KR20240051271A

KR20240051271A - 웨이퍼 프로세싱 툴의 머신 비전 검사 (machine vision inspection)

Info

Publication number: KR20240051271A
Application number: KR1020247011050A
Authority: KR
Inventors: 리우 양; 멍핑 리; 샨티나스 공가디
Original assignee: 램 리써치 코포레이션
Priority date: 2021-09-03
Filing date: 2022-08-21
Publication date: 2024-04-19
Also published as: WO2023034695A1; CN117940616A; TW202325902A

Abstract

머신 러닝 분류기를 사용하여 웨이퍼 프로세싱 툴의 상태를 진단하는 것과 관련된 예들이 개시된다. 일 예는 컵을 포함하는 전기 증착 (electrodeposition) 툴을 제공한다. 컵은 웨이퍼 인터페이스를 포함한다. 웨이퍼 인터페이스는 립 시일 (lip seal) 및 복수의 전기적 콘택트들을 포함한다. 전기 증착 툴은 웨이퍼 인터페이스의 적어도 일부를 이미징하도록 포지셔닝된 카메라를 더 포함한다. 전기 증착 툴은 논리 머신, 및 논리 머신에 의해 실행 가능한 인스트럭션들을 저장하는 저장 머신을 더 포함한다. 인스트럭션들은 카메라를 통해 웨이퍼 인터페이스의 이미지를 획득하도록 실행 가능하다. 인스트럭션들은 트레이닝된 머신 러닝 함수로부터 웨이퍼 인터페이스의 이미지의 분류를 획득하도록 더 실행 가능하다. 인스트럭션들은 분류에 기초하여 액션을 취하기 위해 전기 증착 툴을 제어하도록 더 실행 가능하다.

Description

웨이퍼 프로세싱 툴의 머신 비전 검사 (MACHINE VISION INSPECTION)

웨이퍼 기판들 상에 집적 회로들을 형성하기 위해 매우 다양한 프로세싱 툴들이 사용된다. 예를 들어, 전기 증착 (electrodeposition) 은 일반적으로 전기 전도성 구조체들을 형성하기 위해 집적 회로 제작 프로세스들에서 사용된다.

이 발명의 내용은 이하의 발명을 실시하기 위한 구체적인 내용에 더 기술되는 단순화된 형태의 개념들의 선택을 도입하도록 제공된다. 이 발명의 내용은 청구된 주제의 주요 특징들 또는 본질적인 특징들을 식별하도록 의도되지 않고, 청구된 주제의 범위를 제한하기 위해 사용되도록 의도되지 않는다. 게다가, 청구된 주제는 본 개시의 임의의 부분에서 언급된 임의의 또는 모든 단점들을 해결하는 구현 예들로 제한되지 않는다.

일부 이러한 예들에서 웨이퍼 인터페이스는 회전하도록 구성되고, 그리고 카메라는 웨이퍼 인터페이스의 대응하는 복수의 회전 각도들에서 웨이퍼 인터페이스의 복수의 이미지들을 캡처하도록 (capture) 구성된다.

일부 이러한 예들에서, 인스트럭션들은 복수의 이미지들의 이미지 각각의 분류를 획득하도록 부가적으로 또는 대안적으로 실행 가능하다.

일부 이러한 예들에서, 인스트럭션들은 트레이닝된 머신 러닝 함수를 호스팅하는 원격 컴퓨팅 시스템으로 웨이퍼 인터페이스의 이미지를 송신하고, 그리고 원격 컴퓨팅 시스템으로부터 이미지의 분류를 획득하도록 부가적으로 또는 대안적으로 실행 가능하다.

일부 이러한 예들에서, 트레이닝된 머신 러닝 함수는 잔차 신경망 (residual neural network; ResNet) 을 포함한다.

일부 이러한 예들에서, 인스트럭션들은 오염 (dirty) 분류를 획득하는 것에 응답하여 세정 프로그램을 실행하기 위해 전기 증착 툴을 제어하도록 부가적으로 또는 대안적으로 실행 가능하다.

일부 이러한 예들에서, 인스트럭션들은 습윤 (wet) 분류를 획득하는 것에 응답하여 셀 건조 프로그램을 실행하기 위해 전기 증착 툴을 제어하도록 부가적으로 또는 대안적으로 실행 가능하다.

일부 이러한 예들에서, 인스트럭션들은 손상 (damaged) 분류를 획득하는 것에 응답하여 사용자 개입을 위해 에러 코드를 출력하기 위해 전기 증착 툴을 제어하도록 부가적으로 또는 대안적으로 실행 가능하다.

일부 이러한 예들에서, 인스트럭션들은 정상 (normal) 또는 모호함 (ambiguous) 중 하나의 분류를 획득하는 것에 응답하여 정상 동작을 계속하기 위해 전기 증착 툴을 제어하도록 부가적으로 또는 대안적으로 실행 가능하다.

또 다른 예는 전기 증착 툴을 동작시키기 위한 방법을 제공한다. 방법은 카메라를 통해 전기 증착 툴의 웨이퍼 인터페이스의 이미지를 획득하는 단계를 포함한다. 방법은 트레이닝된 머신 러닝 함수로부터 이미지의 분류를 획득하는 단계를 더 포함한다. 방법은 분류 획득 시, 분류에 기초하여 유지 보수 (maintenance) 프로그램을 실행하도록 전기 증착 툴을 제어하는 단계를 더 포함한다.

일부 이러한 예들에서, 분류는 오염 분류를 포함하고, 그리고 유지 보수 프로그램은 셀 세정 프로그램을 포함한다.

부가적으로 또는 대안적으로, 일부 이러한 예들에서 분류는 습윤 분류를 포함하고, 그리고 유지 보수 프로그램은 셀 건조 프로그램을 포함한다.

부가적으로 또는 대안적으로, 일부 이러한 예들에서 분류는 손상 분류를 포함하고, 그리고 유지 보수 프로그램은 사용자 개입을 위해 에러 코드를 출력하는 것을 포함한다.

부가적으로 또는 대안적으로, 일부 이러한 예들에서, 방법은 웨이퍼 인터페이스의 대응하는 복수의 회전 각도들에서 웨이퍼 인터페이스의 복수의 이미지들을 획득하는 단계, 및 트레이닝된 머신 러닝 함수로부터 복수의 이미지들의 이미지 각각의 분류를 획득하는 단계를 더 포함한다.

부가적으로 또는 대안적으로, 일부 이러한 예들에서, 방법은 정상 분류를 획득하는 단계, 및 정상 동작을 계속하도록 전기 증착 툴을 제어하는 단계를 더 포함한다.

부가적으로 또는 대안적으로, 일부 이러한 예들에서 방법은 모호함 분류를 획득하는 단계, 및 응답하여, 경고 코드를 트리거하는 단계를 더 포함한다.

또 다른 예는 논리 머신 및 논리 머신에 의해 실행 가능한 인스트럭션들을 홀딩하는 (hold) 저장 머신을 포함하는 컴퓨팅 시스템을 제공한다. 인스트럭션들은 전기 증착 툴의 웨이퍼 인터페이스의 이미지를 획득하도록 실행 가능하고, 웨이퍼 인터페이스는 립 시일 및 복수의 전기적 콘택트들을 포함한다. 인스트럭션들은 트레이닝된 머신 러닝 함수 내로 이미지를 입력하는 것을 통해 분류를 획득하도록 더 실행 가능하다. 인스트럭션들은 분류를 출력하도록 더 실행 가능하다.

일부 이러한 예들에서, 트레이닝된 머신 러닝 함수는 잔차 신경망을 포함한다.

부가적으로 또는 대안적으로, 일부 이러한 예들에서 인스트럭션들은 트레이닝된 머신 러닝 함수 내로 이미지를 입력하기 전에 웨이퍼 인터페이스의 이미지를 크롭하도록 (crop) 더 실행 가능하다.

부가적으로 또는 대안적으로, 일부 이러한 예들에서, 인스트럭션들은 정상, 습윤, 오염, 또는 손상 중 하나의 분류로 각각 라벨링된, 라벨링된 트레이닝 이미지들을 사용하여 트레이닝된 머신 러닝 함수를 트레이닝하도록 더 실행 가능하다.

도 1은 카메라를 포함하는 전기 증착 (electrodeposition) 툴의 형태의 예시적인 웨이퍼 프로세싱 툴의 블록도를 도시한다.
도 2는 전기 증착 툴을 위한 예시적인 도금 셀의 개략적인 단면도를 도시한다.
도 3a 및 도 3b는 예시적인 전기 증착 툴 클램쉘을 도시한다.
도 4는 전기 증착 툴을 동작시키기 위한 예시적인 방법의 흐름도를 도시한다.
도 5a 및 도 5b는 이미징을 위해 회전하도록 구성된 예시적인 웨이퍼 인터페이스를 개략적으로 도시한다.
도 6은 예시적인 웨이퍼 인터페이스 및 웨이퍼 인터페이스를 이미징하도록 포지셔닝된 복수의 카메라들을 개략적으로 도시한다.
도 7은 예시적인 잔차 신경망 (residual neural network; ResNet) 의 개략적인 표현을 도시한다.
도 8은 웨이퍼 프로세싱 툴의 이미지들을 분류하도록 머신 러닝 함수를 트레이닝하기 위한 예시적인 방법의 흐름도를 도시한다.
도 9는 예시적인 컴퓨팅 시스템의 블록도를 도시한다.

상기 논의된 바와 같이, 전기 증착 (electrodeposition) 은 일반적으로 집적 회로들의 제조에 사용된다. 전기 증착은 또한 전기 도금 (electroplating) 및 전기 충진 (electrofill) 으로 지칭될 수도 있다. 전기 증착은 웨이퍼 표면 상에 고체 금속을 증착하기 위해 웨이퍼 표면 상에 도금 용액의 금속 이온들을 전기 화학적으로 환원시키는 것을 수반한다. 전기 증착은 웨이퍼 표면에 형성된 리세스된 패턴들을 금속으로 충진하도록 사용될 수 있다. 예시적인 프로세스에서, 금속의 시드 층이 물리적 기상 증착 (physical vapor deposition) 에 의해 웨이퍼 표면 상에 증착된다. 이어서, 웨이퍼 표면은 금속 이온들을 포함하는 도금 용액에 노출된다. 금속 이온들을 환원시키기 위해 전류가 인가된다. 전기 화학적 환원은 웨이퍼 표면의 리세스된 패턴들을 충진하도록 시드 층 위에 더 두꺼운 금속 층을 성장시킨다. 이어서 과잉 금속은 리세스된 패턴들 내에 전도성 피처들을 형성하도록 화학적 기계적 폴리싱 (chemical mechanical polishing) 에 의해 제거될 수도 있다.

전기 증착 동안, 웨이퍼는 컵 및 콘을 포함하는 클램쉘 구조체 내에 지지될 수도 있다. 컵은 웨이퍼를 지지하고, 그리고 립 시일 (lip seal) 뒤에 포지셔닝된 복수의 전기적 콘택트들을 포함하는 웨이퍼 인터페이스를 포함한다. 콘은 컵 내에 포지셔닝된 웨이퍼를 립 시일에 대고 (against) 홀딩한다 (hold). 립 시일은 도금 용액이 컵 상의 전기적 콘택트들 및 웨이퍼 상의 대응하는 전기적 콘택트들에 도달하는 것을 방지한다.

웨이퍼 에지와 컵 콘택트들 사이에 일관된 (consistent) 전기적 콘택트를 유지하는 것은 적합하게 균일한 금속 층의 증착 및 표면 피처들의 보이드-프리 (void-free) 충진을 보장하는 것을 돕는다. 그러나, 때때로, 웨이퍼 인터페이스의 상태는 동작 동안 열화될 수도 있다. 일 예로서, 컵 전기적 콘택트들은 습윤될 (wet) 수도 있다. 습윤 소스들은 증착물들 사이의 계면을 세정하는 데 사용되는 도금 배스 용액 (plating bath solution) 및 물을 포함한다. 더 구체적인 예로서, 도금 배스로부터의 액체 액적들 (droplets) 은 웨이퍼 핸들링 동안 전기적 콘택트들을 습윤시킬 수도 있다.

웨이퍼 인터페이스 상의 도금 배스로부터의 액적들은 또한 웨이퍼 인터페이스의 전기적 콘택트들 상에 결정 성장 및/또는 다른 잔류 축적물 (build-up) 을 야기할 수도 있다. 이러한 액적들은 웨이퍼 에지 상의 시드 층으로 하여금 전기 증착 프로세스 동안 컵의 전기적 콘택트들 상에 용해되고 재증착되게 할 수 있어, 잔류물들을 형성한다. 또한, 도금 배스 내의 유기 첨가제들은 전기적 콘택트들 상에 침전될 수도 있다.

웨이퍼 인터페이스 구조체들은 또한 기계적 손상을 겪을 수도 있다. 예를 들어, 웨이퍼 인터페이스의 전기적 콘택트들은 웨이퍼 이송 동안 구부러지거나 (bent) 끊어질 (broken) 수도 있다. 또한, 웨이퍼 인터페이스 전기적 콘택트들 상의 액체 액적들 및/또는 잔류물들은 핸들링 동안 웨이퍼 부착 (sticking) 을 유발할 수도 있어, 전기적 콘택트들을 손상시킬 가능성을 더 증가시킨다. 립 시일 또한 손상될 수도 있다. 이는 도금 용액으로 하여금 시일을 지나 누설되게 할 수도 있다.

상기 기술된 웨이퍼 인터페이스 상태들 중 임의의 상태는 컵 웨이퍼 인터페이스의 전기적 콘택트들과 웨이퍼 상의 전기적 콘택트들 사이에 일관되지 않은 전기적 콘택트를 발생시킬 수도 있다. 일관되지 않은 전기적 콘택트는 도금 균일도를 저하시키고, 그리고 결함 있는 웨이퍼들을 야기할 수도 있다. 게다가, 금속 덴드라이트들 (dendrites) 은 상기 이슈들을 겪는 콘택트 주변에 형성될 수도 있다. 덴드라이트 형성은 전기 증착 툴을 손상시키는 아크 (arcing) 를 야기할 수도 있다.

이러한 이슈들을 해결하는 것을 돕기 위해 다양한 유지 보수 (maintenance) 프로세스들이 사용될 수도 있다. 예를 들어, 전기 증착 툴은 웨이퍼 인터페이스 세정 동작들을 수행하기 위한 하드웨어 피처들 및 제어 피처들을 포함할 수도 있다. 예시적인 세정 동작들은 린싱 동작 및 건조 동작을 포함한다. 또한, 특화된 세정 절차들은 웨이퍼 인터페이스 전기적 콘택트 상의 잔류물들을 상대적으로 더 강력하게 세정하도록 사용될 수도 있다. 손상된 전기적 콘택트들은 컵을 제거하고 그리고 웨이퍼 인터페이스를 수리하거나 교체함으로써 고쳐질 (fix) 수도 있다.

그러나, 예방적 유지 보수를 수행하기 위해 제때 이러한 상태들을 검출하는 것은 어려움들을 제기한다. 예를 들어, 웨이퍼 인터페이스의 빈번한 인간 육안 검사 (visual inspection) 는 시간 소모적이고 비용이 많이 들 수도 있다. 따라서, 유지 보수 프로세스들은 실행 (run) 각각 사이 대신, 복수의 실행들 사이에 고정된 (fix) 스케줄로 수행될 수도 있다. 그러나, 일부 예들에서, 웨이퍼 인터페이스 상태들은 품질 보증 테스트가 결함 있는 웨이퍼들을 나타낼 때까지 식별되지 않을 수도 있다. 발생되는 결함 있는 웨이퍼들은 사용 불가능할 수도 있고, 그리고 더 낮은 제품 수율을 발생시킨다.

따라서, 웨이퍼 프로세싱 툴을 이상이 없는 (healthy) 것 또는 잠재적으로 유지 보수를 필요로 하는 것으로 분류하기 위해 웨이퍼 프로세싱 툴의 머신 비전-기반 검사들 (machine vision-based inspections) 을 수행하는 것과 관련된 예들이 개시된다. 본 명세서에 사용된 바와 같은 용어 "분류하다 (classify)" 등은 머신 비전 검사 프로세스로부터 결정된 바와 같은 툴의 상태에 기초하여 복수의 규정된 카테고리들 중 일 카테고리로 웨이퍼 프로세싱 툴의 카테고리화를 의미한다. 머신-비전 건전성 (health) 검사들에 의해 획득된 분류들은 또한 유지 보수 프로세스들을 자동으로 트리거하기 위해 사용될 수도 있다. 트레이닝된 머신 러닝 함수의 사용은 웨이퍼 프로세싱 툴의 검사가 툴 쓰루풋 (throughput) 에 미치는 영향이 있다면 덜 영향을 주면서 수동 검사보다 더 높은 빈도로 수행되게 할 수도 있다. 또한, 머신 러닝 함수를 트레이닝하기 위해 스폿하기 어려운 (hard-to-spot) 상태들을 포함하는 라벨링된 트레이닝 이미지들의 사용은 머신 러닝 함수로 하여금 인간의 눈으로 검출하기 어려울 수 있는 가능한 에러들을 신속하게 검출하게 할 수도 있다.

더 구체적인 예로서, 전기 증착 툴은 컵 내의 웨이퍼 인터페이스를 검사하기 위해 머신 비전 및 적합하게 트레이닝된 머신 러닝 함수를 활용할 수도 있다. 이러한 일 예에서, 머신 러닝 함수는 "정상 (normal)", "습윤 (wet)", "오염 (dirty)", "손상 (damaged)", 및 "모호함 (ambiguous)"과 같은 분류들 각각에 대응하는 라벨링된 트레이닝 데이터를 사용하여 이들 분류들을 적용하도록 트레이닝 페이즈에서 트레이닝될 수도 있다. 이어서, 전개 페이즈에서, 카메라를 통해 획득된 웨이퍼 인터페이스의 이미지들은 트레이닝된 머신 러닝 함수 내로 입력될 수도 있다. 트레이닝된 머신 러닝 함수는 이미지가 복수의 가능한 분류들 각각에 대응할 확률들을 출력한다. 가장 높은 확률이 결정된 분류로서 사용될 수도 있다. 또한, 일부 예들에서, 결정된 가장 높은 확률은 문턱 값 확률과 비교될 수도 있다. 대응하는 분류는 확률이 문턱 값 확률을 충족할 때 할당될 수도 있다. 유사하게, 대응하는 분류는 분류가 문턱 값 확률을 충족하지 않을 때 할당되지 않을 수도 있다. 대신, 결정된 가장 높은 확률이 확률 문턱 값을 충족하지 않으면, "모호함" 분류가 할당될 수도 있다.

일부 예들에서, 이미지 분류는 수동 개입 프로세스를 트리거하도록 사용될 수도 있다. 예를 들어, "오염" 이미지 분류는 툴 오퍼레이터에게 부가적인 세정을 수행하도록 촉구할 (prompt) 수도 있다. 유사하게, "습윤" 이미지 분류는 툴 오퍼레이터에게 부가적인 건조를 수행하도록 촉구할 수도 있다. 다른 예들에서, 분류는 자동 유지 보수 프로그램을 트리거하도록 사용될 수도 있다. 예를 들어, 전기 증착 툴은 "습윤" 이미지 분류에 응답하여 건조 프로그램을 자동으로 수행할 수도 있다. 또 다른 예에서, 전기 증착 툴은 "오염" 이미지 분류에 응답하여 세정 프로그램을 자동으로 수행할 수도 있다. 다른 유지 보수 프로그램 예들은 이하에 더 상세히 논의된다.

상기 언급된 바와 같이, 웨이퍼 프로세싱 툴들을 위한 머신 비전-기반 검사 프로세스들은 인간 육안 검사보다 수행하기 더 빠를 수도 있다. 이와 같이, 검사 프로세스는 더 적은 툴 다운타임 (downtime) 으로 빈번하게 수행될 수도 있다. 이는 잠재적으로 유해한 상태들을 즉시 식별하는 데 도움이 될 수도 있다. 이와 같이, 유지 보수는 웨이퍼 프로세싱에서 결함들이 발생하기 전에 수행될 수도 있다. 이와 같이, 개시된 예들은 수동 육안 검사들과 비교하여 전기 증착 툴 검사 비용들, 수리 비용들 및 툴 다운타임을 감소시키는 것을 도울 수도 있다. 이는 또한 웨이퍼 수율을 개선할 수도 있다.

도 1은 웨이퍼 인터페이스의 머신-비전 기반 검사들을 수행하도록 구성된 예시적인 전기 증착 툴 (100) 의 블록도를 개략적으로 도시한다. 전기 증착 툴의 맥락에서 개시되지만, 본 개시에 따른 머신 비전-기반 검사들은 임의의 다른 적합한 웨이퍼 프로세싱 툴과 함께 사용될 수도 있다는 것이 이해될 것이다.

전기 증착 툴 (100) 은 선택적 이송 배리어 (108) 에 의해 분리된 애노드 챔버 (104) 및 캐소드 챔버 (106) 를 포함하는 전기 도금 셀 (102) 을 포함한다. 애노드 챔버 (104) 는 (110) 에 개략적으로 나타낸 애노드를 포함한다. 애노드 챔버 (104) 는 애노드 (110) 와 콘택트하는 애노드 액 (anolyte) 용액을 더 담는다. 캐소드 챔버 (106) 는 캐소드 (112) 와 콘택트하는 캐소드 액 (catholyte), 또는 도금 용액을 더 담는다. 도금 배스는 전기 화학적 환원에 의해 웨이퍼 상에 금속으로서 증착될 이온 종을 담는다. 애노드 (110) 는 증착될 금속을 포함할 수도 있고, 그리고 애노드 (110) 의 산화는 이온 종이 증착 프로세스에 의해 소비될 때 이온 종을 보충할 수도 있다.

선택적 이송 배리어 (108) 는 별개의 화학적 및/또는 물리적 분위기가 애노드 챔버 (104) 및 캐소드 챔버 (106) 내에 유지되게 한다. 예를 들어, 선택적 이송 배리어 (108) 는 금속 이온들로 하여금 배리어를 가로지르게 하는 동안 비이온성 유기 종이 배리어를 가로지르는 것을 방지하도록 구성될 수도 있다. 캐소드 액은 중력과 하나 이상의 펌프들 (122) 의 조합을 통해 캐소드 챔버 (106) 와 캐소드 액 저장부 (reservoir) (120) 사이에서 순환될 수도 있다. 유사하게, 애노드 챔버 (104) 내의 애노드 액은 애노드 액 저장부 (124) 내에 저장되고 그리고 애노드 액 저장부 (124) 로부터 보충될 수도 있다. 애노드 액은 중력과 하나 이상의 펌프들 (126) 의 조합을 통해 애노드 액 저장부 (124) 및 애노드 챔버 (104) 를 통해 순환될 수도 있다.

일부 집적 회로 제조 시스템들에서, 도금 동작들은 복수의 전기 증착 모듈들을 사용하여 복수의 웨이퍼들 상에서 병렬로 수행될 수도 있다. 이러한 경우들에서, 중앙 캐소드 액 저장부 및/또는 애노드 액 저장부는 캐소드 액 및/또는 애노드 액을 복수의 도금 셀들에 공급할 수도 있다.

전기 도금 동안, 전기장은 애노드 (110) 와 캐소드 (112) 사이에 확립된다. 이 장 (field) 은 애노드 챔버 (104) 로부터 선택적 이송 배리어 (108) 를 통해 캐소드 챔버 (106) 내로 그리고 캐소드 (112) 상으로 양이온들을 구동한다. 캐소드에서, 금속 양이온들이 환원되어 캐소드 (112) 표면 상에 금속의 고체 층을 형성하는 전기 화학적 반응이 발생한다. 애노드 전위는 애노드 전기적 연결부 (114) 를 통해 애노드 (110) 에 인가되고, 그리고 캐소드 전위는 캐소드 전기적 연결부 (116) 를 통해 캐소드 (112) 에 제공된다. 일부 실시 예들에서, 캐소드/기판은 전기 도금 동안 회전될 수도 있다.

도 2는 전기 증착 프로세스 동안 웨이퍼를 홀딩하도록 구성된 클램쉘 어셈블리 (200) 의 개략적인 단면도를 도시한다. 클램쉘 어셈블리 (200) 는 도 1의 캐소드 (112) 를 홀딩하기에 적합한 웨이퍼 홀더의 일 예이다.

클램쉘 어셈블리 (200) 는 콘 (202) 및 컵 (204) 을 포함한다. 컵 (204) 은 도 1의 캐소드 (112) 의 일 예인 웨이퍼 (208) 를 지지하도록 구성된 웨이퍼 인터페이스 (206) 를 포함한다. 웨이퍼 인터페이스 (206) 는 립 시일 (210) 및 복수의 전기적 콘택트들 (212) 을 포함한다. 립 시일 (210) 은 전기 증착 동안 도금 용액이 전기적 콘택트들 (212) 에 도달하는 것을 방지하도록 웨이퍼 (208) 와 물리적 콘택트를 형성한다. 복수의 전기적 콘택트들 (212) 의 전기적 콘택트들 각각은 립 시일 (210) 뒤의 위치에서 웨이퍼 (208) 와 전기적 콘택트를 형성한다. 전기적 콘택트들 (212) 은 기계적 지지 및 전기 전도를 제공하는 금속 프레임 (213) 에 부착된다.

컵 (204) 은 수직 리프트와 같은 클램쉘 어셈블리 (200) 의 다른 부분들에 연결되는 스트럿들 (struts) (214) 에 의해 지지된다. 컵 (204) 에 대한 콘 (202) 의 포지션은 콘 (202) 으로 립 시일 (210) 에 대고 웨이퍼 (208) 를 선택적으로 가압하고, 웨이퍼 (208) 로 하여금 컵 (204) 으로부터 제거되게 하도록 제어 가능하다. 클램쉘 어셈블리 (200) 는 상단 플레이트 (216) 및 스핀들 (218) 을 더 포함한다. 스핀들 (218) 은 클램쉘 어셈블리 (200) 를 회전시키도록 제어 가능한 모터에 기계적으로 (mechanically) 연결될 수도 있다. 웨이퍼 (208) 는 웨이퍼 (208) 의 노출된 표면이 전기 도금 동안 도금 배스 내에 침지되도록 도금 배스를 향해 하강될 수도 있다. 콘 (202) 으로부터의 하향 힘은 전기 도금 동안 웨이퍼 (208) 와 립 시일 (210) 사이에 유체 기밀 시일 (tight seal) 을 형성하는 것을 돕는다. 이는 도금 배스로부터 전기적 콘택트들 (212) 을 격리하는 것을 돕는다.

전기적 콘택트 (212) 각각은 웨이퍼 (208) 의 에지에서 전기적 콘택트를 형성한다. 전기적 콘택트 각각이 웨이퍼 (208) 를 터치하는 포지션은 웨이퍼 (208) 의 에지로부터 수 밀리미터 (millimeters) 내지 1 ㎜ 미만의 범위일 수 있다. 일부 예들에서, 전기적 콘택트들은 웨이퍼 주변부의 형상으로 배치된 (arrange) 치밀한 (dense) 어레이 (예를 들어, 수백 개의 전기적 콘택트들) 를 포함할 수도 있다.

도 1을 다시 참조하면, 전기 증착 툴 (100) 은 하나 이상의 카메라들 (130) 및 선택 가능하게 (optionally) 하나 이상의 광원들 (132) 을 더 포함한다. 카메라 (130) 각각은 머신 비전 검사 프로세스 동안 컵의 웨이퍼 인터페이스의 적어도 일부를 이미징하도록 포지셔닝된다. 카메라 (130) 는 임의의 적합한 카메라 또는 카메라들을 포함할 수도 있다. 예들은 하나 이상의 가시 광 카메라들 (visible cameras) 및/또는 적외선 강도 카메라들을 포함한다. 또한, 일부 예들은 또한 하나 이상의 깊이 카메라들 (depth cameras) 포함할 수도 있고, 용어 "깊이 카메라들"은 카메라의 이미지 센서의 픽셀 각각으로부터 해당 픽셀에 의해 이미징된 물리적 환경의 위치까지의 거리를 확인하는 (resolve) 카메라를 나타낸다. 광원 (132) 각각은 이미지 획득 프로세스 동안 적합하고 일관된 광 (lighting) 을 제공하기 위해 웨이퍼 인터페이스를 조사하도록 포지셔닝된다.

전기 증착 툴 (100) 은 유지 보수 프로세스들을 수행하는 것을 돕는 선택 가능한 세정 스테이션들을 더 포함한다. 도시된 예에서, 전기 증착 툴 (100) 은 세정 프로그램을 수행하기 위한 세정 챔버 (134) 를 포함한다. 전기 증착 후, 웨이퍼는 전기 도금 셀 (102) 로부터 제거될 수도 있고 그리고 린싱 및 건조를 위해 세정 챔버 (134) 로 이동될 수도 있다. 일부 예들에서, 세정 챔버 (134) 는 또한 웨이퍼 인터페이스를 세정하도록 사용될 수 있다. 세정 챔버 (134) 는 린싱 프로그램, 특수화된 세정 절차 (예를 들어, 에칭 절차), 건조 프로그램 또는 다른 적합한 세정 프로그램 중 하나 이상을 수행하도록 구성될 수도 있다. 또한, 일부 예들에서, 전기 증착 툴 (100) 은 세정을 보조하기 위해 산성 도금 용액 (106) 내에 웨이퍼 인터페이스를 침지시키도록 구성될 수도 있다.

전기 증착 툴 (100) 은 컴퓨팅 시스템 (140) 을 더 포함하고, 이의 양태들은 도 9와 관련하여 이하에 더 상세히 기술된다. 컴퓨팅 시스템 (140) 은 카메라 (130) 를 통해 웨이퍼 인터페이스의 이미지들을 획득하도록 실행 가능한 인스트럭션들을 포함한다. 컴퓨팅 시스템 (140) 은 또한 로컬 (locally) 실행되거나 원격으로 실행된 트레이닝된 머신 러닝 분류 함수로부터 이미지들의 분류들을 획득하도록 실행 가능한 인스트럭션들을 포함한다. 예시적인 머신 러닝 분류 함수들은 분류기 (142) 및 분류기 (152) 로 예시된다. 또한, 컴퓨팅 시스템 (140) 은 예를 들어 트레이닝된 머신 러닝 함수로부터 획득된 이미지 분류들에 기초하여 유지 보수 루틴들을 수행하도록 실행 가능한 인스트럭션들을 포함할 수도 있다. 컴퓨팅 시스템 (140) 은 또한 전기 증착 프로세스들 및 웨이퍼 로딩/언로딩 (loading/unloading) 프로세스들과 같은, 전기 증착 툴 (100) 의 임의의 다른 적합한 기능들을 제어하도록 실행 가능한 인스트럭션들을 포함할 수도 있다.

일부 예들에서, 컴퓨팅 시스템 (140) 은 적합한 컴퓨터 네트워크를 통해 원격 컴퓨팅 시스템 (150) 과 통신하도록 구성될 수도 있다. 예를 들어, 컴퓨팅 시스템 (140) 은 원격 컴퓨팅 시스템이 분류기 (152) 를 사용하여 이미지를 분류하도록 카메라 (130) 로부터 원격 컴퓨팅 시스템 (150) 으로 이미지들을 제공하도록 구성될 수도 있다. 이러한 예들에서, 컴퓨팅 시스템 (140) 은 또한 원격 컴퓨팅 시스템 (150) 으로부터 분류들을 수신한다. 분류기들 (142 및 152) 을 둘러싸는 대시선들 (dashed lines) 로 나타낸 바와 같이, 분류기는 로컬 실행되고 그리고/또는 원격으로 실행될 수도 있다. 원격 컴퓨팅 시스템 (150) 은 예들로서, 네트워킹된 워크스테이션 컴퓨터, 기업 컴퓨팅 시스템, 및/또는 클라우드 컴퓨팅 시스템과 같은 임의의 적합한 컴퓨팅 시스템을 포함할 수도 있다. 일부 예들에서 원격 컴퓨팅 시스템 (150) 이 복수의 전기 증착 툴들과 통신하고 제어할 수도 있다는 것이 이해될 것이다.

상기 언급된 바와 같이, 전기 증착 툴 (100) 은 가능한 문제 상태들을 찾기 (locate) 위해 머신 비전 검사 프로세스를 실행하도록 구성된다. 본 명세서에 사용된 바와 같은 용어 "머신 비전 검사 프로세스"는 웨이퍼 프로세싱 툴의 상태를 평가하기 위해 이미지 데이터 및 트레이닝된 머신 러닝 분류 함수를 활용하는 프로세스를 포함한다. 머신 비전 검사는 임의의 적합한 트리거의 발생 시 실행될 수도 있다. 예를 들어, 머신 비전 검사는 선택된 수의 웨이퍼들이 프로세싱된 후 그리고/또는 선택된 양의 시간이 경과된 후 수행될 수도 있다. 머신 비전 검사는 규칙적인 간격들로 또는 가변하는 간격들로 수행될 수도 있다. 머신 비전 검사는 또한 유지 보수 프로그램이 실행된 후 수행될 수도 있다. 이는 셀 세정 프로그램이 실행된 후 웨이퍼 인터페이스가 깨끗하고, 건조하고 손상되지 않았음을 보장하는 것을 도울 수도 있다. 또 다른 예로서, 머신 비전 검사는 전기 증착 툴이 유휴 상태 (idle) 일 때마다 실행될 수도 있다.

머신 비전 검사 프로세스 동안, 전기 증착 툴의 클램쉘 어셈블리가 개방된다 (그리고 필요하다면 웨이퍼가 제거된다). 이어서 웨이퍼 인터페이스의 전극들 및/또는 립 시일의 이미지들이 획득된다. 도 3a 및 도 3b는 예시적인 클램쉘 어셈블리 (300) 를 예시하고, 그리고 이미징을 위해 웨이퍼 인터페이스를 노출하기 위한 클램쉘 어셈블리 (300) 의 개구부를 예시한다. 클램쉘 어셈블리 (300) 는 컵 (302), 콘 (304), 및 지지 스트럿들 (306) 을 포함한다. 클램쉘 어셈블리 (300) 는 도 2의 클램쉘 어셈블리 (200) 의 일 예이다. 컵 (302) 은 전기 증착 프로세스 동안 웨이퍼를 지지하도록 구성된다. 컵 (302) 은 도 3a 및 도 3b의 뷰에서 보이지 않는, 복수의 전기적 콘택트들 및 립 시일을 포함하는 웨이퍼 인터페이스 (308) 를 포함한다.

전기 증착 동안, 웨이퍼는 컵 (302) 내부에 배치되고 (place) 그리고 콘 (304) 은 컵 (302) 의 립 시일에 대고 웨이퍼를 가압한다. 클램쉘 어셈블리 (300) 는 (307) 에 개략적으로 나타낸 바와 같이, 수직 운동을 위해 리프트 상에 장착된다. 리프트는 전기 증착을 위해 컵을 도금 배스 내로 이동시킨다. 전기 증착 후, 리프트는 예를 들어 세정 챔버 내에서 린싱 및 건조를 위해 도금 배스로부터 클램쉘 어셈블리를 이동시킨다. 이어서 클램쉘 어셈블리 (300) 가 웨이퍼 언로딩을 위해 다시 개방된다.

도 3b에 도시된 바와 같이, 컵 (302) 과 콘 (304) 을 연결하는 지지 스트럿들 (306) 은 컵 (302) 및 콘 (304) 으로 하여금 분리되게 하고 이에 따라 클램쉘 어셈블리 (300) 를 개방한다. 클램쉘 어셈블리 (300) 를 개방하는 것은 카메라 (312) 로 하여금 웨이퍼 인터페이스 (308) 의 적어도 일부를 이미징하게 한다. 이미징 동안, 하나 이상의 광원들 (310) 이 웨이퍼 인터페이스를 조사하도록 제어될 수도 있다. 또한, 일부 예들에서, 클램쉘 어셈블리 (300) 는 (316) 에 나타낸 바와 같이, 이미징 동안 회전하도록 구성될 수도 있다. 이러한 예들에서, 카메라 (312) 는 복수의 회전 각도들에서 웨이퍼 인터페이스 (308) 를 이미징할 수 있다. 다른 예들에서, 회전을 사용하거나 사용하지 않고, 상이한 각도들로부터 웨이퍼 인터페이스를 이미징하도록 복수의 카메라들이 사용될 수도 있다. 또 다른 예들에서, 카메라는 웨이퍼 인터페이스 (308) 전체를 이미징하도록 포지셔닝될 수도 있다. 이러한 예에서, 카메라는 예컨대 콘 (304) 과 통합됨으로써, 웨이퍼 인터페이스 위에 배치될 수도 있다.

도 4는 전기 증착 툴을 동작시키기 위한 예시적인 방법 (400) 의 흐름도를 도시한다. 예를 들어, 컴퓨팅 시스템 (140) 은 전기 증착 툴 (100) 의 머신 비전 검사 프로세스의 일부로서 방법 (400) 을 실행할 수도 있다.

(402) 에서, 방법 (400) 은 웨이퍼 인터페이스의 적어도 일부의 이미지를 획득하는 단계를 포함한다. 상기 언급된 바와 같이, 이는 (404) 에 나타낸 바와 같이, 웨이퍼 인터페이스를 회전시키는 단계 및 대응하는 복수의 회전 각도들에서 웨이퍼 인터페이스의 복수의 이미지들을 획득하는 단계를 포함할 수도 있다. 도 5a 및 도 5b는 머신 비전 검사 프로세스 동안 카메라 (502) 에 대해 회전하는 예시적인 웨이퍼 인터페이스 (500) 의 평면도를 도시한다. 도 5a에 도시된 바와 같이, 카메라 (502) 는 웨이퍼 인터페이스의 제 1 부분의 이미지를 캡처한다 (capture). 광원 (504) 은 이미징 동안 웨이퍼 인터페이스 (500) 를 조사한다. 일부 예들에서, 복수의 광원들이 사용될 수도 있다. 다음으로, 도 5b는 대략 40 ° 회전 후 웨이퍼 인터페이스 (500) 를 도시한다. 이어서 카메라 (502) 는 웨이퍼 인터페이스의 제 2 부분의 이미지를 캡처하도록 동작된다. 이 방식으로, 웨이퍼 인터페이스 전체의 이미지들이 연속적으로 획득될 수도 있다. 이어서 이미지 각각은 트레이닝된 머신 러닝 함수를 사용하여 분류될 수 있다.

일부 예들에서, 웨이퍼 인터페이스는 1 내지 60 RPM (rotations per minute) 의 레이트로 회전한다. 더 구체적인 예들에서, 웨이퍼 인터페이스는 2 내지 10 RPM의 레이트로 회전한다. 더 구체적인 예들에서, 웨이퍼 인터페이스는 4 내지 6 RPM의 레이트로 회전한다. 카메라 (502) 는 회전당 웨이퍼 인터페이스의 적합한 수의 이미지들이 획득되도록 이미징 프레임 레이트 (framerate) 를 포함할 수도 있다. 일부 예들에서, 이미지 수집은 1 회 이상의 완전한 (full) 회전들 동안 계속된다. 일 예에서, 회전당 60 개의 이미지들이 캡처되도록 회전 레이트는 5 RPM이고 그리고 프레임 레이트는 5 fps (frames per second) 이다. 또 다른 예에서, 회전당 10 내지 30 개의 이미지들이 캡처된다. 다른 예들에서, 카메라는 회전당 임의의 적합한 수의 이미지들을 캡처할 수도 있다. 일부 예들에서, 회전 레이트 및 프레임 레이트는 조정 가능하다. 도 5a 및 도 5b는 개략적으로 도시되고 그리고 명확성을 위해 특정한 피처들을 생략할 수도 있다.

도 4를 다시 참조하면, 일부 예들에서, (406) 에서, 방법 (400) 은 대응하는 복수의 카메라들로부터 웨이퍼 인터페이스의 복수의 이미지들을 획득하는 단계를 포함한다. 도 6은 컵 (600) 의 웨이퍼 인터페이스를 이미징하도록 구성된 예시적인 컵 (600) 및 6 개의 카메라들 (602) 을 개략적으로 도시한다. 카메라 (602) 각각은 웨이퍼 인터페이스의 상이한 부분을 이미징할 수 있다. 이와 같이, 웨이퍼 인터페이스의 복수의 이미지들은 컵의 회전과 함께 또는 회전 없이, 병렬로 캡처될 수도 있다. 웨이퍼 인터페이스의 상이한 부분들을 병렬로 이미징함으로써, 머신 비전 검사 프로세스가 더 신속하게 수행될 수도 있다. 도 6의 예는 6 개의 카메라들을 도시하지만, 임의의 적합한 수의 카메라들이 다른 예들에서 사용될 수도 있다.

도 4를 계속 참조하면, 일부 예들에서, (408) 에서, 방법 (400) 은 이미지를 크롭하는 (crop) 단계를 포함한다. 예를 들어, 카메라는 웨이퍼 인터페이스의 일부에 대응하는 이미지의 영역을 포커싱하는 한편, 다른 이미지 영역들은 포커싱되지 않게 하도록 구성될 수도 있다. 이러한 예들에서, 이미지는 포커싱되지 않고 그리고/또는 분류에 관심이 없는 (not of interest) 이미지 영역들을 제거하도록 크롭될 수도 있다. 일 더 구체적인 예에서, 1600 x 1200 픽셀의 해상도 (resolution) 를 갖는 이미지는 512 x 512 픽셀의 사이즈로 크롭된다. 다른 예들에서, 임의의 다른 적합한 카메라 해상도 및 크롭 사이즈가 사용될 수도 있다. 또한, 일부 예들에서, 휘도 보정, 색 보정, 필터링, 등과 같은 부가적인 이미지 전처리가 채용된다.

방법 (400) 은 (410) 에서 트레이닝된 머신 러닝 함수를 통해 이미지의 분류를 획득하는 단계를 더 포함한다. 일부 예들에서, 분류는 전기 증착 툴에 로컬인 트레이닝된 머신 러닝 함수에 이미지를 제공함으로써 획득될 수도 있는 한편, 다른 예들에서 전기 증착 툴에 대해 원격인 트레이닝된 머신 러닝 함수에 이미지를 제공함으로써 획득될 수도 있다. 따라서, 일부 예들에서, (412) 에서, 방법은 트레이닝된 머신 러닝 함수를 호스팅하는 원격 컴퓨팅 시스템에 이미지를 전송하는 단계를 포함한다. 이러한 예들에서, 방법은 원격 컴퓨팅 시스템으로부터 이미지의 분류를 획득하는 단계를 더 포함한다. 트레이닝 데이터의 콘텐츠 및 라벨링에 따라, 임의의 적합한 분류들이 적용될 수도 있다. 전기 증착 툴 웨이퍼 인터페이스에 대한 예시적인 분류들은 "정상", "모호함", "습윤", "오염", 및 "손상"을 포함한다. 다른 예들에서, 임의의 다른 적합한 분류들이 사용될 수도 있다.

임의의 적합한 타입의 머신 러닝 분류기가 웨이퍼 프로세싱 툴 상태를 분류하기 위해 트레이닝된 머신 러닝 함수로서 사용될 수도 있다. 일부 예들에서, (414) 에 나타낸 바와 같이, 트레이닝된 머신 러닝 함수는 잔차 신경망 (residual neural network; ResNet) 을 포함한다. 더 구체적인 예에서, 트레이닝된 머신 러닝 모델은 ResNet-18 모델을 포함한다. 이러한 예시적인 트레이닝된 머신 러닝 함수의 다양한 상세들이 이하에 더 상세히 기술된다. 머신 비전 검사 프로세스에서 복수의 이미지들이 획득되는, 도 4를 계속 참조하면, 방법 (400) 은 (416) 에서 복수의 이미지들의 이미지 각각에 대한 분류를 획득하는 단계를 포함한다.

일부 예들에서, 획득된 분류는 툴 오퍼레이터에 의한 수동 액션을 트리거하도록 사용될 수도 있다. 예를 들어, "모호함", "습윤", "오염", 또는 "손상" 각각의 분류는 유지 보수 또는 검사의 필요성을 오퍼레이터에게 경고하는 에러 코드의 출력을 트리거할 수도 있다.

다른 예들에서, 획득된 분류는 자동화된 유지 보수 프로그램을 트리거하도록 사용될 수도 있다. 이와 같이, 방법 (400) 은 (420) 에서, 선택 가능하게 분류에 기초하여 유지 보수 프로그램을 수행하도록 전기 증착 툴을 제어하는 단계를 더 포함할 수도 있다. 도시된 예에서, (422) 에서 분류가 "정상"일 때, 이어서 방법은 (424) 에서, 정상 동작을 계속하는 단계를 포함한다. 다른 한편으로, 다른 분류들은 특정한 유지 보수 액션들을 호출할 수도 있다. 예를 들어, 분류가 "모호함"인 (426) 에서, 방법은 (428) 에서 선택 가능하게 경고 코드를 트리거하는 단계 및 (424) 에서 정상 동작을 계속하는 단계를 포함한다. (428) 에서 경고 코드를 트리거하는 단계는 오퍼레이터에게 추가적인 수동 검사를 필요로 할 수도 있는 잠재적이지만 모호함 이슈를 나타낸다.

또 다른 예로서, 분류가 "습윤"인 (430) 에서, 방법 (400) 은 (432) 에서, 셀 건조 프로그램을 실행하는 단계를 더 포함한다. 이러한 일 예에서, 셀은 추가로 건조될 수도 있고 이어서 웨이퍼 프로세싱을 더 수행하기 전에 머신 비전을 통해 다시 검사될 수도 있다. 또 다른 예로서, 분류가 "오염"인 (434) 에서, 방법 (400) 은 (436) 에서, 셀 세정 프로그램을 실행하는 단계를 더 포함한다. 일부 예들에서, 셀 세정 프로그램은 부가적인 셀 린싱 사이클을 포함한다. 다른 예들에서, 셀 세정 프로그램은 전기적 콘택트들을 세정하기 위해 더 공격적인 콘택트 에칭 절차를 포함한다. 또한, 일부 예들에서, 셀 세정 프로그램이 셀 건조 프로그램에 이어진다.

일부 예들에서, (432) 에서 셀 건조 프로그램을 실행하는 단계 또는 (436) 에서 셀 세정 프로그램을 실행하는 단계 후, 방법은 (424) 에서 정상 동작을 계속하도록 진행한다. 다른 예들에서, 방법은 유지 보수 프로세스를 실행하는 단계 후 또 다른 머신 비전 프로세스를 수행할 수도 있다. 이와 같이, 새로운 검사 결과가 "정상"이라면, 방법은 웨이퍼 프로세싱 툴의 정상 동작을 계속할 수도 있다. 다른 한편으로, 후속 검사 프로세스들이 "정상" 이외의 분류를 획득할 때, 방법은 인간 개입을 위해 에러 코드의 출력을 트리거할 수도 있다. 방법은 대안적으로 또는 부가적으로 제 1 유지 보수 프로그램을 수행하는 단계 후 "정상" 이외의 분류 획득 시 부가적인 자동 유지 보수 프로그램들을 수행할 수도 있다.

계속해서, 분류가 "손상"인 (438) 에서, 방법 (400) 은 (440) 에서, 인간 개입을 위해 에러 코드의 출력을 트리거하는 단계를 더 포함할 수도 있다. 일부 예들에서, 이러한 분류는 또한 손상된 컴포넌트 (예를 들어, 전극들, 립 시일, 또는 다른 적합한 구조체) 가 고쳐질 때까지 웨이퍼 프로세싱 툴의 디스에이블링 (disabling) 을 발생시킬 수도 있다.

일부 예들에서, 2 개 이상의 분류가 획득되도록, 웨이퍼 인터페이스 또는 다른 툴 컴포넌트의 복수의 이미지들이 분류된다. 일부 이러한 예들에서, 가장 심각한 분류가 웨이퍼 인터페이스에 대한 전체 분류로서 선택될 수도 있다. 예를 들어, 일부 이미지들이 "습윤"으로 분류되고 일부 이미지들이 "오염"으로 분류된다면, 웨이퍼 인터페이스의 전체 분류는 "오염"이다. 오염은 습윤보다 더 심각한 상태로 간주될 수도 있다. 이는 "오염" 분류가 세정 및 건조를 필요로 할 수도 있기 때문이다. 대조적으로 "습윤" 분류는 건조만을 필요로 할 수도 있다. 유사하게, 적어도 하나의 이미지가 "손상"으로 분류된다면, 웨이퍼 인터페이스의 전체 분류는 "손상"일 것이다. 이와 같이, "정상" 분류는 모든 이미지들이 "정상"으로 분류되는 경우에만 적용될 수도 있다.

일부 예들에서, 방법 (400) 은 검사 보고서를 출력하는 단계를 더 포함한다. 다양한 예들에서, 이러한 보고서는 예컨대 전기 증착 툴 식별 번호, 날짜, 시간, 분류, 실행된 유지 보수 프로그램, 및/또는 웨이퍼 인터페이스의 이미지를 포함할 수도 있다.

상기 언급된 바와 같이, 웨이퍼 프로세싱 툴의 이미지들을 분류하도록 사용된 트레이닝된 머신 러닝 함수는 임의의 적합한 아키텍처를 가질 수도 있다. 적합한 분류기들은 인공 신경망들, 예컨대 심층 신경망들 (deep neural networks), 순환 신경망들 (recurrent neural networks), 및 컨볼루션 신경망들 (convolutional neural networks) 을 포함한다. 적합한 분류기들은 또한 지원될 분류들의 수 및 타입에 따라, 결정 트리들 (decision trees), 랜덤 포레스트들 (random forests), 및 지지 벡터 머신들 (support vector machines) 과 같은 다른 타입들의 머신 러닝 모델들을 포함한다.

인공 신경망들은 머신 비전 태스크들에 잘 맞을 (well-suited) 수도 있다. 웨이퍼 프로세싱 툴을 분류하기 위한 본 개시에 따른 인공 신경망은 임의의 적합한 수 및 구성 (arrangement) 의 층들을 포함할 수도 있다. 일부 예들은 ResNet (residual neural network) 을 활용할 수도 있다. ResNet은 스킵 연결들을 포함하는 인공 신경망이다. 스킵 연결들은 상대적으로 더 많은 수의 층들을 갖는 신경망을 트레이닝할 때 발생할 수 있는 기울기 소실 (vanishing gradients) 을 갖는 이슈들을 방지하는 것을 도울 수도 있다. 도 7은 또한 ResNet-18로 지칭되는, 18 개의 컨볼루션 층들 (convolutional layers) 을 포함하는 예시적인 ResNet (700) 의 아키텍처를 개략적으로 도시한다. ResNet (700) 은 입력으로서 이미지 (702) 를 수용하고 그리고 분류 (704) 를 출력한다. 입력 이미지 (702) 는 512 x 512 RGB 이미지이고 따라서 512 x 512 x 3의 치수를 갖고, 여기서 세 번째 치수는 색 채널들 (예를 들어, 적색, 녹색, 청색) 의 수와 관련된다. 다른 예들에서, ResNet은 상이한 치수들의 이미지들을 수용하도록 구성될 수도 있다.

ResNet (700) 은 7 x 7의 커널 사이즈, 64 개의 출력 채널들 및 2의 스트라이드 (stride) 를 포함하는 제 1 컨볼루션 층 (706) 을 포함한다. ResNet (700) 은 4 개의 스테이지들로 배치된 16 개의 컨볼루션 층들을 포함한다. 스테이지 각각은 4 개의 컨볼루션 층들 및 다수의 정규화 층들 및 ReLU 층들을 포함한다 (명확성을 위해 생략됨). ResNet (700) 은 스킵 연결들 (708a 내지 708c) 을 더 포함한다. ResNet (700) 은 또한 분류를 위해 완전히 연결된 층 (712) 및 7 x 7 평균 풀 (710) 을 포함한다. 완전히 연결된 층 (712) 으로부터의 출력은 소프트-맥스 (soft-max) 동작을 통해 분류 (704) 를 제공한다. 일부 예들에서, 출력은 분류와 연관된 결정된 확률을 더 포함한다. 도시된 예에서, 더블-레이어 스킵 연결들이 채용되고, 커널 사이즈들은 3 x 3 내지 7 x 7 범위이고, 그리고 채널들의 수는 64 내지 1000 범위이다. 다른 예들에서, 임의의 적합한 파라미터들이 사용될 수도 있다. 도 7의 예는 예시적이고 제한적인 것으로 의도되지 않고, 그리고 임의의 다른 적합한 ResNet이 사용될 수도 있다. 다른 예시적인 예들은 ResNet-34, ResNet-50, 및 ResNet-101을 포함한다.

임의의 적합한 방법이 본 개시에 따른 머신 러닝 분류기를 트레이닝하도록 사용될 수도 있다. 특정한 트레이닝 알고리즘은 채용된 머신 러닝 함수의 타입에 종속될 것이다. 머신 러닝 함수는 일 세트의 라벨링된 트레이닝 이미지들을 사용하여 지도형 (supervised) 트레이닝을 통해 트레이닝될 수도 있다. 트레이닝 이미지들은 "정상", "습윤", "오염", 또는 "손상" 중 하나로 라벨링된 웨이퍼 인터페이스들의 이미지들을 포함할 수도 있다. 다른 예들에서, 다른 분류 라벨들이 사용될 수도 있다. 일단 트레이닝되면, 트레이닝된 머신 러닝 함수는 웨이퍼 인터페이스의 이미지를 분류하고 그리고 분류를 출력하도록 사용된다. 일부 예들에서, 트레이닝된 머신 러닝 함수는 또한 분류와 함께 신뢰도 점수를 제공한다. 신뢰도 점수는 결정된 확률에 대응할 수도 있다. 일부 예들에서, 가장 가능성 있는 분류에 대한 신뢰도 점수가 문턱 값을 초과하지 않을 때, 트레이닝된 머신 러닝 함수는 "모호함"과 같은 불확실한 분류의 지표를 출력할 수도 있다. 이는 예를 들어, 이미지의 콘텐츠가 분류를 위해 충분한 품질이 아닐 때 발생할 수도 있다. 예를 들어, 상대적으로 밝거나, 상대적으로 어둡거나, 그렇지 않으면 웨이퍼 인터페이스의 뷰를 포함하지 않는 이미지들은 모호한 분류 결과들을 제공할 수도 있다.

도 8은 웨이퍼 인터페이스의 이미지들을 분류하도록 머신 러닝 함수를 트레이닝하기 위한 예시적인 방법 (800) 의 흐름도를 도시한다. (802) 에서, 방법은 대응하는 분류로 각각 라벨링된 복수의 웨이퍼 인터페이스 이미지들을 포함하는 라벨링된 트레이닝 데이터를 획득하는 단계를 포함한다. 일부 예들에서, (804) 에서, 이미지 각각은 "정상", "습윤", "오염", 또는 "손상" 중 하나로 라벨링된다. 다른 예들에서, 임의의 다른 적합한 라벨들이 사용될 수도 있다. 또한, 일부 예들에서, (806) 에서, 방법 (800) 은 트레이닝 데이터 이미지들에 대해 전처리를 수행하는 단계를 포함한다. 일부 예들에서, (808) 에서, 전처리는 이미지들을 크롭하는 것을 포함한다.

방법 (800) 은 (810) 에서, 손실 함수의 최소화를 통해 머신 러닝 함수를 트레이닝하기 위해 라벨링된 트레이닝 데이터를 사용하는 단계를 더 포함한다. 일부 예들에서, (812) 에서, 방법은 인공 신경망을 트레이닝하는 단계를 포함한다. 일부 예들에서, 방법은 기울기들을 결정하기 위해 역전파 (backpropagation) 를 채용한다. 일부 예들에서, (814) 에서, 인공 신경망은 ResNet이다. ResNet을 트레이닝할 때, 트레이닝 프로세스는 ResNet의 스킵 연결들에 적용된 가중 인자들인 스킵 가중치들을 활용할 수도 있다.

계속하여, (816) 에서, 방법은 트레이닝된 머신 러닝 함수를 출력하는 단계를 포함한다. (818) 에서, 방법은 웨이퍼 인터페이스의 이미지를 분류하고 그리고 분류를 출력하도록 트레이닝된 머신 러닝 함수를 사용하는 단계를 포함한다.

개시된 바와 같이 웨이퍼 프로세싱 툴들을 위한 머신 비전-기반 검사 프로세스들은 인간 육안 검사보다 수행하는 것이 더 빠를 수도 있다. 이와 같이, 이 검사 프로세스는 더 적은 툴 다운타임으로 빈번하게 수행될 수도 있다. 이는 잠재적으로 유해한 상태들을 즉시 식별하는 데 도움이 될 수도 있다. 이와 같이, 웨이퍼 프로세싱에서 발생하는 결함들 전에 예방적 유지 보수가 수행될 수도 있다. 이는 수동 육안 검사들과 비교하여 전기 증착 툴 검사 비용들, 수리 비용들 및 툴 다운타임을 감소시키는 것을 도울 수도 있다. 이는 또한 웨이퍼 수율을 개선할 수도 있다.

일부 실시 예들에서, 본 명세서에 기술된 방법들 및 프로세스들은 하나 이상의 컴퓨팅 디바이스들의 컴퓨팅 시스템에 묶일 (tie) 수도 있다. 특히, 이러한 방법들 및 프로세스들은 컴퓨터-응용 프로그램 또는 서비스, 응용-프로그래밍 인터페이스 (application-programming interface; API), 라이브러리, 및/또는 다른 컴퓨터-프로그램 제품으로서 구현될 수도 있다.

도 9는 상기 기술된 방법들 및 프로세스들 중 하나 이상을 실현할 (enact) 수 있는 컴퓨팅 시스템 (900) 의 비제한적인 실시 예를 개략적으로 도시한다. 컴퓨팅 시스템 (900) 은 단순화된 형태로 도시된다. 컴퓨팅 시스템 (900) 은 하나 이상의 퍼스널 컴퓨터들, 워크스테이션들, 웨이퍼 프로세싱 툴들과 통합된 컴퓨터들, 및/또는 네트워크 액세스 가능한 서버 컴퓨터들의 형태를 취할 수도 있다.

컴퓨팅 시스템 (900) 은 논리 머신 (902) 및 저장 머신 (904) 을 포함한다. 컴퓨팅 시스템 (900) 은 선택 가능하게 디스플레이 서브시스템 (906), 입력 서브시스템 (908), 통신 서브시스템 (910), 및/또는 도 9에 도시되지 않은 다른 컴포넌트들을 포함할 수도 있다. 컴퓨팅 시스템 (140) 및 원격 컴퓨팅 시스템 (150) 은 컴퓨팅 시스템 (900) 의 예들이다.

논리 머신 (902) 은 인스트럭션들을 실행하도록 구성된 하나 이상의 물리적 디바이스들을 포함한다. 예를 들어, 논리 머신은 하나 이상의 응용 프로그램들 (applications), 서비스들, 프로그램들, 루틴들, 라이브러리들, 객체들 (objects), 컴포넌트들, 데이터 구조들, 또는 다른 논리 구성들 (logical constructs) 의 일부인 인스트럭션들을 실행하도록 구성될 수도 있다. 이러한 인스트럭션들은 태스크를 수행하거나, 데이터 타입을 구현하거나, 하나 이상의 컴포넌트들의 상태를 변환하거나, 기술적 효과를 달성하거나, 달리 목표된 결과에 도달하도록 구현될 수도 있다.

논리 머신은 소프트웨어 인스트럭션들을 실행하도록 구성된 하나 이상의 프로세서들을 포함할 수도 있다. 부가적으로 또는 대안적으로, 논리 머신은 하드웨어 또는 펌웨어 인스트럭션들을 실행하도록 구성된 하나 이상의 하드웨어 또는 펌웨어 논리 머신들을 포함할 수도 있다. 논리 머신의 프로세서들은 단일-코어 또는 멀티-코어일 수도 있고, 그리고 프로세서들 상에서 실행되는 인스트럭션들은 순차, 병렬, 및/또는 분산 프로세싱을 위해 구성될 수도 있다. 논리 머신의 개별 컴포넌트들은 선택 가능하게 2 개 이상의 별개의 디바이스들 사이에 분배될 수도 있고, 이는 조정된 (coordinate) 프로세싱을 위해 구성되고 그리고/또는 원격으로 위치될 수도 있다. 논리 머신의 양태들은 클라우드-컴퓨팅 구성으로 구성된 원격으로 액세스 가능한, 네트워킹된 컴퓨팅 디바이스들에 의해 가상화되고 (virtualize) 실행될 수도 있다.

저장 머신 (904) 은 본 명세서에 기술된 방법들 및 프로세스들을 구현하기 위해 논리 머신에 의해 실행 가능한 인스트럭션들을 홀딩하도록 구성된 하나 이상의 물리적 디바이스들을 포함한다. 이러한 방법들 및 프로세스들이 구현될 때, 저장 머신 (904) 의 상태는 ―예를 들어, 상이한 데이터를 홀딩하도록― 변환될 수도 있다.

저장 머신 (904) 은 이동식 (removable) 디바이스 및/또는 내장 (built-in) 디바이스를 포함할 수도 있다. 저장 머신 (904) 은 그중에서도 광학 메모리 (예를 들어, CD, DVD, HD-DVD, Blu-Ray 디스크, 등), 반도체 메모리 (예를 들어, RAM, EPROM, EEPROM, 등), 및/또는 자기 메모리 (예를 들어, 하드 디스크 드라이브, 플로피 디스크 드라이브, 테이프 드라이브, MRAM, 등) 를 포함할 수도 있다. 저장 머신 (904) 은 휘발성 디바이스, 비휘발성 디바이스, 동적 디바이스, 정적 디바이스, 읽기/쓰기 디바이스, 읽기 전용 디바이스, 랜덤 액세스 디바이스, 순차 액세스 디바이스, 위치 주소 지정 가능 (location-addressable) 디바이스, 파일 주소 지정 가능 디바이스, 및/또는 콘텐츠 주소 지정 가능 디바이스를 포함할 수도 있다.

저장 머신 (904) 은 하나 이상의 물리적 디바이스들을 포함한다는 것이 인식될 것이다. 그러나, 대안적으로 본 명세서에 기술된 인스트럭션들의 양태들은 유한한 지속 기간 동안 물리적 디바이스에 의해 홀딩되지 않는 통신 매체 (예를 들어, 전자기 신호, 광 신호, 등) 에 의해 전파될 수도 있다.

논리 머신 (902) 및 저장 머신 (904) 의 양태들은 하나 이상의 하드웨어-논리 컴포넌트들로 함께 통합될 수도 있다. 이러한 하드웨어-논리 컴포넌트들은 예를 들어, FPGA들 (field-programmable gate arrays), PASIC들 (program-specific integrated circuits)/ASIC들 (application-specific integrated circuits), PSSP들 (program-specific standard products)/ASSP들 (application-specific standard products), SOC (system-on-a-chip), 및 CPLD들 (complex programmable logic devices) 을 포함할 수도 있다.

포함될 때, 디스플레이 서브시스템 (906) 은 저장 머신 (904) 에 의해 홀딩된 데이터의 시각적 표현을 제시하도록 사용될 수도 있다. 이 시각적 표현은 그래픽 사용자 인터페이스 (graphical user interface; GUI) 의 형태를 취할 수도 있다. 본 명세서에 기술된 방법들 및 프로세스들이 저장 머신에 의해 홀딩된 데이터를 변화시키고, 따라서 저장 머신의 상태를 변환하기 때문에, 디스플레이 서브시스템 (906) 의 상태도 유사하게 기본 데이터 (underlying data) 의 변화들을 시각적으로 나타내도록 변환될 수도 있다. 디스플레이 서브시스템 (906) 은 가상으로 모든 타입의 기술을 활용하는 하나 이상의 디스플레이 디바이스들을 포함할 수도 있다. 이러한 디스플레이 디바이스들은 공유된 인클로저 (enclosure) 내의 논리 머신 (902) 및/또는 저장 머신 (904) 과 결합될 수도 있고, 또는 이러한 디스플레이 디바이스들은 주변 디스플레이 디바이스들일 수도 있다.

포함될 때, 입력 서브시스템 (908) 은 키보드, 마우스, 또는 터치 스크린과 같은 하나 이상의 사용자 입력 디바이스들을 포함하거나 인터페이싱할 수도 있다. 일부 실시 예들에서, 입력 서브시스템은 선택된 NUI (natural user input) 컴포넌트들 (componentry) 을 포함하거나 인터페이싱할 수도 있다. 이러한 컴포넌트들은 통합되거나 주변 기기 (peripheral) 일 수도 있고, 그리고 입력 동작들의 변환 및/또는 프로세싱은 온-보드 또는 오프-보드에서 핸들링될 수도 있다. 예시적인 NUI 컴포넌트들은 음성 (speech) 및/또는 음성 (voice) 인식을 위한 마이크로폰, 및 머신 비전 및/또는 제스처 인식을 위한 적외선 카메라, 컬러 카메라, 입체 카메라, 및/또는 깊이 카메라를 포함할 수도 있다.

포함될 때, 통신 서브시스템 (910) 은 하나 이상의 다른 컴퓨팅 디바이스들과 컴퓨팅 시스템 (900) 을 통신 가능하게 커플링하도록 구성될 수도 있다. 통신 서브시스템 (910) 은 하나 이상의 상이한 통신 프로토콜들과 호환 가능한 유선 통신 디바이스들 및/또는 무선 통신 디바이스들을 포함할 수도 있다. 비제한적인 예들로서, 통신 서브시스템은 무선 전화 네트워크, 또는 유선 또는 무선 로컬 영역 네트워크 또는 광역 네트워크를 통한 통신을 위해 구성될 수도 있다. 일부 실시 예들에서, 통신 서브시스템은 컴퓨팅 시스템 (900) 으로 하여금 인터넷과 같은 네트워크를 통해 다른 디바이스들로 그리고/또는 다른 디바이스들로부터 메시지들을 전송 및/또는 수신하게 할 수도 있다.

본 명세서에 기술된 구성들 및/또는 접근법들은 본질적으로 예시적인 것이고, 그리고 수많은 변형들이 가능하기 때문에 이들 특정한 실시 예들 또는 예들은 제한적인 의미로 고려되지 않는다는 것이 이해될 것이다. 본 명세서에 기술된 특정한 루틴들 또는 방법들은 임의의 수의 프로세싱 전략들 중 하나 이상을 나타낼 수도 있다. 이와 같이, 예시되고 그리고/또는 기술된 다양한 동작들은 예시되고 그리고/또는 기술된 시퀀스로, 다른 시퀀스들로, 병렬로 수행되거나 생략될 수도 있다. 유사하게, 상기 기술된 프로세스들의 순서는 변경될 수도 있다.

본 개시의 주제는 본 명세서에 개시된 다양한 프로세스들, 시스템들 및 구성들, 및 다른 특징들, 기능들, 작용들, 및/또는 특성들의 모든 신규하고 불분명한 조합들 및 서브-조합들, 뿐만 아니라 이들의 임의의 그리고 모든 등가물들을 포함한다.

Claims

전기 증착 (electrodeposition) 툴에 있어서,
웨이퍼 인터페이스를 포함하는 컵으로서, 상기 웨이퍼 인터페이스는 립 시일 (lip seal) 및 복수의 전기적 콘택트들을 포함하는, 상기 컵;
상기 웨이퍼 인터페이스의 적어도 일부를 이미징하도록 포지셔닝된 카메라;
논리 머신; 및
저장 머신을 포함하고, 상기 저장 머신은,
상기 카메라를 통해 상기 웨이퍼 인터페이스의 이미지를 획득하고,
트레이닝된 머신 러닝 함수로부터 상기 웨이퍼 인터페이스의 상기 이미지의 분류를 획득하고, 그리고
상기 분류에 기초하여 액션을 취하도록 전기 증착 툴을 제어하도록, 상기 논리 머신에 의해 실행 가능한 인스트럭션들을 저장하는, 전기 증착 툴.
제 1 항에 있어서,
상기 웨이퍼 인터페이스는 회전하도록 구성되고, 그리고 상기 카메라는 상기 웨이퍼 인터페이스의 대응하는 복수의 회전 각도들에서 상기 웨이퍼 인터페이스의 복수의 이미지들을 캡처하도록 (capture) 구성되는, 전기 증착 툴.
제 2 항에 있어서,
상기 인스트럭션들은 상기 복수의 이미지들의 이미지 각각의 분류를 획득하도록 실행 가능한, 전기 증착 툴.
제 1 항에 있어서,
상기 인스트럭션들은 상기 트레이닝된 머신 러닝 함수를 호스팅하는 원격 컴퓨팅 시스템으로 상기 웨이퍼 인터페이스의 상기 이미지를 송신하고, 그리고 상기 원격 컴퓨팅 시스템으로부터 상기 이미지의 상기 분류를 획득하도록 실행 가능한, 전기 증착 툴.
제 1 항에 있어서,
상기 트레이닝된 머신 러닝 함수는 잔차 신경망 (residual neural network; ResNet) 을 포함하는, 전기 증착 툴.
제 1 항에 있어서,
상기 인스트럭션들은 오염 (dirty) 분류를 획득하는 것에 응답하여 세정 프로그램을 실행하기 위해 상기 전기 증착 툴을 제어하도록 실행 가능한, 전기 증착 툴.
제 1 항에 있어서,
상기 인스트럭션들은 습윤 (wet) 분류를 획득하는 것에 응답하여 셀 건조 프로그램을 실행하기 위해 상기 전기 증착 툴을 제어하도록 실행 가능한, 전기 증착 툴.
제 1 항에 있어서,
상기 인스트럭션들은 손상 (damaged) 분류를 획득하는 것에 응답하여 사용자 개입을 위해 에러 코드를 출력하기 위해 상기 전기 증착 툴을 제어하도록 실행 가능한, 전기 증착 툴.
제 1 항에 있어서,
상기 인스트럭션들은 정상 (normal) 또는 모호함 (ambiguous) 중 하나의 분류를 획득하는 것에 응답하여 정상 동작을 계속하기 위해 상기 전기 증착 툴을 제어하도록 실행 가능한, 전기 증착 툴.
전기 증착 툴을 동작시키는 방법에 있어서,
카메라를 통해 전기 증착 툴의 웨이퍼 인터페이스의 이미지를 획득하는 단계;
트레이닝된 머신 러닝 함수로부터 상기 이미지의 분류를 획득하는 단계; 및
상기 분류 획득 시, 상기 분류에 기초하여 유지 보수 (maintenance) 프로그램을 실행하도록 상기 전기 증착 툴을 제어하는 단계를 포함하는, 전기 증착 툴 동작 방법.
제 10 항에 있어서,
상기 분류는 오염 분류를 포함하고, 그리고 상기 유지 보수 프로그램은 셀 세정 프로그램을 포함하는, 전기 증착 툴 동작 방법.
제 10 항에 있어서,
상기 분류는 습윤 분류를 포함하고, 그리고 상기 유지 보수 프로그램은 셀 건조 프로그램을 포함하는, 전기 증착 툴 동작 방법.
제 10 항에 있어서,
상기 분류는 손상 분류를 포함하고, 그리고 상기 유지 보수 프로그램은 사용자 개입을 위해 에러 코드의 출력을 트리거하는 것을 포함하는, 전기 증착 툴 동작 방법.
제 10 항에 있어서,
상기 웨이퍼 인터페이스의 대응하는 복수의 회전 각도들에서 상기 웨이퍼 인터페이스의 복수의 이미지들을 획득하는 단계, 및 상기 트레이닝된 머신 러닝 함수로부터 상기 복수의 이미지들의 이미지 각각의 분류를 획득하는 단계를 더 포함하는, 전기 증착 툴 동작 방법.
제 10 항에 있어서,
정상 분류를 획득하는 단계, 및 정상 동작을 계속하도록 상기 전기 증착 툴을 제어하는 단계를 더 포함하는, 전기 증착 툴 동작 방법.
제 10 항에 있어서,
모호함 분류를 획득하는 단계, 및 응답하여, 경고 코드를 트리거하는 단계를 더 포함하는, 전기 증착 툴 동작 방법.
논리 머신; 및
저장 머신을 포함하고, 상기 저장 머신은,
전기 증착 툴의 립 시일 및 복수의 전기적 콘택트들을 포함하는 웨이퍼 인터페이스의 이미지를 획득하고,
트레이닝된 머신 러닝 함수 내로 상기 이미지를 입력하는 것을 통해 분류를 획득하고, 그리고
상기 분류를 출력하기 위해 상기 논리 머신에 의해 실행 가능한 인스트럭션들을 홀딩하는 (hold), 컴퓨팅 시스템.
제 17 항에 있어서,
상기 트레이닝된 머신 러닝 함수는 잔차 신경망을 포함하는, 컴퓨팅 시스템.
제 17 항에 있어서,
상기 인스트럭션들은 상기 트레이닝된 머신 러닝 함수 내로 상기 이미지를 입력하기 전에 상기 웨이퍼 인터페이스의 상기 이미지를 크롭하도록 (crop) 더 실행 가능한, 컴퓨팅 시스템.
제 17 항에 있어서,
상기 인스트럭션들은 정상, 습윤, 오염, 또는 손상 중 하나의 분류로 각각 라벨링된, 라벨링된 트레이닝 이미지들을 사용하여 상기 트레이닝된 머신 러닝 함수를 트레이닝하도록 더 실행 가능한, 컴퓨팅 시스템.