TW202105494A - 使用機器學習在半導體加工資料蒐集儀器中的增強解析度 - Google Patents

使用機器學習在半導體加工資料蒐集儀器中的增強解析度 Download PDF

Info

Publication number
TW202105494A
TW202105494A TW109108572A TW109108572A TW202105494A TW 202105494 A TW202105494 A TW 202105494A TW 109108572 A TW109108572 A TW 109108572A TW 109108572 A TW109108572 A TW 109108572A TW 202105494 A TW202105494 A TW 202105494A
Authority
TW
Taiwan
Prior art keywords
data set
data
resolution
semiconductor processing
training
Prior art date
Application number
TW109108572A
Other languages
English (en)
Inventor
陳艷
新康 田
征 嚴
Original Assignee
日商東京威力科創股份有限公司
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 日商東京威力科創股份有限公司 filed Critical 日商東京威力科創股份有限公司
Publication of TW202105494A publication Critical patent/TW202105494A/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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/0275—Details making use of sensor-related data, e.g. for identification of sensor parts or optical elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/12—Generating the spectrum; Monochromators
    • G01J3/18—Generating the spectrum; Monochromators using diffraction elements, e.g. grating
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Drying Of Semiconductors (AREA)
  • Image Analysis (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

在記憶體電路中儲存一資料集，其指示一半導體加工製程或由此製造之半導體結構的狀態。該資料集中的特徵係可識別至受一資料解析度所限制的程度。該記憶體電路中亦儲存一機器學習模型，其包含複數參數，該等參數具有分配至其之受模型訓練程序所約束的相應數值。通信耦合至該記憶體電路的處理器電路根據該機器學習模型而從該資料集產生一輸出資料集，俾使該輸出資料集中的特徵係可識別至受一輸出資料解析度所限制的程度，其中該輸出資料解析度比該資料集的該資料解析度更精細。

Description

使用機器學習在半導體加工資料蒐集儀器中的增強解析度
[相關申請案的交互參照]  根據35 U.S.C. §119(e)，本發明主張2019年3月15日提交的案名為「Deep-learning Enhanced Spectrometer Resolution Techniques」之美國臨時專利申請案第62/819,115號的優先權。在此將其全部內容引入以供參照。
本發明涉及用於圖像及光譜資料之成像及光譜解析度改善的技術，該圖像及光譜資料係用以監視半導體處理製程或形成於半導體基板上的特徵部。具體而言，本發明提供將低解析度圖像或光譜資料應用於經訓練之人工神經網路以產生高解析度圖像或光譜資料的新穎技術。
寬帶緊湊型光譜儀係廣泛地使用於半導體電漿蝕刻製程中，以收集光放射光譜俾用於各種製程控制目的，如終點偵測。光譜儀系統的信號雜訊比(SNR)界定在其上產生控制信號的資訊之品質。SNR通常與光譜儀的通量高度成比例。通常，光譜儀的性能係由若干關鍵參數來量化，包括：光譜帶寬，亦即可偵測的波長範圍；光譜解析度，亦即可解析的最精細光譜特徵；光通量，亦即由偵測器所收集之光的百分比。
較高解析度的光譜儀通常會犧牲通量及光譜(波長)範圍以獲得高解析度結果。同樣地，為較高通量及較寬光譜範圍而設計的光譜儀通常具有較低的解析度。在大多數高解析度光譜儀中，解析較精細之細節並同時保持低解析度光譜儀之通量及光譜範圍的能力目前係無法達到的，尤其係在儀器成本為限制設計因素的情況下。當今可用的許多光譜儀設計包含設計關鍵參數之間的取捨。一種簡單有效的改善光譜解析度之方式為使用較窄的狹縫作為光譜儀入口，其有效地縮小電荷耦合元件(CCD)偵測器上的繞射光譜之各個波長的「圖像」；然而，此係以通過狹縫的光及相應資訊減少作為代價。解析度與通量之間的取捨問題非常難以單獨透過物理光譜儀設計而克服。
本發明的一個目的為減輕對上述與習知光譜儀相關的物理設計參數的取捨。
本發明的另一目的為促成使用低解析度光譜儀收集光譜資料，並且能夠在不犧牲通量或光譜範圍之情況下解析光譜資料或圖像中更精細的細節。
在本發明概念的一態樣中，提供一種設備，其包含記憶體電路，該記憶體電路儲存一資料集，其指示一半導體加工製程或由此製造之半導體結構的狀態。該資料集中的特徵係可識別至受一資料解析度所限制的程度。該記憶體電路亦儲存一機器學習模型，其包含複數參數，該等參數具有分配至其之受模型訓練程序所約束的相應數值。處理器電路係通信耦合至該記憶體電路，並且根據該機器學習模型而從該資料集產生一輸出資料集，俾使該輸出資料集中的特徵係可識別至受一輸出資料解析度所限制的程度，其中該輸出資料解析度比該資料集的該資料解析度更精細。
本發明概念係透過其某些實施例而最佳地描述，該等實施例係參照附圖而在此處詳細描述，其中，文中各處的相似參考符號指涉相似的特徵。應理解，當在本文中使用用語「發明」時，其意圖表示在下述實施例底下的發明概念，而非僅是實施例本身。應進一步理解，概括的發明概念並不限於下述之說明性實施例，且應按此閱覽以下說明。
在本文中使用「例示性」一詞以表示「用作一範例、情況、或說明」。在本文中指定為例示性的構造、程序、設計、技術等的任何實施例不需被解釋為比其他此等實施例更佳或有利。不意圖亦不應推斷本文中指示為例示性之範例的特定品質或適合度。
此外，本文中包含數學表示式，且由此傳達的該等原理應被視為對其進行了充分描述。應理解，在使用數學的情況下，此係為了簡潔描述所解釋的基本原理，除非另有說明，否則不暗含或不應推斷其他目的。從本發明將整體上清楚本文中的數學如何與本發明有關，並且在意圖使用數學表示式底下之原理的實施例的情況下，熟習本技藝者將理解許多技術以執行數學表達的原理之物理表現形式。
本發明涉及根據低解析度(LR)光譜儀或圖像擷取裝置所收集之資料而「建立」或產生高解析度(HR)資料集。換言之，本文所揭示之技術使得HR光譜儀能夠在LR光譜儀的寬波長範圍及高光通量下操作。此外，可使用相似技術的變形以根據較低解析度之圖像而產生較高解析度之圖像資料。
本文所述之發明將深度學習技術與由例如習知光譜儀設計所收集之相對低解析度的光譜資料結合，以利用一預測模型獲取更高解析度的資料，其中該預測模型係基於對與半導體製程或半導體基板上之特徵相關之成對的低解析度與高解析度資料集(例如經驗或模擬)的分析而建立。藉此方式，與使用現有的相對較高解析度之光譜儀或成像系統及技術相比，可利用較低成本的硬體及較快的週期時間獲取半導體製程或基板特徵的高解析度資料。例如，在光譜實施例中，界定光譜資料集之品質的關鍵標準包含帶寬(亦即，可偵測的波長範圍)、解析度(亦即，可解析的最精細光譜特徵)、及光通量(亦即，由偵測器所收集之光的百分比)。在大多數情況下，藉由光譜儀之物理設計取捨而使前述元素相互平衡，俾在最短可能時間內達成半導體製造之可預測且有意義的結果(例如，圖案、特徵、或製程條件)。例如，以更高的通量及波長範圍作為代價而獲得更高解析度之光譜儀資料集。因此，在不作出該等犧牲的情況下獲得更高解析度之資料係亦有利的。除了光譜實施例之外，可將深度學習技術應用於其他低解析度資料(例如圖像)，以辨認所分析之半導體製程或基板特徵之更高解析度的資訊或特性。
達成此有利能力的一種方法為建構一機器學習(ML)模型，其能夠根據較低解析度資料集而產生高解析度資料集。理想上，模型所產生之高解析度資料可提供根據低解析度資料難以識別的資訊，除非透過ML模型對此等低解析度資料進行處理。可藉由以下方式製備ML模型：分析低與高解析度訓練資料(以實驗方式或透過模擬收集)以判定一統計轉換或關係，其可用以訓練人工神經網路(ANN)，如卷積神經網路(CNN)。例如，可對若干層的CNN進行訓練以在統計上將關於製程或特徵的低解析度資料與高解析度資料相關聯。可在相似或略微不同的製程或特徵上收集低與高解析度資料，以改善資料集之間的統計關係之強健性。藉此方式， ML模型被開發以準確地預測高解析度結果，且可藉由將模型化結果與實際的高解析度資料進行比較而進行最佳化。在驗證模型的準確性與精確度之後，可將經訓練之網路應用於低解析度資料以產生與半導體製程或特徵相關的相應高解析度資料或結果。可使用兩個光譜儀以產生表示製程或基板特徵的相應低與高解析度資料集。然而，在其他實施例中，可藉由模擬所量測之光譜以近似實際製程條件而產生低與高解析度資料集。藉此方式，可使所模擬之光譜資料最佳化，以基於已知或觀察到的現象而模擬光譜的特定特性，俾使訓練資料集可包含完全模擬的低與高資料集、模擬與實驗訓練對之組合、或包含模擬與實驗資料的訓練對。
圖1為範例系統100的示意性方塊圖，在系統100中可實現本發明概念。為了說明而非限制，系統100可建構或配置成用於半導體製造，其中許多的製造處理在一或更多密封腔室中進行，代表性地顯示於腔室5。腔室5可包含一或更多埠口，代表性地顯示於埠口7，透過埠口7可監視腔室5內部進行的處理，包括藉由光譜術、光學成像、或熟習本技藝者已知的其他技術。此等內部處理可包含材料沉積及蝕刻，以上兩者皆可利用電漿，其中該電漿具有與處理相關的組成。腔室5內的組分可透過例如光譜加以評估。可藉由光學或電子成像以監視或檢查其他處理。如熟習本技藝者在閱覽本發明之後將理解，本發明概念之實施例實行適用於光譜、光學獲取影像及其他獲取影像的技術。
系統100可包含處理器150，其包含記憶體電路120、處理器電路130、及使用者介面電路140，其中資料及處理器指令代碼係透過記憶體電路120儲存，資料及控制處理係透過處理器電路130執行，且人類使用者透過使用者介面電路140而與系統100介接以進行資料分析及控制(除其他者外)。如圖1所示，記憶體電路120可建構或配置以儲存資料集(例如在資料儲存位置122中)、機器學習模型(例如在模型儲存位置124中)、及處理器指令代碼(例如在代碼儲存位置126中)。處理器指令代碼可包含ML引擎代碼(當ML引擎未固線於專用電路中時) (例如在ML引擎代碼儲存位置127中)、及製程控制代碼(例如在製程控制器代碼儲存位置129中)。處理器電路130可建構或配置以執行儲存於記憶體電路120中的處理器指令代碼，如在ML引擎132及製程控制器134處所示。
系統100可更包含資料擷取機制，其係代表性地顯示於資料擷取儀器105l及105h。如上所述，可實現本發明以各種不同資料類型的解析度，因此，儀器105l(其代表產生低解析度資料110l的低解析度資料擷取儀器)及105h(其代表產生高解析度資料110h的高解析度資料擷取儀器)代表任何數目的裝置，其可用以收集特殊應用資料，如圖像資料、光譜資料等。應理解，雖然以下說明主要涉及光譜資料集，但在本發明之實施例中可使用其他資料。
可在各種條件或變數下收集或產生實驗或模擬資料，以在低與高解析度資料集110l與110h之間建立或界定一可預測關係。該關係可基於製程條件、特徵類型、或偵測技術。然而，亦可基於資料集110l與110h之間的差異或不相似元素(例如，裝置設定/配置(狹縫大小、視域、孔徑大小))而分配該關係。實際上，可循著各種裝置設定/配置選項而收集或產生資料集110l與110h，以獲得針對所觀察之製程條件或特徵的解析度分布。訓練關係可將一或更多低解析度資料集110l分組至與製程條件特性相關的一或更多高解析度資料集110h，該等製程條件特性可包含(但不限於)與製程相關的化學組成、溫度、密度、及/或能量或信號。此外，該等關係可擴展至在腔室5中實施的製程條件(例如設定點)，其可包含(但不限於)溫度、壓力、氣體流率、所施加之功率、所施加之電壓、旋轉速度、平移速度、液體分配速率、液體分配體積。再者，製程條件可包含一系列結果，其被整理成各別特性之分布或輪廓。除了製程條件之外，光譜資料亦可代表基板上的一或更多特徵部。在此情況下，特徵部特性可包含(但不限於)特徵部的厚度、寬度、高度、定向、粗糙度、平坦度、角度、覆蓋率、對準、及/或幾何輪廓。此外，特徵部特性可指涉面積、複數特徵部之間的距離、或特徵部彼此之間的定向(例如特徵部之重疊、暴露區域、對準)。利用本文所述技術，在其中產生實驗或模擬的LR與HR資料集的任何上述應用可用以訓練人工神經網路。
可以兩(2)種操作模式對系統100進行操作：訓練模式，在訓練模式中，機器學期模型係配置以增加資料解析度；以及生產模式，在生產模式中，基於所配置(訓練)之模型而增加資料解析度。在生產模式中，LR資料集110l(圖像、光譜)係透過LR資料擷取儀器105l(成像器、光譜儀)而獲得，並被提供至處理器150。處理器150可將LR資料集110l傳送至ML引擎132，其可根據先前經訓練之ML模型而對資料進行處理(如下所述)，以提高資料的解析度。可將解析度提高的資料集呈現於使用者介面140上，生產人員可於使用者介面140對該資料集進行分析。在一實施例中，將解析度提高的資料集提供至製程控制器134，透過製程控制器134對資料進行分析以判定是否已達到特定目標製程狀態。例如，解析度提高的資料集之分析可能發現腔室5中的某些氣體組分，其指示一製程終點。在此等終點時，製程控制器134可指示或命令對腔室5中進行的所有製程進行製程轉變或停止。
圖2為人工神經網路(ANN)200的示意圖，藉由ANN 200可實現本發明。本發明不限於特定ANN實施方式，只要達到增加輸出資料中的資料解析度之目標即可。在所示範例中，ANN 200係建構或配置成一金字塔殘差神經網路(pyramidal residual neural network)，其包含一輸入卷積層210、複數殘差塊B1 -BK (代表性地顯示於殘差塊220及230)、及一輸出卷積層240。在ANN 200中，(1)內部特徵圖(feature map)的大小或特徵圖通道的數量從ANN輸入至輸出逐漸增加；以及(2)在解決梯度消失/爆炸(gradient vanishing/exploding)問題的快捷路徑中實現恆等映射(identity mappings)。
在圖2之例示實施例中，可將LR資料集205a-205m(在此代表性地稱為LR資料集205)提供至輸入卷積層210，輸入卷積層210(除其他可能操作外)將各個資料集205映射至對應的特徵圖215a-215m(在此代表性地稱為特徵圖215)。特徵圖215可被提供至殘差塊220，其如同ANN 200中的所有K個殘差塊一般，可包含第一卷積層260a、第一激勵層265a、第二卷積層260b、及第二激勵層265b。此外，可於各別的快捷路徑217a-217n(在此代表性地稱為快捷路徑217)中將各個特徵圖215提供至求和節點(summing node)225a-225n(在此代表性地稱為求和節點225)。因此，各個求和節點的輸出可由下式給出：
Figure 02_image001
其中Xk 為第k個殘差塊的輸入且Xk +1 為其輸出，ψ 為激勵函數(例如整流線性單位函數(ReLU))，*為卷積算子，並且
Figure 02_image003
及
Figure 02_image005
為第k個塊的可訓練卷積核。應注意，偏差項已從以上表示式中省略。由各個卷積層所產生之特徵圖可由下式給出：
Figure 02_image007
其中
Figure 02_image009
為第k個殘差塊之第j個卷積層的輸出特徵圖，
Figure 02_image011
為第k個殘差塊之第i個卷積層的輸入特徵圖，
Figure 02_image013
為
Figure 02_image015
的第i個核，
Figure 02_image017
為可訓練的偏差項，且
Figure 02_image019
為所有元素(entry)皆設為1之特徵圖大小的矩陣。
特徵圖215係由殘差塊220加以處理，並被傳送至下一殘差塊(亦即，殘差塊230)，在該處以相似方式對其進行處理。然而，各個殘差塊可產生比由先前殘差塊所產生者的尺寸更大的特徵圖(及/或相關的特徵圖通道)。例如，殘差塊220的輸入可包含N個通道227a-227n，且殘差塊220的輸出可包含P個通道232a-232p，其中P＞N。可例如透過對快捷連接(例如，繞過殘差塊230的快捷連接227a-227n)進行零填充(zero-padding)而克服此等尺寸失配狀況。
隨著資料集進行通過ANN 200且其尺寸逐漸增加，可從殘差塊至殘差塊中識別出更精細的特徵，俾致使解析度相對於原始資料集205而提高。經處理之特徵圖繼續前進至輸出卷積層240，其在輸出卷積層240(除其他選用性處理操作外)被轉換為輸出資料集245a-245m(在此代表性地稱為輸出資料集245)。若ANN 200係經訓練的，則輸出資料集245被提供至ANN外部機制以例如用於資料分析或製程控制。然而，若ANN 200正在接受訓練，則將輸出資料集245與經選擇以對應於LR原始資料集205中所含資料的各別高解析度訓練資料集250a-250m(在此代表性地稱為HR訓練資料集250)進行比較。亦即，各個LR原始資料集205與HR訓練資料集250匹配，使得儘管在不同解析度下，但在兩者中皆存在相同的特徵。在訓練的過程中，根據隨機初始化的函數將LR原始資料集205轉換為HR資料集。適當地將經轉換之HR資料集與對應的HR訓練資料集進行比較(例如透過差分(differencing))，以判定一誤差量測。利用此等誤差量測，對ANN參數(例如上述的
Figure 02_image015
及
Figure 02_image017
)進行修改以使目標函數(如訓練損失函數)最小化(或最大化)。可將經修改之參數回傳通過ANN 200(代表性地顯示於回傳通道257)，並且可使用新參數重複進行該程序以產生其他HR輸出資料集。該程序迭代進行直到達到訓練目標為止，例如當可訓練的網路參數收斂時或當解析度沒有改善時。
LR資料集205可包含LR光譜儀資料，而HR訓練資料集250可包含HR光譜儀資料。除了光譜資料本身之外，HR與LR資料集還可標記有與光譜資料相關聯的觀察到之製程或特徵的相關資訊。此等標記可用以隔離HR/LR資料集的特定態樣或重疊HR/LR資料集的某些態樣，其取決於基於隨機(但相似)之LR資料集的輸入而產生可預測的HR結果所需的模型最佳化之類型。HR/LR資料集可被對照成訓練對(其可包含HR/LR資料集的一或更多組合)，且用以基於HR/LR訓練對之間的識別關係而訓練ANN 200。在高階情況下，該訓練為一迭代處理，其中將根據ML模型而產生的HR資料與HR資料集進行比較，俾利用ML技術使複數資料集之間的統計關係最佳化。
在另一實施例中，LR資料集205包含可用以訓練ML模型的圖像資料。在此情況下，LR資料集205係由LR圖像表示，而HR資料集250係由HR圖像表示。該兩個圖像可表示由如上述之低與高解析度資料擷取儀器105l及105h所收集的輸入資料。除了圖像資料之外，HR與LR資料集還可標記有與圖像資料相關聯的觀察到之製程或特徵的相關資訊，俾使標記資訊可用於突出顯示複數資料集之間的差異或相似性。該標記資訊可用於隔離HR/LR資料集的特定態樣或重疊HR/LR資料集的某些態樣，其取決於基於隨機(但相似)之LR資料集的輸入而產生可預測的HR結果所需的模型最佳化之類型。HR/LR資料集被對照成訓練對(其可包含HR/LR資料集的一或更多組合)，且用以基於HR/LR訓練對之間的識別關係而利用ML技術來訓練ANN 200，從而使ML模型能夠利用LR資料集205以預測或產生HR資料集245。
應理解，以上提供之訓練範例僅係用於訓練本發明之實施例之ANN的許多可能性之一。在一實施例中，由資料擷取儀器或資料產生器所產生之資料集可被分區成例如用於訓練學習技術的訓練集、用於評估模型架構的驗證集、及一測試集，該測試集係用於判定模型是否適當地通用化超出僅用於訓練的資料集之範圍。熟習機器學習技藝者將理解如何在無本文所述特定細節之情況下使用此等分區資料集、以及使用其他機器學習技術以實施本發明而不背離其精神及預期範圍。
再次回到圖1，系統100可包含高解析度資料產生器115，透過其而產生模擬資料集以用於模型訓練。除了圖像及光譜資料之外，模擬的光譜模型資料亦可用於訓練ANN 200。然而，訓練對可從低與高解析度模擬中得出，該等低與高解析度模擬為來自與以下圖3中所示設計相似的光譜儀之LR與HR光譜儀資料的估計。
圖3為例示性光譜儀300的示意圖，可利用光譜儀300以實施本發明。光譜儀300可遵循Czerny-Turner之設計，且包含入口狹縫310、準直鏡320、繞射光柵330、摺鏡340、及陣列偵測器350。光(包含圖1之腔室5中進行的電化學處理中所產生者)通過入口狹縫310而進入光譜儀300，並從準直鏡320反射至繞射光柵330上，其中入射光在繞射光柵330處被分解成其光譜分量。該等分量從摺鏡340反射至陣列偵測器350上，陣列偵測器350產生指示被分析的光之光譜內容的電信號。本質上，在陣列偵測器350上產生入口狹縫310之光譜解析圖像，且此等成像操作可利用由圖1之HR資料產生器115實施的各種光學系統設計/分析技術加以模擬。
圖4為入口狹縫310及其透過光譜儀300之光學系統所產生的圖像420的示意圖。在所示實施例中，選擇入口狹縫310上的十二(12)個成像點412a-412l(在此代表性地稱為成像點412)以進行成像。針對若干選定波長之各者，透過光學設計/分析技術，成像點412被傳至陣列偵測器350上所產生的圖像420上，其係代表性地顯示於圖像區域425。應注意，對於固定尺寸的狹縫而言，成像點412的清晰度受到波長相依性繞射的影響。
可針對LR與HR光譜儀而產生模型資料，其模擬來自校準燈在300nm至900nm光譜範圍內且在整個光譜有相似強度的光。為了演示之目的，針對LR與HR實施例而模型化兩種不同的光譜儀設計，以形成兩組訓練對。利用23μm狹縫及1024像素CCD以將訓練對之LR資料集模型化，並藉由改變光柵相對於狹縫的位置而產生兩個額外的LR資料集。未滿(underfill)實施例代表光柵相較於超填(overfill)實施例中之情況而更靠近狹縫的光譜儀設計。藉此方式，LR訓練資料集涵蓋更寬廣範圍的LR光譜儀設計及/或能力，並且指示出兩種不同LR設計之間的性能(例如SNR)差異。例如，圖5顯示LR光譜儀設計之間的強度差，其中未滿實施例具有比超填實施例更高且更尖銳的輪廓。
可將超填與未滿LR資料集與對應的超填與未滿HR資料集進行配對。例示性HR資料集係利用10um狹縫及2048x256像素之CCD且未滿及超填資料集之間的光柵距離變化而產生。圖6透過突出顯示強度差異而顯示HR光譜儀設計之間的差異。與LR資料集相反，超填資料集相比於未滿資料集而引致較高強度的信號。
一旦對ANN 200進行訓練和驗證，即可將模型應用於適用的低解析度資料集，以輸出與低解析度輸出相對應之估計的高解析度資料。與訓練方法形成對比，經訓練之模型會接收低解析度資料而沒有接收高解析度對應部分，並且將資料應用於模型以產生對應的高解析度輸出。低解析度資料可包含(但不限於)與半導體處理製程或半導體基板上之特徵相關的圖像或光譜資料。
在半導體空間內，可依據所觀察之特徵的大小而將深度學習技術應用於範圍在巨觀應用與微觀應用之間的圖像。在巨觀應用中，所觀察之特徵可在整個基板表面積至相對大的表面積區域之間的範圍內，以巨觀地觀察和監視製程趨勢。例如，大表面積區域可包含圍繞基板周邊延伸的基板斜角或邊緣排除區域(＜5mm)。同樣地，可對靠近邊緣排除區域的區域(其朝向基板中心延伸達20mm)進行觀察，以監視基板邊緣附近的製程性能，此區域因相對於基板中心的製程均勻性問題而聞名。因此，比較基板之中心與邊緣的圖像將有利於觀察或偵測製程偏移、或調整製程以解決原位製程不均勻性或輸入處理不均勻性。在某些情況下，取決於應用，中心與邊緣的關係可用以訓練從低至高的模型。在巨觀應用中，圖像擷取裝置可為數位或類比數位系統，其產生像素化圖像以用於分析。在一實施例中，圖像擷取裝置可為一CCD相機。相對地，與巨觀應用相比，微觀應用之實施例用於觀察整個晶片上相對較小的特徵部或晶片中較小的區域。例如，微觀應用之圖像可具有以原子層精確度控制和監視製程的尺度。電晶體閘極結構(例如FinFET)、電晶體的部分(例如接觸、隔離)、或後段製程(BEOL)特徵部(例如金屬線節距、介層窗)之原子層控制至關重要。在一實施例中，可藉由掃描式電子顯微鏡(SEM)以產生微觀應用之圖像，該掃描式電子顯微鏡利用聚焦的電子束掃描基板表面/特徵部，該電子束提供基板的形貌及組成資訊。或者，可利用光放射光譜術以產生圖像，俾監視半導體製程，包括(但不限於)電漿處理。
圖7為一流程圖，其顯示一例示性訓練程序700，透過訓練程序700可實現本發明。假設程序700能存取資料的訓練語料庫，該資料包含匹配成對的LR與HR資料集，例如從本文所述之LR與HR光譜儀獲取的光譜資料。訓練語料庫可被適當地分段或分區成訓練卷(training volume) 705a、驗證卷(validation volume) 705b、及測試卷(test volume) 705c。將語料庫之分區成訓練、驗證、及測試卷之步驟可遵循機器學習領域中已知的此等技術。實際上，程序700以流程示意形式表示可在本發明中使用的許多模型建構/訓練典範。在以下說明中，模型典範指涉以上參照圖2而描述者。應理解，圖7中的操作及資料流程的順序係為了簡潔說明；亦可使用其他操作及資料流程以實施模型建構/訓練。
如圖7所示，訓練卷705a可包含LR原始資料集707a，其可透過低解析度資料擷取儀器而獲得。在操作710中，根據ANN而對LR資料集707a進行處理以產生HR輸出資料集715。在操作720中，判定HR輸出資料集715與訓練資料集709a之間的差異，其中訓練資料集709a係透過一高解析度資料擷取儀器而獲得或由一高解析度資料產生器所模擬。在操作725中，決定ANN參數(權重、偏差)以使目標函數最大化或最小化。在操作730中，將所決定之ANN參數回傳通過ANN。
一旦訓練卷用盡，程序700即可過渡至操作735，從而判定模型是否過度擬合(overfitting)資料或通用化於一給定規格。為此目的，驗證卷705b包含原始LR資料集707b，且可以與上面針對訓練卷705a而描述者相似的方式將HR驗證集709b應用於經訓練之模型。然而，此時，專注於模型的架構(如所表示，透過所謂的超參數(hyperparameters))，而非其預測效率。因此，若在操作735中發現模型並未良好地概括，則可透過操作740而修改其一或更多超參數。例如，可將以上參照圖2而描述的模型之殘差塊移除，或者可修改每個殘差塊中之操作塊的順序等。熟習本技藝者將會理解可用以補救本發明之實施例中的過度擬合的許多技術。
若在操作735判定模型良好地概括，則程序700可過渡至操作750，從而判定經訓練之模型是否滿足性能標準。為此目的，可以與上面針對訓練卷705a及驗證卷705b而描述者相似的方式將包含原始LR資料集707c及HR測試集709c的測試卷705c應用於經訓練之模型。然而，此時，專注於模型的性能(如透過針對準確性的特定性能標準所衡量，亦即，來自模型之預測的HR資料集與實際觀察量測所產生的實際HR資料集有多接近)、及敏感度(亦即，在HR預測(透過模型)中正確識別的特徵之比例)。若滿足此等標準，程序700可終止。否則，程序700可過渡至操作740，從而再次修改ANN超參數。程序700可接著過渡至操作710並從該點繼續。
圖8為一流程圖，其顯示一例示性生產程序800，透過生產程序800可實現本發明。當系統處於生產模式時，可執行生產程序800。在操作810，使用LR資料集805以預測對應的HR輸出資料集815，其為上述之ANN的輸出。程序800可接著過渡至操作820，從而根據HR輸出資料集815而判定製程狀態。如在操作825中所判定，若已達到目標製程狀態，則生產程序800終止。若未達到目標製程狀態，則程序800可過渡至操作810且具有新獲取的LR資料，並從該點繼續。
一實施例包含用於訓練一神經網路以根據所量測之低解析度資料而提供高解析度資料的方法。訓練方法可包含在有形的電腦可讀記憶體中儲存與處理腔室內之半導體製程或半導體基板上之特徵部相關的資料集。該資料集可包含表示製程或特徵部的粗略(低解析度)資料集、以及表示製程或特徵部的精細(高解析度)資料集，該精細資料集與該粗略資料集不同。在一範例中，粗略資料集與精細資料集之間的差異包含關於製程或特徵部的至少一特性之資訊的更寬或更窄的範圍。使用一電腦處理裝置以分配粗略資料集與精細資料集的實例之間的訓練關係，並且使用神經網路以產生一模型，俾至少部分基於粗略資料集與精細資料集之間的訓練關係及差異而將粗略資料集與精細資料集相關聯。在一範例中，針對至少一特性，與粗略資料集相比，精細資料集包含較高解析度的資料。製程的特性可為製程的化學組成、製程的溫度、製程的密度、及/或與製程相關的電能。製程的特性可包含化學組成、溫度、密度、及/或電能的分布或輪廓。特徵部的特性可包含所量測的物理特徵，如特徵部的厚度、寬度、高度、定向、粗糙度、平坦度、角度、覆蓋率、對準、及/或幾何輪廓。
資料集可包含製程或特徵部的圖像、光譜表示、或模組模擬。在一實施例中，資料集係至少部分基於特徵部或製程的圖像、光譜表示、及/或模擬。神經網路技術可至少部分基於卷積神經網路技術，且資料集可由光譜儀產生。在某些實施例中，粗略資料集係由一粗略光譜儀產生，該粗略光譜儀具有一粗略狹縫以使光或能量能夠進入粗略光譜儀，且精細資料集係由一精細光譜儀產生，該精細光譜儀包含一精細狹縫，其使光或能量能夠進入精細光譜儀，其中精細狹縫一開口或間隙，其小於粗略狹縫之相應開口或間隙。資料集亦可由圖像擷取裝置產生，例如電荷耦合元件相機。或者，圖像擷取裝置可包含顯微鏡及相機。
訓練關係分配係至少部分基於在收集粗略資料集與精細資料集的期間所存在的共同元素。該共同元素為半導體製程的製程條件或半導體基板上之特徵部的特徵類型。製程條件可包含溫度、壓力、氣體流率、所施加之功率、所施加之電壓、旋轉速度、平移速度、液體分配速率、液體分配體積。特徵類型可包含基板中的圖案或基板上的圖案。在某些範例中，特徵類型包含特徵部的厚度、寬度、長度、定向、粗糙度、平坦度、角度、覆蓋率、對準、及/或幾何輪廓。特徵類型亦可包含特徵部的臨界尺寸、特徵部的表面積、特徵部的暴露表面積、特徵部之間的重疊、特徵部之間的距離、特徵部之間的定向、及/或特徵部之間的對準。該方法的訓練關係分配可包含將在製程期間或特徵部上所收集的單一粗略資料集與單一精細資料集進行配對。
一實施例包含一種方法，在該方法期間，在有形的電腦可讀記憶體中儲存與半導體製程或半導體基板上之特徵部相關的資料集。該資料集可包含表示製程或特徵部的粗略(低解析度)資料集。至少部分基於與製程或特徵部相關的低解析度資料集與高解析度資料集之間的差異而將粗略資料集應用於一精細解析度模型。利用神經網路以產生表示製程或特徵部的精細(高解析度)資料集，且精細資料集與粗略資料集不同，其中該等差異係至少部分基於關於製程或特徵部之至少一特性的大量資訊。神經網路技術可至少部分基於卷積神經網路技術。針對至少一特性，與粗略資料集相比，精細資料集包含較高解析度的資料，特性可包含製程的化學組成、製程的溫度、製程的密度、及/或與製程相關的電能、化學組成、溫度、密度、及/或電能的分布、均勻性、或輪廓、特徵部的厚度、寬度、高度、定向、粗糙度、平坦度、角度、覆蓋率、對準、及/或幾何輪廓。
資料集可包含製程或特徵部的圖像或光譜表示，且可至少部分基於特徵部或製程的圖像或光譜表示。資料集可由光譜儀產生，且在某些實施例中，粗略資料集係由一粗略光譜儀產生，該粗略光譜儀包含一粗略狹縫以使光或能量能夠進入粗略光譜儀，且精細資料集係由一精細光譜儀產生，該精細光譜儀包含一精細狹縫，其使光或能量能夠進入精細光譜儀。精細狹縫可具有一開口或間隙，其大於粗略狹縫之相應開口或間隙。
資料集亦可由圖像擷取裝置產生，例如包含電荷耦合元件相機且具有或不具有顯微鏡的圖像擷取裝置。
訓練關係分配可至少部分基於在收集粗略資料集與精細資料集的期間所存在的共同元素，其中該共同元素可為半導體製程的製程條件、半導體基板上之特徵部的特徵類型、溫度、壓力、化學組成、氣體流率、所施加之功率、所施加之電壓、旋轉速度、平移速度、液體分配速率、液體分配體積，更包含將調整方式傳送至匹配處理腔室。
特徵類型可為基板中的圖案、基板上的圖案、特徵部的厚度、寬度、高度、長度、定向、粗糙度、平坦度、角度、覆蓋率、對準、及/或幾何輪廓、特徵部的臨界尺寸、特徵部的表面積、特徵部的暴露表面積、特徵部之間的重疊、特徵部之間的距離、特徵部之間的定向、及/或特徵部之間的對準。
記憶體電路120可由任何數量的任何類型的習知或其他記憶體或儲存裝置實施，且可為揮發性的(例如RAM、快取、快閃記憶體等)、或非揮發性的(例如ROM、硬碟、光學儲存器等)，且包含任何合適的儲存容量。系統中的資料(例如圖像、光譜、模型參數等)係儲存於記憶體電路120的儲存區域中。
處理器電路130可為例如一或更多資料處理裝置，如微處理器、微控制器、單晶片系統(SOCs)、或其他固定或可編程邏輯，其執行儲存於記憶體中的處理邏輯之指令。處理器本身可為多處理器，且具有多個CPUs、多個核心、包含多個處理器的多個晶片等。此外，處理器電路130可包含專用的機器學習電路。顯示渲染硬體可為處理器電路的一部份，或者可為例如單獨的圖形處理單元(GPU)。
使用者介面電路140可包含能夠向使用者顯示資訊的任何合適的顯示器、螢幕、或監視器，例如平板電腦的螢幕或連接至電腦工作站的監視器。使用者介面電路140可包含(複數)輸入裝置，其可包含任何合適的輸入裝置，例如鍵盤、滑鼠、觸控板、觸控輸入平板、觸控螢幕、相機、麥克風、遙控器、語音合成器等。可包含(複數)輸出裝置，例如揚聲器、耳機、聲音輸出埠等。
如熟習本技藝者將理解，本發明之態樣可實施為系統、方法、或電腦程式產品。因此，本發明之態樣可採用以下形式：完全硬體實施例、完全軟體實施例(包含韌體、常駐軟體、微代碼等)、或結合軟體與硬體態樣之實施例，其在本文中皆可統稱為「電路」、「模組」、或「系統」。再者，本發明之態樣可採用電腦程式產品的形式，該電腦程式產品可於其上實施電腦可讀程式碼的一或更多電腦可讀媒體中實現。
可使用一或更多電腦可讀媒體之任何組合。電腦可讀媒體可為電腦可讀信號媒體或電腦可讀儲存媒體。電腦可讀媒體可為例如(但不限於)電子、磁、光、電磁、紅外線、或半導體系統、設備、或裝置、或以上的任何適當組合。電腦可讀儲存媒體的更具體範例(非詳盡列表)包含下列各者：具有一或更多電線的電連接、可攜式電腦磁片、硬碟、固態硬碟、隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可抹除可程式化唯讀記憶體(EPROM或Flash記憶體)、光纖、可攜式光碟唯讀記憶體(CD-ROM)、光儲存裝置、磁儲存裝置、相變化記憶體儲存裝置、或以上的任何適當組合。在本文之背景下，電腦可讀儲存媒體可為任何有形媒體，其可容納或儲存供指令執行系統、設備、或裝置使用或與其結合使用的程式。
電腦可讀信號媒體可包含在基帶中或作為載波的一部份傳播的資料信號，該資料信號具有實施於其中的電腦可讀程式碼。此等傳播信號可採取各種形式中的任一者，其包括(但不限於)電磁、光學、或其任何適當組合。電腦可讀信號媒體可為並非電腦可讀儲存媒體、且可通信、傳播、或傳輸與供指令執行系統、設備、或裝置使用或與其結合使用之程式的任何電腦可讀媒體。實施於電腦可讀媒體上的程式碼可利用任何適當媒體加以傳輸，包括(但不限於)無線、有線、光纖電纜、RF等、或以上的任何適當組合。
可以一或更多程式設計語言之任何組合編寫用以執行本發明之態樣的操作之電腦程式碼，例如物件導向程式設計語言如Java、Python、Smalltalk、C++等、或習知的程序性程式設計語言如「C」程式設計語言或相似的程式設計語言。程式碼可完全在使用者的電腦上、部分在使用者的電腦上、作為獨立套裝軟體、部分在使用者的電腦上且部分在遠端電腦上、或完全在遠端電腦或伺服器上執行。在後一情況中，可經由任何類型的網路(包括區域網路(LAN)或廣域網路(WAN))將遠端電腦連接至使用者的電腦，或者可與外部電腦建立連接(例如，透過使用網際網路服務提供者的網際網路)。
可以任何方式將系統100的各種功能分佈於任何數量的軟體模組或單元、處理或電腦系統及/或電路中，其中電腦或處理系統可本地地設置或彼此遠離設置並經由任何合適的通訊媒體(例如LAN、WAN、內部網路、網際網路、硬線、數據機連線、無線等)而進行通訊。
參照根據本發明之實施例之方法、設備(系統)、及電腦程式產品的流程圖圖示及/或方塊圖而描述本發明之態樣。應理解，流程圖圖示及/或方塊圖的各個方塊、及流程圖圖示及/或方塊圖中之方塊的組合可由電腦程式指令實施並由處理器電路130執行以產生一機器，俾使指令產生用以實施流程圖及/或方塊圖之一或更多方塊中所指定的功能/動作之手段。
圖式中的流程圖及/或方塊圖顯示根據本發明之各種實施例之系統、方法、及電腦程式產品之可能實施例的架構、功能、及操作。在此方面，流程圖或方塊圖中的各個方塊可代表一模組、片段、或代碼之部分，其包含用於實施指定邏輯功能的一或更多可執行指令。亦應注意，在某些替代實施例中，方塊中所述之功能可不按圖中所述之順序進行。例如，實際上，連續顯示的兩個方塊可實質上同時執行、或者該等方塊有時可以相反順序執行，其係取決於所涉及的功能。亦應注意，方塊圖及/或流程圖圖示的各個方塊、及方塊圖及/或流程圖圖示中的方塊之組合可透過下列各者加以實施：可執行指定功能或動作的基於專用硬體之系統、或專用硬體與電腦指令之組合。
本文所使用的術語僅出於描述特定實施例之目的，而非意圖限制本發明。如本文所使用，單數形式「一(a)」、「一(an)」、「該(the)」亦意圖包含複數形式，除非上下文另外明確指出。應進一步理解，當在本說明書中使用用語「包含(comprises)」及/或「包含(comprising)」時，其指明所述特徵、整數、步驟、操作、元素、及/或組件的存在，但並不排除一或更多特徵、整數、步驟、操作、元素、組件、及/或其群組的存在或附加。
以下申請專利範圍中的任何和所有手段或步驟功能技術特徵的相應結構、材料、動作、及均等物係意圖包含用於與所具體申請之其他技術特徵結合而執行功能的任何結構、材料、或動作。
以上描述意圖說明本發明概念之可能實施例，而非限制性的。在閱覽本發明後，許多變化、修改、及替代對於熟習本技藝者將變得顯而易見。例如，因此可替換與所顯示和描述者均等的部分、可結合所單獨描述之元件及方法、並且被描述為分散的元件可分佈於許多組件上。因此，本發明之範疇不應參照以上描述而決定，而應參照隨附之申請專利範圍及其均等物之全部範圍而決定。
5:腔室 7:埠口 100:系統 105h:低解析度資料擷取儀器 105l:高解析度資料擷取儀器 110h:高解析度資料 110l:低解析度資料 115:高解析度資料產生器 120:記憶體電路 122:資料儲存位置 124:模型儲存位置 126:代碼儲存位置 127:引擎代碼儲存位置 129:製程控制器代碼儲存位置 130:處理器電路 132:ML引擎 134:製程控制器 140:使用者介面 150:處理器 205:LR資料集 205a-205m:LR資料集 210:輸入卷積層 217:快捷路徑 217a-217n:快捷路徑 220:殘差塊 225:求和節點 225a-225n:求和節點 227a-227n:通道 230:殘差塊 232a-232p:通道 240:輸出卷積層 245:輸出資料集 245a-245m:輸出資料集 250:HR訓練資料集 250a-250m:高解析度訓練資料集 257:回傳通道 260a:第一卷積層 260b:第二卷積層 265a:第一激勵層 265b:第二激勵層 300:光譜儀 310:入口狹縫 320:準直鏡 330:繞射光柵 340:摺鏡 350:陣列偵測器 412:成像點 412a-412l:成像點 420:圖像 425:圖像區域 700:程序 705a:訓練卷 705b:驗證卷 705c:測試卷 707a:原始LR資料集 707b:原始LR資料集 707c:原始LR資料集 709a:訓練資料集 709b:驗證集 709c:測試集 710:操作 715:輸出資料集 720:操作 725:操作 730:操作 735:操作 740:操作 750:操作 800:程序 805:LR資料集 810:操作 815:HR輸出資料集 820:操作 825:操作 B1-BK:複數殘差塊
圖1為一範例系統的示意性方塊圖，在該系統中可實現本發明概念。
圖2為人工神經網路(ANN)的示意圖，藉由ANN可實現本發明。
圖3為一例示性光譜儀的示意圖，可利用該光譜儀以實施本發明。
圖4為用以模擬本發明之實施例中之資料的光譜儀入口狹縫及其圖像420的示意圖。
圖5為用於本發明之實施例的低解析度光譜儀之未滿(underfill)及超填(overfill)實施例的低解析度光譜資料的圖示。
圖6為用於本發明之實施例的高解析度光譜儀之未滿(underfill)及超填(overfill)實施例的高解析度光譜資料的圖示。
圖7為一流程圖，其顯示一例示性訓練程序，透過該訓練程序可實現本發明。
圖8為一流程圖，其顯示一例示性生產程序，透過該生產程序可實現本發明。
700:程序
705a:訓練卷
705b:驗證卷
705c:測試卷
707a:原始LR資料集
707b:原始LR資料集
707c:原始LR資料集
709a:訓練資料集
709b:驗證集
709c:測試集
710:操作
715:輸出資料集
720:操作
725:操作
730:操作
735:操作
740:操作
750:操作

Claims (20)

  1. 一種用於半導體加工的設備，包含： 記憶體電路，其儲存： 一資料集，其指示一半導體加工製程或由此製造之半導體結構的狀態，該資料集中的特徵係可識別至受一資料解析度所限制的程度；以及 一機器學習模型，其包含複數參數，該等參數具有分配至其之受模型訓練程序所約束的相應數值；以及 處理器電路，其係通信耦合至該記憶體電路，並且： 根據該機器學習模型而從該資料集產生一輸出資料集，俾使該輸出資料集中的特徵係可識別至受一輸出資料解析度所限制的程度，其中該輸出資料解析度比該資料集的該資料解析度更精細。
  2. 如請求項1之用於半導體加工的設備，其中該機器學習模型包含功能方塊，該處理器電路依序地在該等功能方塊上應用該資料集，該等功能方塊之各者相較於前一功能方塊而增加該資料集的維度。
  3. 如請求項2之用於半導體加工的設備，其中該機器學習模型為一金字塔殘差卷積神經網路(pyramidal residual convolutional neural network)。
  4. 如請求項3之用於半導體加工的設備，其中各個功能方塊包含複數卷積層，該複數卷積層基於該資料集而對一特徵圖與該等參數之對應者進行卷積。
  5. 如請求項4之用於半導體加工的設備，其中各個功能方塊包含複數激勵層，該複數激勵層根據一激勵函數而限制經卷積之特徵圖通過至該功能方塊的後續層。
  6. 如請求項5之用於半導體加工的設備，其中該激勵函數為一整流線性單位激勵函數。
  7. 如請求項1之用於半導體加工的設備，更包含： 一資料擷取儀器，其觀察該半導體加工製程的狀態並相應地產生該資料集。
  8. 如請求項7之用於半導體加工的設備，其中該資料擷取儀器為一光譜儀，其產生電磁光譜資料以作為該資料集。
  9. 如請求項7之用於半導體加工的設備，其中該處理器電路實施一製程控制器，該半導體加工製程係基於該輸出資料集而透過該製程控制器加以控制。
  10. 如請求項1之用於半導體加工的設備，其中： 該記憶體電路儲存一訓練資料集，該訓練資料集包含可識別至受一訓練解析度所限制之程度的特徵，其中該訓練解析度大於該資料解析度；以及 響應於訓練程序的起動，該處理器電路將該輸出資料集與該訓練資料集區分開，並基於該區分步驟而修改該等參數以使一目標函數最小化或最大化。
  11. 如請求項10之用於半導體加工的設備，其中該處理器電路實施一資料產生器，其根據一資料擷取儀器的光學特性而產生該訓練資料集，其中該資料擷取儀器觀察該半導體加工製程的狀態並相應地產生該資料集。
  12. 如請求項10之用於半導體加工的設備，其中該訓練資料集包含從一光譜儀獲取的光譜資料，其中該光譜儀觀察該半導體加工製程的狀態並相應地產生該資料集。
  13. 如請求項12之用於半導體加工的設備，其中該光譜儀包含一入口狹縫及一偵測器陣列，該訓練資料集包含當使該入口狹縫與該偵測器陣列之間的距離變化時所獲取的該光譜資料。
  14. 一種用於半導體加工的材料處理系統，包含： 一腔室，在其中容納材料，該腔室包含一埠口，透過該埠口而監視半導體加工製程； 一資料擷取儀器，其係通信耦合至該腔室的該埠口並且產生一資料集，該資料集指示該半導體加工製程的狀態，該資料集中的特徵係可識別至受該資料擷取儀器之資料解析度所限制的程度；以及 處理器電路，其係通信耦合至該資料擷取儀器，並且根據一機器學習模型而從該資料集產生一輸出資料集，俾使該輸出資料集中的特徵係可識別至受一輸出資料解析度所限制的程度，其中該輸出資料解析度比該資料集的該資料解析度更精細，該機器學習模型包含複數參數，該等參數具有分配至其之受模型訓練程序所約束的相應數值。
  15. 如請求項14之用於半導體加工的材料處理系統，其中該機器學習模型包含功能方塊，該處理器電路依序地在該等功能方塊上應用該資料集，該等功能方塊之各者相較於前一功能方塊而增加該資料集的維度。
  16. 如請求項15之用於半導體加工的材料處理系統，其中該機器學習模型為一金字塔殘差卷積神經網路(pyramidal residual convolutional neural network)。
  17. 如請求項14之用於半導體加工的材料處理系統，其中該資料擷取儀器為一光譜儀，其光學耦合至該腔室之該埠口並產生光譜以作為該資料集，另一資料集為高解析度光譜，該高解析度光譜具有比該光譜儀所產生的解析度更精細的解析度，該光譜儀具有一物理設計，其特徵在於帶寬及光通量不會因透過該機器學習模型處理該光譜而縮減。
  18. 如請求項17之用於半導體加工的材料處理系統，其中該光譜儀包含界定該帶寬及該光通量的入口狹縫及偵測器陣列。
  19. 如請求項17之用於半導體加工的材料處理系統，其中該處理器電路實施一製程控制器，該半導體加工製程係基於該輸出資料集而透過該製程控制器加以控制。
  20. 如請求項19之用於半導體加工的材料處理系統，其中該製程控制器分析該高解析度光譜以判定該半導體加工製程的狀態，並且產生控制信號，該等控制信號對該半導體加工製程進行修改以獲取其不同狀態。
TW109108572A 2019-03-15 2020-03-16 使用機器學習在半導體加工資料蒐集儀器中的增強解析度 TW202105494A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962819115P 2019-03-15 2019-03-15
US62/819,115 2019-03-15

Publications (1)

Publication Number Publication Date
TW202105494A true TW202105494A (zh) 2021-02-01

Family

ID=72424185

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109108572A TW202105494A (zh) 2019-03-15 2020-03-16 使用機器學習在半導體加工資料蒐集儀器中的增強解析度

Country Status (7)

Country Link
US (1) US11763161B2 (zh)
JP (1) JP2022525197A (zh)
KR (1) KR20210128490A (zh)
CN (1) CN113574561A (zh)
SG (1) SG11202108898WA (zh)
TW (1) TW202105494A (zh)
WO (1) WO2020190766A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI831334B (zh) * 2021-08-19 2024-02-01 新加坡商聯發科技（新加坡）私人有限公司 收集訓練資料集的方法和系統

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210061597A (ko) * 2019-11-20 2021-05-28 삼성전자주식회사 참조 데이터를 이용한 레이더 데이터 처리 장치 및 방법
JP2024047495A (ja) * 2022-09-26 2024-04-05 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

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5450205A (en) 1993-05-28 1995-09-12 Massachusetts Institute Of Technology Apparatus and method for real-time measurement of thin film layer thickness and changes thereof
US7149262B1 (en) * 2000-07-06 2006-12-12 The Trustees Of Columbia University In The City Of New York Method and apparatus for enhancing data resolution
US6885467B2 (en) * 2002-10-28 2005-04-26 Tevet Process Control Technologies Ltd. Method and apparatus for thickness decomposition of complicated layer structures
US8108328B2 (en) * 2008-07-17 2012-01-31 Tokyo Electron Limited Neural network based hermite interpolator for scatterometry parameter estimation
US9151670B1 (en) * 2013-03-15 2015-10-06 Wavefront Research, Inc. Dynamic system resolution
US9798751B2 (en) * 2013-10-16 2017-10-24 University Of Tennessee Research Foundation Method and apparatus for constructing a neuroscience-inspired artificial neural network
US9784619B2 (en) * 2015-10-13 2017-10-10 Beijing Information Science & Technology University Fiber grating demodulation system for enhancing spectral resolution of detector array
US10438825B2 (en) 2016-08-29 2019-10-08 Kla-Tencor Corporation Spectral reflectometry for in-situ process monitoring and control
US10365212B2 (en) * 2016-11-14 2019-07-30 Verity Instruments, Inc. System and method for calibration of optical signals in semiconductor process systems
KR101879207B1 (ko) * 2016-11-22 2018-07-17 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치
US10571334B2 (en) * 2017-12-15 2020-02-25 Horiba Instruments Incorporated System and method for selective resolution for concave grating spectrometer
KR20200030806A (ko) * 2018-09-13 2020-03-23 삼성전자주식회사 반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법
KR20200072302A (ko) * 2018-12-12 2020-06-22 삼성전자주식회사 두께 예측 네트워크 학습 방법, 반도체 소자 제조 방법 및 반도체 물질 퇴적 장비

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI831334B (zh) * 2021-08-19 2024-02-01 新加坡商聯發科技（新加坡）私人有限公司 收集訓練資料集的方法和系統

Also Published As

Publication number Publication date
US11763161B2 (en) 2023-09-19
WO2020190766A1 (en) 2020-09-24
SG11202108898WA (en) 2021-09-29
CN113574561A (zh) 2021-10-29
US20200292388A1 (en) 2020-09-17
KR20210128490A (ko) 2021-10-26
JP2022525197A (ja) 2022-05-11

Similar Documents

Publication Publication Date Title
JP6893514B2 (ja) ハイブリッドインスペクタ
JP6758418B2 (ja) 半導体用途のための、入力画像からのシミュレーション画像の生成
TW202105494A (zh) 使用機器學習在半導體加工資料蒐集儀器中的增強解析度
US10062157B2 (en) Compressive sensing for metrology
TWI760309B (zh) 用於校正計量工具之系統、方法及計算機程式產品
CN107851589B (zh) 在激光暗场系统中用于斑点抑制的方法及装置
CN111164646A (zh) 用于大型偏移裸片对裸片检验的多步骤图像对准方法
CN105683741B (zh) 用于确定样本中的应变分布的方法和系统
US9733178B2 (en) Spectral ellipsometry measurement and data analysis device and related systems and methods
TWI580924B (zh) 用以縮減一光譜光學計量裝置之有效光斑尺寸之反摺積技術
CN108291868A (zh) 用于快速自动确定用于高效计量的信号的系统、方法及计算机程序产品
TW202119455A (zh) 使用三維設計用於呈現掃描電子顯微鏡法之影像及預測基板之缺陷成像條件之系統及方法
TWI804793B (zh) 用於光學關鍵尺寸計量的方法及系統
CN101271268B (zh) 微影对焦以及/或能量的最佳化方法及其系统
JP2023523156A (ja) スペクトルに基づく測定およびプロセス制御のための機械学習および深層学習の方法
Li et al. Rapid sensing of hidden objects and defects using a single-pixel diffractive terahertz sensor
JP7268156B2 (ja) 大量生産工程監視用に疎結合された検査及び計測システム
KR20220123303A (ko) Ocd 계측 머신 학습에 대한 이상치 및 이상 검출 시스템 및 방법
TWI831744B (zh) 在圖案化結構中基於x射線的測量
TWI777353B (zh) 用於光學關鍵尺寸計量之方法及系統
TW202405371A (zh) 用於光學臨界尺寸量測的方法、用於光學臨界尺寸量測的系統以及非暫時性機器可存取儲存媒體
TW202309475A (zh) 用於基於高通量量測信號而選擇晶圓位置以特性化跨晶圓變化之方法及系統