TW202216313A - 用於前線沉積診斷及控制的方法及系統 - Google Patents
用於前線沉積診斷及控制的方法及系統 Download PDFInfo
- Publication number
- TW202216313A TW202216313A TW110136661A TW110136661A TW202216313A TW 202216313 A TW202216313 A TW 202216313A TW 110136661 A TW110136661 A TW 110136661A TW 110136661 A TW110136661 A TW 110136661A TW 202216313 A TW202216313 A TW 202216313A
- Authority
- TW
- Taiwan
- Prior art keywords
- sensor
- accumulation
- machine learning
- front line
- model
- Prior art date
Links
Images
Classifications
-
- 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
- H01L21/67017—Apparatus for fluid treatment
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- H01L21/02002—Preparing wafers
- H01L21/02005—Preparing bulk and homogeneous wafers
- H01L21/02008—Multistep processes
- H01L21/0201—Specific process step
- H01L21/02019—Chemical etching
-
- 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
- H01L21/02041—Cleaning
- H01L21/02057—Cleaning during device manufacture
- H01L21/0206—Cleaning during device manufacture during, before or after processing of insulating layers
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Chemical Vapour Deposition (AREA)
Abstract
揭示了用於前線診斷及控制的系統、設備及方法。在一些實施例中,耦接至腔室排氣裝置的前線裝備有一或多個感測器,該一或多個感測器放置在腔室排氣裝置與消除系統之間。該一或多個感測器經定位以量測前線中的壓力作為傳導度的指標。感測器耦接至經訓練的機器學習模型,該經訓練的機器學習模型被配置為當前線需要清潔循環時或者當應該執行預防性維護時提供信號。在一些實施例中,經訓練的機器學習預測何時將需要清潔或預防性維護。
Description
本發明的實施例大體而言係關於前線診斷及控制,並且更特定言之係關於預測性前線診斷。
半導體基板經處理以用於廣泛的應用,包括元件及微元件的製造。該等製程可以在某些處理條件(包括處理腔室內的溫度、壓力及前驅物流率)下在基板上產生高品質的膜。製程參數的任何變化都可導致膜厚度及輪廓的變化。
儘管膜沉積的目的係將大部分沉積材料沉積在基板上,但是處理腔室部件、腔室排氣裝置及前線部件亦可能被塗覆。為了維持從晶圓至晶圓的製程條件,執行清潔配方以從腔室及前線部件蝕刻掉非意欲的塗層。然而,即使是清潔製程亦可能導致前線中出現非意欲的且有時可燃的塗層。
在習知方法中,在每個晶圓之後或者在一定數量的晶圓之後運行清潔方案,而不量測前線中的沉積量。此可能會導致清潔過於頻繁,此可係對清潔資源及時間的浪費,或者導致清潔不夠,從而導致製程參數的不可靠變化及前線中潛在的危險沉積。
需要的是克服習知方法缺點的系統及方法。
本揭露案大體而言係關於用於前線診斷及控制的系統、設備及方法。在一些實施例中,耦接至腔室排氣裝置的前線裝備有一或多個感測器,該一或多個感測器放置在腔室排氣裝置與消除系統之間。該一或多個感測器經定位以量測前線中的壓力作為傳導度的指標。感測器耦接至經訓練的機器學習模型,該經訓練的機器學習模型被配置為當前線需要清潔循環時或者當應該執行預防性維護時提供信號。在一些實施例中,經訓練的機器學習預測何時將需要清潔或預防性維護。
在一個實施例中,揭示了一種用於前線診斷及控制的系統,該系統包括:前線,其耦接至處理腔室的排氣裝置;第一感測器,其經定位以量測前線中的沉積累積;以及累積監測器,其耦接至第一感測器,該累積監測器包括經訓練的機器學習(machine learning, ML)模型,並且被配置為當所指示的沉積累積處於或高於累積閾值時產生指示沉積累積的輸出並觸發校正動作。
在另一個實施例中,揭示了一種電腦可讀取媒體,其包括用於執行用於前線沉積診斷的方法的指令。該方法包括從複數個感測器中的至少一個感測器接收累積資料;將累積資料提供給累積監測器,該累積監測器包括經訓練的機器學習(ML)模型,該經訓練的ML模型被配置為產生指示沉積累積的輸出;以及當累積資料被指示處於累積閾值時,基於該輸出產生校正動作。
在另一個實施例中,揭示了一種用於監測處理系統的前線中的沉積累積的方法,其包括從耦接至半導體處理系統的前線的一或多個感測器接收感測器資料;用經訓練的機器學習模型處理感測器資料以估計累積;以及觸發與經訓練的機器學習模型的估計累積對應的校正動作。
在下文中,參考了本揭露案的實施例。然而,應當理解的是本揭露案不限於特定描述的實施例。相反,以下特徵及要素的任何組合,無論是否與不同的實施例有關,都被考慮來實施及實踐本揭露案。此外,儘管本揭露案的實施例可以實現優於其他可能的解決方案及/或優於先前技術的優點,但是特定的優點是否由給定的實施例實現並不限制本揭露案。因此,以下態樣、特徵、實施例及優點僅僅是說明性的,並且不被認為是所附申請專利範圍的要素或限制,除非在申請專利範圍中明確陳述。同樣,對「本揭露案」的提及不應被解釋為對本文所揭示的任何發明性標的的概括,並且不應被認為是所附申請專利範圍的要素或限制,除非在申請專利範圍中明確陳述。
揭示了用於使用積累的歷史製程及清潔資料、以及來自沿著前線放置的一或多個感測器的即時資料,來監測處理系統前線中的沉積累積的系統、設備及方法。
在半導體基板的處理期間,諸如藉由磊晶製程、化學氣相沉積(chemical vapor deposition, CVD)製程、電漿增強化學氣相沉積(plasma-enhanced chemical vapor deposition, PECVD)、蝕刻製程、清洗製程或作為製造半導體元件的一部分在處理腔室中進行的其他製程,在腔室部件上以及在耦接至腔室的前線中引起累積。
發明人已經發現,前線中的累積模式可以由與前線一起使用的感測器直接及/或間接地偵測。藉由收集多個處理循環中的感測器資料、以及累積模式,可以使用用訓練資料訓練的機器學習(ML)演算法來開發向使用者指示警報的閾值、所需要的前線(或腔室)清潔、或所需要的預防性維護(preventive maintenance, PM)。可以由經訓練的機器學習模型使用所鑑別的模式來開發用於提供校正動作(諸如停止處理腔室的操作,或者應該對前線執行清潔或預防性維護(PM))的閾值,以及預測何時可能需要該等閾值。
藉由提供由經訓練的ML模型監測的用於清潔及PM的閾值,可以基於單獨處理腔室及多組處理腔室的處理參數預測性地確定清潔/PM循環,以更有效地對工廠操作進行排程。此外,可以更有效地安排清潔及PM有關的化學品、替換零件及勞動力資源的庫存。
用於前線沉積診斷及控制的示例性系統
第1圖描繪了根據某些實施例的用於前線沉積及診斷控制的系統100。處理腔室103經由處理腔室103的排氣裝置(未圖示)耦接至前線106,從而將處理腔室103耦接至泵109,該泵繼而耦接至消除系統112。
處理腔室103可係磊晶腔室、化學氣相沉積(CVD)腔室、電漿增強CVD (PECVD)腔室、蝕刻腔室、拋光站,或藉由任何手段向基板沉積或從基板移除一或多種材料的任何處理腔室。如熟習此項技藝者所理解的,當用於沉積或蝕刻時,處理腔室(諸如處理腔室103)由管控輸入至處理腔室的氣體及材料的一或多個配方控制。在處理腔室103的操作期間,未沉積在基板上或從基板上蝕刻掉的材料係沉積在腔室部件上,前線106內,以及泵109及消除系統112內。本文所揭示的系統及方法尋求診斷前線中的沉積,並經由各種演算法及方法指示何時應當執行前線清潔及/或前線預防性維護(PM)。
沿著前線106的長度可以定位多個閥,以用於隔離處理腔室103、泵109,並控制前線106內的壓力。腔室隔離閥115可以位於處理腔室103的下游,以在前線清潔及PM操作期間隔離處理腔室103(在下面進一步論述)。壓力控制閥118可以位於腔室隔離閥115的下游並耦接至前線106。
壓力控制閥(pressure control valve, PCV) 118包括旋轉板及位置感測器,該旋轉板藉由控制此類氣體的傳導度來控制前線106中的氣體壓力,且該位置感測器用於感測旋轉板的旋轉角度。PCV 118的角度係旋轉板的角度的指示,該角度如下所述可用作前線106內的壓力及/或傳導度的指標,並且多個量測角度可以是壓力及/或傳導度變化的指標。如下文將論述的,傳導度變化可以是前線106內的沉積累積的指標。
在PCV 118的下游,前線106耦接至泵隔離閥121,該泵隔離閥將泵109與前線106隔離。在泵隔離閥121的下游,前線耦接至泵109。
如熟習此項技藝者所理解的,在一些實施例中,腔室隔離閥115及泵隔離閥121中的一者或兩者可係PCV。在此種情況下,PCV可用作隔離閥。
沿著前線106,感測器124至133沿著前線106散置。感測器124位於處理腔室103與腔室隔離閥115之間,感測器127位於腔室隔離閥115與PCV 118之間,感測器130位於PCV 118與泵隔離閥121之間,並且感測器133位於泵隔離閥121與泵109之間。
在一些實施例中,感測器124至133中的一或多個感測器經定位以直接或間接地量測前線內的積聚。在一些實施例中,感測器124至133中的一或多個感測器可係超音波感測器,該超音波感測器包括超音波信號的換能器及接收器。作為感測器124至133中的一或多個感測器提供的超音波換能器可偵測前線106內的積聚,而不必定位於前線106內,但是在一些實施例中,此種類型的感測器可位於前線106內。當定位於前線106的外側上時,超音波換能器穿過前線的壁傳遞超音波信號,該壁耦接至前線106的內部空間,諸如構成前線106的管道的中空部分。當前線106係潔淨的(亦即,沒有積聚)時,超音波信號可以如由接收器所偵測到的聲速(可能被前線中的氣體減慢)行進穿過前線106。然而,當前線中存在積聚時,此種積聚將減慢超音波信號的行進速率,此延長了從在換能器處產生超音波信號及在接收器處接收該信號所耗費的時間量。隨著沉積繼續累積,超音波信號將耗費不斷增加量的時間而到達接收器。此外,沉積在前線106中的不同材料將對超音波信號的速度具有不同的影響,其中唯一不變的是額外的沉積累積將逐漸減慢該信號。
在一些實施例中,感測器124至133中的一或多個感測器可係壓電感測器,諸如石英晶體微量天平(quartz crystal microbalance, QCM)感測器。QCM感測器是一種基於振盪石英晶體的品質敏感壓電元件,其能夠偵測石英組分的奈克質量變化。在實施例中,隨著材料在石英部件上累積,由於質量增加,石英部件將以更低的速率振盪。當放置在前線106內,例如在由感測器124至133中的一或多個感測器所指示的位置處時,隨著QCM感測器上沉積累積的發生,由感測器產生的信號將與累積相關地變化。
在一些實施例中,感測器124至133中的一或多個感測器可以是壓力感測器,該壓力感測器耦接至前線106以量測前線106內的壓力。隨著材料在前線106中累積,由於相同體積的氣體穿過前線106的(由於累積)不斷減小的體積而引起的壓力變化可作為累積的指標被偵測到。
儘管上面論述了感測器124至133的多個實施例,但是熟習此項技藝者將會理解,感測器124至133中的一或多個感測器可包括多種感測器類型。例如,感測器可包括壓力感測器、超音波感測器(UT sensor)及/或QCM感測器中的一或多者。
在實施例中,PCV 118可以另外用作感測器以指示前線106中的累積。在該等實施例中,隨著前線106內的累積增加,可能需要PCV 118來增加板的角度以維持氣體的目標傳導度。相對於先前角度的角度增加可以指示前線106中的累積增加,而(例如,在清潔或PM後的)角度減小可以指示累積較少或沒有累積。
上文論述的感測器類型中的一或多種感測器類型可以與PCV 118結合使用,以提供指示不斷增大或減小的累積的資料。例如,當感測器127偵測到累積的變化時,PCV 118可以藉由改變其角度來回應。總體而言,該等信號提供了關於系統100如何對前線沉積累積做出反應的資料。
控制器136耦接到感測器124至133中的每一個感測器,以及PCV 118,並且在一些實施例中亦耦接至腔室隔離閥115及泵隔離閥121。控制器136另外耦接至處理腔室103,以接收關於處理配方的資料,並且以向處理腔室提供關於前線106的狀態的信號。
控制器136包括經訓練的機器學習(ML)模型144,該經訓練的ML模型包含訓練資料139;及ML模型141。訓練資料139由與處理腔室103中的處理相關的資料(例如,特徵)(例如配方資料),以及在處理操作期間由一或多個處理腔室感測器產生的處理腔室感測器資料(包括關於該等的時間序列資料)構成。訓練資料139可以儲存在資料庫或其他資料儲存系統中。訓練資料進一步包括來自感測器124至133中的一或多個感測器的資料(亦即,關於針對累積感測器的累積及針對壓力感測器的壓力中的至少一者的資料)、來自PCV 118的資料、來自腔室隔離閥115的資料、及來自泵隔離閥121的資料(例如,傳導率、角度資料等),該等資料係前線106中的累積的直接或間接指標,包括累積的時間序列表示。在一些實施例中,訓練資料139可包括來自泵109的操作資料。訓練資料可以是來自每個上述資料源的時間序列資料,從而指示每個資料源的操作資料隨著時間推移的差異。在一些實施例中,訓練資料可以是歷史資料、合成資料、開發者出於訓練目的而創建的資料,或者該等資料的某種組合。在一些實施例中,訓練資料可基於處理腔室配方、可沉積在前線106中的材料、沉積材料的沉積特性、或適於訓練ML模型141的任何其他分組來進行分組。訓練資料144可進一步包括從感測器及閥原位接收的資料,並且即時訓練ML模型141,從而提供連續更新的經訓練的ML模型144。
根據訓練資料144,前線106的一或多個參數可以由經訓練的ML模型141估計或推斷。例如,前線106中的材料沉積速率可以從超音波感測器偵測到的超音波信號的飛行時間(time-of-flight)資料、QCM感測器的共振頻率偏移速率、或者來自一或多個壓力感測器的前線106的一區段上的壓差變化速率推導出。前線106的一或多個區段內的沉積速率可以由經訓練的ML模型141推斷/估計,並且被視為用於針對先前量測的沉積速率做出決策的度量,或者與一或多個閾值進行比較。可由經訓練的ML模型141估計或推斷的前線106的另一示例性參數是前線106的健康(例如,傳導能力)。經訓練的ML模型141可以根據PCV 118的位置及前線106的在PCV 118處的溫度、以及來自超音波感測器、QCM感測器或其他感測器的信號的組合來估計/推斷部分堵塞的狀況對比健康狀況。可以將推斷/估計的條件與前線106的先前量測的條件、或一或多個閾值進行比較,以確定前線106是否健康(亦即,以適於操作前線的位準傳導氣體),或者是否需要進行清潔或PM。
在一些實施例中,ML模型141可以針對由處理腔室執行的特定處理配方、針對沉積在前線中的特定材料或該等的組合進行訓練。
ML模型141可係經監督或無監督的ML模型或該等模型的組合。在ML模型141係經監督的模型的實施例中,可以使用支持向量機(support vector machine, SVM)、迴歸模型,或任何能夠接收訓練資料139並提供指示或預測前線106中的沉積位準的連續輸出的經監督的學習模型。在ML模型係無監督模型的實施例中,可以使用神經網路,或能夠接收訓練資料139來訓練ML模型141的任何無監督學習模型,以提供指示或預測前線106中的沉積累積的經聚類或經分類的輸出。
在訓練期間,訓練ML模型141以基於訓練資料139開發前線106中的累積的一或多種閾值,該等閾值指示需要前線清潔、需要PM;或某種其他指標。在此種情況下,閾值可以是前線106中的沉積位準、前線106中的沉積速率、堵塞/部分堵塞對比健康(足夠開放)的前線106,如由前線106中的一或多個感測器提供的資料所確定的。例如,在給定用於處理腔室的配方及使用該配方對基板進行適當處理所需的前線條件的情況下,可以隨著時間推移編譯來自配方、處理腔室及前線感測器的訓練資料。使用該訓練資料來訓練ML模型,以辨識用於正常操作系統的一或多個閾值,若達到或超過該等閾值,則表明需要對前線進行清潔或PM。一旦經訓練,經訓練的ML模型就可接收「即時」處理資料,以在前線條件需要清潔或PM時提供指標。在此種情況下,指標可係來自達到或超過閾值區域,從而發信號通知需要清潔的無監督模型的一或多種分類。在經監督的模型中,當模型的一或多個維度達到或超過閾值時,可指示需要清潔。此外,經訓練的ML模型可以預測性地指示何時需要清潔或PM,以實現資源及工廠操作的高效排程。
在某些實施例中,作為用訓練資料訓練ML模型141的結果,經訓練的ML模型144可以基於給定的配方及相關的製程參數,來預測在給定時間處前線106中的給定沉積累積。在預測性實施例中,控制器可預測何時要執行前線106的清潔或PM,例如以適應工廠排程、處理腔室103維護排程,並通知資源購買及輸送決策。
在一些實施例中,控制器136係開環控制器,該開環控制器包括用於感測器及閥資料的閾值,該等閾值指示何時要執行清潔、PM或其他動作。在另外的實施例中,控制器136可係開環控制方法及經訓練的機器學習模型144的組合。
在操作中,感測器124至133、閥115至121,以及在一些實施例中處理腔室103中的一或多者向經訓練的ML模型144提供處理資料。經訓練的ML模型144接收該等輸入,根據經訓練的機器學習模型處理該等輸入,並且提供一或多個輸出,並且當輸出達到或超過一或多個閾值時,產生要執行前線清潔或PM的指標。在一些實施例中,控制器136可以將處理腔室與前線106隔離,並且向清潔系統提供信號以執行前線清潔(在下面進一步論述),或者向該系統100的使用者提供要執行清潔的指標。
使用 RPS 前線清潔系統進行前線沉積診斷及控制的示例性系統
第2圖描繪了根據某些實施例的用於前線沉積及診斷控制的系統200,該系統包括前線清潔系統。系統200類似於系統100,增加了前線清潔系統210、前線清潔隔離閥215以及下面論述的改進。在一些實施例中,前線清潔210類似於Hilkene等人的美國專利10,500,614「TEMPERATURE CONTROLLED REMOTE PLASMA CLEAN FOR EXHAUST DEPOSIT REMOVAL(用於廢氣沉積物移除的溫控遠程電漿清潔)」中揭示的前線清潔系統,該美國專利於2019年12月10日頒與加利福尼亞州聖克拉拉市的應用材料公司(Applied Materials of Santa Clara, CA),該專利的全部揭示內容以其全文以引用方式併入本文。
在包括前線清潔210的前線沉積診斷及控制的實施例中,感測器124至133中的一或多個感測器可包括熱感測器。在一些實施例中,前線清潔210包括遠程電漿源(remote plasma source, RPS),用於產生電漿並將電漿提供給前線106以移除累積。在一些實施例中,RPS從NF
3及氬氣混合物產生電漿。由於電漿與前線106中的累積反應可導致放熱反應,因此清潔製程期間產生的熱量可係前線106中剩餘的累積量的指標。隨後累積由於與電漿反應而被移除,所產生的熱量的量減少,直到產生可忽略量的熱量,表明清潔循環完成。
在第2圖的實施例中,經訓練的ML模型144可進一步包括用於在藉由前線清潔210進行的清潔循環期間監測前線中的累積的參數及閾值。用於開發參數及閾值的訓練資料139包括來自包括在感測器124至133中的一或多個感測器中的熱感測器的資料。該訓練資料139經提供以訓練ML模型141,以產生經訓練的ML模型144。
用於前線診斷及控制的示例性方法
第3圖描繪了根據某些實施例的用於前線診斷及控制的方法300。
在305處,方法300從耦接至半導體處理系統的前線的一或多個感測器接收感測器資料,而在310處,方法300用經訓練的機器學習模型處理感測器資料以估計前線中的累積。在實施例中,經由以下製程來訓練經訓練的機器學習模型:從資料庫接收感測器訓練資料,該資料庫包括來自一或多個半導體處理系統的先前操作的感測器資料;對感測器訓練資料進行分類以區分前線的潔淨表面之一與沉積在前線上的材料的多個沉積厚度之一;以及基於該分類為經訓練的機器學習模型產生模型參數。在一些實施例中,經訓練的機器學習模型經進一步訓練以偵測前線的溫度變化。應當理解的是,在此種情況下的分類可有關於經監督的ML或無監督的ML。
在315處,方法300觸發與經訓練的機器學習模型的估計累積對應的校正動作。該校正動作可包括以下中的一或多者:停止處理系統的操作、在半導體處理系統或前線中開始清潔操作、或者警告使用者對半導體處理系統或前線進行預防性維護。可以回應於當經訓練的機器學習模型指示達到或超過閾值時而產生信號。
用於前線診斷及控制的示例性處理系統
第4圖描繪了根據某些實施例的用於前線診斷及控制的處理系統400,該處理系統可以執行本文所述的方法,諸如第3圖的用於前線診斷及控制的方法;以及關於第1圖及第2圖描述的能夠執行此種方法的系統。
處理系統400的處理裝置401包括連接至資料匯流排416的中央處理單元(central processing unit, CPU) 402。CPU 402被配置為處理例如儲存在記憶體408或儲存裝置410中的電腦可執行指令,並使處理系統400執行本文例如關於第3圖所述的方法。CPU 402被包括以代表單個CPU、多個CPU、具有多個處理核心的單個CPU,以及能夠執行電腦可執行指令的其他形式的處理架構。
處理系統400進一步包括輸入/輸出(input/output, I/O)裝置412及介面404,該介面允許處理裝置401與輸入/輸出裝置412介面連接,該輸入/輸出裝置諸如為半導體處理系統及相關的支援系統、鍵盤、顯示器、滑鼠裝置、筆輸入件、以及允許與處理系統400交互的其他裝置。應注意,處理系統400可以經由實體及無線連接與外部I/O裝置(例如,外部顯示裝置)連接。
處理裝置401進一步包括網路介面406,該網路介面向處理系統401提供對外部網路414以及由此對外部計算裝置的存取。
處理裝置401進一步包括記憶體408,該記憶體在該實例中包括接收模組418、處理模組420、觸發模組422、訓練模組424、及分類模組426,以用於執行第3圖中所述的操作,該等操作可以在第1圖及/或第2圖中所描繪的系統上進行。儘管在第4圖中沒有描繪,但是記憶體408中可包括其他態樣。
應注意,儘管出於簡單起見在第4圖中圖示為單個記憶體408,但是儲存在記憶體408中的各個態樣可以儲存在不同的實體記憶體中,包括遠離處理系統400的記憶體中,但是都可以由CPU 402經由內部資料連接(諸如匯流排416)來存取。
儲存裝置410包含累積資料428、感測器資料430、ML模型資料432、經訓練的ML學習模型資料434、模型參數資料436、感測器訓練資料438、及校正動作資料440,如結合第1圖至第3圖所述。儘管在第4圖中沒有描繪,但是儲存裝置410中可包括其他態樣。
如同記憶體408一般,出於簡單起見在第4圖中描繪了單個儲存裝置410,但是儲存在儲存裝置410中的各個態樣可以儲存在不同的實體儲存裝置中,但是該等不同的實體儲存裝置都係CPU 402經由內部資料連接(諸如匯流排416)或外部連接(諸如網路介面406)可存取的。熟習此項技藝者將會理解,處理系統400的一或多個元件可以遠端地定位並經由網路414存取。
其他注意事項
提供前面的描述是為了使任何熟習此項技藝者能夠實踐本文所述的各種實施例。本文論述的實例不限制申請專利範圍中闡述的範疇、適用性或實施例。對該等實施例的各種修改對於本領域技藝人士而言將是顯而易見的,並且本文定義的一般原理可應用於其他實施例。例如,在不脫離本揭露案的範疇的情況下,可以對所論述的元件的功能及佈置進行改變。各種實例可以適當地省略、替換或添加各種程序或部件。例如,所描述的方法可以不同於所描述次序的次序來執行,並且可以添加、省略或組合各種步驟。此外,關於一些實例描述的特徵可以在一些其他實例中組合。例如,可以使用本文闡述的任何數量的態樣來實施設備,或者可以使用本文闡述的任何數量的態樣來實踐方法。此外,本揭露案的範疇意欲覆蓋使用其他結構、功能性或作為本文闡述的本揭露案的各個態樣的補充或除了本文闡述的本揭露案的各個態樣之外的結構及功能性來實踐的此類設備或方法。應當理解的是,本文揭示的本揭露案的任何態樣可以由請求項的一或多個要素來體現。
如本文所用,詞語「例示性的」意味著「用作示例、實例或說明」。本文描述為「例示性」的任何態樣不一定被解釋為優於其他態樣或比其他態樣有利。
如本文所用,提及項目列表中的「至少一者」的片語是指該等項目的任何組合,包括單個成員。作為一個實例,「a、b或c中的至少一者」意欲涵蓋a、b、c、a-b、a-c、b-c及a-b-c,以及多個相同要素的任何組合(例如,a-a、a-a-a、a-a-b、a-a-c、a-b-b、a c c、b-b、b-b-b、b-b-c、c-c及c-c-c,或a、b及c的任何其他次序)。
如本文所用,術語「確定」涵蓋各種動作。例如,「確定」可包括計算、處理、推導、調查、查找(例如,在表格、資料庫或另一資料結構中查找)、查明等。此外,「確定」可包括接收(例如,接收資訊)、存取(例如,存取記憶體中的資料)等。此外,「確定」可包括解析、選擇、挑選、建立等。
本文揭示的方法包括用於實現該等方法的一或多個步驟或動作。在不脫離申請專利範圍的範疇的情況下,方法步驟及/或動作可以彼此互換。換言之,除非指定了步驟或動作的特定次序,否則在不脫離申請專利範圍的範疇的情況下,可以修改特定步驟及/或動作的次序及/或使用。此外,上述方法的各種操作可以藉由能夠執行對應功能的任何合適的手段來執行。該手段可包括各種硬體及/或軟體部件及/或模組,包括但不限於電路、特殊應用積體電路(application specific integrated circuit, ASIC)或處理器。通常,在存在附圖中圖示的操作的情況下,該等操作可以具有有相似編號的對應配對的手段加功能部件。
以下申請專利範圍並非意欲限於本文所示的實施例,而是符合與申請專利範圍的語言一致的全部範疇。在請求項中,除非特別如此說明,否則提及單數形式的要素並不意欲意謂「一個且僅一個」,而是「一或多個」。除非另外特別說明,否則術語「一些」是指一或多個。任何請求項要素都不將根據專利法的規定解釋的,除非該要素是使用用語「用於……的構件」明確陳述的,或者在方法請求項的情況下該要素是使用用語「用於……的步驟」陳述的。一般技藝人士已知的或以後將會知道的貫穿本揭露案描述的各個態樣的要素的所有結構及功能等同物以引用方式明確併入本文,並且意欲被申請專利範圍所涵蓋。此外,本文揭示的內容並非意欲奉獻給公眾,無論申請專利範圍中是否明確陳述了此類揭示內容。
儘管前面針對本揭示案的實施例,但是在不脫離本揭示案的基本範疇的情況下可以設計本揭示案的其他和進一步實施例,並且本揭示案的範疇由所附申請專利範圍確定。
100:系統
103:處理腔室
106:前線
109:泵
112:消除系統
115:腔室隔離閥
118:壓力控制閥
121:泵隔離閥
124:感測器
127:感測器
130:感測器
133:感測器
136:控制器
139:訓練資料
141:ML模型
144:經訓練的機器學習(ML)模型
200:系統
210:前線清潔系統
215:前線清潔隔離閥
300:方法
305:步驟
310:步驟
315:步驟
400:處理系統
401:處理裝置
402:中央處理單元(CPU)
404:介面
406:網路介面
408:記憶體
410:儲存裝置
412:輸入/輸出(I/O)裝置
414:外部網路
416:匯流排
418:接收模組
420:處理模組
422:觸發模組
424:訓練模組
426:分類模組
428:累積資料
430:感測器資料
432:ML模型資料
434:經訓練的ML學習模型資料
436:模型參數資料
438:感測器訓練資料
440:校正動作資料
為了能夠詳細理解本揭示案的上述特徵,可以參考實施例對以上簡要概述的本揭示案進行更特別的描述,實施例中的一些實施例在附圖中圖示。然而,應當注意的是,附圖僅圖示了示例性實施例,並且因此不應被視為是對其範疇的限制,並且可以允許其他同等有效的實施例。
第1圖描繪了根據某些實施例的用於前線沉積及診斷控制的系統。
第2圖描繪了根據某些實施例的用於前線沉積及診斷控制的系統,該系統包括前線清潔系統。
第3圖描繪了根據某些實施例的用於前線診斷及控制的方法。
第4圖是根據某些實施例的用於進行用於前線診斷及控制的方法的處理系統。
為了促進理解,在可能的情況下,使用相同的附圖標記來表示附圖中共用的元件。預期一個實施例的元件和特徵可以有益地結合到其他實施例中,而無需進一步敘述。
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
100:系統
103:處理腔室
106:前線
109:泵
112:消除系統
115:腔室隔離閥
118:壓力控制閥
121:泵隔離閥
124:感測器
127:感測器
130:感測器
133:感測器
136:控制器
139:訓練資料
141:ML模型
144:經訓練的機器學習(ML)模型
Claims (20)
- 一種用於前線診斷及控制的系統,包括: 一前線,耦接至一處理腔室的一排氣裝置; 一第一感測器,經定位以量測該前線中的沉積累積;以及 一累積監測器,耦接至該第一感測器,該累積監測器包括 一經訓練的機器學習(ML)模型,被配置為產生指示沉積累積的一輸出,並且當該所指示的沉積累積處於或高於一累積閾值時觸發一校正動作。
- 如請求項1所述之系統,該第一感測器包括以下中的一者: 一超音波換能器; 一壓電感測器; 一壓力感測器;或者 一位置感測器,用於一壓力控制閥。
- 如請求項1所述之系統,其中該累積監測器包括一開環控制。
- 如請求項1所述之系統,其中該累積監測器耦接至複數個感測器。
- 如請求項1所述之系統,其中該經訓練的機器學習模型係經由包括以下的一製程訓練的: 從一資料庫接收第一感測器訓練資料,該資料庫包括來自一半導體處理腔室的先前操作的第一感測器資料; 對該第一感測器訓練資料進行分類,以區分該前線的清潔表面之一與沉積在該前線上的一材料的多個沉積厚度之一;以及 基於該分類為該經訓練的機器學習模型產生模型參數。
- 如請求項5所述之系統,其中該校正動作包括產生至一使用者的一警報、停止該半導體處理腔室的操作、或使該半導體處理腔室開始一清潔操作中的一者。
- 如請求項6所述之系統,其中該經訓練的機器學習模型進一步被配置為在一清潔操作期間監測該前線的一溫度變化。
- 一種電腦可讀取媒體,包括用於執行一用於前線沉積診斷的方法的指令,該方法包括以下步驟: 從複數個感測器中的至少一個感測器接收感測器資料; 將該感測器資料提供給一累積監測器,該累積監測器包括一經訓練的機器學習(ML)模型,其被配置為產生一指示沉積累積的輸出;以及 當該感測器資料被指示處於或高於一累積閾值時,基於該輸出產生一校正動作。
- 如請求項8所述之電腦可讀取媒體,其中該複數個感測器包括一超音波換能器或一壓電感測器中的一者。
- 如請求項8所述之電腦可讀取媒體,其中該複數個感測器包括一壓力感測器及一壓力控制閥。
- 如請求項10所述之電腦可讀取媒體,其中該壓力感測器鄰近該壓力控制閥定位。
- 如請求項8所述之電腦可讀取媒體,其中該複數個感測器定位在一泵與一腔室排氣裝置之間。
- 如請求項12所述之電腦可讀取媒體,其中該校正動作係至少部分地由一開環控制產生,該開環控制被配置為監測該感測器資料。
- 如請求項12所述之電腦可讀取媒體,其中該經訓練的ML模型係經由包括以下的一製程訓練的: 從一資料庫接收感測器訓練資料,該資料庫包括來自一半導體處理腔室的先前操作的感測器資料; 對該感測器訓練資料進行分類,以區分該前線的清潔表面之一與沉積在該前線上的一材料的多個沉積厚度之一;以及 基於該分類為該經訓練的機器學習模型產生模型參數。
- 如請求項14所述之電腦可讀取媒體,其中該經訓練的機器學習(ML)模型包括一經監督的模型及一無監督模型中之一者。
- 一種用於監測一處理系統的一前線中的沉積累積的方法,包括以下步驟: 從耦接至一處理系統的一前線的一或多個感測器接收感測器資料; 用一經訓練的機器學習模型處理該感測器資料以估計一累積;以及 觸發與該經訓練的機器學習模型的該估計的累積對應的一校正動作。
- 如請求項16所述之方法,其中該經訓練的機器學習模型係經由包括以下的一製程訓練的: 接收包括來自一或多個處理系統的先前操作的感測器資料的感測器訓練資料; 對該感測器訓練資料進行分類,以區分該前線的清潔表面之一與沉積在該前線上的一材料的多個沉積厚度之一;以及 基於該分類為該經訓練的機器學習模型產生模型參數。
- 如請求項17所述之方法,其中該經訓練的機器學習模型經進一步訓練以偵測該前線的一溫度變化。
- 如請求項17所述之方法,其中該一或多個感測器包括以下中的一或多者: 一超音波換能器; 一壓電感測器; 一壓力感測器;或者 一位置感測器,用於一壓力控制閥。
- 如請求項17所述之方法,其中該校正動作包括以下中的一者:停止該處理系統的操作、開始一清潔操作、或警告一使用者。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/081,459 US11860973B2 (en) | 2020-10-27 | 2020-10-27 | Method and system for foreline deposition diagnostics and control |
US17/081,459 | 2020-10-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202216313A true TW202216313A (zh) | 2022-05-01 |
Family
ID=81258583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110136661A TW202216313A (zh) | 2020-10-27 | 2021-10-01 | 用於前線沉積診斷及控制的方法及系統 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11860973B2 (zh) |
EP (1) | EP4238124A1 (zh) |
JP (1) | JP2023544471A (zh) |
KR (1) | KR20230027230A (zh) |
CN (1) | CN116601751A (zh) |
TW (1) | TW202216313A (zh) |
WO (1) | WO2022093445A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240043994A1 (en) * | 2022-08-08 | 2024-02-08 | Applied Materials, Inc. | Interlock system for processing chamber exhaust assembly |
CN117000705B (zh) * | 2023-10-07 | 2024-01-12 | 湖北江城芯片中试服务有限公司 | 一种管路粉尘处理装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3591252B2 (ja) | 1997-11-28 | 2004-11-17 | 株式会社日立製作所 | プラズマ処理装置 |
US20070189356A1 (en) * | 2006-02-13 | 2007-08-16 | Jonathan Pettit | Exhaust buildup monitoring in semiconductor processing |
JP4878188B2 (ja) | 2006-03-20 | 2012-02-15 | 東京エレクトロン株式会社 | 基板処理装置、堆積物モニタ装置、及び堆積物モニタ方法 |
JP2007311393A (ja) | 2006-05-16 | 2007-11-29 | Eagle Ind Co Ltd | 堆積物の検知装置 |
US20150196002A1 (en) * | 2014-01-12 | 2015-07-16 | Kevin Friesth | Automated hybrid aquaponics and bioreactor system including product processing and storage facilities with integrated robotics, control system, and renewable energy system cross-reference to related applications |
KR20190090414A (ko) | 2018-01-24 | 2019-08-02 | 삼성디스플레이 주식회사 | 증착 장치 |
KR20210053351A (ko) | 2018-09-28 | 2021-05-11 | 램 리써치 코포레이션 | 증착 부산물 빌드업 (buildup) 으로부터 진공 펌프 보호 |
-
2020
- 2020-10-27 US US17/081,459 patent/US11860973B2/en active Active
-
2021
- 2021-09-22 WO PCT/US2021/051531 patent/WO2022093445A1/en active Application Filing
- 2021-09-22 JP JP2023503239A patent/JP2023544471A/ja active Pending
- 2021-09-22 KR KR1020237002250A patent/KR20230027230A/ko unknown
- 2021-09-22 CN CN202180057295.4A patent/CN116601751A/zh active Pending
- 2021-09-22 EP EP21887143.2A patent/EP4238124A1/en active Pending
- 2021-10-01 TW TW110136661A patent/TW202216313A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
US20220129698A1 (en) | 2022-04-28 |
JP2023544471A (ja) | 2023-10-24 |
KR20230027230A (ko) | 2023-02-27 |
EP4238124A1 (en) | 2023-09-06 |
WO2022093445A1 (en) | 2022-05-05 |
US11860973B2 (en) | 2024-01-02 |
CN116601751A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202216313A (zh) | 用於前線沉積診斷及控制的方法及系統 | |
JP4854667B2 (ja) | プロセス制御工業のための汚れ及び腐食検出器 | |
KR101018545B1 (ko) | 적응형 다변수 결함 검출 | |
TWI565823B (zh) | Processing device and process status confirmation method | |
KR101319250B1 (ko) | 진공 라인 및 이를 모니터링 하기 위한 방법 | |
JPWO2019182913A5 (zh) | ||
KR101443488B1 (ko) | 처리 장치 및 밸브 동작 확인 방법 | |
KR100443852B1 (ko) | 생산 장치의 이상 정지 회피 방법 및 이상 정지 회피 시스템 | |
JP2003076414A (ja) | 生産装置の故障診断方法及び生産装置の故障診断システム | |
US9429247B2 (en) | Acoustically-monitored semiconductor substrate processing systems and methods | |
US20070221125A1 (en) | Semiconductor processing system with wireless sensor network monitoring system incorporated therewith | |
WO2017077970A1 (ja) | 真空ポンプの判断システム、および真空ポンプ | |
JP2015535595A (ja) | 凝縮液排水管の監視 | |
JP2013199669A (ja) | 成膜装置 | |
US20070189356A1 (en) | Exhaust buildup monitoring in semiconductor processing | |
TWI702093B (zh) | 用於排放沉積移除的溫度控制遠端電漿清洗的處理系統 | |
US20030010091A1 (en) | System and method for detecting occlusions in a semiconductor manufacturing device | |
US11656170B2 (en) | System for and method of monitoring a condition of at least one object comprised in a piping system | |
JP2007311393A (ja) | 堆積物の検知装置 | |
JP5859899B2 (ja) | 水位検出方法 | |
JP2006005118A (ja) | 半導体製造装置 | |
JP2008288420A (ja) | 半導体製造装置およびそのクリーニング方法 | |
JP2018067051A (ja) | 品質監視装置、品質監視システム、品質監視方法及びプログラム | |
JP2020008504A (ja) | 配管診断方法、配管診断装置および配管診断システム |