TW202225658A - 用於後期維護真空恢復系統的方法及硬體 - Google Patents
用於後期維護真空恢復系統的方法及硬體 Download PDFInfo
- Publication number
- TW202225658A TW202225658A TW110132230A TW110132230A TW202225658A TW 202225658 A TW202225658 A TW 202225658A TW 110132230 A TW110132230 A TW 110132230A TW 110132230 A TW110132230 A TW 110132230A TW 202225658 A TW202225658 A TW 202225658A
- Authority
- TW
- Taiwan
- Prior art keywords
- sensor data
- oxygen
- sensor
- vacuum chamber
- hydroxyl
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32431—Constructional details of the reactor
- H01J37/32798—Further details of plasma apparatus not provided for in groups H01J37/3244 - H01J37/32788; special provisions for cleaning or maintenance of the apparatus
- H01J37/32816—Pressure
- H01J37/32834—Exhausting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/32—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators
- G01M3/34—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators by testing the possibility of maintaining the vacuum in containers, e.g. in can-testing machines
-
- 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
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- C—CHEMISTRY; METALLURGY
- C30—CRYSTAL GROWTH
- C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
- C30B25/00—Single-crystal growth by chemical reaction of reactive gases, e.g. chemical vapour-deposition growth
- C30B25/02—Epitaxial-layer growth
- C30B25/16—Controlling or regulating
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
- H01J37/32972—Spectral analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Plasma & Fusion (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Examining Or Testing Airtightness (AREA)
- Chemical Vapour Deposition (AREA)
Abstract
一種方法及系統用於在腔室維護或排氣之後的真空腔室完整性驗證。方法包括:計算系統引起量測循環,包括引起泵抽吸真空腔室的壓力達設定時間段或抽吸到目標壓力;引起隔離閥隔離真空腔室;從光學發射感測器接收感測器資料;以及分析感測器資料以決定感測器資料是否滿足一或多個感測器資料準則。方法進一步包括計算系統引起量測循環的一或多次重複,直到感測器資料滿足一或多個感測器資料準則。方法進一步包括分析滿足感測器資料準則的感測器資料以決定真空腔室洩漏率或真空腔室水分含量的至少一者。系統包括真空腔室、泵、隔離閥、光學發射感測器、及計算系統。
Description
本揭示的一些實施例大體係關於一種用於後期維護真空恢復系統的方法及硬體。特定而言,本揭示係關於用於在腔室維護或排氣之後快速原位驗證真空腔室洩漏完整性及/或水分含量的方法及硬體。
半導體基板通常在真空處理系統中處理。此等系統包括一或多個處理腔室,每個處理腔室執行基板處理操作,諸如蝕刻、化學氣相沉積、或物理氣相沉積,該等基板處理操作可以包括溫度及壓力循環,以及將各種化學成分引入腔室中。處理腔室經歷定期維護並且定期監控此種處理腔室的健康狀況。
例如,處理腔室中的壓力可以隨時間監控以基於所量測的腔室中的壓力提升速率(rate of pressure rise; ROR)來驗證腔室的洩漏完整性。洩漏的早期偵測可以大幅度改進真空處理系統的經濟可行性。
現有的真空腔室洩漏完整性量測裝置趨於具有缺點,諸如,成本過高、對高溫敏感、具有短操作壽命、及體積龐大,此處几例。歸因於此等缺點及其他缺點,將其等應用於每一個處理腔室係不可行的。
而是,真空腔室的許多終端使用者訴諸於將真空腔室泵送達延長的持續時間(例如,數分鐘至若干小時,取決於腔室類型),隨後隔離真空腔室,並且量測一段時間內的壓力增加。此程序不提供對真空腔室的洩漏完整性的反饋或指示,直到在抽真空數小時之後發生最終量測步驟。若真空腔室具有小的真空洩漏,則可能花費許多小時來抽吸真空腔室中的壓力,直到發現洩漏。這引起不必要的系統停機時間及生產損失。
本文描述的一些實施例有關於一種用於驗證腔室洩漏完整性的方法。方法包括由計算系統引起量測循環。量測循環包括引起泵抽吸半導體處理腔室的壓力達設定時間段。量測循環進一步包括引起隔離閥隔離半導體處理腔室。方法進一步包括從光學發射感測器接收感測器資料。量測循環進一步包括分析感測器資料以決定感測器資料是否滿足一或多個感測器資料準則。方法進一步包括由計算系統引起量測循環的一或多次重複,直到感測器資料滿足一或多個感測器資料準則。方法進一步包括分析滿足感測器資料準則的感測器資料以決定真空腔室洩漏率。
本文描述的一些實施例有關於用於監控真空腔室水分含量。方法包括由計算系統引起量測循環。量測循環包括引起泵抽吸半導體處理腔室的壓力達設定時間段。量測循環進一步包括引起隔離閥隔離半導體處理腔室。量測循環進一步包括從光學發射感測器接收有關氫、氧、或羥基的感測器資料。量測循環進一步包括分析氫、氧、或羥基感測器資料以決定氫、氧、或羥基感測器資料是否滿足一或多個感測器資料準則。方法進一步包括由計算系統引起量測循環的一或多次重複,直到氫、氧、或羥基感測器資料滿足一或多個感測器資料準則。方法進一步包括分析滿足一或多個感測器資料準則的氫、氧、或羥基感測器資料以決定真空腔室水分含量。
本文描述的一些實施例有關於一種系統,包括真空腔室、光學發射感測器(例如,用於執行遠端電漿光學發射光譜學(optical emission spectroscopy; OES)及/或電漿增強OES)、泵、及計算系統。真空腔室包括耦接到隔離閥的主體,該隔離閥經構造為隔離由主體形成的空腔。光學發射感測器可在隔離閥之上(例如,在隔離閥的腔室體積側上)安裝並且可經構造為產生對應於從空腔發射一或多種氣體的感測器資料。泵可耦接到真空腔室並且經構造為操縱真空腔室中的壓力。計算系統可經構造為引起量測循環。量測循環可包括引起泵抽吸真空腔室的壓力達設定時間段及/或抽吸到目標壓力(例如,約0.1 mTorr至約500 mTorr,或大於10 mTorr);引起隔離閥隔離真空腔室;從光學發射感測器接收感測器資料;分析感測器資料以決定感測器資料是否滿足一或多個感測器資料準則。計算系統進一步經構造為引起量測循環的一或多次循環,直到感測器資料滿足一或多個感測器資料準則。計算系統進一步經構造為分析滿足感測器資料準則的感測器資料以決定真空腔室洩漏率或真空腔室水分含量的至少一者。
本揭示的實施例有關於一種用於在腔室維護或排氣之後快速驗證真空腔室洩漏完整性的方法及系統。在某些實施例中,本揭示有關於適用於在維護或排氣之後快速驗證真空腔室是否無洩漏(例如,不具有洩漏或具有低於閾值的洩漏率)的操作方法。若偵測到腔室洩漏或若使用如本文描述的快速洩漏率測試來實現腔室洩漏率通過規格,則本文描述的操作方法允許避免標準腔室恢復程序。在某些實施例中,本文描述的操作方法可以額外或替代地用於監控真空腔室中的水分,諸如在抽吸或烘乾程序期間。
標準腔室後期維護(或排氣)真空完整性檢查(亦可稱為「提升率」或「ROR」程序)涉及:1)抽吸腔室達使用者定義的持續時間;2)隔離腔室並且穩定壓力;以及3)在使用者定義的持續時間內量測腔室中的壓力增加。利用此種方法,抽吸時間可以長達數分鐘至若干小時,取決於腔室類型。若腔室具有小的真空洩漏,則量測腔室壓力可額外花費許多小時,直到偵測到洩漏。這引起不必要的系統停機時間及生產損失。
現有的真空完整性量測裝置(諸如氦洩漏偵測器及殘留氣體分析儀(residual gas analyzer; RGA))具有許多缺點,包括:成本過高而不能用於每一個腔室、體積龐大而不能用於一些腔室中、具有低靈敏度、具有短壽命、具有對量測條件的限制(諸如對腔室溫度的限制或對可在處理腔室中使用的化學物質的限制)、及類似者。例如,ZrO
2氧感測器可僅在惰性周圍環境中起作用。此外,一些腔室必須冷卻以便獲得準確的洩漏資訊,此需要時間。此外,在執行此種洩漏偵測操作之後,系統可能需要重新鑒定,此進一步增加設備停機時間。作為使用此種裝置的替代方案,真空腔室的許多終端使用者藉由抽吸腔室達延長的持續時間(例如,數小時),隨後隔離腔室並且量測壓力隨著時間的增加來進行真空腔室完整性檢查。利用此程序,不存在對洩漏的原位、實時反饋或指示,直到完成最終壓力增加量測。
相比之下,本揭示的操作方法及系統在腔室抽吸期間提供主動、原位、實時反饋,此可以用於快速(例如,在數秒數分鐘內)決定腔室是否具有真空洩漏。例如,在實施例中,洩漏偵測可在60秒內執行。此外,本揭示的方法及系統可以對熱腔室(例如,高於室溫的腔室,諸如在100℃、120℃、150℃、180℃、200℃、400℃等等下)執行。此外,本揭示的方法及系統不受從腔室中除氣的化學副產物(諸如惰性及/或毒性副產物)的影響。本文描述的方法及系統藉由減少抽吸時間來減少系統維護時間,該等抽吸時間用於驗證腔室洩漏率及/或減少背景水分。例如,用於檢查真空洩漏的時間可以從數小時減少到數分鐘。本文描述的操作方法及系統與傳統技術及系統相比更加成本有效,使其等更可行且可能地用於大量腔室。本文描述的操作方法及系統可以用於熱腔室,可以用於指示真空腔室健康狀況,並且可以與短維護程序一起使用以在不關閉或冷卻腔室的情況下在腔室生產循環期間週期地驗證真空完整性。
本文的術語「原位」意味著在以下意義上「在適當位置」:處理腔室保持完整並且處理腔室不需要拆卸或暴露於大氣以便執行所揭示的操作方法。原位方法可在處理基板之間或甚至作為處理腔室中的步驟執行。
在某些實施例中,本文描述了包括真空腔室(例如,半導體處理腔室)的系統。真空腔室可包括允許氣體流入腔室中的一或多個輸入及/或允許氣體流出腔室的一或多個輸出。一或多個輸出可連接到真空泵。此等輸入及/或輸出的任一者可包括隔離閥,該隔離閥可以關閉以隔離真空腔室的內部體積。
在實施例中,真空腔室耦接到經構造為調節真空腔室內的壓力的泵(例如,具有鼓風機的旋轉泵、低溫泵、渦輪泵及類似者)。光學發射裝置(例如,低成本遠端電漿光學發射裝置,亦可稱為「OES」)安裝到真空腔室上(例如,在隔離閥之上),或安裝到連接到真空腔室的氣體線路上。隔離閥可放置在OES與處理腔室之間以防止在腔室中的定期處理期間暴露於處理氣體。例如,此種隔離可用於沉積腔室,諸如用於磊晶沉積(epitaxy deposition; EPI)的彼等。OES可能或可能不具有機載真空量測能力。OES可視情況與現有的真空腔室真空計結合使用,以在已經排氣腔室之後週期性監控在真空腔室中發現的一或多種氣體的光學強度。OES(例如,連同真空計)亦可用於在真空腔室隔離及量測操作期間監控真空腔室中的壓力增加。
在某些實施例中,本文亦描述了一種偵測真空腔室的洩漏率的方法。方法包括執行由計算系統引起的一系列量測循環。量測循環包括計算系統引起短抽吸操作達第一持續時間,引起腔室隔離,及引起收集OES感測器資料及真空計讀數達第二持續時間。計算系統引起量測循環的重複,直到OES感測器資料滿足規定的感測器資料準則。OES感測器資料(諸如光學發射線路趨勢),如針對在排氣之後在真空腔室中發現的一或多種氣體所量測,光學感測器整合時間、及真空增加可用於監控一或多種此等氣體的除氣減少,以及在真空腔室恢復期間監控來自水的氫及羥基。可計算發射線路趨勢的增加斜率,可將該斜率記錄為數值(例如,純度數值),該數值可具有量測的任意單位。
OES感測器資料可包括一或多個發射線路的資料。若存在真空洩漏,則一或多種氣體(例如,氧、氮、及/或氬)的發射線路將穩定在提升的位準下。上文描述的量測循環可重複,直到感測器資料對於一列中的數目至少等於量測循環數目閾值的量測循環已經穩定。感測器資料是否已經穩定可藉由以下驗證:比較從最新量測循環獲得的第一感測器資料與從一或多個先前量測循環獲得的一或多個先前感測器資料值,並且決定差是否低於差閾值。在針對數量至少等於量測循環數目閾值的量測循環決定第一感測器資料與一或多個先前感測器資料之間的差小於差閾值之後,量測循環可係結束(例如,可能不運行額外的量測循環),並且可以決定一或多種氣體的背景位準。可以隨後分析(例如,與校準的基線相比)一或多種氣體的背景位準或感測器資料以決定真空腔室是否係無洩漏及/或決定真空腔室洩漏率。校準的洩漏或排出腔室中的微量氣流(例如,微量空氣或氧流)的任何方法可用於校準裝置。
第1圖示出了根據本揭示的實施例的系統100的示意圖。在某些實施例中,系統100包括處理腔室102(例如,半導體處理腔室)或另一真空腔室。處理腔室102包括耦接到其上設置的蓋130的腔室主體108(包括側壁116及底壁110)。腔室主體108及蓋130一起限定內部體積或內部空腔106。基板支撐組件148在內部體積106內設置以在處理期間支撐其上的基板144。
管線或通道(例如,入口或出口)133將真空泵122連接到腔室100的內部體積106。在通道133內可包括隔離閥135,並且隔離閥135可關閉以將內部體積106與外部環境隔離。
光學發射感測器(OES) 158可進一步安裝在腔室100中或安裝到腔室100。在一個實施例中,OES安裝在隔離閥135中的觀察埠上方。或者,OES 158可以使OES能夠光學量測內部體積106的方式安裝在腔室100的任何其他位置處的觀察埠上方。在一個實施例中,OES 158位於處理腔室102的側面。在一個實施例中,OES 158位於在隔離閥160之前的排氣埠或排氣線路或前級管線之外。在一個實施例中,OES 158位於壓力控制閥160與隔離閥162之間的排氣線路或前級線路之外。光學發射感測器158可係遠端電漿光學發射感測器。光學發射感測器經構造為產生對應於從內部體積或內部空腔106發射一或多種氣體的感測器資料。光學發射感測器158可能或可能不具有機載真空量測能力。在實施例中,光學發射感測器158可與半導體處理腔室102(未圖示)的內置真空計結合利用。在某些實施例中,在晶圓處理期間,光學發射感測器158可獨立地與處理腔室102隔離。此在苛刻的沉積化學物質(諸如磊晶)中可能係有利的,因為當沉積化學物質流動時其可保護該真空計。
在一個實施例中,光學發射感測器158包括感測器歧管及耦接到感測器歧管的感測器。輔助氣體供應器可耦接到感測器歧管並且可經構造為將輔助氣體供應到感測器歧管。感測器歧管可經構造為耦接到真空腔室前級線路。示例性的適宜光學發射感測器在美國專利第10,502,651號中描述,該美國專利的全部內容藉由引用方式併入本文中。在一些實施例中,OES可具有在下文表1中的描述的特徵的任何組合。
表1-根據實施例的示例性光學發射感測器的規格
規格 | 單位 | 範圍 | |
N 2量測範圍 | mbar (Torr) | 1x10 -6至10 (7.6x10 -7至 7.6) | |
O 2洩漏偵測極限 | mTorr/min | ≧0.3 | |
壓力(惰性氣體<50℃) | Bar(絕對) | ≦10 | |
操作溫度 | ℃ | 5至60 | |
儲存溫度 | ℃ | -20至70 | |
凸緣烘乾 | ℃ | ≦80 | |
30天一年的相對濕度 | % | ≦95(不凝結) | |
供應電壓 | 量計處 | V (dc) | +14.5至+30 |
波紋 | V(p-p) | ≦1 | |
電力消耗 | W | ≦5 |
熔合到連接 | AT | ≦1 | |
輸出信號 | 數位 | Ethercat、Dnet、或其他通信協定 | |
感測器輸入 | 開始/停止、電漿開啟/關閉、設定整合時間 | ||
感測器輸出 | 發射線斜率、氣體成分 | ||
電氣連接 | D-sub,9 pin (male) | ||
高壓(在量測腔室中) | 點火電壓 | kV | ≦4.5 |
操作電壓 | kV | ≦3.3 | |
點火行為 | 1x10 -5至10 | Sec | ≦1 |
1x10 -6至10 -5 | Sec | ≦20 | |
暴露於真空的材料 | 一般 | Al2O3,不鏽鋼1.4435 | |
陽極 | 鉬 | ||
離子化腔室 | 鈦,不鏽鋼1.4016 | ||
點火輔助 | 不鏽鋼1.4310 | ||
真空凸緣 | 8 VCR、4VCR、 KF25、KF40、或其他標準真空配件 | ||
內部體積 | cm 3(英吋 3) | ≦30 (1.83) | |
重量 | g | ≦800 | |
尺寸 | 佔據面積 | mm | 60x60 |
高度 | mm | 137 |
在處理腔室102的內部體積或內部空腔106內的壓力可使用在排氣線路或前級線路126上的排氣閥或隔離閥162及/或壓力閥160及/或耦接到處理腔室102的一或多個真空泵122上控制、調節、或操縱。真空泵122可係各種泵中的一種,諸如但不作限制,在頂部上具有鼓風機的旋轉泵、低溫泵、渦輪泵、及類似者。腔室主體102的溫度可使用含液體的導管(未圖示)控制、調節、或操縱,該等導管運行穿過腔室主體108及/或穿過在某些腔室部件中(諸如在基板支撐組件148中)的內置加熱器。在一些實施例中,真空泵122經由管線或通道連接到隔離閥162。
半導體處理腔室102及其各個部件進一步耦接到控制器155,該控制器經構造為在處理之前、期間、及之後控制半導體處理腔室102及其各個部件的操作。控制器155可係及/或包括計算系統,諸如個人電腦、伺服器電腦、可程式化邏輯控制器(programmable logic controller; PLC)、微控制器等等。控制器155可包括一或多個處理裝置,諸如微處理器、中央處理單元、或類似者。更特定地,處理裝置可係複雜指令集計算(complex instruction set computing; CISC)微處理器、精簡指令集計算(reduced instruction set computing; RISC)微處理器、極長指令詞(very long instruction word; VLIW)微處理器、或實施其他指令集的處理器或實施指令集組合的處理器。處理裝置亦可係一或多個專用處理裝置,諸如特殊應用積體電路(application specific integrated circuit; ASIC)、現場可程式化閘陣列(field programmable gate array; FPGA)、數位訊號處理器(digital signal processor; DSP)、網路處理器、或類似者。在某些實施例中,可互換地使用對控制器及計算系統的參考。
儘管未示出,控制器155可包括資料儲存裝置(例如,一或多個磁碟驅動器及/或固態驅動器)、主記憶體、靜態記憶體、網路介面、及/或其他部件。控制器155可執行指令以執行本文描述的方法及/或實施的一或多個,包括影像或感測器資料處理及分析、感測器資料處理演算法、產生及/或實施一或多個經訓練的機器學習模型的機器學習(machine learning; ML)演算法、深度ML演算法、及用於例如在決定處理腔室102內的真空腔室洩漏完整性及/或水分含量時分析感測器資料的其他演算法。指令可儲存在電腦可讀取儲存媒體上,該電腦可讀取儲存媒體可包括主記憶體、靜態記憶體、二級儲存器及/或處理裝置(在執行指令期間)。在一些實施例中,訓練資料以訓練ML模型可藉由在具有校準的洩漏的腔室上使用感測器或其他類型的裝置獲得。
控制器(例如,計算系統)155包含中央處理單元(CPU) 123、記憶體124、及用於CPU 123的支援電路125,並且促進對處理腔室102的部件的控制。控制器(例如,計算系統)155可以係任何形式的通用電腦處理器的一個,該通用電腦處理器可以在工業環境中用於控制各個腔室及子處理器。記憶體124儲存軟體(源或目標代碼),可執行或調用該軟體來以本文描述的方式控制處理腔室102的操作。
控制器(例如,計算系統)155亦經構造為監控處理腔室102的健康狀況,例如,藉由在腔室維護之後及/或在排氣之後驗證真空腔室主體102內側的洩漏完整性及/或水分含量。在某些實施例中,控制器(例如,計算系統)155藉由經構造為引起量測循環並且引起所述量測循環的一或多次重複直到在一或多個量測循環中獲得的感測器資料滿足一或多個感測器資料準則來獲得真空腔室洩漏完整性及/或水分含量的快速驗證,此將在下文關於第2圖及第3圖中示出的操作方法進一步詳細描述。
量測循環包括控制器(例如,計算系統)155經構造為引起泵122抽吸真空腔室102的壓力達設定時間段。量測循環進一步包括控制器(例如,計算系統)155經構造為引起隔離閥135隔離真空腔室102。量測循環進一步包括控制器(例如,計算系統)155經構造為從光學發射感測器158接收感測器資料。量測循環進一步包括控制器(例如,計算系統)155經構造為分析感測器資料以決定感測器資料是否滿足一或多個感測器資料準則,此將在下文關於第2圖及第3圖中示出的操作方法進一步詳細描述。
控制器(例如,計算系統)155進一步經構造為在決定在一或多個量測循環中獲得的感測器資料滿足一或多個感測器資料準則之後結束量測循環的重複。其後,控制器(例如,計算系統)155經構造為分析滿足感測器資料準則的感測器資料以決定真空腔室102的洩漏完整性或真空腔室102的水分含量的至少一者。
處理腔室102可從下列的一或多個中選擇:蝕刻腔室、沉積腔室(包括原子層沉積、化學氣相沉積、物理氣相沉積、磊晶、或其電漿增強的版本)、退火腔室、佈植腔室、及類似者。處理腔室102及其中的部件可經歷定期維護並且可定期監控其健康狀況(諸如真空洩漏完整性)。類似地,在對水敏感的處理腔室(例如,原子層沉積腔室)中,亦可定期監控腔室中的水分含量。
目前,監控此種處理腔室的健康狀況涉及冗長處理及/或成本過高的設備,該設備體積龐大、具有低靈敏度、短壽命、及降低其可用性的其他缺點。此外,一些感測器不與製程副產物相容。此外,習知的洩漏偵測器當在高溫(例如,高於室溫或接近處理溫度的溫度)下使用時係不準確的。冗長處理可引起長的系統停機時間及生產損失。為了減輕此等損失,操作人員可較不頻繁地評估處理腔室的健康狀況並且冒險繼續處理。系統100經構造為使用可負擔的、緊湊的、耐久的、準確的、及靈敏的設備(例如,遠端電漿光學發射感測器)來提供關於處理腔室102的健康狀況的原位快速反饋。
第2圖係根據本揭示的實施例的用於決定處理腔室(諸如第1圖的處理腔室102)的真空腔室洩漏完整性的操作方法200的流程圖。方法200的一些操作可藉由處理邏輯執行,該處理邏輯可包括硬體(電路系統、專用邏輯等)、軟體(諸如在通用電腦系統或專用機器上運行)、韌體、或其一些組合。方法200的一些操作可由計算系統(諸如第1圖的控制器155)執行,該計算系統在處理腔室102的各個部件(諸如泵122、隔離閥135、及/或光學發射感測器158)的控制下。例如,執行方法200的一或多個操作的處理邏輯可在控制器(例如,計算系統)155上執行。
為了簡單解釋,將方法描繪且描述為一系列動作。然而,根據本揭示的動作可以各種順序及/或同時發生,並且其他動作在本文中不呈現及描述。此外,實現根據所揭示的主旨的方法可能未執行所有示出的動作。此外,熟習此項技術者將理解及認識到,方法可以替代地經由狀態圖或事件表示為一系列相互關聯的狀態。
參考第2圖,方法200可開始於計算系統接收感測器資料準則(205)。可由計算系統接收的示例性感測器資料準則包括差閾值、量測循環數目閾值、及感測器資料值閾值的至少一者。將在下文參考方法200的各個操作進一步詳細描述此等感測器資料準則的每一者。
方法200可繼續,計算系統引起量測循環發生(210)。在每個量測循環中,計算系統引起泵(諸如第1圖中的泵122)抽吸真空腔室(諸如第1圖中的半導體處理腔室102)的壓力達設定時間段(220)。不同於現有方法,其中操作人員可抽吸真空腔室的壓力達延長的持續時間,該持續時間可以有時花費數小時(例如,直到實現某一壓力),方法200的抽吸操作的持續時間較短並且可以跨越範圍從約10秒至約10分鐘、從約30秒至約7分鐘、或從約1分鐘至約5分鐘變化的第一持續時間。
方法200及特別地量測循環繼續,計算系統引起隔離閥(諸如第1圖中的隔離閥135或162)以隔離真空腔室的內部空腔(例如,第1圖中的106)(230)。方法200的隔離操作的持續時間亦較短並且可以跨越範圍從小於5秒至一分鐘、從約10秒至約3分鐘、從約20秒至約2分鐘、或從約30秒至約90秒變化的第二持續時間。在一些實施例中,在量測開始之前關閉隔離閥之後,處理邏輯等待短的穩定時間。在實施例中,穩定時間可在約1與300秒之間,或約5與60秒之間。
方法200及特別地量測循環繼續,計算系統從光學發射感測器(例如,第1圖中的遠端電漿光學發射感測器158)接收感測器資料。從光學發射感測器接收的感測器資料與真空腔室中(例如,半導體處理腔室中)的壓力提升速率相關並且可以提供關於真空腔室的洩漏完整性及/或真空腔室的水分含量的資訊。
從光學發射感測器接收的感測器資料可包括下列的至少一者:真空腔室壓力(例如,半導體處理腔室壓力)、一或多種氣體的每秒計數的量測(例如,標準化為每百萬計數及/或顯示為監控的每種氣體的百分比)、在真空腔室中(例如,在半導體處理腔室中)的一或多種氣體的分壓、在真空腔室中(例如,在半導體處理腔室中)的大氣成分,在真空腔室中(例如,在半導體處理腔室中)的一或多種氣體的純度數值、在真空腔室中(例如,在半導體處理腔室中)的一或多種氣體的光學感測器整合時間、在真空腔室中(例如,在半導體處理腔室中)的一或多種氣體的壓力提升速率、光學發射量測、或其組合。
在實施例中,光學發射感測器可提供感測器資料的一或多種氣體可從氮(N)、氧(O)、氫(H)、氬(Ar)、或羥基(OH)中選擇。光學發射感測器可提供在變化波長(諸如,從約200 nm波長至約900 nm波長)下的以上氣體的一或多種的感測器資料。
由計算系統從光學發射感測器接收的感測器資料可採取不同形式,其中的一些形式在下文進一步詳細解釋。
例如,感測器資料可作為隨著特定量測循環的波長變化的光學發射強度(量測為每秒計數)提供。每個波長可對應於特定氣體(例如,在656 nm的波長下的峰可對應於氫(H)並且在777 nm的波長下或在844 nm的波長下的峰可對應於氧(O))。在每種波長下的光學發射強度可與真空腔室中的特定氣體的分壓提升速率相關。
在另一實例中,感測器資料可作為特定量測循環及特定氣體的純度數值提供。純度數值可係例如範圍從0至約300變化的任一數值,該數值可與在量測循環期間真空腔室中的特定氣體的分壓提升速率相關。純度數值將基於不同的腔室洩漏率及不同的氣體光譜來變化。
在又一實例中,感測器資料可作為特定量測循環及特定波長(或特定氣體,因為每個波長可對應於如上文解釋的特定氣體)的純度整合時間提供。純度整合時間反映了光學發射感測器花費來整合所選波長下的峰的時間。在特定波長下的峰的強度越高,純度整合時間越短。在特定波長下的峰的強度越低,純度整合時間越長。較長純度整合時間等於較低分壓。
方法200及特別地量測循環藉由下列繼續:計算系統分析感測器資料以決定感測器資料是否滿足一或多個感測器資料準則(250)。此決定可藉由下列發生:計算系統將來自最新量測循環的第一感測器資料與來自一或多個先前量測循環的先前感測器資料進行比較(260)。
若方法200(作為量測循環的一部分)決定在第一感測器資料與來自一或多個先前量測循環的先前感測器資料之間的差小於數目至少等於量測循環數目閾值的量測循環的差閾值(270),則方法200決定感測器資料已穩定,可結束量測循環的重複,並且繼續到下一操作(290)。感測器資料穩定指示正監控的一或多種氣體的背景位準未改變。
然而,若方法200(作為量測循環的一部分)決定在第一感測器資料與先前資料之間的差高於該差閾值或小於數目低於量測循環數目閾值的量測循環的差閾值,則方法200可繼續到操作280以從不同態樣決定感測器資料是否滿足一或多個感測器資料準則。
若方法200(作為量測循環的一部分)決定數目至少等於量測循環數目閾值的量測循環的感測器資料已經低於感測器資料值閾值(280),則方法200可結束量測循環的重複直到繼續到下一操作(290)。然而,若方法200(作為量測循環的一部分)決定在第一感測器資料與先前資料之間的差高於感測器資料值閾值或低於數目低於量測循環數目閾值的量測循環的感測器資料值閾值,則方法200可重複量測循環(例如,操作210、220、230、240、250、260、270、及280)。
在一個實施例中,經訓練的機器學習模型用於決定感測器資料是否滿足一或多個感測器資料準則。可將感測器資料輸入經訓練的機器學習模型中,該經訓練的機器學習模型可隨後輸出感測器資料的分類。分類可係指示滿足一或多個感測器資料準則的第一分類或指示不滿足一或多個感測器資料準則的第二分類。在一個實施例中,將來自多個量測循環的感測器資料輸入經訓練的機器學習模型中。例如,可將來自三個量測循環的感測器資料輸入經訓練的機器學習模型中。
經訓練的機器學習模型可能已經使用包括大量的資料項目的訓練資料集訓練,其中每個資料項目包括指示資料項目滿足或不滿足一或多個感測器資料準則的標記。
經訓練的機器學習模型可能係例如決策樹、神經網路(諸如卷積神經網路)、深度神經網路、或其他類型的機器學習模型。可用於決定感測器資料是否滿足感測器資料準則的一種類型的機器學習模型係人工神經網路,諸如深度神經網路。人工神經網路大體包括具有將特徵映射到目標輸出空間的分類器或迴歸層的特徵表示部件。例如,卷積神經網路(convolutional neural network; CNN)主管多層卷積過濾器。在頂部通常附加有多層感知器的較低層處執行集合,並且可解決非線性,從而將由卷積層提取的頂部層特徵映射到決策(例如,分類輸出)。深度學習係使用多層非線性處理單元的級聯用於特徵提取及變換的一類機器學習演算法。每個連續層使用來自先前層的輸出作為輸入。
深度神經網路可以受監督(例如,分類)及/或不受監督(例如,模式分析)方式學習。深度神經網路包括層階層,其中不同層學習對應於不同抽象位準的不同表示位準。在深度學習中,每個位準學習將其輸入資料變換為略微更抽象及複合表示。在影像識別應用中,例如,原始輸入可能係像素矩陣;第一表示層可提取像素並且編碼邊緣;第二層可構成並且編碼邊緣的佈置;第三層可編碼高位準形狀(例如,牙齒、嘴唇、牙齦等);以及第四層可識別影像含有面部或定義影像中牙齒周圍的邊界框。值得注意的,深度學習製程可以自己學習哪些特徵最佳地放置在哪個位準。「深度學習」中的「深度」指資料穿過其變換的層的數目。更精確地,深度學習系統具有實質信用指派路徑(credit assignment path; CAP)深度。CAP係從輸入到輸出的變換鏈。CAP描述了輸入與輸出之間的潛在因果關係。針對前饋神經網路,CAP的深度可能係網路深度並且可係隱藏層的數目加一。針對其中信號可穿過層傳播大於一次的遞歸神經網路,CAP深度潛在地不受限制。
在一個實施例中,機器學習模型係遞歸神經網路(recurrent neural network; RNN)。RNN係包括記憶體的神經網路類型,該記憶體使神經網路能夠捕獲時間依賴性。RNN能夠學習取決於當前輸入及過去輸入兩者的輸入-輸出映射。RNN將解決從當前及過去量測循環獲取的感測器資料並且可基於此連續資訊進行預測。RNN可使用訓練資料集訓練以產生固定數目的輸出(例如,以分類時間變化資料,諸如隨著時間獲得的OES感測器資料)。可使用的一種類型的RNN係長短期記憶體(long short term memory; LSTM)神經網路。
在計算系統決定感測器資料滿足一或多個感測器資料準則之後,結束量測循環,並且方法200藉由下列繼續:計算系統分析滿足感測器資料準則的感測器資料以決定真空腔室是否無洩漏及/或真空腔室洩漏率(290)。若在真空腔室中存在真空洩漏,則感測器資料將在提升的位準(例如,高於感測器資料值閾值)下穩定。若真空腔室無洩漏,則感測器資料將在低於感測器資料值閾值的位準下穩定。
可以受控方式針對每個腔室校準針對各種程度的洩漏的洩漏率。以此方式,可指示特定真空腔室的健康狀況。換言之,每個真空腔室可與針對無洩漏真空腔室並且針對變化洩漏率的洩漏的基線感測器資料特性相關聯。例如,當腔室無洩漏時可在一次性維護程序期間獲得感測器資料以指示無洩漏真空腔室的基線感測器資料。可以受控或已知的洩漏率對校準的洩漏(例如,0.3 mTorr/min的洩漏至約20 mTorr/min的洩漏)完成類似的一次性量測。可將滿足感測器資料準則的感測器資料(在方塊250中)與基線感測器資料進行比較(例如,在分析操作290期間)。
在一個實施例中,經訓練的機器學習模型用於基於滿足一或多個感測器準則的感測器資料來決定腔室的當前洩漏率。經訓練的機器學習模型可係本文上文論述的機器學習模型的類型的任一者。經訓練的機器學習模型可能已經受訓練以接收感測器資料作為輸入並且輸出洩漏率值。經訓練的機器學習模型可能已經使用訓練資料集訓練,該訓練資料集包括用洩漏率標記的感測器資料。訓練資料集可能已經由在測試下的相同腔室收集的資料產生、從相同類別的腔室產生、或從其他類型的腔室產生。在一個實施例中,單個經訓練的機器學習模型輸出指示感測器資料是否滿足一或多個感測器資料準則的第一值並且進一步輸出指示洩漏率的第二值。因此,在實施例中,可藉由將感測器資料輸入經訓練的機器學習模型中來同時執行方塊250及方塊290處的操作。
第3A圖及第3B圖係使用第2圖的操作方法200的實例。第3A圖示出了根據本揭示的實施例的對具有洩漏的真空腔室執行的用於決定真空腔室洩漏完整性的操作方法200的圖形輸出。第3B圖示出了根據本揭示的實施例的對不具有洩漏的真空腔室執行的用於決定真空腔室洩漏完整性的操作方法200的圖形輸出。
在第3A圖及第3B圖兩者中,由計算系統從光學發射感測器接收的感測器資料係在777 nm下的氧的純度數值。隨時間(以秒計)變化的氧的純度數值(在777 nm下)藉由第3A圖中的線310及第3B圖中的350圖示。線320及360表示在純度量測期間在處理腔室中的隨時間(以秒計)變化的實際壓力改變。此改變等於來自真空洩漏的壓力增加(例如,以Torr計)加上來自腔室除氣的壓力改變(虛擬洩漏)。參考第3A圖,執行六個量測循環(指定為A、B、C、D、E、及F),直到計算系統決定其從光學發射感測器接收的感測器資料(純度數值)滿足感測器資料準則。在每個循環中,抽吸壓力達第一持續時間,隔離腔室,並且其後光學發射感測器產生關於真空腔室中的氧(在777 nm下)的壓力提升速率的資訊。藉由線310圖示,壓力提升速率與純度數值相關。例如,循環C具有約17的純度數值,循環D具有約11的純度數值,循環E具有約12的純度數值。
計算系統可接收感測器資料準則,諸如差閾值、量測循環數目閾值、及感測器資料值閾值。在第3A圖中,差閾值可係例如1%變化,量測循環數目閾值可係例如3個循環,並且感測器資料值閾值可係例如純度數值0。
例如,在循環C中,計算系統可分析在來自循環C的第一感測器資料(亦即,循環C的純度數值)與來自一或多個先前循環的感測器資料(亦即,循環A及B的純度數值)之間的差是否小於數目至少等於量測循環數目閾值(亦即,3個循環)的量測循環的差閾值(亦即,小於1%變化)。若循環C的純度數值(當與循環A及B的純度數值相比時)小於針對一列中的3個循環指定的差閾值,量測循環將結束並且計算系統可分析循環C的純度數值以決定真空腔室的洩漏率。
或者,計算系統可分析數目至少等於量測循環數目閾值(亦即,3個循環)的量測循環的感測器資料(亦即,純度數值)是否低於感測器資料值閾值(亦即,低於0的純度數值)。若在一列中的三個循環(例如,循環C、D、及E)的純度數值小於純度數值0的指定的感測器資料值閾值,量測循環將結束並且計算系統可分析滿足感測器資料準則的最後循環的純度數值以決定真空腔室的洩漏率。
在第3A圖中,循環D、E、及F的純度數值係穩定的,因此在循環F之後(亦即,在約600秒或約10分鐘內)計算系統結束量測循環的重複。循環F的純度數值藉由計算系統分析並且決定真空腔室具有洩漏。
參考第3B圖,執行十一個量測循環(指定為1、2、3、4、5、6、7、8、9、10、及11),直到計算系統決定其從光學發射感測器接收的感測器資料(純度數值)滿足遵循如在第2圖中描述並且在第3A圖中例示的類似操作方法的感測器資料準則。在第3B圖中,循環9、10、及11的純度數值係穩定的(亦即,此等循環的純度數值的差低於差閾值),因此在循環11之後(在約1200秒或約20分鐘內)計算系統結束量測循環的重複。循環11的純度數值藉由計算系統分析並且決定真空腔室不具有洩漏。
在第3A圖及第3B圖中例示的場景中藉由計算系統接收的感測器資料係針對氧。然而,計算系統可接收替代氧或除了氧之外的一或多種其他氣體的類似感測器資料(諸如氮、氬、氫、或羥基)。第4A圖示出了根據本揭示的實施例的在對真空腔室執行用於決定真空腔室洩漏完整性的操作方法之後獲得的隨著針對氧(在777 nm波長下量測)及氮(在870 nm波長下量測)的純度量測循環變化的純度數值的圖形輸出。
第4A圖亦示出了針對一或多種氣體的從光學發射感測器接收的感測器資料係可靠且可再現的。例如,針對氧(如在777 nm下量測)及針對氮(如在870 nm下量測)的純度數值隨著純度循環變化的趨勢在四個分離的運行中保持一致。此觀察進一步由第4B圖支援。
在第4B圖中,氧的壓力提升速率藉由柱410、420、430、及440描繪並且在每次運行的上一量測循環處的氧的最終純度數值藉由柱450、460、470、及480描繪。第一運行包括六個量測循環,直到計算系統決定感測器資料(亦即,氧及/或氮的純度數值)滿足一或多個感測器資料準則。第二運行包括七個量測循環,第三運行包括七個量測循環,並且第四運行包括九個量測循環。如可以在第4B圖中看到,氧的壓力提升速率在四個分離的運行中保持一致。類似地,針對氧的最終純度數值在四個分離的運行中亦不顯著偏離。此示出操作方法200在決定真空腔室洩漏完整性方面的一致性及可靠性。
第5圖係根據本揭示的實施例的用於決定處理腔室(諸如第1圖的處理腔室102)的真空腔室的水分含量的操作方法500的流程圖。方法500的一些操作可藉由處理邏輯執行,該處理邏輯可包括硬體(電路系統、專用邏輯等)、軟體(諸如在通用電腦系統或專用機器上運行)、韌體、或其一些組合。方法500的一些操作可由計算系統(諸如第1圖的控制器155)執行,該計算系統在處理腔室102的各個部件(諸如泵122、隔離閥135、及/或光學發射感測器158)的控制下。例如,執行方法500的一或多個操作的處理邏輯可在控制器(例如,計算系統)155上執行。
為了簡單解釋,將方法描繪且描述為一系列動作。然而,根據本揭示的動作可以各種順序及/或同時發生,並且在本文中不呈現及描述其他動作。此外,實現根據所揭示的主旨的方法並非執行所有示出的動作。此外,熟習此項技術者將理解及認識到,方法可以替代地經由狀態圖或事件表示為一系列相互關聯的狀態。
參考第5圖,方法500可開始於計算系統接收感測器資料準則(505)。可由計算系統接收的示例性感測器資料準則包括差閾值、量測循環數目閾值、及感測器資料值閾值的至少一者。將在下文參考方法500的各個操作進一步詳細描述此等感測器資料準則的每一者。
方法500可繼續,計算系統引起量測循環發生(510)。在每個量測循環中,計算系統引起泵(諸如第1圖中的泵122)抽吸真空腔室(諸如第1圖中的半導體處理腔室102)的壓力達設定時間段(520)及/或抽吸到目標壓力(例如,約0.1 mTorr至約500 mTorr,或大於10 mTorr)。不同於現有方法,其中操作人員可抽吸真空腔室的壓力達延長的持續時間,該持續時間可以有時花費數小時(例如,直到實現某一壓力),方法500的抽吸操作的持續時間較短並且可以跨越範圍從約10秒至約10分鐘、從約30秒至約7分鐘、或從約1分鐘至約5分鐘變化的第一持續時間。
方法500及特別地量測循環繼續,計算系統引起隔離閥(諸如第1圖中的隔離閥135)以隔離真空腔室的內部空腔(例如,第1圖中的106)(530)。方法500的隔離操作的持續時間亦較短並且可以跨越範圍從約10秒至約3分鐘、從約20秒至約2分鐘、或從約30秒至約90秒變化的第二持續時間。
方法500及特別地量測循環繼續,計算系統從光學發射感測器(例如,第1圖中的遠端電漿光學發射感測器158)接收氫(H)、氧(O)、或羥基(OH)感測器資料(540)。從光學發射感測器接收的H、O、或OH感測器資料與真空腔室中(例如,半導體處理腔室中)的壓力提升速率相關並且可以提供關於真空腔室的水分含量的資訊。
從光學發射感測器接收的H、O、及/或OH感測器資料可包括下列的至少一者:真空腔室壓力(例如,半導體處理腔室壓力)、在真空腔室中(例如,在半導體處理腔室中)的H、O、及/或OH的每秒計數(counts per second; CPS)或任意單位(arbitrary unit; AU)的OES線強度、在真空腔室中(例如,在半導體處理腔室中)的大氣的H、O、及OH成分的比率、在真空腔室中(例如,在半導體處理腔室中)的H、O、及/或OH的純度數值、在真空腔室中(例如,在半導體處理腔室中)的H、O、及/或OH的光學感測器整合時間、在真空腔室中(例如,在半導體處理腔室中)的H、O、及/或OH的壓力提升速率、針對H、O、及/或OH的光學發射量測、或其組合。光學發射感測器可提供在變化波長(諸如,從約200 nm波長至約900 nm波長)下的H、O、及/或OH的感測器資料。
由計算系統從光學發射感測器接收的感測器資料可採取不同形式,如在上文關於第2圖進一步詳細解釋。
方法500及特別地量測循環藉由下列繼續:計算系統分析H、O、及/或OH感測器資料以決定H、O、及/或OH感測器資料是否滿足一或多個感測器資料準則(550)。此決定可藉由下列發生:計算系統將來自最新量測循環的第一H、O、及/或OH感測器資料與來自一或多個先前量測循環的先前H、O、及/或OH感測器資料進行比較(560)。
若方法500(作為量測循環的一部分)決定在第一H、O、及/或OH感測器資料與來自一或多個先前量測循環的先前H、O、及/或OH感測器資料之間的差小於數目至少等於量測循環數目閾值的量測循環的差閾值(570),則方法500決定感測器資料已穩定,可結束量測循環的重複,並且繼續到下一操作(590)。關於感測器資料已穩定的決定指示H、O、及/或OH的背景位準未改變。
然而,若方法500(作為量測循環的一部分)決定在第一H、O、及/或OH感測器資料與先前資料之間的差高於該差閾值或小於數目低於量測循環數目閾值的量測循環的差閾值,則方法500可繼續到操作580以從不同態樣決定H、O、及/或OH感測器資料是否滿足一或多個感測器資料準則。
若方法500(作為量測循環的一部分)決定數目至少等於量測循環數目閾值的量測循環的H、O、及/或OH感測器資料已經低於H、O、及/或OH感測器資料值閾值(580),則方法500可結束量測循環的重複直到繼續到下一操作(590)。然而,若方法500(作為量測循環的一部分)決定在第一H、O、及/或OH感測器資料與先前H、O、及/或OH資料之間的差高於H、O、及/或OH感測器資料值閾值或低於數目低於量測循環數目閾值的量測循環的H、O、及/或OH感測器資料值閾值,則方法500可重複量測循環(例如,操作510、520、530、540、550、560、570、及580)。
在一個實施例中,經訓練的機器學習模型用於決定H、O、及/或OH感測器資料是否滿足一或多個感測器資料準則。可將感測器資料輸入經訓練的機器學習模型中,該經訓練的機器學習模型可隨後輸出感測器資料的分類。分類可係指示滿足一或多個感測器資料準則的第一分類或指示不滿足一或多個感測器資料準則的第二分類。在一個實施例中,將來自多個量測循環的感測器資料輸入經訓練的機器學習模型中。例如,可將來自三個量測循環的感測器資料輸入經訓練的機器學習模型中。
經訓練的機器學習模型可能已經使用包括大量的資料項目的訓練資料集訓練,其中每個資料項目包括指示資料項目滿足或不滿足一或多個感測器資料準則的標記。
經訓練的機器學習模型可能係例如決策樹、神經網路(諸如卷積神經網路)、深度神經網路、或其他類型的機器學習模型。可用於決定感測器資料是否滿足感測器資料準則的一種類型的機器學習模型係人工神經網路,諸如深度神經網路。人工神經網路大體包括具有將特徵映射到目標輸出空間的分類器或迴歸層的特徵表示部件。例如,卷積神經網路(CNN)主管多層卷積過濾器。在頂部通常附加有多層感知器的較低層處執行集合,並且可解決非線性,從而將由卷積層提取的頂部層特徵映射到決策(例如,分類輸出)。深度學習係使用多層非線性處理單元的級聯用於特徵提取及變換的一類機器學習演算法。每個連續層使用來自先前層的輸出作為輸入。
深度神經網路可以受監督(例如,分類)及/或不受監督(例如,模式分析)方式學習。深度神經網路包括層階層,其中不同層學習對應於不同抽象位準的不同表示位準。在深度學習中,每個位準學習將其輸入資料變換為略微更抽象及複合表示。在影像識別應用中,例如,原始輸入可能係像素矩陣;第一表示層可提取像素並且編碼邊緣;第二層可構成並且編碼邊緣的佈置;第三層可編碼高位準形狀(例如,牙齒、嘴唇、牙齦等);以及第四層可識別影像含有面部或定義影像中牙齒周圍的邊界框。值得注意的,深度學習製程可以自己學習哪些特徵最佳地放置在哪個位準。「深度學習」中的「深度」指資料穿過其變換的層的數目。更精確地,深度學習系統具有實質信用指派路徑(CAP)深度。CAP係從輸入到輸出的變換鏈。CAP描述了輸入與輸出之間的潛在因果關係。針對前饋神經網路,CAP的深度可能係網路深度並且可係隱藏層的數目加一。針對其中信號可穿過層傳播大於一次的遞歸神經網路,CAP深度潛在地不受限制。
在一個實施例中,機器學習模型係遞歸神經網路(RNN)。RNN係包括記憶體的神經網路類型,該記憶體使神經網路能夠捕獲時間依賴性。RNN能夠學習取決於當前輸入及過去輸入兩者的輸入-輸出映射。RNN將解決從當前及過去量測循環獲取的感測器資料並且可基於此連續資訊進行預測。RNN可使用訓練資料集訓練以產生固定數目的輸出(例如,以分類時間變化資料,諸如隨著時間獲得的OES感測器資料)。可使用的一種類型的RNN係長短期記憶體(LSTM)神經網路。
在計算系統決定H、O、及/或OH感測器資料滿足一或多個感測器資料準則之後,結束量測循環,並且方法500藉由下列繼續:計算系統分析滿足感測器資料準則的H、O、及/或OH感測器資料以決定真空腔室水分含量(590)。
可以受控方式針對每個腔室校準水分位準。以此方式,可指示特定真空腔室的水分飽和。換言之,每個真空腔室可與針對變化的水分位準的基線水分感測器資料特性相關聯。例如,可在將各種已知的水量(例如,1 cc、3 cc、5 cc、7 cc、10 cc等等)注入腔室中以產生基線水分感測器資料之後獲得指示腔室中的水分含量的感測器資料。滿足感測器資料準則的感測器資料(在方塊550中)可與基線水分感測器資料進行比較(例如,在分析操作590期間)以在抽吸及烘乾腔室操作期間決定腔室中的水分含量。校準的參考裝置(諸如Tiger Optics® H2O校準的參考裝置)亦可用於校準來自純度計的信號。
在一個實施例中,經訓練的機器學習模型用於基於滿足一或多個感測器準則的O、H、及/或OH感測器資料來決定腔室中的當前水分含量。經訓練的機器學習模型可係本文上文論述的機器學習模型的類型的任一者。經訓練的機器學習模型可能已經訓練以接收O、H、及/或OH感測器資料作為輸入並且輸出水分含量值。經訓練的機器學習模型可能已經使用訓練資料集訓練,該訓練資料集包括用水分位準標記的O、H、及/或OH感測器資料。訓練資料集可能已經從在測試下的相同腔室收集的資料產生、從相同類別的腔室產生、或從其他類型的腔室產生。在一個實施例中,單個經訓練的機器學習模型輸出指示H、O、及/或OH感測器資料是否滿足一或多個感測器資料準則的第一值並且進一步輸出指示水分含量的第二值。因此,在實施例中,方塊550及方塊590處的操作可藉由將H、O、及/或OH感測器資料輸入經訓練的機器學習模型中來同時執行。
第6A圖及第6B圖係使用第5圖的操作方法500的實例。第6A圖示出了根據本揭示的實施例的對不具有洩漏的真空腔室執行的用於決定真空腔室水分含量的操作方法500的圖形輸出。第6B圖示出了根據本揭示的實施例的對具有洩漏的真空腔室執行的用於決定真空腔室水分含量的操作方法500的圖形輸出。
在第6A圖及第6B圖兩者中,由計算系統從光學發射感測器接收的感測器資料係在777 nm下的氧的純度數值。隨時間(以秒計)變化的氧的純度數值(在777 nm下)藉由第6A圖中的線610及第6B圖中的650圖示。隨時間(以秒計)變化的真空腔室中的氧的分壓(以Torr計)用第6A圖中的線620及第6B圖中的線660描繪。在獲得第6A圖及第6B圖中描繪的感測器資料之前,向腔室注入10 cc的水。第6A圖及第6B圖的感測器資料例示操作方法500的使用以決定真空腔室中的水分含量。
參考第6A圖,執行七個量測循環(指定為611、612、613、614、615、616、及617),直到計算系統決定其從光學發射感測器接收的O感測器資料(純度數值)滿足感測器資料準則。在每個循環中,抽吸壓力達第一持續時間,隔離腔室,並且其後光學發射感測器產生關於真空腔室中的氧(在777 nm下)的壓力提升速率的資訊。例如,在線620在循環611直到617的每一者中增加的部分中,氧的壓力提升速率可以從線620的斜率獲得。藉由線610圖示,壓力提升速率與純度數值相關。例如,循環611具有約55的純度數值,循環163具有約-20的純度數值,循環616具有約-15的純度數值。
計算系統可接收感測器資料準則,諸如差閾值、量測循環數目閾值、及感測器資料值閾值。在第6A圖中,差閾值可係例如1%變化,量測循環數目閾值可係例如3個循環,並且感測器資料值閾值可係例如純度數值-10。
例如,在循環615中,計算系統可分析在來自循環615的第一O感測器資料(亦即,循環615的純度數值)與來自一或多個先前循環的感測器資料(亦即,循環611-614的純度數值)之間的差是否小於數目至少等於量測循環數目閾值(亦即,3個循環)的量測循環(在一列中)的差閾值(亦即,小於1%變化)。若循環615的純度數值(當與循環611-614的每一者的純度數值相比時)小於針對一列中的三個循環指定的差閾值,量測循環將結束並且計算系統可分析循環615的純度數值以決定真空腔室的水分含量。
或者,計算系統可分析數目至少等於量測循環數目閾值(亦即,3個循環)的量測循環的H、O、及/或OH感測器資料(亦即,純度數值)是否低於H、O、及/或OH感測器資料值閾值(亦即,低於-10的純度數值)。若在一列中的三個循環(例如,循環613、614、及615)的純度數值小於純度數值-10的指定的H、O、及/或OH感測器資料值閾值,量測循環將結束並且計算系統可分析滿足感測器資料準則的最後循環的純度數值以決定真空腔室的水分含量。
在第6A圖中,循環615、616、及617的純度數值係穩定的,因此在循環617之後(亦即,在約1500秒或約25分鐘內)計算系統結束量測循環的重複。藉由計算系統分析循環617的純度數值並且決定真空腔室不具有水洩漏。
參考第6B圖,執行三個量測循環(指定為651、652、及653),直到計算系統決定其從光學發射感測器接收的O感測器資料(O
777純度數值)滿足遵循如在第5圖中描述並且在第6A圖中例示的類似操作方法的感測器資料準則。在第6B圖中,循環651、652、及653的純度數值係穩定的(亦即,此等循環的純度數值的差低於差閾值),因此在循環653之後(在約1000秒或小於約20分鐘內)計算系統結束量測循環的重複。循環653的純度數值藉由計算系統分析並且決定真空腔室具有水洩漏。
在第6A圖及第6B圖中例示的場景中藉由計算系統接收的感測器資料係針對在777 nm的波長下的氧。然而,計算系統可接收替代在彼波長下的氧或除了在彼波長下的氧之外的一或多種其他氣體的類似感測器資料(諸如在不同波長下的氧、氫、或羥基)。
本文描述的操作方法(例如,方法200及方法500)提供關於在維護之後及/或在排氣之後的真空腔室的真空洩漏完整性及/或水分含量的原位且快速反饋。可以在第7A圖及第7B圖中看到,本文描述的操作方法提供了與現有的操作方法在很短時間內提供者相同的壓力提升速率的資訊(以及對應地提供相同的真空腔室洩漏完整性及/或水分含量)。
第7A圖示出了與使用根據技術現狀的操作方法的壓力提升速率決定相比的使用根據本揭示的實施例的操作方法的壓力提升速率決定的比較。
線710係當使用根據技術現狀的操作方法時的隨著時間(以秒計)變化的腔室壓力(以Torr計)的圖形輸出。利用根據技術現狀的操作方法,在約3000秒(或約50分鐘)之後決定壓力提升速率。
當使用根據本文描述的實施例的操作方法時,線720係隨著時間(以秒計)變化的腔室壓力(以Torr計)的圖形輸出。利用根據本文描述的實施例的操作方法,在約1700秒(或約28分鐘)之後決定壓力提升速率,該時間幾乎係利用根據技術現狀的操作方法決定相同資訊所花費的時間的一半(由第7A圖中的線710證實)。
當使用根據本文描述的實施例的操作方法時,線730係隨著時間(以秒計)變化的腔室壓力(以Torr計)的圖形輸出。利用根據本文描述的實施例的操作方法,在約1300秒(或約21分鐘)之後決定壓力提升速率,該時間係大於利用根據技術現狀的操作方法決定相同資訊所花費的時間的一半(由第7A圖中的線710證實)。在一些實施例中,可能未決定壓力提升速率,此可減少用於產生量測的總時間。
在線720與730之間的差異係線720從不具有洩漏的真空腔室獲得,而線730從具有洩漏的真空腔室獲得。線710從不具有洩漏的真空腔室獲得。
線720的截面720A及線710的截面710A分別在根據本文描述的實施例的操作方法中及根據技術現狀的方法中使用,以決定真空腔室中的壓力提升速率。壓力提升速率可以從截面710A及720A中的線710及720的斜率決定。截面710A及720A在第7B圖中重疊以圖示兩種方法提供相同的壓力提升速率決定。本文描述的操作方法提供了與現有方法相同的資訊,但以原位、快速、可靠、及以成本有效方式提供。
第8圖係根據本揭示的實施例的可作為用於處理系統的系統控制器(諸如第1圖中的控制器(例如,計算系統)155)操作的示例計算系統800。計算系統800係其中可執行指令集的機器,該指令集用於引起機器執行本文論述任何的一或多個方法。在替代實施例中,機器可連接(例如,網路連接)到區域網路(Local Area Network; LAN) 864、網內網路、網外網路、或網際網路中的其他機器。機器可在用戶端-伺服器網路環境中在伺服器或用戶端機器的容量中操作,或作為同級間(或分散式)網路環境中的同級點機器。機器可係個人電腦(personal computer; PC)、平板電腦、網路設備、伺服器、網路路由器、交換機或橋接器、或能夠執行指令集(連續或以其他方式)的任何機器,該指令集規定由彼機器採取的動作。另外,儘管僅示出單個機器,術語「機器」亦應當被認為包括機器(例如,電腦)的任何集合,該等機器獨立或聯合地執行指令集(或多個指令集)以執行本文論述的任何一或多個方法。在一實施例中,計算設備800對應於第1圖的系統控制器155。在一個實施例中,系統控制器155係計算系統800的部件。
示例計算系統800包括處理裝置802、主記憶體804(例如,唯讀記憶體(read-only memory;ROM)、快閃記憶體、動態隨機存取記憶體(dynamic random access memory; DRAM)諸如同步DRAM(SDRAM)、或Rambus DRAM (RDRAM)等)、靜態記憶體806(例如,快閃記憶體、靜態隨機存取記憶體(static random access memory; SRAM)等)、及次級記憶體(例如,資料儲存裝置1412),其等經由匯流排808彼此通訊。
處理裝置802表示一或多個通用處理器,諸如微處理器、中央處理單元、或類似者。更特定地,處理裝置802可係複雜指令集計算(complex instruction set computing; CISC)微處理器、精簡指令集計算(reduced instruction set computing; RISC)微處理器、極長指令詞(very long instruction word; VLIW)微處理器、實施其他指令集的處理器、或實施指令集的組合的處理器。處理裝置802亦可係一或多個專用處理裝置,諸如特殊應用積體電路(application specific integrated circuit; ASIC)、現場可程式化閘陣列(field programmable gate array; FPGA)、數位信號處理器(digital signal processor; DSP)、網路處理器、或類似者。處理裝置802經配置為執行處理邏輯(指令826),用於執行本文論述的操作。在一個實施例中,系統控制器155對應於處理裝置802。在實施例中,處理裝置802執行指令826以實施實施例中的方法200或方法500。
計算裝置800可進一步包括網路介面裝置822。計算系統800亦可包括視訊顯示單元810(例如,液晶顯示器(liquid crystal display; LCD)或陰極射線管(cathode ray tube; CRT))、字母數字輸入裝置812(例如,鍵盤)、游標控制裝置814(例如,滑鼠)、及數位產生裝置820(例如,揚聲器)。
資料儲存裝置828可包括機器可讀取儲存媒體(或更具體地,電腦可讀取儲存媒體)824,其上儲存體現本文描述的任何一或多個方法論或功能的一或多個指令826的集合。指令826亦可在其藉由亦構成機器可讀取儲存媒體的計算系統800、主記憶體804及處理裝置802執行期間完全或至少部分駐存在主記憶體804內及/或處理裝置802內。
電腦可讀取儲存媒體824亦可用於儲存在決定真空腔室102的真空腔室洩漏完整性及/或水分含量及/或壓力提升速率時分析感測器資料的指令826及/或特性誤差值850。儘管電腦可讀取儲存媒體824在示例實施例中圖示為單個媒體,術語「電腦可讀取儲存媒體」應當被認為包括儲存一或多個指令集的單個媒體或多個媒體(例如,集中式或分散式資料庫,及/或相關聯的快取記憶體及伺服器)。術語「電腦可讀取儲存媒體」亦應當被認為包括能夠儲存或編碼指令集用於由機器執行並且引起機器執行本揭示的任何一或多個方法的除了載波之外的任何媒體。術語「電腦可讀取儲存媒體」由此應當被認為包括但不限於包括固態記憶體的非暫時性媒體、以及光學及磁性媒體。
前述描述闡述了數個具體細節,諸如具體系統、部件、方法等等的實例,以便提供對本揭示的若干實施例的良好理解。然而,熟習此項技術者將顯而易見,本揭示的至少一些實施例可在沒有此等具體細節的情況下實踐。在其他情況中,熟知的部件或方法未詳細描述並且以簡單的方塊圖格式提供,以便避免不必要地混淆本揭示。因此,闡述的具體細節僅係示例性的。特定實施方式可從此等示例性細節改變並且仍預期在本揭示的範疇內。
在整個此說明書中提及「一個實施例」或「一實施例」意指結合實施例描述的特定特徵、結構、或特性包括在至少一個實施例中。因此,在整個此說明書的各個位置中出現片語「在一個實施例中」或「在一實施例中」不必皆指相同實施例。另外,術語「或」意欲意味著包括性「或」而非排除性「或」。當在本文中使用術語「約」或「近似」時,這意欲意味著所提供的標稱值精確在±10%內。
儘管以特定次序圖示及描述本文的方法的操作,但每個方法的操作次序可改變,使得某些操作可以逆向次序執行,或使得某些操作可至少部分與其他操作同時執行。在另一實施例中,不同操作的指令或子操作可以間歇及/或交替方式。在一個實施例中,將多個金屬結合操作執行為單個步驟。
將理解,以上描述意欲為說明性而非限制性的。熟習此項技術者在閱讀及理解以上描述之後,將顯而易見眾多其他實施例。由此,本揭示的範疇應當參考隨附申請專利範圍連同此種申請專利範圍所賦予的等效物的全部範疇來確定。
1:循環
2:循環
3:循環
4:循環
5:循環
6:循環
7:循環
8:循環
9:循環
10:循環
11:循環
100:系統
102:處理腔室
106:內部體積或內部空腔
108:腔室主體
110:底壁
116:側壁
122:真空泵
123:中央處理單元(CPU)
124:記憶體
125:支援電路
126:排氣線路或前級線路
130:蓋
133:管線或通道
135:隔離閥
144:基板
148:基板支撐組件
155:控制器
158:光學發射感測器
160:壓力控制閥
162:隔離閥
200:方法
205:操作
210:操作
220:操作
230:操作
240:操作
250:操作
260:操作
270:操作
280:操作
290:操作
310:線
320:線
360:線
410:柱
420:柱
430:柱
440:柱
450:柱
460:柱
470:柱
480:柱
500:方法
505:操作
510:操作
520:操作
530:操作
540:操作
550:操作
560:操作
570:操作
580:操作
590:操作
610:線
611:量測循環
612:量測循環
613:量測循環
614:量測循環
615:量測循環
616:量測循環
617:量測循環
620:線
650:線
651:量測循環
652:量測循環
653:量測循環
710:線
710A:截面
720:線
720A:截面
730:線
800:計算系統
802:處理裝置
804:主記憶體
806:靜態記憶體
808:匯流排
810:視訊顯示單元
812:字母數字輸入裝置
814:游標控制裝置
820:數位產生裝置
822:網路介面裝置
824:機器可讀取儲存媒體
826:指令
828:資料儲存裝置
850:特性誤差值
1464:網路
A:量測循環
B:量測循環
C:量測循環
D:量測循環
E:量測循環
F:量測循環
本揭示藉由實例示出並且在附圖的圖式中藉由限制示出,在附圖中相同參考指示類似元件。應當注意,在本揭示中,對「一(an)」或「一個(one)」實施例的不同參考不一定指相同實施例,並且此種參考意味著至少一個。
第1圖示出了根據本揭示的實施例的系統的示意圖。
第2圖示出了根據本揭示的實施例的用於決定真空腔室洩漏完整性的計算系統的操作方法的流程圖。
第3A圖示出了根據本揭示的實施例的對具有洩漏的真空腔室執行的用於決定真空腔室洩漏完整性的操作方法的圖形輸出。
第3B圖示出了根據本揭示的實施例的對不具有洩漏的真空腔室執行的用於決定真空腔室洩漏完整性的操作方法的圖形輸出。
第4A圖示出了根據本揭示的實施例的在對真空腔室執行用於決定真空腔室洩漏完整性的操作方法之後獲得的隨著針對氧及氮的純度量測循環變化的純度數值的圖形輸出。
第4B圖示出了根據本揭示的實施例的在對真空腔室執行用於決定真空腔室洩漏完整性的操作方法之後獲得的四個提升率值的一致性。
第5圖示出了根據本揭示的實施例的用於決定真空腔室水分含量的計算系統的操作方法的流程圖。
第6A圖示出了根據本揭示的實施例的對不具有洩漏的真空腔室執行的用於決定真空腔室水分含量的操作方法的圖形輸出。
第6B圖示出了根據本揭示的實施例的對具有洩漏的真空腔室執行的用於決定真空腔室水分含量的操作方法的圖形輸出。
第7A圖示出了與根據技術現狀的操作方法的圖形輸出相比的根據本揭示的實施例的操作方法的圖形輸出的比較。
第7B圖係來自第7A圖的截面710A及720A的特寫覆蓋圖。
第8圖係根據本揭示的實施例的可作為第1圖的系統的控制器操作的示例計算系統。
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
102:處理腔室
106:內部體積或內部空腔
108:腔室主體
110:底壁
116:側壁
122:真空泵
123:中央處理單元(CPU)
124:記憶體
125:支援電路
126:排氣線路或前級線路
130:蓋
133:管線或通道
135:隔離閥
144:基板
148:基板支撐組件
155:控制器
158:光學發射感測器
160:壓力控制閥
162:隔離閥
Claims (20)
- 一種用於驗證真空腔室洩漏完整性的方法,該方法包含以下步驟: 由一計算系統引起一量測循環,包含以下步驟: 引起一泵抽吸一半導體處理腔室的壓力達一設定時間段或抽吸到一目標壓力; 引起一隔離閥隔離該半導體處理腔室; 從一光學發射感測器接收感測器資料;以及 分析該感測器資料以決定該感測器資料是否滿足一或多個感測器資料準則; 由該計算系統引起該量測循環的一或多次重複,直到該感測器資料滿足該一或多個感測器資料準則;以及 分析滿足該感測器資料準則的該感測器資料以決定一真空腔室洩漏率。
- 如請求項1所述的方法,其中該分析該感測器資料之步驟包含以下步驟:藉由下列決定複數個量測循環中的該感測器資料的一穩定性: 將來自一最新量測循環的第一感測器資料與來自一或多個先前量測循環的先前感測器資料進行比較;以及 決定在該第一感測器資料與該先前感測器資料之間的一差是否小於一差閾值。
- 如請求項2所述的方法,其中該感測器資料準則包含該差閾值、一感測器資料值閾值、及一量測循環數目閾值,並且其中若a)在該第一感測器資料與該先前感測器資料之間的該差小於數目至少等於該量測循環數目閾值的量測循環的該差閾值,或b)數目至少等於該量測循環數目閾值的量測循環的該感測器資料低於該感測器資料值閾值,則該感測器資料滿足該一或多個感測器資料準則。
- 如請求項3所述的方法,其中該感測器資料值閾值包含下列的至少一者:針對一或多種氣體量測的一純度數值閾值、一壓力提升速率閾值、或一光學感測器整合時間閾值。
- 如請求項4所述的方法,其中該一或多種氣體從氮、氧、氫、氬、或羥基中選擇。
- 如請求項1所述的方法,其中從該光學發射感測器接收的該感測器資料包含下列的至少一者:半導體處理腔室壓力、一或多種氣體的分壓、在該半導體處理腔室中的大氣成分、一或多種氣體的純度數值、一或多種氣體的光學感測器整合時間、一或多種氣體的壓力提升速率、光學發射量測、或一其組合。
- 如請求項1所述的方法,其中引起該泵抽吸該半導體處理腔室的壓力之步驟發生達約1分鐘至約5分鐘的一第一持續時間。
- 如請求項1所述的方法,其中引起該隔離閥隔離該半導體處理腔室之步驟發生達約30秒至約90秒的一第二持續時間。
- 如請求項1所述的方法,其中該感測器資料與該半導體處理腔室中的壓力提升速率相關。
- 一種用於監控真空腔室水分含量的方法,該方法包含以下步驟: 由一計算系統引起一量測循環,包含以下步驟: 引起一泵抽吸一半導體處理腔室的壓力達一設定時間段; 引起一隔離閥隔離該半導體處理腔室; 從一光學發射感測器接收有關氫、氧、或羥基的感測器資料;以及 分析該氫、氧、或羥基感測器資料以決定該氫、氧、或羥基感測器資料是否滿足一或多個感測器資料準則; 由該計算系統引起該量測循環的一或多次重複,直到該氫、氧、或羥基感測器資料滿足該一或多個感測器資料準則;以及 分析滿足該一或多個感測器資料準則的該氫、氧、或羥基感測器資料以決定真空腔室水分含量。
- 如請求項10所述的方法,其中該分析該氫、氧、或羥基感測器資料之步驟包含以下步驟:藉由下列決定在複數個量測循環中的該氫、氧、或羥基感測器資料的一穩定性: 將來自一最新量測循環的一第一氫、氧、或羥基感測器資料與來自一或多個先前量測循環的一先前氫、氧、或羥基感測器資料進行比較;以及 決定在該第一氫、氧、或羥基感測器資料與該先前氫、氧、或羥基感測器資料之間的一差小於一差閾值。
- 如請求項11所述的方法,其中該感測器資料準則包含該差閾值、一感測器資料值閾值、及一量測循環數目閾值,並且其中若a)在該第氫、氧、或羥基一感測器資料與該先前氫、氧、或羥基感測器資料之間的該差小於數目至少等於該量測循環數目閾值的量測循環的該差閾值,或b)數目至少等於該量測循環數目閾值的量測循環的該氫、氧、或羥基感測器資料低於該感測器資料值閾值,則該氫、氧、或羥基感測器資料滿足該一或多個感測器資料準則。
- 如請求項10所述的方法,其中該感測器資料值閾值包含下列的至少一者:針對氫、氧、或羥基量測的純度數值閾值、壓力提升速率閾值、或一光學感測器整合時間閾值。
- 如請求項10所述的方法,其中從該光學發射感測器接收的該氫、氧、或羥基感測器資料包含下列的至少一者:半導體處理腔室壓力,氫、氧、或羥基的分壓,在該半導體處理腔室中的大氣成分,氫、氧、或羥基的純度數值,氫、氧、或羥基的光學感測器整合時間,氫、氧、或羥基的光學發射量測,氫、氧、或羥基的壓力提升速率,或一其組合。
- 如請求項10所述的方法,其中引起該泵抽吸該半導體處理腔室的壓力之步驟發生達約1分鐘至約5分鐘的一第一持續時間。
- 如請求項10所述的方法,其中引起該隔離閥隔離該半導體處理腔室之步驟發生達約30秒至約90秒的一第二持續時間。
- 如請求項10所述的方法,其中該氫、氧、或羥基感測器資料與該半導體處理腔室中的壓力提升速率相關。
- 一種系統,包含: 一真空腔室,包含耦接到一隔離閥的一主體,該隔離閥經構造為隔離藉由該主體形成的一空腔; 一光學發射感測器,安裝到該隔離閥上,該光學發射感測器經構造為產生對應於從該空腔發射一或多種氣體的感測器資料; 一泵,耦接到該真空腔室,該泵經構造為操縱該真空腔室中的壓力;以及 一計算系統,經構造為: 引起一量測循環,包含: 引起該泵抽吸該真空腔室的壓力達一設定時間段; 引起該隔離閥隔離該真空腔室; 從該光學發射感測器接收感測器資料; 分析該感測器資料以決定該感測器資料是否滿足一或多個感測器資料準則;以及 引起該量測循環的一或多次重複,直到該感測器資料滿足該一或多個感測器資料準則;以及 分析滿足該感測器資料準則的該感測器資料以決定真空腔室洩漏率或真空腔室水分含量的至少一者。
- 如請求項18所述的系統,其中該感測器係一遠端電漿光學發射感測器裝置。
- 如請求項18所述的系統,其中該泵係一旋轉泵、一渦輪泵、或一低溫泵。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063072860P | 2020-08-31 | 2020-08-31 | |
US63/072,860 | 2020-08-31 | ||
US17/459,545 US20220065735A1 (en) | 2020-08-31 | 2021-08-27 | Method and hardware for post maintenance vacuum recovery system |
US17/459,545 | 2021-08-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202225658A true TW202225658A (zh) | 2022-07-01 |
Family
ID=80354136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110132230A TW202225658A (zh) | 2020-08-31 | 2021-08-31 | 用於後期維護真空恢復系統的方法及硬體 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220065735A1 (zh) |
TW (1) | TW202225658A (zh) |
WO (1) | WO2022047299A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11802807B2 (en) * | 2019-09-25 | 2023-10-31 | Dell Products L.P. | Leak detection apparatus for an information handling system |
US11635338B2 (en) * | 2020-10-23 | 2023-04-25 | Applied Materials, Inc. | Rapid chamber vacuum leak check hardware and maintenance routine |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100257903B1 (ko) * | 1997-12-30 | 2000-08-01 | 윤종용 | 인시튜 모니터링가능한 플라즈마 식각장치, 그 인시튜 모니터링방법, 플라즈마 식각챔버내의 잔류물 제거를 위한 인시튜 세정방법 |
US6582618B1 (en) * | 1999-09-08 | 2003-06-24 | Advanced Micro Devices, Inc. | Method of determining etch endpoint using principal components analysis of optical emission spectra |
US6698270B2 (en) * | 2001-05-18 | 2004-03-02 | Boehringer Ingelheim Pharma Kg | Quality control systems for detecting leaks of gaseous or liquid materials from closed containers |
US6629450B2 (en) * | 2001-07-13 | 2003-10-07 | Taiwan Semiconductor Manufacturing Co., Ltd | Semiconductor auto leak rate tester |
US7765853B2 (en) * | 2007-06-04 | 2010-08-03 | The Boeing Company | Determining seal feature integrity by testing for deformation upon air pressure excitation |
FR2993659B1 (fr) * | 2012-07-23 | 2014-08-08 | Adixen Vacuum Products | Procede et installation de detection pour le controle d'etancheite d'emballages de produits scelles |
JP6408904B2 (ja) * | 2014-12-25 | 2018-10-17 | 東京エレクトロン株式会社 | 真空引き方法及び真空処理装置 |
KR102619304B1 (ko) * | 2015-10-05 | 2024-01-02 | 인피콘, 인크. | 가스 분석을 위한 국소 환경의 생성 |
US10854433B2 (en) * | 2018-11-30 | 2020-12-01 | Applied Materials, Inc. | In-situ real-time plasma chamber condition monitoring |
CN110017955B (zh) * | 2019-03-29 | 2021-06-15 | 上海华力集成电路制造有限公司 | 真空腔体漏率监测方法 |
-
2021
- 2021-08-27 US US17/459,545 patent/US20220065735A1/en active Pending
- 2021-08-30 WO PCT/US2021/048226 patent/WO2022047299A1/en active Application Filing
- 2021-08-31 TW TW110132230A patent/TW202225658A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2022047299A1 (en) | 2022-03-03 |
US20220065735A1 (en) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202225658A (zh) | 用於後期維護真空恢復系統的方法及硬體 | |
KR102644102B1 (ko) | 신경망들을 이용한 집계 통계들로부터의 변칙 검출 | |
TWI822939B (zh) | 在半導體設備工具中以類神經網路進行腔室匹配 | |
US6616759B2 (en) | Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor | |
KR100992373B1 (ko) | 다변수 결함 기여도를 나타내기 위한 그래픽 사용자인터페이스 | |
JP4620524B2 (ja) | プラズマ処理装置 | |
CN116340795B (zh) | 一种用于纯氧燃烧加热炉运行数据处理方法 | |
CN108604565A (zh) | 用于检测基板处理系统内的一个或多个环境条件的存在的系统和方法 | |
TW201933016A (zh) | 電漿處理裝置及狀態預測裝置 | |
US9645125B2 (en) | Vacuum chamber measurement using residual gas analyzer | |
TW202245091A (zh) | 用於使用虛擬模型進行處理腔室健康監測和診斷的系統和方法 | |
JP6328128B2 (ja) | ガスに対して低圧状態に維持されたエンクロージャ内のガス流を推定するためのデバイス及び方法 | |
KR20240052016A (ko) | 반도체 제조 장비의 적응형 문제 해결을 위한 시스템들 및 방법들 | |
TW202223576A (zh) | 用於氣體輸送健康監測的參數感測和電腦建模 | |
TW201812899A (zh) | 電漿處理裝置及解析電漿處理資料的解析方法 | |
US20230367302A1 (en) | Holistic analysis of multidimensional sensor data for substrate processing equipment | |
US20230295799A1 (en) | Process characterization and correction using optical wall process sensor (owps) | |
JP7496932B2 (ja) | 診断装置、半導体製造装置システム、半導体装置製造システムおよび診断方法 | |
WO2023096839A1 (en) | Accelerating preventative maintenance recovery and recipe optimizing using machine-learning-based algorithm | |
TW202328962A (zh) | 使用基於物理資訊的壓縮感測來虛擬測量鄰近基板的狀態 | |
TW202309755A (zh) | 用於無接觸處理腔室特徵化的方法及機制 | |
TW202347063A (zh) | 製程控制旋鈕估計 | |
KR20240060810A (ko) | 센서들을 이송 챔버 로봇에 결합하기 위한 방법들 및 메커니즘들 | |
Kim et al. | Use of neural network to in situ conditioning of semiconductor plasma processing equipment | |
WO2023121893A1 (en) | Diagnostic methods for substrate manufacturing chambers using physics-based models |