 xth 행이다. 따라서, Wx는 차원 감소 행렬로부터 xth 고유벡터를 나타낼 수 있다.
출력 노드(126)는 은닉 노드들의 출력들의 가중된 합인 특징 값(CV)을 생성할 수 있다. 예를 들어, 이는
Figure pct00004
로 표현될 수 있고, 여기서, Ck는 kth 은닉 노드의 출력에 대한 가중치이다.
그러나, 신경망(120)은 다른 데이터를 수신하기 위해 하나 이상의 다른 입력 노드(예를 들어, 노드(122a))를 선택적으로 포함할 수 있다. 이러한 다른 데이터는, 인-시튜 모니터링 시스템에 의한 기판의 이전 측정으로부터인 것, 예를 들어, 기판의 처리의 더 이른 때로부터 수집된 스펙트럼들, 이전 기판의 측정으로부터인 것, 예를 들어, 다른 기판의 처리 동안 수집된 스펙트럼들, 연마 시스템의 다른 센서로부터인 것, 예를 들어, 온도 센서에 의한 패드 또는 기판의 온도의 측정, 연마 시스템을 제어하는 데에 사용되는 제어기에 의해 저장된 연마 레시피로부터인 것, 예를 들어, 기판을 연마하는 데에 사용되는 연마 파라미터, 예컨대, 캐리어 헤드 압력 또는 플래튼 회전 속도, 제어기에 의해 추적된 변수로부터인 것, 예를 들어, 패드가 바뀐 때부터의 기판들의 개수, 또는 연마 시스템의 일부가 아닌 센서로부터인 것, 예를 들어, 계측 스테이션에 의한 아래놓인 막들의 두께의 측정일 수 있다. 이는 신경망(120)이 이러한 다른 처리 또는 환경 변수들을 특징화 값의 계산에 고려하는 것을 허용한다.
다시 도 1을 참조하면, 연마 장치(20)는 분광 모니터링 시스템이 아닌 제2 인-시튜 모니터링 시스템(150)을 포함한다. 제2 인-시튜 모니터링 시스템(150)은 가시 광을 활용하지 않는 모니터링 시스템, 예를 들어, 적외선 카메라를 사용하는 온도 모니터링 시스템일 수 있다. 제2 인-시튜 모니터링 시스템(150)은, 비-광학 모니터링 시스템, 예를 들어, 열전대를 사용하는 온도 모니터링 시스템, 음향 모니터링 시스템, 모터 전류 또는 모터 토크 모니터링 시스템, 마찰 모니터링, 또는 와전류 모니터링 시스템일 수 있다.
온도 모니터링 시스템으로서, 제2 인-시튜 모니터링 시스템(150)은, 예를 들어, 연마 패드(30) 또는 기판(10)의 연마 프로세스의 온도를 모니터링하기 위한 온도 센서(152)를 포함할 수 있다. 온도 센서는, 적외선 센서, 예를 들어, 연마 패드(30)의 적외선 이미지를 취하도록 위치되는 적외선 카메라일 수 있다. 대안적으로, 온도 센서(152)는, 연마 패드 또는 기판의 온도를 측정하기 위해, 다른 구성요소에, 예를 들어, 플래튼(22) 또는 캐리어 헤드(50)에 부착되거나 매립된 열전대일 수 있다.
음향 모니터링 시스템으로서, 제2 인-시튜 모니터링 시스템(150)은 기판(10)과 연마 패드(10) 사이의 계면으로부터의 진동들을 모니터링하기 위한 능동 또는 수동 음향 센서(154)를 포함할 수 있다.
모터 토크 모니터링 시스템으로서, 제2 인-시튜 모니터링 시스템(150)은 모터 토크를 측정하기 위한 센서를 포함할 수 있다. 모터 토크의 측정은 토크의 직접 측정 및/또는 모터에 공급되는 전류의 측정일 수 있다. 예를 들어, 전류 센서(170)는 플래튼 모터(24)에 공급되는 전류를 모니터링할 수 있고/거나 전류 센서(172)는 캐리어 헤드 모터(64)에 공급되는 전류를 모니터링할 수 있다. 전류 센서가 모터의 일부로서 예시되지만, 전류 센서는 (제어기 자체가 모터들에 대한 구동 전류를 출력하는 경우) 제어기의 일부일 수 있거나 별도의 회로일 수 있다. 대안적으로, 토크 미터가 플래튼 구동 샤프트(26) 상에 배치될 수 있고/거나 토크 미터가 캐리어 헤드 구동 샤프트(62) 상에 배치될 수 있다.
마찰 모니터링으로서, 제2 인-시튜 모니터링 시스템(150)은, 기판 또는 캐리어 헤드에 대한 마찰을 측정하기 위한 센서, 예를 들어, 캐리어 헤드 구동 샤프트(62) 상에 또는 캐리어 헤드의 내부 스핀들 상에 배치되는 변형 게이지를 포함할 수 있다.
어쨌든, 제2 인-시튜 모니터링 시스템(150)의 센서, 예를 들어, 온도 센서(152), 음향 센서(154), 또는 전류 센서(170 및/또는 172)의 출력 신호는 제어 시스템(90)으로 지향된다.
예를 들어, 디바이스 웨이퍼들에 사용되기 전에, 차원 감소 모듈(110) 및 신경망(112)은 구성될 필요가 있다. 도 5를 참조하면, 차원 감소 모듈(110) 및 신경망(112)에 대한 구성 절차의 일부로서, 제어기(90)는 복수의 훈련 스펙트럼들(202) 및 복수의 특징화 값들(202)(D0, D1, ... DN으로 표시됨)을 포함하는 훈련 데이터 세트(200)를 수신할 수 있다. 특징화 값들은 두께 값들일 수 있다. 각각의 훈련 스펙트럼(202a)은 단일의 대응하는 특징화 값(204a)과 연관된다. 복수의 훈련 스펙트럼들(202)은, 예를 들어, 20개 내지 500개의 훈련 스펙트럼들을 포함할 수 있다.
도 4로 돌아가면, 차원 감소 모듈(110)에 대한 구성 절차 동안에, 제어기(90)는 훈련 스펙트럼들의 데이터 세트의 공변 행렬에 대한 고유벡터들의 군을 생성할 수 있다. 일단 고유벡터들의 군이 생성되면, 고유벡터들은 등급화될 수 있고, 가장 큰 고유값들을 갖는, 사전 설정된 개수의, 예를 들어, 최상위 4개 내지 8개의 고유벡터들이 유지될 수 있다.
고유벡터들을 고유벡터들의 연관된 고유값들에 의해 등급화하는 것은 데이터 세트가 최대로 변하는 방향들을 나타낸다. 측정된 스펙트럼의, 가장 높은 등급의 고유벡터들 상으로의 투영은, 상당히 감소된 기준으로 원본 벡터의 효율적인 표현을 제공한다.
설명으로서, 각각의 훈련 스펙트럼은 행렬에 의해 표현될 수 있다:
Figure pct00005
,
여기서, ij는 총 n개의 파장들 중 jth 파장에서의 광 강도를 나타낸다. 스펙트럼은, 예를 들어, 200 내지 500개의 강도 측정들을 포함할 수 있고; n은 200 내지 500일 수 있다.
m개의 훈련 스펙트럼들이 생성된다고 가정하면, m개의 행렬들(R)이 다음의 행렬을 형성하기 위해 결합될 수 있다:
Figure pct00006
여기서, ijk는 jth 훈련 스펙트럼의 kth 파장에서의 광 강도를 나타낸다. 행렬(A)의 각각의 행은 훈련 스펙트럼(예를 들어, 기판 상의 일 위치에서의 측정)을 나타낸다.
차원 감소 프로세스, 예컨대, 주성분 분석(PCA)이 행렬(A)에 적용된다. PCA는, 데이터의 임의의 투영에 의한 가장 큰 분산이 제1 좌표 상에 놓이게 되고(제1 주성분으로 칭함), 제2 가장 큰 분산이 제2 좌표 상에 놓이게 되는 등을 위해, A 행렬(m x n 차원들)의 데이터를 새로운 좌표계로 변환하는 직교 선형 변환을 수행한다. 수학적으로, 변환은 행렬(A)의 각각의 m 차원 행 벡터(Ai)를 주성분 점수들(ti = (tk1, tk2, ..., tip))의 새로운 벡터에 맵핑하는 가중치들(wk = (wk1, wk2, ..., wkp))의 p-차원 벡터들의 세트에 의해 정의되고, 여기서 tki는:
tki= Ai·wk이다.
각각의 벡터(wk)는 단위 벡터가 되는 것으로 제약된다. 결과적으로, ti의 개별 변수들은 행렬(A)로부터 최대 가능한 분산을 이어받는다. 행렬(A)의 분해는:
T=AW로서 표현될 수 있고,
여기서, W는 열들이 ATA의 고유벡터들인 n x p 행렬이다.
PCA의 세부사항들은 또한, 제임스 램지(James Ramsay) 및 B.W. 실버맨(Silverman)의 함수 데이터 분석(Functional Data Analysis)(스프링거(Springer); 제2 판 (2005년 7월 1일)), 및 I.T. 졸리프(Jolliffe)의 주성분 분석(Principal Component Analysis)(스프링거; 제2 판 (2002년 10월 2일)에서 논의된다.
PCA 대신에, 제어기는 SVD(특이값 분해) - SVD는 훈련 스펙트럼 데이터 세트의 일반화된 고유 분해임 -, 또는 ICA(독립 성분 분석)를 사용할 수 있으며, ICA에서는, 사전 명시된 개수의 통계적으로 독립적인 신호들이 발견되며 이들의 가산 결합들은 훈련 스펙트럼 데이터 세트를 발생시킨다.
다음에, 오직 가장 높은 등급의 고유벡터들만을 유지함으로써 차원수가 감소될 수 있다. 특히, p개의 주성분들 대신에, 총 L개의 주성분들이 유지될 수 있으며, 여기서 L은 0과 p 사이의 정수, 예를 들어, 3 내지 10이다. 예를 들어, T 행렬은, 예를 들어, T 행렬의 가장 좌측의 L개의 열들을 사용하는 것을 유지함으로써 m x L 행렬(T')로 감소될 수 있다. 유사하게, W 행렬은, 예를 들어, W 행렬의 가장 좌측의 L개의 열들을 유지함으로써 n x L 행렬(W')로 감소될 수 있다.
다른 예로서, 비선형 차원수 감소 기법, 예컨대, 자동인코딩이 사용될 수 있다. 사용되는 자동인코더는, (N의 차원수를 가질 수 있는) 원본 입력을 다수의 층들을 통과시킴으로써 원본 입력을 재구성하려고 시도하는 신경망으로서 구현될 수 있다. 중간 층들 중 하나는 감소된 개수의 은닉 뉴런들을 가질 것이다. 신경망은 출력 층과 입력 층 사이의 차이를 최소화함으로써 훈련된다. 그러한 경우에, 은닉 뉴런들의 값들은 감소된 차원수의 스펙트럼들인 것으로 간주될 수 있다. 이러한 기법은, 차원수 감소가 더 이상 선형 프로세스가 아니라는 사실 때문에, PCA 및 다른 유사한 기법들에 비해 장점을 제공할 수 있다.
신경망(120)의 구성 절차 동안, 신경망(120)은 각각의 훈련 스펙트럼에 대한 특징 값 및 성분 값들을 사용하여 훈련된다.
행렬(T')의 각각의 행은 훈련 스펙트럼들 중 하나에 대응하고, 따라서, 특징 값과 연관된다. 신경망(120)이 훈련 모드, 예컨대, 역전파 모드로 작동하는 동안, 특정 행을 따른 값들(t1, t2, ..., tL)이 주성분들에 대한 각각의 입력 노드들(N1, N2 ... NL)에 제공되는 한편, 행에 대한 특징 값(V)이 출력 노드(126)에 제공된다. 이는 각각의 행에 대해 반복될 수 있다. 이는, 위에서 ak1 등에 대한 값들을 설정한다.
예를 들어, PCA, SVD, ICA 등에 의한 주성분들의 결정은, 신경망의 훈련을 위해 사용되는 데이터 세트보다 더 큰 데이터를 사용하여 수행될 수 있다. 즉, 주성분들의 결정에 사용된 스펙트럼들의 개수는, 훈련에 사용된 알려진 특징 값들을 갖는 스펙트럼들의 개수보다 더 클 수 있다. 일단 훈련되면, 시스템은 작동 준비가 되어야 한다.
시스템은 이제 작동 준비가 되었다. 스펙트럼은, 인-시튜 분광 모니터링 시스템(70)을 사용하여, 연마 동안 기판으로부터 측정된다. 측정된 스펙트럼은 열행렬(S=(i1, i2, ..., in))에 의해 표현될 수 있고, 여기서, ij는 총 n개의 파장들 중 jth 파장에서의 광 강도를 나타낸다. 열행렬(S)과 W' 행렬을 곱하여 열행렬, 즉, S·W'=P를 생성하고, 여기서, P=(P1, P2, ..., PL)이고, Pi는 ith 주성분의 성분 값을 나타낸다.
신경망(120)이 추론 모드로 사용되는 동안, 이러한 값들(P1, P2, ..., PL)은 각각의 입력 노드들(N1, N2, ... NL)에 입력들로서 제공된다. 결과적으로, 신경망(120)은 특징 값, 예를 들어, 두께를 출력 노드(126)에서 생성한다.
특징 값(CV)을 생성하기 위해 차원 감소 모듈(110) 및 신경망(120)에 의해 수행된 결합된 계산은 다음과 같이 표현될 수 있다:
Figure pct00007
여기서, Nk = (ak1V1·+ ak2V2·+ ... + akLVL)이고, 가중치들(aki)은 신경망(120)에 의해 설정된 가중치들이고, 벡터들(Vi)은 차원 감소 모듈(110)에 의해 결정된 고유벡터들이다.
신경망(120)의 아키텍쳐는 깊이 및 폭이 변할 수 있다. 예를 들어, 신경망(120)이 단일 열의 중간 노드들(124)을 갖는 것으로 도시되었지만, 신경망은 다수의 열들을 포함할 수 있다. 중간 노드들(124)의 개수는 입력 노드들(122)의 개수 이상일 수 있다.
신경망이 위에서 설명되었지만, 기계 학습 기법들에 의해 훈련가능한 다른 알고리즘들, 예를 들어, 그래디언트 부스팅된 트리들, 또는 근사 최근접 이웃 방법들, 예컨대, 지역 민감성 해싱이 사용될 수 있다.
위에서 언급된 바와 같이, 제어기(90)는 다양한 측정된 스펙트럼들과 기판(10) 상의 상이한 구역들(12a-12c)(도 2 참고)을 연관시킬 수 있다. 각각의 신경망(120)의 출력은, 스펙트럼이 측정된 시간에 기판(10) 상에서의 센서의 위치에 기초하여 구역들 중 하나에 속하는 것으로 분류될 수 있다. 이는, 제어기(90)가 각각의 구역에 대해 특징 값들의 개별 시퀀스를 생성하는 것을 허용한다.
특징화 값들의 시퀀스는 연마 시스템을 제어하는 데 사용될 수 있다. 예를 들어, 도 6을 참조하면, 제1 함수(304)는 제1 구역에 대한 특징화 값들(302)의 시퀀스(300)에 피팅될 수 있고, 제2 함수(314)는 제2 구역에 대한 특징화 값들(312)의 시퀀스(310)에 피팅될 수 있다. 제어기는, 목표 값(V)에 도달하기 위해 제1 및 제2 함수들이 투영되는 시간들(T1 및 T2)을 계산하고, 조정된 처리 파라미터, 예를 들어, 조정된 캐리어 헤드 압력을 계산할 수 있는데, 이러한 조정된 처리 파라미터는, 구역들이 대략적으로 동일한 시간에 목표에 도달하도록, 구역들 중 하나가, 개정된 속도(선(320)으로 도시됨)로 연마되게 할 것이다.
연마 종료점은, 특징 값들이 목표 값(V)에 도달한 것을 함수가 나타낼 때 제어기(90)에 의해 촉발될 수 있다.
도 5로 돌아가면, 훈련 데이터 세트(200)는 훈련 스펙트럼들(202) 및 특징화 값들(204)을 포함한다. 처음 및 마지막 특징화 값들(D0, DN)은 엑스-시튜 계측 측정들, 예를 들어, 인-라인 또는 독립형 계측 시스템, 예컨대, 접촉 프로필로미터 또는 타원계에 의해 생성될 수 있다. 이러한 측정들은 건조 조건들에서, 예를 들어, 기판이 연마 시스템으로부터 제거되고 세정되고 건조된 후에 수행될 수 있다.
시간에 기초한 선형 보간법이, 특징화 값들(D1, ... DN-1)을 생성하는 데 사용될 수 있지만, 일부 응용들의 경우, 선형 보간법은 충분히 정확한 특징화 값들을 생성하지 않는다.
도 7은, 훈련 스펙트럼들에 대한 훈련 값들을 생성하기 위한 훈련 데이터 생성 시스템(250)을 예시한다. 훈련 데이터 생성 시스템(250)은, 분광 인-시튜 모니터링 시스템(70), 제2 인-시튜 모니터링 시스템(150), 엑스-시튜 계측 시스템(270), 및 이러한 시스템들 각각으로부터 데이터를 수신하고 각각의 시험 스펙트럼에 대한 표지, 예를 들어, 특징 값, 예컨대, 두께를 생성하는 두께 예측 모델(260)을 포함한다.
두께 예측 모델(260)은, 연마되는 기판의 모델, 예를 들어, 연마 작동에서 연마될 층들의 개수 및 각각의 층의 대략적인 두께 또는 각각의 층에 대한 상대적인 연마 속도의 표시를 포함한다. 제2 인-시튜 모니터링 시스템(150)으로부터의 데이터에 기초하여, 예측 모델(260)은 특징 값들을 단순한 선형 보간법보다 더 정확히 결정할 수 있다.
예를 들어, 예측 모델(260)은, 제2 인-시튜 모니터링 시스템으로부터의 데이터로부터, 연마되는 층들 간의 전이의 연마 동안의 시간을 검출할 수 있다. 연마의 시작으로부터 전이 시간까지의 특징화 값들은 제1 기울기로 선형 보간될 수 있고, 전이 시간으로부터 연마 종료까지의 특징화 값들은 제2 기울기로 선형 보간될 수 있으며, 제1 기울기와 제2 기울기 간의 비율은 두께 예측 모델에 의해 저장된 각각의 층에 대한 상대 연마 속도에 의해 설정된다.
더 구체적으로, 훈련 데이터 세트(200)를 생성하기 위해, 적어도 하나의 시험 기판이 데이터 수집 모드로 연마 장치(20)에 의해 연마될 수 있다. 데이터 수집 모드에서의 연마 동안, 시험 기판은 분광 인-시튜 모니터링 시스템(70) 및 제2 인-시튜 모니터링 시스템(150) 둘 모두에 의해 모니터링된다. 분광 인-시튜 모니터링 시스템(70)은 스펙트럼들(S0, S1, ... SN)의 시퀀스를 측정하고, 제어 시스템은 스펙트럼들(S0, S1, ... SN) 및 각각의 개별 스펙트럼에 대한 개별 측정 시간(T0, T1, T2, ..., TN) 양쪽 모두를 저장한다. 유사하게, 제2 인-시튜 모니터링 시스템(150)은 측정치들(X0, X1, X2, ... XM)의 시퀀스를 생성하고, 제어 시스템은, 측정치들(X0, X1, X2, ... XM) 및 각각의 개별 측정치에 대한 개별 측정 시간(t0, t1, t2, ..., tM) 양쪽 모두를 저장한다. 측정치들(X0, X1, X2, ... XM)이 표현하는 것은 모니터링 시스템의 유형에 따르는데, 예를 들어, 온도 모니터링 시스템의 경우에 온도 값들, 모터 전류 모니터링 시스템의 경우에 모터 전류 값들, 음향 모니터링 시스템의 경우에 음향 신호 강도 등이다.
일부 구현들에서, 분광 인-시튜 모니터링 시스템(70) 및 제2 인-시튜 모니터링 시스템(150)은 동일한 주파수로 측정치들을 생성한다. 이 경우, M=N이다. 그러나, 이는 필수적이지는 않고, 예를 들어, 제2 인-시튜 모니터링 시스템(150)이 분광 인-시튜 모니터링 시스템(70)보다 더 높거나 더 낮은 주파수로 측정치들을 생성할 수 있다.
도 8을 참조하면, 시험 스펙트럼들(S0, S1, S2, ... SN), 각각의 시험 스펙트럼에 대한 측정 시간(T0, T1, T2, ..., TN), 측정치들(X0, X1, X2, ... XM), 각각의 측정의 개별 시간(t0, t1, t2, ..., tM), 및 처음 및/또는 마지막 특징화 값들(D0, DN)은 인-시튜 모니터링 시스템(70), 제2 인-시튜 모니터링 시스템(150), 및 엑스-시튜 계측 시스템(270)으로부터 예측 모델(260)에 의해 수신된다. 연마 전 측정이 이용가능하지 않은 경우, 미리 설정된 일관된 인입 값이 표지에 사용될 수 있다. 유사하게, 연마 후 측정이 이용가능하지 않은 경우, 미리 설정된 일관된 인출 값이 표지에 사용될 수 있다. 어쨌든, 이 데이터로부터, 예측 모델(270)은 측정 시간들(T0, T1, T2, ..., TN)에 발생할 훈련 특징화 값들(D0, D1, ... DN)을 생성하고, 각각의 훈련 값(D0, D1, ... DN)을 각각의 시간(T0, T1, T2, ..., TN)에 측정된 각각의 시험 스펙트럼(S0, S1, S2, ... SN)과 연관시킨다.
일부 구현들에서, 예측 모델(270)은 연마 프로세스를 시간별로 2개 이상의 기간들로 분할하기 위해 측정치들(X0, X1, X2, ... XM)을 분석한다. 예측 모델(270)은, 측정치들의 급격한 변화를 검출함으로써, 예를 들어, 측정치들의 시퀀스의 1계 도함수가 임계치를 초과한다는 것을 검출함으로써, 세그먼트들 사이의 전이 시간을 계산할 수 있다. 예를 들어, 도 9는 시간의 함수로서 모터 토크의 예시적인 그래프(260)를 예시하며, 여기서 X0, X1, X2, ... XM은 토크 또는 모터 전류 값들을 나타낸다. 그래프는 고도로 경사진 영역(212)을 포함한다. 측정치들(X0, X1, X2, ... XM)의 시퀀스의 1계 도함수에서의 최대(또는 최소) 값을 검출함으로써, 예측 모델(270)은 2개의 기간들 사이의 전이를 위한 시간(tA)을 할당할 수 있다.
예를 들어, 전이 시간(tA) 이전의 제1 시간 세그먼트에서의 특징화 값들(D0, D1, ... Da)은 제1 함수에 따라 두께 예측 모델에 의해 계산될 수 있는 반면, 예를 들어, 전이 시간(tA) 이후의 제2 시간 세그먼트에서의 특징화 값들(Da+1, Da+2, ... DN)은 상이한 제2 함수에 따라 두께 예측 모델에 의해 계산될 수 있다. 제1 및 제2 함수들은 상이한 기울기들을 갖는 선형 함수들일 수 있지만, 다른 함수들, 예를 들어, 고차 다항식 함수들이 가능하다.
일부 구현들에서, 예측 모델은 상이한 시간 세그먼트들에 대한 연마 속도들의 비율을 나타내는 미리 설정된 연마 속도 비율, 예를 들어, 경험적으로 도출된 비율을 저장한다. 예를 들어, 예측 모델이 제2 기간에서의 연마 속도가 제1 기간에서의 연마 속도의 R배임을 나타내는 경우, 예측 모델은 제약들, 즉, 시간(T0)에서 D=D0이고, 시간(TN)에서 D=DN이고, D는 T0 내지 tA의 제1 선형 함수이고, D는 tA 내지 TN의 제2 선형 함수이고, 제2 선형 함수의 기울기는 제1 선형 함수의 기울기의 R배라는 것에 대한 종속으로부터 D에 대한 값들을 생성할 수 있다. 이는, 각각의 시간들(T0, T1, T2, ..., TN)에서 훈련 특징화 값들(D0, D1, D2, ... DN)을 생성하기에 충분한 정보이다.
일부 구현들에서, 예측 모델은 각각의 기간들 동안 측정치들(X0, X1, X2, ... XM)에 기초하여 연마 속도 비율을 생성한다. 예를 들어, 예측 모델은, 제1 기간에서의 측정치들에 대한 평균 값(XA) 및 제2 기간에서의 측정치들에 대한 평균 값(XB)을 계산할 수 있다. 그 다음, 이러한 값들은, 어느 시간 세그먼트가 더 빠른 연마였는지를, 그리고 연마 속도 비율을 추론하기 위해, 비교될 수 있다. 예를 들어, 제2 시간 세그먼트(tA 내지 TN) 동안의 평균 모터 토크가 제1 시간 세그먼트(T0 내지 tA)보다 높은 경우, 예측 모델은 제2 시간 세그먼트 동안 더 많은 물질이 있었다는 것을 추론할 수 있다. 유사하게, 더 높은 온도는 더 높은 연마 속도를 나타낼 수 있고, 더 높은 음향 신호는 더 높은 연마 속도를 나타낼 수 있다. 예측 모델은 XA와 XB 사이의 상대적 차이에 기초하여 연마 속도 비율을 생성할 수 있다.
일부 구현들에서, 예측 모델은, 측정치들(X0, X1, X2, ... XM)을 각각의 측정치에 대한 개별적인 정규화된 연마 속도로 변환하는 함수를 포함한다. 이는, 선형 보간법보다 연마 속도의 연속적인 변동을 효과적으로 허용한다.
위의 논의는 단일 시험 기판의 연마 내의 시간 세그먼트들에 초점을 맞추고 있지만, 시험 스펙트럼들을 생성하기 위해 다수의 시험 기판들이 사용되는 경우, 상이한 시험 기판들의 연마 간에 유사한 비교들이 이루어질 수 있다.
위의 접근법들 중 임의의 접근법에 있어서, 시험 특징화 값들(D0, D1, ... DN)이 각각의 시간(T0, T1, T2, ..., TN) 동안 생성되면, 예측 모델은 각각의 개별 특징화 값을 그 각각의 시간(T0, T1, T2, ..., TN)에 측정된 각각의 시험 스펙트럼(S0, S1, S2, ... SN)과 쌍을 형성할 수 있다. 그 다음, 이러한 데이터는 신경망(120)(도 7 참고)을 훈련하는 데 사용되는 훈련 데이터(200)(도 5 참고)로서 출력될 수 있다.
본 명세서에 설명된 본 발명의 실시예들 및 기능 작동들 전부는, 본 명세서에 개시된 구조적 수단들 및 그의 구조적 등가물들을 포함하는, 디지털 전자 회로로, 또는 컴퓨터 소프트웨어, 펌웨어 또는 하드웨어로, 또는 그들의 조합들로 구현될 수 있다. 본 발명의 실시예들은, 하나 이상의 컴퓨터 프로그램 제품으로, 즉, 하나 이상의 컴퓨터 프로그램(데이터 처리 장치, 예를 들어, 프로그램가능 프로세서, 컴퓨터, 또는 다수의 프로세서들 또는 컴퓨터들에 의한 실행을 위해, 또는 그의 작동을 제어하기 위해, 기계 판독가능 저장 매체에 유형적으로 구체화됨)으로 구현될 수 있다. 컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 또는 코드로 또한 알려짐)은 컴파일형 또는 인터프리터형 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 작성될 수 있고, 독립형 프로그램으로서, 또는 모듈, 컴포넌트, 서브루틴, 또는 컴퓨팅 환경에서 사용하기에 적합한 다른 유닛으로서를 포함하여, 임의의 형태로 배포될 수 있다. 컴퓨터 프로그램은 반드시 파일에 대응하지는 않는다. 프로그램은 다른 프로그램들 또는 데이터를 보유하는 파일의 일부에, 해당 프로그램에 전용인 단일 파일에, 또는 다수의 협력 파일들(예를 들어, 하나 이상의 모듈, 서브 프로그램들 또는 코드의 부분들을 저장하는 파일들)에 저장될 수 있다. 컴퓨터 프로그램은 하나의 컴퓨터 상에서, 또는 한 장소에 있거나 다수의 장소들에 걸쳐 분산되고 통신 네트워크에 의해 상호연결된 다수의 컴퓨터들 상에서 실행되도록 배포될 수 있다.
본 명세서에서 설명된 프로세스들 및 논리 흐름들은, 입력 데이터를 조작하고 출력을 생성함으로써 기능들을 수행하기 위해 하나 이상의 컴퓨터 프로그램을 실행하는 하나 이상의 프로그램가능 프로세서에 의해 수행될 수 있다. 프로세스들 및 논리 흐름들은 또한, 특수 목적 논리 회로, 예를 들어, FPGA(필드 프로그램가능 게이트 어레이) 또는 ASIC(주문형 집적 회로)에 의해 수행될 수 있고, 장치는 또한, 그러한 특수 목적 논리 회로로서 구현될 수 있다.
위에서 설명된 연마 장치 및 방법들은 다양한 연마 시스템들에 적용될 수 있다. 연마 패드, 또는 캐리어 헤드들, 또는 양쪽 모두는, 연마 표면과 기판 사이의 상대 운동을 제공하도록 이동할 수 있다. 예를 들어, 플래튼은 회전하는 대신에 궤도를 그리며 돌 수 있다. 연마 패드는 플래튼에 고정된 원형(또는 어떤 다른 형상) 패드일 수 있다. 연마 시스템은, 예를 들어, 연마 패드가 선형으로 이동하는 연속적인 또는 릴-투-릴 벨트인 선형 연마 시스템일 수 있다. 연마 층은 표준(예를 들어, 필러들을 갖거나 갖지 않는 폴리우레탄) 연마 물질, 연질 물질, 또는 고정된-연마재 물질일 수 있다. 상대적 위치결정의 용어들이 구성요소들의 상대적 배향 또는 위치결정에 사용되는데; 연마 표면 및 기판은 중력에 대해 수직 배향 또는 어떤 다른 배향으로 유지될 수 있음을 이해해야 한다.
위의 설명은 화학적 기계적 연마에 초점을 맞추었지만, 제어 시스템은 다른 반도체 처리 기법들, 예를 들어, 식각 또는 증착, 예를 들어, 화학 기상 증착에 적응될 수 있다. 추가적으로, 기법들은 인-시튜 모니터링 대신에 인-라인 또는 단독 계측 시스템에 적용될 수 있다.
본 발명의 특정 실시예들이 설명되었다. 다른 실시예들은 다음의 청구항들의 범위 내에 있다.

Claims (20)

  1. 분광 모니터링을 위해 신경망을 훈련하는 방법으로서,
    시험 기판을 연마하는 단계;
    상기 시험 기판의 연마 동안, 상기 기판으로부터 반사된 광의 시험 스펙트럼들의 시퀀스를 인-시튜 분광 모니터링 시스템에 의해 측정하는 단계;
    상기 시험 기판의 연마 동안, 상기 기판으로부터의 시험 값들의 시퀀스를 인-시튜 비-광학 모니터링 시스템에 의해 측정하는 단계;
    엑스-시튜 계측 시스템에 의해, 연마 전에 상기 기판에 대한 초기 특징화 값 또는 연마 후에 상기 기판에 대한 최종 특징화 값 중 적어도 하나를 측정하는 단계;
    상기 시험 값들의 시퀀스 및 상기 초기 특징화 값 및/또는 최종 특징화 값을, 훈련 값들의 시퀀스를 출력하는 두께 예측 모델에 입력하는 단계 - 상기 훈련 값들의 시퀀스 내의 각각의 개별 훈련 값은 상기 시험 스펙트럼들의 시퀀스로부터의 각각의 시험 스펙트럼과 연관됨 -; 및
    복수의 훈련 스펙트럼들 및 복수의 훈련 값들을 사용하여 인공 신경망을 훈련하는 단계 - 상기 인공 신경망은, 복수의 스펙트럼 값들에 대한 복수의 입력 노드들, 특징화 값을 출력하기 위한 출력 노드, 및 상기 입력 노드들을 상기 출력 노드에 연결하는 복수의 은닉 노드들을 가짐 -
    를 포함하는, 방법.
  2. 제1항에 있어서,
    디바이스 기판을 연마하는 단계;
    상기 디바이스 기판이 연마를 겪고 있을 때 상기 디바이스 기판으로부터 반사된 광의 측정된 스펙트럼을 인-시튜 광학 모니터링 시스템으로부터 수신하는 단계;
    상기 측정된 스펙트럼으로부터의 스펙트럼 값들을 상기 훈련된 인공 신경망의 상기 입력 노드들에 적용함으로써 상기 훈련된 인공 신경망의 상기 출력 노드에서 상기 측정된 스펙트럼에 대한 측정된 특징화 값을 생성하는 단계; 및
    상기 특징화 값에 기초하여 처리 파라미터를 조정하는 단계 또는 상기 기판의 처리를 중단하는 단계 중 적어도 하나를 더 포함하는, 방법.
  3. 제1항에 있어서,
    상기 두께 예측 모델은 연마 시간을 복수의 세그먼트들로 분할하는, 방법.
  4. 제3항에 있어서,
    훈련 값들의 상기 시퀀스는 상기 복수의 세그먼트들 중 제1 세그먼트에 대한 제1 다수의 훈련 값들 및 상기 복수의 세그먼트들 중 제2 세그먼트에 대한 제2 다수의 훈련 값들을 포함하고, 상기 두께 예측 모델은 제1 함수에 따라 상기 제1 다수의 훈련 값들을 계산하고, 제2 함수에 따라 상기 제1 다수의 훈련 값들을 계산하는, 방법.
  5. 제4항에 있어서,
    상기 두께 예측 모델은, 상기 제1 함수가 상기 복수의 세그먼트들 사이의 경계 시간에서 상기 제2 함수와 동일하다는 제약에 따라 상기 복수의 훈련 값들을 계산하는, 방법.
  6. 제4항에 있어서,
    상기 두께 예측 모델은, 제1 함수가 스펙트럼들의 상기 시퀀스 중 처음 것에 대응하는 연마의 시작 시간에서 상기 초기 특징화 값을 생성하고/거나 상기 제2 함수가 스펙트럼들의 상기 시퀀스 중 마지막 것에 대응하는 연마의 종료 시간에서 상기 최종 특징화 값을 생성한다는 제약에 따라, 상기 복수의 훈련 값들을 계산하는, 방법.
  7. 제4항에 있어서,
    상기 제1 함수는 제1 기울기를 갖는 제1 선형 함수이고, 상기 제2 함수는 상이한 제2 기울기를 갖는 제2 선형 함수인, 방법.
  8. 제7항에 있어서,
    상기 두께 예측 모델은 상기 제1 기울기 대 상기 제2 기울기의 미리 결정된 비율을 저장하고, 상기 미리 결정된 비율을 만족시키도록 상기 제1 기울기 및 상기 제2 기울기를 설정하는, 방법.
  9. 제7항에 있어서,
    상기 두께 예측 모델은, 상기 제1 세그먼트의 시험 값들의 상기 시퀀스로부터의 제1 다수의 시험 값들과 상기 제2 세그먼트의 시험 값들의 상기 시퀀스로부터의 제2 다수의 시험 값들의 비교에 기초하여 상기 제1 기울기 및 상기 제2 기울기를 계산하는, 방법.
  10. 제7항에 있어서,
    상기 두께 예측 모델은 상기 제1 다수의 시험 값들의 제1 평균 값에 기초하여 상기 제1 기울기를 계산하고, 상기 제2 다수의 시험 값들의 제2 평균 값에 기초하여 상기 제2 기울기를 계산하는, 방법.
  11. 제3항에 있어서,
    상기 두께 예측 모델은 시험 값들의 상기 시퀀스의 기울기를 계산하고, 상기 기울기에 기초하여 상기 복수의 세그먼트들 사이의 경계 시간을 선택하는, 방법.
  12. 제11항에 있어서,
    상기 두께 예측 모델은 시험 값들의 상기 시퀀스의 1계 도함수에서의 극값들에 기초하여 경계 시간을 선택하는, 방법.
  13. 제1항에 있어서,
    상기 두께 예측 모델은, 각각의 훈련 값에 대한 시간에 시간상 가장 가까운 최대 2개의 값들에 기초하여 각각의 개별 훈련 값을 계산하는, 방법.
  14. 제1항에 있어서,
    광의 시험 스펙트럼들의 상기 시퀀스는 제1 주파수에서 측정되고, 시험 값들의 상기 시퀀스는 상이한 제2 주파수에서 측정되는, 방법.
  15. 컴퓨터 프로그램 제품으로서,
    비일시적 컴퓨터 판독가능 매체에 인코딩된 복수의 명령어들을 포함하고,
    상기 복수의 명령어들은 하나 이상의 컴퓨터로 하여금:
    연마를 겪고 있는 기판으로부터 반사된 광의 시험 스펙트럼들의 시퀀스를 수신하고;
    인-시튜 비-광학 모니터링 시스템으로부터 상기 기판으로부터의 시험 값들의 시퀀스를 수신하고;
    연마 전에 상기 기판에 대한 초기 특징화 값 또는 연마 후에 상기 기판에 대한 최종 특징화 값 중 적어도 하나를 엑스-시튜 계측 시스템으로부터 수신하고;
    시험 값들의 상기 시퀀스 및 상기 초기 특징화 값 및/또는 상기 최종 특징화 값에 기초하여 훈련 값들의 시퀀스를 계산하고;
    신경망의 훈련을 위한 훈련 데이터 세트를 제공하기 위해 스펙트럼들 값의 상기 시퀀스로부터의 각각의 스펙트럼을 훈련 값들의 상기 시퀀스로부터의 훈련 값과 연관시키게 하는, 컴퓨터 프로그램 제품.
  16. 제15항에 있어서,
    연마 시간을 복수의 세그먼트들로 분할하기 위한 명령어들을 포함하는, 컴퓨터 프로그램 제품.
  17. 제16항에 있어서,
    제1 함수에 따라 상기 복수의 세그먼트들 중 제1 세그먼트에서의 제1 다수의 훈련 값들을 계산하고, 상이한 제2 함수에 따라 상기 복수의 세그먼트들 중 제2 세그먼트에서의 제2 다수의 훈련 값들을 계산하기 위한 명령어들을 포함하는, 컴퓨터 프로그램 제품.
  18. 제17항에 있어서,
    상기 제1 함수가 상기 복수의 세그먼트들 사이의 경계 시간에서 상기 제2 함수와 동일하다는 제약에 따라 상기 복수의 훈련 값들을 계산하기 위한 명령어들을 포함하는, 컴퓨터 프로그램 제품.
  19. 제17항에 있어서,
    상기 제1 함수가 스펙트럼들의 시퀀스 중 처음 것에 대응하는 시간에서 상기 초기 특징화 값을 생성하고/거나 상기 제2 함수가 스펙트럼들의 상기 시퀀스 중 마지막 것에 대응하는 종료 시간에서 상기 최종 특징화 값을 생성한다는 제약에 따라 상기 복수의 훈련 값들을 계산하기 위한 명령어들을 포함하는, 컴퓨터 프로그램 제품.
  20. 화학적 기계적 연마 시스템으로서,
    연마 패드를 지지하기 위한 플래튼;
    기판을 상기 연마 패드에 대해 유지하기 위한 캐리어 헤드;
    상기 플래튼과 상기 캐리어 헤드 사이의 상대 운동을 생성하기 위한 모터;
    연마 동안 상기 기판으로부터 반사된 광의 스펙트럼들의 시퀀스를 측정하기 위한 인-시튜 분광 모니터링 시스템; 및
    복수의 입력 노드들 및 출력 노드를 갖는 인공 신경망 - 상기 인공 신경망은 훈련 데이터 세트를 사용하여 훈련되고, 상기 훈련 데이터 세트는 복수의 훈련 스펙트럼들 및 복수의 훈련 값들을 포함하고, 상기 복수의 훈련 값들은 엑스-시튜 계측 시스템으로부터의 초기 특징화 값 및/또는 최종 특징화 값 및 비-광학 인-시튜 모니터링 시스템에 의해 측정된 시험 값들의 시퀀스로부터 두께 예측 모듈에 의해 생성됨 -
    을 포함하는, 화학적 기계적 연마 시스템.
KR1020237001593A 2021-03-03 2022-02-16 분광 모니터링을 위한 기계 학습 시스템을 위한 훈련 스펙트럼들을 표지하기 위한 인-시튜 모니터링 KR20230025450A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202163155926P 2021-03-03 2021-03-03
US63/155,926 2021-03-03
PCT/US2022/016657 WO2022186988A1 (en) 2021-03-03 2022-02-16 In-situ monitoring to label training spectra for machine learning system for spectrographic monitoring

Publications (1)

Publication Number Publication Date
KR20230025450A true KR20230025450A (ko) 2023-02-21

Family

ID=83116191

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237001593A KR20230025450A (ko) 2021-03-03 2022-02-16 분광 모니터링을 위한 기계 학습 시스템을 위한 훈련 스펙트럼들을 표지하기 위한 인-시튜 모니터링

Country Status (7)

Country Link
US (1) US20220283082A1 (ko)
EP (1) EP4301548A1 (ko)
JP (1) JP2023538197A (ko)
KR (1) KR20230025450A (ko)
CN (1) CN115099386A (ko)
TW (1) TW202239524A (ko)
WO (1) WO2022186988A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024067256A (ja) * 2022-11-04 2024-05-17 株式会社荏原製作所 研磨装置、情報処理装置及びプログラム
CN116141205B (zh) * 2022-11-23 2023-10-17 江苏宇佳智能装备有限公司 一种用于磨削液处理系统的智能监控管理平台
CN116504665A (zh) * 2023-06-28 2023-07-28 全芯智造技术有限公司 Cmp工艺预测、预测模型训练方法及装置、计算设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3439324B2 (ja) * 1997-06-26 2003-08-25 株式会社ノリタケカンパニーリミテド 砥石寿命判定装置
US10795346B2 (en) * 2018-03-13 2020-10-06 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
KR20210014747A (ko) * 2018-06-28 2021-02-09 어플라이드 머티어리얼스, 인코포레이티드 분광 모니터링을 위한 기계 학습 시스템을 위한 훈련 스펙트럼 생성
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP7173916B2 (ja) * 2019-04-04 2022-11-16 ファナック株式会社 機械学習装置および機械学習方法

Also Published As

Publication number Publication date
EP4301548A1 (en) 2024-01-10
WO2022186988A1 (en) 2022-09-09
CN115099386A (zh) 2022-09-23
JP2023538197A (ja) 2023-09-07
TW202239524A (zh) 2022-10-16
US20220283082A1 (en) 2022-09-08

Similar Documents

Publication Publication Date Title
KR102556340B1 (ko) 신경망을 사용한 분광 모니터링
KR102666904B1 (ko) 반도체 처리의 모니터링을 위한 기계 학습 시스템들
US11507824B2 (en) Training spectrum generation for machine learning system for spectrographic monitoring
KR20230025450A (ko) 분광 모니터링을 위한 기계 학습 시스템을 위한 훈련 스펙트럼들을 표지하기 위한 인-시튜 모니터링
KR20240089695A (ko) 반도체 처리의 모니터링을 위한 기계 학습 시스템들