TW202014667A - 訓練用於光譜監測的機器學習系統的光譜產生 - Google Patents

訓練用於光譜監測的機器學習系統的光譜產生 Download PDF

Info

Publication number
TW202014667A
TW202014667A TW108121965A TW108121965A TW202014667A TW 202014667 A TW202014667 A TW 202014667A TW 108121965 A TW108121965 A TW 108121965A TW 108121965 A TW108121965 A TW 108121965A TW 202014667 A TW202014667 A TW 202014667A
Authority
TW
Taiwan
Prior art keywords
spectra
training
spectrum
neural network
substrate
Prior art date
Application number
TW108121965A
Other languages
English (en)
Other versions
TWI811387B (zh
Inventor
班傑明 傑瑞安
尼可拉斯 魏斯威爾
隽 錢
湯瑪士Ｈ 歐斯特海德
Original Assignee
美商應用材料股份有限公司
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 美商應用材料股份有限公司 filed Critical 美商應用材料股份有限公司
Publication of TW202014667A publication Critical patent/TW202014667A/zh
Application granted granted Critical
Publication of TWI811387B publication Critical patent/TWI811387B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting
    • 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
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67092—Apparatus for mechanical treatment
    • 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
    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32335—Use of ann, neural network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40066—Stack and align identical layers, laminates, electronic substrate layers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41054—Using neural network techniques
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45199—Polish
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

一種產生用於訓練神經網路的訓練光譜的方法，該方法包括以下步驟：從一或更多個試樣基板量測第一複數個訓練光譜；針對該複數個訓練光譜中的每個訓練光譜量測表徵值以產生複數個表徵值，其中每個訓練光譜具有相關聯的表徵值；在一或更多個虛設基板的處理期間量測複數個虛設光譜；及藉由組合該第一複數個訓練光譜與該複數個虛設光譜來產生第二複數個訓練光譜，在該第二複數個訓練光譜中存在比該第一複數個訓練光譜中大的光譜數量；該第二複數個訓練光譜中的每個訓練光譜具有相關聯的表徵值。

Description

訓練用於光譜監測的機器學習系統的光譜產生
本揭示內容係關於例如在處理（例如化學機械拋光）期間的基板的光學監測。
一般是藉由在矽晶圓上依序沉積導電的、半導電的或絕緣的層來將積體電路形成於基板上。一個製造步驟涉及在非平坦面上沉積填料層及平坦化填料層。對於一些應用而言，填料層被平坦化直到圖案化的層的頂面暴露為止。例如，可以將導電填料層沉積於圖案化的絕緣層上以填充絕緣層中的溝槽或孔洞。在平面化之後，導電層留存在絕緣層的凸起圖案之間的部分形成了在基板上的薄膜電路之間提供導電路徑的通孔（via）、插頭及線路。對於其他的應用，填料層被平坦化直到在下層的層上留下預定的厚度為止。例如，可以針對光微影術平坦化沉積的介電層。
化學機械拋光（CMP）是一個被接受的平坦化方法。此種平面化方法一般需要將基板安裝在載具頭上。基板的受暴面一般抵著具有耐久的粗糙面的旋轉拋光墊安置。載具頭提供了基板上的可控制的負載以將基板推抵拋光墊。一般將拋光液（例如具有磨料顆粒的漿體）供應到拋光墊的表面。
CMP中的一個問題是使用適當的拋光速率來實現合乎需要的輪廓（例如已經將基板層平坦化到所需的平坦度或厚度，或已經移除了所需的材料量）。基板層的初始厚度、漿體分佈、拋光墊條件、拋光墊與基板之間的相對速度及基板上的負載的變化可能跨一個基板及在基板與基板之間造成材料移除速率的變化。此等變化造成達到拋光終點所需的時間及移除量的變化。因此，可能無法僅作為拋光時間的函數而決定拋光終點或僅藉由施加恆定的壓力實現所需的輪廓。
在一些系統中，在拋光期間原位地監測基板（例如藉由光學監測系統來監測）。可以使用來自原位監測系統的厚度量測值來調整向基板施加的壓力以調整拋光速率及減少晶圓內不均勻性（WIWNU）。
在一個態樣中，一種產生用於訓練神經網路的訓練光譜的方法，該方法包括以下步驟：從一或更多個試樣基板量測第一複數個訓練光譜；針對該複數個訓練光譜中的每個訓練光譜量測表徵值以產生複數個表徵值，其中每個訓練光譜具有相關聯的表徵值；在一或更多個虛設基板的處理期間量測複數個虛設光譜；及藉由組合該第一複數個訓練光譜與該複數個虛設光譜來產生第二複數個訓練光譜，在該第二複數個訓練光譜中存在比該第一複數個訓練光譜中大的光譜數量；該第二複數個訓練光譜中的每個訓練光譜具有相關聯的表徵值。
在另一個態樣中，一種產生用於訓練神經網路的訓練光譜的方法，該方法包括以下步驟：從光學模型產生第一複數個訓練光譜；向前饋神經網路發送該第一複數個訓練光譜；將該前饋神經網路的輸出及經驗收集的光譜發送到辨別性卷積神經網路；決定該辨別性卷積神經網路在該等理論產生的光譜與經驗收集的光譜之間作不出辨別；及此後，從該前饋神經網路產生第二複數個訓練光譜。
在另一個態樣中，一種控制基板的處理的方法包括以下步驟：使用該第二複數個訓練光譜訓練類神經網路；從原位光學監測系統，接收從基板所反射的光的量測到的光譜，該基板經歷修改該基板的外層的厚度的處理；藉由將來自該量測到的光譜的光譜值應用到該類神經網路中，來針對該量測到的光譜產生量測到的表徵值；及進行以下步驟中的至少一者：基於該表徵值，停止該基板的處理，或調整處理參數。
可以將此等態樣實施在有形地實施在非暫時性電腦可讀取媒體中且包括指令的電腦程式產品中，該等指令用於使得處理器實現操作或使得在具有控制器的處理系統（例如拋光系統）中實現該等操作。
該等態樣中的任一者的實施方式可以包括以下特徵中的一或更多者。
可以正規化複數個虛設光譜以產生複數個正規化的虛設光譜。組合該第一複數個訓練光譜與該複數個虛設光譜的步驟可以包括以下步驟：針對來自該複數個正規化的虛設光譜的每個正規化的虛設光譜，將該正規化的虛設光譜乘以該第一複數個訓練光譜中的一者，以產生該第二複數個訓練光譜中的一者。可以隨機選定該第一複數個訓練光譜中的該者。虛設基板可以是空白半導體基板。
處理可以包括化學機械拋光。該表徵值可以是該基板的最外層的厚度。
類神經網路可以具有用於複數個光譜值的複數個輸入節點、用來輸出該表徵值的輸出節點，及將該等輸入節點連接到該輸出節點的複數個隱藏節點。可以縮減該第二複數個訓練光譜的維數以產生複數個光譜訓練值，可以將應用該等光譜訓練值及與該第二複數個訓練光譜相關聯的該等表徵值的步驟應用於該類神經網路以訓練該類神經網路。可以縮減量測到的光譜的維數以產生要用來產生該表徵值的光譜值。
某些實施方式可以具有以下優點中的一或更多者。可以縮減訓練機器學習系統（例如神經網路）以滿足預測效能需求所需的經驗拋光資料的量（例如來自不同設備晶圓的光譜數量）。可以更準確地及/或更快速地量測基板上的層的厚度。可以減少晶圓內厚度不均勻性及晶圓與晶圓之間的不均勻性（WIWNU及WTWNU），且可以改善用來偵測所需處理終點的終點系統的可靠度。
一或更多個實施例的細節被闡述在附圖及以下的說明中。藉由說明書、附圖及申請專利範圍，將理解其他的特徵、態樣及優點。
一個監測技術是量測從被拋光的基板所反射的光的光譜。已經提出了各種技術來從量測到的光譜決定特性值（例如被拋光的層的厚度）。一個可能的技術是基於來自試樣設備基板的訓練光譜及針對彼等試樣基板所量測到的特性值來訓練神經網路。在訓練之後，在正常操作期間，可以將來自設備基板的量測到的光譜輸入到神經網路，且神經網路可以輸出特性值，例如基板的頂層的計算厚度。使用神經網路的動機是去除下層膜厚度對頂層的計算厚度的影響的可能性。
在此背景脈絡下訓練神經網路的問題是，可能需要不切實際地大的資料集來適當地訓練預測式神經網路以用足以可用於生產積體電路的可靠度從輸入光譜產生厚度值。小的訓練集有基於量測到的光譜中的雜訊訓練神經網路的風險。雖然足夠大的訓練集可以提供與用於決定特性值的其他技術類似或更優越的效能，但對於客戶而言獲得此類資料集仍可能是令人厭惡的。詳細而言，設備基板是非常昂貴的；在商業上提供充分數量的「預備」設備基板來執行訓練是不實際的。
一種可以解決此等問題的技術是從試樣設備基板將過程雜訊添加到訓練光譜。
另一種可以解決此等問題的技術是從模型產生訓練光譜。
圖1繪示拋光裝置20的實例。拋光裝置20可以包括可旋轉的碟狀平台板22，拋光墊30位在該平台板上。平台板可操作來圍繞軸23而旋轉。例如，馬達24可以轉動驅動軸桿26以旋轉平台板22。可以將拋光墊30例如藉由一層黏著劑可拆卸地固定到平台板22。拋光墊30可以是具有外拋光層32及較軟的背層34的兩層式拋光墊。
拋光裝置20可以包括拋光液供應端口40以將拋光液42（例如磨料漿體）分配到拋光墊30上。拋光裝置20也可包括拋光墊調理器以磨蝕拋光墊30以將拋光墊30維持在一致的磨蝕狀態下。
載具頭50可操作來固持基板10抵著拋光墊30。每個載具頭50也包括複數個可獨立控制的可加壓腔室（例如三個腔室52a-52c），該複數個可獨立控制的可加壓腔室可以向基板10上相關聯的區12a-12c（參照圖2）施加可獨立控制的壓力。參照圖2，中心區12a可以是實質圓形的，且其餘的區12b-12c可以是圍繞中心區12a的同心環狀區。
回到圖1，腔室52a-52c可以由柔性膜片54所界定，該柔性膜片具有基板10所安裝到的底面。載具頭50也可以包括固位環56以將基板10固定在柔性膜片54下方。雖然為了容易說明起見在圖1及2中只有繪示三個腔室，但也可以存在兩個腔室，或四或更多個腔室，例如五個腔室。此外，可以將用來調整向基板施加的壓力的其他機構（例如壓電致動器）用在載具頭50中。
每個載具頭50從支撐結構60（例如迴轉料架或軌路）懸掛，且由驅動軸桿62連接到載具頭旋轉馬達64使得載具頭可以圍繞軸51而旋轉。可選地，每個載具頭50可以側向振盪，例如在迴轉料架的滑件上藉由沿著軌路的運動側向振盪；或藉由迴轉料架本身的旋轉振盪而側向振盪。操作時，平台板22圍繞其中心軸23而旋轉，且載體頭50圍繞該載體頭的中心軸51而旋轉且跨拋光墊30的頂面側向平移。
拋光裝置也包括原位監測系統70，可以使用該原位監測系統來控制拋光參數（例如在腔室52a-52c中的一或更多者中所施加的壓力）以控制區12a-12c中的一或更多者的拋光速率。原位監測系統70產生指示在區12a-12c中的每一者中被拋光的層的厚度的訊號。原位監測系統可以是光學監測系統，例如光譜監測系統。
光學監測系統70可以包括光源72、光偵測器74，以及用於在控制器90（例如電腦）與光源72及光偵測器74之間發送及接收訊號的電路系統76。可以使用一或更多條光纖來從光源72向拋光墊30中的窗口36傳送光，及向偵測器74傳送從基板10所反射的光。例如，可以使用二分叉光纖78來從光源62向基板10傳送光且將光傳送回偵測器74。作為光譜系統，則光源72可以可操作來發射白光且偵測器74可以是光譜儀。
電路系統76的輸出可以是數位電子訊號，該數位電子訊號穿過驅動軸桿26中的旋轉耦接器28（例如滑環）到控制器90。或者，電路系統76可以藉由無線訊號與控制器90通訊。控制器90可以是包括微處理器、記憶體及輸入/輸出電路系統的計算設備（例如可程式化電腦）。雖然繪示為具有單個模塊，但控制器90也可以是具有跨多個電腦分佈的功能的聯網系統。
在一些實施方式中，原位監測系統70包括安裝在平台板22中且與該平台板一起旋轉的感測器80。例如，感測器80可以是光纖78的末端。平台板22的運動將使得感測器80跨基板掃描。如由圖3中所示，由於平台板的旋轉（由箭頭38所示），在感測器80在載具頭下方行進時，原位監測系統用取樣頻率進行量測；其結果是，在呈橫過基板10的弧形的位置14處截取量測值（點的數量是說明性的；取決於取樣頻率，與所繪示的相比，可以截取更多或更少的量測值）。
在平台板的一次旋轉內，從基板10上的不同位置獲得光譜。詳細而言，一些光譜可以從較靠近基板10的中心的位置獲得，且一些光譜可以從較靠近邊緣的位置獲得。可以將控制器90配置為基於時序、馬達編碼器資訊、平台板旋轉或位置感測器資料，及/或基板及/或固位環的邊緣的光學偵測，針對來自掃描的每個量測值計算徑向位置（相對於基板10的中心）。控制器可以因此將各種量測值與各種區12a-12c（參照圖2）相關聯。在一些實施方式中，可以將量測的時間用作徑向位置的精確計算的替代。
回到圖1，控制器90可以基於來自原位監測系統的訊號針對基板的每個區推導表徵值。詳細而言，隨著拋光的進行，控制器90隨時間產生表徵值的序列。控制器90可以針對感測器在基板10下方的每次掃描針對每個區產生至少一個表徵值，或例如針對不跨基板掃描感測器的拋光系統用一定量測頻率（該量測頻率不需要與取樣頻率相同）針對每個區產生表徵值。在一些實施方式中，每次掃描產生單個表徵值，例如可以組合多個量測值以產生表徵值。在一些實施方式中，使用每個量測值來產生表徵值。
表徵值一般是外層的厚度，但也可以是相關的特性，例如所移除的厚度。此外，表徵值可以是經由拋光過程的基板的進度的更一般表示，例如表示平台板旋轉的時間或次數的索引值，在該平台板旋轉時間或次數下，會預期在預定過程之後的拋光過程中觀察到量測值。
控制器90可以使用兩步驟過程來從來自原位光譜監測系統70的量測到的光譜產生表徵值。首先，縮減量測到的光譜的維數，隨後將縮減的維數資料輸入到類神經網路，該類神經網路將輸出表徵值。藉由針對每一量測到的光譜執行此過程，類神經網路可以產生表徵值序列。例如假設感測器80在基板下方經過，則此序列可以包括基板上的不同徑向位置的表徵值。
原位光譜監測系統70與控制器90的組合可以提供終點及/或拋光均勻性控制系統100。亦即，基於該等系列表徵值，控制器90可以偵測拋光終點及停止拋光及/或在拋光過程期間調整拋光壓力以減少拋光不均勻性。
圖4繪示由控制器90所實施的功能模塊，該等功能模塊包括用來實現維數縮減的維數縮減模組110、神經網路120，以及用來調整拋光過程（例如基於該等系列表徵值偵測拋光終點及停止拋光及/或在拋光過程期間調整拋光壓力以減少拋光不均勻性）的過程控制系統130。如上所述，可以跨多個電腦分佈此等功能模塊。
神經網路120包括每個主成分的複數個輸入節點122、複數個隱藏節點124（下文也稱為「中間節點」）及將產生特性值的輸出節點126。在具有單層隱藏節點的神經網路中，可以將每個隱藏節點124耦接到每個輸入節點122，且可以將輸出節點126耦接到每個隱藏節點220。在一些實施方式中，存在多個輸出節點，該等輸出節點中的一者提供特性值。
一般而言，隱藏節點124輸出一個值，該值是來自隱藏節點所連接到的輸入節點122的值的加權總和的非線性函數。
例如，可以將隱藏節點124的輸出（稱為節點k）表示為：
Figure 02_image001
等式1 其中tanh是雙曲正切，a kx 是第k個中間節點與第x個輸入節點（M個輸入節點中的第x個輸入節點）之間的連接的權重，且IM 是第M個輸入節點的值。然而，可以使用其他的非線性函數代替tanh，例如修正線性單元（ReLU）函數及其變型。
維數縮減模組110將把量測到的光譜縮減到更有限的成分值數量，例如L個成分值。神經網路120包括每個成分的輸入節點120，光譜被縮減成該成分，例如若模組110產生L個成分值，則神經網路120將包括至少輸入節點N1 , N2 … NL 。
因此，若輸入節點的數量與量測到的光譜所縮減成的成分的數量對應（亦即L=M），則可以將隱藏節點124（稱為節點k）的輸出Hk 表示為：
Figure 02_image003
假設量測到的光譜S由行矩陣(i 1 , i 2 , …, i n )表示，則可以將中間節點124（稱為節點k）的輸出表示為：
Figure 02_image005
等式2 其中Vx 是列矩陣(v1 , v2 , …, vn )，該列矩陣將提供量測到的光譜到縮減的維數資料的第x個成分（L個成分中的第x個成分）的值的變換。例如，Vx 可以由下文所述的矩陣W或W'的第x行（L個行中的第x行）提供，亦即Vx 是WT 的第x列。因此，Wx 可以表示來自維數縮減矩陣的第x個本徵向量。
輸出節點126可以產生特性值CV，該特性值是隱藏節點的輸出的加權總和。例如，可以將此表示為： CV = C1 *H1 + C2 *H2 + … + CL *HL 其中Ck 是第k個隱藏節點的輸出的權重。
然而，神經網路120可以可選地包括一或更多個其他的輸入節點（例如節點122a）以接收其他資料。此其他資料可以來自由原位監測系統所進行的基板的先前量測（例如早期在處理基板時收集的光譜）、來自先前的基板的量測值（例如在另一個基板的處理期間所收集的光譜）、來自拋光系統中的另一個感測器（例如由溫度感測器進行的墊子或基板的溫度量測）、來自由用來控制拋光系統的控制器所儲存的拋光配方（例如拋光參數，例如用於拋光基板的載具頭壓力或平台板旋轉速率）、來自由控制器所追蹤的變數（例如自從墊子改變以來的基板數量）或來自不是拋光系統的一部分的感測器（例如由計量站進行的下層膜的厚度量測）。此容許神經網路120在計算表徵值時考慮此等其他的處理或環境變數。
在用於例如設備晶圓之前，需要配置維數縮減模組110及神經網路112。
作為維數縮減模組110的配置程序的一部分，控制器90可以接收複數個訓練光譜以及與該複數個訓練光譜中的每個訓練光譜相關聯的表徵值（例如厚度）。例如，可以在一或更多個試樣設備基板上的特定位置處量測訓練光譜。此外，可以用計量配備（例如接觸式輪廓儀或橢圓偏振儀）執行特定位置處的厚度的量測。可以因此將厚度量測值與來自試樣設備基板上的相同位置的訓練光譜相關聯。該複數個訓練光譜可以包括例如五個到一百個訓練光譜。
作為配置程序的另一部分，可以在一或更多個裸虛設半導體基板（例如裸矽晶圓）的拋光期間量測複數個虛設光譜。該複數個虛設光譜可以包括例如五十個到一百個虛設光譜。可以例如藉由將每個虛設光譜除以相同半導體材料（例如矽）的基板的參考光譜，來正規化此等虛設光譜。可以接著將每個正規化的虛設光譜乘以來自該複數個訓練光譜中隨機選定的訓練光譜。此將產生增廣的一組訓練光譜。
此過程具有以下效果：將在虛設基板的整個拋光行程內收集到的純過程雜訊添加到訓練集。增廣的該組訓練光譜可以提供足夠大的訓練集以適當訓練神經網路。另一方面，隨機將過程雜訊分佈在整個增廣的訓練集內應防止神經網路對該過程雜訊的改變進行訓練。
作為從試樣設備基板量測光譜（及從虛設半導體基板量測虛設光譜）的替代方案，可以由例如與前饋神經網路結合的光學模型產生訓練光譜。詳細而言，參照圖5，可以使用第一原理理論光學模型150來基於產品晶圓的膜堆疊內的隨機化厚度產生理論產生的初始光譜。亦即，對於要由模型150所產生的一系列光譜中的每一者而言，可以藉由模型150將厚度隨機分配給模型中所表示的膜堆疊內的一或更多個層中的每一者。對於任何特定的層而言，厚度的隨機分配可以基於最小厚度值與最大厚度值之間的線性分佈或鐘形曲線分佈，該最小厚度值及該最大厚度值可以由操作員設定。
可以將此等理論產生的初始光譜發送通過前饋神經網路（FFN）152。前饋神經網路152被配置為藉由將雜訊成分添加到理論產生的光譜來修改每個理論產生的光譜，以產生可以充當訓練光譜（或潛在訓練光譜）的修改過的理論產生的光譜。此產生了可以充當訓練光譜（或潛在訓練光譜）的複數個修改過的理論產生的光譜。可以存在數量比理論產生的光譜大的潛在訓練光譜，例如在將相同的訓練光譜饋送到FNN 152多次但是使用不同的雜訊成分的時候。
在訓練模式中，可以接著將前饋神經網路152的輸出（例如修改過的理論產生的訓練光譜（其提供第一複數個訓練光譜））發送到辨別性卷積神經網路（DCNN）154。實際上，前饋神經網路152及辨別性卷積神經網路154充當生成性對立網路以訓練前饋神經網路152。
詳細而言，可以將經驗收集的光譜與由FFN 152所產生的該複數個潛在訓練光譜散佈在一起。可以從計量系統156（例如光譜儀）接收經驗收集的光譜。辨別性卷積神經網路154試圖決定光譜是否是理論產生的或經驗偵測的。可以將DCNN 154的準確度水平用作對FNN 152的輸入以供訓練FNN 152。DCNN 154的準確度減少指示FFN 152的改善。假設一半的光譜是經驗產生的，一旦辨別性卷積神經網路154實質上不能夠用明顯大於正確識別經驗產生的光譜的機率（例如小於55%或小於51%的機率）的比率從理論產生的光譜決定經驗光譜，FFN 152就是已經訓練過的。接著，可以使用前饋神經網路152來針對厚度預測模型（例如神經網路112）產生任意地大的一組訓練光譜（該組訓練光譜提供第二複數個訓練光譜）。
作為維數縮減模組110的配置程序的另一部分，控制器90可以針對訓練光譜的資料集的共變矩陣產生一組本徵向量。一旦已經產生該組本徵向量，就可以對該等本徵向量進行排序且可以保留具有最大本徵值（例如前四大或前八大）的預定數量的本徵向量。
藉由本徵向量的相關聯的本徵值對本徵向量進行排序顯示了資料集變化最大的方向。將量測到的光譜投影到排名最高的本徵向量上的投影在顯著縮減的基礎上提供了原始向量的高效表示。
作為解釋，可以由以下矩陣表示每個訓練光譜：R =(i1 ,i2 , …,in )， 其中ij 表示總共n 個波長中第j 個波長的光強度。光譜可以包括例如兩百個到五百個強度量測值；n 可以是兩百到五百。
假定產生m 個訓練光譜，則可以組合m 個矩陣R 以形成以下矩陣：A=
Figure 02_image007
， 其中ijk 表示第j 個訓練光譜的第k 個波長的光強度。矩陣A 的每列表示訓練光譜（例如基板上的一個位置處的量測值）。
將維數縮減過程（例如主成分分析（PCA））應用於矩陣A 。PCA執行正交線性變換，該正交線性變換將A 矩陣中的資料（m xn 維度）變換成新的座標系統，使得由資料的任何投影造成的最大變異數變成位在第一座標（稱為第一主成分）上，第二大的變異數位在第二座標上，以此類推。在數學上，該變換由一組p 維度的權重向量 wk = (wk1 ,wk2 , …,wkp )所界定，該等向量將矩陣A 的每個m 維度的列向量 Ai 映射到新的主成分分數向量 ti = (tk1 ,tk2 , …,tip )，其中tki 是：tki = Ai ·wk 。
每個向量 wk 被約束為單位向量。其結果是， t i 的個別變數繼承來自矩陣A 的最大可能變異數。可以將矩陣A 的分解寫成：T=AW ， 其中W 是n xp 矩陣，該矩陣的行是AT A 的本徵向量。
在由James Ramsay及B.W. Silverman所著的「Functional Data Analysis」（Springer出版社；第2版（2005年7月1日））及由I.T. Jolliffe所著的「Principal Component Analysis」（Springer出版社；第2版（2002年10月2日））中也論述了PCA的細節。
替代於PCA，控制器可以使用SVD（奇異值分解）或ICA（獨立成分分析），SVD是訓練光譜資料集的廣義本徵分解，在ICA中尋找預先指定數量的統計上獨立的訊號，該等訊號的加法組合產生了訓練光譜資料集。
接下來，可以藉由僅保留排名最高的本徵向量來縮減維數。詳細而言，可以保留總共L 個主成分，而不是保留p 個主成分，其中L 是0與p （例如三到十）之間的整數。例如，可以例如藉由使用T 矩陣的最左側的L 個行進行保留來將T 矩陣縮減到m xL 矩陣T' 。類似地，可以例如藉由保留W 矩陣的最左側的L 個行來將W 矩陣縮減到n xL 矩陣W' 。
舉另一個例子，可以使用非線性維數縮減技術（例如自編碼）。可以將所使用的自編碼器實施為神經網路，該神經網路試圖藉由將原始輸入傳遞通過多個層來重新建構原始輸入（該原始輸入可能具有N的維數）。中間層中的一者將具有縮減數量的隱藏神經元。藉由最小化輸出層與輸入層之間的差異來訓練網路。在此類情況下，可以將隱藏神經元的值視為縮減維數的光譜。相對於PCA及其他類似技術，此技術由於維數縮減不再是線性過程的事實可以提供優點。
自神經網路120的配置程序起，使用每個訓練光譜的成分值及特性值來訓練神經網路120。
矩陣Tʹ 的每一列與訓練光譜中的一者對應，且因此與特性值相關聯。在神經網路120在訓練模式（例如反向傳播模式）下操作的同時，將沿著特定列的值(t1 ,t2 , …,tL )饋送到主成分的相應輸入節點N1 , N2 … NL ，而將該列的特性值V饋送到輸出節點126。此可以針對每一列重複。此設定了上述等式1或2中的ak1 等等的值。
可以使用比用於訓練神經網路的資料集大的資料來執行例如藉由PCA、SVD、ICA等等決定主成分的操作。亦即，用於決定主成分的光譜數量可以比具有用於訓練的已知特性值的光譜數量大。
系統現在已準備好操作了。使用原位光譜監測系統70在拋光期間從基板量測光譜。可以由行矩陣S=(i1 ,i2 , …,in )表示量測到的光譜，其中ij 表示總共n 個波長中第j 個波長的光強度。將行矩陣S 乘以Wʹ 矩陣以產生行矩陣，亦即S·Wʹ =P ，其中P =(P1 ,P2 , …, P L )，其中Pi 表示第i個主成分的成分值。
在推理模式下使用神經網路120的同時，將此等值(P1 ,P2 , …, P L )饋送作為對相應輸入節點N1 , N2 , … NL 的輸入。其結果是，神經網路120在輸出節點126處產生特性值（例如厚度）。
可以如下表示由維數縮減模組110及神經網路120所執行以產生特性值CV的組合計算：
Figure 02_image009
其中
Figure 02_image011
，其中權重aki 是由神經網路120所設定的權重，且向量V i 是由維數縮減模組110所決定的本徵向量。
神經網路120的架構可以在深度及寬度上變化。例如，雖然神經網路120被示為具有單行的中間節點124，但它也可以包括多個行。中間節點124的數量可以等於或大於輸入節點122的數量。
如上所述，控制器90可以將各種量測到的光譜與基板10上的不同區12a-12c（參照圖2）相關聯。可以基於感測器在量測光譜時在基板10上的位置，來將每個神經網路120的輸出分類為屬於該等區中的一者。此容許控制器90針對每個區產生單獨的特性值序列。
表徵值被饋送到過程控制模組130，例如每個區的特性值可以接著由過程控制模組130使用以調整過程參數以跨基板減少不均勻性及/或偵測拋光終點。
可以藉由重新建構光譜及隨後決定重新建構的光譜與原始量測到的光譜之間的差異，來評估計算的特性值的可靠度。例如，一旦已經計算了主成分值(P1 ,P2 , …, P L )，就可以藉由P·WʹT =Q 產生重新建構的光譜Q。可以接著例如使用平方差的總和來計算P與S之間的差異。若差異很大，則過程模組130可以忽略相關聯的特性值。
例如，參照圖6，第一函數204可以配合於第一區的特性值202的序列200，且第二函數214可以配合於第二區的特性值212的序列210。過程控制器可以計算投射第一函數及第二函數以到達目標值V的時間T1及T2，及計算調整過的處理參數（例如調整過的載具頭壓力），該調整過的處理參數將使得用修正過的速率（由線220所示）拋光該等區中的一者，使得該等區在大約相同的時間到達目標。
拋光終點可以由過程控制器130在函數指示特性值到達目標值V時觸發。
可以用數位電子電路系統，或用電腦軟體、韌體或硬體（包括此說明書中所揭露的結構性手段及其結構等效物），或用上述項目的組合實施本發明的實施例及此說明書中所述的所有功能性操作。可以將本發明的實施例實施為一或更多個電腦程式產品（亦即有形地實施在機器可讀取儲存媒體中的一或更多個電腦程式）以供由資料處理裝置（例如可程式化處理器、電腦，或多個處理器或電腦）執行或控制該資料處理裝置的操作。可以用任何形式的程式語言（包括編譯的或解譯的語言）撰寫電腦程式（也稱為程式、軟體、軟體應用程式或代碼），且可以用任何形式部署該電腦程式（包括部署為獨立程式，或部署為模組、元件、子常式，或適於用在計算環境中的其他單元）。電腦程式不一定與檔案對應。可以將程式儲存在檔案的容納其他程式或資料的一部分中、儲存在專用於所論述的程式的單個檔案中或儲存在多個協同檔案（例如儲存一或更多個模組、子程式或代碼部分的檔案）中。可以將電腦程式部署為在一個電腦上執行，或在一個場所處或跨多個場所分佈且由通訊網路互連的多個電腦上執行。
可以藉由執行一或更多個電腦程式以藉由對輸入資料進行操作及產生輸出執行功能的一或更多個可程式化處理器，來執行此說明書中所述的過程及邏輯流程。也可以藉由以下項目來執行過程及邏輯流程，且也可以將裝置實施為以下項目：特殊用途邏輯電路系統（例如FPGA（現場可程式化閘極陣列）或ASIC（特殊應用積體電路））。
可以將上述的拋光裝置及方法應用在各種拋光系統中。拋光墊或載具頭或兩者可以移動以提供拋光面與基板之間的相對移動。例如，平台板可以環行而不是旋轉。拋光墊可以是固定到平台板的圓形（或一些其他的形狀）墊。拋光系統可以是線性拋光系統，例如其中拋光墊是線性移動的連續的或捲軸到捲軸的皮帶。拋光層可以是標準（例如有或沒有填料的聚氨酯）拋光材料、軟材料或固定式磨料。相關定位的用語用來指元件的相對定向或定位；應瞭解到，可以相對於重力用垂直定向或一些其他的定向固持拋光面及基板。
雖然以上說明聚焦於化學機械拋光，但也可以將控制系統調適於其他的半導體處理技術，例如蝕刻或沉積，例如化學氣相沉積。此外，可以將技術應用於內聯的或獨立的計量系統而不是原位監測。
已經描述了本發明的特定實施例。其他的實施例是在以下申請專利範圍的範疇內的。
10:基板 12a:區 12b:區 12c:區 14:位置 20:拋光裝置 22:平台板 23:軸 24:馬達 26:驅動軸桿 28:旋轉耦接器 30:拋光墊 32:外拋光層 34:背層 36:窗口 38:箭頭 40:拋光液供應端口 42:拋光液 50:載具頭 51:軸 52a:腔室 52b:腔室 52c:腔室 54:柔性膜片 56:固位環 60:支撐結構 62:驅動軸桿 64:載具頭旋轉馬達 70:原位監測系統 72:光源 74:偵測器 76:電路系統 78:光纖 80:感測器 90:控制器 100:終點及/或拋光均勻性控制系統 110:維數縮減模組 112:神經網路 120:神經網路 122:輸入節點 122a:節點 124:隱藏節點 126:輸出節點 130:過程控制系統 150:模型 152:前饋神經網路（FFN） 154:卷積神經網路 156:計量系統 200:序列 202:特性值 204:第一函數 210:序列 212:特性值 214:第二函數
圖1繪示拋光裝置的實例的示意橫截面圖。
圖2繪示具有多個區的基板的示意俯視圖。
圖3繪示示出在第一基板上所在以進行原位量測的位置的示意俯視圖。
圖4繪示用作拋光裝置的控制器的一部分的神經網路。
圖5是用來產生訓練頻譜的元件的示意圖。
圖6繪示由控制系統所輸出的是時間的函數的表徵值的圖解。
各種附圖中的類似的參考標號及符號指示類似的構件。
國內寄存資訊 (請依寄存機構、日期、號碼順序註記) 無
國外寄存資訊 (請依寄存國家、機構、日期、號碼順序註記) 無
112:神經網路
150:模型
152:前饋神經網路(FFN)
154:卷積神經網路
156:計量系統

Claims (20)

  1. 一種產生用於訓練一神經網路的訓練光譜的方法，該方法包括以下步驟： 從一或更多個試樣基板量測第一複數個訓練光譜； 針對該複數個訓練光譜中的每個訓練光譜量測一表徵值以產生複數個表徵值，其中每個訓練光譜具有一相關聯的表徵值；及 藉由將複數個不同的雜訊成分添加到該第一複數個訓練光譜來產生第二複數個訓練光譜，在該第二複數個訓練光譜中存在比該第一複數個訓練光譜中大的一光譜數量，該第二複數個訓練光譜中的每個訓練光譜具有一相關聯的表徵值。
  2. 如請求項1所述的方法，其中產生該第二複數個訓練光譜的步驟包括以下步驟：將複數個不同的雜訊成分添加到來自該第一複數個訓練光譜的每個訓練光譜。
  3. 如請求項1所述的方法，包括以下步驟：在一或更多個虛設基板的處理期間量測複數個虛設光譜。
  4. 如請求項3所述的方法，其中添加該複數個不同雜訊成分的步驟包括以下步驟：組合該第一複數個訓練光譜與該複數個虛設光譜。
  5. 如請求項3所述的方法，其中該等虛設基板包括空白半導體基板。
  6. 如請求項3所述的方法，其中該處理包括化學機械拋光。
  7. 一種用於產生用於訓練一神經網路的光譜的電腦程式產品，該電腦程式產品有形地實施在一非暫時性電腦可讀取媒體中且包括指令，該等指令用於使得一處理器： 接收第一複數個訓練光譜及複數個表徵值，該複數個訓練光譜中的每個訓練光譜具有來自該複數個表徵值的一相關聯的表徵值；及 藉由將複數個不同的雜訊成分添加到該第一複數個訓練光譜來產生第二複數個訓練光譜，在該第二複數個訓練光譜中存在比該第一複數個訓練光譜中大的一光譜數量，該第二複數個訓練光譜中的每個訓練光譜具有一相關聯的表徵值。
  8. 如請求項7所述的電腦程式產品，其中用來產生該第二複數個訓練光譜的該等指令包括用來進行以下步驟的指令：將複數個不同的雜訊成分添加到來自該第一複數個訓練光譜的每個訓練光譜。
  9. 如請求項7所述的電腦程式產品，包括以下步驟：接收複數個虛設光譜，該複數個虛設光譜表示從一或更多個虛設基板的處理獲得的光譜。
  10. 如請求項9所述的電腦程式產品，其中用來添加該複數個不同雜訊成分的該等指令包括用來進行以下步驟的指令：組合該第一複數個訓練光譜與該複數個虛設光譜。
  11. 如請求項7所述的電腦程式產品，包括用於進行以下步驟的指令：正規化該複數個虛設光譜以產生複數個正規化的虛設光譜。
  12. 如請求項11所述的電腦程式產品，其中用於組合該第一複數個訓練光譜與該複數個虛設光譜的該等指令包括用來進行以下步驟的指令：針對來自該複數個正規化的虛設光譜的每個正規化的虛設光譜，將該正規化的虛設光譜乘以該第一複數個訓練光譜中的一者，以產生該第二複數個訓練光譜中的一者。
  13. 如請求項12所述的電腦程式產品，包括用來進行以下步驟的指令：將該正規化的虛設光譜乘以該第一複數個訓練光譜中一隨機選定的訓練光譜。
  14. 如請求項7所述的電腦程式產品，其中該表徵值包括該基板的一最外層的一厚度。
  15. 一種控制一基板的處理的方法，該方法包括以下步驟： 從一或更多個試樣基板量測第一複數個訓練光譜； 針對該複數個訓練光譜中的每個訓練光譜量測一表徵值以產生複數個表徵值，其中每個訓練光譜具有一相關聯的表徵值； 在一或更多個虛設基板的處理期間量測複數個虛設光譜； 藉由組合該第一複數個訓練光譜與該複數個虛設光譜來產生第二複數個訓練光譜，在該第二複數個訓練光譜中存在比該第一複數個訓練光譜中大的一光譜數量，該第二複數個訓練光譜中的每個訓練光譜具有一相關聯的表徵值； 使用該第二複數個訓練光譜來訓練一類神經網路，該類神經網路具有用於複數個光譜值的複數個輸入節點、用來輸出該表徵值的一輸出節點及將該等輸入節點連接到該輸出節點的複數個隱藏節點； 從一原位光學監測系統，接收從一基板所反射的光的一量測到的光譜，該基板經歷修改該基板的一外層的一厚度的處理； 藉由將來自該量測到的光譜的光譜值應用到該類神經網路中，來針對該量測到的光譜產生一量測到的表徵值；及 進行以下步驟中的至少一者：基於該表徵值，停止該基板的處理，或調整一處理參數。
  16. 一種用於控制一基板的處理的電腦程式產品，該電腦程式產品有形地實施在一非暫時性電腦可讀取媒體中且包括指令，該等指令用於使得一處理器： 接收第一複數個訓練光譜及複數個表徵值，該複數個訓練光譜中的每個訓練光譜具有來自該複數個表徵值的一相關聯的表徵值； 接收複數個虛設光譜，該複數個虛設光譜表示從一或更多個虛設基板的處理所獲得的光譜； 藉由組合該第一複數個訓練光譜與該複數個虛設光譜來產生第二複數個訓練光譜，在該第二複數個訓練光譜中存在比該第一複數個訓練光譜中大的一光譜數量，該第二複數個訓練光譜中的每個訓練光譜具有一相關聯的表徵值； 使用該第二複數個訓練光譜來訓練一類神經網路，該類神經網路具有用於複數個光譜值的複數個輸入節點、用來輸出該表徵值的一輸出節點及將該等輸入節點連接到該輸出節點的複數個隱藏節點； 從一原位光學監測系統，接收從一基板所反射的光的一量測到的光譜，該基板經歷修改該基板的一外層的一厚度的處理； 藉由將來自該量測到的光譜的光譜值應用到該類神經網路中，來針對該量測到的光譜產生一量測到的表徵值；及 進行以下步驟中的至少一者：基於該表徵值，停止該基板的處理，或調整一處理參數。
  17. 一種產生用於訓練一神經網路的訓練光譜的方法，該方法包括以下步驟： 從一光學模型產生複數個理論產生的初始光譜； 將該複數個理論產生的初始光譜發送到一前饋神經網路以產生複數個修改過的理論產生的光譜； 將該前饋神經網路的一輸出及經驗收集的光譜發送到一辨別性卷積神經網路； 決定該辨別性卷積神經網路在該等修改過的理論產生的光譜與經驗收集的光譜之間作不出辨別；及 此後，從該前饋神經網路產生複數個訓練光譜。
  18. 一種用於產生用於訓練一神經網路的光譜的電腦程式產品，該電腦程式產品有形地實施在一非暫時性電腦可讀取媒體中且包括指令，該等指令用於使得一處理器： 從一光學模型產生複數個理論產生的初始光譜； 將該複數個理論產生的初始光譜發送到一前饋神經網路以產生複數個修改過的理論產生的光譜； 將該前饋神經網路的一輸出及經驗收集的光譜發送到一辨別性卷積神經網路； 決定該辨別性卷積神經網路在該等修改過的理論產生的光譜與經驗收集的光譜之間作不出辨別；及 此後，從該前饋神經網路產生複數個訓練光譜。
  19. 一種控制一基板的處理的方法，該方法包括以下步驟： 從一光學模型產生複數個理論產生的初始光譜； 將該複數個理論產生的初始光譜發送到一前饋神經網路以產生複數個修改過的理論產生的光譜； 將該前饋神經網路的一輸出及經驗收集的光譜發送到一辨別性卷積神經網路； 決定該辨別性卷積神經網路在該複數個修改過的理論產生的光譜與經驗收集的光譜之間作不出辨別； 此後，從該前饋神經網路產生複數個訓練光譜； 使用該複數個訓練光譜來訓練一類神經網路，該類神經網路具有用於複數個光譜值的複數個輸入節點、用來輸出該表徵值的一輸出節點及將該等輸入節點連接到該輸出節點的複數個隱藏節點； 從一原位光學監測系統，接收從一基板所反射的光的一量測到的光譜，該基板經歷修改該基板的一外層的一厚度的處理； 藉由將來自該量測到的光譜的光譜值應用到該類神經網路中，來針對該量測到的光譜產生一量測到的表徵值；及 進行以下步驟中的至少一者：基於該表徵值，停止該基板的處理，或調整一處理參數。
  20. 一種用於控制一基板的處理的電腦程式產品，該電腦程式產品有形地實施在一非暫時性電腦可讀取媒體中且包括指令，該等指令用於使得一處理器： 從一光學模型產生複數個理論產生的初始光譜； 將該複數個理論產生的初始光譜發送到一前饋神經網路以產生修改過的理論產生的光譜； 將該前饋神經網路的一輸出及經驗收集的光譜發送到一辨別性卷積神經網路； 決定該辨別性卷積神經網路在該等修改過的理論產生的光譜與經驗收集的光譜之間作不出辨別； 此後，從該前饋神經網路產生複數個訓練光譜； 使用該複數個訓練光譜來訓練一類神經網路，該類神經網路具有用於複數個光譜值的複數個輸入節點、用來輸出該表徵值的一輸出節點及將該等輸入節點連接到該輸出節點的複數個隱藏節點； 從一原位光學監測系統，接收從一基板所反射的光的一量測到的光譜，該基板經歷修改該基板的一外層的一厚度的處理； 藉由將來自該量測到的光譜的光譜值應用到該類神經網路中，來針對該量測到的光譜產生一量測到的表徵值；及 進行以下步驟中的至少一者：基於該表徵值，停止該基板的處理，或調整一處理參數。
TW108121965A 2018-06-28 2019-06-24 用於光譜監測的機器學習系統的訓練光譜產生 TWI811387B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862691558P 2018-06-28 2018-06-28
US62/691,558 2018-06-28

Publications (2)

Publication Number Publication Date
TW202014667A true TW202014667A (zh) 2020-04-16
TWI811387B TWI811387B (zh) 2023-08-11

Family

ID=68987420

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108121965A TWI811387B (zh) 2018-06-28 2019-06-24 用於光譜監測的機器學習系統的訓練光譜產生

Country Status (6)

Country Link
US (3) US11507824B2 (zh)
JP (1) JP7532262B2 (zh)
KR (1) KR20210014747A (zh)
CN (1) CN111587478A (zh)
TW (1) TWI811387B (zh)
WO (1) WO2020005770A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7532262B2 (ja) 2018-06-28 2024-08-13 アプライド マテリアルズ インコーポレイテッド 分光画像モニタリングのための機械学習システム向けのトレーニングスペクトルの生成
KR20230130767A (ko) * 2018-11-07 2023-09-12 에이에스엠엘 네델란즈 비.브이. 공정에 대한 보정 결정
CN114930117A (zh) * 2020-01-06 2022-08-19 诺威有限公司 结合物理建模与机器学习
JP7389718B2 (ja) * 2020-06-29 2023-11-30 株式会社荏原製作所 研磨方法、研磨装置、およびプログラムを記録したコンピュータ読み取り可能な記録媒体
WO2022005916A1 (en) * 2020-06-29 2022-01-06 Applied Materials, Inc. Film thickness estimation from machine learning based processing of substrate images
CN112284268A (zh) * 2020-10-16 2021-01-29 桂林电子科技大学 一种路面积水厚度测量方法及测量系统
US11709477B2 (en) * 2021-01-06 2023-07-25 Applied Materials, Inc. Autonomous substrate processing system
US20220283082A1 (en) * 2021-03-03 2022-09-08 Applied Materials, Inc. In-situ monitoring to label training spectra for machine learning system for spectrographic monitoring
JP7547275B2 (ja) 2021-03-31 2024-09-09 株式会社荏原製作所 ワークピースの膜厚を推定するモデルを作成する方法、そのようなモデルを用いてワークピースの研磨中に膜厚を推定する方法、およびコンピュータにこれらの方法を実行させるためのプログラム
JP2023141070A (ja) * 2022-03-23 2023-10-05 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、情報処理装置、基板処理装置、基板処理システム、学習方法および処理条件決定方法
CN115326783B (zh) * 2022-10-13 2023-01-17 南方科技大学 拉曼光谱预处理模型生成方法、系统、终端及存储介质
CN115863204B (zh) * 2023-02-27 2023-06-02 青岛芯康半导体科技有限公司 晶片加工用在线厚度监视和测量方法及系统
US12107997B1 (en) * 2023-03-27 2024-10-01 Kyocera Document Solutions Inc. Machine learning preflight printing system and methods

Family Cites Families (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5218529A (en) * 1990-07-30 1993-06-08 University Of Georgia Research Foundation, Inc. Neural network system and methods for analysis of organic materials and structures using spectral data
US5991028A (en) * 1991-02-22 1999-11-23 Applied Spectral Imaging Ltd. Spectral bio-imaging methods for cell classification
US5498199A (en) 1992-06-15 1996-03-12 Speedfam Corporation Wafer polishing method and apparatus
US5486129A (en) 1993-08-25 1996-01-23 Micron Technology, Inc. System and method for real-time control of semiconductor a wafer polishing, and a polishing head
JP2943612B2 (ja) 1994-07-20 1999-08-30 住友金属工業株式会社 至適稼働条件の決定装置及び加工システム
US5951373A (en) 1995-10-27 1999-09-14 Applied Materials, Inc. Circumferentially oscillating carousel apparatus for sequentially processing substrates for polishing and cleaning
US5910846A (en) 1996-05-16 1999-06-08 Micron Technology, Inc. Method and apparatus for detecting the endpoint in chemical-mechanical polishing of semiconductor wafers
DE19721618A1 (de) 1997-05-23 1998-11-26 Gsf Forschungszentrum Umwelt Verfahren zur Ermittlung von Neutronenspektren und Vorrichtung zur Durchführung des Verfahrens
US6046111A (en) 1998-09-02 2000-04-04 Micron Technology, Inc. Method and apparatus for endpointing mechanical and chemical-mechanical planarization of microelectronic substrates
US6383058B1 (en) 2000-01-28 2002-05-07 Applied Materials, Inc. Adaptive endpoint detection for chemical mechanical polishing
TW471057B (en) 2000-06-09 2002-01-01 Macronix Int Co Ltd Method for reducing dishing effect during chemical mechanical polishing
US8463718B2 (en) * 2000-08-07 2013-06-11 Health Discovery Corporation Support vector machine-based method for analysis of spectral data
US6939198B1 (en) 2001-12-28 2005-09-06 Applied Materials, Inc. Polishing system with in-line and in-situ metrology
US7459696B2 (en) * 2003-04-18 2008-12-02 Schomacker Kevin T Methods and apparatus for calibrating spectral data
US20090275265A1 (en) 2008-05-02 2009-11-05 Applied Materials, Inc. Endpoint detection in chemical mechanical polishing using multiple spectra
KR101944325B1 (ko) 2008-09-04 2019-01-31 어플라이드 머티어리얼스, 인코포레이티드 다중 스펙트럼들을 이용한 화학 기계적 연마에서의 종료점 검출
DE102008047576A1 (de) 2008-09-17 2010-04-08 Siemens Aktiengesellschaft System zur Erfassung, Verwaltung und/oder Auswertung von die Hardware- und/oder Softwarekonfiguration verschiedener insbesondere medizintechnischer Vorrichtungen beschreibenden Konfigurationsdaten
US20100094790A1 (en) * 2008-10-10 2010-04-15 Micron Technology, Inc. Machine learning of dimensions using spectral intensity response of a reflectometer
CN101393015B (zh) * 2008-10-17 2010-06-16 华中科技大学 一种微纳深沟槽结构在线测量方法及装置
US8628376B2 (en) 2008-11-07 2014-01-14 Applied Materials, Inc. In-line wafer thickness sensing
JP5583137B2 (ja) 2008-11-26 2014-09-03 アプライド マテリアルズ インコーポレイテッド フィードバックおよびフィードフォワードプロセス制御のために光計測学を使用すること
JP2010156612A (ja) * 2008-12-26 2010-07-15 Olympus Corp 画像処理装置、画像処理プログラム、画像処理方法およびバーチャル顕微鏡システム
US10091439B2 (en) * 2009-06-03 2018-10-02 Flir Systems, Inc. Imager with array of multiple infrared imaging modules
US8616935B2 (en) 2010-06-02 2013-12-31 Applied Materials, Inc. Control of overpolishing of multiple substrates on the same platen in chemical mechanical polishing
KR101644640B1 (ko) * 2010-07-22 2016-08-02 삼성전자주식회사 에피택셜 성장 공정 평가 방법 및 에피택셜막 형성 방법
US8892568B2 (en) 2010-10-15 2014-11-18 Applied Materials, Inc. Building a library of spectra for optical monitoring
US8954184B2 (en) 2011-01-19 2015-02-10 Tokyo Electron Limited Tool performance by linking spectroscopic information with tool operational parameters and material measurement information
JP2012154711A (ja) 2011-01-25 2012-08-16 Jvc Kenwood Corp 分光スペクトル推定装置および学習スペクトル生成方法
US8547538B2 (en) 2011-04-21 2013-10-01 Applied Materials, Inc. Construction of reference spectra with variations in environmental effects
US8942842B2 (en) 2011-04-28 2015-01-27 Applied Materials, Inc. Varying optical coefficients to generate spectra for polishing control
US20120278028A1 (en) 2011-04-28 2012-11-01 Jeffrey Drue David Generating model based spectra library for polishing
WO2013133974A1 (en) 2012-03-08 2013-09-12 Applied Materials, Inc. Fitting of optical model to measured spectrum
US20140242881A1 (en) 2013-02-27 2014-08-28 Applied Materials, Inc. Feed forward parameter values for use in theoretically generating spectra
US8808059B1 (en) 2013-02-27 2014-08-19 Applied Materials, Inc. Spectraphic monitoring based on pre-screening of theoretical library
US9375824B2 (en) * 2013-11-27 2016-06-28 Applied Materials, Inc. Adjustment of polishing rates during substrate polishing with predictive filters
US11205119B2 (en) 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
TWI807987B (zh) * 2016-11-30 2023-07-01 美商應用材料股份有限公司 使用神經網路的光譜監測
JP6813033B2 (ja) * 2017-01-19 2021-01-13 株式会社島津製作所 分析データ解析方法および分析データ解析装置
JP6505815B2 (ja) 2017-11-17 2019-04-24 ルネサスエレクトロニクス株式会社 レベルシフタ
US10795346B2 (en) * 2018-03-13 2020-10-06 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
JP7072844B2 (ja) 2018-03-30 2022-05-23 東レエンジニアリング先端半導体Ｍｉテクノロジー株式会社 ウェハパターンのエッジと基準パターンのエッジとの乖離量と基準パターンのスペース幅との関係を示す補正線を生成する方法および装置、並びにコンピュータ読み取り可能な記録媒体
US11392830B2 (en) * 2018-04-13 2022-07-19 The Regents Of The University Of California Devices and methods employing optical-based machine learning using diffractive deep neural networks
CN116758012A (zh) * 2018-06-08 2023-09-15 Asml荷兰有限公司 确定与在衬底上的结构相关的感兴趣的特性的方法、掩模版、衬底
JP7532262B2 (ja) 2018-06-28 2024-08-13 アプライド マテリアルズ インコーポレイテッド 分光画像モニタリングのための機械学習システム向けのトレーニングスペクトルの生成
CN112529951B (zh) * 2019-09-18 2024-06-25 华为技术有限公司 扩展景深图像的获取方法、装置及电子设备

Also Published As

Publication number Publication date
US20200005139A1 (en) 2020-01-02
US11507824B2 (en) 2022-11-22
US20200005140A1 (en) 2020-01-02
US11651207B2 (en) 2023-05-16
US12020159B2 (en) 2024-06-25
JP7532262B2 (ja) 2024-08-13
WO2020005770A1 (en) 2020-01-02
JP2021528861A (ja) 2021-10-21
TWI811387B (zh) 2023-08-11
KR20210014747A (ko) 2021-02-09
CN111587478A (zh) 2020-08-25
US20230267329A1 (en) 2023-08-24

Similar Documents

Publication Publication Date Title
TWI811387B (zh) 用於光譜監測的機器學習系統的訓練光譜產生
JP7561817B2 (ja) ニューラルネットワークを使用する分光モニタリング
KR102666904B1 (ko) 반도체 처리의 모니터링을 위한 기계 학습 시스템들
JP7036908B2 (ja) プロセス制御パラメータを生成するために機械学習アプローチを使用する半導体製造
US20220283082A1 (en) In-situ monitoring to label training spectra for machine learning system for spectrographic monitoring
US20190096722A1 (en) Semiconductor fabrication using process control parameter matrix