TW201617978A - 基於預測模型化之聚焦誤差預測 - Google Patents

基於預測模型化之聚焦誤差預測 Download PDF

Info

Publication number
TW201617978A
TW201617978A TW104114780A TW104114780A TW201617978A TW 201617978 A TW201617978 A TW 201617978A TW 104114780 A TW104114780 A TW 104114780A TW 104114780 A TW104114780 A TW 104114780A TW 201617978 A TW201617978 A TW 201617978A
Authority
TW
Taiwan
Prior art keywords
wafer
training
wafers
group
prediction
Prior art date
Application number
TW104114780A
Other languages
English (en)
Other versions
TWI640934B (zh
Inventor
佩拉迪 悟卡達拉
傑迪 辛哈
常煒
克里許南 瑞歐
Original Assignee
克萊譚克公司
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 克萊譚克公司 filed Critical 克萊譚克公司
Publication of TW201617978A publication Critical patent/TW201617978A/zh
Application granted granted Critical
Publication of TWI640934B publication Critical patent/TWI640934B/zh

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • 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
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F9/00—Registration or positioning of originals, masks, frames, photographic sheets or textured or patterned surfaces, e.g. automatically
    • G03F9/70—Registration or positioning of originals, masks, frames, photographic sheets or textured or patterned surfaces, e.g. automatically for microlithography
    • G03F9/7003—Alignment type or strategy, e.g. leveling, global alignment
    • G03F9/7023—Aligning or positioning in direction perpendicular to substrate surface
    • G03F9/7026—Focusing
    • 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
    • G06N7/00—Computing arrangements based on specific mathematical models
    • 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
    • G01B2210/40—Caliper-like sensors
    • G01B2210/48—Caliper-like sensors for measurement of a wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明揭示基於預測模型化之聚焦誤差預測方法及系統。該方法包含：獲得複數個訓練晶圓之晶圓幾何形狀量測值；及基於該複數個訓練晶圓之中的晶圓幾何形狀量測值之相對同質性，而將該複數個訓練晶圓分群組以提供至少一訓練群組。對於該至少一訓練群組之各特定訓練群組，利用非線性預測模型化來開發一預測模型。該預測模型建立針對該特定訓練群組內之各晶圓獲得之晶圓幾何形狀參數與聚焦誤差量測值之間的相關，且可利用該預測模型來提供屬於該特定訓練群組之一傳入晶圓之聚焦誤差預測。

Description

基於預測模型化之聚焦誤差預測
本發明大體上係關於半導體之領域，且特定言之係關於晶圓幾何形狀量測技術。
製造半導體裝置通常包含使用數種半導體製造程序來處理諸如一半導體晶圓之一基板。例如，微影技術係涉及將一圖案自一比例光罩(reticle)轉印至配置於一半導體晶圓上之一光阻劑之一半導體製造程序。半導體製造程序之額外實例包含但不限於化學機械拋光(CMP)、蝕刻、沈積及離子植入。可在一單一半導體晶圓上之一配置中製造多個半導體裝置，且接著將其等分離成個別半導體裝置。
本發明係關於一種基於預測模型化之聚焦誤差預測方法。該方法包含：獲得複數個訓練晶圓之晶圓幾何形狀量測值；基於該複數個訓練晶圓之中的晶圓幾何形狀量測值之相對同質性，而將該複數個訓練晶圓分群組以提供至少一訓練群組；對於該至少一訓練群組之各特定訓練群組，利用非線性預測模型化來開發該特定訓練群組之一預測模型，該預測模型建立針對該特定訓練群組內之各晶圓獲得之晶圓幾何形狀參數與聚焦誤差量測值之間的相關(correlation)；及利用針對該至少一訓練群組之一特定訓練群組開發之該預測模型來提供屬於該特定訓練群組之一傳入晶圓之聚焦誤差預測。
本發明之又一實施例係關於一種分群組方法。該方法包含：獲得複數個晶圓之晶圓幾何形狀量測值；基於晶圓幾何形狀量測值而計算該複數個晶圓內之各對晶圓之間的相關以產生一成對相關矩陣；基於各成對相關是否大於一預先判定相似性臨限值，而將該成對相關矩陣轉換為一二進位關係矩陣；基於該複數個晶圓之中的相對同質性，而將該複數個晶圓劃分成複數個晶圓群組，此進一步包括：識別含有來自該二進位關係矩陣之全部二進位值1之一最大子矩陣；將對應於該經識別最大子矩陣之該等晶圓識別為在一同質群組中；自該二進位關係矩陣移除該經識別最大子矩陣；及重複以下該等步驟：識別含有來自該二進位關係矩陣之全部二進位值1之一最大子矩陣；及將對應於該經識別最大子矩陣之該等晶圓識別為在一同質群組中。
本發明之一額外實施例係關於一種系統。該系統包含一晶圓幾何形狀量測工具，其經組態以獲得複數個訓練晶圓之晶圓幾何形狀量測值。該系統亦包含一處理器，其與該晶圓幾何形狀量測工具通訊。該處理器經組態以：基於該複數個訓練晶圓之中的晶圓幾何形狀量測值之相對同質性，而將該複數個訓練晶圓分群組以提供至少一訓練群組；對於該至少一訓練群組之各特定訓練群組，利用非線性預測模型化來開發該特定訓練群組之一預測模型，其中該預測模型建立針對該特定訓練群組內之各晶圓獲得之晶圓幾何形狀參數與聚焦誤差量測值之間的相關；及利用針對該至少一訓練群組之一特定訓練群組開發之該預測模型來提供屬於該特定訓練群組之一傳入晶圓之聚焦誤差預測。
應瞭解，前述一般描述及以下詳細描述兩者皆僅為例示性的及闡釋性的且不一定限制本發明。併入說明書中且構成說明書之一部分之隨附圖式繪示本發明之標的。該等描述及圖式一起用以說明本發明之原理。
100‧‧‧基於預測模型化之聚焦誤差預測系統
102‧‧‧晶圓幾何形狀
104‧‧‧實際聚焦誤差量測值
106‧‧‧預測模型化引擎
400‧‧‧系統
藉由參考附圖，熟習此項技術者可更佳理解本發明之諸多優點，其中：圖1係描繪一基於預測模型化之聚焦誤差預測系統之一圖解；圖2係描繪用於聚焦誤差預測/估計之一方法之一流程圖；圖3係描繪自動分群組程序之一流程圖；及圖4係描繪利用基於預測模型化之聚焦誤差預測之一系統之一方塊圖。
現將詳細參考繪示於隨附圖式中之所揭示標的。
微影係使用光來將一圖案自一光罩轉印至一基板(例如，一拋光晶圓)之一程序。當藉由一微影處理工具處理時，晶圓通常使用力固持在一真空或一卡盤上。應注意，當晶圓使用力固持在一卡盤上時，晶圓之形狀可改變且因而可發生聚焦誤差(亦可稱為散焦)。
應注意，可自晶圓幾何形狀量測值且特定言之晶圓平坦度預測來自晶圓幾何形狀之聚焦誤差貢獻。然而，若晶圓幾何形狀量測值不準確及/或若使用一簡化模型來對晶圓卡盤程序模型化，則預測聚焦誤差之準確度可受限。改良聚焦誤差預測/估計之準確度係重要的。
本發明之實施例係關於使用預測模型化藉由考慮各種晶圓幾何形狀量測值來提供改良的聚焦誤差預測/估計之系統及方法。應注意，本發明中之術語晶圓幾何形狀包含晶圓前側高度、背面高度、厚度變動、平坦度及全部後繼衍生物，諸如形狀、形貌或類似物。
圖1係描繪根據本發明之一項實施例之一基於預測模型化之聚焦誤差預測系統100之一圖解。可藉由自一初始訓練晶圓集合取得晶圓幾何形狀102及實際聚焦誤差量測值104兩者上之量測值(例如，臨界尺寸同質性或掃描器校平(scanner leveling))作為至一預測模型化引擎 106之輸入而提供聚焦誤差預測。隨後，可利用預測模型化引擎106來開發初始訓練集合之晶圓幾何形狀/卡盤-平坦度與聚焦誤差之間的一映射。此映射一經開發且儲存於一計算裝置中，便可利用此映射來處理一給定晶圓(在訓練集合外)之晶圓幾何形狀量測值且提供該給定晶圓之聚焦誤差預測。預期可利用預測誤差來進行微影聚焦控制、CMP以及其他半導體程序控制掃描器校正。
更明確言之，參考圖2，展示描繪用於聚焦誤差預測/估計之一方法200之一流程圖。在本發明之至少一實施例中，在步驟202中自由相同或實質上類似製造程序產生或在相同或實質上類似製造程序期間產生的一晶圓批次選擇一或多個訓練晶圓。可採用一動態智慧取樣策略來選擇訓練晶圓。使用一圖案化晶圓幾何形狀度量衡工具可獲得選定訓練晶圓之圖案化晶圓幾何形狀參數，諸如晶圓形狀及幾何形狀。
在某些實施例中，選定訓練晶圓亦可在步驟204中經歷同質性測試及分群組。更明確言之，若判定選定訓練晶圓異質地(heterogeneously)行為(例如，歸因於一多腔室處理工具之不同腔室將不同程序特徵標記(process signature)加諸於一單一批中的晶圓上)，則可應用統計叢聚(statistical clustering)技術以將訓練晶圓分離成數個同質群組。選定訓練晶圓可異質地行為之原因係因為在半導體製造程序期間，晶圓經受數種化學及機械處理步驟。各處理步驟中產生變動。例如，一程序可使多個腔室具有不同特性。此等差異通常使一批次或一批中的晶圓展現分群組現象。已經受類似處理之晶圓可落於相同群組中，其等可具有與其他群組中之晶圓不同的性質。因此，在某些實施例中在晶圓檢測及度量衡期間以不同特性分離晶圓可為有利的。同質性測試對於一可複製預測模型可為關鍵的。
預期可基於自晶圓獲得之晶圓幾何形狀量測值而執行晶圓之同質性測試。替代地及/或額外地，可基於已針對晶圓觀察/預測之疊對 誤差而執行晶圓之同質性測試。亦預期可利用各種類型的統計叢聚技術以將訓練晶圓分離成數個同質群組。在一項實例中，若目的在於將晶圓分群組成已知數目個群組，則可利用K均值演算法。另一方面，若群組之數目係未知的但需要晶圓之間的高相似性，則利用一程序來尋找一圖(graph)中之最大團(maximal clique)的一演算法係一良好選擇。在其他實例中，若晶圓特性之密度係近似常態分佈，則高斯混合模型(Gaussian Mixture Model)係一良好選擇，且若分群組依賴於許多晶圓特性而非一單一特性，則譜叢聚(Spectral Clustering)可為理想的。
為闡釋性目的，一分群組程序利用下文描述為一實例之一最大團尋找演算法。然而，應瞭解，在不脫離本發明之精神及範疇之情況下，亦可利用各種其他適合演算法來執行同質分群組。
在圖理論(graph theory)中，在許多應用中，完成一圖的子圖係極其重要的，此係因為其等表示類似特性之緊密連接叢集(cluster)。在此等情況中，最大團尋找演算法搜尋最大連接子圖。在自動分群組問題之一圖表示中，一圖中之一節點表示晶圓，且當兩個晶圓共用大的相似性時兩個節點連接。此圖一經建構，便尋找同類的(akin)類似晶圓之一群組以尋找一連接子圖。圖3係描繪利用最大團尋找演算法之一自動分群組程序300之一流程圖。
如圖3中所繪示，在步驟302中針對各晶圓獲得用於分群組程序之晶圓特性(特徵值)。用於分群組程序之例示性晶圓特性可包含但不限於晶圓形狀及平面內位移量測值等。隨後，在步驟304中，一晶圓上之全部經獲得特徵值被條列化(flat)成一陣列且用以計算各對晶圓之間的相關，以產生一成對相關矩陣。接著，在步驟306中，藉由以下規則將此成對相關矩陣轉換成一二進位關係矩陣：若相關大於一預先判定相似性臨限值，則將二進位關係矩陣中之對應格(cell)上之值 設定為1，否則將其設定為0。基於此二進位關係矩陣，在步驟308中使用最大團尋找演算法可識別含有全部1之最大子矩陣。隨後，在步驟310中可自整個矩陣移除經識別子矩陣，且程序繼續運行步驟308，直至含有全部1之最大子矩陣具有1×1之大小。此時，在步驟312中，自步驟308輸出之系列子矩陣係具有相同程序特徵標記之晶圓之群組，且自動分群組程序終止。
重申，上文為闡釋性目的而呈現使用最大團尋找演算法進行自動分群組之程序300。預期在不脫離本發明之精神及範疇之情況下，亦可利用各種其他適合演算法來執行同質分群組。
再參考圖2，同質性測試及分群組(步驟204)一經完成，在步驟206中便可藉由預測模型化引擎處理各晶圓群組，以開發各群組之一預測模型。誤差預測之一例示性預測模型之開發及使用描述於：W.Chang等人之美國專利申請案序號14/220,665「Statistical overlay error prediction for feed forward and feedback correction of overlay errors,root cause analysis and process control」中，該案之全文以引用的方式併入本文中。然而，應瞭解，在不脫離本發明之精神及範疇之情況下，可利用各種其他類型的預測模型化引擎。預測模型化引擎可實施先進的預測模型，包含但不限於類神經網路、隨機森林、提升迴歸樹(boosted regression tree)、支援向量機及通用線性或非線性模型。
預測模型可採取大量的程序相依變數，包含大量高空間解析度晶圓幾何形狀參數，如輸入變數，諸如但不限於晶圓平坦度、厚度、形狀及其等一階或更高階導數、形狀之差(處理後減去處理前)、形狀殘餘(二階移除後)及其他相關程序資訊(諸如但不限於晶片佈局、膜堆疊厚度及其他性質、微影掃描器設定等)。自預測模型化引擎產生的預測結果有助於建立晶圓幾何形狀參數(例如，晶圓平坦度)對聚焦誤差之貢獻及晶圓幾何形狀參數與聚焦誤差之間的相關。
預期可藉由使用預測模型預測各特定訓練群組內之晶圓之聚焦誤差及比較預測結果與實際量測聚焦誤差而量測針對該訓練群組開發之預測模型之準確度。亦預期預測模型可容許靈活的實驗。即，可逐漸增加訓練晶圓之數目直至達到可靠預測效能。在訓練階段中，識別所關注之晶圓幾何形狀及程序特性。可快速測試基於該等特性之不同取樣策略以根據準確度及可靠性收斂至最佳預測效能。最佳取樣可界定需要量測晶圓幾何形狀改變之點之最小數目，且因此減少週期時間且增加工具生產率。
進一步預期亦可藉由預測訓練群組外之一或多個驗證晶圓之聚焦誤差而量測針對各群組開發之預測模型之準確度。預測模型可用以預測一或多個驗證晶圓之聚焦誤差且比較預測結果與針對驗證晶圓量測之實際聚焦誤差。若預測準確度滿足一預界定臨限值，則預測模型被視為有效且準備好經部署以預測與訓練及驗證晶圓共用類似處理條件的其他晶圓上之聚焦誤差。
應瞭解，若同質性測試及分群組將訓練晶圓分離成複數個群組，則在步驟206中可針對各群組產生一預測模型。另外，在步驟208中，可建構一晶圓特徵標記庫，使得各特徵標記對應於類似晶圓之一群組。以此方式，在步驟210中，在接收一新晶圓之後，可比較自此新晶圓獲得之量測值與晶圓特徵標記庫以判定該新晶圓屬於哪一群組。隨後，可利用針對該新晶圓所屬於之群組產生的預測模型來預測該新晶圓之聚焦誤差。在傳入晶圓不具有庫中之匹配特徵標記之事件中，可例如藉由重新取樣或擴展訓練晶圓集合而擴展晶圓特徵標記庫及相關聯預測模型。
應注意，上文描述之基於預測模型化之聚焦誤差預測方法及系統係有效的，此係因為晶圓幾何形狀量測值及特定言之晶圓平坦度與聚焦誤差相關。亦應注意，根據本發明之基於預測模型化之聚焦誤差 預測方法及系統藉由考量各種晶圓幾何形狀參數及同質分群組而改良預測準確度。
圖4係描繪利用如上文描述之基於預測模型化之聚焦誤差預測之一系統400之一方塊圖。預期可利用所建構之(若干)預測模型來控制各種處理工具，包含但不限於微影聚焦控制、CMP以及其他半導體程序控制掃描器校正。
雖然上述實例之一些者涉及微影工具，但預期在不脫離本發明之精神及範疇之情況下，根據本發明之系統及方法亦適用於其他類型的處理工具，其等亦受益於聚焦誤差控制。此外，用於本發明中的術語「晶圓」可包含用於製造積體電路及其他裝置以及其他薄拋光板(諸如磁碟基板、塊規等)之一薄片半導體材料。
所揭示方法可以各種晶圓幾何形狀量測工具透過一單一生產裝置及/或多個生產裝置實施為由一或多個處理器執行之指令集合。此外，應瞭解，所揭示方法中之步驟之特定順序或階層係例示性方法之實例。基於設計偏好，應瞭解該方法中之步驟之特定順序或階層可經重新配置同時保持在本發明之精神及範疇內。隨附方法請求項以一樣本順序呈現各個步驟之要素且不一定意謂限於所呈現之特定順序或階層。
據信，藉由前述描述將理解本發明之系統及方法以及其許多附帶優點，且將明白在不脫離所揭示標的之情況下或在不犧牲全部其之材料優點之情況下，可對組件之形式、構造及配置進行各種改變。所描述之形式僅係說明性的。
100‧‧‧基於預測模型化之聚焦誤差預測系統
102‧‧‧晶圓幾何形狀
104‧‧‧實際聚焦誤差量測值
106‧‧‧預測模型化引擎

Claims (28)

  1. 一種基於預測模型化之聚焦誤差預測方法，其包括：獲得複數個訓練晶圓之晶圓幾何形狀量測值；基於該複數個訓練晶圓之中的晶圓幾何形狀量測值之相對同質性，而將該複數個訓練晶圓分群組以提供至少一訓練群組；對於該至少一訓練群組之各特定訓練群組，利用非線性預測模型化來開發該特定訓練群組之一預測模型，該預測模型建立針對該特定訓練群組內之各晶圓獲得之晶圓幾何形狀參數與聚焦誤差量測值之間的相關；及利用針對該至少一訓練群組之一特定訓練群組開發之該預測模型來提供屬於該特定訓練群組之一傳入晶圓之聚焦誤差預測。
  2. 如請求項1之方法，其中該分群組步驟進一步包括：計算該複數個訓練晶圓內之各對晶圓之間的相關以產生一成對相關矩陣；基於各成對相關是否大於一預先判定相似性臨限值，而將該成對相關矩陣轉換為一二進位關係矩陣；識別含有來自該二進位關係矩陣之全部二進位值1之一最大子矩陣；將對應於該經識別最大子矩陣之該等晶圓識別為在一同質群組中；自該二進位關係矩陣移除該經識別最大子矩陣；及重複以下該等步驟：識別含有來自該二進位關係矩陣之全部二進位值1之一最大子矩陣；及將對應於該經識別最大子矩陣之該等晶圓識別為在一同質群組中。
  3. 如請求項2之方法，其中至少部分基於該複數個訓練晶圓之晶圓平坦度量測值而計算該複數個訓練晶圓內之各對晶圓之間的該等相關。
  4. 如請求項1之方法，其進一步包括：在利用該預測模型進行聚焦誤差預測之前驗證針對該至少一訓練群組之一特定訓練群組開發之該預測模型。
  5. 如請求項4之方法，其中驗證針對一特定訓練群組開發之該預測模型進一步包括：基於該特定訓練群組內之至少一晶圓而驗證該預測模型。
  6. 如請求項4之方法，其中驗證針對一特定訓練群組開發之該預測模型進一步包括：基於該特定訓練群組外之至少一晶圓而驗證該預測模型。
  7. 如請求項1之方法，其進一步包括：提供該傳入晶圓之該聚焦誤差預測以控制一晶圓處理工具。
  8. 如請求項7之方法，其中該晶圓處理工具係一微影處理工具。
  9. 如請求項1之方法，其中該非線性預測模型化利用以下之至少一者：一類神經網路、一隨機森林、一提升迴歸樹及一支援向量機。
  10. 如請求項1之方法，其中該分群組該複數個訓練晶圓係基於該複數個訓練晶圓之中的晶圓幾何形狀量測值之相對同質性且進一步基於該複數個訓練晶圓之中的疊對誤差之相對同質性。
  11. 一種方法，其包括：獲得複數個晶圓之晶圓幾何形狀量測值；基於晶圓幾何形狀量測值而計算該複數個晶圓內之各對晶圓之間的相關以產生一成對相關矩陣；基於各成對相關是否大於一預先判定相似性臨限值，而將該 成對相關矩陣轉換為一二進位關係矩陣；基於該複數個晶圓之中的相對同質性，而將該複數個晶圓劃分成複數個晶圓群組，此進一步包括：識別含有來自該二進位關係矩陣之全部二進位值1之一最大子矩陣；將對應於該經識別最大子矩陣之該等晶圓識別為在一同質群組中；自該二進位關係矩陣移除該經識別最大子矩陣；及重複以下該等步驟：識別含有來自該二進位關係矩陣之全部二進位值1之一最大子矩陣；及將對應於該經識別最大子矩陣之該等晶圓識別為在一同質群組中。
  12. 如請求項11之方法，其中至少部分基於複數個訓練晶圓之晶圓平坦度量測值而計算該複數個訓練晶圓內之各對晶圓之間的該等相關。
  13. 如請求項11之方法，其進一步包括：對於該複數個晶圓群組之各特定晶圓群組，利用非線性預測模型化來開發該特定晶圓群組之一預測模型，該預測模型建立針對該特定晶圓群組內之各晶圓獲得之晶圓幾何形狀參數與聚焦誤差量測值之間的相關。
  14. 如請求項13之方法，其進一步包括：驗證針對一特定晶圓群組開發之該預測模型。
  15. 如請求項14之方法，其中驗證針對一特定晶圓群組開發之該預測模型進一步包括：基於該特定晶圓群組內之至少一晶圓而驗證該預測模型。
  16. 如請求項14之方法，其中驗證針對一特定晶圓群組開發之該預測模型進一步包括： 基於該特定晶圓群組外之至少一晶圓而驗證該預測模型。
  17. 如請求項13之方法，其進一步包括：利用針對一特定晶圓群組開發之該預測模型來提供屬於該特定訓練群組之一傳入晶圓之聚焦誤差預測。
  18. 如請求項17之方法，其進一步包括：提供該傳入晶圓之該聚焦誤差預測以控制一晶圓處理工具。
  19. 如請求項18之方法，其中該晶圓處理工具係一微影處理工具。
  20. 一種系統，其包括：一晶圓幾何形狀量測工具，其經組態以獲得複數個訓練晶圓之晶圓幾何形狀量測值；及一處理器，其與該晶圓幾何形狀量測工具通訊，該處理器經組態以：基於該複數個訓練晶圓之中的晶圓幾何形狀量測值之相對同質性，而將該複數個訓練晶圓分群組以提供至少一訓練群組；對於該至少一訓練群組之各特定訓練群組，利用非線性預測模型化來開發該特定訓練群組之一預測模型，其中該預測模型建立針對該特定訓練群組內之各晶圓獲得之晶圓幾何形狀參數與聚焦誤差量測值之間的相關；及利用針對該至少一訓練群組之一特定訓練群組開發之該預測模型來提供屬於該特定訓練群組之一傳入晶圓之聚焦誤差預測。
  21. 如請求項20之系統，其中為將該複數個訓練晶圓分群組，該處理器進一步經組態以：a)計算該複數個訓練晶圓內之各對晶圓之間的相關以產生一成對相關矩陣； b)基於各成對相關是否大於一預先判定相似性臨限值，而將該成對相關矩陣轉換為一二進位關係矩陣；c)識別含有來自該二進位關係矩陣之全部二進位值1之一最大子矩陣；d)將對應於該經識別最大子矩陣之該等晶圓識別為在一同質群組中；e)自該二進位關係矩陣移除該經識別最大子矩陣；及f)重複步驟d)至步驟e)。
  22. 如請求項21之系統，其中至少部分基於該複數個訓練晶圓之晶圓平坦度量測值而計算該複數個訓練晶圓內之各對晶圓之間的該等相關。
  23. 如請求項20之系統，其中該處理器經進一步組態以：在利用該預測模型進行聚焦誤差預測之前驗證針對該至少一訓練群組之一特定訓練群組開發之該預測模型。
  24. 如請求項23之系統，其中該處理器經組態以基於該特定訓練群組內之至少一晶圓而驗證該預測模型。
  25. 如請求項23之系統，其中該處理器經組態以基於該特定訓練群組外之至少一晶圓而驗證該預測模型。
  26. 如請求項20之系統，其中該處理器經進一步組態以：提供該傳入晶圓之該聚焦誤差預測以控制一晶圓處理工具。
  27. 如請求項26之系統，其中該晶圓處理工具係一微影處理工具。
  28. 如請求項20之系統，其中該處理器經組態以基於該複數個訓練晶圓之中的晶圓幾何形狀量測值之相對同質性且進一步基於該複數個訓練晶圓之中的疊對誤差之相對同質性，而將該複數個訓練晶圓分群組，以提供至少一訓練群組。
TW104114780A 2014-04-22 2015-05-08 基於預測模型化之聚焦誤差預測之方法及系統 TWI640934B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201461982731P 2014-04-22 2014-04-22
US14/457,706 2014-08-12
US14/457,706 US9707660B2 (en) 2014-04-22 2014-08-12 Predictive wafer modeling based focus error prediction using correlations of wafers

Publications (2)

Publication Number Publication Date
TW201617978A true TW201617978A (zh) 2016-05-16
TWI640934B TWI640934B (zh) 2018-11-11

Family

ID=54321212

Family Applications (2)

Application Number Title Priority Date Filing Date
TW104114780A TWI640934B (zh) 2014-04-22 2015-05-08 基於預測模型化之聚焦誤差預測之方法及系統
TW104114779A TWI685906B (zh) 2014-04-22 2015-05-08 用於半導體製程控制之圖案化晶圓幾何量測之方法及系統

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW104114779A TWI685906B (zh) 2014-04-22 2015-05-08 用於半導體製程控制之圖案化晶圓幾何量測之方法及系統

Country Status (3)

Country Link
US (2) US10576603B2 (zh)
TW (2) TWI640934B (zh)
WO (1) WO2016025037A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105373072A (zh) * 2014-09-01 2016-03-02 富泰华工业（深圳）有限公司 高精度平面加工系统及方法
US9865047B1 (en) * 2014-10-28 2018-01-09 Kla-Tencor Corporation Systems and methods for effective pattern wafer surface measurement and analysis using interferometry tool
US10036964B2 (en) 2015-02-15 2018-07-31 Kla-Tencor Corporation Prediction based chucking and lithography control optimization
KR102387289B1 (ko) 2015-07-20 2022-04-14 에이에스엠엘 네델란즈 비.브이. 리소그래피 장치를 제어하는 방법, 리소그래피 장치 및 디바이스 제조 방법
CN107346749A (zh) * 2016-05-04 2017-11-14 台湾积体电路制造股份有限公司 半导体制程及其制程设备与控制装置
KR20190053269A (ko) 2016-10-21 2019-05-17 에이에스엠엘 네델란즈 비.브이. 패터닝 프로세스용 보정 결정 방법
KR102280532B1 (ko) * 2016-12-23 2021-07-22 에이에스엠엘 네델란즈 비.브이. 패턴 충실도 제어를 위한 방법 및 장치
EP3457213A1 (en) * 2017-09-18 2019-03-20 ASML Netherlands B.V. Methods and apparatus for use in a device manufacturing method
US11454949B2 (en) 2018-03-28 2022-09-27 Kla Corporation Auto-correlation of wafer characterization data and generation of composite wafer metrics during semiconductor device fabrication
CN110188865B (zh) * 2019-05-21 2022-04-26 深圳市商汤科技有限公司 信息处理方法及装置、电子设备和存储介质
US11393118B2 (en) 2019-06-18 2022-07-19 Kla Corporation Metrics for asymmetric wafer shape characterization
US11556738B2 (en) 2020-10-01 2023-01-17 Kla Corporation System and method for determining target feature focus in image-based overlay metrology
US11876023B2 (en) 2021-12-17 2024-01-16 International Business Machines Corporation Conformal film thickness determination using angled geometric features and vertices tracking
CN116504665A (zh) * 2023-06-28 2023-07-28 全芯智造技术有限公司 Cmp工艺预测、预测模型训练方法及装置、计算设备

Family Cites Families (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3316833B2 (ja) 1993-03-26 2002-08-19 株式会社ニコン 走査露光方法、面位置設定装置、走査型露光装置、及び前記方法を使用するデバイス製造方法
JP2002018701A (ja) 2000-07-12 2002-01-22 Canon Inc 基板研磨方法および基板研磨装置
AU2001288856A1 (en) * 2000-09-15 2002-03-26 Advanced Micro Devices Inc. Adaptive sampling method for improved control in semiconductor manufacturing
US6891627B1 (en) * 2000-09-20 2005-05-10 Kla-Tencor Technologies Corp. Methods and systems for determining a critical dimension and overlay of a specimen
US6859260B2 (en) 2001-04-25 2005-02-22 Asml Holding N.V. Method and system for improving focus accuracy in a lithography system
DE10143741A1 (de) * 2001-09-06 2003-03-27 Wacker Siltronic Halbleitermat Beschichtete Siliciumscheibe und Verfahren zu ihrer Herstellung
DE10314212B4 (de) 2002-03-29 2010-06-02 Hoya Corp. Verfahren zur Herstellung eines Maskenrohlings, Verfahren zur Herstellung einer Transfermaske
JP4464033B2 (ja) 2002-06-13 2010-05-19 信越半導体株式会社 半導体ウエーハの形状評価方法及び形状評価装置
JP3769262B2 (ja) 2002-12-20 2006-04-19 株式会社東芝 ウェーハ平坦度評価方法、その評価方法を実行するウェーハ平坦度評価装置、その評価方法を用いたウェーハの製造方法、その評価方法を用いたウェーハ品質保証方法、その評価方法を用いた半導体デバイスの製造方法、およびその評価方法によって評価されたウェーハを用いた半導体デバイスの製造方法
US7352453B2 (en) * 2003-01-17 2008-04-01 Kla-Tencor Technologies Corporation Method for process optimization and control by comparison between 2 or more measured scatterometry signals
JP2004228394A (ja) * 2003-01-24 2004-08-12 Hitachi High-Technologies Corp 半導体ウェーハのパターン形状評価システム
SG123601A1 (en) * 2003-03-10 2006-07-26 Asml Netherlands Bv Focus spot monitoring in a lithographic projectionapparatus
JP2005099765A (ja) 2003-08-28 2005-04-14 Toshiba Corp プロセス近接効果の予測モデルの作成方法、工程の管理方法、半導体装置の製造方法、フォトマスクの製造方法およびプログラム
US7301604B2 (en) 2004-02-25 2007-11-27 Taiwan Semiconductor Manufacturing Co., Ltd. Method to predict and identify defocus wafers
US7593565B2 (en) * 2004-12-08 2009-09-22 Rudolph Technologies, Inc. All surface data for use in substrate inspection
US7303842B2 (en) * 2005-04-13 2007-12-04 Kla-Tencor Technologies Corporation Systems and methods for modifying a reticle's optical properties
US8152365B2 (en) * 2005-07-05 2012-04-10 Mattson Technology, Inc. Method and system for determining optical properties of semiconductor wafers
US7374957B2 (en) * 2005-07-11 2008-05-20 Asml Netherlands B.V. Method of calibrating or qualifying a lithographic apparatus or part thereof, and device manufacturing method
US7580768B2 (en) * 2006-09-22 2009-08-25 Texas Instruments Deutschland Gmbh Method of adjusting process variables in a processing flow
DE102006056625B4 (de) * 2006-11-30 2014-11-20 Globalfoundries Inc. Verfahren und Teststruktur zum Bestimmen von Fokuseinstellungen in einem Lithographieprozess auf der Grundlage von CD-Messungen
WO2008151083A1 (en) 2007-05-30 2008-12-11 Kla-Tencor Corporation Feedforward/feedback litho process control of stress and overlay
US7873585B2 (en) 2007-08-31 2011-01-18 Kla-Tencor Technologies Corporation Apparatus and methods for predicting a semiconductor parameter across an area of a wafer
US7925369B2 (en) * 2007-12-18 2011-04-12 Globalfoundries Inc. Method and apparatus for optimizing models for extracting dose and focus from critical dimension
US8255172B2 (en) 2008-09-24 2012-08-28 Applied Materials Israel, Ltd. Wafer defect detection system and method
US8260449B2 (en) * 2008-11-06 2012-09-04 Micron Technology, Inc. Photolithography systems and associated methods of overlay error correction
DE102009011622B4 (de) * 2009-03-04 2018-10-25 Siltronic Ag Epitaxierte Siliciumscheibe und Verfahren zur Herstellung einer epitaxierten Siliciumscheibe
US7851233B2 (en) * 2009-03-26 2010-12-14 Taiwan Semiconductor Manufacturing Company, Ltd. E-chuck for automated clamped force adjustment and calibration
US8340801B2 (en) * 2009-12-29 2012-12-25 Memc Electronic Materials, Inc. Systems for generating representations of flatness defects on wafers
US8768665B2 (en) 2010-01-08 2014-07-01 Kla-Tencor Technologies Corporation Site based quantification of substrate topography and its relation to lithography defocus and overlay
JP2011249627A (ja) 2010-05-28 2011-12-08 Toshiba Corp 半導体ウェーハのパターン露光方法
US8792080B2 (en) 2011-01-27 2014-07-29 International Business Machines Corporation Method and system to predict lithography focus error using simulated or measured topography
KR101815975B1 (ko) * 2011-07-27 2018-01-09 삼성전자주식회사 객체 자세 검색 장치 및 방법
US9354526B2 (en) * 2011-10-11 2016-05-31 Kla-Tencor Corporation Overlay and semiconductor process control using a wafer geometry metric
US9607233B2 (en) * 2012-04-20 2017-03-28 Applied Materials Israel Ltd. Classifier readiness and maintenance in automatic defect classification
US10330608B2 (en) 2012-05-11 2019-06-25 Kla-Tencor Corporation Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools
US8948495B2 (en) 2012-08-01 2015-02-03 Kla-Tencor Corp. Inspecting a wafer and/or predicting one or more characteristics of a device being formed on a wafer
US9546862B2 (en) * 2012-10-19 2017-01-17 Kla-Tencor Corporation Systems, methods and metrics for wafer high order shape characterization and wafer classification using wafer dimensional geometry tool
US9003337B2 (en) * 2012-11-08 2015-04-07 Taiwan Semiconductor Manufacturing Co., Ltd. Systems and methods of local focus error compensation for semiconductor processes
JP6056749B2 (ja) * 2013-12-25 2017-01-11 信越半導体株式会社 エピタキシャル成長前後の半導体ウェーハのエッジ形状の評価方法
US9087176B1 (en) * 2014-03-06 2015-07-21 Kla-Tencor Corporation Statistical overlay error prediction for feed forward and feedback correction of overlay errors, root cause analysis and process control

Also Published As

Publication number Publication date
TW201603158A (zh) 2016-01-16
US9707660B2 (en) 2017-07-18
WO2016025037A1 (en) 2016-02-18
US10576603B2 (en) 2020-03-03
US20150298282A1 (en) 2015-10-22
TWI685906B (zh) 2020-02-21
US20150302312A1 (en) 2015-10-22
TWI640934B (zh) 2018-11-11

Similar Documents

Publication Publication Date Title
TWI640934B (zh) 基於預測模型化之聚焦誤差預測之方法及系統
TWI731581B (zh) 判定圖案化製程之校正之方法、元件製造方法、用於微影裝置之控制系統及微影裝置
US10545412B2 (en) Statistical overlay error prediction for feed forward and feedback correction of overlay errors, root cause analysis and process control
TWI755386B (zh) 計量系統及方法
KR102336390B1 (ko) 제품 유닛의 다중-스테이지 처리를 위한 장치 최적화
TWI656413B (zh) 用於控制工業製程的方法與設備
TWI638242B (zh) 供關於一工業製程使用之診斷系統及獲得診斷資訊之方法
KR102124111B1 (ko) 산업 공정과 관련된 진단 정보를 얻는 방법 및 장치
TWI573215B (zh) 模擬由於半導體晶圓固持之平面內失真之基於有限元素模型的預測之系統及方法
JP2009075110A (ja) プロセスパラメータを分散に関連づける分散関数を用いた構造のプロファイルパラメータの決定
KR20160096118A (ko) 요건에 대한 타겟 및 프로세스 감도 분석
JP2015534267A (ja) 位置ずれ対象の不正確性を概算および補正するための方法
KR20130007575A (ko) 스마트 보간을 갖는 최적화된 샘플링 방식을 사용하여 공정 도구 교정 가능 요인을 제공하는 방법 및 시스템
TW201903534A (zh) 最佳化微影製程之方法及裝置
TWI685881B (zh) 判定出自複數個器件之一器件對一參數之一指紋之一貢獻的方法、系統、及程式
US10008422B2 (en) Method for assessing the usability of an exposed and developed semiconductor wafer
US20180342429A1 (en) Method for assessing the usability of an exposed and developed semiconductor wafer
EP3748669A1 (en) Predictive modeling based focus error prediction