KR20230156409A - 이미징 계측을 이용한 공간 패턴 부하 측정 - Google Patents

이미징 계측을 이용한 공간 패턴 부하 측정 Download PDF

Info

Publication number
KR20230156409A
KR20230156409A KR1020237035055A KR20237035055A KR20230156409A KR 20230156409 A KR20230156409 A KR 20230156409A KR 1020237035055 A KR1020237035055 A KR 1020237035055A KR 20237035055 A KR20237035055 A KR 20237035055A KR 20230156409 A KR20230156409 A KR 20230156409A
Authority
KR
South Korea
Prior art keywords
data
region
substrate
thickness
metrology
Prior art date
Application number
KR1020237035055A
Other languages
English (en)
Inventor
에릭 친 홍 응
에드워드 위보우 부디아르토
메디 바에즈-이라바니
토드 조나단 에간
벤카타카우식 볼레티
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 KR20230156409A publication Critical patent/KR20230156409A/ko

Links

Images

Classifications

    • 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
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0683—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating measurement during deposition or removal of the layer
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/455—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for introducing gases into reaction chamber or for modifying gas flows in reaction chamber
    • C23C16/45523—Pulsed gas flow or change of composition over time
    • C23C16/45525—Atomic layer deposition [ALD]
    • C23C16/45544—Atomic layer deposition [ALD] characterized by the apparatus
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/52—Controlling or regulating the coating process
    • 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
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/08—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness for measuring thickness
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Organic Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

방법은 기판의 제1 영역의 제1 구조 데이터를 식별하는 단계 및 처리 챔버에서의 하나 이상의 기판 퇴적 프로세스와 연관된 기판의 광학 계측 데이터를 수신하는 단계를 포함한다. 방법은, 광학 계측 데이터 및 제1 구조 데이터에 기초하여, 하나 이상의 기판 퇴적 프로세스와 연관된 기판의 제1 영역의 제1 성장 속도를 결정하는 단계를 더 포함한다. 방법은, 광학 계측 데이터 및 제1 성장 속도에 기초하여, 제2 영역의 제2 구조 데이터 없이 기판의 제2 영역의 두께 데이터를 예측하는 단계를 더 포함한다.

Description

이미징 계측을 이용한 공간 패턴 부하 측정
본 개시내용은 측정들, 더 구체적으로, 공간 패턴 부하 측정들을 수행하는 것에 관한 것이다.
기판들은 기판 처리 장비를 통해 처리된다. 일부 기판들은 물질의 층들이 기판들 상에 추가되는 기판 퇴적 프로세스들을 겪는다.
다음은, 본 개시내용의 일부 양상들의 기본적인 이해를 제공하기 위해 본 개시내용의 간략화된 요약이다. 이 요약은 본 개시내용의 광범위한 개요가 아니다. 이는 본 개시내용의 핵심적이거나 중요한 요소들을 식별하기 위해 의도된 것도 아니고, 본 개시내용의 특정 구현들의 임의의 범위 또는 청구항들의 임의의 범위를 기술하기 위해 의도된 것도 아니다. 그의 유일한 목적은, 이후에 제시되는 더 상세한 설명에 대한 서두로서 본 개시내용의 일부 개념들을 간략화된 형태로 제시하는 것이다.
본 개시내용의 양상에서, 방법은 기판의 제1 영역의 제1 구조 데이터를 식별하는 단계 및 처리 챔버에서의 하나 이상의 기판 퇴적 프로세스와 연관된 기판의 광학 계측 데이터를 수신하는 단계를 포함한다. 방법은, 광학 계측 데이터 및 제1 구조 데이터에 기초하여, 하나 이상의 기판 퇴적 프로세스와 연관된 기판의 제1 영역의 제1 성장 속도를 결정하는 단계를 더 포함한다. 방법은, 광학 계측 데이터 및 제1 성장 속도에 기초하여, 제2 영역의 제2 구조 데이터 없이 기판의 제2 영역의 두께 데이터를 예측하는 단계를 더 포함한다.
본 개시내용의 양상에서, 시스템은 메모리 및 메모리에 결합된 처리 디바이스를 포함한다. 처리 디바이스는 기판의 제1 영역의 제1 구조 데이터를 식별하고, 처리 챔버에서의 하나 이상의 기판 퇴적 프로세스와 연관된 기판의 광학 계측 데이터를 수신하기 위한 것이다. 처리 디바이스는 추가로, 광학 계측 데이터 및 제1 구조 데이터에 기초하여, 하나 이상의 기판 퇴적 프로세스와 연관된 기판의 제1 영역의 제1 성장 속도를 결정하기 위한 것이다. 처리 디바이스는 추가로, 광학 계측 데이터 및 제1 성장 속도에 기초하여, 제2 영역의 제2 구조 데이터 없이 기판의 제2 영역의 두께 데이터를 예측하기 위한 것이다.
본 개시내용의 양상에서, 비일시적 컴퓨터 판독가능한 매체는 그에 저장된 명령어들을 갖고, 명령어들은, 처리 디바이스에 의해 실행될 때, 처리 디바이스로 하여금, 기판의 제1 영역의 제1 구조 데이터를 식별하는 동작 및 처리 챔버에서의 하나 이상의 기판 퇴적 프로세스와 연관된 기판의 광학 계측 데이터를 수신하는 동작을 포함하는 동작들을 수행하게 한다. 동작들은, 광학 계측 데이터 및 제1 구조 데이터에 기초하여, 하나 이상의 기판 퇴적 프로세스와 연관된 기판의 제1 영역의 제1 성장 속도를 결정하는 동작을 더 포함한다. 동작들은, 광학 계측 데이터 및 제1 성장 속도에 기초하여, 제2 영역의 제2 구조 데이터 없이 기판의 제2 영역의 두께 데이터를 예측하는 동작을 더 포함한다.
본 개시내용은 첨부 도면들의 도면들에서 제한으로서가 아니라 예로서 예시된다.
도 1은 특정 실시예들에 따른, 예시적인 시스템 아키텍처를 예시하는 블록도이다.
도 2a-b는 특정 실시예들에 따른, 공간 패턴 부하 측정들과 연관된 흐름도들이다.
도 3a-c는 특정 실시예들에 따른, 공간 패턴 부하 측정들과 연관하여 사용되는 계측 장비를 예시한다.
도 4a-j는 특정 실시예들에 따른, 공간 패턴 부하 측정들과 연관된 기판들을 예시한다.
도 5a-c는 특정 실시예들에 따른, 공간 패턴 부하 측정들과 연관된 그래프들을 예시한다.
도 6a는 특정 실시예들에 따른, 모델에 대한 데이터 세트들을 생성하기 위한 예시적인 데이터 세트 생성기이다.
도 6b는 특정 실시예들에 따른, 예측 데이터를 결정하는 것을 예시하는 블록도이다.
도 7a-c는 특정 실시예들에 따른, 공간 패턴 부하 측정들과 연관된 방법들의 흐름도들이다.
도 8은 특정 실시예들에 따른, 컴퓨터 시스템을 예시하는 블록도이다.
(예를 들어, 성장 체제의 식별에 의한) 이미징 계측을 이용한 공간 패턴 부하 측정들에 관한 기술들이 본원에 설명된다.
기판들은 기판 처리 장비를 사용하여 처리된다. 기판은 처리 챔버에서 기판 퇴적 프로세스들을 겪을 수 있다. 기판의 상이한 영역들은 상이한 물리적 및/또는 화학적 특징들(features)을 가질 수 있다. 기판 퇴적 프로세스에서, 기판은 먼저 핵형성 단계(nucleation phase)(예를 들어, 핵형성 체제)를 겪고, 그 다음, 성장 단계(예를 들어, 성장 체제)를 겪을 수 있다. 핵형성 단계에서, 기판 상의 상이한 물질들로 이루어진 층들 상에 하나 이상의 물질이 추가된다. 핵형성 단계에서 원자 층이 하부 층 위에 완전히 성장되고 나면, 성장 단계는 유사한 물질들의 층들 상으로의 물질들의 추가를 포함한다. (예를 들어, 상이한 종횡비들을 갖고, 상이한 물리적 및/또는 화학적 특징들을 갖는) 기판의 일부 영역들은 상이한 시간들에서 성장 단계를 시작한다. 이는, 상이한 두께들의 물질들이 기판의 상이한 영역들 상에 퇴적되게 하고 이는 기판들의 불균일성, 기판들의 오작동, 감소된 성능 등을 야기할 수 있다.
기판들 상의 층들의 불균일성을 결정하기 위해, 기판들이 측정되어야 한다. 기판은 수백 개의 기판 퇴적 프로세스들을 겪을 수 있다. 통상적으로, 측정들은 주기적으로 수행된다. 기판의 하부 구조들은 알려지지 않거나 밝혀지지 않을 수 있다. 하나의 종래의 해결책은, 측정들을 수행하기 위해, 기판을 사용불가능하게 하는 파괴적 계측을 수행하는 것이다. 다른 종래의 해결책은, 기판 상의 모든 다른 영역들이, 하부 구조가 알려져 있는 기준 영역과 동일하다고 추정하는 것이다. 이는, (예를 들어, 상이한 영역들의 상이한 물리적 특징들 및/또는 화학적 특징들로 인해) 잘못된 추정된 측정치들을 생성할 수 있다.
본원에 개시된 시스템들 및 방법들은 (예를 들어, 성장 체제의 식별에 의한) 이미징 계측을 이용한 공간 패턴 부하 측정들과 연관된다.
기판의 제1 영역의 제1 구조 데이터(예를 들어, 하부 구조)가 식별된다. 제1 영역은 계측 패드(예를 들어, 기판의 비기능 부분)일 수 있다. 처리 챔버에서의 기판 퇴적 프로세스들과 연관된 기판의 광학 계측 데이터(예를 들어, 반사 측정 데이터)가 수신된다. 광학 계측 데이터는 (예를 들어, 하나 이상의 기판 퇴적 프로세스 이전에, 동안에 그리고/또는 이후에) 다수의 시점들에서 기판의 다수의 영역들에 대해 수신될 수 있다. (예를 들어, 제1 영역의) 광학 계측 데이터 및 제1 구조 데이터(예를 들어, 하부 구조)에 기초하여, 기판 퇴적 프로세스들과 연관된 기판의 제1 영역의 제1 성장 속도가 결정된다. 성장 속도는 기판 퇴적 프로세스들로 인한 시간에 따른 하나 이상의 층의 두께의 증가를 포함할 수 있다.
기판의 제2 영역의 두께 데이터(예를 들어, 제2 영역의 구조 데이터가 알려지지 않은 경우)는 (예를 들어, 제2 영역의) 광학 계측 데이터 및 제1 성장 속도에 기초하여 예측된다. 두께 데이터는, 제2 영역 상에서의 기판 퇴적 프로세스들의 성장 체제의 개시; 제1 영역과 제2 영역 사이의 두께 차이; 제2 영역 상의 퇴적된 두께 등 중 하나 이상을 나타낼 수 있다.
일부 실시예들에서, 기판 퇴적 프로세스들 전의 제2 영역의 측정된 데이터가 결정된다. 제2 영역의 추정된 두께 데이터가 결정된다. 추정된 두께 데이터는 이전 시점(예를 들어, 기판 퇴적 프로세스들 이전)까지 외삽된다. 오프셋 데이터는 이전 시점의 측정된 데이터와 예상되는 데이터 사이의 차이에 기초하여 결정된다. 오프셋 데이터는 제2 영역에서의 성장 체제의 개시의 지연을 나타낼 수 있다. 오프셋 데이터는, (예를 들어, 제2 데이터의 하부 구조 데이터가 알려지지 않은 경우에도) 제2 영역의 두께 데이터를 예측하는 데 사용될 수 있다.
두께 데이터의 예측은, 다항식 피팅, 경험적 모델, 훈련된 기계 학습 모델 등 중 하나 이상을 이용하여 수행될 수 있다.
두께 데이터는, 처리 챔버에서의 기판 퇴적 프로세스들과 연관된 보정 액션을 야기하는 데 사용될 수 있다. 일부 예들에서, 제2 영역의 두께 데이터가 제3 영역의 두께 데이터와 상이하다고(예를 들어, 성장 체제의 개시의 지연) 결정하는 것에 응답하여, 기판 퇴적 프로세스들이 균일성을 제공하도록 제어된다(예를 들어, 제3 영역에 대해 기판 퇴적 프로세스들을 수행하지 않고 제2 영역에 대해 기판 퇴적 프로세스들이 수행된다). 일부 예들에서, 제2 영역의 두께 데이터가 다른 영역의 두께 데이터와 상이하다고(예를 들어, 두께에서의 차이가 임계값을 초과한다고) 결정하는 것에 응답하여, 기판이 폐기될 수 있고, 보정 액션이 발생할 수 있다(예를 들어, 기판의 설계를 업데이트할 수 있고, 제조 파라미터들을 업데이트할 수 있고, 기판 퇴적 프로세스들을 업데이트할 수 있는 등이다). 일부 예들에서, 제2 영역의 두께 데이터에 기초하여 경고가 제공될 수 있다.
본 개시내용의 양상들은 종래의 해결책들과 비교하여 기술적 장점들을 초래한다. 본 개시내용은 계측 데이터를 끊임없이 수집하지 않고 두께 데이터를 제공할 수 있고 이는 시간, 에너지, 대역폭, 프로세서 오버헤드, 저장소 등을 절약한다. 본 개시내용은, 파괴적 계측을 사용하는 일부 종래의 방식들과 비교하여 비파괴적 방식으로 두께 데이터를 제공할 수 있다(예를 들어, 기판은 두께 데이터를 제공한 후에 여전히 사용가능하다). 본 개시내용은, 모든 영역들이 동일하다고 가정하는 것에 기초하여 잘못된 추정된 두께 데이터를 제공하는 종래의 해결책들과 비교하여, 하부 구조가 알려지지 않은 영역들에 대한 두께 데이터를 제공할 수 있다. 본 개시내용은, 종래의 해결책들과 비교하여, 더 양호한 기판들, 더 양호한 기판 퇴적 프로세스들, 더 양호한 제조 파라미터들, 덜 폐기된 기판들 등을 갖도록 보정 액션들을 수행하는 것을 허용한다.
도 1은 특정 실시예들에 따른, 시스템(100)의 예시적인 시스템 아키텍처를 예시하는 블록도이다. 시스템(100)은 클라이언트 디바이스(106), 기판 처리 장비(120), 센서들(122), 계측 장비(124), 예측 서버(112), 및 데이터 저장소(150)를 포함한다. 예측 서버(112)는 예측 시스템(110)의 일부일 수 있다. 예측 시스템(110)은 서버 기계들(170 및 180)을 더 포함할 수 있다.
기판 처리 장비(120)는 처리 챔버를 포함할 수 있다.
센서들(122)은 기판 처리 장비(120)에 의해 생성된 기판과 연관된 센서 데이터(154)(예를 들어, 기판 처리 장비(120)의 제조 파라미터들 등)를 제공할 수 있다. 센서 데이터(154)는 온도(예를 들어, 가열기 온도), 간격(SP), 압력, 고주파 무선 주파수(HFRF), 정전 척(ESC)의 전압, 전류, 유동, 전력, 전압 등 중 하나 이상의 값을 포함할 수 있다. 센서 데이터(154)는 제조 파라미터들, 예컨대, 기판 처리 장비(120)의 하드웨어 파라미터들(예를 들어, 기판 처리 장비(120)의 설정들 또는 구성요소들(예를 들어, 크기, 유형 등)) 또는 프로세스 파라미터들과 연관되거나 그들을 나타낼 수 있다. 센서 데이터(154)는 기판 처리 장비(120)가 기판 처리 동작들을 수행하고 있는 동안 제공될 수 있다(예를 들어, 기판들을 처리할 때의 장비 판독들). 센서 데이터(154)는 각각의 제품(예를 들어, 각각의 기판)에 대해 상이할 수 있다.
계측 장비(124)는 기판 처리 장비(120)에 의해 생성된 기판의 계측 데이터(156)(예를 들어, 측정치들, 물질 특성들, 저장 정보, 환경 조건들 등)를 제공할 수 있다. 계측 장비(124)는 기판 처리 장비(120)에 의해 처리되기 전에, 동안에, 그리고/또는 이후에 기판들과 연관된 계측 데이터(156)(예를 들어, 기판들의 특성 데이터)를 제공할 수 있다. 계측 데이터(156)는 막 특성 데이터(예를 들어, 웨이퍼 공간적 막 특성들), 치수들(예를 들어, 두께, 높이 등), 유전 상수, 도펀트 농도, 밀도, 결함들 등 중 하나 이상의 값을 포함할 수 있다. 계측 데이터(156)는 완제품 또는 반제품의 것일 수 있다. 계측 데이터(156)는 각각의 제품(예를 들어, 각각의 기판)에 대해 상이할 수 있다.
데이터 통합 서버(102), 클라이언트 디바이스(106), 기판 처리 장비(120), 센서들(122), 계측 장비(124), 예측 서버(112), 데이터 저장소(150), 서버 기계(170) 및 서버 기계(180)는 보정 액션들을 수행하기 위해 예측 데이터(168)를 결정하기 위해서 네트워크(130)를 통해 서로 결합될 수 있다. 일부 실시예들에서, 네트워크(130)는 예측 서버(112), 데이터 저장소(150), 및 다른 공개적으로 이용가능한 컴퓨팅 디바이스들에 대한 액세스를 클라이언트 디바이스(106)에 제공하는 공용 네트워크이다. 일부 실시예들에서, 네트워크(130)는 데이터 저장소(150) 및 다른 사적으로 이용가능한 컴퓨팅 디바이스들에 대한 액세스를 데이터 통합 서버(102)에 제공하고 예측 서버(112), 데이터 저장소(150) 및 다른 사적으로 이용가능한 컴퓨팅 디바이스들에 대한 액세스를 클라이언트 디바이스(106)에 제공하는 사설 네트워크이다. 네트워크(130)는 하나 이상의 광역 네트워크(WAN), 근거리 네트워크(LAN), 유선 네트워크(예를 들어, 이더넷 네트워크), 무선 네트워크(예를 들어, 802.11 네트워크 또는 Wi-Fi 네트워크), 셀룰러 네트워크(예를 들어, 롱 텀 에볼루션(LTE) 네트워크), 라우터, 허브, 스위치, 서버 컴퓨터, 클라우드 컴퓨팅 네트워크, 및/또는 이들의 조합을 포함할 수 있다.
클라이언트 디바이스(106)는 컴퓨팅 디바이스, 예컨대, 개인용 컴퓨터(PC), 데스크톱 컴퓨터, 랩톱, 모바일 폰, 스마트폰, 태블릿 컴퓨터, 넷북 컴퓨터 등을 포함할 수 있다. 클라이언트 디바이스(106)는 보정 액션 구성요소(108)를 포함할 수 있다. 보정 액션 구성요소(108)는 기판 및/또는 기판과 연관된 기판 처리 장비(120)와 연관된 표시의 사용자 입력을 (예를 들어, 클라이언트 디바이스(106)를 통해 디스플레이된 그래픽 사용자 인터페이스(GUI)를 통해) 수신할 수 있다. 일부 실시예들에서, 보정 액션 구성요소(108)는 표시를 예측 시스템(110)에 송신하고, 예측 시스템(110)으로부터 출력(예를 들어, 예측 데이터(168))을 수신하고, 출력에 기초하여 보정 액션을 결정하고, 보정 액션이 구현되게 한다. 클라이언트 디바이스(106)는 사용자들이 데이터(예를 들어, 기판 처리 장비(120), 기판, 보정 액션들 등과 연관된 표시)를 생성하거나, 보거나 편집하는 것 중 하나 이상을 하는 것을 허용하는 운영 체제를 포함할 수 있다.
보정 액션들은 기판 퇴적 프로세스들의 업데이트, 기판 설계의 업데이트, 계산 프로세스 제어(CPC), 통계 프로세스 제어(SPC), 자동 프로세스 제어(APC), 예방 운영 유지보수, 설계 최적화, 제조 파라미터들의 업데이트, 피드백 제어, 기계 학습 수정 등 중 하나 이상과 연관될 수 있다.
일부 실시예들에서, 보정 액션은 경고(예를 들어, 제품의 표면이 균일하지 않을 것으로 예측되는 것과 같이, 예측 데이터(168)가, 제품이 불량한 성능을 가질 것을 나타내는 경우, 제조 프로세스를 정지하거나 수행하지 않기 위한 경보)를 제공하는 것을 포함한다. 일부 실시예들에서, 보정 액션은 피드백 제어(예를 들어, 제조 파라미터를 수정하는 것, 예컨대, 기판의 영역의 성장 단계의 개시의 지연을 나타내는 예측 데이터(168)에 기초하여 기판 퇴적 프로세스들을 조정하는 것)를 제공하는 것이다. 일부 실시예들에서, 보정 액션은 기계 학습(예를 들어, 예측 데이터(168)에 기초하여 하나 이상의 기판 퇴적 프로세스, 제조 파라미터 등을 수정하는 것)을 제공하는 것이다.
일부 실시예들에서, 보정 액션은 하나 이상의 제조 파라미터에 대한 업데이트를 야기하는 것을 포함한다. 제조 파라미터들은 하드웨어 파라미터들(예를 들어, 구성요소들을 교체하는 것, 특정 구성요소들을 사용하는 것 등) 및/또는 프로세스 파라미터들(예를 들어, 온도, 압력, 유동, 속도 등)을 포함할 수 있다. 일부 실시예들에서, 보정 액션은 예방 운영 유지보수(예를 들어, 기판 처리 장비(120)의 구성요소들의 교체, 처리, 세정 등)를 야기하는 것이다. 일부 실시예들에서, 보정 액션은 설계 최적화(예를 들어, 최적화된 제품에 대해, 제조 파라미터들, 제조 프로세스들, 부품 설계, 기판 처리 장비(120) 등을 업데이트하는 것)를 야기하는 것이다.
예측 서버(112), 서버 기계(170) 및 서버 기계(180)은 각각, 하나 이상의 컴퓨팅 디바이스, 예컨대, 랙마운트 서버, 라우터 컴퓨터, 서버 컴퓨터, PC, 메인프레임 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 데스크톱 컴퓨터, 그래픽 처리 유닛(GPU), 가속기 주문형 집적 회로(ASIC)(예를 들어, 텐서 처리 유닛(TPU)) 등을 포함할 수 있다.
예측 서버(112)는 예측 구성요소(114)를 포함할 수 있다. 일부 실시예들에서, 예측 구성요소(114)는 데이터 저장소로부터 현재 데이터(164)(예를 들어, 구조 데이터(152), 센서 데이터(154), 계측 데이터(156) 등)를 검색하고, 기판 및/또는 기판 처리 장비(120)와 연관된 보정 액션을 수행하기 위한 출력(예를 들어, 예측 데이터(168))을 생성할 수 있다. 일부 실시예들에서, 예측 구성요소(114)는 보정 액션을 수행하기 위한 출력을 결정하기 위해 모델(190)(예를 들어, 다항식 피팅, 경험적 모델, 훈련된 기계 학습 모델 등)을 사용할 수 있다. 모델(190)은, 핵심 프로세스, 제품, 및/또는 하드웨어 파라미터들을 학습하기 위해 이력 데이터(162)(예를 들어, 구조 데이터(152), 센서 데이터(154), 계측 데이터(156) 등)를 사용하여 훈련될 수 있다. 훈련된 모델(190)에 의해, 보정 액션을 수행하기 위한 출력을 생성하는 것은, 훈련된 모델(190)에 의해, 최적의 기판 퇴적 프로세스들, 동작 조건들(예를 들어, 프로세스 파라미터들) 및/또는 공간(예를 들어, 하드웨어 파라미터들)을 규정하는 것을 포함할 수 있다. 일부 실시예들에서, 예측 구성요소(114)는 현재 데이터(164)(예를 들어, 구조 데이터(152), 센서 데이터(154), 계측 데이터(156) 등)를 훈련된 모델(190)에 제공하고, 훈련된 모델(190)로부터 출력을 획득하고, 출력에 기초하여 예측 데이터(168)를 결정함으로써 보정 액션을 수행하기 위한 예측 데이터(168)를 결정한다.
데이터 저장소(150)는 메모리(예를 들어, 랜덤 액세스 메모리), 드라이브(예를 들어, 하드 드라이브, 플래시 드라이브), 데이터베이스 시스템, 또는 데이터를 저장할 수 있는 다른 유형의 구성요소 또는 디바이스일 수 있다. 데이터 저장소(150)는 다수의 컴퓨팅 디바이스들(예를 들어, 다수의 서버 컴퓨터들)에 걸쳐 있을 수 있는 다수의 저장 구성요소들(예를 들어, 다수의 드라이브들 또는 다수의 데이터베이스들)을 포함할 수 있다. 데이터 저장소(150)는 구조 데이터(152), 센서 데이터(154), 계측 데이터(156), 성장 속도 데이터(158), 두께 데이터(160), 이력 데이터(162), 현재 데이터(164) 및/또는 예측 데이터(168)를 저장할 수 있다. 이력 데이터(162)(예를 들어, 구조 데이터(152), 센서 데이터(154), 계측 데이터(156) 등)는 모델(190)을 훈련시키는 데 사용될 수 있다. 현재 데이터(164)는 예측 데이터(168)가 (예를 들어, 보정 액션들을 수행하기 위해) 생성될 데이터(예를 들어, 구조 데이터(152), 센서 데이터(154), 계측 데이터(156) 등)일 수 있다.
구조 데이터(152), 센서 데이터(154), 및/또는 계측 데이터(156)의 각각의 인스턴스(예를 들어, 세트)는 대응하는 기판 처리 장비(120), 대응하는 타임스탬프, 대응하는 제품(예를 들어, 기판), 및/또는 제품의 대응하는 영역에 대응할 수 있다.
일부 실시예들에서, 클라이언트 디바이스(106)는 이력 데이터(162)(예를 들어, 구조 데이터(152), 센서 데이터(154), 계측 데이터(156) 등) 및/또는 현재 데이터(164)(예를 들어, 구조 데이터(152), 센서 데이터(154), 계측 데이터(156) 등)를 데이터 저장소(150)에 저장할 수 있고, 예측 서버(112)는 이력 데이터(162) 및/또는 현재 데이터(164)를 데이터 저장소(150)로부터 검색할 수 있다. 일부 실시예들에서, 예측 서버(112)는 훈련된 모델(190)의 출력(예를 들어, 예측 데이터(168))을 데이터 저장소(150)에 저장할 수 있고, 클라이언트 디바이스(106)는 데이터 저장소(150)로부터 출력을 검색할 수 있다.
일부 실시예들에서, 예측 시스템(110)은 서버 기계(170) 및 서버 기계(180)를 더 포함한다. 서버 기계(170)는 시험 모델(190)을 훈련하고, 검증하고/거나 시험하기 위한 데이터 세트들(예를 들어, 데이터 입력들의 세트, 데이터 입력들의 세트 및 타겟 출력들의 세트)을 생성할 수 있는 데이터 세트 생성기(172)를 포함한다. 데이터 세트 생성기(172)의 일부 동작들은 도 6a 및 7a와 관련하여 아래에서 상세히 설명된다. 일부 실시예들에서, 데이터 세트 생성기(172)는 이력 데이터(162)를 훈련 세트(예를 들어, 이력 데이터(162)의 60퍼센트), 검증 세트(예를 들어, 이력 데이터(162)의 20퍼센트), 및 시험 세트(예를 들어, 이력 데이터(162)의 20퍼센트)로 분할할 수 있다. 일부 실시예들에서, 예측 시스템(110)은 (예를 들어, 예측 구성요소(114)를 통해) 특징들의 다수의 세트들을 생성한다. 예를 들어, 특징들의 제1 세트는 데이터 세트들(예를 들어, 훈련 세트, 검증 세트, 및 시험 세트) 각각에 대응하는 (예를 들어, 기판의 제1 영역과 연관된, 센서들의 제1 세트로부터 등의) 데이터의 제1 세트일 수 있고, 특징들의 제2 세트는 데이터 세트들 각각에 대응하는 (예를 들어, 기판의 제2 영역과 연관된, 센서들의 제1 세트와 상이한, 센서들의 제2 세트로부터 등의) 데이터의 유형들의 제2 세트일 수 있다.
서버 기계(180)는 훈련 엔진(182), 검증 엔진(184), 선택 엔진, 및/또는 시험 엔진(186)을 포함한다. 엔진(예를 들어, 훈련 엔진(182), 검증 엔진(184), 선택 엔진(185), 및 시험 엔진(186))은 하드웨어(예를 들어, 회로, 전용 로직, 프로그램가능 로직, 마이크로코드, 처리 디바이스 등), 소프트웨어(예컨대, 처리 디바이스, 범용 컴퓨터 시스템, 또는 전용 기계 상에서 실행되는 명령어들), 펌웨어, 마이크로코드, 또는 이들의 조합을 지칭할 수 있다. 훈련 엔진(182)은 데이터 세트 생성기(172)로부터의 훈련 세트와 연관된 특징들의 하나 이상의 세트를 사용하여 모델(190)을 훈련시킬 수 있다. 훈련 엔진(182)은 다수의 훈련된 모델들(190)을 생성할 수 있고, 여기서, 각각의 훈련된 모델(190)은 훈련 세트의 특징들의 별개의 세트(예를 들어, 센서들의 별개의 세트로부터의 센서 데이터)에 대응한다. 예를 들어, 제1 훈련된 모델은 모든 특징들(예를 들어, X1-X5)을 사용하여 훈련되었을 수 있고, 제2 훈련된 모델은 특징들의 제1 하위세트(예를 들어, X1, X2, X4)를 사용하여 훈련되었을 수 있고, 제3 훈련된 모델은, 특징들의 제1 하위세트와 부분적으로 중첩될 수 있는, 특징들의 제2 하위세트(예를 들어, X1, X3, X4, 및 X5)를 사용하여 훈련되었을 수 있다.
검증 엔진(184)은, 데이터 세트 생성기(172)로부터의 검증 세트의 특징들의 대응하는 세트를 사용하여, 훈련된 모델(190)을 검증할 수 있다. 예를 들어, 훈련 세트의 특징들의 제1 세트를 사용하여 훈련된 제1 훈련된 모델(190)은 검증 세트의 특징들의 제1 세트를 사용하여 검증될 수 있다. 검증 엔진(184)은, 검증 세트의 특징들의 대응하는 세트들에 기초하여, 훈련된 모델들(190) 각각의 정확도를 결정할 수 있다. 검증 엔진(184)은 임계 정확도를 충족하지 않는 정확도를 갖는 훈련된 모델들(190)을 폐기할 수 있다. 일부 실시예들에서, 선택 엔진(185)은 임계 정확도를 충족하는 정확도를 갖는 하나 이상의 훈련된 모델(190)을 선택할 수 있다. 일부 실시예들에서, 선택 엔진(185)은 훈련된 모델들(190) 중 가장 높은 정확도를 갖는 훈련된 모델(190)을 선택할 수 있다.
시험 엔진(186)은, 데이터 세트 생성기(172)로부터의 시험 세트의 특징들의 대응하는 세트를 사용하여, 훈련된 모델(190)을 시험할 수 있다. 예를 들어, 훈련 세트의 특징들의 제1 세트를 사용하여 훈련된 제1 훈련된 모델(190)은 시험 세트의 특징들의 제1 세트를 사용하여 시험될 수 있다. 시험 엔진(186)은 시험 세트들에 기초하여 모든 훈련된 모델들 중 가장 높은 정확도를 갖는 훈련된 모델(190)을 결정할 수 있다.
모델(190)은, 데이터 입력들 및, 일부 실시예들에서, 대응하는 타겟 출력들(각각의 훈련 입력들에 대한 올바른 응답들)을 포함하는 훈련 세트를 사용하여 훈련 엔진(182)에 의해 생성되는 모델 아티팩트를 지칭할 수 있다. 데이터 입력을 클러스터링하고/거나 데이터 입력을 타겟 출력(올바른 응답)에 맵핑하는, 데이터 세트들에서의 패턴들이 발견될 수 있고, 모델(190)은 이러한 패턴들을 캡처하는 맵핑들을 제공받는다. 모델(190)은, 기계 학습 모델, 다항식 피팅, 경험적 모델, 무감독 기계 학습 모델, 감독 기계 학습 모델, 선형 회귀, 랜덤 포레스트, 신경망(예를 들어, 인공 신경망) 등 중 하나 이상을 사용할 수 있다.
예측 구성요소(114)는 현재 데이터(164)를 훈련된 모델(190)에 제공할 수 있고, 하나 이상의 출력을 획득하기 위해 입력에 대해, 훈련된 모델(190)을 실행할 수 있다. 예측 구성요소(114)는 훈련된 모델(190)의 출력으로부터 예측 데이터(168)를 결정(예를 들어, 추출)할 수 있고, 예측 데이터(168)가 기판에 대응하는(예를 들어, 두께 데이터(160)에 대응하는) 신뢰 수준을 나타내는 신뢰도 데이터를 출력으로부터 결정(예를 들어, 추출)할 수 있다. 예측 구성요소(114) 또는 보정 액션 구성요소(108)는 예측 데이터(168)에 기초하여 기판 처리 장비(120)와 연관된 보정 액션을 야기할지 여부를 결정하기 위해 신뢰도 데이터를 사용할 수 있다.
신뢰도 데이터는 예측 데이터(168)가 현재 데이터(164)에 대응하는 신뢰도 수준을 포함하거나 나타낼 수 있다. 일 예에서, 신뢰도 수준은 0과 1 사이의 실수이고, 여기서 0은 예측 데이터(168)가 현재 데이터(164)에 대응하는 신뢰도가 없음을 나타내고, 1은 예측 데이터(168)가 현재 데이터(164)에 대응하는 절대 신뢰도를 나타낸다. 일부 실시예들에서, 시스템(100)은, 계측 데이터를 결정할 때마다 계측 장비(124)를 사용하는 대신, 파괴적 계측 장비를 사용하는 대신 등에, 예측 데이터(168)를 결정하기 위해 예측 시스템(110)을 사용할 수 있다. 일부 실시예들에서, 임계 수준 미만인 신뢰도 수준을 나타내는 신뢰도 데이터에 응답하여, 시스템(100)은 계측 장비(124)가 계측 데이터를 더 자주 생성하게 할 수 있다. 미리 결정된 개수의 인스턴스들(예를 들어, 인스턴스들의 백분율, 인스턴스들의 빈도, 인스턴스들의 총 개수 등)에 대한 임계 수준 미만의 신뢰도 수준을 나타내는 신뢰도 데이터에 응답하여, 예측 구성요소(114)는 (예를 들어, 현재 데이터(164) 등에 기초하여) 훈련된 모델(190)이 재훈련되게 할 수 있다.
예시의 목적을 위해, 제한이 아니라, 본 개시내용의 양상들은, 예측 데이터(168)를 결정하기 위해 이력 데이터(162)를 사용하고 현재 데이터(164)를 훈련된 모델에 입력하는 모델의 훈련을 설명한다. 다른 구현들에서, 경험적 모델 또는 규칙 기반 모델이 (예를 들어, 훈련된 모델을 사용하지 않고) 예측 데이터(168)를 결정하는 데 사용된다. 예측 구성요소(114)는 이력 데이터(162)를 모니터링할 수 있다. 도 6a의 데이터 입력들(601)에 대하여 설명된 정보 중 임의의 것이 모니터링될 수 있거나 경험적 또는 규칙 기반 모델에서 다른 방식으로 사용될 수 있다.
일부 실시예들에서, 클라이언트 디바이스(106), 예측 서버(112), 서버 기계(170), 및 서버 기계(180)의 기능들은 더 적은 개수의 기계들에 의해 제공될 수 있다. 예를 들어, 일부 실시예들에서, 서버 기계들(170 및 180)이 단일 기계로 통합될 수 있는 반면, 일부 다른 실시예들에서, 서버 기계(170), 서버 기계(180), 및 예측 서버(112)가 단일 기계로 통합될 수 있다. 일부 실시예들에서, 클라이언트 디바이스(106) 및 예측 서버(112)가 단일 기계로 통합될 수 있다.
일반적으로, 일 실시예에서 클라이언트 디바이스(106), 예측 서버(112), 서버 기계(170) 및 서버 기계(180)에 의해 수행되는 것으로 설명된 기능들은 또한, 적절한 경우 다른 실시예들에서 예측 서버(112) 상에서 수행될 수 있다. 추가적으로, 특정 구성요소에 기인하는 기능성은 함께 동작하는 상이한 또는 다수의 구성요소에 의해 수행될 수 있다. 예를 들어, 일부 실시예들에서, 예측 서버(112)는 예측 데이터에 기초하여 보정 액션을 결정할 수 있다. 다른 예에서, 클라이언트 디바이스(106)는 훈련된 모델로부터의 출력에 기초하여 예측 데이터(168)를 결정할 수 있다.
추가적으로, 특정 구성요소의 기능들은 함께 동작하는 상이한 또는 다수의 구성요소에 의해 수행될 수 있다. 예측 서버(112), 서버 기계(170) 또는 서버 기계(180) 중 하나 이상은 적절한 응용 프로그래밍 인터페이스(API)를 통해 다른 시스템들 또는 디바이스들에 제공되는 서비스로서 액세스될 수 있다.
실시예들에서, "사용자"는 단일 개인으로서 표현될 수 있다. 그러나, 본 개시내용의 다른 실시예들은 복수의 사용자들 및/또는 자동화된 소스에 의해 제어되는 엔티티인 "사용자"를 포괄한다. 예를 들어, 관리자들의 그룹으로서 연합된, 개별 사용자들의 세트가 "사용자"로 간주될 수 있다.
본 개시내용의 실시예들은 제조 설비들(예를 들어, 기판 처리 설비들)에서 보정 액션을 수행하기 위해 예측 데이터(168)를 생성하는 것에 관하여 논의되지만, 실시예들은 또한 일반적으로, 액션을 수행하기 위해 데이터를 예측하는 것에 적용될 수 있다. 예를 들어, 데이터(예를 들어, 계측 데이터)는 구성요소들의 수명의 끝을 예측하기 위해 수집될 수 있다. 다른 예에서, 이미지들은 이미지들의 이미지 분류를 예측하기 위해 대응하는 이미지 분류와 함께 집계될 수 있다.
도 2a-b는 특정 실시예들에 따른, 공간 패턴 부하 측정들과 연관된 방법들(200A-B)의 흐름도들이다. 방법들(200A-B)은, 하드웨어(예를 들어, 회로, 전용 로직, 프로그램가능 로직, 마이크로코드, 처리 디바이스 등), 소프트웨어(예컨대, 처리 디바이스, 범용 컴퓨터 시스템, 또는 전용 기계 상에서 실행되는 명령어들), 펌웨어, 마이크로코드, 또는 이들의 조합을 포함할 수 있는 처리 로직에 의해 수행될 수 있다. 일부 실시예들에서, 방법들(200A-B)은, 부분적으로, 클라이언트 디바이스(106)(예를 들어, 보정 액션 구성요소(108)) 또는 예측 서버(112)(예를 들어, 예측 구성요소(114))에 의해 수행될 수 있다. 일부 실시예들에서, 비일시적 저장 매체는 (예를 들어, 예측 서버(112)의, 클라이언트 디바이스(106)의) 처리 디바이스에 의해 실행될 때 처리 디바이스로 하여금 방법들(200A-B)을 수행하게 하는 명령어들을 저장한다.
설명의 단순화를 위해, 방법들(200A-B)은 일련의 동작들로서 도시되고 설명된다. 그러나, 본 개시내용에 따른 동작들은 다양한 순서들로 그리고/또는 동시에 그리고 본원에 제시 및 설명되지 않은 다른 동작들과 함께 발생할 수 있다. 게다가, 개시된 주제에 따른 방법들(200A-B)을 구현하기 위해, 예시된 동작들 전부가 수행되는 것은 아닐 수 있다. 추가적으로, 관련 기술분야의 통상의 기술자들은, 방법들(200A-B)이 대안적으로, 상태도 또는 이벤트들을 통해 일련의 상호관련된 상태들로서 표현될 수 있다는 것을 이해하고 인식할 것이다.
방법들(200A-B)은 하부 층들 또는 구조들에 대한 최소한의 지식을 이용하여 영역들 상의 반도체 추가 프로세스들의 성장 체제의 개시를 식별하기 위해 인-시튜(in-situ) 또는 순차적 이미징 계측에 사용될 수 있다. 방법들(200A-B)은 (예를 들어, 디바이스 영역에서의 하부 층들 또는 구조들에 대한 최소한의 지식으로) 기능적 디바이스 영역 상의 성장 체제의 개시를 공간적으로 식별함으로써 (예를 들어, 기판 퇴적 프로세스들로부터 초래되는) 다이 내 공간 패턴 부하 효과를 모니터링하는 데 사용될 수 있다. 방법들(200A-B)은 성장 체제의 식별에 의한 이미징 계측을 이용한 공간 패턴 부하 측정에 사용될 수 있다. 제2 원자 층 성장의 영역별 개시가 식별될 수 있고(예를 들어, 개시 시에, 동일한 물질이, 유사한 물질들로 이루어진 층 상에 추가됨), 이는 영역들에 관계없이 동일한 성장 속도들을 제공한다. 방법들(200A-B)은, 몇몇 성장 주기들(또는 시점들)에서 이루어진 관측들로 훈련된 모델을 이용하여 기판(예를 들어, 디바이스 웨이퍼)에 대한, 공간 신호 응답 대 시간을 예측하는 데 사용될 수 있다. 방법들(200A-B)은 신호 응답 대 시간의 모델로부터, 예측된 개시 성장 시간을 식별함으로써, 기판(예를 들어, 디바이스 웨이퍼)에 걸친 영역들 사이의 두께 차이를 추정하는 데 사용될 수 있다. 방법들(200A-B)은 알려지지 않은 및/또는 밝혀지지 않은 하부 구조들을 갖는 영역들(예를 들어, 설계된 계측 패드 외부의 디바이스 영역)에 대해 패턴 부하 측정 예측들을 수행하는(예를 들어, 반도체 퇴적 프로세스들, 예컨대, 원자 층 퇴적(ALD)으로부터의 퇴적된 두께들을 예측하고, 새롭게 퇴적된 물질들로 인한 공간적 두께 변동들을 예측하는) 데 사용될 수 있다. 방법들(200A-B)은 기판의 디바이스 영역 상의 연속적인 원자 층 퇴적들 또는 성장들의 측정들을 예측하는 데 사용될 수 있다.
도 2a를 참조하면, 블록(202)에서, 처리 로직은 기판의 제1 영역의 제1 구조 데이터를 식별한다. 기판의 제1 영역은, 하부 구조(예컨대, 제1 구조 데이터)가 알려진, 기판의 비-기능 영역(예를 들어, 계측 패드) 또는 제한된 디바이스 영역(예를 들어, 정적 랜덤 액세스 메모리(SRAM) 영역)일 수 있다(예를 들어, 도 4b의 영역(A) 참고). 일부 실시예들에서, 제1 영역의 물리적 모델 및/또는 기준 계측 툴에 기초하여 제1 구조 데이터가 식별된다(예를 들어, 구조 데이터는 물리적 모델 및/또는 회귀 피팅으로부터 역예측된다).
블록(204)에서, 처리 로직은 처리 챔버에서의 하나 이상의 기판 퇴적 프로세스와 연관된 기판의 계측 데이터(예를 들어, 광학 계측 데이터)를 수신한다. 계측 데이터는 기판으로부터 반사되고 계측 장비(예를 들어, 도 3a-c의 계측 장비(324) 참고)에 의해 검출된 광과 연관될 수 있다. 계측 데이터는 하나 이상의 기판 퇴적 프로세스 이전에, 동안에, 그리고/또는 이후에 획득될 수 있다. 계측 데이터는 인-시튜로 획득될 수 있다(예를 들어, 기판은 여전히 기판 처리 장비에, 예컨대, 처리 챔버에 있다). 계측 데이터는 시간에 따라 (예를 들어, 기판의 동일한 다이 영역의) 하나 이상의 영역에 대해 획득될 수 있다.
계측 데이터는 기판 퇴적 프로세스들의 핵형성 체제 및 성장 체제를 모니터링하기 위해 (예를 들어, 프로세스 챔버 옆의) 통합된 계측 시스템 또는 인-시튜 모델링을 통해 제공될 수 있다. 퇴적은 상이한 물질들로 이루어진 층들 상으로의 새로운 물질들의 추가를 포함할 수 있고, 핵형성 체제를 시작한다. 원자 층이 하부 층 위에 완전히 성장되고 나면(예를 들어, 핵형성 체제가 종료되면), 성장 체제는 유사한 물질들로 이루어진 층들 상으로의 물질들의 추가를 포함한다. 상이한 종횡비들을 갖는 영역들에서, 성장 속도들이 상이하다.
계측 데이터는, 광학 계측 데이터, 산란 측정 데이터, 반사 측정 데이터, 반사율 데이터, 분광 데이터, 타원편광 측정 데이터, 원자력 현미경(AFM) 데이터, 임계 치수 주사 전자 현미경(CD-SEM) 데이터, 및/또는 임계 치수 소각 x-선 산란(CD-SAXS) 데이터 중 하나 이상을 포함할 수 있다.
블록(206)에서, 처리 로직은, 광학 계측 데이터 및 제1 구조 데이터에 기초하여, 하나 이상의 기판 퇴적 프로세스와 연관된 기판의 제1 영역의 제1 성장 속도를 결정한다. 제1 성장 속도는 시간에 따른 기판 상의 (예를 들어, 성장 단계에서 물질의, 층의) 두께의 증가일 수 있다. 제1 구조 데이터는 기판 퇴적 프로세스들 전의 기판의 원래의 치수들을 나타낼 수 있다. 광학 계측 데이터는, 시간에 따라 기판 상에 물질을 퇴적시킨 후에 기판의 새로운 치수들을 결정하는 데 사용될 수 있다. 원래의 치수들과 새로운 치수들 사이의 차이는, 시간에 따른 두께의 변화(예를 들어, 성장 속도)를 결정하는 데 사용될 수 있다.
일부 실시예들에서, 처리 로직은 시간에 따른 제1 영역의 공간 데이터(예를 들어, 치수들, x 및 y 치수들 등)를 결정하고, 블록(206)에서, 처리 로직은 시간에 따른 제1 영역의 공간 데이터에 기초하여 제1 영역의 제1 성장 속도를 결정한다.
블록(208)에서, 처리 로직은, 광학 계측 데이터 및 제1 성장 속도에 기초하여, (예를 들어, 제2 영역의 제2 구조 데이터 없이) 기판의 제2 영역의 두께 데이터를 예측한다.
두께 데이터는, 제2 영역 상에서의 기판 퇴적 프로세스들의 성장 체제의 개시; 제2 영역에서의 유사한 물질의 층 상에서의 후속 원자 층 성장의 영역별 개시; 제1 영역과 제2 영역 사이의 두께 차이; 기판 퇴적 프로세스들의 적어도 일부에 응답하는 제2 영역 상의 퇴적된 두께; 제2 영역의 층 두께 데이터; 제2 영역의 원자 층 퇴적; 제2 영역의 성장 데이터; 제2 영역의 공간 부하 데이터 등 중 하나 이상을 포함할 수 있다.
일부 실시예들에서, 처리 로직은 훈련된 모델을 사용함으로써 두께 데이터를 예측한다(예를 들어, 도 6a-b 및 7a-c 참고). 일부 실시예들에서, 두께 데이터의 예측은, 다항식 피팅, 경험적 모델, 또는 훈련된 기계 학습 모델 중 하나 이상을 통해 이루어진다.
일부 실시예들에서, 블록(208)의 예측은 제2 영역과 연관된 종횡비에 추가로 기초한다(예를 들어, 트렌치들 또는 평평하지 않은 디바이스 구조들과 같이, 상이한 종횡비로 이루어진 영역들에 대한 성장 속도 예측 정확도를 개선하기 위해 종횡비를 고려하는 모델이 포함될 수 있다).
일부 실시예들에서, 처리 로직은 오프셋 데이터에 기초하여 두께 데이터를 예측한다(예를 들어, 도 2b 참고). 일부 실시예들에서, 시간에 따른 영역들의 계측 데이터(예를 들어, 신호 응답 속도들)가 선형인 경우, 계측 데이터는, 예상되는 신호들이, 퇴적이 시작되기 전의 측정된 신호들과 매칭되는지를 확인하기 위해, 다시 시간 제로(t0)까지 외삽될 수 있다(예를 들어, 도 2b 참고). 시간에 따른 계측 데이터(예를 들어, 신호 응답 속도들)가 퇴적/성장 주기들에 대해 비선형일 것으로 예상되는 경우, 시간 차원들 또는 성장 주기들을 따라 영역들에서 다수의 신호 수집들(예를 들어, 다수의 시점들에서의 계측 데이터의 캡처)이 캡처될 수 있다. 각각의 경향은 모델로 훈련될 수 있다. 훈련된 모델은 예상된 신호와 퇴적 전의 측정된 신호 사이의 오프셋을 획득하는 데 사용될 수 있고, 그 다음, 각각의 영역에 대한 성장 체제의 개시 시간이 추정될 수 있다. 제1 영역(예를 들어, 계측 패드, 기준 영역)으로부터 획득된 두께 성장을 비교하고 종횡비(예를 들어, 종횡비에 기초한 모델)를 적용함으로써, 영역들 상의 두께 성장이 추정될 수 있다.
일부 실시예들에서, 처리 로직은 (예를 들어, 성장 주기들로부터의 적어도 3회의 관측들 및 1회의 퇴적 전 관측으로부터 훈련된 모델을 사용하여) 상이한 개시 성장 지연들을 갖는 영역들에 대한 공간 신호 응답(예를 들어, 반사율) 대 시간을 예측한다. 일부 실시예들에서, 처리 로직은 성장 개시 시간을 식별함으로써 디바이스 웨이퍼에 걸친 영역들 사이의 두께 차이를 추정한다(예를 들어, 하나의 영역 상의 퇴적된 두께의 알려진 기준이 주어지면, 임의의 다른 영역 상의 실제 두께가 추정될 수 있다).
블록(210)에서, 처리 로직은, 두께 데이터에 기초하여, 처리 챔버에서의 하나 이상의 기판 퇴적 프로세스와 연관된 보정 액션을 야기한다. 일부 예들에서, 보정 액션은: 기판 퇴적 프로세스들을 업데이트하는 것; (예를 들어, 성장 단계의 오프셋을 갖는, 더 작은 두께를 갖는 등) 하나 이상의 영역에 기판 퇴적 프로세스들을 제공하면서, (예를 들어, 성장 단계의 오프셋을 갖지 않는, 더 큰 두께를 갖는 등) 하나 이상의 다른 영역에는 기판 퇴적 프로세스들을 제공하지 않는 것; 제조 파라미터들을 업데이트하는 것; 기판 처리 프로세스들을 중단하는 것; 기판을 폐기하는 것; 경고를 제공하는 것 등 중 하나 이상을 포함한다.
도 2b를 참조하면, 블록(220)에서, 처리 로직은 하나 이상의 기판 퇴적 프로세스 이전의 제2 영역의 측정된 데이터를 수신한다.
블록(222)에서, 처리 로직은 처리 챔버에서의 하나 이상의 기판 퇴적 프로세스와 연관된 기판의 (예를 들어, 시간에 걸친) 광학 계측 데이터를 수신한다. 블록(222)은 도 2a의 블록(202)과 유사할 수 있다.
블록(224)에서, 처리 로직은, 광학 계측 데이터에 기초하여, 제2 영역의 추정된 두께 데이터를 결정한다.
블록(226)에서, 처리 로직은 (예를 들어, 기판 퇴적 프로세스들 이전의) 이전 시점까지 제2 영역의 추정된 두께 데이터를 외삽한다.
블록(228)에서, 처리 로직은 예상되는 데이터와 이전 시점의 측정된 데이터 사이의 차이에 기초하여 오프셋 데이터(예를 들어, 도 5a의 오프셋 지연(546))를 결정한다. 도 2a의 블록(208)에서, 처리 로직은 블록(228)의 오프셋 데이터에 기초하여 두께 데이터를 더 예측할 수 있다.
도 3a-c는 특정 실시예들에 따른, 공간 패턴 부하 측정들과 연관하여 사용되는 계측 장비(324)를 포함하는 시스템들(300A-C)을 예시한다. 계측 장비(324)는 시간에 따라 기판(310)(예를 들어, 기판의 상이한 영역들)과 연관된 계측 데이터(예를 들어, 광학 계측 데이터, 신호, 반사율 등)를 획득하는 데 사용될 수 있다. 하부 구조가 알려져 있는 기판(310)의 영역 및 하부 구조가 알려지지 않은 기판(310)의 영역들에 대한 계측 데이터가 획득될 수 있다. 계측 데이터는, 하부 구조가 알려지지 않은 영역들의 두께 데이터(예를 들어, 성장 체제의 개시)를 예측하기 위해 본원에 설명된 방법들 중 하나 이상에 의해 사용될 수 있다. 두께 데이터는 기판 퇴적 프로세스들과 연관된 보정 액션들을 수행하는 데 사용될 수 있다.
일부 실시예들에서, 계측 장비(324)는 디바이스(예를 들어, 메모리 또는 로직)로부터 반사된 광 특성들(예를 들어, 강도, 편광, 위상 등)의 변화들을 분석하기 위해 산란 측정(예를 들어, 반사 측정 기반, 분광 타원편광 측정)을 사용한다. 모델(예를 들어, RCWA 기반)은 로직 및 메모리 칩들의 박막 구조들의 특성들 및 임계 치수들(예를 들어, 게이트 높이, 핀 높이, 최상부 임계 치수(CD) 폭들, 바닥 CD 폭들 등)을 측정하기 위해 개발될 수 있다.
일부 실시예들에서, 계측 장비(324)는 칩 구조들에서의 측정들을 가능하게 하기 위해 작은 프로브를 사용하는 원자력 현미경(AFM)을 사용한다.
일부 실시예들에서, 계측 장비(324)는, 구조의 표면에서 신호들을 생성하기 위해 전자들의 집속된 빔을 사용하는 임계 치수 주사 전자 현미경(CD-SEM)을 사용한다. CD-SEM은 평면 트랜지스터들, 핀 전계 효과 트랜지스터들(FinFET)(예를 들어, 틸트 빔 능력들을 이용하여 핀 폭들을 측정하고, 핀 높이 및 측벽 각도를 이미징하고) 등에 사용될 수 있다. 후방 산란된 전자 검출기는 구조의 조성 또는 표면 토포그래피를 결정하는 데 사용될 수 있다.
일부 실시예들에서, 계측 장비(324)는 주기적 나노구조들의 평균 형상, 에지 거칠기, 피치 워킹 등을 측정하기 위해 임계 치수 소각 x-선 산란(CD-SAXS)을 사용한다.
일부 실시예들에서, 계측 장비(324)는 다수의 상이한 툴 기술들의 혼합 및 매칭을 사용하기 위해 하이브리드 계측을 사용하고, 각각으로부터의 데이터를 조합한다. 일부 예들에서, FinFET 구조는 CD-SEM 및 AFM 양쪽 모두에 의해 측정되고, 결과들이, 모델을 검증하기 위해 OCD 툴 내에 공급된다.
계측 장비(324)는 제어된 파장 대역폭(예를 들어, 20 나노미터 미만) 및 조명 크기를 갖는 광의 펄스를 생성하고 시준 렌즈들을 통해 기판(310)(예를 들어, 타겟 샘플)을 향해 전파할 수 있다. 광 특성들은 기판(310)에 도달하기 전에 수정될 수 있다. 기판(310)과의 상호작용으로 인한 광 특성들의 변화는 공간 신호 기록을 위해 검출기(340)로 다시 반사된다. 이러한 동작들은 다른 파장 대역들에 대해 반복될 수 있다.
도 3a를 참조하면, 계측 장비(324)(예를 들어, 도 1의 계측 장비(124))는 기판(310)이 기판 처리 장비(320)(예를 들어, 도 1의 120의 기판 처리 장비, ALD 프로세스 챔버)에, 예컨대, 처리 챔버에 배치된 동안 기판(310)의 계측 데이터(예를 들어, 광학 계측 데이터, 반사 측정 데이터)를 획득하도록 구성될 수 있다. 계측 장비(324)는 하나 이상의 기판 처리 동작(예를 들어, 기판 퇴적 프로세스) 이전에, 동안에, 그리고/또는 이후에 기판(310)의 계측 데이터를 획득할 수 있다. 계측 장비(324)는 기판(310)을 향해 광을 투과시키고 기판(310)으로부터 수신된 반사된 광을 측정할 수 있다. 계측 데이터는 측정된 반사된 광을 포함할 수 있다.
도 3b를 참조하면, 계측 장비(324)는 광원(330) 및 검출기(340)를 포함할 수 있다. 광원(330)은 기판(310)에 광을 제공할 수 있고, 광은 기판(310)으로부터 반사될 수 있고, 구성요소(336)에 의해 지향될 수 있고, 검출기(340)에 의해 수신될 수 있다. 일부 실시예들에서, 광이 광원(330)으로부터 기판(310)으로 진행할 때, 광은 (예를 들어, 광 특성들을 수정하기 위해) 하나 이상의 구성요소(332), 예컨대, 편광기, 보상기, 및/또는 파장판을 통과한다. 광이 기판(310)으로부터 구성요소(336)를 향해 갈 때, 광은 텔레센트릭 렌즈와 같은 구성요소(334)를 통과할 수 있다. 광이 구성요소(336)에 의해 검출기(340)로 지향될 때, 광은 (예를 들어, 편광, 위상 등과 같은 광 특성들을 분석하기 위한) 분석기와 같은 구성요소(342), 및 집속 렌즈와 같은 구성요소(344)를 통과할 수 있다.
도 3c를 참조하면, 계측 장비(324)는 광원 및 검출기(340)를 포함할 수 있다. 광원(330)은 기판(310)에 소정 각도의 광을 제공할 수 있고, 검출기(340)는 기판(310)으로부터의 소정 각도의 광을 검출할 수 있다. 일부 실시예들에서, 광원(330)으로부터의 광은 기판(310)에 도달하기 전에 하나 이상의 구성요소(332)(예를 들어, 편광기, 보상기 등)를 통과하고, 기판(310)으로부터 반사된 광은 검출기(340)에 도달하기 전에 하나 이상의 구성요소(342)(예를 들어, 분석기)를 통과할 수 있다. 광원(330) 및/또는 검출기(340)는 상이한 각도들로 광을 제공하고/거나 광을 수신하기 위해 이동가능(예를 들어, 회전가능)할 수 있다.
도 4a-j는 특정 실시예들에 따른, 공간 패턴 부하 측정들과 연관된 기판들(410)을 예시한다.
도 4a를 참조하면, 기판(410)은 다수의 다이 영역들(412)을 포함할 수 있다. 도 4b(예를 들어, 도 4a의 확대도)를 참조하면, 기판(410)은 비-기능 영역들(414)에 의해 분리되는 다이 영역들(412)(예를 들어, 다이 영역들(412A-C))을 가질 수 있다. 영역(A)은 비-기능 영역(414)(예를 들어, 스크라이브 라인들)에 있는 반면, 영역들(B, C, D, 및 F)은 다이 영역(412B) 상에 있다. 영역(A)은 계측 패드일 수 있다. 상이한 영역들(A, B, C, D, 및 F)은 상이한 표면들, 특징들, 속성들 등을 가질 수 있다.
일부 실시예들에서, 영역(A)은, 활성 디바이스 영역(예를 들어, 다이 영역, 기능 영역)에 대한 광학 임계 치수(OCD) 산란 측정 타겟의 배치이다. 활성 디바이스 영역은, 성공적으로 패터닝된 컴퓨터 칩을 구성하는 수십억 개의 디바이스들을 포함할 수 있다.
영역들(B, C, D, 및 F)에 대해서보다 영역(A)에 대해서 더 많은 구조 데이터(예를 들어, 하부 구조)가 알려질 수 있다. 일부 실시예들에서, 영역들(B, C, D, 및 F)에 대해서 구조 데이터(예를 들어, 하부 구조)가 밝혀지지 않거나 알려지지 않는다.
계측 장비(예를 들어, 도 3a-c의 계측 장비(324), 도 1의 계측 장비(124))는 하나 이상의 기판 퇴적 프로세스 이전에, 동안에, 그리고/또는 이후에 영역들(A, B, C, D 및 F)의 계측 데이터(예를 들어, 광학 계측 데이터, 반사 측정 데이터)를 획득할 수 있다. 계측 데이터는, 주기적으로, 더 중요한 기판 퇴적 프로세스들 후에 등으로 획득될 수 있다.
일반적인 기판 퇴적 프로세스들은 상이한 물질들로 만들어진 표면 위에 원자들의 새로운 층의 추가(예를 들어, 핵형성 단계)를 포함한다. 하나 이상의 새로운 원자 층의 추가는 공간적으로 등각이 아닐 수 있고, 때로는 (예를 들어, 시간(t1)에서) 기판(310) 상의 상이한 위치들에서 패치들을 형성할 수 있다. 기판(410)의 원래의 표면은 주름질 수 있고, 불균일할 수 있고, 이전의 프로세스들로부터 상속된 2차원 또는 3차원의 주기적 임계 치수들을 가질 수 있는 등이고, 이는 기판(310) 상의 새로운 층의 증가된 불균일성을 야기할 수 있다.
퇴적 프로세스들의 핵형성 단계 및 성장 단계를 모니터링하기 위해 인-시튜 모니터링이 사용될 수 있다. 기판으로부터의 공간 정보(예를 들어, 신호 변화 대 시간 또는 주기들)는 표시자들을 제공할 수 있다. 제1 특정 영역(예를 들어, 영역)은 시간(t1)에서 새로운 퇴적된 물질들(예를 들어, 단일 원자 층, 예컨대, ALD)로 완전히 코팅될 수 있는 반면, 제2 특정 영역은 새로운 퇴적된 물질들로 완전히 코팅되지 않는다. 제1 특정 영역이 성장 단계를 겪을 때, 하나 이상의 후속 층(예를 들어, t1 < t < tn). 성장 단계에서의 현재의 최상부 물질은 퇴적의 유입 물질들과 유사할 수 있다.
도 4c-f는, 영역들 상에 퇴적된 물질을 갖는 영역들을 포함하는 기판들(410)을 예시한다. 도 4c 및 4e는 핵형성 단계를 예시할 수 있고 도 4d 및 4f는 성장 단계를 예시할 수 있다.
일부 실시예들에서, 기판은 2원 물질들이 퇴적될 수 있다. 제1 프로세스에서, 제1 반응물은 기판의 표면 상의 이용가능한 기들과 자기 종결 방식으로 반응한다. 제2 프로세스에서, 과잉의 제1 반응물 및 가스성 부산물들이 퍼징되거나 펌핑 제거된다. 제3 프로세스에서, 제2 반응물은 표면 상의 흡수된 종들(예를 들어, 제1 반응물)과 자기 종결 방식으로 반응한다. 제4 프로세스에서, 과잉의 제2 반응물 및 가스성 부산물들이 퍼징되거나 펌핑 제거된다. 제1 프로세스에서의 전구체의 성공적인 흡착 속도는 완전한 단일 층이 얼마나 빠르게 퇴적될 수 있는지를 결정할 수 있다. 원자 퇴적의 단일 층을 완전히 형성하는 데 하나 초과의 주기가 사용될 수 있다(예를 들어, 하나의 성장 주기당 하나 미만의 층 성장). 퇴적된 두께의 선형 증가 또는 주기당 일정한 성장은, 특정 횟수의 성장 및/또는 반응 주기들 이후에 예상될 수 있다(예를 들어, 초기 체제 및 그 다음의 전이 체제, 및 그 다음의 선형 체제).
일부 실시예들에서, 상이한 물질들 또는 화학물질로 만들어진 2개의 표면 영역들 상으로의 퇴적(예를 들어, ALD 퇴적)은 상이한 점착 계수들을 경험한다. 투여 시간은 적용범위에 영향을 미칠 수 있다. (예를 들어, 반응 제한 체제에서) 비최적화된 투여 시간은 섬 성장 및 성장 체제의 개시 지연(예를 들어, 제어된 다층 성장)을 야기할 수 있다.
각각의 영역은 상이한 물질들의 아래 층을 커버하는 하나의 원자 및/또는 분자 층의 완전한 등각 코팅을 확립하는 데에(예를 들어, 핵형성 단계) 시간이 걸린다. 종횡비(AR)는 (예를 들어, 확산 제한 체제에서) 확산 길이를 더 복잡하게 할 수 있고, 핵형성 단계를 추가로 지연시킬 수 있다.
성장 단계에서, 동일한 물질들로 만들어진 표면 상에 퇴적들이 이루어진다. 섬 성장은 처음 몇 회의 주기들 동안 발생할 수 있고, 몇 회의 성장 주기들 후에 완전히 커버된 구역이 후속된다. 성장 단계에서, 높은 AR을 갖는 표면들은 더 느린 성장 속도를 경험할 수 있다.
도 4c를 참조하면, 핵형성 단계(예를 들어, 핵형성 체제) 동안, 상이한 유형의 물질 상에 물질이 형성되기 시작한다. 물리적 및/또는 화학적 속성들의 차이들로 인해, 새로운 물질이 영역들(C)을 커버하기 전에 새로운 물질이 영역(B)을 커버할 수 있다. 물리적 속성(예를 들어, 트렌치)으로 인해, 새로운 물질은 영역들(D)의 측들 및 영역들(D) 사이의 영역을 커버함에 있어서 지연될 수 있다.
도 4d를 참조하면, 성장 단계(예를 들어, 성장 체제) 동안, 동일한 유형의 물질 상에 물질이 형성된다. 더 빨리 새로운 물질에서 커버된 영역들(예를 들어, 영역(B), 핵형성 단계를 더 빨리 종료함)은 성장 단계가 더 빨리 개시되고, 더 늦게 새로운 물질에서 커버된 영역들(예를 들어, 영역(C), 핵형성 단계를 더 늦게 종료함)은 성장 단계가 더 늦게 개시된다.
영역들의 최상부 표면이 (예를 들어, 물리적 및/또는 화학적 특성들에서) 서로 상이할 수 있기 때문에, 후속 기판 퇴적 프로세스로부터 초래되는 공간 패턴 부하 효과는 잘 제어되고 모니터링되어야 한다. 영역들 상으로의 퇴적의 유효성을 제어하고 측정할 수 있는 것은 수율 개선을 초래한다. 영역(A)에서의 계측 패드는, 상이한 표면 화학물질들 및/또는 물리적 특성들을 포함할 수 있는 활성 디바이스 영역(예를 들어, 다이 영역(412B)의 영역(B, C, D 및/또는 F))에서 발생하는 것의 정확한 예측 또는 상관을 제공하지 않을 수 있다. 성장 단계의 개시 지연에서의 공간적 차이는 도 4d에 도시된 바와 같이 공간적으로 두께 불균일성을 초래한다.
도 4e를 참조하면, 영역(A)은 영역(B)이 완전한 등각 코팅을 갖기 전에 완전한 등각 코팅을 가질 수 있다. 도 4f를 참조하면, 완전한 등각 코팅을 더 빨리 갖는 것으로 인해, 영역(A)은 영역(B)에 대한 성장 단계의 개시 전에 성장 단계가 개시될 수 있고, 이는 영역(A)이 영역(B)보다 더 큰 두께를 갖게 한다.
도 4g-4j를 참조하면, 물질이 기판(410) 상에 퇴적될 수 있다. 플럭스 제어된(예를 들어, 화학 기상 퇴적(CVD), 물리 기상 퇴적(PVD)) 막 성장은 제조 파라미터들, 예컨대, 국부 가스 플럭스에 기초하여 제어될 수 있다. 도 4g는 기판 퇴적 프로세스들 이전의 기판(410)을 예시한다. 도 4h는 기판(410)의 트렌치의 측벽들의 일부 및 상부 표면 상에 퇴적된 물질을 갖는 기판(410)을 예시한다. 도 4i는 기판(410)의 트렌치의 상부 표면, 측벽들, 및 바닥 상의 물질의 실질적으로 균일한 층을 예시한다. 도 4j는 기판(410)의 트렌치의 바닥 및 측벽들의 제2 부분 상의 물질의 제2 두께 및 측벽들의 제1 부분 및 상부 표면 상의 물질의 제1 두께를 예시한다. 계측 데이터에 기초하여 두께 데이터를 예측함으로써, 기판 퇴적 프로세스들은 기판(410)의 영역들 상에 더 균일한 층들을 제공하도록 조정될 수 있다(예를 들어, 국부 가스 플럭스를 조정함).
도 5a-b는 특정 실시예들에 따른, 공간 패턴 부하 측정들의 그래프들(500A-B)을 예시한다.
도 5a를 참조하면, 그래프(500A)는 계측 데이터 축(510)(예를 들어, 신호, 반사율 데이터, 광학 계측 데이터), 파장 대역 축(520)(예를 들어, 계측 장비에 의해 제공되는 광의 파장), 및 시간 축(530)(예를 들어, 시간 축, 성장 주기 축의 개수)을 포함한다. 측정된 데이터(540)는 실선 지점들(예를 들어, 실선 원들, 실선 별들 등)로서 예시되고, 모니터링 디바이스로부터의 측정된 신호 변화(예를 들어, 계측 장비로부터의 계측 데이터)를 지칭한다. 예측된 데이터(542)는 채워지지 않은 지점들(예를 들어, 채워지지 않은 원들, 채워지지 않은 별들 등)이, 측정된 신호 지점들을 모델(예를 들어, 다항식 모델, 경험적 모델, 기계 학습 모델)과 피팅하는 것으로부터의 예측된 지점을 지칭하는 것으로 예시된다. 예측된 데이터(542)는 기판의 영역 상에서의 성장 단계의 개시를 지칭할 수 있다. 데이터 경향들(544A-B)은, 측정된 데이터(540)로부터 훈련된 모델(예를 들어, 경험적 모델)로부터의 생성된 신호 경향을 지칭하는 (예를 들어, 측정된 데이터(540)와 예측된 데이터(542)를 연결하는) 파선들로서 예시된다. 일부 실시예들에서, 데이터 경향(544A)은 제1 파장(예를 들어, 계측 장비에 의해 기판에 제공되는 광의 제1 파장)을 지칭할 수 있고, 데이터 경향(544B)은 제1 파장과 상이한 제2 파장을 지칭할 수 있다.
오프셋 지연(546)은 제1 예측된 데이터(542)에 대한 시간 축을 따른 오프셋(예를 들어, 성장 단계의 개시의 예측된 데이터(542)를 시작하기 위해 얼마나 많은 시간 또는 얼마나 많은 성장 주기들이 소요되었는지)을 지칭한다.
시간/성장 주기들을 따른 측정된 신호(예를 들어, R(t))는 다항식 피팅, 경험적 모델, 또는 기계 학습 예측을 사용하여, 예측된 신호 경향을 제공하는 데 사용될 수 있다. 그 다음, 성장 단계의 개시 시의 예측된 신호가 획득될 수 있다. 기준 영역(예를 들어, 영역(A), 계측 패드, 하부 구조가 알려진 비-기능 영역)과 목표 영역(예를 들어, 하부 구조가 알려지지 않은 영역, 하부 구조에 대해 기준 영역, 기능 영역보다 덜 알려져 있는 영역) 간의 성장 단계의 개시의 시간 차이를 외삽함으로써, 두께 차이(예를 들어, 퇴적의 절대 두께)가 추정될 수 있다.
도 5b를 참조하면, 그래프(500B)는 (예를 들어, 성장 개시로 인한) 다이 내 패턴 부하 효과를 예시한다. 영역(A)은 기준 영역일 수 있다. 모델(예를 들어, 유한 차분 시간 도메인(finite-difference time-domain)(FDTD) 방법 등을 사용하는 엄격한 결합파 분석(RCWA) 모델)은 취득된 계측 데이터(예를 들어, 반사율 데이터(R(t)))를 이용하여 피팅될 수 있다. 영역(A)에서 성장 속도가 결정될 수 있고(예를 들어, 시간에 따라 수신된 계측 데이터에 기초한 시간에 따른 두께의 변화(dp/dt)), 주어진 시간에서의 절대 두께(p(t))가 또한 결정될 수 있다. 성장 단계(예를 들어, 성장 체제)에서 영역들(B, C 및 D)에서의 성장 속도는 추정 또는 예측될 수 있다. 영역(A)의 (예를 들어, 제1 임계값을 충족시키는) 특성들과 유사한 특성들(예를 들어, 물리적 종횡비(AR), 물리적 우선순위들, 화학적 특성들, 표면 등)을 갖는 영역은 유사한 성장 속도(dp/dt)를 가질 수 있다. 기준 영역(예를 들어, 알려진 구조 데이터를 가짐)과 상당히 상이한(예를 들어, 제2 임계값을 충족시키는) 특성들을 갖는 (예를 들어, 알려진 구조 데이터가 없는) 영역들의 경우, 성장 속도(dp/dt)는, 영역들이 기준 영역과 동일한 다이 내에 있을 경우, 종횡비(예컨대, 알려진 고든(Gordon)의 종횡비 차이)로 근사화될 수 있다.
그래프(500B)는 축(550)(예를 들어, 두께(p), 성장 단계의 두께 등) 및 축(560)(예를 들어, 시간(t) 및/또는 성장 개시)을 갖는다. 그래프(500B) 상의 각각의 라인(A, B, C 및 D)은 기판의(예를 들어, 동일한 다이 영역의) 상이한 영역을 지칭한다. 영역들(A 및 D)은 제1 시점에서 성장 개시를 시작하고, 영역(B)은 시간(562)(tonset,B)에서 성장 개시를 시작하고, 영역(C)은 시간(564)(tonset,C)에서 성장 개시를 시작한다. 다음의 식들이 사용될 수 있다:
변수 est.poffset은 두께 오프셋(예를 들어, 성장 단계의 지연된 개시로 인한 두께의 변동)의 추정치이고, 모델(예를 들어, 경험적 모델, 수학적 모델, 기계 학습 모델)에 의해 R(x,y,t)로부터 학습될 수 있다. 변수 est.tonset은 성장 단계의 개시의 시간 지연의 추정치일 수 있다. 변수 dp/(dt(A,B))는 성장 속도(시간 변화에 따른 두께 변화)이다. 변수 p(t)on B는 시간(t)에서의 영역(B)의 두께이고, 성장 단계의 개시에 대한 성장 주기들의 횟수 또는 시간을 식별함으로써 추론될 수 있다. 변수 p(t)on A는 시간(t)에서의 영역(A)의 두께이고, RA(t)로부터 도출되거나 다른 비-파괴적 계측 툴들에 의해 측정될 수 있다.
B 및 C에서의 성장 속도 정보를 이용하여, B 및 C에서의 성장 단계의 개시(tonset)가 식별될 수 있다.
퇴적 프로세스 챔버에서 인-시튜 반사 측정 기반 이미징 시스템을 사용하여, 취득된 신호(R(x,y,t))의 공간 및 시간 정보는 영역(A)에서의 퇴적된 막들의 두께를 측정하고 디바이스 영역(예를 들어, 다이 영역)의 임의의 다른 영역들에서의 두께를 예측하는 데 사용될 수 있다.
영역(A)의 구조 데이터가 알려져 있는 경우, 영역(A)에서 취득된 계측 데이터(예를 들어, 신호(R(x,y,t))는, 역-문제 접근법을 통해 두께 변화(p(t))를 검색하고 A, B, C, 및 D에서의 성장 속도에 관한 정보를 또한 제공하는 데 사용될 수 있다.
도 5c를 참조하면, 그래프(500C)는 제1 축(570)(예를 들어, 신호(R), 계측 데이터) 및 제2 축(580)(예를 들어, 시간(t) 및/또는 성장 주기)을 포함한다. 거리(566)는 성장 체제의 개시까지의 시간(예를 들어, tonset)일 수 있다. 거리(572)는 시간 제로에서의 신호의 변화(예를 들어, dRB,t=0)일 수 있다. 거리(574)는 두께의 변화에 걸친 계측 데이터의 변화(예를 들어, dR/dp)일 수 있다.
그래프(500C)의 제1 부분은 활성화 구역(582)(예를 들어, 핵형성 체제, 제2 물질 표면 상의 제1 물질 퇴적)이다. 하나 이상의 표면은 아직 완전 등각 코팅을 갖지 않을 수 있다(예를 들어, 도 4e 참고).
그래프(500C)의 제2 부분은 성장 체제(584)(예를 들어, 제1 물질 표면의 제1 물질 퇴적, 도 4f 참고)이다. 일부 실시예들에서, 성장 속도(예를 들어, dp/dt)는 유사한 특성들(예를 들어, 유사한 표면들, 유사한 화학물질, 유사한 물리적 특성들, 유사한 종횡비 등)을 갖는 상이한 영역들에 대해 유사할 수 있다.
일부 실시예들에서, 두께 증분 또는 성장 시간에 따른 신호 변화(예를 들어, 계측 데이터의 변화, dR)는 실질적으로 선형이다. 기판 퇴적 프로세스들이 시작된 후에 기준 영역(예를 들어, 영역(A))에 대한 계측 데이터의 다수의 데이터 지점들(예를 들어, 시간에 걸쳐 수집된 적어도 3개의 데이터 지점들)은 기판 퇴적 프로세스들 전에 기준 영역의 계측 데이터의 적어도 하나의 데이터 지점과 함께 사용될 수 있다. 시간 거동의 변화에 대한 계측 데이터의 변화(예를 들어, dR/dt)를 학습하기 위해 기능 영역(예를 들어, 다양한 다이들 상의 영역(B))의 다수의 데이터 지점들(예를 들어, 3-지점 신호 수집)이 수집될 수 있다. 이는 성장 체제의 개시의 지연이 존재하는지를 결정하기 위해 외삽될 수 있다. 성장 속도는 이전 성장 모델(예를 들어, dp/dt)로부터 학습될 수 있다. 영역들(A 및 B) 사이의 두께 오프셋이 추정될 수 있다. 다음의 식들이 사용될 수 있다:
변수 est.tonset,B는 영역(B)에서의 성장 단계의 개시의 시간의 추정치일 수 있다. 변수 dRt=0은 시간 제로에서의 계측 데이터의 변화일 수 있다. 변수 dR/dtB는 영역(B)에 대해 시간 변화에 따른 계측 데이터의 변화일 수 있다(예를 들어, 비선형이고 모델을 이용하여 외삽될 수 있다).
변수 est.poffset은 두께 오프셋의 추정치일 수 있다. 변수 est.tonset은 성장 단계의 개시의 추정된 시간일 수 있다. 변수 dp/dtA,B는 성장 속도(예를 들어, 시간 변화에 대한 두께의 변화)일 수 있고, 영역들(A 및 B)의 AR에서의 차이가 임계값을 초과하는 경우 성장 모델에 의해 근사화될 수 있다.
변수 p(t)on B는 영역(B)에서의 성장 단계의 개시의 두께의 변화일 수 있다. 변수 p(t)on A는 영역(A)에서의 개시 시의 두께일 수 있고, RA(t)(예를 들어, 영역(A)의 계측 데이터)로부터 도출되거나 OCD 모델로 측정될 수 있다. 변수 est.poffset은 추정된 두께 오프셋일 수 있다.
도 6a는 특정 실시예들에 따른, 이력 데이터(662)(예를 들어, 도 1의 이력 데이터(162))를 사용하여 모델(예를 들어, 도 1의 모델(190))에 대한 데이터 세트들을 생성하기 위한 예시적인 데이터 세트 생성기(672)(예를 들어, 도 1의 데이터 세트 생성기(172))이다. 도 6a의 시스템(600A)은 데이터 세트 생성기(672) 및 데이터 입력들(601)을 도시한다.
일부 실시예들에서, 데이터 세트 생성기(672)는, 하나 이상의 데이터 입력(601)(예를 들어, 훈련 입력, 검증 입력, 시험 입력)을 포함하는 데이터 세트(예를 들어, 훈련 세트, 검증 세트, 시험 세트)를 생성한다. 데이터 입력들(601)은 또한, "특징들", "속성들", 또는 "정보"로 지칭될 수 있다. 일부 실시예들에서, 데이터 세트 생성기(672)는, 데이터 세트를 훈련 엔진(182), 검증 엔진(184), 또는 시험 엔진(186)에 제공할 수 있고, 여기서, 데이터 세트는 모델(190)을 훈련하거나, 검증하거나, 시험하는 데 사용된다. 훈련 세트를 생성하는 일부 실시예들은 도 7a와 관련하여 더 설명될 수 있다.
일부 실시예들에서, 데이터 세트 생성기(672)는 이력 데이터(662)에 기초하여 데이터 입력(601)을 생성한다. 일부 실시예들에서, 데이터 입력들(601)은 이력 데이터(662)에 대한 특징들의 하나 이상의 세트를 포함할 수 있다. 이력 데이터(662)의 각각의 인스턴스는 하나 이상의 유형의 센서로부터의 센서 데이터 및/또는 하나 이상의 유형의 기판과 연관된 계측 데이터를 포함할 수 있다.
일부 실시예들에서, 데이터 세트 생성기(672)는 제1 모델을 훈련, 검증, 또는 시험하기 위한 특징들의 제1 세트에 대응하는 제1 데이터 입력을 생성할 수 있고, 데이터 세트 생성기(672)는 제2 모델을 훈련, 검증, 또는 시험하기 위한 특징들의 제2 세트에 대응하는 제2 데이터 입력을 생성할 수 있다.
일부 실시예들에서, 데이터 세트 생성기(672)는 (예를 들어, 회귀 문제들에 대한 분류 알고리즘들에서 사용하기 위해) 데이터 입력(601)을 이산화할 수 있다. 데이터 입력(601)의 이산화는 변수들의 연속 값들을 이산 값들로 변환할 수 있다. 일부 실시예들에서, 데이터 입력(601)에 대한 이산 값들은 기판들의 이산 제조 파라미터들 및/또는 특성 데이터를 나타낸다.
모델을 훈련, 검증, 또는 시험하기 위한 데이터 입력들(601)은 특정 설비에 대한(예를 들어, 특정 기판 제조 설비에 대한) 정보를 포함할 수 있다. 예를 들어, 이력 데이터(662)는 동일한 제조 설비에 대한 것일 수 있다.
일부 실시예들에서, 모델을 훈련시키는 데 사용되는 정보는, 특정 특징들을 갖는 제조 설비의 특정 유형들의 제조 장비(예를 들어, 기판 처리 장비(120))로부터일 수 있고, 훈련된 모델이, 특정 그룹의 특징들을 공유하는 하나 이상의 구성요소와 연관된 이력 데이터(662)의 입력에 기초하여 제조 장비의 특정 그룹에 대한 결과들을 결정하는 것을 허용할 수 있다. 일부 실시예들에서, 모델을 훈련시키는 데 사용되는 정보는, 2개 이상의 제조 설비들로부터의 구성요소들에 대한 것일 수 있고, 훈련된 모델이, 하나의 제조 설비로부터의 입력에 기초하여 구성요소들에 대한 결과들을 결정하는 것을 허용할 수 있다.
일부 실시예들에서, 데이터 세트를 생성하고 데이터 세트를 사용하여 모델(190)을 훈련, 검증, 또는 시험하는 것에 후속하여, 모델(190)은 더 훈련, 검증, 또는 시험될 수 있거나(예를 들어, 도 1의 추가의 이력 데이터(662)) 조정될 수 있다(예를 들어, 신경망에서의 연결 가중치들과 같은, 모델(190)의 입력 데이터와 연관된 가중치들을 조정한다).
도 4b는 특정 실시예에 따른, 예측 데이터(668)(예를 들어, 도 1의 예측 데이터(168))를 생성하기 위한 시스템(400)을 예시하는 블록도이다. 시스템(600B)은 이력 데이터(662)(예를 들어, 도 1의 이력 데이터(162))에 기초하여 기판 처리 장비(120)의 기판 퇴적 프로세스들과 연관된 보정 액션을 결정하는 데 사용될 수 있다.
블록(610)에서, 시스템(600)(예를 들어, 도 1의 예측 시스템(110))은 훈련 세트(602), 검증 세트(604), 및 시험 세트(606)를 생성하기 위해 이력 데이터(662)(예를 들어, 도 1의 이력 데이터(162))의 데이터 분할을 (예를 들어, 도 1의 서버 기계(170)의 데이터 세트 생성기(172)를 통해) 수행한다. 예를 들어, 훈련 세트는 이력 데이터(662)의 60%일 수 있고, 검증 세트는 이력 데이터(662)의 20%일 수 있고, 검증 세트는 이력 데이터(662)의 20%일 수 있다. 시스템(600)은 훈련 세트, 검증 세트, 및 시험 세트 각각에 대한 특징들의 복수의 세트들을 생성할 수 있다. 예를 들어, 이력 데이터(662)가 20개의 센서들(예를 들어, 도 1의 센서들(126)) 및 100개의 제품들(예를 들어, 20개의 센서들로부터의 센서 데이터에 각각 대응하는 웨이퍼들)과 연관되는 경우, 특징들의 제1 세트는 센서들(1-10)일 수 있고, 특징들의 제2 세트는 센서들(11-20)일 수 있고, 훈련 세트는 제품들(1-60)일 수 있고, 검증 세트는 제품들(61-80)일 수 있고, 시험 세트는 제품들(81-100)일 수 있다. 이 예에서, 훈련 세트의 특징들의 제1 세트는 제품들(1-60)에 대해 센서들(1-10)로부터일 것이다.
블록(612)에서, 시스템(600)은 훈련 세트(602)를 사용하여 (예를 들어, 도 1의 훈련 엔진(182)을 통해) 모델 훈련을 수행한다. 시스템(600)은 훈련 세트(602)의 특징들의 다수의 세트들(예를 들어, 훈련 세트(602)의 특징들의 제1 세트, 훈련 세트(602)의 특징들의 제2 세트 등)을 사용하여 다수의 모델들을 훈련시킬 수 있다. 예를 들어, 시스템(600)은 훈련 세트의 특징들의 제1 세트(예를 들어, 제품들(1-60)에 대한, 센서들(1-10)로부터의 센서 데이터)를 사용하여 제1 훈련된 모델을 생성하고, 훈련 세트의 특징들의 제2 세트(예를 들어, 제품들(1-60)에 대한, 센서들(11-20)로부터의 센서 데이터)를 사용하여 제2 훈련된 모델을 생성하도록 모델을 훈련시킬 수 있다. 일부 실시예들에서, 제1 훈련된 모델 및 제2 훈련된 모델은 (예를 들어, 제1 또는 제2 훈련된 모델 자체보다 더 양호한 예측인자일 수 있는) 제3 훈련된 모델을 생성하도록 조합될 수 있다. 일부 실시예들에서, 모델들을 비교하는 데에 사용되는 특징들의 세트들은 중첩될 수 있다(예를 들어, 특징들의 제1 세트는 센서들(1-15)로부터 유래하고, 특징들의 제2 세트는 센서들(5-20)로부터 유래한다). 일부 실시예들에서, 특징들의 다양한 순열들을 갖는 모델들 및 모델들의 조합들을 포함하는 수백 개의 모델들이 생성될 수 있다.
블록(614)에서, 시스템(600)은 검증 세트(604)를 사용하여 (예를 들어, 도 1의 검증 엔진(184)을 통해) 모델 검증을 수행한다. 시스템(600)은, 검증 세트(604)의 특징들의 대응하는 세트를 사용하여, 훈련된 모델들 각각을 검증할 수 있다. 예를 들어, 시스템(600)은 검증 세트의 특징들의 제1 세트(예를 들어, 제품들(61-80)에 대한, 센서들(1-10)로부터의 센서 데이터)를 사용하여 제1 훈련된 모델을 검증하고, 검증 세트의 특징들의 제2 세트(예를 들어, 제품들(61-80)에 대한, 센서들(11-20)로부터의 센서 데이터)를 사용하여 제2 훈련된 모델을 검증할 수 있다. 일부 실시예들에서, 시스템(600)은 블록(612)에서 생성된 수백 개의 모델들(예를 들어, 특징들의 다양한 순열들을 갖는 모델들, 모델들의 조합들 등)을 검증할 수 있다. 블록(614)에서, 시스템(600)은 (예를 들어, 모델 검증을 통해) 하나 이상의 훈련된 모델 각각의 정확도를 결정할 수 있고, 훈련된 모델들 중 하나 이상이, 임계 정확도를 충족하는 정확도를 갖는지 여부를 결정할 수 있다. 훈련된 모델들 중 어느 것도 임계 정확도를 충족하는 정확도를 갖지 않는다고 결정하는 것에 응답하여, 흐름은 시스템(600)이 훈련 세트의 특징들의 상이한 세트들을 사용하여 모델 훈련을 수행하는 블록(612)으로 복귀한다. 훈련된 모델들 중 하나 이상이, 임계 정확도를 충족하는 정확도를 갖는다고 결정하는 것에 응답하여, 흐름은 블록(616)으로 계속된다. 시스템(600)은 (예를 들어, 검증 세트에 기초하여) 임계 정확도 미만인 정확도를 갖는 훈련된 모델들을 폐기할 수 있다.
블록(616)에서, 시스템(600)은 임계 정확도를 충족하는 하나 이상의 훈련된 모델 중 어느 것이 가장 높은 정확도를 갖는지(예를 들어, 블록(614)의 검증에 기초한 선택된 모델(608))를 결정하기 위해 (예를 들어, 도 1의 선택 엔진(185)을 통해) 모델 선택을 수행한다. 임계 정확도를 충족하는 훈련된 모델들 중 2개 이상이 동일한 정확도를 갖는다고 결정하는 것에 응답하여, 흐름은, 시스템(600)이, 가장 높은 정확도를 갖는 훈련된 모델을 결정하기 위해, 특징들의 추가의 정밀화된 세트들에 대응하는 추가의 정밀화된 훈련 세트들을 사용하여 모델 훈련을 수행하는 블록(612)으로 복귀할 수 있다.
블록(618)에서, 시스템(600)은 선택된 모델(608)을 시험하기 위해 시험 세트(606)를 사용하여 (예를 들어, 도 1의 시험 엔진(186)을 통해) 모델 시험을 수행한다. 시스템(600)은 (예를 들어, 시험 세트(606)의 특징들의 제1 세트에 기초하여) 제1 훈련된 모델이 임계 정확도를 충족한다고 결정하기 위해, 시험 세트의 특징들의 제1 세트(예를 들어, 제품들(81-100)에 대한, 센서들(1-10)로부터의 센서 데이터)를 사용하여, 제1 훈련된 모델을 시험할 수 있다. 선택된 모델(608)의 정확도가 임계 정확도를 충족하지 않는 것(예를 들어, 선택된 모델(608)이 훈련 세트(602) 및/또는 검증 세트(604)에 과적합하고 다른 데이터 세트들, 예컨대, 시험 세트(606)에 적용가능하지 않음)에 응답하여, 흐름은, 시스템(600)이, 특징들의 상이한 세트들(예를 들어, 상이한 센서들로부터의 센서 데이터)에 대응하는 상이한 훈련 세트들을 사용하여 모델 훈련(예를 들어, 재훈련)을 수행하는 블록(612)으로 계속된다. 선택된 모델(608)이, 시험 세트(606)에 기초하여 임계 정확도를 충족하는 정확도를 갖는다고 결정하는 것에 응답하여, 흐름은 블록(620)으로 계속된다. 적어도 블록(612)에서, 모델은 예측들을 하기 위해 이력 데이터(662)의 패턴들을 학습할 수 있고, 블록(618)에서, 시스템(600)은 예측들을 시험하기 위해 나머지 데이터(예를 들어, 시험 세트(606))에 대해 모델을 적용할 수 있다.
블록(620)에서, 시스템(600)은 처리 챔버의 기판 퇴적 프로세스들과 연관된 보정 액션들을 수행하기 위해서, 현재 데이터(664)(예를 들어, 도 1의 현재 데이터(164), 도 1의 현재 이력 데이터(162))를 수신하고, 훈련된 모델의 출력으로부터, 예측 데이터(668)(예를 들어, 도 1의 예측 데이터(168))를 결정(예를 들어, 추출)하기 위해, 훈련된 모델(예를 들어, 선택된 모델(608))을 사용한다.
일부 실시예들에서, 블록들(610-620)의 하나 이상의 동작은 다양한 순서들로 그리고/또는 본원에 제시 및 설명되지 않은 다른 동작들과 함께 발생할 수 있다. 일부 실시예들에서, 블록들(610-620)의 하나 이상의 동작은 수행되지 않을 수 있다. 예를 들어, 일부 실시예들에서, 블록(610)의 데이터 분할, 블록(614)의 모델 검증, 블록(616)의 모델 선택, 또는 블록(618)의 모델 시험 중 하나 이상이 수행되지 않을 수 있다.
도 7a-c는 특정 실시예들에 따른, 부품, 센서, 및 계측 데이터 통합과 연관된 방법들(700A-C)의 흐름도들이다. 방법들(700A-C)은, 하드웨어(예를 들어, 회로, 전용 로직, 프로그램가능 로직, 마이크로코드, 처리 디바이스 등), 소프트웨어(예컨대, 처리 디바이스, 범용 컴퓨터 시스템, 또는 전용 기계 상에서 실행되는 명령어들), 펌웨어, 마이크로코드, 또는 이들의 조합을 포함할 수 있는 처리 로직에 의해 수행될 수 있다. 일부 실시예들에서, 방법(700A)은, 부분적으로, 예측 시스템(110)(예를 들어, 서버 기계(170), 데이터 세트 생성기(172) 등)에 의해 수행될 수 있다. 예측 시스템(110)은 본 개시내용의 실시예들에 따라, 모델을 훈련, 검증, 또는 시험하는 것 중 적어도 하나를 위해 방법(700A)을 사용할 수 있다. 일부 실시예들에서, 방법(700A)의 하나 이상의 동작은 도 1 및 6a와 관련하여 설명된 바와 같이 서버 기계(170)의 데이터 세트 생성기(172)에 의해 수행될 수 있다. 일부 실시예들에서, 방법들(700B-C)은, 부분적으로, 예측 시스템(110)(예를 들어, 예측 서버(112), 예측 구성요소(114) 등)에 의해 수행될 수 있다. 예측 시스템(110)은 본 개시내용의 실시예들에 따라, 모델을 훈련시키기 위해 방법(700B)을 사용할 수 있다. 예측 시스템(110)은 본 개시내용의 실시예들에 따라, 훈련된 모델을 사용하기 위해 방법(700C)을 사용할 수 있다. 일부 실시예들에서, 방법들(700B 및 700C)의 하나 이상의 동작은 도 1 및 6b와 관련하여 설명된 바와 같이 예측 서버(112)의 예측 구성요소(114)에 의해 수행될 수 있다. 도 1, 2 또는 6a-b 중 하나 이상과 관련하여 설명된 구성요소들은 도 7a-c의 양상들을 예시하는 데 사용될 수 있다는 점을 주목할 수 있다. 일부 실시예들에서, 비일시적 저장 매체는, (예를 들어, 예측 시스템(110)의) 처리 디바이스에 의해 실행될 때 처리 디바이스로 하여금 방법들(700A-C)을 수행하게 하는 명령어들을 저장한다.
설명의 단순화를 위해, 방법들(700A-C)은 일련의 동작들로서 도시되고 설명된다. 그러나, 본 개시내용에 따른 동작들은 다양한 순서들로 그리고/또는 동시에 그리고 본원에 제시 및 설명되지 않은 다른 동작들과 함께 발생할 수 있다. 게다가, 개시된 주제에 따른 방법들(700A-C)을 구현하기 위해, 예시된 동작들 전부가 수행되는 것은 아닐 수 있다. 추가적으로, 관련 기술분야의 통상의 기술자들은, 방법들(700A-C)이 대안적으로, 상태도 또는 이벤트들을 통해 일련의 상호관련된 상태들로서 표현될 수 있다는 것을 이해하고 인식할 것이다.
도 7a를 참조하면, 방법(700A)은 기판 퇴적 프로세스들과 연관된 보정 액션을 수행하기 위한 모델에 대한 데이터 세트를 생성하는 것과 연관된다.
블록(702)에서, 방법(700A)을 구현하는 처리 로직은 훈련 세트(T)를 빈 세트로 초기화한다.
블록(704)에서, 처리 로직은 이력 데이터(예를 들어, 도 1의 이력 데이터(162))를 포함하는 제1 데이터 입력(예를 들어, 제1 훈련 입력, 제1 검증 입력)을 생성한다. 일부 실시예들에서, (예를 들어, 도 6a와 관련하여 설명된 바와 같이) 제1 데이터 입력은 이력 데이터의 유형들에 대한 특징들의 제1 세트를 포함할 수 있고 제2 데이터 입력은 이력 데이터의 유형들에 대한 특징들의 제2 세트를 포함할 수 있다. 처리 로직은 이력 데이터(162)의 부분들(예를 들어, 구조 데이터(152), 센서 데이터(154), 계측 데이터(156) 등)에 기초하여 데이터 입력을 생성할 수 있다.
블록(706)에서, 처리 로직은 블록(704)에서 생성된 데이터 입력을 데이터 세트(T)에 추가한다.
블록(708)에서, 처리 로직은 데이터 세트(T)가 모델(190)을 훈련시키는 것, 검증하는 것, 및/또는 시험하는 것 중 적어도 하나에 충분한지 여부에 기초하여 분기한다. 충분하다면, 실행은 블록(710)으로 진행하고, 그렇지 않다면 실행은 블록(704)에서 다시 계속된다. 일부 실시예들에서, 데이터 세트(T)의 충분도는 단순히, 데이터 세트의 데이터의 양에 기초하여 결정될 수 있는 반면, 일부 다른 구현들에서, 데이터 세트(T)의 충분도는 데이터 세트의 데이터의 양에 더하여, 또는 그 대신에, 하나 이상의 다른 기준(예를 들어, 데이터 예들의 다양성의 척도, 정확도 등)에 기초하여 결정될 수 있다.
블록(710)에서, 처리 로직은 모델(190)을 훈련하고, 검증하고/거나 시험하기 위해, 데이터 세트(T)를 (예를 들어, 서버 기계(180)에) 제공한다. 일부 실시예들에서, 데이터 세트(T)는 훈련 세트이고, 훈련을 수행하기 위해 서버 기계(180)의 훈련 엔진(182)에 제공된다. 일부 실시예들에서, 데이터 세트(T)는 검증 세트이고, 검증을 수행하기 위해 서버 기계(180)의 검증 엔진(184)에 제공된다. 일부 실시예들에서, 데이터 세트(T)는 시험 세트이고, 시험을 수행하기 위해 서버 기계(180)의 시험 엔진(186)에 제공된다. 신경망의 경우, 예를 들어, 입력 값들(예를 들어, 데이터 입력들(601)과 연관된 수치 값들)이 신경망에 입력된다. 그 다음, 신경망의 연결 가중치들은 학습 알고리즘(예를 들어, 역전파 등)에 따라 조정되고, 절차는 데이터 세트(T)의 다른 입력/출력 맵핑들에 대해 반복된다. 블록(710) 이후에, 모델(예를 들어, 모델(190))은 서버 기계(180)의 훈련 엔진(182)을 사용하여 훈련되는 것, 서버 기계(180)의 검증 엔진(184)을 사용하여 검증되는 것, 또는 서버 기계(180)의 시험 엔진(186)을 사용하여 시험되는 것 중 적어도 하나일 수 있다. 훈련된 모델은, 기판 처리 장비(120)의 기판 퇴적 프로세스들과 연관된 보정 액션을 수행하기 위한 예측 데이터(168)를 생성하기 위해 (예측 서버(112)의) 예측 구성요소(114)에 의해 구현될 수 있다.
도 7b를 참조하면, 방법(700B)은 기판 퇴적 프로세스들과 연관된 보정 액션을 수행하기 위한 모델을 훈련시키는 것과 연관된다.
블록(720)에서, 처리 로직은 기판 처리 장비의 기판 퇴적 프로세스들(예를 들어, 기판의 시간에 따른 성장 주기들)과 연관된 이력 데이터(예를 들어, 이력 계측 데이터, 이력 광학 계측 데이터)를 식별한다. 이력 데이터는 기판 처리 장비에 의해 수행되는 기판 처리 동작들의 센서 데이터 및/또는 기판의 계측 데이터로부터 생성될 수 있다. 이력 데이터의 세트들은 생성된 하나 이상의 기판에 대응할 수 있다.
블록(722)에서, 처리 로직은, 기판 처리 장비의 기판 퇴적 프로세스들과 연관된 보정 액션의 수행을 야기하도록 두께 데이터를 예측하는 것과 연관된 출력들을 생성하도록 구성되는 훈련된 모델을 생성하기 위해 이력 데이터를 포함하는 데이터 입력을 사용하여 모델을 훈련시킨다.
일부 실시예들에서, 모델은, (예를 들어, 데이터를 클러스터링하기 위해) 무감독 훈련된 모델을 생성하기 위해 (예를 들어, 타겟 출력 없이) 데이터 입력에 기초하여 훈련된다. 일부 실시예들에서, 모델은 감독 훈련된 모델을 생성하기 위해 데이터 입력 및 타겟 출력에 기초하여 훈련된다.
도 7c를 참조하면, 방법(700C)은 기판 처리 장비의 기판 퇴적 프로세스들과 연관된 보정 액션을 수행하기 위한 모델을 사용하는 것과 연관된다.
블록(740)에서, 처리 로직은 처리 챔버에서의 기판 퇴적 프로세스들과 연관된 현재 데이터(예를 들어, 계측 데이터, 광학 계측 데이터)를 수신한다. 일부 실시예들에서, 현재 데이터는 시간에 따른 센서 데이터 및/또는 계측 데이터를 포함한다.
블록(742)에서, 처리 로직은 현재 데이터를 훈련된 모델에 제공한다. 일부 실시예들에서, 훈련된 모델은 방법(700B)에 의해 훈련된다. 일부 실시예들에서, 모델은 다항식 피팅, 경험적 모델, 또는 훈련된 기계 학습 모델 중 하나 이상이다.
블록(744)에서, 처리 로직은, 훈련된 모델로부터, 예측 데이터(예를 들어, 도 2a의 블록(208)의 두께 데이터)를 나타내는 하나 이상의 출력을 획득한다. 일부 실시예들에서, 예측 데이터는 예측 두께 데이터(예를 들어, 성장 단계의 예측된 개시, 예측된 두께, 예측된 두께 변동, 예측 계측 데이터 등)이다. 일부 실시예들에서, 예측 데이터는 이력 데이터와 현재 데이터 사이의 유사성을 나타낸다(예를 들어, 이력 데이터 및 현재 데이터는 동일한 클러스터의 일부이고, 현재 데이터는 이력 데이터 중 어느 것과도 클러스터링되지 않는다)(예를 들어, 무감독 모델로부터 초래된다).
일부 실시예들에서, 예측 데이터에 기초하여 보정 액션이 수행된다(예를 들어, 도 2a의 블록(210) 참고). 일부 실시예들에서, 보정 액션은 기판 제조(예를 들어, 기판 처리 동작들, 기판 처리 장비의 하드웨어, 기판 처리 동작들의 제조 파라미터들 등)를 조정하는 것을 포함한다.
도 8은 특정 실시예들에 따른, 컴퓨터 시스템(800)을 예시하는 블록도이다. 일부 실시예들에서, 컴퓨터 시스템(800)은 (예를 들어, 네트워크, 예컨대, 근거리 네트워크(LAN), 인트라넷, 엑스트라넷 또는 인터넷을 통해) 다른 컴퓨터 시스템들에 연결될 수 있다. 컴퓨터 시스템(800)은 클라이언트-서버 환경에서 서버 또는 클라이언트 컴퓨터로서, 또는 피어-투-피어 또는 분산형 네트워크 환경에서 피어 컴퓨터로서 동작할 수 있다. 컴퓨터 시스템(800)은 PC, 태블릿 PC, 휴대 정보 단말기(PDA), 셀룰러 전화기, 웹 기기, 서버, 네트워크 라우터, 스위치 또는 브리지, 또는 해당 디바이스에 의해 취해질 액션들을 특정하는 (순차적 또는 다른 방식의) 명령어들의 세트를 실행할 수 있는 임의의 디바이스에 의해 제공될 수 있다. 또한, "컴퓨터"라는 용어는 본원에 설명된 방법들 중 임의의 하나 이상을 수행하기 위해 명령어들의 세트(또는 다수의 세트들)를 개별적으로 또는 공동으로 실행하는 컴퓨터들의 임의의 집합을 포함해야 한다.
추가의 양상에서, 컴퓨터 시스템(800)은, 버스(808)를 통해 서로 통신할 수 있는, 처리 디바이스(802), 휘발성 메모리(804)(예를 들어, 랜덤 액세스 메모리(RAM)), 비휘발성 메모리(806)(예를 들어, 판독 전용 메모리(ROM) 또는 전기적 소거가능 프로그램가능 ROM(EEPROM)), 및 데이터 저장 디바이스(816)를 포함할 수 있다.
처리 디바이스(802)는 하나 이상의 프로세서, 예컨대, 범용 프로세서(예컨대, 예를 들어, 복합 명령어 세트 컴퓨팅(CISC) 마이크로프로세서, 축소 명령어 세트 컴퓨팅(RISC) 마이크로프로세서, 매우 긴 명령어(VLIW) 마이크로프로세서, 다른 유형의 명령어 세트들을 구현하는 마이크로프로세서, 또는 명령어 세트들의 유형들의 조합을 구현하는 마이크로프로세서) 또는 특화된 프로세서(예컨대, 예를 들어, 주문형 집적 회로(ASIC), 필드 프로그램가능 게이트 어레이(FPGA), 디지털 신호 프로세서(DSP) 또는 네트워크 프로세서)에 의해 제공될 수 있다.
컴퓨터 시스템(800)은 네트워크 인터페이스 디바이스(822)를 더 포함할 수 있다. 컴퓨터 시스템(800)은 또한, 비디오 디스플레이 유닛(810)(예를 들어, 액정 디스플레이(LCD)), 문자숫자식 입력 디바이스(812)(예를 들어, 키보드), 커서 제어 디바이스(814)(예를 들어, 마우스) 및 신호 생성 디바이스(820)를 포함할 수 있다.
일부 구현들에서, 데이터 저장 디바이스(816)는, 도 1의 구성요소들(예를 들어, 보정 액션 구성요소(108), 예측 구성요소(114) 등)을 인코딩하고 본원에 설명된 방법들을 구현하기 위한 명령어들을 포함하는, 본원에 설명된 방법들 또는 기능들 중 임의의 하나 이상을 인코딩하는 명령어들(826)을 저장할 수 있는 비일시적 컴퓨터 판독가능한 저장 매체(824)를 포함할 수 있다.
명령어들(826)은 또한, 컴퓨터 시스템(800)에 의한 명령어들의 실행 동안 휘발성 메모리(804) 내에 그리고/또는 처리 디바이스(802) 내에 완전히 또는 부분적으로 상주할 수 있으므로, 휘발성 메모리(804) 및 처리 디바이스(802)는 또한, 기계 판독가능 저장 매체를 구성할 수 있다.
예시적인 예들에서 컴퓨터 판독가능한 저장 매체(824)가 단일 매체로서 도시되지만, "컴퓨터 판독가능한 저장 매체"라는 용어는 실행가능한 명령어들의 하나 이상의 세트를 저장하는 단일 매체 또는 복수 매체들(예를 들어, 중앙집중형 또는 분산형 데이터베이스 및/또는 연관된 캐시들 및 서버들)을 포함해야 한다. "컴퓨터 판독가능한 저장 매체"라는 용어는 또한, 컴퓨터로 하여금 본원에 설명된 방법들 중 임의의 하나 이상을 수행하게 하는, 컴퓨터에 의한 실행을 위한 명령어들의 세트를 저장하거나 인코딩할 수 있는 임의의 유형 매체를 포함해야 한다. "컴퓨터 판독가능한 저장 매체"라는 용어는, 솔리드 스테이트 메모리들, 광학 매체들 및 자기 매체들을 포함해야 하지만 이에 제한되지는 않는다.
본원에 설명된 방법들, 구성요소들, 및 특징들은 별개의 하드웨어 구성요소들로 구현될 수 있거나, 다른 하드웨어 구성요소들, 예컨대, ASIC들, FPGA들, DSP들 또는 유사한 디바이스들의 기능에 통합될 수 있다. 추가적으로, 방법들, 구성요소들 및 특징들은 하드웨어 디바이스들 내의 펌웨어 모듈들 또는 기능 회로에 의해 구현될 수 있다. 또한, 방법들, 구성요소들 및 특징들은 하드웨어 디바이스들 및 컴퓨터 프로그램 구성요소들의 임의의 조합으로, 또는 컴퓨터 프로그램들로 구현될 수 있다.
구체적으로 달리 언급되지 않는 한, "식별", "수신", "결정", "예측", "훈련", "제공", "획득", "외삽" 등과 같은 용어들은, 컴퓨터 시스템 레지스터들 및 메모리들 내에서 물리적(전자적) 양들로서 표현되는 데이터를, 컴퓨터 시스템 메모리들 또는 레지스터들 또는 다른 그러한 정보 저장, 송신 또는 디스플레이 디바이스들 내의 물리적 양들로서 유사하게 표현되는 다른 데이터로 조작하고 변환하는, 컴퓨터 시스템들에 의해 수행 또는 구현되는 액션들 및 프로세스들을 지칭한다. 또한, 본원에서 사용되는 바와 같은 "제1", "제2", "제3", "제4" 등이라는 용어들은 상이한 요소들을 구별하기 위한 라벨들로서 의도되며, 그들의 수치 지정에 따라 서수 의미를 가질 필요는 없을 수 있다.
본원에 설명된 예들은 또한, 본원에 설명된 방법들을 수행하기 위한 장치에 관한 것이다. 이 장치는 본원에 설명된 방법들을 수행하기 위해 특별히 구성될 수 있거나, 컴퓨터 시스템에 저장된 컴퓨터 프로그램에 의해 선택적으로 프로그래밍된 범용 컴퓨터 시스템을 포함할 수 있다. 그러한 컴퓨터 프로그램은 컴퓨터 판독가능한 유형적 저장 매체에 저장될 수 있다.
본원에 설명된 방법들 및 예시적인 예들은 임의의 특정 컴퓨터 또는 다른 장치에 본질적으로 관련되지 않는다. 다양한 범용 시스템들은 본원에 설명된 교시들에 따라 사용될 수 있거나, 본원에 설명된 방법들 및/또는 그들의 개별 기능들, 루틴들, 하위루틴들, 또는 동작들 각각을 수행하기 위해 더 특화된 장치를 구성하기에 편리한 것을 증명할 수 있다. 다양한 이러한 시스템들에 대한 구조의 예들이 위의 설명에 제시된다.
위의 설명은 제한적인 것이 아니라 예시적인 것으로 의도된다. 본 개시내용이, 특정한 예시적인 예들 및 구현들을 참조하여 설명되었지만, 본 개시내용은 설명된 예들 및 구현들로 제한되지 않는다는 것이 인식될 것이다. 본 개시내용의 범위는 다음의 청구항들을 참조하여, 청구항들에 부여되는 등가물들의 전체 범위와 함께 결정되어야 한다.

Claims (20)

  1. 방법으로서,
    기판의 제1 영역의 제1 구조 데이터를 식별하는 단계;
    처리 챔버에서의 하나 이상의 기판 퇴적 프로세스와 연관된 상기 기판의 광학 계측 데이터를 수신하는 단계;
    상기 광학 계측 데이터 및 상기 제1 구조 데이터에 기초하여, 상기 하나 이상의 기판 퇴적 프로세스와 연관된 상기 기판의 제1 영역의 제1 성장 속도를 결정하는 단계; 및
    상기 광학 계측 데이터 및 상기 제1 성장 속도에 기초하여, 상기 기판의 제2 영역의 제2 구조 데이터 없이 상기 제2 영역의 두께 데이터를 예측하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 제1 영역은 계측 패드이고, 상기 제2 영역은 상기 기판의 기능 영역인, 방법.
  3. 제1항에 있어서,
    상기 기판의 제1 영역의 제1 구조 데이터를 식별하는 단계는, 상기 제1 영역의 물리적 모델 또는 기준 계측 툴 중 하나 이상에 기초하는, 방법.
  4. 제1항에 있어서, 상기 광학 계측 데이터는:
    산란 측정 데이터;
    반사 측정 데이터;
    분광 데이터;
    타원편광 측정 데이터;
    원자력 현미경(AFM) 데이터;
    임계 치수 주사 전자 현미경(CD-SEM) 데이터; 또는
    임계 치수 소각 x-선 산란(CD-SAXS) 데이터
    중 하나 이상을 포함하는, 방법.
  5. 제1항에 있어서,
    상기 광학 계측 데이터에 기초하여, 시간에 따른 상기 제1 영역의 공간 데이터를 결정하는 단계를 더 포함하고, 상기 제1 영역의 제1 성장 속도를 결정하는 단계는 시간에 따른 상기 제1 영역의 공간 데이터에 추가로 기초하는, 방법.
  6. 제1항에 있어서, 상기 두께 데이터는:
    상기 제2 영역 상에서의 상기 하나 이상의 기판 퇴적 프로세스의 성장 체제(growth regime)의 개시;
    상기 제2 영역에서의 유사한 물질의 층 상의 후속 원자 층 성장의 영역별 개시(region-specific onset);
    상기 제1 영역과 상기 제2 영역 사이의 두께 차이; 또는
    상기 하나 이상의 기판 퇴적 프로세스의 적어도 일부에 응답하여 상기 제2 영역 상의 퇴적된 두께
    중 하나 이상을 포함하는, 방법.
  7. 제1항에 있어서,
    상기 기판의 시간에 따른 복수의 성장 주기들(growth cycles)의 이력 광학 계측 데이터를 수신하는 단계; 및
    훈련된 모델을 생성하기 위해, 상기 이력 광학 계측 데이터를 포함하는 데이터 입력을 사용하여 모델을 훈련시키는 단계 - 상기 예측하는 단계는 상기 훈련된 모델에 기초함 -
    를 더 포함하는, 방법.
  8. 제1항에 있어서,
    상기 기판의 시간에 따른 복수의 성장 주기들의 이력 광학 계측 데이터를 포함하는 데이터 입력을 사용하여 훈련된 훈련된 모델에 대한 입력으로서 상기 광학 계측 데이터를 제공하는 단계; 및
    상기 훈련된 모델로부터, 하나 이상의 출력을 획득하는 단계 - 상기 예측하는 단계는 상기 하나 이상의 출력에 기초함 -
    를 더 포함하는, 방법.
  9. 제1항에 있어서,
    상기 예측하는 단계는, 상기 제2 영역과 연관된 종횡비에 추가로 기초하는, 방법.
  10. 제1항에 있어서,
    상기 광학 계측 데이터에 기초하여, 상기 제2 영역의 추정된 두께 데이터를 결정하는 단계;
    예상되는 데이터를 생성하기 위해, 상기 제2 영역의 추정된 두께 데이터를 이전 시점까지 외삽하는 단계; 및
    상기 예상되는 데이터와 상기 이전 시점의 측정된 데이터 사이의 차이에 기초하여 오프셋 데이터를 결정하는 단계 - 상기 두께 데이터를 예측하는 단계는 상기 오프셋 데이터에 추가로 기초함 -
    를 더 포함하는, 방법.
  11. 제1항에 있어서,
    상기 두께 데이터를 예측하는 단계는, 다항식 피팅, 경험적 모델, 또는 훈련된 기계 학습 모델 중 하나 이상을 통해 이루어지는, 방법.
  12. 제1항에 있어서,
    상기 두께 데이터에 기초하여, 상기 처리 챔버에서의 상기 하나 이상의 기판 퇴적 프로세스와 연관된 보정 액션을 야기하는 단계를 더 포함하는, 방법.
  13. 시스템으로서,
    메모리; 및
    상기 메모리에 결합된 처리 디바이스
    를 포함하고, 상기 처리 디바이스는:
    기판의 제1 영역의 제1 구조 데이터를 식별하고;
    처리 챔버에서의 하나 이상의 기판 퇴적 프로세스와 연관된 상기 기판의 광학 계측 데이터를 수신하고;
    상기 광학 계측 데이터 및 상기 제1 구조 데이터에 기초하여, 상기 하나 이상의 기판 퇴적 프로세스와 연관된 상기 기판의 제1 영역의 제1 성장 속도를 결정하고;
    상기 광학 계측 데이터 및 상기 제1 성장 속도에 기초하여, 상기 기판의 제2 영역의 제2 구조 데이터 없이 상기 제2 영역의 두께 데이터를 예측하기
    위한 것인, 시스템.
  14. 제13항에 있어서,
    상기 처리 디바이스는 추가로, 상기 광학 계측 데이터에 기초하여, 시간에 따른 상기 제1 영역의 공간 데이터를 결정하게 하고, 상기 처리 디바이스는 시간에 따른 상기 제1 영역의 공간 데이터에 추가로 기초하여 상기 제1 영역의 제1 성장 속도를 결정하기 위한 것인, 시스템.
  15. 제13항에 있어서, 상기 처리 디바이스는 추가로:
    상기 광학 계측 데이터에 기초하여, 상기 제2 영역의 추정된 두께 데이터를 결정하고;
    예상되는 데이터를 생성하기 위해, 상기 제2 영역의 추정된 두께 데이터를 이전 시점까지 외삽하고;
    상기 예상되는 데이터와 상기 이전 시점의 측정된 데이터 사이의 차이에 기초하여 오프셋 데이터를 결정하기
    위한 것이고, 상기 처리 디바이스는 상기 오프셋 데이터에 추가로 기초하여 상기 두께 데이터를 예측하기 위한 것인, 시스템.
  16. 제13항에 있어서,
    상기 처리 디바이스는 추가로, 상기 두께 데이터에 기초하여, 상기 처리 챔버에서의 상기 하나 이상의 기판 퇴적 프로세스와 연관된 보정 액션을 야기하기 위한 것인, 시스템.
  17. 저장된 명령어들을 갖는 비일시적 컴퓨터 판독가능한 매체로서,
    상기 명령어들은, 처리 디바이스에 의해 실행될 때, 상기 처리 디바이스로 하여금:
    기판의 제1 영역의 제1 구조 데이터를 식별하는 동작;
    처리 챔버에서의 하나 이상의 기판 퇴적 프로세스와 연관된 상기 기판의 광학 계측 데이터를 수신하는 동작;
    상기 광학 계측 데이터 및 상기 제1 구조 데이터에 기초하여, 상기 하나 이상의 기판 퇴적 프로세스와 연관된 상기 기판의 제1 영역의 제1 성장 속도를 결정하는 동작; 및
    상기 광학 계측 데이터 및 상기 제1 성장 속도에 기초하여, 상기 기판의 제2 영역의 제2 구조 데이터 없이 상기 제2 영역의 두께 데이터를 예측하는 동작
    을 포함하는 동작들을 수행하게 하는, 비일시적 컴퓨터 판독가능한 매체.
  18. 제17항에 있어서,
    상기 동작들은, 상기 광학 계측 데이터에 기초하여, 시간에 따른 상기 제1 영역의 공간 데이터를 결정하는 동작을 더 포함하고, 상기 제1 영역의 제1 성장 속도를 결정하는 동작은 시간에 따른 상기 제1 영역의 공간 데이터에 추가로 기초하는, 비일시적 컴퓨터 판독가능한 매체.
  19. 제17항에 있어서, 상기 동작들은:
    상기 광학 계측 데이터에 기초하여, 상기 제2 영역의 추정된 두께 데이터를 결정하는 동작;
    예상되는 데이터를 생성하기 위해, 상기 제2 영역의 추정된 두께 데이터를 이전 시점까지 외삽하는 동작; 및
    상기 예상되는 데이터와 상기 이전 시점의 측정된 데이터 사이의 차이에 기초하여 오프셋 데이터를 결정하는 동작 - 상기 두께 데이터를 예측하는 동작은 상기 오프셋 데이터에 추가로 기초함 -
    을 더 포함하는, 비일시적 컴퓨터 판독가능한 매체.
  20. 제17항에 있어서,
    상기 동작들은, 상기 두께 데이터에 기초하여, 상기 처리 챔버에서의 상기 하나 이상의 기판 퇴적 프로세스와 연관된 보정 액션을 야기하는 동작을 더 포함하는, 비일시적 컴퓨터 판독가능한 매체.
KR1020237035055A 2021-03-29 2022-03-28 이미징 계측을 이용한 공간 패턴 부하 측정 KR20230156409A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/216,203 US20220310425A1 (en) 2021-03-29 2021-03-29 Spatial pattern loading measurement with imaging metrology
US17/216,203 2021-03-29
PCT/US2022/022187 WO2022212281A1 (en) 2021-03-29 2022-03-28 Spatial pattern loading measurement with imaging metrology

Publications (1)

Publication Number Publication Date
KR20230156409A true KR20230156409A (ko) 2023-11-14

Family

ID=83363648

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237035055A KR20230156409A (ko) 2021-03-29 2022-03-28 이미징 계측을 이용한 공간 패턴 부하 측정

Country Status (5)

Country Link
US (1) US20220310425A1 (ko)
KR (1) KR20230156409A (ko)
CN (1) CN117378036A (ko)
TW (1) TW202303088A (ko)
WO (1) WO2022212281A1 (ko)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6410351B1 (en) * 2000-07-13 2002-06-25 Advanced Micro Devices, Inc. Method and apparatus for modeling thickness profiles and controlling subsequent etch process
US6913938B2 (en) * 2001-06-19 2005-07-05 Applied Materials, Inc. Feedback control of plasma-enhanced chemical vapor deposition processes
KR100982306B1 (ko) * 2008-06-09 2010-09-15 삼성모바일디스플레이주식회사 가상 계측 장치 및 계측 방법
US20190244139A1 (en) * 2018-02-02 2019-08-08 Oracle International Corporation Using meta-learning for automatic gradient-based hyperparameter optimization for machine learning and deep learning models
KR20200072302A (ko) * 2018-12-12 2020-06-22 삼성전자주식회사 두께 예측 네트워크 학습 방법, 반도체 소자 제조 방법 및 반도체 물질 퇴적 장비
US10886155B2 (en) * 2019-01-16 2021-01-05 Applied Materials, Inc. Optical stack deposition and on-board metrology

Also Published As

Publication number Publication date
TW202303088A (zh) 2023-01-16
WO2022212281A1 (en) 2022-10-06
CN117378036A (zh) 2024-01-09
US20220310425A1 (en) 2022-09-29

Similar Documents

Publication Publication Date Title
CN108281346B (zh) 从光谱的时间序列进行特征提取以控制工艺结束点的方法
TWI600895B (zh) 原位控制製程的方法及設備
JP5444610B2 (ja) 光計測を用いた半導体製造プロセスのプロセスパラメータの測定方法
US11989495B2 (en) Systems and methods for predicting film thickness using virtual metrology
US20240096713A1 (en) Machine-learning in multi-step semiconductor fabrication processes
US10619996B2 (en) Vapor phase growth rate measuring apparatus, vapor phase growth apparatus, and growth rate detection method
US10488334B2 (en) Growth-rate measuring apparatus and growth-rate detection method
WO2022169611A1 (en) Systems and methods for predicting film thickness of individual layers using virtual metrology
KR20230156409A (ko) 이미징 계측을 이용한 공간 패턴 부하 측정
TW202400840A (zh) 用於在基板製造期間測量圖案化基板特性的方法和機制
CN118871742A (zh) 使用光学壁工艺传感器（owps）的工艺表征和改正
US7663766B2 (en) Incorporating film optical property measurements into scatterometry metrology
TW202345235A (zh) 在基板製造期間用於調整處理腔室參數的方法及機制
US20240229234A1 (en) Cleaning operations based on deposition thickness
US20240288838A1 (en) Residual thickness compensation
US20230008072A1 (en) Method and mechanism for contact-free process chamber characterization
US20240288779A1 (en) Methods and mechanisms for modifying machine-learning models for new semiconductor processing equipment
US20230089982A1 (en) Methods and mechanisms for coupling sensors to transfer chamber robot
CN116583938A (zh) 多步骤半导体制造工艺中的机器学习
KR20240148889A (ko) 프로세스 제어 노브 추정
TW202414132A (zh) 用於防止機器學習模型性能的波動的方法和機制
CN118922926A (zh) 使用光学壁工艺传感器(owps)的工艺表征和改正
WO2024072755A1 (en) Surface roughness and emissivity determination
WO2024124053A1 (en) Processing tool with hyperspectral camera for metrology-based analysis
TW202439369A (zh) 具有基於計量之分析用高光譜攝影機的處理工具