KR20230135668A - 프로세스들의 하이브리드 물리/머신 러닝 모델링 - Google Patents

프로세스들의 하이브리드 물리/머신 러닝 모델링 Download PDF

Info

Publication number
KR20230135668A
KR20230135668A KR1020237029394A KR20237029394A KR20230135668A KR 20230135668 A KR20230135668 A KR 20230135668A KR 1020237029394 A KR1020237029394 A KR 1020237029394A KR 20237029394 A KR20237029394 A KR 20237029394A KR 20230135668 A KR20230135668 A KR 20230135668A
Authority
KR
South Korea
Prior art keywords
machine learning
model
outputs
physics
learning model
Prior art date
Application number
KR1020237029394A
Other languages
English (en)
Inventor
프라샨스 코트누르
카르틱 라마나단
아지트 발라크리슈나
카르틱 샤
우메쉬 켈카르
비쉬와스 판데이
프라순 슈클라
수실 아룬 사만트
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 KR20230135668A publication Critical patent/KR20230135668A/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0202—Two or more dimensional filters; Filters for complex signals
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0202—Two or more dimensional filters; Filters for complex signals
    • H03H2017/0205—Kalman filters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Drying Of Semiconductors (AREA)
  • Insulated Gate Type Field-Effect Transistor (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본원에서 설명되는 실시예들은 반도체 프로세싱 기기에서의 프로세스들을 모델링하기 위한 하이브리드 모델을 생성하기 위한 프로세스들을 포함한다. 특정한 실시예에서, 하이브리드 머신 러닝 모델을 생성하는 방법은 프로세스 및/또는 하드웨어 파라미터들의 제1 범위에 걸쳐 있는 사례들의 제1 세트를 식별하는 것, 및 사례들의 제1 세트에 대해 실험실에서 실험들을 실행하는 것을 포함한다. 방법은 실험들로부터의 실험 출력들을 컴파일하는 단계, 및 사례들의 제1 세트에 대한 물리 기반의 시뮬레이션들을 실행하는 단계를 더 포함할 수 있다. 일 실시예에서, 방법은 시뮬레이션들로부터의 모델 출력들을 컴파일하는 단계, 및 하이브리드 머신 러닝 모델을 제공하기 위해 머신 러닝 알고리즘을 사용하여 모델 출력들을 실험 출력들과 상관시키는 단계를 더 포함할 수 있다.

Description

프로세스들의 하이브리드 물리/머신 러닝 모델링
본 출원은 2021년 2월 3일자로 출원된 미국 특허 출원 번호 제17/166,965호에 대한 우선권을 주장하며, 이에 의해 그 전체 내용들은 참조에 의해 본원에 통합된다.
본 개시내용의 실시예들은 반도체 프로세싱의 분야에 관한 것으로, 특히, 가상 센서들의 사용 및 반도체 프로세싱 도구에서의 프로세스들의 하이브리드 모델링에 관한 것이다.
반도체 디바이스들이 더 작은 피처 사이즈들로 계속 발전함에 따라 반도체 기판 프로세싱은 복잡도가 증가하고 있다. 주어진 프로세스는 웨이퍼 상에서 소망되는 결과를 제공하기 위해 개별적으로 제어될 수 있는 많은 상이한 프로세스 파라미터들(즉, 노브(knob)들)을 포함할 수 있다. 예를 들면, 웨이퍼 상에서의 소망되는 결과는 피처 프로파일, 층의 두께, 층의 화학적 조성, 등을 지칭할 수 있다. 노브들의 수가 증가함에 따라, 프로세스를 튜닝하고 최적화하기 위해 이용 가능한 이론적 프로세스 공간은 기하급수적으로 커지고 있다.
반도체 프로세싱 도구에 대한 하드웨어 변경들이 이루어지는 경우, 새로운 하드웨어 셋업을 고려하기 위해 노브들은 변경될 필요가 있다. 하드웨어 변경들을 구현하는 비용에 기인하여, 하드웨어를 물리적으로 구축하기 이전에, 새로운 하드웨어의 성능을 예측하거나 또는 추정할 수 있는 것에 가치가 있다. 전통적인 접근법은 유사한 하드웨어에 대한 이전 실험들로부터 정성적 이해를 얻고, 새로운 하드웨어의 성능을 추정하기 위해 및/또는 새로운 프로세싱 파라미터들을 식별하기 위해 직관 및 시행착오(이들 둘 모두는 주관적일 수 있음)를 사용하는 것이다. 일부 애플리케이션들에서, 물리 모델들로부터의 통찰이 또한 사용될 수 있다. 그러나, 물리 기반의 접근법들은 불완전할 수 있거나 또는 전혀 다른 종류일 수 있다(예를 들면, 온도, 플라즈마, 및 흐름에 대한 별개의 모델들). 즉, 새로운 하드웨어에 대한 프로세스를 조정하기 위한 정량적이고 객관적인 경로를 제공하는 현존하는 접근법은 없다.
본원에서 설명되는 실시예들은 반도체 프로세싱 기기에서의 프로세스들을 모델링하기 위한 하이브리드 모델을 생성하기 위한 프로세스들을 포함한다. 특정한 실시예에서, 하이브리드 머신 러닝 모델을 생성하는 방법은 프로세스 및/또는 하드웨어 파라미터들의 제1 범위에 걸쳐 있는 사례들의 제1 세트를 식별하는 단계, 및 사례들의 제1 세트에 대해 실험실에서 실험들을 실행하는 단계를 포함한다. 방법은 실험들로부터의 실험 출력들을 컴파일(compile)하는 단계, 및 사례들의 제1 세트에 대한 물리 기반의 시뮬레이션(physics based simulation)들을 실행하는 단계를 더 포함할 수 있다. 일 실시예에서, 방법은 시뮬레이션들로부터의 모델 출력들을 컴파일하는 단계, 및 하이브리드 머신 러닝 모델을 제공하기 위해 머신 러닝 알고리즘을 사용하여 모델 출력들을 실험 출력들과 상관시키는 단계를 더 포함할 수 있다.
추가적인 실시예들은 가상 센서를 갖는 반도체 프로세싱 도구를 포함할 수 있다. 일 실시예에서, 반도체 프로세싱 도구는 챔버, 및 반도체 프로세싱 도구의 제어 변수를 변경하기 위한 컨트롤러를 포함한다. 일 실시예에서, 컨트롤러는 챔버로부터의 측정된 출력 변수와 출력 변수 설정치(set-point) 사이의 차이를 입력으로서 수신한다. 일 실시예에서, 반도체 프로세싱 도구는 출력 변수 설정치를 결정하기 위해 사용되는 추정된 시스템 상태 변수를 생성하기 위한 가상 센서를 더 포함한다.
추가적인 실시예들은 하이브리드 머신 러닝 모델을 생성하는 방법을 포함할 수 있다. 일 실시예에서, 방법은 프로세스 및/또는 하드웨어 파라미터들의 제1 범위에 걸쳐 있는 사례들의 제1 세트를 식별하는 단계, 및 사례들의 제1 세트에 대해 물리 기반의 시뮬레이션들을 실행하는 단계를 포함한다. 일 실시예에서, 방법은 물리 기반의 시뮬레이션으로부터의 출력들을 컴파일하는 단계, 및 차수 감소 물리 시뮬레이션 모델(reduced order physics simulation model)을 생성하기 위해 제1 머신 러닝 알고리즘을 사용하는 단계를 더 포함한다. 일 실시예에서, 방법은 프로세스 및/또는 하드웨어 파라미터들의 제2 범위에 걸쳐 있는 사례들의 제2 세트를 식별하는 단계 ― 사례들의 제2 세트는 사례들의 제1 세트보다 더 작음 ― , 및 사례들의 제2 세트에 대해 실험실에서 실험들을 실행하는 단계를 더 포함할 수 있다. 일 실시예에서, 방법은 실험들로부터의 실험 출력들을 컴파일하는 단계, 및 사례들의 제2 세트에 대해 물리 기반의 시뮬레이션들을 실행하는 단계를 더 포함할 수 있는데, 여기서 물리 기반의 시뮬레이션들은 차수 감소 물리 시뮬레이션 모델을 사용한다. 일 실시예에서, 방법은 시뮬레이션들로부터의 모델 출력들을 컴파일하는 단계, 및 하이브리드 머신 러닝 모델을 제공하기 위해 제2 머신 러닝 알고리즘을 사용하여 모델 출력들을 실험 출력들과 상관시키는 단계를 더 포함할 수 있다.
도 1a는 일 실시예에 따른, 차수 감소 물리 시뮬레이션 모델을 생성하기 위한 프로세스를 묘사하는 프로세스 흐름도이다.
도 1b는 일 실시예에 따른, 하이브리드 머신 러닝 모델을 생성하기 위한 프로세스를 묘사하는 프로세스 흐름도이다.
도 1c는 일 실시예에 따른, 새로운 프로세스 및/또는 하드웨어 컨디션들 상에서 하이브리드 머신 러닝 모델을 배치하기 위한 프로세스를 묘사하는 프로세스 흐름도이다.
도 2는 일 실시예에 따른, 라디칼 산화 도구의 사시도 예시이다.
도 3은 일 실시예에 따른, 라디칼 산화 도구에서의 하이브리드 모델의 사용을 예시하는 다이어그램이다.
도 4a 내지 도 4d는 다양한 실시예들에 따른, 실제 결과들과 비교한 하이브리드 모델의 예측들을 묘사하는 그래프들이다.
도 5a는 일 실시예에 따른, 가상 센서의 사용을 예시하는 제어 아키텍쳐이다.
도 5b는 일 실시예에 따른, 가상 센서를 통합하는 제어 아키텍쳐이다.
도 6은 일 실시예에 따른, 가상 센서 및 가상 센서 판독치들을 생성하는 모델들에 대한 업데이트들을 제공하기 위한 루프를 통합하는 제어 아키텍쳐의 더욱 상세한 예시이다.
도 7a는 일 실시예에 따른, 가상 센서 및 가상 센서 판독치들을 생성하기 위한 모델들에서 파라미터들을 업데이트하기 위한 컨트롤러를 갖는 제어 아키텍쳐이다.
도 7b는 일 실시예에 따른, 칼만(Kalman) 필터를 활용하는 컨트롤러 및 가상 센서를 갖는 제어 아키텍쳐이다.
도 8은 본 개시내용의 일 실시예에 따른, 예시적인 컴퓨터 시스템의 블록 다이어그램을 예시한다.
반도체 프로세싱 도구에서의 프로세싱 컨디션들 및 가상 센서들의 사용을 모델링하는 방법들이 본원에서 설명된다. 이하의 설명에서, 본 개시내용의 실시예들의 완전한 이해를 제공하기 위해, 다수의 특정한 세부사항들이 기술된다. 본 개시내용의 실시예들은 이들 특정한 세부사항들 없이도 실시될 수 있다는 것이 기술 분야에서 숙련된 자에게는 명백할 것이다. 다른 경우들에서, 본 개시내용의 실시예들을 불필요하게 모호하게 하지 않기 위해, 널리 공지된 양태들은 상세하게 설명되지 않는다. 더구나, 도면들에서 도시되는 다양한 실시예들은 예시적인 표현들이며 반드시 일정한 비율로 묘화되는 것은 아니다는 것이 이해되어야 한다.
상기에서 언급되는 바와 같이, 새로운 하드웨어 셋업의 성능을 추정하기 위한 또는 하드웨어 변경 이후 새로운 프로세싱 파라미터들을 제공하기 위한 정량적이고 객관적인 접근법은 없다. 그러한 만큼, 복잡하고 주관적인 프로세스 설계 기법들이 현재 사용된다. 이것은 비용이 많이 드는 프로세스 설계로 이어지고, 주어진 하드웨어 셋업에 대한 최적의 프로세싱 파라미터들을 식별할 수 없다. 추가적으로, 대량 제조(high volume manufacturing; HVM) 환경에서, 기판들에 대해 소망되는 프로세스를 실행하기 위해 다수의 도구들이 병렬로 사용될 수 있다. 도구들 각각에 대한 프로세싱 파라미터들은 상이하게 되는 것을 필요로 할 수 있다. 그러한 만큼, 각각의 도구는 비용이 많이 드는 프로세스 최적화들을 거쳐야만 한다.
따라서, 본원에서 개시되는 실시예들은 시스템의 하나 이상의 물리 기반의 모델들로부터 추출되는 피처들을 사용하는 머신 러닝 모델을 포함한다. 본원에서 설명되는 방법은 물리 기반의 모델들로부터 피처들을 추출하는 것 및 머신 러닝 알고리즘을 트레이닝시키기 위해 물리적 기판들의 프로세싱으로부터의 실험 데이터를 사용하는 것을 포함한다. 특히, 본원에서 개시되는 방법들은 물리 기반의 시뮬레이션들의 차수 감소 모델(reduced order model; ROM)을 생성하는 것, 및 하이브리드 머신 러닝 모델을 생성하기 위해 실험 데이터와 연계하여 ROM을 사용하는 것을 포함할 수 있다. 그 다음, 새로운 프로세스 컨디션들, 새로운 하드웨어, 또는 심지어 상이한 프로세싱 도구들에 대한 웨이퍼 상의 결과(on-wafer result)들을 예측하기 위해, 하이브리드 머신 러닝 모델이 배치될 수 있다.
하이브리드 머신 러닝 모델은 임의의 반도체 프로세싱 도구에 대해 생성될 수 있다. 예를 들면, 하이브리드 머신 러닝 모델은 증착 도구 또는 에칭 도구에 대해 사용될 수 있다. 특정한 실시예에서, 하이브리드 머신 러닝 모델은 라디칼 산화 도구에 대해 생성될 수 있다.
이제 도 1a를 참조하면, 일 실시예에 따른, 차수 감소 물리 시뮬레이션 모델을 형성하기 위한 프로세스(110)를 묘사하는 프로세스 흐름도가 도시되어 있다. 일 실시예에서, 프로세스(110)는 프로세스 및/또는 하드웨어 파라미터들의 넓은 범위에 걸쳐 있는 사례들의 세트를 식별하는 것을 포함하는 동작(111)으로 시작된다. 프로세스 및/또는 하드웨어 파라미터들이 컴퓨테이셔널하게(computationally) 모델링되고 있기 때문에, 프로세스 및/또는 하드웨어 파라미터들의 넓은 범위가 가능하다. 계산의 비용은 다양한 프로세스 및/또는 하드웨어 파라미터들을 사용하여 물리적 실험들을 실행하는 데 필요로 될 비용보다 상당히 낮다.
일 실시예에서, 프로세스(110)는 사례들의 세트에 대해 물리 기반의 시뮬레이션들을 실행하는 것을 포함하는 동작(112)으로 계속된다. 물리 기반의 시뮬레이션들은 프로세스 및/또는 하드웨어 파라미터들이 자연의 물리적 법칙들에 따라 서로 상호 작용하는 방법에 기초하여 출력들을 결정하도록 계산된다. 물리 기반의 시뮬레이션들은 컴퓨테이셔널하게 실행된다. 즉, 물리 기반의 시뮬레이션들의 결과들을 결정하기 위해 어떠한 기판들도 실제로 프로세싱될 필요가 없다.
일 실시예에서, 프로세스(110)는 물리 기반의 시뮬레이션들로부터의 출력들을 컴파일하는 것을 포함하는 동작(113)으로 계속된다. 출력들은, 그들이 실제 기판들을 프로세싱하는 대신 시뮬레이션의 결과이기 때문에, 시뮬레이션 출력들로서 지칭될 수 있다.
일 실시예에서, 프로세스(110)는 머신 러닝 알고리즘에 시뮬레이션 출력들을 적용하는 것을 포함하는 동작(114)으로 계속된다. 머신 러닝 알고리즘은 차수 감소 물리 시뮬레이션 모델(115)을 생성하기 위해 프로세스 및/또는 하드웨어 파라미터들을 시뮬레이션 출력들에 상관시킨다. 머신 러닝 알고리즘은 시뮬레이션 출력들을 프로세스 및/또는 하드웨어 파라미터들에 상관시키는 수학적 모델을 포함한다. 모델들은 단일 값 분해(single value decomposition; SVD), 주 직교 분해(principal orthogonal decomposition; POD), 가우시안 프로세스 회귀, 다른 커널 기반의 회귀들, 응답 표면 기반의 회귀, 신경망 모델들, 방사 기저 함수를 사용하는 회귀, 및 공간 연결성을 고려하는 회귀 모델들 중 하나 이상을 포함할 수 있다. 일 실시예에서, 머신 러닝 모델은 전형적으로 결정될 필요가 있는 모델 파라미터들을 갖는다. 차수 감소 모델을 형성함에 있어서 수반되는 주요 태스크들 중 하나는, 프로세스 및/또는 하드웨어 파라미터들에 대한 시뮬레이션 출력들의 최상의 적합을 산출하는 모델 파라미터들 및 수학적 모델의 조합을 선택하는 것을 수반한다. 차수 감소 시뮬레이션 모델(115)은, 후속하는 프로세스 및/또는 하드웨어 파라미터들이, 완전한 물리 기반의 시뮬레이션들을 실행할 때 필요한 것보다 더 짧은 시간의 기간 내에 조사되는 것을 허용한다.
이제 도 1b를 참조하면, 일 실시예에 따른, 하이브리드 머신 러닝 모델을 생성하기 위한 프로세스(120)가 도시되어 있다. 하기에서 더욱 상세하게 설명될 바와 같이, 하이브리드 머신 러닝 모델은 프로세스 및/또는 하드웨어 파라미터들의 주어진 세트에 기초하여 기판 상의(on-substrate) 결과들이 컴퓨테이셔널하게 예측되는 것을 허용한다. 하이브리드 머신 러닝 모델은 단일의 도구 또는 심지어 도구의 상이한 인스턴스들에 대한 변경 사항들에 적용될 수 있다.
일 실시예에서, 프로세스(120)는 프로세스 및/또는 하드웨어 파라미터들의 범위에 걸쳐 있는 사례들의 세트를 식별하는 것을 포함하는 동작(121)으로 시작될 수 있다. 동작(121)에서의 사례들의 범위는 동작(111)에서의 사례들의 범위보다 더 작을 수 있다. 이것은, 사례들의 범위가 물리적 기판들을 사용하여 조사될 것이고, 따라서, 물리 기반의 시뮬레이션들만을 실행하는 것보다 더욱 시간 및 비용 집약적이기 때문이다.
일 실시예에서, 프로세스(120)는 (비록 모든 실시예들에서 병렬로 실행될 필요는 없을 수 있지만) 병렬로 실행될 수 있는 한 쌍의 분기들로 계속될 수 있다. 제1 분기는 동작(121)에서 식별되는 사례들의 세트에 대해 실험실에서 실험들을 실행하는 것을 포함하는 동작(122)으로 시작된다. 실험들은 선택된 프로세스 및/또는 하드웨어 파라미터들에 따라 기판들을 물리적으로 프로세싱하는 것을 포함한다. 일 실시예에서, 제1 분기는 실험들로부터의 출력들을 컴파일하는 것을 포함하는 동작(123)으로 계속될 수 있다. 실험들로부터의 출력들은, 예를 들면, 증착 두께, 에칭 레이트, 조성, 균일성, 등과 같은 기판 상의 출력들을 포함할 수 있다.
일 실시예에서, 제2 분기는 선택된 사례들의 세트에 대해 물리 기반의 시뮬레이션들을 실행하는 것을 포함하는 동작(124)으로 시작될 수 있다. 일부 실시예들에서, 물리 기반의 시뮬레이션은 동작(112)에서 사용되는 동일한 시뮬레이션이다. 다른 실시예들에서, 물리 기반의 시뮬레이션은 프로세스(110)에서 디벨롭핑(develop)되는 차수 감소 물리 시뮬레이션 모델을 활용할 수 있다. 차수 감소 물리 시뮬레이션 모델이 동작(124)에서 사용되는 경우, 시뮬레이션들을 실행하는 데 필요한 시간과 계산 리소스(computational resource)들은 감소될 수 있다. 일 실시예에서, 제2 분기는 물리 기반의 시뮬레이션들로부터의 출력들을 컴파일하는 것으로 계속될 수 있다.
일 실시예에서, 제1 분기 및 제2 분기는, 컴파일된 실험 출력들을 컴파일된 물리 기반의 시뮬레이션 출력들과 상관시키기 위해 머신 러닝 알고리즘을 사용하는 것을 포함하는 동작(126)에서 다시 함께 병합한다. 머신 러닝 알고리즘은 컴파일된 실험 출력들과 컴파일된 물리 기반의 시뮬레이션 출력들을 상관시키는 수학적 모델을 포함한다. 모델들은 단일 값 분해(SVD), 주 직교 분해(POD), 가우시안 프로세스 회귀, 다른 커널 기반의 회귀들, 응답 표면 기반의 회귀, 신경망 모델들, 방사 기저 함수를 사용하는 회귀, 및 공간 연결성을 고려하는 회귀 모델들 중 하나 이상을 포함할 수 있다. 머신 러닝 알고리즘은 예측된 기판 상의 속성과 실험적으로 측정된 기판 상의 속성 사이의 에러를 최소화하기 위해 수학적 모델 및 대응하는 모델 파라미터들의 선택을 결정한다. 머신 러닝 알고리즘은, 예를 들면, 증착 두께, 에칭 레이트, 조성, 균일성, 등과 같은 기판 출력들에 대한 입력들 및 출력들로서 프로세스 및/또는 하드웨어 파라미터들을 취할 수 있는 하이브리드 머신 러닝 모델(127)을 출력한다.
이제 도 1c를 참조하면, 일 실시예에 따른, 하이브리드 머신 러닝 모델(127)을 배치하기 위한 프로세스(130)가 도시되어 있다. 일 실시예에서, 프로세스(130)는 새로운 프로세스 및/또는 하드웨어 컨디션들을 선택하는 것으로 시작된다. 새로운 프로세스 및/또는 하드웨어 컨디션들은, 동작들(111 및 121)에서 조사되는 프로세스 및/또는 하드웨어 컨디션들의 범위 밖에 있는 또는 상이한 것들을 포함하여, 임의의 프로세스 및/또는 하드웨어 컨디션들일 수 있다. 일부 실시예들에서, 프로세스 및/또는 하드웨어 컨디션들은, 심지어, 프로세스(120)에서 조사되는 도구와는 상이한 도구의 인스턴스에 대한 것일 수 있다. 즉, 일단 하이브리드 머신 러닝 모델이 디벨롭핑되면, 그것은, 심지어 이용 가능한 실험 데이터가 없는 경우에도, 유사한 프로세싱 도구들 상에서 제조 시설 전체에 걸쳐 배치될 유연성을 갖는다.
일 실시예에서, 프로세스(130)는 동작(132)으로 계속될 수 있는데, 이것은 (하드웨어 파라미터들이 동작(115)에서 디벨롭핑되는 모델의 형성에 포함되었다면) 동작(115)에서 디벨롭핑되는 차수 감소 물리 시뮬레이션 모델을 사용하여 또는 물리 시뮬레이션들을 실행하는 것에 의해 물리 시뮬레이션을 평가하는 것을 포함한다. 그 다음, 차수 감소 물리 시뮬레이션 또는 물리 시뮬레이션들의 출력은 동작(133)에서 하이브리드 머신 러닝 모델에 공급될 수 있다. 차수 감소 물리 시뮬레이션 모델은 프로세스 및/또는 하드웨어 컨디션들이, 동작(133)에서 하이브리드 머신 러닝 모델에 의한 사용을 위해, 물리 공간으로 맵핑되는 것을 허용한다.
동작(133)은 상기의 동작(127)에서 디벨롭핑된 하이브리드 머신 러닝 모델을 평가하는 것을 포함할 수 있다. 하이브리드 머신 러닝 모델은 134에서 기판 상의 결과들을 출력할 수 있다. 즉, 새로운 프로세스 및/또는 하드웨어 컨디션들은, 예를 들면, 증착 두께, 에칭 레이트, 조성, 균일성, 등과 같은 기판 상의 결과들로 직접적으로 맵핑될 수 있다. 이것은 기판 상의 결과들을 획득하기 위해 기판들의 물리적 테스팅을 필요로 하는 현존하는 프로세스들에 비해 상당한 개선이다.
이제 도 2를 참조하면, 일 실시예에 따른, 반도체 프로세싱 도구(240)의 사시도 예시가 도시되어 있다. 특정한 반도체 프로세싱 도구(240)가 도시되지만, 반도체 프로세싱 도구(240)는 반도체 제조를 대표하는 임의의 프로세싱 도구, 예컨대 증착 도구, 에칭 도구, 등일 수 있다는 것이 인식되어야 한다. 도 2에서 도시되는 특정한 실시예에서, 반도체 프로세싱 도구는 라디칼 산화 도구이다.
일 실시예에서, 반도체 프로세싱 도구(240)는 가스 유입구들(241)을 포함할 수 있다. 가스들은 가스 유입구들(241) 안으로 흐르게 될 수 있고 터널(242)을 통해 챔버(245) 안으로 진행될 수 있다. 챔버(245)의 최상부(top)는 석영 플레이트(243)를 사용하여 밀봉될 수 있다. 가열 엘리먼트들(도시되지 않음)은 챔버(245) 내에서 신속한 열 제어를 제공하기 위해 석영 플레이트(243) 위에 배치될 수 있다. 일 실시예에서, 부산물들 및 잉여 반응물들은 유출구(244)에 의해 챔버(245)로부터 제거될 수 있다. 유출구(244)는 진공 펌프(도시되지 않음), 등에 유체 흐름 가능하게 커플링될 수 있다.
이제 도 3을 참조하면, 하이브리드 모델이 라디칼 산화 도구와 함께 사용될 수 있는 방법을 도시하는 다이어그램(350)이 예로서 도시되어 있다. 도시되는 바와 같이, 프로세스 입력들의 세트는 블록(351)에서 제공된다. 프로세스 입력들은, 침지 시간, 온도, 압력, 총 가스 흐름, H2 측류(side flow), 및 H2 %와 같은(그러나 이들로 제한되지는 않음) 라디칼 산화 프로세스에서 사용되는 프로세싱 파라미터들을 포함할 수 있다. 일 실시예에서, 프로세스 입력들은, 도구(예를 들면, 주입 카트리지)의 다양한 부분들의 기하학적 형상, 기판과 석영 플레이트(343) 사이의 간격, 등과 같은(그러나 이들로 제한되지는 않음) 하드웨어 구성들을 또한 포함할 수 있다.
일 실시예에서, 블록(351)의 프로세스 입력들은 블록(352)에서 물리 기반의 모델 또는 차수 감소 물리 기반의 모델에 제공된다. 모델은 물리 수학식들에 기초하여 출력들을 제공할 수 있다. 예를 들면, 웨이퍼 상의 출력들은 압력, 증착 레이트, 및 몰 분율(mole fraction)들을 포함할 수 있고, 웨이퍼 밖 출력들은 온도를 포함할 수 있다.
일 실시예에서, 블록(351)의 프로세스 입력들 및 블록(353)의 모델 출력들은 하이브리드 모델(354)에 공급될 수 있다. 하이브리드 모델(354)은 상기에서 더욱 상세하게 설명되는 하이브리드 모델들 중 임의의 것과 실질적으로 유사할 수 있다. 하이브리드 모델은 블록(351)의 프로세스 입력들 및 블록(353)의 모델 출력들로부터의 유입하는 데이터를 프로세싱하고, 블록(355)에서 웨이퍼 상의 예상된 증착의 출력을 제공한다.
하이브리드 모델은 기판 상의 예상된 출력들의 정확한 맵핑을 제공한다는 것이 나타났다. 예를 들면, 도 4a 내지 도 4d는 다양한 프로세싱 파라미터들에 대한 기판에 걸친 정규화된 증착의 플롯들이다. 도 4a 내지 도 4d에서, 라디칼 산화 프로세스의 하이브리드 모델은 상기에서 설명되는 것들과 유사한 프로세스들을 사용하여 생성되었으며, 주입 카트리지의 기하학적 형상에서 상당한 변화를 가진 도구 상에 배치되었다. 하이브리드 모델은 기판의 표면에 걸친 증착의 예측을 행하기 위해 사용되었으며, 하이브리드 모델의 정확성을 확인하기 위해 실험 데이터가 후속하여 획득되었다. 도 4a 내지 도 4d에서, 하이브리드 모델 예측들은 실험 데이터와 잘 매치하였다. 예를 들면, 다양한 프로세싱 컨디션들에 걸쳐 9 % 미만의 평균 에러가 획득되었다.
본원에서 개시되는 여전히 다른 실시예에서, 물리 기반의 모델들 및 머신 러닝은 반도체 프로세싱 도구 내에 가상 센서들을 제공하기 위해 이용될 수 있다. 이것은 전통적인 물리적 센서들을 사용하여 쉽게 측정될 수 없는(또는 전혀 측정될 수 없는) 프로세싱 컨디션들을 결정하는 데 특히 유용하다. 프로세싱 도구 내에 물리적 센서들을 배치하는 것은 비용이 많이 들고 방해가 된다. 그러나, 프로세스 제어는 (특히 기판에 대한) 프로세싱 컨디션들이 공지되어 있을 때 효과적이다. 물리 기반의 모델들은, 물리적 센서들을 사용해야 하지 않고도 기판 상의 속성들의 세부사항들을 제공하는 가상 센서들을 제공하는 것에 의해 이 이슈를 해결할 수 있다. 물리 기반의 모델들은 컨트롤러를 테스팅함에 있어서 그리고 컨트롤러 개발을 위한 가상의 실험들을 수행함에 있어서 도움이 되기 위해 또한 사용될 수 있다.
가상 센서들은 프로세싱 동작의 제어에서 도움이 되기 위해 사용될 수 있다. 물리적 센서들과 마찬가지로, 가상 센서 출력들은, 프로세싱 동작에 대해 변경들이 이루어질 필요가 있는지를 결정하기 위해, 컨트롤러에 의해 설정치 값들에 대해 비교될 수 있다. 더구나, 본원에서 개시되는 실시예들은, 가상 센서 출력들의 정확도를 개선하기 위해 물리 기반의 모델들을 지속적으로 업데이트하기 위해, 머신 러닝 또는 인공 지능을 활용할 수 있다.
이제 도 5a를 참조하면, 일 실시예에 따른, 프로세싱 도구에 대한 제어 아키텍쳐(560)의 단순화된 다이어그램이 도시되어 있다. 도시되는 바와 같이, 챔버(561)는 컨트롤러(565)에 공급하는 물리적 센서(562)를 포함할 수 있다. 컨트롤러는, 하나 이상의 프로세싱 컨디션들을 조정하기 위해, 제어 신호를 챔버(561)로 되전송한다. 다른 루프에서, 모델(563)(예를 들면, 물리 기반의 모델)은 가상 센서(564)에 연결된다. 가상 센서(564)는 컨트롤러(565)에 값들을 출력한다. 가상 센서(564)의 더욱 상세한 설명은 하기에서 제공된다.
이제 도 5b를 참조하면, 일 실시예에 따른, 제어 아키텍쳐(560)의 더욱 상세한 예시가 도시되어 있다. 일 실시예에서, 출력 변수(또는 벡터)(y)는 가상 센서(564)에 공급된다. 가상 센서는 가상 센서 변수(또는 벡터)(y1)를 출력한다. 소망되는 가상 센서 변수(y1des)의 설정치(566)는 컨트롤러(565)에 의해 출력 변수(y)에 대해 비교된다. 계산된 차이에 따라, 제어 신호(u)가 챔버(561)에 제공되어 출력 변수(y)를 변경한다.
이제 도 6을 참조하면, 일 실시예에 따른, 업데이트 가능한 모델(673)에 커플링되는 가상 센서(676)를 포함하는 도구의 제어 아키텍쳐(670)의 다이어그램이 도시되어 있다. 일 실시예에서, 제어 아키텍쳐(670)는 챔버(671)와 함께 시작된다. 챔버(671)는 반도체 프로세싱 도구의 임의의 부분을 지칭할 수 있다. 일 실시예에서, 출력 변수(y)(또는 벡터)는 제1 컨트롤러(672)에 의해 소망되는 출력 변수(ydes)와 비교된다. 제1 컨트롤러(672)는 입력 변수(u)(또는 벡터)를 챔버(671)에 다시 제공한다. 입력 변수(u)는 모델(673)에도 또한 공급되는데, 이것은 하기에서 상세하게 설명될 것이다. 소망되는 출력 변수(ydes)는 가상 센서 데이터를 활용하는 제2 컨트롤러(678)에 의해 생성된다.
일 실시예에서, 모델(673)은 물리 기반의 모델이다. 즉, 모델(673)은, 시스템 상태 변수들(
Figure pct00001
)(또는 벡터들)의 추정치를 제공하기 위해, 챔버(671) 내에서의 반응들을 물리 기반의 관점에서 계산한다. 추정된 시스템 상태 변수()는 가상 센서 값일 수 있다. 즉, 의 측정된 값은 소망되지만 전형적으로는 공지되지 않은 또는 측정되지 않은 값이다. 예를 들면, 추정된 상태 변수()는 일부 실시예들에서 웨이퍼 온도일 수 있다. 그러나, 다른 추정된 상태 변수들() 또는 심지어 다수의 상이한 추정된 상태 변수들()이 모델(673)에 의해 제공될 수 있다는 것이 인식되어야 한다.
일 실시예에서, 추정된 상태 변수()는 가상 센서(676)에 공급되는데, 여기서 추정된 상태 변수()는 시스템에 의해 액세스될 수 있다. 특정한 실시예에서, 가상 센서(676)는, 추정된 상태 변수()를 설정치 상태 변수(xdes)에 비교하는 제2 컨트롤러(678)에 추정된 상태 변수()를 공급한다. 와 xdes 사이의 차이에 따라, 컨트롤러는 ydes를 제1 컨트롤러에 전달한다.
일 실시예에서, 모델(673)은 머신 러닝 또는 인공 지능 블록(675)을 통해 지속적으로 업데이트될 수 있다. 특히, 추정된 상태 변수()도 또한 제2 모델(674)에 공급된다. 제2 모델은 추정된 출력 변수(
Figure pct00013
)(또는 벡터)를 출력한다. 추정된 출력 변수()는 챔버(671)로부터의 출력 변수(y)에 비교된다. 그 다음, 머신 러닝 블록(675)은, 추정된 출력 변수()를 출력 변수(y)에 더 가깝게 유도하기 위해, (예를 들면, 상태 공간 매트릭스들(A, B, C 및/또는 D)을 사용하여) 제1 모델(673)을 수정하여 제1 모델을 개선할 수 있다. 이것은 또한 추정된 상태 변수()의 더욱 정확한 예측으로 이어진다.
이제 도 7a를 참조하면, 일 실시예에 따른, 가상 센서(785)를 갖는 제어 아키텍쳐(780)의 다이어그램이 도시되어 있다. 챔버에서의 실험들(781)의 과정 동안, 출력 변수들(y)이 컨트롤러(784)에 제공된다. 컨트롤러는, 출력 변수들(y)을, 다양한 물리 모델들(783 및 782)의 사용을 통해 생성되는 추정된 출력 변수들()에 비교한다. 일 실시예에서, 상태 추정기(783)에 대한 모델은 수학식 1에 의해 제어되고, 출력 변수들(782)에 대한 모델은 수학식 2에 의해 제어된다.
Figure pct00018
수학식들 1 및 2에서, 매트릭스들(A, B, C, 및 D)은 실험(781)의 파라미터들의 함수들이며 물리 기반의 모델들 또는 시스템 모델을 사용하여 획득될 수 있다. 통계 모델이 사용되는 경우, 매트릭스들(A, B, C, 및 D)은 물리적 기반이 없을 수 있으며, A, B, C, 또는 D를 변경하는 것은 물리적 파라미터들에 상관되지 않을 것이다. 추가적으로, A, B, C, 및 D는 또한 시간뿐만 아니라, x 및 y의 함수들일 수 있다는 것이 인식되어야 한다.
일 실시예에서, 제어 아키텍쳐(780)의 가정은, 측정된 출력(y)과 예측된 출력(
Figure pct00019
) 사이의 에러가 시스템에서의 불확실한 파라미터들 때문이다는 것 및 물리학이 정확하다는 것이다. 즉, 상태 추정기들(783)에 대한 모델은 물리학에 대해 변경되지 않는다. 시스템에서의 노이즈는 고려되지 않는다. 다시 말하면, 시스템에서의 노이즈는 파라미터 값들(A, B, C, 또는 D)의 변화들에 의해 상쇄된다. 컨트롤러(784)가 가지고 시작하기에 양호한 가설을 갖는 한, 모델 파라미터들을 변경하는 것은 최적화 및/또는 역해석 방법(inverse method)들에 의해 행해질 수 있다. 추가로, 계산 작업(computational effort)은 매트릭스들(A, B, C, 및 D)에 의존한다는 것이 인식되어야 한다. 오늘날의 컴퓨팅 성능들을 통해, 계산 작업은, 충분히, 실시간으로 행해지고 있는 범위(realm) 내에 있다. 따라서, 실시간의 가상 센서(785)가 가능하다.
이제 도 7b를 참조하면, 일 실시예에 따른, 가상 센서(785)를 갖는 제어 아키텍쳐(780)의 다이어그램이 도시되어 있다. 챔버에서의 실험들(781)의 과정 동안, 출력 변수들(y)이 컨트롤러(786)에 제공된다. 컨트롤러(786)는, 출력 변수들(y)을, 다양한 물리 모델들(783 및 782)의 사용을 통해 생성되는 추정된 출력 변수들(
Figure pct00020
)에 비교한다. 일 실시예에서, 상태 추정기(783)에 대한 모델은 수학식 1에 의해 제어되고, 출력 변수들(782)에 대한 모델은 수학식 2에 의해 제어된다. 도 7a의 실시예와는 대조적으로, 컨트롤러(786)는 이득(L)을 갖는 칼만 필터를 적용할 수 있다.
수학식들 1 및 2에서, 매트릭스들(A, B, C, 및 D)은 실험(781)의 파라미터들의 함수들이며 물리 기반의 모델들, 시스템 모델, 또는 통계 모델을 사용하여 획득될 수 있다. 추가적으로, A, B, C, 및 D는 또한 시간뿐만 아니라 x 및 y의 함수들일 수 있다는 것이 인식되어야 한다.
일 실시예에서, 제어 아키텍쳐(780)의 가정은, 측정된 출력(y)과 예측된 출력(
Figure pct00021
) 사이의 에러가 에러 소스들 때문이다는 것 및 물리학 및 파라미터들이 정확하다는 것이다. 즉, 상태 추정기들에 대한 모델(783)은 물리학에 대해 변경되지 않지만 그러나 에러들을 고려하도록 정정된다. 시스템에서의 노이즈도 또한 고려된다. 이 모델 프레임워크는 상태 추정기들을 예측하기 위해 사용될 수 있으며 실시간의 가상 센서(785)를 허용한다. 추가적으로, 모델은 모델들(783 및/또는 782)의 파라미터들을 변경하는 것에 의해 측정된 출력과 예측된 출력 사이의 임의의 에러에 대해 자동적으로 자체 정정할 것이다.
일 실시예에서, 본원에서 설명되는 가상 센서 기능성을 갖는 컨트롤러 아키텍쳐들은 상이한 방식들로 테스트될 수 있다. 하나의 실시예에서, 컨트롤러 아키텍쳐들은 기능 챔버들 또는 시스템들 상에서 테스트될 수 있다. 즉, 컨트롤러 아키텍쳐들을 테스트하기 위해 물리적 기판 프로세싱이 사용될 수 있다. 이 프로세스는 구현하기 위해 도구 시간 및 다른 리소스들을 필요로 한다. 다른 실시예에서, 가상 센서 기능성을 갖는 컨트롤러 아키텍쳐들은 소프트웨어 시뮬레이션들을 통해 테스트될 수 있다. 예를 들면, 물리 기반의 모델들 및/또는 하이브리드 모델들을 사용하여 모델링되는 가상 챔버가 사용되어 컨트롤러 아키텍쳐를 테스트할 수 있다. 그러한 실시예는 계산 리소스들만을 필요로 하고 귀중한 도구 시간, 기판들, 및 다른 물리적 리소스들을 절약한다.
도 8은 머신의 개략적인 표현을, 머신으로 하여금 본원에서 설명되는 방법론들 중 임의의 하나 이상을 수행하게 하기 위한 명령어들의 세트가 실행될 수 있는 컴퓨터 시스템(800)의 예시적인 형태로 예시한다. 대안적인 실시예들에서, 머신은 LAN(Local Area Network), 인트라넷, 엑스트라넷, 또는 인터넷에서 다른 머신들에 연결될(예를 들면, 네트워크화될) 수 있다. 머신은 클라이언트-서버 네트워크 환경에서 서버 또는 클라이언트 머신의 자격으로서 동작할 수 있거나, 또는 피어 투 피어(peer-to-peer)(또는 분산형) 네트워크 환경에서 피어 머신(peer machine)으로서 동작할 수 있다. 머신은 PC(personal computer), 태블릿 PC, STB(set-top box), PDA(Personal Digital Assistant), 셀룰러 전화, 웹 어플라이언스, 서버, 네트워크 라우터, 스위치 또는 브리지, 또는 그 머신에 의해 취해질 액션들을 명시하는 명령어들의 세트(순차적 또는 기타)를 실행할 수 있는 임의의 머신일 수 있다. 게다가, 단일의 머신만이 예시되지만, 용어 "머신"은, 본원에서 설명되는 방법론들 중 임의의 하나 이상의 방법론들을 수행하기 위한 명령어들의 세트(또는 다수의 세트들)를 개별적으로 또는 공동으로 실행하는 머신들(예를 들면, 컴퓨터들)의 임의의 콜렉션을 포함하도록 또한 간주되어야 한다.
예시적인 컴퓨터 시스템(800)은 프로세서(802), 메인 메모리(804)(예를 들면, ROM(read-only memory), 플래시 메모리, SDRAM(synchronous DRAM) 또는 램버스 RDRAM(Rambus DRAM)과 같은 DRAM(dynamic random access memory) 등), 정적 메모리(806)(예를 들면, 플래시 메모리, SRAM(static random access memory), MRAM, 등), 및 보조 메모리(818)(예를 들면, 데이터 저장 디바이스)를 포함하는데, 이들은 버스(830)를 통해 서로 통신한다.
프로세서(802)는 마이크로프로세서, 중앙 프로세싱 유닛, 등과 같은 하나 이상의 범용 프로세싱 디바이스들을 나타낸다. 더욱 상세하게는, 프로세서(802)는 CISC(complex instruction set computing) 마이크로프로세서, RISC(reduced instruction set computing) 마이크로프로세서, VLIW(very long instruction word) 마이크로프로세서, 다른 명령어 세트들을 구현하는 프로세서, 또는 명령어 세트들의 조합을 구현하는 프로세서들일 수 있다. 프로세서(802)는, 또한, ASIC(application specific integrated circuit), FPGA(field programmable gate array), DSP(digital signal processor), 네트워크 프로세서 등과 같은 하나 이상의 특수 목적 프로세싱 디바이스들일 수 있다. 프로세서(802)는 본원에서 설명되는 동작들을 수행하기 위해 프로세싱 로직(826)을 실행하도록 구성된다.
컴퓨터 시스템(800)은 네트워크 인터페이스 디바이스(808)를 더 포함할 수 있다. 컴퓨터 시스템(800)은 비디오 디스플레이 유닛(810)(예를 들면, LCD(liquid crystal display), LED(light emitting diode display), 또는 CRT(cathode ray tube), 영숫자 입력 디바이스(812)(예를 들면, 키보드), 커서 제어 디바이스(814)(예를 들면, 마우스), 및 신호 생성 디바이스(816)(예를 들면, 스피커)를 또한 포함할 수 있다.
보조 메모리(818)는 본원에서 설명되는 방법론들 또는 기능들 중 임의의 하나 이상을 구체화하는 명령어들(예를 들면, 소프트웨어(822))의 하나 이상의 세트들이 저장되는 머신 액세스 가능 저장 매체(또는 더 구체적으로는 컴퓨터 판독 가능 저장 매체)(832)를 포함할 수 있다. 소프트웨어(822)는 또한, 컴퓨터 시스템(800)에 의한 그들의 실행 동안 메인 메모리(804) 내에서 및/또는 프로세서(802) 내에서, 완전히 또는 적어도 부분적으로, 상주할 수 있는데, 메인 메모리(804) 및 프로세서(802)도 또한 머신 판독 가능 저장 매체들을 구성한다. 소프트웨어(822)는 네트워크 인터페이스 디바이스(808)를 통해 네트워크(820)를 통해 추가로 송신되거나 또는 수신될 수 있다.
머신 액세스 가능 저장 매체(832)가 예시적인 실시예에서 단일의 매체인 것으로 나타내어지지만, 용어 "머신 판독 가능 저장 매체"는, 명령어들의 하나 이상의 세트들을 저장하는 단일의 매체 또는 다수의 매체들(예를 들면, 중앙 집중식 또는 분산형 데이터베이스, 및/또는 연관된 캐시들 및 서버들)을 포함하는 것으로 간주되어야 한다. 용어 "머신 판독 가능 저장 매체"는, 머신에 의한 실행을 위해 명령어들의 세트를 저장 또는 인코딩할 수 있는 그리고 머신으로 하여금 본 개시내용의 방법론들 중 임의의 하나 이상의 방법론들을 수행하게 하는 임의의 매체를 포함하는 것으로 또한 간주되어야 한다. 따라서, 용어 "머신 판독 가능 저장 매체"는 솔리드 스테이트 메모리들, 광학 및 자기 매체들을 포함하는, 그러나 이들로 제한되지는 않는 것으로 간주되어야 한다.
본 개시내용의 일 실시예에 따르면, 머신 액세스 가능 저장 매체는, 데이터 프로세싱 시스템으로 하여금 하이브리드 머신 러닝 모델을 생성하는 방법을 수행하게 하는 명령어들이 저장되어 있다.
따라서, 하이브리드 머신 러닝 모델을 생성하기 위한 방법들이 개시되었다.

Claims (20)

  1. 하이브리드 머신 러닝 모델을 생성하는 방법으로서,
    프로세스 및/또는 하드웨어 파라미터들의 제1 범위에 걸쳐 있는 사례들의 제1 세트를 식별하는 단계;
    상기 사례들의 제1 세트에 대해 실험실에서 실험들을 실행하는 단계;
    상기 실험들로부터의 실험 출력들을 컴파일(compile)하는 단계;
    상기 사례들의 제1 세트에 대해 물리 기반의 시뮬레이션(physics based simulation)들을 실행하는 단계;
    상기 시뮬레이션들로부터의 모델 출력들을 컴파일하는 단계; 및
    상기 하이브리드 머신 러닝 모델을 제공하기 위해 머신 러닝 알고리즘을 사용하여 상기 모델 출력들을 상기 실험 출력들과 상관시키는 단계를 포함하는,
    하이브리드 머신 러닝 모델을 생성하는 방법.
  2. 제1항에 있어서,
    상기 물리 기반의 시뮬레이션은 차수 감소 물리 시뮬레이션 모델(reduced order physics simulation model)인,
    하이브리드 머신 러닝 모델을 생성하는 방법.
  3. 제2항에 있어서,
    상기 차수 감소 물리 시뮬레이션 모델은:
    프로세스 및/또는 하드웨어 파라미터들의 제2 범위에 걸쳐 있는 사례들의 제2 세트를 식별하는 단계;
    상기 사례들의 제2 세트에 대해 물리 기반의 시뮬레이션들을 실행하는 단계;
    상기 물리 기반의 시뮬레이션으로부터의 출력들을 컴파일하는 단계; 및
    상기 차수 감소 물리 시뮬레이션 모델을 생성하기 위해 제2 머신 러닝 알고리즘을 사용하는 단계
    를 포함하는 방법에 의해 생성되는,
    하이브리드 머신 러닝 모델을 생성하는 방법.
  4. 제3항에 있어서,
    상기 사례들의 제2 세트는 상기 사례들의 제1 세트보다 더 큰,
    하이브리드 머신 러닝 모델을 생성하는 방법.
  5. 제3항에 있어서,
    상기 물리 기반의 시뮬레이션으로부터의 상기 출력들은 웨이퍼 상에서의 종 농도(species concentration)들, 플럭스(flux)들, 및 에너지들 중 하나 이상 및/또는 상기 웨이퍼로부터 떨어진 로케이션들에서의 압력, 흐름(flow)(속도) 및 온도와 같은 추가적인 양들을 포함하는,
    하이브리드 머신 러닝 모델을 생성하는 방법.
  6. 제3항에 있어서,
    새로운 하드웨어 및/또는 프로세스 컨디션을 선택하는 단계;
    상기 차수 감소 물리 시뮬레이션 모델을 사용하여 상기 새로운 하드웨어 및/또는 프로세스 컨디션을 평가하는 단계;
    상기 하이브리드 머신 러닝 모델을 사용하여 상기 새로운 하드웨어 및/또는 프로세스 컨디션을 평가하는 단계; 및
    상기 차수 감소 물리 시뮬레이션 모델 및 상기 하이브리드 머신 러닝 모델의 상기 평가에 기초하여 웨이퍼 상의 결과들을 예측하는 단계를 더 포함하는,
    하이브리드 머신 러닝 모델을 생성하는 방법.
  7. 제6항에 있어서,
    상기 새로운 하드웨어 및/또는 프로세스 컨디션은 상기 하이브리드 머신 러닝 모델을 생성하기 위해 사용되는 도구와는 상이한 도구에 대한 것인,
    하이브리드 머신 러닝 모델을 생성하는 방법.
  8. 제1항에 있어서,
    상기 모델 출력들은 웨이퍼 상의 종 농도들, 플럭스들, 및 에너지들 중 하나 이상을 포함하는,
    하이브리드 머신 러닝 모델을 생성하는 방법.
  9. 제1항에 있어서,
    상기 실험 출력들은 증착 레이트 또는 에칭 레이트를 포함하는,
    하이브리드 머신 러닝 모델을 생성하는 방법.
  10. 제1항에 있어서,
    상기 하이브리드 머신 러닝 모델은 라디칼 산화 도구를 위한 것인,
    하이브리드 머신 러닝 모델을 생성하는 방법.
  11. 반도체 프로세싱 도구로서,
    챔버;
    상기 반도체 프로세싱 도구의 제어 변수를 변경하기 위한 컨트롤러 ― 상기 컨트롤러는 상기 챔버로부터의 측정된 출력 변수와 출력 변수 설정치(set-point) 사이의 차이를 입력으로서 수신함 ― ; 및
    상기 출력 변수 설정치를 결정하기 위해 사용되는 추정된 시스템 상태 변수를 생성하기 위한 가상 센서를 포함하는,
    반도체 프로세싱 도구.
  12. 제11항에 있어서,
    상기 출력 변수 설정치를 변경하기 위한 제2 컨트롤러를 더 포함하고, 상기 제2 컨트롤러는 상기 추정된 시스템 상태 변수와 시스템 상태 변수 설정치 사이의 차이를 입력으로서 수신하는,
    반도체 프로세싱 도구.
  13. 제12항에 있어서,
    제1 모델을 더 포함하고, 상기 제1 모델은 상기 제어 변수를 입력으로서 수신하고 상기 가상 센서에 제공되는 상기 추정된 시스템 상태 변수를 출력하는,
    반도체 프로세싱 도구.
  14. 제13항에 있어서,
    제2 모델을 더 포함하고, 상기 제2 모델은 상기 추정된 시스템 상태 변수를 입력으로서 수신하고 상기 출력 변수의 추정치를 출력하는,
    반도체 프로세싱 도구.
  15. 제14항에 있어서,
    머신 러닝 알고리즘을 더 포함하고, 상기 머신 러닝 알고리즘은 상기 출력 변수와 상기 출력 변수의 상기 추정치 사이의 차이를 입력으로서 수신하고, 상기 머신 러닝 알고리즘은 상기 제1 모델을 업데이트하는,
    반도체 프로세싱 도구.
  16. 제15항에 있어서,
    상기 머신 러닝 알고리즘은 칼만(Kalman) 필터를 활용하는,
    반도체 프로세싱 도구.
  17. 제12항에 있어서,
    상기 추정된 시스템 상태 변수는 웨이퍼 온도인,
    반도체 프로세싱 도구.
  18. 제17항에 있어서,
    상기 반도체 프로세싱 도구는 라디칼 산화 도구인,
    반도체 프로세싱 도구.
  19. 하이브리드 머신 러닝 모델을 생성하는 방법으로서,
    프로세스 및/또는 하드웨어 파라미터들의 제1 범위에 걸쳐 있는 사례들의 제1 세트를 식별하는 단계;
    상기 사례들의 제1 세트에 대해 물리 기반의 시뮬레이션을 실행하는 단계;
    상기 물리 기반의 시뮬레이션으로부터의 출력들을 컴파일하는 단계;
    차수 감소 물리 시뮬레이션 모델을 생성하기 위해 제1 머신 러닝 알고리즘을 사용하는 단계;
    프로세스 및/또는 하드웨어 파라미터들의 제2 범위에 걸쳐 있는 사례들의 제2 세트를 식별하는 단계 ― 상기 사례들의 제2 세트는 상기 사례들의 제1 세트보다 더 작음 ― ;
    상기 사례들의 제2 세트에 대해 실험실에서 실험들을 실행하는 단계;
    상기 실험들로부터의 실험 출력들을 컴파일하는 단계;
    상기 사례들의 제2 세트에 대해 물리 기반의 시뮬레이션들을 실행하는 단계 ― 상기 물리 기반의 시뮬레이션들은 상기 차수 감소 물리 시뮬레이션 모델을 사용함 ― ;
    상기 시뮬레이션들로부터의 모델 출력들을 컴파일하는 단계; 및
    상기 하이브리드 머신 러닝 모델을 제공하기 위해 제2 머신 러닝 알고리즘을 사용하여 상기 모델 출력들을 상기 실험 출력들과 상관시키는 단계를 포함하는,
    하이브리드 머신 러닝 모델을 생성하는 방법.
  20. 제19항에 있어서,
    새로운 하드웨어 및/또는 프로세스 컨디션을 선택하는 단계;
    상기 차수 감소 물리 시뮬레이션 모델을 사용하여 상기 새로운 하드웨어 및/또는 프로세스 컨디션을 평가하는 단계;
    상기 하이브리드 머신 러닝 모델을 사용하여 상기 새로운 하드웨어 및/또는 프로세스 컨디션을 평가하는 단계; 및
    상기 차수 감소 물리 시뮬레이션 모델 및 상기 하이브리드 머신 러닝 모델의 상기 평가에 기초하여 웨이퍼 상의 결과들을 예측하는 단계를 더 포함하는,
    하이브리드 머신 러닝 모델을 생성하는 방법.
KR1020237029394A 2021-02-03 2022-01-05 프로세스들의 하이브리드 물리/머신 러닝 모델링 KR20230135668A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/166,965 US20220245307A1 (en) 2021-02-03 2021-02-03 Hybrid physics/machine learning modeling of processes
US17/166,965 2021-02-03
PCT/US2022/011335 WO2022169542A1 (en) 2021-02-03 2022-01-05 Hybrid physics/machine learning modeling of processes

Publications (1)

Publication Number Publication Date
KR20230135668A true KR20230135668A (ko) 2023-09-25

Family

ID=82612053

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237029394A KR20230135668A (ko) 2021-02-03 2022-01-05 프로세스들의 하이브리드 물리/머신 러닝 모델링

Country Status (6)

Country Link
US (1) US20220245307A1 (ko)
JP (1) JP2024506549A (ko)
KR (1) KR20230135668A (ko)
CN (1) CN116802653A (ko)
TW (1) TW202246918A (ko)
WO (1) WO2022169542A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11921488B2 (en) 2020-12-15 2024-03-05 Xerox Corporation System and method for machine-learning-enabled micro-object density distribution control with the aid of a digital computer
US11762348B2 (en) * 2021-05-21 2023-09-19 Xerox Corporation System and method for machine-learning-based position estimation for use in micro-assembly control with the aid of a digital computer
US11731317B1 (en) * 2022-07-08 2023-08-22 The Boeing Company System and method for material manufacturing based on predicted properties of unconsolidated composite material

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100689861B1 (ko) * 2005-10-04 2007-03-08 삼성전자주식회사 플라즈마를 이용한 반도체 디바이스 제조장치 및 그제조방법
US7519885B2 (en) * 2006-03-31 2009-04-14 Tokyo Electron Limited Monitoring a monolayer deposition (MLD) system using a built-in self test (BIST) table
US20130024019A1 (en) * 2011-07-22 2013-01-24 Taiwan Semiconductor Manufacturing Company, Ltd. Apparatus and methods for end point determination in semiconductor processing
US9412673B2 (en) * 2013-08-23 2016-08-09 Kla-Tencor Corporation Multi-model metrology
WO2018075808A1 (en) * 2016-10-20 2018-04-26 Kla-Tencor Corporation Hybrid metrology for patterned wafer characterization

Also Published As

Publication number Publication date
CN116802653A (zh) 2023-09-22
JP2024506549A (ja) 2024-02-14
WO2022169542A1 (en) 2022-08-11
TW202246918A (zh) 2022-12-01
US20220245307A1 (en) 2022-08-04

Similar Documents

Publication Publication Date Title
KR20230135668A (ko) 프로세스들의 하이브리드 물리/머신 러닝 모델링
US10615009B2 (en) System implementing machine learning in complex multivariate wafer processing equipment
KR102583830B1 (ko) 제조 동안의 고급 반도체 프로세스 최적화 및 적응형 제어
US20230049157A1 (en) Performance predictors for semiconductor-manufacturing processes
US11586794B2 (en) Semiconductor processing tools with improved performance by use of hybrid learning models
US20220374572A1 (en) Determination of recipe for manufacturing semiconductor
KR20160130243A (ko) 오버레이 오차, 근본 원인 분석 및 공정 제어의 피드 포워드 및 피드백 정정을 위한 통계적 오버레이 오차 예측
Czop et al. Formulation and identification of first-principle data-driven models
JP2022523313A (ja) フィーチャスケールモデリングを用いた充填プロセスの最適化
EP4202582A1 (en) Method of operation of a process plant, soft sensor and digital process twin system and use thereof
KR20180069093A (ko) 웨이퍼 포인트별 분석 및 데이터 프리젠테이션
Zhao et al. Simulation study on evolutionary cycle to cycle time control of exposure controlled projection lithography
KR20110107872A (ko) 반도체 제조 설비에서 런-투-런 제어를 위한 컨텍스트 오프셋들을 추정하기 위한 방법 및 시스템
Kowalów et al. Optimal sensor selection for model identification in iterative learning control of spatio-temporal systems
KR20020082219A (ko) 기계 및 공정을 위한 최적 세트-포인트를 발견하기 위한방법
TWI839396B (zh) 高階半導體製程優化及製造期間適應性控制
US20230367288A1 (en) Physically-informed multi-system hardware operating windows
TW202409762A (zh) 物理資訊多系統硬體作業視窗
CN117546170A (zh) 用于建立基于物理的模型的系统及方法
Taylor et al. In-situ process control for semiconductor manufacturing