KR20230028472A

KR20230028472A - 열 이미지의 머신 러닝 기반 처리를 사용하는 화학 기계적 연마 공정 모니터링

Info

Publication number: KR20230028472A
Application number: KR1020237002513A
Authority: KR
Inventors: 토마스 에이치. 오스터헬드; 벤자민 체리안
Original assignee: 어플라이드 머티어리얼스, 인코포레이티드
Priority date: 2021-04-30
Filing date: 2022-04-27
Publication date: 2023-02-28
Also published as: US20220347813A1; WO2022232290A1; CN115884848A; EP4329981A1; TW202300279A; JP2023540839A

Abstract

화학 기계적 연마 장치는 연마 패드를 유지하기 위한 상단 표면을 갖는 플래튼; 연마 공정 동안 연마 패드의 연마 표면에 맞닿게 기판을 유지하기 위한 캐리어 헤드; 플래튼 상의 연마 패드의 일 부분의 시야를 갖도록 플래튼 위에 위치된 비접촉식 열 이미징 카메라를 포함하는 온도 모니터링 시스템; 및 제어기를 포함한다. 제어기는, 온도 모니터링 시스템으로부터 열 이미지를 수신하고, 열 이미지를, 1) 공정 이탈의 존재, 2) 기판 상태, 또는 3) 공정 이탈에 대한 진단 중 하나 이상에 대한 표시를 결정하기 위해 훈련 예들에 의해 훈련된 머신 러닝 모델에 입력하고, 이 표시를 머신 러닝 모델로부터 수신하도록 구성된다.

Description

열 이미지의 머신 러닝 기반 처리를 사용하는 화학 기계적 연마 공정 모니터링

본 개시내용은 화학 기계적 연마(CMP)에 관한 것이고, 더 구체적으로는 공정 드리프트(process drift) 또는 공정 비정상(process abnormality)을 검출하기 위한 모니터링에 관한 것이다.

집적 회로는 전형적으로, 규소 웨이퍼 상에 전도층, 반도체 층, 또는 절연층을 순차적으로 퇴적함으로써 기판 상에 형성된다. 기판 표면의 평탄화가 필러 층의 제거를 위해 또는 집적 회로의 제조 동안 포토리소그래피를 위한 평탄도를 개선하기 위해 요구될 수 있다.

화학 기계적 연마(CMP)는 허용되는 평탄화 방법 중 하나이다. 이 평탄화 방법은 전형적으로 기판이 캐리어 또는 연마 헤드 상에 장착될 것을 요구한다. 기판의 노출된 표면은 전형적으로, 회전 연마 패드에 맞닿게 배치된다. 캐리어 헤드는, 기판을 연마 패드에 대해 누르기 위해, 제어 가능한 부하를 기판 상에 제공한다. 전형적으로, 연마재 연마 슬러리(abrasive polishing slurry)가 연마 패드의 표면에 공급된다.

연마 동안 기판 층의 두께를 측정하기 위해, 다양한 인-시튜 모니터링 시스템들, 예를 들어, 광학 또는 와전류 모니터링 시스템들이 사용될 수 있다. 적외선 카메라를 이용한 기판의 열 이미징이 또한 제안되었다.

병행 문제로서, GPU(Graphical Processing Units) 및 TPU(Tensor Processing Units)과 같은 하드웨어 리소스들에서의 진보들은 딥 러닝 알고리즘들 및 그 응용들에서의 방대한 개선을 초래했다. 딥 러닝의 진화하는 분야들 중 하나는 컴퓨터 비전 및 이미지 인식이다. 그러한 컴퓨터 비전 알고리즘들은 주로 이미지 분류 또는 세그먼테이션을 위해 설계된다.

일 양태에서, 화학 기계적 연마 장치는 연마 패드를 유지하기 위한 상단 표면을 갖는 플래튼; 연마 공정 동안 연마 패드의 연마 표면에 맞닿게 기판을 유지하기 위한 캐리어 헤드; 플래튼 상의 연마 패드의 일 부분의 시야를 갖도록 플래튼 위에 위치된 비접촉식 열 이미징 카메라를 포함하는 온도 모니터링 시스템; 및 제어기를 포함한다. 제어기는, 온도 모니터링 시스템으로부터 열 이미지를 수신하고, 열 이미지를, 1) 공정 이탈의 존재, 2) 기판 상태, 또는 3) 공정 이탈에 대한 진단 중 하나 이상에 대한 표시(indication)를 결정하기 위해 훈련 예들에 의해 훈련된 머신 러닝 모델에 입력하고, 이 표시를 머신 러닝 모델로부터 수신하도록 구성된다.

구현예들은 이하의 것들 중 하나 이상을 포함할 수 있다. 머신 러닝 모델은 인공 신경망일 수 있다. 인공 신경망은, 열 이미지로부터 강도 값들을 수신하기 위한 복수의 입력 노드들을 갖는 입력 계층, 표시를 나타내는 값을 출력하기 위한 출력 노드를 갖는 출력 계층, 및 입력 계층과 출력 계층 사이의 하나 이상의 은닉 계층을 가질 수 있다.

구현예들은 이하의 잠재적인 이점들 중 하나 이상을 포함할 수 있지만, 이에 제한되지는 않는다. 연마 패드에 걸친 공정 변동들은 저비용으로 모니터링될 수 있다. 공정 변동들은 인-시튜 기판 모니터링 시스템들보다 더 직접적인 접근법으로 검출될 수 있고, 따라서 공정 변동들의 검출이 더 신뢰적일 수 있다. 이는, 연마 공정의 예측 가능성을 향상시키고 웨이퍼-내 균일성을 향상시킬 수 있다.

공정 동안 지정된 시간 간격들로 패드의 열 이미지들을 취하기 위해, 저비용 적외선(IR) 카메라가 연마 표면에 평행한 축을 중심으로 패드 위에 장착될 수 있다. 이로 인해, 연마의 다수의 이미지, 예를 들어 수백 개의 열 이미지를 수집할 수 있다. 열 이미지들을 머신 러닝 공정에 대한 입력으로서 사용함으로써, 공정 비정상들이 더 잘 이해될 수 있다.

설명된 접근법은, 수집된 이미지들을 재구성하고 입력 이미지에 기초하여 웨이퍼의 상태를 출력하도록 모델을 훈련시키는 데 사용될 수 있다. 이는, 연마 공정에서 편차들을 야기하는 물리적 비정상들을 이해하기 위한 더 복잡한 모델의 훈련을 용이하게 할 수 있다. 예를 들어, 수집된 이미지들을 입력으로서 이용함으로써, 설명된 접근법은 웨이퍼 균일성 드리프트들, 플래튼 하드웨어 및 패드 컨디셔닝과 관련한 잠재적 문제들, 유지 링 및 헤드 압력에서의 변동과 관련한 잠재적 문제들, 및 처리 동안의 다른 문제들을 모니터링할 수 있다.

계측 시스템에서의 딥 러닝은 높은 추론 속도를 가질 수 있고, 공정 문제들 및 드리프트의 고해상도 모니터링을 여전히 달성할 수 있다. 이로 인해, 계측 시스템은 공정 하드웨어 성능의 문제들이 감소된, 메모리 애플리케이션들(memory applications)을 위한 고속 및 저비용의 계측전 및 계측후 측정 툴이 될 수 있다.

하나 이상의 실시예의 세부 사항들이 이하의 설명 및 첨부 도면들에 개시된다. 다른 특징들, 목적들 및 이점들은 이러한 설명 및 도면들로부터, 그리고 청구항들로부터 명백해질 것이다.

도 1a는 예시적인 연마 장치의 개략적인 단면도이다.
도 1b는 도 1a의 예시적인 연마 장치의 개략적인 평면도이다.
도 2는 딥 러닝 접근법을 사용하여 공정 드리프트를 검출하는 방법에 대한 흐름도를 예시한다.
도 3은 연마 장치를 위한 제어기의 일부로서 사용되는 신경망을 예시한다.

다양한 도면에서 유사한 참조 부호는 유사한 요소를 나타낸다.

화학 기계적 연마 동안, 다양한 문제가, 예상된 공정으로부터의 벗어남("이탈(excursion)")을 야기할 수 있다. 예를 들어, 연마 속도가 예상 속도에서 벗어날 수 있거나, 불균일한 연마 속도가 발생할 수 있다. 연마 속도의 변동이 인-시튜 기판 모니터링 시스템, 예를 들어, 광학 또는 와전류 모니터링 시스템을 사용하여 검출될 수 있지만, 그러한 시스템은 공정 이탈의 사전 경고를 제공하지 않거나 이탈의 근본 원인을 식별하기에 충분한 정보를 제공하지 않을 수 있다.

그러나, 공정 이탈을 검출하고 잠재적으로 식별하기 위해, 연마 패드의 열 이미징이 이용될 수 있다. 연마 공정 동안, 기판의 표면과 연마 패드 사이의 마찰로 인해 상당한 양의 열이 발생된다. 패드 온도가 예상대로 거동하지 않는 경우, 이는 공정 이탈 및 기저 문제를 나타낼 수 있다. 적외선 카메라는 연마 패드의 열 이미지를 수집하기 위해 연마 패드 위에, 예를 들어, 캐리어 헤드의 바로 "하류"에 위치될 수 있다. 연마 패드의 수집된 열 이미지를 머신 러닝 시스템에 대한 입력으로서 사용함으로써, 공정 이탈이 검출될 수 있다. 또한, 열 이미지는 기판에 걸친 연마 속도에서의 드리프팅(drifting), 및/또는 플래튼 하드웨어, 패드 컨디셔닝, 유지 링 또는 캐리어 헤드 압력과 관련한 잠재적 문제들을 식별 또는 모니터링하기 위해 이용될 수 있다.

도 1a 및 도 1b는 화학 기계적 연마 시스템의 연마 스테이션(20)의 일 예를 예시한다. 연마 스테이션(20)은, 상부에 연마 패드(30)가 위치하는 회전 가능한 디스크-형상 플래튼(24)을 포함한다. 플래튼(24)은 축(25)을 중심으로 회전하도록 동작 가능하다. 예를 들어, 모터(22)는, 구동 샤프트(28)를 회전시켜 플래튼(24)을 회전시킬 수 있다(화살표(C)). 연마 패드(30)는 외측 연마 층(34) 및 더 연질인 지지 층(32)을 갖는 2층 연마 패드일 수 있다.

연마 스테이션(20)은, 연마재 슬러리와 같은 연마 액체(38)를 연마 패드(30) 상에 분배하기 위해, 예를 들어, 슬러리 공급 암(39)의 단부에 공급 포트를 포함할 수 있다. 캐리어 헤드(70)가, 연마 패드(30)에 맞닿게 기판(10)을 유지하도록 동작 가능하다. 캐리어 헤드(70)는 지지 구조(72), 예를 들어, 캐러셀(carousel) 또는 트랙에 현수되고, 캐리어 헤드가 축(71)(화살표(D))을 중심으로 회전할 수 있도록, 구동 샤프트(74)에 의해 캐리어 헤드 회전 모터(76)에 연결된다. 선택적으로, 캐리어 헤드(70)는, 캐러셀 자체의 회전 왕복진동(rotational oscillation)에 의해, 또는 트랙을 따른 이동에 의해, 예를 들어, 캐러셀 상의 슬라이더 상에서 측방향으로 왕복진동할 수 있다.

캐리어 헤드(70)는 기판을 유지하기 위한 유지 링(84)을 포함할 수 있다. 일부 구현예들에서, 유지 링(84)은 연마 패드와 접촉하는 하위 플라스틱 부분(86), 및 더 경질인 재료의 상부 부분(88)을 포함할 수 있다.

동작 시, 플래튼은 플래튼의 중심 축(25)을 중심으로 회전되며, 캐리어 헤드는 캐리어 헤드의 중심 축(71)을 중심으로 회전되고, 연마 패드(30)의 상단 표면에 걸쳐 측방향으로 병진된다.

캐리어 헤드(70)는, 기판(10)의 후방 측과 접촉하기 위한 기판 장착 표면을 갖는 가요성 멤브레인(80), 및 기판(10) 상의 상이한 구역들, 예를 들어 상이한 반경방향 구역들에 상이한 압력들을 인가하기 위한 복수의 가압 가능 챔버들(82)을 포함할 수 있다. 캐리어 헤드는 또한, 기판을 유지하기 위한 유지 링(84)을 포함할 수 있다.

연마 시스템(20)은 또한, 연마 패드(30) 및/또는 연마 패드 상의 슬러리(38)의 온도를 제어하기 위한 온도 제어 시스템(100)을 포함한다. 온도 제어 시스템(100)은 냉각 시스템(102) 및/또는 가열 시스템(104)을 포함할 수 있다. 일부 구현예들에서, 냉각 시스템(102) 및 가열 시스템(104) 중 하나 또는 둘 모두는, 온도 제어 매체, 예를 들어 액체, 증기 또는 분무를 연마 패드(30)의 연마 표면(36) 상에(또는 연마 패드 상에 이미 존재하는 연마 액체 상에) 전달함으로써 동작한다. 예를 들어, 온도 제어 매체를 분배, 예를 들어 분무하기 위해 다수의 노즐들(120)이 암(110)으로부터 현수될 수 있다. 대안적으로, 냉각 시스템(102) 및 가열 시스템(104) 중 적어도 하나가, 그리고 일부 구현예들에서는 양자 모두가 전도에 의해 연마 패드의 온도를 수정하기 위해, 연마 패드와 접촉하는 온도 제어형 플레이트를 이용함으로써 동작한다. 예를 들어, 가열 시스템(104)은, 고온 플레이트, 예를 들어, 저항 가열을 갖는 플레이트 또는 가열 액체를 운반하는 채널들을 갖는 플레이트를 사용할 수 있다. 예를 들어, 냉각 시스템(102)은 냉각 플레이트, 예를 들어, 열전 플레이트 또는 냉각제 액체를 운반하는 채널들을 갖는 플레이트를 사용할 수 있다. 또 다른 대안으로서, 온도 제어 시스템(100)은, 플래튼(24)에 매립된 가열기, 예를 들어 저항성 가열기를 포함할 수 있거나, 온도 제어 유체가 플래튼(24)의 도관들을 통해 유동할 수 있다.

도 1b는 각각의 서브시스템, 예를 들어 가열 시스템(102), 냉각 시스템(104) 및 린스 시스템에 대한 별개의 암들을 도시하지만, 다양한 서브시스템들이 공통의 암에 의해 지지되는 단일 조립체에 포함될 수 있다. 예를 들어, 조립체는 냉각 모듈, 린스 모듈, 가열 모듈, 슬러리 전달 모듈, 및 선택적으로는 와이퍼 모듈을 포함할 수 있다.

도 1a 및 도 1b를 참조하면, 연마 스테이션(20)은 온도 모니터링 시스템(150)을 갖는다. 온도 모니터링 시스템(100)은, 연마 패드(30) 위에 위치되는 IR 카메라(180)를 포함한다. IR 카메라(180)는 연마 패드(30)의 부분(190)의 시야(195)를 갖는다. 일부 구현예들에서, 예를 들어 도 1a에 도시된 바와 같이, IR 카메라(180)는 모니터링되고 있는 패드의 부분을 변경하도록 이동 가능하다. 예를 들어, IR 카메라(180)는, 연마 패드(30)의 상이한 부분들에 걸쳐 시야(195)를 스위핑하도록, 액추에이터(162)에 의해 회전 가능하거나(화살표(160)로 도시됨) 측방향으로 이동 가능할(화살표(165)로 도시됨) 수 있다. 대안적으로, IR 카메라(180)는 위치가 고정될 수 있지만, 관심 영역, 예를 들어 연마 패드의 회전 축으로부터 패드 에지까지 반경방향으로 연장되는 구역을 커버하도록(예를 들어, 도 1b에 도시된 바와 같이) 충분히 넓은 시야(195)를 가질 수 있다. IR 카메라(180) 및 그 시야(195)는 캐리어 헤드(70)의 바로 "하류"에, 즉 플래튼(24) 및 연마 패드(30)의 회전 방향(화살표 C)을 더 멀리에 있을 수 있다. 특히, 시야(195)는 캐리어 헤드(70)와 온도 제어 시스템(100)의 암(들) 사이에 있다.

제어기(90)는 카메라(180)로부터 이미지들을 수신하고, 모니터링되고 있는 부분(190)의 위치를 제어하도록 액추에이터(들)를 동작시키게 구성될 수 있다.

도 2는 공정 이탈들을 검출하는 데 사용하기 위한 머신 러닝 기법들에 의해 생성된 알고리즘을 사용하는 이미지 처리의 방법(200)을 예시한다.

연마 패드의 영역의 열 이미지들은 기판 처리 동안 IR 카메라로부터 다수 회 수집된다(단계 202). IR 카메라가 연마 패드를 가로질러 이동하는 경우, 선택적으로 제어기는 다수의 개별 이미지를 단일의 2차원 열 이미지로 스티칭(stitching)할 수 있지만, IR 카메라가 관심 영역을 커버하기에 충분히 넓은 시야를 갖는 경우에 이는 필요하지 않을 수 있다.

선택적으로, 제어기는 수집된 이미지에 치수 감소를 적용할 수 있다(단계 204). 이미지 또는 치수 감소된 이미지는, 머신 러닝 기법들에 의해 생성된 알고리즘, 예를 들어 신경망에 입력된다(단계 206). 알고리즘이 어떻게 훈련되는지에 따라, 알고리즘은 1) 공정 이탈의 유/무의 표시, 2) 기판 상태의 표시, 또는 3) 공정 이탈에 대한 진단 중 하나 이상을 출력할 수 있다.

알고리즘, 예를 들어 신경망은, 열 이미지의 입력에 기초하여 표시 또는 진단을 출력하도록 훈련될 수 있다. 알고리즘은, 예를 들어, 훈련 데이터 세트로 역전파를 사용하는 훈련 모드에서 훈련될 수 있다. 훈련 데이터 세트는 훈련 열 이미지들 및 훈련 값들을 포함하며, 각각의 훈련 열 이미지는 연관된 훈련 값을 갖는다. 일부 구현예들에서, 알고리즘은 테스트 기판의 연마 동안 다수의 상이한 시간으로부터의 연마 패드의 열 이미지들을 갖는 훈련 데이터 세트를 이용한다. 일부 구현예들에서, 훈련 값들은 단지 2개의 상태들, 예를 들어, "정상" 또는 "비정상" 중 하나이다. 일부 구현예들에서, 훈련 값들은 단지 3개의 상태들 중 하나이다.

일부 구현예들에서, 훈련 값들은 공정 이탈의 유무, 예를 들어 "비정상" 또는 "정상"을 나타낸다. 따라서, 알고리즘은 입력 열 이미지에 기초하여 "정상" 또는 "정상이 아님/비정상" 표시를 출력하도록 훈련될 수 있다. 이는, 알고리즘이 공정 이탈의 유무를 출력하는 것을 허용할 것이다.

일부 구현예들에서, 훈련 값들은 웨이퍼 상태, 예를 들어 "균일", "과다연마" 또는 "과소연마"를 나타낸다. 따라서, 알고리즘은 입력 열 이미지에 기초하여 "균일", "과다연마" 또는 "과소연마" 표시를 출력하도록 훈련될 수 있다. 이로 인해, 알고리즘은 예상되는 웨이퍼 상태를 출력할 수 있게 될 것이다.

일부 구현예들에서, 훈련 값들은 이탈의 원인, 예를 들어, "정상", "유지 링 마모", "너무 느린 플래튼 회전", "잘못된 압력의 캐리어 헤드 챔버" 등을 표시한다. 따라서, 알고리즘은, 입력 열 이미지에 기초하여, "정상", "유지 링 마모", "너무 느린 플래튼 회전", "잘못된 압력의 캐리어 헤드 챔버" 등의 표시를 출력하도록 훈련될 수 있다. 이로 인해, 알고리즘은 이탈의 원인을 나타내는 출력을 생성할 수 있게 될 것이다.

일부 구현예들에서, 측정된 이미지들은 클러스터들로 그룹화된다. 감소된 이미지들 또는 클러스터들은 알고리즘에 의해 분석되고, 공정 이탈, 공정 이탈의 원인, 또는 기판의 상태와 연관된다. 딥 러닝 기반 알고리즘, 예를 들어, 신경망은 훈련 데이터 세트를 사용하여 훈련된다. 훈련 데이터 세트는, 모델을 훈련시키는 동안, 다양한 시간 스탬프들로 라벨링된 건식 계측 툴(dry metrology tool)로부터의 연마 패드의 중심에 대응하는 열 측정들을 갖는 이미지들을 포함한다. 예를 들어, 모델은 광범위한 상태들 또는 비정상들을 갖는 수집된 약 50,000개의 이미지들에 대해 훈련될 수 있다.

도 3은 연마 장치(100)를 위한 제어기(190)의 일부로서 사용되는 신경망(320)을 예시한다. 신경망(320)은, 공정 드리프트를 예측하기 위한 모델을 생성하기 위해, 연마 패드로부터의 입력 열 이미지들의 회귀 분석을 위해 개발된 심층 신경망일 수 있다.

신경망(320)은 복수의 입력 노드들(322)을 포함한다. 신경망(320)은, 입력 컬러 이미지의 각각의 픽셀과 연관된 각각의 컬러 채널에 대한 입력 노드, 복수의 은닉 노드들(324)(아래에서 "중간 노드들"로도 지칭됨), 및 공정 측정 값을 생성할 출력 노드(326)를 포함할 수 있다. 은닉 노드들의 단일 계층을 갖는 신경망에서, 각각의 은닉 노드(324)는 각각의 입력 노드(322)에 결합될 수 있고, 출력 노드(326)는 각각의 은닉 노드(320)에 결합될 수 있다. 그러나, 실제적인 문제로서, 이미지 처리를 위한 신경망은 많은 계층의 은닉 노드들(324)을 가질 가능성이 있다.

일반적으로, 은닉 노드(324)는, 입력 노드들(322) 또는 은닉 노드(324)가 연결된 은닉 노드들의 이전 계층들로부터의 값들의 가중된 합의 비선형 함수인 값을 출력한다.

예를 들어, 노드 k로 지명된, 제1 계층의 은닉 노드(324)의 출력은 다음과 같이 표현될 수 있다:

식 1

여기서, tanh는 쌍곡선 탄젠트이고, akx는 k번째 중간 노드와 (M개의 입력 노드 중) x번째 입력 노드 사이의 연결에 대한 가중치이고, IM은 M번째 입력 노드에서의 값이다. 그러나, tanh 대신에 다른 비선형 함수들, 예를 들어, ReLU(rectified linear unit) 함수 및 그의 변형들이 사용될 수 있다.

따라서, 신경망(320)은 입력 열 이미지의 각각의 픽셀과 연관된 각각의 컬러 채널에 대한 입력 노드(322)를 포함하는데, 예를 들어, J개의 픽셀 및 K개의 컬러 채널이 존재하는 경우, L=J*K는 입력 컬러 이미지 내의 강도 값들의 수이고, 신경망(320)은 적어도 입력 노드들 N1, N2 ... NL를 포함할 것이다.

따라서, 입력 노드의 수가 컬러 이미지의 강도 값의 수에 대응하는 경우, 은닉 노드(324), 즉, 지명된 노드(k)의 출력(Hk)은 다음과 같이 표현될 수 있다:

측정된 열 이미지(S)가 열 행렬(i1, i2, ..., iL)에 의해 표현된다고 가정하면, 중간 노드(324), 즉, 지명된 노드(k)의 출력은 다음과 같이 표현될 수 있다:

식 2

여기서, V는 가중치들의 값(v1, v2, ..., vL)이고, Vx는 컬러 이미지로부터의 L개의 강도 값들 중 x번째 강도 값에 대한 가중치이다.

출력 노드(326)는 은닉 노드들의 출력들의 가중된 합인 표시 값(CV)을 생성할 수 있다. 예를 들어, 이는 다음과 같이 표현될 수 있다:

여기서, Ck는 k번째 은닉 노드의 출력에 대한 가중치이다.

표시 값들과 표시 값들에 대한 텍스트 설명들 사이의 대응관계가 룩업 테이블에 저장될 수 있다.

그러나, 신경망(320)은 다른 데이터를 수신하기 위해 하나 이상의 다른 입력 노드(예를 들어, 노드(322a))를 선택적으로 포함할 수 있다. 이러한 다른 데이터는 인-시튜 모니터링 시스템에 의한 연마 패드의 앞선 측정으로부터의 것일 수 있으며, 예를 들어, 공정에서 더 일찍 수집된 픽셀 강도 값들, 예를 들어, 연마 시스템 내의 다른 센서로부터의, 다른 기판의 처리 동안 수집된 픽셀 강도 값들, 예를 들어, 연마 시스템을 제어하기 위해 이용되는 제어기에 의해 저장된 연마 레시피로부터의, 온도 센서에 의한 패드 또는 기판의 온도의 측정치, 예를 들어, 제어기에 의해 추적된 변수로부터의, 기판을 연마하기 위해 이용되는 캐리어 헤드 압력 또는 플래튼 회전율과 같은 연마 파라미터, 예를 들어, 패드가 변경된 이후의 기판들의 수, 또는 연마 시스템의 일부가 아닌 센서로부터의, 예를 들어, 계측 스테이션에 의한 하부 필름들(underlying films)의 두께의 측정치일 수 있다. 이로 인해, 신경망(320)은 이탈의 원인과 같은 표시의 결정에 있어 다른 처리 또는 환경 변수를 고려할 수 있다.

출력 노드(326)에서 생성된 공정 비정상 표시는 공정 제어 모듈(330)에 공급될 수 있다. 공정 제어 모듈은, 비정상 표시에 기초하여, 공정 파라미터들, 예를 들어 캐리어 헤드 압력, 플래튼 회전율 등을 조정할 수 있다. 기판 또는 후속 기판에 대해 수행될 연마 공정에 대해 이러한 조정이 수행될 수 있다.

훈련을 위해, 신경망(320)이 훈련 모드, 예를 들어, 역전파 모드에서 작동하는 동안, 열 이미지로부터의 값들(v1, v2, ..., vL)이 각각의 입력 노드들(N1, N2 ... NL)에 공급되는 한편, 표시를 나타내는 특성 값(CV)이 출력 노드(326)에 공급된다. 이는 각각의 열에 대해 반복될 수 있다. 이 프로세스는 상기 식 1 또는 2에서 ak1 등에 대한 값들을 설정한다.

이제 시스템은 동작할 준비가 되었다. 열 이미지가 인-라인 모니터링 시스템(160) 또는 IR 카메라를 사용하여 연마 패드로부터 측정된다. 측정된 열 이미지는 열 행렬 S=(i1, i2, ..., iL)에 의해 표현될 수 있고, 여기서 ij는 L개의 강도 값 중 j번째 강도 값에서의 강도 값을 나타내고, 이미지가 총 n개의 픽셀을 포함하고 각 픽셀이 3개의 컬러 채널을 포함할 때 L=3n이다.

신경망(320)이 추론 모드에서 사용되는 동안, 이러한 값들(S1, S2, ..., SL)은 각각의 입력 노드들(N1, N2, ... NL)에 입력들로서 제공된다. 결과적으로, 신경망(320)은 출력 노드(326)에서, 예를 들어, 공정 비정상의 유무를 나타내는 특성 값을 생성한다.

신경망(320)의 아키텍처는 깊이 및 폭이 변할 수 있다. 예를 들어, 단일 열의 중간 노드들(324)을 갖는 신경망(320)이 도시되었지만, 신경망은 다수의 열들을 포함할 수 있다. 중간 노드들(324)의 개수는 입력 노드들(322)의 개수 이상일 수 있다.

전술된 연마 장치 및 방법들은 다양한 연마 시스템들에서 적용될 수 있다. 연마 패드, 또는 캐리어 헤드들, 또는 양자 모두는, 연마 표면과 기판 사이의 상대 운동을 제공하도록 이동할 수 있다. 예를 들어, 플래튼은 회전이 아니라 궤도를 따라 이동할 수 있다. 연마 패드는 플래튼에 고정된 원형(또는 일부 다른 형상) 패드일 수 있다. 연마 층은 표준(예를 들어, 필러들을 갖거나 갖지 않는 폴리우레탄) 연마 재료, 연질 재료, 또는 고정식-연마재 재료(fixed-abrasive material)일 수 있다.

상대적 위치설정의 용어들은 시스템 또는 기판 내에서의 상대적 위치설정을 지칭하기 위해 이용되고; 연마 표면 및 기판은 연마 동작 동안 수직 배향 또는 소정의 다른 배향으로 유지될 수 있다는 것이 이해되어야 한다.

제어기(90)의 기능적 동작들은, 하나 이상의 컴퓨터 프로그램 제품, 즉, 데이터 처리 장치, 예를 들어, 프로그램 가능 프로세서, 컴퓨터, 또는 다수의 프로세서들 또는 컴퓨터들에 의한 실행을 위해, 또는 그의 동작을 제어하기 위해, 비일시적 컴퓨터 판독 가능 저장 매체에 유형적으로 구체화된 하나 이상의 컴퓨터 프로그램을 사용하여 구현될 수 있다.

본 발명의 다수의 실시예들이 설명되었다. 그럼에도 불구하고, 본 발명의 사상 및 범위를 벗어나지 않고 다양한 수정들이 이루어질 수 있다는 것이 이해될 것이다. 따라서, 다른 실시예들은 이하의 청구항들의 범위 내에 있다.

측정에서의 오차들을 감소시키는 것을 목표로, 다양한 심층 모델 아키텍처들이 작은 다이 ILD0 테스트 패터닝된 기판들에 대해 훈련되고 검증되었다. 기저 계층의 특성들을 고려한 모델은 더 낮은 오차를 가졌다. 추가적으로, 예비 툴 간 일치(tool-to-tool matching) 검증은, 하나의 툴 상에서 수집된 데이터로 모델을 훈련시키고 다른 툴들로부터의 데이터에 대한 추론들에 이를 사용함으로써 수행되었다. 결과들은 동일한 툴로부터의 데이터를 이용한 훈련 및 추론에 필적했다.

일반적으로, CMP 장치의 하나 이상의 동작 파라미터를 제어하기 위해 데이터가 이용될 수 있다. 동작 파라미터들은, 예를 들어, 플래튼 회전 속도, 기판 회전 속도, 기판의 연마 경로, 플레이트에 걸친 기판 속도, 기판에 가해지는 압력, 슬러리 조성, 슬러리 유량, 및 기판 표면에서의 온도를 포함한다. 동작 파라미터들은 실시간으로 제어될 수 있고, 추가의 인간 개입을 필요로 하지 않고서 자동으로 조절될 수 있다.

본 명세서에서 사용될 때, 기판이라는 용어는 예를 들어 제품 기판(예를 들어 다수의 메모리 또는 프로세서 다이를 포함함), 테스트 기판, 베어 기판(bare substrate), 및 게이팅 기판(gating substrate)을 포함할 수 있다. 기판은 집적 회로 제조의 다양한 스테이지들에 있을 수 있는데, 예를 들어 기판은 베어 웨이퍼일 수 있거나, 하나 이상의 퇴적된 및/또는 패터닝된 층을 포함할 수 있다. 기판이라는 용어는 원형 디스크 및 직사각형 시트를 포함할 수 있다.

그러나, 전술된 컬러 이미지 처리 기법은 3D 수직 NAND(VNAND) 플래시 메모리의 맥락에서 특히 유용할 수 있다. 특히, VNAND의 제조에 사용되는 계층 스택은 너무 복잡하여 현재의 계측 방법들(예를 들어, 노바 스펙트럼 분석(Nova spectrum analysis))은 부적절한 두께의 영역들을 검출하는데 있어 충분한 신뢰성을 갖고 수행되지 못할 수 있다. 대조적으로, 컬러 이미지 처리 기법은 이러한 용례에서 우수한 신뢰성을 가질 수 있다.

본 명세서에 설명된 본 발명의 실시예들 및 기능적 동작들 전부는 디지털 전자 회로에서, 또는 본 명세서에 개시된 컴퓨터 소프트웨어, 펌웨어 또는 구조적 수단들 및 그들의 구조적 등가물들을 포함하는 하드웨어에서, 또는 이들의 조합에서 구현될 수 있다. 본 발명의 실시예들은, 하나 이상의 컴퓨터 프로그램 제품, 즉, 데이터 처리 장치, 예를 들어, 프로그램 가능 프로세서, 컴퓨터, 또는 다수의 프로세서들 또는 컴퓨터들에 의한 실행을 위해, 또는 그의 동작을 제어하기 위해, 비일시적 머신 판독 가능 저장 매체에 유형적으로 구체화된 하나 이상의 컴퓨터 프로그램으로서 구현될 수 있다.

상대적 위치설정의 용어들은 반드시 중력에 대한 것이 아니라, 시스템의 구성요소들의 서로에 대한 위치설정을 나타내기 위해 이용되며; 연마 표면 및 기판은 수직 배향 또는 일부 다른 배향들로 유지될 수 있다는 것이 이해되어야 한다.

다수의 구현예들이 설명되었다. 그럼에도 불구하고, 다양한 수정들이 이루어질 수 있다는 것이 이해될 것이다. 따라서, 다른 구현들은 청구항들의 범위 내에 있다.

Claims

화학 기계적 연마 장치로서,
연마 패드를 유지하기 위한 상단 표면을 갖는 플래튼;
연마 공정 동안 상기 연마 패드의 연마 표면에 맞닿게 기판을 유지하기 위한 캐리어 헤드;
상기 플래튼 상의 상기 연마 패드의 일 부분의 시야를 갖도록 상기 플래튼 위에 위치된 비접촉식 열 이미징 카메라를 포함하는 온도 모니터링 시스템; 및
상기 온도 모니터링 시스템으로부터 상기 열 이미지를 수신하고, 상기 열 이미지를, 1) 공정 이탈의 존재, 2) 기판 상태, 또는 3) 상기 공정 이탈에 대한 진단 중 하나 이상에 대한 표시를 결정하기 위해 훈련 예들에 의해 훈련된 머신 러닝 모델에 입력하고, 상기 표시를 상기 머신 러닝 모델로부터 수신하도록 구성되는 제어기를 포함하는, 장치.
제1항에 있어서,
상기 머신 러닝 모델은, 공정 이탈의 존재에 대한 표시를 결정하기 위해 상기 훈련 예들에 의해 훈련되는, 장치.
제1항에 있어서,
상기 머신 러닝 모델은, 기판 상태에 대한 표시를 결정하기 위해 상기 훈련 예들에 의해 훈련되는, 장치.
제3항에 있어서,
머신 러닝 모델은, 과소연마된 상태, 과다연마된 상태, 및 정상 상태를 포함하는 그룹으로부터 선택되는 상태를 결정하기 위해 상기 훈련 예들에 의해 훈련되는, 장치.
제1항에 있어서,
상기 머신 러닝 모델은, 공정 이탈에 대한 진단에 대한 표시를 결정하기 위해 상기 훈련 예들에 의해 훈련되는, 장치.
제1항에 있어서,
상기 머신 러닝 모델은 인공 신경망을 포함하는, 장치.
제6항에 있어서,
상기 신경망은, 열 이미지로부터 강도 값들을 수신하기 위한 복수의 입력 노드들을 갖는 입력 계층, 표시를 나타내는 값을 출력하기 위한 출력 노드를 갖는 출력 계층, 및 상기 입력 계층과 상기 출력 계층 사이의 하나 이상의 은닉 계층을 포함하는, 장치.
제1항에 있어서,
상기 제어기는, 상기 열 이미지를 치수적으로 감소시키고 상기 치수적으로 감소된 열 이미지를 상기 머신 러닝 모델에 입력하도록 구성되는, 장치.
컴퓨터 판독 가능 매체에 유형적으로 구체화된 컴퓨터 프로그램 제품으로서, 하나 이상의 컴퓨터로 하여금,
온도 모니터링 시스템으로부터 열 이미지를 수신하고;
상기 열 이미지를 1) 공정 이탈의 존재, 2) 기판 상태, 또는 3) 공정 이탈에 대한 진단 중 하나 이상에 대한 표시를 결정하기 위해 훈련 예들에 의해 훈련된 머신 러닝 모델에 입력하고;
상기 머신 러닝 모델로부터 상기 표시를 수신하게 하는, 명령어를 포함하는, 컴퓨터 프로그램 제품.
제9항에 있어서,
상기 머신 러닝 모델은, 공정 이탈의 존재에 대한 표시를 결정하기 위해 상기 훈련 예들에 의해 훈련되는, 컴퓨터 프로그램 제품.
제9항에 있어서,
상기 머신 러닝 모델은, 기판 상태에 대한 표시를 결정하기 위해 상기 훈련 예들에 의해 훈련되는, 컴퓨터 프로그램 제품.
제11항에 있어서,
머신 러닝 모델은, 과소연마된 상태, 과다연마된 상태, 및 정상 상태를 포함하는 그룹으로부터 선택되는 상태를 결정하기 위해 상기 훈련 예들에 의해 훈련되는, 컴퓨터 프로그램 제품.
제9항에 있어서,
상기 머신 러닝 모델은, 공정 이탈에 대한 진단에 대한 표시를 결정하기 위해 상기 훈련 예들에 의해 훈련되는, 컴퓨터 프로그램 제품.
제9항에 있어서,
상기 머신 러닝 모델은 인공 신경망을 포함하는, 컴퓨터 프로그램 제품.
제6항에 있어서,
상기 인공 신경망은 열 이미지로부터 강도 값들을 수신하기 위한 복수의 입력 노드들을 갖는 입력 계층, 표시를 나타내는 값을 출력하기 위한 출력 노드를 갖는 출력 계층, 및 상기 입력 계층과 상기 출력 계층 사이의 하나 이상의 은닉 계층을 포함하는, 컴퓨터 프로그램 제품.
제6항에 있어서,
상기 제어기는, 상기 열 이미지를 치수적으로 감소시키고 상기 치수적으로 감소된 열 이미지를 상기 머신 러닝 모델에 입력하도록 구성되는, 컴퓨터 프로그램 제품.
연마 장치를 동작시키는 방법으로서,
연마 패드로 기판을 연마하는 단계;
연마 동안 상기 연마 패드의 일 부분의 열 이미지를 획득하는 단계;
상기 열 이미지를, 1) 공정 이탈의 존재, 2) 기판 상태, 또는 3) 공정 이탈에 대한 진단 중 하나 이상에 대한 표시를 결정하기 위해 훈련 예들에 의해 훈련된 머신 러닝 모델에 입력하는 단계; 및
상기 머신 러닝 모델로부터 상기 표시를 수신하는 단계를 포함하는, 방법.
제16항에 있어서,
상기 머신 러닝 모델은, 공정 이탈의 존재에 대한 표시를 결정하기 위해 상기 훈련 예들에 의해 훈련되는, 방법.
제16항에 있어서,
상기 머신 러닝 모델은, 기판 상태에 대한 표시를 결정하기 위해 상기 훈련 예들에 의해 훈련되는, 방법.
제16항에 있어서,
상기 머신 러닝 모델은, 공정 이탈에 대한 진단에 대한 표시를 결정하기 위해 상기 훈련 예들에 의해 훈련되는, 방법.