TW202227837A - 利用基於模型的數位分身進行射頻匹配控制 - Google Patents
利用基於模型的數位分身進行射頻匹配控制 Download PDFInfo
- Publication number
- TW202227837A TW202227837A TW110148108A TW110148108A TW202227837A TW 202227837 A TW202227837 A TW 202227837A TW 110148108 A TW110148108 A TW 110148108A TW 110148108 A TW110148108 A TW 110148108A TW 202227837 A TW202227837 A TW 202227837A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- production facility
- digital replica
- matching network
- impedance
- 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
- H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
- H01J37/32082—Radio frequency generated discharge
- H01J37/32174—Circuits specially adapted for controlling the RF discharge
- H01J37/32183—Matching circuits
-
- 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
- H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
- H01J37/32082—Radio frequency generated discharge
- H01J37/321—Radio frequency generated discharge the radio frequency energy being inductively coupled to the plasma
-
- 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
- H01J37/32926—Software, data control or modelling
-
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H7/00—Multiple-port networks comprising only passive electrical elements as network components
- H03H7/38—Impedance-matching networks
- H03H7/40—Automatic matching of load impedance to source impedance
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/24—Generating plasma
- H05H1/46—Generating plasma using applied electromagnetic fields, e.g. high frequency or microwave energy
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05H—PLASMA TECHNIQUE; PRODUCTION OF ACCELERATED ELECTRICALLY-CHARGED PARTICLES OR OF NEUTRONS; PRODUCTION OR ACCELERATION OF NEUTRAL MOLECULAR OR ATOMIC BEAMS
- H05H1/00—Generating plasma; Handling plasma
- H05H1/24—Generating plasma
- H05H1/46—Generating plasma using applied electromagnetic fields, e.g. high frequency or microwave energy
- H05H1/4645—Radiofrequency discharges
- H05H1/4652—Radiofrequency discharges using inductive coupling means, e.g. coils
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Plasma & Fusion (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Electromagnetism (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Plasma Technology (AREA)
- General Factory Administration (AREA)
- Feedback Control In General (AREA)
- Drying Of Semiconductors (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一種方法包括使生產設備產生RF訊號,以激發與生產設備相關的處理腔室。方法進一步包括自與生產設備相關的一或多個感測器接收與RF訊號相關的當前追蹤資料。方法進一步包括基於當前追蹤資料更新與生產設備相關的數位複製品的阻抗值。方法進一步包括自數位複製品獲取表示預測資料的一或多個輸出。方法進一步包括基於預測資料使得執行與生產設備相關的一或多個校正動作。
Description
本揭示案係關於電子部件,且更特定而言係關於利用基於模型的數位分身進行射頻匹配控制。
可藉由使用生產設備執行一或多個生產製程來生產產品。舉例而言,可使用半導體生產設備經由半導體生產製程來生產半導體元件(例如基板、晶圓等)。在許多半導體元件的製造階段中使用的習知射頻(RF)電漿蝕刻製程中,可經由RF能源向基板處理腔室提供RF訊號。可按連續波或脈衝波模式產生並提供RF訊號。由於RF能源的阻抗與處理腔室中形成的電漿之間的不匹配,一些RF訊號反射回RF能源,導致RF訊號未得到有效使用及浪費能源,可能損害RF能源,並且可能出現與基板處理相關的不一致性/不可重複性問題。由此,需要能夠實現RF訊號傳送高可重複性的RF匹配控制系統。
下文為本揭示案的簡單概述,其提供對本揭示案的一些態樣的基本理解。本概述並非對本揭示案的廣泛概述。本概述不預期指明本揭示案的重要或關鍵要素,亦不描述本揭示案的特定實施的任何範疇或請求項的任何範疇。其唯一目的是以簡單的形式提出本揭示案的一些概念,作為對其後所提供的更詳細描述的序言。
在本揭示案的一態樣中,方法包括使生產設備產生RF訊號,以激發與生產設備相關的處理腔室。方法進一步包括自與生產設備相關的一或多個感測器接收與RF訊號相關的當前追蹤資料。方法進一步包括基於當前追蹤資料更新與生產設備相關的數位複製品的阻抗值。方法進一步包括自數位複製品獲取表示預測資料的一或多個輸出。方法進一步包括基於預測資料使得執行與生產設備相關的一或多個校正動作。
在本揭示案的另一態樣中,系統包括:記憶體;及處理裝置,其耦接至記憶體以使生產設備產生RF訊號,以激發與生產設備相關的處理腔室。處理裝置進一步自與生產設備相關的一或多個感測器接收與RF訊號相關的當前追蹤資料。處理裝置進一步基於當前追蹤資料更新與生產設備相關的數位複製品的阻抗值。處理裝置進一步自數位複製品獲取表示預測資料的一或多個輸出。處理裝置進一步基於預測資料使得執行與生產設備相關的一或多個校正動作。
在本揭示案的另一態樣中,非暫時性機器可讀取儲存媒體儲存指令,當執行指令時,指令使處理裝置執行操作,包括使生產設備產生RF訊號,以激發與生產設備相關的處理腔室。操作進一步包括自與生產設備相關的一或多個感測器接收與RF訊號相關的當前追蹤資料。操作進一步包括基於當前追蹤資料更新與生產設備相關的數位複製品的阻抗值。操作進一步包括自數位複製品獲取表示預測資料的一或多個輸出。操作進一步包括基於預測資料使得執行與生產設備相關的一或多個校正動作。
本文描述涉及利用基於模型的數位分身進行射頻匹配控制的技術。可使用生產設備生產產品(例如晶圓)。舉例而言,生產設備可執行配方,以藉由向處理腔室以RF訊號的形式提供RF能量以產生用於蝕刻的電漿而生產晶圓。通常藉由固定或可調匹配網路將RF訊號耦合至處理腔室中的電漿,該匹配網路藉由將電漿的阻抗與RF能源的阻抗更緊密地匹配來最小化反射的RF訊號。匹配網路使RF源的輸出與電漿有效地耦合來最大化耦合至電漿的能量的量。由此,匹配網路使得總阻抗(例如電漿阻抗、腔室阻抗及匹配網路阻抗)與RF電力輸送的輸出阻抗相等或相似。
在一些習知的系統中,基於查找表設計匹配網路的RF匹配控制剖面。查找表可與處理參數相關,例如用於激發處理腔室的輸入頻率的類型(例如2.2 MHz、13.56 MHz等)、所使用的處理氣體的類型(例如H
2、He、Ar、O
2、NF
3等)、所使用的處理腔室的類型等。可使用控制剖面調整匹配網路的一或多個可變調諧元件,例如可變電容器、可變電感器或可變電阻器。當匹配網路或處理腔室的參數改變(由於溫度、老化效應、腐蝕、零件故障、失效等),使用查找表選擇的控制剖面可能無法得到最佳的結果。
本文揭示的元件、系統及方法使用當前感測器資料提供控制剖面的即時最佳化,以用最少的調諧時間實現最大的電力輸送。在一個實施例中,處理裝置使生產設備產生RF訊號以激發與生產設備相關的處理腔室。處理裝置可自與生產設備相關的一或多個感測器接收與RF訊號相關的當前追蹤資料(例如電壓、電流等)。處理裝置隨後可基於當前追蹤資料更新與生產設備相關的數位複製品的阻抗值。可自數位複製品獲取表示預測資料的輸出。可使用訓練後機器學習模型、啟發式模型或基於規則的模型產生表示預測資料的輸出。基於預測資料,處理裝置可執行與生產設備相關的一或多個校正動作。
在一些實施例中,匹配網路可包括兩個可調(可調諧)電容器。預測資料可包括電容器的一或多個調諧設定。調諧設定可為與反射的RF訊號及時間參數相關的反射係數的函數。校正動作可包括基於預測資料調整可調電容器中之任一者或兩者。
在一些實施例中,處理裝置可使用當前追蹤資料即時更新數位複製品。舉例而言,回應於基於當前追蹤資料決定數位複製品不滿足準確度臨界標準,處理邏輯可執行數位複製品的最佳化。
在一些實施例中,匹配網路可包括輸入阻抗感測器及輸出阻抗感測器。更新數位複製品的阻抗值可包括使用來自輸出阻抗感測器的當前追蹤資料更新與數位複製品相關的處理腔室模型。更新數位複製品的阻抗值可進一步包括使用來自輸入阻抗感測器及輸出阻抗感測器的當前追蹤資料更新與數位複製品相關的匹配網路模型。
本揭示案的態樣具有技術優點,顯著減小實現最佳的設定、能耗、所使用頻寬、處理器額外負載等所需的時間。舉例而言,習知的系統執行試誤的迭代,試圖提高輸送最佳RF功率的高重複性。此試誤過程對於每一迭代需要更多時間、能耗、頻寬及處理器額外負載(例如經由試誤產生指令,傳輸指令,接收回饋,經由試誤產生更新的指令等)。本揭示案藉由使用訊號處理、數位複製品及機器學習模型獲取預測資料並基於預測資料使校正動作得到執行以及避免試誤的迭代,減少時間要求、能耗、頻寬及處理器額外負載。本揭示案可實現預測與匹配網路相關的最佳參數設定,避免出現不一致且異常的產品、計劃外的使用者時間及對生產設備的損害。
第1圖為根據某些實施例的圖示例示性系統100(例示性系統架構)的方塊圖。系統100包括模擬系統110、客戶端裝置120、感測器126、生產設備130、計量設備128及資料儲存140。模擬系統110可包括數位表示伺服器170、伺服器機器180及預測伺服器112。
生產設備130可包括RF產生器132、匹配網路134、處理腔室136及控制器138。可藉由RF產生器132產生RF訊號,且將其傳輸至匹配網路134。隨後可對處理腔室136施加RF訊號,以點燃且保持用於蝕刻製程的電漿。在一些實施例中,RF產生器132可產生激發處理腔室136的低RF訊號(例如2.2 MHz、13.56 MHz等)中之一或多者、激發處理腔室136的高RF訊號(例如24 MHz、60 MHz、100 MHz等)中之一或多者或其任何組合。RF產生器132可具有以所要的脈衝率、工作週期及相角脈衝RF訊號的能力。控制器138可連接至RF功率產生器132及RF匹配網路134,且可控制(例如啟動、切換、關閉等)RF產生器132的RF訊號。另外,可使用控制器138調整RF訊號的脈衝率、工作週期及相角。
匹配網路134可藉由將蝕刻製程中使用的電漿的阻抗與RF產生器132提供的RF訊號的阻抗(例如50歐姆)匹配來最小化反射的RF能量。匹配網路134可包括電容、電感及電阻元件的佈置。為改變其參數,匹配網路134可包括一或多個可控的可調或可變調諧元件,例如可變電容器、電感器或電阻器或其組合。舉例而言,匹配網路134可包括可變並聯電容器或可變串聯電容器,兩者均可用作可變調諧元件。可變(例如調諧或可調諧)電容器可為由控制器138操作的電動真空電容器,或任何其他的可控可變電容器。在實施例中,匹配網路134可調諧可控可變調諧元件中之一或多者,使得與匹配網路134及/或處理腔室136相關的阻抗向與RF產生器132相關的阻抗(例如50歐姆)增大/減小。
RF匹配網路134亦可包括一或多個電感測器135,其可為能夠提供感測器資料142(例如感測器值、特徵、追蹤資料)的任何類型的RF電壓/電流量測元件(例如感測器、探針等)。在一些實施例中,電感測器135執行耦合至RF產生器132、匹配網路134及/或處理腔室136的電饋送導體(例如電饋送線)的電量測。電感測器135感測電饋送導體(例如阻抗、電饋送導體中的磁漲落、電流、電壓、電阻等)的性質,且將性質轉換為感測器資料142(例如追蹤資料、歷史追蹤資料146、當前追蹤資料154)。電感測器135亦可量測一或多個電流的值、交流電(Alternating Current; AC)大小、相位、波形(例如AC波形、脈衝波形)、直流電(Direct Current; DC)、非正弦AC波形、電壓或類似者。
在實施例中,電感測器135包括輸入(源)阻抗感測器及輸出(負載)阻抗感測器。輸入阻抗感測器可決定與匹配網路134處的RF訊號相關的阻抗。輸出阻抗感測器可決定目的地(例如處理腔室136)處的RF訊號的阻抗。將參考第2圖更詳細地描述生產設備130。
感測器126可提供與製造設備130相關(例如與用製造設備130生產諸如晶圓的對應的產品相關)的感測器資料142(例如感測器值、特徵、追蹤資料)。感測器資料142可用於設備健康及/或產品健康(例如產品品質)。生產設備130可在一段時間內遵循配方或執行作業以生產產品。在一段時間(例如對應於配方或作業的至少一部分)內接收的感測器資料142可稱為隨時間自不同感測器126接收的追蹤資料(例如歷史追蹤資料146、當前追蹤資料154)。
感測器126可包括額外的感測器,其提供其他類型的感測器資料142。在一些實施例中,感測器資料142可包括溫度(例如加熱器溫度)、間距(SP)、壓力、高頻射頻(High Frequency Radio Frequency; HFRF)、靜電夾頭(Electrostatic Chuck; ESC)電壓、電流、流動、功率、電壓等中之一或多者的值。感測器資料142可與諸如硬體參數的生產參數(例如生產設備130的設定或部件(例如大小、類型等))或生產設備的製程參數相關或表示該等參數。當生產設備130執行生產製程時(例如當處理產品時設備讀取),可提供感測器資料142。對於每一產品(例如每一晶圓),感測器資料142可為不同的。
在一些實施例中,可處理(例如藉由客戶端裝置120及/或藉由模擬系統110的部件)感測器資料142(例如歷史追蹤資料146、歷史部件資料148的集合、當前追蹤資料154、當前部件資料156的集合等)。感測器資料142的處理可包括產生特徵。在一些實施例中,特徵為感測器資料142中的圖案(例如斜坡、寬度、高度、峰等)或感測器資料142的感測器值的組合(例如由電壓及電流量測得出的阻抗等)。感測器資料142可包括特徵,模擬系統110的部件可使用特徵,以執行模擬處理,及/或獲取模擬資料167及/或預測資料168以進行校正動作。
資料儲存140可為記憶體(例如隨機存取記憶體)、驅動器(例如硬碟機、快閃驅動器)、資料庫系統或能夠儲存資料的另一類型的部件或元件。資料儲存140可包括多個儲存部件(例如多個驅動器或多個資料庫),其可能涵蓋多個計算裝置(例如多個伺服器電腦)。資料儲存140可儲存感測器資料142、效能資料160、程式館資料166、模擬資料168及預測資料169。感測器資料142可包括歷史感測器資料144及當前感測器資料152。歷史感測器資料可包括歷史追蹤資料146、歷史部件資料148的集合及歷史部件識別符150。當前感測器資料152可包括當前追蹤資料154、當前部件資料156的集合及當前部件識別符158。效能資料160可包括歷史效能資料162及當前效能資料164。歷史感測器資料144及歷史效能資料162可為歷史資料。當前感測器資料144可為產生模擬資料167及預測資料168(例如用於執行校正動作)的當前資料。當前效能資料164亦可為當前資料(例如用於重新訓練訓練後機器學習模型)。
效能資料160可包括與生產設備130及/或由生產設備130生產的產品相關的資料。在一些實施例中,效能資料160可包括生產設備130之部件之壽命(例如故障時間)、生產設備130之生產參數、生產設備130之維護、生產設備130之部件之能量使用、生產設備130之(例如同一零件號的)部件之差異或類似者的指示。效能資料160可包括生產設備的(例如同一類型的、同一零件號的)部件的差異的指示。效能資料160可指示差異(例如抖動、斜坡、峰等)是否影響產品與產品的差異。效能資料160可指示差異是否提供改良的晶圓(例如RF產生器得到較佳的匹配、回饋環路得到較佳的調諧、較新的韌體、較佳的晶片)。效能資料160可與生產設備130生產的產品的品質相關。計量設備128可提供與生產設備130生產的產品(例如晶圓)相關的效能資料160(例如晶圓的性質資料、良率、計量資料)。效能資料160可包括膜性質資料(例如晶圓空間膜性質)、尺寸(例如厚度、高度等)、介電常數、摻雜劑濃度、密度、缺陷等中之一或多者的值。效能資料160可為成品或半成品。對於每一產品(例如每一晶圓),效能資料160可為不同的。效能資料160可指示產品是否滿足臨界品質(例如有缺陷、無缺陷等)。效能資料160可指示不滿足臨界品質的原因。在一些實施例中,效能資料160包括歷史效能資料162,其對應於產品(例如使用與歷史追蹤資料146相關的生產參數生產的產品)的歷史性質資料。對於監督式及/或非監督式機器學習,可使用感測器資料142、效能資料160及程式館資料166。
模擬系統110可包括數位表示伺服器170、伺服器機器180及預測伺服器112。預測伺服器112、數位表示伺服器170及伺服器機器180各自可包括一或多個計算裝置,例如機架式伺服器、路由器電腦、伺服器電腦、個人電腦、大型電腦、膝上型電腦、平板電腦、桌上型電腦、圖形處理單元(Graphics Processing Unit; GPU)、加速器特定應用積體電路(Application-Specific Integrated Circuit; ASIC)(例如張量處理單元(Tensor Processing Unit; TPU))等。
數位表示伺服器170可為演算法模型,其模擬生產設備130。作為實例,數位表示伺服器170可為生產設備130的數位複製品模型(例如數位分身)。數位表示伺服器170可使用監督式機器學習、半監督式機器學習、非監督式機器學習或其任一組合,以產生實體元件及生產設備130如何運行的動力學的虛擬表示。可使用感測器126、電感測器135、感測器資料142、效能資料160、程式館資料166及/或與產生並保持生產設備130的數位複製品模型相關的任何其他資料的週期性更新,經由強化學習更新數位表示伺服器170。
數位表示伺服器170可包括匹配網路模型172及處理腔室模型174。匹配網路模型172可與實體元件及匹配網路134的動力學相關。處理腔室模型174可與實體元件及處理腔室136的動力學相關。
在一些實施例中,數位表示伺服器170可產生模擬資料167。模擬資料167可包括用於基於當前或模擬參數決定生產設備130(例如匹配網路134、處理腔室136等)如何執行的資料。模擬資料167可包括與匹配網路模型172及處理腔室模型174相關的電參數資料(例如阻抗、電壓、電流、電阻、反射、訊號反射等)。模擬資料167可進一步包括生產設備130的(例如待生產或已使用當前追蹤資料154生產的產品的)數位複製品模型的預測性質資料。模擬資料167可進一步包括待生產或已使用當前追蹤資料154生產的產品的預測計量資料(例如虛擬計量資料)。模擬資料167可進一步包括異常(例如異常的產品、異常的部件、異常的生產設備130、異常的能量使用等)及異常的一或多個原因的指示。模擬資料167可進一步包括生產設備130的部件的壽命終止的指示。模擬資料可為全覆蓋的,涵蓋生產設備的每一機械或電子態樣。
預測伺服器112可包括預測部件114。在一些實施例中,預測部件114可接收模擬資料167及當前追蹤資料154(例如處理腔室流動、處理腔室壓力、RF功率等),且產生輸出(例如預測資料168)以執行與生產設備130相關的校正動作。在一些實施例中,預測部件114可使用一或多個訓練後機器學習模型190決定輸出,以基於模擬資料167及當前追蹤資料154執行校正動作。在一些實施例中,預測部件114接收模擬資料167及當前追蹤資料154,執行訊號處理以將當前追蹤資料154分解為映射至當前部件識別符158的當前部件資料156的集合,將當前部件資料156的集合及當前部件識別符158作為輸入提供至訓練後機器學習模型190,並且獲取表示來自訓練後機器學習模型190的預測資料168的輸出。訓練後機器學習模型190可包括單一模型或多個模型。在一些實施例中,訓練後機器學習模型190可使用來自資料儲存140的其他資料(例如程式館資料166、效能資料160、感測器資料142等)。
在一些實施例中,模擬系統110進一步包括伺服器機器180。伺服器機器180可使用資料集產生器產生一或多個資料集(例如一組資料輸入及一組目標輸出),以訓練、驗證及/或測試機器學習模型190。特定而言,伺服器機器180可包括訓練引擎182、驗證引擎184、選擇引擎185及/或測試引擎186。引擎(例如訓練引擎182、驗證引擎184、選擇引擎185及測試引擎186)可指硬體(例如電路、專用邏輯、可程式化邏輯、微碼、處理裝置等)、軟體(例如在處理裝置上運行的指令、通用電腦系統或專用機器)、韌體、微碼或其組合。訓練引擎182能夠使用與來自資料集產生器172的訓練集相關的特徵的一或多個集合訓練一或多個機器學習模型190。訓練引擎182可產生多個訓練後機器學習模型190,其中每一訓練後機器學習模型190對應於訓練集的特徵的不同集合(例如來自感測器的不同集合的感測器資料)。舉例而言,已使用所有特徵(例如X1至X5)訓練第一訓練後機器學習模型,已使用特徵的第一子集(例如X1、X2、X4)訓練第二訓練後機器學習模型,且已使用與特徵的第一子集部分重疊的特徵的第二子集(例如X1、X3、X4及X5)訓練第三訓練後機器學習模型。
驗證引擎184能夠使用來自資料集產生器的驗證集的特徵的對應集合驗證訓練後機器學習模型190。舉例而言,可使用驗證集的特徵的第一集合對使用訓練集的特徵的第一集合訓練的第一訓練後機器學習模型190進行驗證。驗證引擎184可基於驗證集的特徵的對應集合決定訓練後機器學習模型190中之每一者的準確度。驗證引擎184可廢除準確度不滿足臨界準確度的訓練後機器學習模型190。在一些實施例中,選擇引擎185能夠選擇準確度滿足臨界準確度的一或多個訓練後機器學習模型190。在一些實施例中,選擇引擎185能夠選擇具有訓練後機器學習模型190的最高準確度的訓練後機器學習模型190。
測試引擎186能夠使用來自資料集產生器的測試集的特徵的對應集合測試訓練後機器學習模型190。舉例而言,可使用測試集的特徵的第一集合對使用訓練集的特徵的第一集合訓練的第一訓練後機器學習模型190進行測試。測試引擎186可基於測試集決定具有所有訓練後機器學習模型的最高準確度的訓練後機器學習模型190。
機器學習模型190可指訓練引擎182使用包括資料輸入及對應目標輸出(對於各別的訓練輸入的正確回答)的訓練集建立的模型製品。可發現資料集中的將資料輸入映射至目標輸出(正確回答)的模式,且向機器學習模型190提供擷取此等模式的映射。機器學習模型190可使用支持向量機(Support Vector Machine; SVM)、徑向基底函數(Radial Basis Function; RBF)、叢集化、監督式機器學習、半監督式機器學習、非監督式機器學習、k最近鄰演算法(k-Nearest Neighbor algorithm; k-NN)、線性回歸、隨機森林、神經網路(例如人工神經網路)等中的一或多者。
預測部件114可向訓練後機器學習模型190提供模擬資料167及當前感測器資料152,且可對輸入運行訓練後機器學習模型190以獲取一或多個輸出。預測部件114能夠自訓練後機器學習模型190的輸出決定(例如擷取)預測資料168。
出於說明而非限制的目的,本揭示案的態樣描述訓練一或多個機器學習模型190,以及將模擬資料167及感測器資料142輸入至一或多個訓練後機器學習模型190以決定預測資料168。在其他實施方式中,使用啟發式模型或基於規則的模型決定預測資料168(例如不使用訓練後機器學習模型)。預測部件114可監測歷史感測器資料144及歷史效能資料162。可在啟發式或基於規則的模型中監視或以其他方式使用關於來自資料儲存140的資料所描述的任何資訊。
在一些實施例中,較少數量的機器提供客戶端裝置120、預測伺服器112、數位表示伺服器170及伺服器機器180的功能。舉例而言,在一些實施例中,可將數位表示伺服器170及伺服器機器180整合為單一機器,而在一些其他實施例中,可將數位表示伺服器170及伺服器180及預測伺服器112整合為單一機器。在一些實施例中,可將客戶端裝置120及預測伺服器112整合為單一機器。
大體而言,在一個實施例中描述為由客戶端裝置120、預測伺服器112、數位表示伺服器170及伺服器機器180執行的功能在其他實施例中亦可在適當時對預測伺服器112執行。另外,一起操作的不同或多個元件可執行屬於特定元件的功能。舉例而言,在一些實施例中,預測伺服器112可基於預測資料168決定校正動作。在另一實例中,客戶端裝置120可基於來自訓練後機器學習模型的輸出決定預測資料168。
另外,一起操作的不同或多個部件可執行特定部件的功能。可將預測伺服器112、數位表示伺服器170及伺服器機器180中之一或多者作為經由適當的應用程式設計介面(application programming interface; API)提供至其他系統或元件的服務來存取。
在實施例中,可將「使用者」表示為單一個體。然而,本揭示案的其他實施例涵蓋的「使用者」是由複數個使用者及/或自動源控制的實體。舉例而言,將結合成一群管理者的一組個別使用者視為「使用者」。
可將本揭示案的實施例應用至資料品質評估、特徵增強、模型評估、虛擬量測(Virtual Metrology; VM)、預測性維護(Predictive Maintenance; PdM)、界限最佳化或類似者。
雖然關於揭示案的實施例討論其產生預測資料168以在生產設施(例如半導體生產設施)中執行校正動作,但亦可將實施例大體應用於表徵及監測部件。可將實施例大體用於基於不同類型的資料進行特徵化及監測。
可經由網路105將客戶端裝置120、生產設備130、感測器126、計量設備128、預測伺服器112、資料儲存140、數位表示伺服器170及伺服器機器180相互耦接,產生預測資料168以執行校正動作。
在一些實施例中,網路105為公用網路,其向客戶端裝置120提供對預測伺服器112、資料儲存140及其他公用計算裝置的存取。在一些實施例中,網路105為專用網路,其向客戶端裝置120提供對製造設備130、感測器126、計量設備128、資料儲存器140及其他專用計算裝置的存取。網路105可包括一或多個廣域網路(Wide Area Network; WAN)、區域網路、有線網路(例如乙太網路)、無線網路(例如802.11網路或Wi-Fi網路)、蜂巢式網路(例如長期演進(LTE)網路)、路由器、集線器、交換機、伺服器電腦、雲端計算網路及/或其組合。
客戶端裝置120包括計算裝置,例如個人電腦(Personal Computer; PC)、膝上型電腦、行動電話、智慧型手機、平板電腦、小筆電電腦、網路連接電視機(「智慧型TV」)、網路連接媒體播放機(例如藍芽播放機)、機上盒、過頂(Over-the-Top; OTT)串流裝置、操作盒等。客戶端裝置120可包括校正動作部件122。校正動作部件122可接收與生產設備130相關的指示的使用者輸入(例如經由透過客戶端裝置120顯示的圖形使用者介面(Graphical User Interface; GUI))。在一些實施例中,校正動作部件122將指示傳輸至模擬系統110,自模擬系統110接收輸出(例如預測資料168),基於輸出決定校正動作,且使校正動作得到實施。在一些實施例中,校正動作部件122獲取與生產設備130(例如來自資料儲存140等)相關的感測器資料142(例如當前追蹤資料154),且將與生產設備130相關的感測器資料142(例如當前追蹤資料154)提供至模擬系統110。在一些實施例中,校正動作部件122將感測器資料142儲存於資料儲存140中,且預測伺服器112自資料儲存140擷取感測器資料142。在一些實施例中,預測伺服器112可將訓練後機器學習模型190的輸出(例如預測資料168)儲存於資料儲存140中,客戶端裝置120可自資料儲存140擷取輸出。在一些實施例中,校正動作部件122自模擬系統110接收校正動作的指示,使校正動作得到實施。每一客戶端裝置120可包括作業系統,其允許使用者對資料進行產生、觀察或編輯中之一或多者(例如與生產設備130相關的指示、與生產設備130相關的校正動作等)。
執行導致有缺陷產品的生產製程可在時間、能量、產品、部件、生產設備130、識別缺陷並廢除有缺陷產品等方面造成損失。藉由輸入感測器資料142(例如正用於或將用於生產產品的生產參數)、接收預測資料168的輸出及基於預測資料168執行校正動作,系統100可具有避免生產、識別及廢除有缺陷產品的成本的技術優勢。
執行導致生產設備124部件故障的生產製程可在停機時間、對產品的損害、對設備的損害、快速訂購替換部件等方面造成損失。藉由輸入感測器資料142(例如正用於或將用於生產產品的生產參數)、接收預測資料168的輸出及基於預測資料168執行校正動作(例如預測操作維護,例如部件的替換、處理、清洗等),系統100可具有如下技術優勢:避免非預期部件故障、計劃外停機時間、生產力損失、非預期設備故障、產品報廢或類似者中之一或多者的成本。
校正動作可與計算過程控制(Computational Process Control; CPC)、統計過程控制(Statistical Process Control; SPC)(例如對電子部件進行的決定控制中過程的SPC、預測部件使用壽命的SPC、與3西格瑪圖比較的SPC等)、進階過程控制(Advanced Process Control; APC)、基於模型的過程控制、預防操作維護、設計最佳化、生產參數更新、回饋控制、機器學習修改或類似者中之一或多者相關。在一些實施例中,校正動作可包括調整匹配網路134的可控可變調諧元件中之一或多者。下文將進一步詳細地對此進行解釋。
在一些實施例中,校正動作包括提供警報(例如如果預測資料168指示預測異常,例如產品、部件或生產設備130異常,則警告停止或不執行生產製程)。在一些實施例中,校正動作包括提供回饋控制(例如回應於指示預測異常的預測資料168而修改生產參數)。在一些實施例中,校正動作包括提供機器學習(例如基於預測資料168而修改一或多個生產參數)。在一些實施例中,執行校正動作包括引發對一或多個生產參數的更新。
生產參數可包括硬體參數(例如替換部件、使用某些部件、替換處理晶片、更新韌體等)及/或製程參數(例如溫度、壓力、流動、速率、電流、電壓、氣流、提升速度等)。在一些實施例中,校正動作包括引發預防操作維護(例如對生產設備130的部件進行替換、處理、清洗等)。在一些實施例中,校正動作包括引發設計最佳化(例如更新生產參數、生產製程、生產設備130等以獲得最佳化的產品)。在一些實施例中,校正動作包括更新配方(例如生產設備130處於閒置模式、休眠模式、暖機模式等)。
第2圖為更詳細地圖示生產設備130的例示性實施例的方塊圖。出於說明的目的,將第2圖的部件作為實例來使用。因此,本揭示案的實施例可使用諸如絕緣體、電容器、電阻器等的部件的不同組合。如上文所討論,生產設備130包括RF產生器132、匹配網路134、處理腔室136及控制器138。
匹配網路126可包括第一電容器226(亦稱為「C1」)及第二電容器228(亦稱為「C2」)。第一電容器226及第二電容器228中之每一者可為能夠調諧匹配網路134的總阻抗的可變電容器(調諧或可調電容器)。舉例而言,本揭示案的實施例可藉由調整第一電容器226及第二電容器228中之任一者或兩者來執行匹配調諧,使得將與處理腔室136相關的輸出阻抗向與RF產生器132相關的輸入阻抗(例如50歐姆)調整。這可使自RF產生器132至處理腔室136輸送的電力輸送最大。在一些實施例中,第一電容器226可進一步為並聯電容器,而第二電容器228可為串聯電容器。可在傳輸線中使用串聯電容器,進行串聯補償,以改良電力處置能力。並聯電容器可應用於電系統,在單一應用中進行多個任務。此外,在串聯電容器中,無效功率的產生與負載電流的平方成比例。在並聯電容器中,無效功率的產生與電壓的平方成比例。
匹配網路134可包括輸入感測器222及輸出感測器224。輸入感測器222可決定與匹配網路134相關的阻抗。輸出感測器224可決定處理腔室136處的RF訊號的阻抗。
匹配網路126可與第一阻抗212(亦稱為「Z1」)及第二阻抗214(亦稱為「Z2」)相關。第一阻抗212可與匹配網路134中的平行路徑的第一電容器226、電阻元件234(亦稱為「R1」)及電感元件232(亦稱為「L1」)相關。第一阻抗212可用以下的方程式1表示,其中項j表示虛數單位,而項w表示角頻率且表示為2*π*f,其中f為RF訊號的頻率(例如2.2 MHz、13.56 MHz、100 MHz等):
方程式1
處理腔室136可與第三阻抗216(亦稱為「Z3」)相關,與處理腔室部件的阻抗、轉移線阻抗、餽電桿阻抗(自匹配網路134至處理腔室136)等相關。作為實例,可用與處理腔室136相關的阻抗的實部Rp 238及虛部Lp 236表示Z3。可使用輸入阻抗感測器224即時量測Rp及Lp。第三阻抗216可用以下的方程式3表示:
方程式3
第3圖為根據某些實施例的產生預測資料以引發校正動作的方法300的流程圖。可用包括硬體(例如電路系統、專用邏輯、可程式邏輯、微碼、處理裝置等)、軟體(例如在處理裝置上運行的指令、通用電腦系統或專用機器)、韌體、微碼或其組合的處理邏輯執行方法300。在一些實施例中,可藉由模擬系統110部分地執行方法300。在一些實施例中,非暫時性儲存媒體儲存指令,當由處理裝置(例如模擬系統110、伺服機器180、預測伺服器112等的)執行時,指令使處理裝置執行方法300。
出於解釋的簡潔性,將方法300描繪且描述為一系列操作。然而,根據本揭示案的操作可按各種次序及/或同時發生,可與本文未提出並描述的其他操作一起發生。另外,不執行所有圖示的操作來實施根據所揭示標的的方法300。另外,熟習此項技術者將理解並意識到,可替代地用狀態圖或事件將方法300表示為一系列互相關聯的狀態。
在方塊310,實施方法300的處理邏輯使RF產生器132產生RF訊號以激發處理腔室。
在方塊312,處理邏輯更新數位複製品中的阻抗值。特定而言,處理邏輯可基於產生自輸入感測器222的當前追蹤資料更新與匹配網路模型172相關的阻抗,基於產生自輸出感測器224的當前追蹤資料154更新與處理腔室模型174相關的阻抗。
在方塊314,處理邏輯可基於當前阻抗值決定數位複製品是否滿足準確度臨界標準。舉例而言,處理邏輯可使用成本函數公式(例如平均差平方)決定匹配網路模型172及處理腔室模型174是否在容許誤差界限內。
應理解項J1離0越近,匹配網路模型172的實體元件參數及匹配網路134的動力學越準確。與方程式5相關的項可受到限制。在一些實施例中,第一電容器226及第二電容器228的值可具有如下所表示的上限(C1
max及C2
max)及下限(C1
min及C2
min):C1
min< C1 < C1
max, C2
min< C2 < C2
max。回應於數位複製品滿足臨界標準(例如匹配網路模型172及/或處理腔室模型174均位於容許誤差界限內),處理邏輯進行至方塊318。回應於數位複製品不滿足臨界標準,處理邏輯進行至方塊316。
在方塊316,處理邏輯最佳化數位複製品。在實施例中,處理邏輯可使用方程式5決定匹配網路模型172中使用的電阻元件R1及/或電感元件L1的最佳值。舉例而言,處理邏輯可藉由調整一或多個參數(例如L1、R1、C1、C2等)直至項J1滿足準確度臨界標準來更新匹配網路模型172。在實施例中,處理邏輯可使用更新演算法藉由調整一或多個參數(例如Lp、Rp等)來更新處理腔室模型174。可將調整的參數儲存為模擬資料167。
在方塊318,處理邏輯自模擬系統110獲取表示預測資料的一或多個輸出。舉例而言,處理邏輯可決定第一電容器226及第二電容器228的最佳值以最小化反射的RF訊號。在一些實施例中,處理邏輯可使用預測部件114使用模擬資料167及模型190執行閉環模擬。預測部件114可產生一或多個最佳化剖面,其可指示調整第一電容器226及第二電容器228以最小化反射的RF訊號的值。在一些實施例中,預測部件114可進一步使用調諧時間參數以最小化達到最佳值所需的時間。
項J2表示成本函數,可將其設定為生產設備130的總阻抗(例如Z
total),項w
1表示與反射係數相關的加權係數
,項T
tune為調諧時間,項w
2為與調諧時間相關的加權係數,且項Z0表示目標阻抗(例如RF產生器132的阻抗,例如50歐姆)。在一些實施例中,方程式6有如下所表示的限制:
(C1速度極限)
限制1
(C2速度極限)
限制2
將T
tune定義為γ < 0.05,其中
限制3
預測伺服器可使用方程式6產生第一電容器226及第二電容器228的一或多個最佳化剖面。最佳化剖面可指示第一電容器226及第二電容器228的每一調諧組合的反射係數值。最佳化剖面可進一步指示到達電容器目標值的調諧路徑。電容器目標值可為具有最低可達反射係數的第一電容器226及第二電容器228的設定參數。
第4A圖至第4C圖為根據某些實施例的圖示例示性最佳化剖面的圖。具體而言,第4A圖表示第一電容器226及第二電容器228的每一初始調諧值(例如0至100%)的反射係數(γ)值。點410表示最佳化剖面的最低可達反射係數,其與調諧至約86%的第一電容器226及調諧至約30%(電容器目標值)的第二電容器相關。
第4B圖表示達到第一電容器226及第二電容器228的每一組初始值的電容器目標值所需的持續時間。舉例而言,如果第一電容器226有50%的調諧值,且第二電容器228有0%的調諧值(例如點430),則校正動作部件122需要1.25秒將第一電容器226及第二電容器228調諧至電容器目標值(例如分別為86%及30%)。
正參數
k 1、
k 2、
g 1及
g 2為控制器增益。c1及c2的值為自梯度控制變換為線性控制的臨界值。舉例而言,可使用梯度控制與線性控制間的變換在最佳化剖面的穩定狀態移除或用其他方式減輕顫動或雜訊。
在一些實施例中,最佳化剖面可根據基於亞可比行列式的RF匹配調諧演算法。在控制RF匹配的情境下,亞可比行列式可預測由最佳化剖面過去及未來迭代導致的電容(例如第2圖的第一電容器C1 226及第二電容器C2 228)突變。如前文所指出,可運行匹配網路(例如第1圖的匹配網路134),藉由使蝕刻製程所使用的電漿的阻抗與RF訊號的阻抗匹配來使反射的RF能量最少。舉例而言,可藉由電漿匹配所要的實值阻抗(例如50歐姆、75歐姆等)。使用方程式4,可如下表示輸入阻抗:
方程式12
其中C(t) = [C1 C2],e(t) = [50 - abs(Z); -angle(Z)],且K為正定增益矩陣(例如方程式13)。在其他實施例中,可修改亞可比行列式Jc以調整振幅-相位控制系統的迴路增益。
在其他實施例中,可使用阻尼常數λ防止亞可比矩陣
J
c 的反算出現奇異點,且進一步導致決定反亞可比行列式可由處理邏輯牽引。在另一實施例中,非直接矩陣求解器可用於計算且更新調諧值,而不直接求解反亞可比矩陣。舉例而言,可使用諸如矩陣最小平方解、迭代求解器及矩陣分解求解器(例如上三角及下三角求解器、奇異值分解及類似者)的方法,其他實施例將對此進一步討論。
U及V為正交矩陣,且D為對角矩陣。舉例而言,D沿矩陣的對角元素(例如,沿對角𝜎
𝑖=𝑑
i,j)僅含有非零值。在無奇異點的情況下,對角元素沿矩陣的列及行減少(例如𝜎1≧𝜎2…>0)。由於將D設定為對角矩陣,最佳化模型的控制為分散式的。舉例而言,可藉由調整對角矩陣D的一或多個增益獨立地調諧阻抗的振幅控制迴路及相位控制迴路。
在一些實施例中,RF匹配電路最佳化模型可能不滿足臨界精確度。舉例而言,本文描述的最佳化模型(例如第4A圖至第4C圖)可取決於錯誤表示特定RF匹配電路的獨特特性的值(例如理論值或廣義值)。在一些實施例中,可使用以下校準更準確地量測參數及值,以決定且預測更準確的最佳化剖面。
處理邏輯可遵循校準程序以更新最佳化參數(例如提高最佳化剖面的準確度及精確度)。處理邏輯可使用RF匹配自動調諧模式尋找第一電容器(例如並聯電容器C1)及第二電容器(例如串聯電容器C2)的調諧位置。處理邏輯可使用調諧阻抗位置的微擾計算量測亞可比行列式。舉例而言,處理邏輯可將C1/C2移動至匹配位置(例如藉由將RF匹配設定為手動控制)。當保持C2不變時,處理邏輯可計算C1 δ的阻抗(例如δ
c1= 0.5)。在此實例中,在短時間(例如10秒)內,處理邏輯將C1移動至C1 +δ
c1,並讀取輸入阻抗R
1。處理邏輯可在短時間(例如10秒)內將C1移動至C1 –δ
c1,並且讀取匹配輸入阻抗R
2。當保持C1不變時,處理邏輯可計算C2 δ的阻抗(例如δ
c2= 0.5)。在此實例中,在短時間(例如10秒)內,處理邏輯將C2移動至C2+δ
c2,並讀取輸入阻抗R
3。處理邏輯可在短時間(例如10秒)內將C2移動至C2–δ
c2,並且讀取匹配輸入阻抗R
4。處理邏輯隨後可使用此校準實例所描述的以下方程式及參數值計算亞可比行列式。
方程式16至20
如本文所討論,方程式20識別的亞可比行列式隨後可與其他最佳化剖面(例如SVD、阻尼等)結合使用。
在一些實施例中,處理邏輯可基於加權係數繼續產生預測資料(例如最佳化剖面),直至該資料滿足臨界標準。特定而言,可將加權係數設定為1(例如w
1+ w
2= 1或100%)。使用者可基於相比於調諧時間偏好最小反射功率而修改加權係數。舉例而言,如果使用者優先最小化匹配調諧時間,使用者可將w
2設定為高的值。如果使用者優先最小化反射功率,使用者可將w
1設定為高的值。
在方塊320處,基於預測資料,處理邏輯使得校正動作得到執行。舉例而言,處理邏輯可自最佳化剖面選擇調諧路徑。控制器138可基於調諧路徑調整第一電容器226及/或第二電容器228。第5圖為圖示與第一電容器226及/或第二電容器228相關的多個調諧路徑的圖。特定而言,第5圖展示向第一電容器226及第二電容器的每一初始調諧值(例如0至100%)的電容器目標值的調諧路徑。
第6圖是根據某些實施例的圖示電腦系統600的方塊圖。在一些實施例中,計算系統600可連接(例如經由網路,例如區域網路(Local Area Network; LAN)、內部網路、外部網路、網際網路)至其他電腦系統。電腦系統600可在客戶端-伺服器環境中在伺服器或客戶端電腦的容量中運行,或在同級間或分散式網路環境中作為同級點電腦運行。電腦系統600可由個人電腦(personal computer; PC)、平板PC、機上盒(Set-Top Box; STB)、個人數位助理(Personal Digital Assistant; PDA)、蜂巢式電話、網頁設備、伺服器、網路路由器、交換機或網橋或能夠執行指定由裝置執行之動作的一組指令(順序的或以其他方式)的任何彼裝置提供。另外,術語「電腦」應包括任何連接的電腦,其個別地或共同執行一組(或多組)指令以執行本文所揭示之方法中之任何一或多者。
在另一態樣中,電腦系統600可包括處理裝置602、揮發性記憶體604(例如隨機存取記憶體(Random Access Memory; RAM))、非揮發性記憶體606(例如唯讀記憶體(Read-Only Memory; ROM)或電可抹除可程式ROM(EEPROM))及資料儲存裝置616,其可經由匯流排608相互通信。
處理裝置602可由一或多個處理器提供,例如通用處理器(例如(例如)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、極長指令字組(Very Long Instruction Word; VLIM)微處理器、實施其他類型指令集的微處理器或實施組合類型的指令集的微處理器)或專用處理器(例如(例如)特定應用積體電路(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)或網路處理器)。
電腦系統600可進一步包括網路介面裝置622(例如耦接至網路674)。電腦系統600亦可包括視訊顯示單元610(例如LCD)、字母數字輸入裝置612(例如鍵盤)、游標控制裝置614(例如滑鼠)及訊號產生裝置620。
在一些實施方式中,資料儲存裝置616可包括非暫時性電腦可讀取儲存媒體624,其可儲存編碼本文描述的方法或功能中之任一或多者的指令626,包括編碼第1圖的部件(例如校正動作部件122、預測部件114等)及實施本文所描述方法的指令。
指令626在由電腦系統600執行期間亦可完全或部分地駐留於揮發性記憶體604及/或處理裝置602內,因此在一些實施例中,揮發性記憶體604及處理裝置602亦組成機器可讀儲存媒體。
雖然在說明性實例中將電腦可讀取儲存媒體624展示為單一媒體,但術語「電腦可讀取儲存媒體」應包括儲存一或多組可執行指令的單一媒體或多個媒體(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「電腦可讀儲存媒體」亦應包括有形媒體,其能夠儲存或編碼一組指令,該組指令由電腦執行,使電腦執行本文所描述方法中之任何一或多者。術語「電腦可讀儲存媒體」應包括但不限於固態記憶體、光學媒體及磁性媒體。
本文所描述的方法、元件及特徵可由分離的硬體元件實施,或可整合至諸如ASIC、FPGA、DSP或相似裝置的其他硬體元件的功能。另外,在一些實施例中,方法、元件及特徵可由韌體模組或硬體裝置內的功能電路實施。另外,方法、元件及特徵可由硬體元件及電腦程式元件的任一組合或電腦程式實施。
除非另外具體說明,諸如「接收」、「執行」、「提供」、「獲取」、「引發」、「存取」、「決定」、「添加」、「使用」、「訓練」或類似者的術語係指由電腦系統執行或實施的動作或過程,該等電腦系統操控在電腦系統暫存器及記憶體中表示為物理(電子)量的資料,且將其轉化為在電腦系統記憶體或暫存器或其他此類資訊儲存、傳輸或顯示裝置中類似地表示為物理量的資料。而且,本文使用的術語「第一」、「第二」、「第三」、「第四」等用作標籤,區分不同的元件,不具有與其數字符號相關的順序意義。
本文所描述的實例亦與用於執行本文所描述方法的裝置相關。特別構造此裝置以用於執行本文所描述的方法,或此裝置包括通用電腦系統,該通用電腦系統由儲存於電腦系統中的電腦程式選擇性程式化。此類電腦程式可儲存於電腦可讀取的有形儲存媒體中。
本文所描述的方法及說明性實例與任何特定的電腦或其他裝置無固定的相關性。根據本文所描述的教示可使用各個通用系統,或構造更專用的裝置以執行本文所描述方法及/或其個別功能、常式、子常式或操作是方便的。以上描述闡述用於多種此等系統的結構的實例。
以上描述意欲為說明性的,不具有限制性。雖然已參考特定的說明性實例及實施描述本揭示案,但應瞭解,本揭示案不限於所描述的實例及實施。應參考以下請求項以及請求項所授權的等效物的全部範疇來決定本揭示案的範疇。
100:系統
105:網路
110:模擬系統
112:預測伺服器
114:預測部件
120:客戶端裝置
122:校正動作部件
126:匹配網路
128:計量設備
130:生產設備
132:RF產生器
134:匹配網路
135:電感測器
136:處理腔室
138:控制器
140:資料儲存
142:感測器資料
144:歷史感測器資料
146:歷史追蹤資料
148:歷史部件資料
150:歷史部件識別符
152:當前感測器資料
154:當前追蹤資料
156:當前部件資料
158:當前部件識別符
160:效能資料
162:歷史效能資料
164:當前效能資料
166:程式館資料
167:模擬資料
168:預測資料
170:數位表示伺服器
172:匹配網路模型
174:處理腔室模型
180:伺服器機器
182:訓練引擎
184:驗證引擎
185:選擇引擎
186:測試引擎
190:機器學習模型
212:第一阻抗
214:第二阻抗
216:第三阻抗
222:輸入感測器
224:輸入阻抗感測器
226:第一電容器
228:第二電容器
232:電感元件
234:電阻元件
236:虛部Lp
238:實部Rp
300:方法
310:方塊
312:方塊
314:方塊
316:方塊
318:方塊
320:方塊
410:點
420:點
430:點
600:電腦系統
602:處理裝置
604:揮發性記憶體
606:非揮發性記憶體
608:匯流排
610:視訊顯示單元
612:字母數字輸入裝置
614:游標控制裝置
618:資料儲存裝置
620:訊號產生裝置
622:網路介面裝置
624:電腦可讀取儲存媒體
626:指令
674:網路
C1:第一電容器
C2:第二電容器
L
P:虛部
L1:電感元件
R
P:實部
R1:電阻元件
藉由實例說明本揭示案,且不受附圖的圖式的限制。
第1圖為根據某些實施例的圖示例示性系統架構的方塊圖。
第2圖為根據某些實施例的更詳細地圖示生產設備的例示性實施例的方塊圖。
第3圖為根據某些實施例的產生預測資料以引起校正動作的流程圖。
第4A圖至第4C圖為根據某些實施例的圖示例示性最佳化剖面的圖。
第5圖為根據某些實施例的圖示與兩個可變電容器相關的多個調諧路徑的圖。
第6圖為根據某些實施例的圖示電腦系統的方塊圖。
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
105:網路
110:模擬系統
112:預測伺服器
114:預測部件
120:客戶端裝置
122:校正動作部件
126:匹配網路
128:計量設備
130:生產設備
132:RF產生器
134:匹配網路
135:電感測器
136:處理腔室
138:控制器
140:資料儲存
142:感測器資料
144:歷史感測器資料
146:歷史追蹤資料
148:歷史部件資料
150:歷史部件識別符
152:當前感測器資料
154:當前追蹤資料
156:當前部件資料
158:當前部件識別符
160:效能資料
162:歷史效能資料
164:當前效能資料
166:程式館資料
167:模擬資料
168:預測資料
170:數位表示伺服器
172:匹配網路模型
174:處理腔室模型
180:伺服器機器
182:訓練引擎
184:驗證引擎
185:選擇引擎
186:測試引擎
190:機器學習模型
Claims (20)
- 一種方法,其包含以下步驟: 使生產設備產生一RF訊號,以激發與該生產設備相關的一處理腔室; 自與該生產設備相關的一或多個感測器接收與該RF訊號相關的當前追蹤資料; 基於該當前追蹤資料更新與該生產設備相關的一數位複製品的阻抗值; 自該數位複製品獲取表示預測資料的一或多個輸出;及 基於該預測資料使與該生產設備相關的一或多個校正動作得到執行。
- 如請求項1所述之方法,其進一步包含以下步驟: 回應於基於該當前追蹤資料決定彼數位複製品不滿足一準確度臨界標準,執行該數位複製品的一最佳化。
- 如請求項1所述之方法,其中更新該數位複製品的該等阻抗值包含: 使用來自一輸出阻抗感測器的追蹤資料更新與該數位複製品相關的一處理腔室模型,其中該輸出阻抗感測器與該生產設備的一匹配網路相關。
- 如請求項1所述之方法,其中更新該數位複製品的該等阻抗值之步驟包含以下步驟: 使用來自一輸入阻抗感測器及一輸出阻抗感測器的追蹤資料更新與該數位複製品相關的一匹配網路模型,其中該輸入阻抗感測器及該輸出阻抗感測器與該生產設備的一匹配網路相關。
- 如請求項1所述之方法,其中使用一訓練後機器學習模型產生指示預測資料的該一或多個輸出。
- 如請求項1所述之方法,其中該預測資料包括與該生產設備的一匹配網路相關的一或多個可變電容器的一或多個調諧設定。
- 如請求項1所述之方法,其中該校正動作包含基於該預測資料調整與該生產設備的一匹配網路相關的一或多個可變電容器。
- 一種系統,其包含: 一記憶體;及 一處理裝置,其耦接至該記憶體,該處理裝置: 使生產設備產生一RF訊號,以激發與該生產設備相關的一處理腔室; 自與該生產設備相關的一或多個感測器接收與該RF訊號相關的當前追蹤資料; 基於該當前追蹤資料更新與該生產設備相關的一數位複製品的阻抗值; 自該數位複製品獲取表示預測資料的一或多個輸出;及 基於該預測資料使與該生產設備相關的一或多個校正動作得到執行。
- 如請求項8所述之系統,其中該處理裝置進一步: 回應於基於該當前追蹤資料決定彼數位複製品不滿足一準確度臨界標準,執行該數位複製品的一最佳化。
- 如請求項8所述之系統,其中為更新該數位複製品的該等阻抗值,該處理裝置進一步: 使用來自一輸出阻抗感測器的追蹤資料更新與該數位複製品相關的一處理腔室模型,其中該輸出阻抗感測器與該生產設備的一匹配網路相關。
- 如請求項8所述之系統,其中為更新該數位複製品的該等阻抗值,該處理裝置進一步: 使用來自一輸入阻抗感測器及一輸出阻抗感測器的追蹤資料更新與該數位複製品相關的一匹配網路模型,其中該輸入阻抗感測器及該輸出阻抗感測器與該生產設備的一匹配網路相關。
- 如請求項8所述之系統,其中使用一訓練後機器學習模型產生指示預測資料的該一或多個輸出。
- 如請求項8所述之系統,其中該預測資料包括與該生產設備的一匹配網路相關的一或多個可變電容器的一或多個調諧設定。
- 如請求項8所述之系統,其中該校正動作包含基於該預測資料調整與該生產設備的一匹配網路相關的一或多個可變電容器。
- 一種非暫時性機器可讀儲存媒體,其儲存當執行時使一處理裝置執行操作的指令,該等操作包含: 使生產設備產生一RF訊號,以激發與該生產設備相關的一處理腔室; 自與該生產設備相關的一或多個感測器接收與該RF訊號相關的當前追蹤資料; 基於該當前追蹤資料更新與該生產設備相關的一數位複製品的阻抗值; 自該數位複製品獲取表示預測資料的一或多個輸出;及 基於該預測資料使與該生產設備相關的一或多個校正動作得到執行。
- 如請求項15所述之非暫時性機器可讀取儲存媒體,其中該等操作進一步包含: 回應於基於該當前追蹤資料決定彼數位複製品不滿足一準確度臨界標準,執行該數位複製品的一最佳化。
- 如請求項15所述之非暫時性機器可讀取儲存媒體,其中更新該數位複製品的該等阻抗值包含: 使用來自一輸出阻抗感測器的追蹤資料更新與該數位複製品相關的一處理腔室模型,其中該輸出阻抗感測器與該生產設備的一匹配網路相關。
- 如請求項15所述之非暫時性機器可讀取儲存媒體,其中更新該數位複製品的該等阻抗值包含: 使用來自一輸入阻抗感測器及一輸出阻抗感測器的追蹤資料更新與該數位複製品相關的一匹配網路模型,其中該輸入阻抗感測器及該輸出阻抗感測器與該生產設備的一匹配網路相關。
- 如請求項15所述之非暫時性機器可讀取儲存媒體,其中使用一訓練後機器學習模型產生指示預測資料的該一或多個輸出。
- 如請求項15所述之非暫時性機器可讀取儲存媒體,其中該預測資料包含與該生產設備的一匹配網路相關的一或多個可變電容器的一或多個調諧設定,其中該校正動作包含基於該預測資料調整與該生產設備的一匹配網路相關的一或多個可變電容器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/133,787 | 2020-12-24 | ||
US17/133,787 US11784028B2 (en) | 2020-12-24 | 2020-12-24 | Performing radio frequency matching control using a model-based digital twin |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202227837A true TW202227837A (zh) | 2022-07-16 |
Family
ID=82119140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110148108A TW202227837A (zh) | 2020-12-24 | 2021-12-22 | 利用基於模型的數位分身進行射頻匹配控制 |
Country Status (7)
Country | Link |
---|---|
US (2) | US11784028B2 (zh) |
EP (1) | EP4268258A1 (zh) |
JP (1) | JP2024504010A (zh) |
KR (1) | KR20230122653A (zh) |
CN (1) | CN116671006A (zh) |
TW (1) | TW202227837A (zh) |
WO (1) | WO2022140431A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11784028B2 (en) * | 2020-12-24 | 2023-10-10 | Applied Materials, Inc. | Performing radio frequency matching control using a model-based digital twin |
JP2022120418A (ja) * | 2021-02-05 | 2022-08-18 | 東京エレクトロン株式会社 | 基板処理装置、基板処理システム及び異常検知方法 |
JP2022122425A (ja) * | 2021-02-10 | 2022-08-23 | 東京エレクトロン株式会社 | プラズマ処理装置及び監視装置 |
Family Cites Families (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5815047A (en) * | 1993-10-29 | 1998-09-29 | Applied Materials, Inc. | Fast transition RF impedance matching network for plasma reactor ignition |
US5654679A (en) * | 1996-06-13 | 1997-08-05 | Rf Power Products, Inc. | Apparatus for matching a variable load impedance with an RF power generator impedance |
US5770982A (en) * | 1996-10-29 | 1998-06-23 | Sematech, Inc. | Self isolating high frequency saturable reactor |
US6876155B2 (en) * | 2002-12-31 | 2005-04-05 | Lam Research Corporation | Plasma processor apparatus and method, and antenna |
US6781317B1 (en) * | 2003-02-24 | 2004-08-24 | Applied Science And Technology, Inc. | Methods and apparatus for calibration and metrology for an integrated RF generator system |
US6888313B2 (en) * | 2003-07-16 | 2005-05-03 | Advanced Energy Industries, Inc. | Impedance matching network with termination of secondary RF frequencies |
US7049751B2 (en) * | 2003-07-16 | 2006-05-23 | Advanced Energy Industries, Inc | Termination of secondary frequencies in RF power delivery |
US20050106873A1 (en) * | 2003-08-15 | 2005-05-19 | Hoffman Daniel J. | Plasma chamber having multiple RF source frequencies |
US7042311B1 (en) * | 2003-10-10 | 2006-05-09 | Novellus Systems, Inc. | RF delivery configuration in a plasma processing system |
US7292045B2 (en) * | 2004-09-04 | 2007-11-06 | Applied Materials, Inc. | Detection and suppression of electrical arcing |
US7403764B2 (en) * | 2004-11-30 | 2008-07-22 | Turner Terry R | RF power delivery diagnostic system |
US20060165146A1 (en) * | 2005-01-21 | 2006-07-27 | Backes Glen B | Systems and methods for utilizing pulsed radio frequencies in a ring laser gyroscope |
US8473022B2 (en) * | 2008-01-31 | 2013-06-25 | Abbott Diabetes Care Inc. | Analyte sensor with time lag compensation |
US8374668B1 (en) * | 2007-10-23 | 2013-02-12 | Abbott Diabetes Care Inc. | Analyte sensor with lag compensation |
US7653425B2 (en) * | 2006-08-09 | 2010-01-26 | Abbott Diabetes Care Inc. | Method and system for providing calibration of an analyte sensor in an analyte monitoring system |
US8140312B2 (en) * | 2007-05-14 | 2012-03-20 | Abbott Diabetes Care Inc. | Method and system for determining analyte levels |
US7906032B2 (en) * | 2006-03-31 | 2011-03-15 | Tokyo Electron Limited | Method for conditioning a process chamber |
JP5657262B2 (ja) * | 2009-03-27 | 2015-01-21 | 東京エレクトロン株式会社 | プラズマ処理装置 |
TWI455172B (zh) * | 2010-12-30 | 2014-10-01 | Semes Co Ltd | 基板處理設備、電漿阻抗匹配裝置及可變電容器 |
CN103137408B (zh) * | 2011-11-30 | 2015-07-29 | 中国科学院微电子研究所 | 具有精密功率检测器的射频电源 |
US9143366B2 (en) * | 2012-09-07 | 2015-09-22 | The Aerospace Corporation | Galvanic isolation interface for high-speed data link for spacecraft electronics, and method of using same |
US9477519B2 (en) * | 2014-09-18 | 2016-10-25 | Robert D. Pedersen | Distributed activity control systems and methods |
US20170330876A1 (en) * | 2014-12-02 | 2017-11-16 | Glenn J. Leedy | Vertical system integration |
KR101917006B1 (ko) | 2016-11-30 | 2018-11-08 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
US20180293103A1 (en) * | 2017-04-06 | 2018-10-11 | DIARISSIMA Corp. | Augmented intelligence resource allocation system and method |
US11476091B2 (en) * | 2017-07-10 | 2022-10-18 | Reno Technologies, Inc. | Impedance matching network for diagnosing plasma chamber |
US20220254610A1 (en) * | 2017-07-10 | 2022-08-11 | Reno Technologies, Inc. | Resonant filter for solid state rf impedance matching network |
KR20190038070A (ko) * | 2017-09-29 | 2019-04-08 | 삼성전자주식회사 | 반도체 장치의 제조 시스템 및 반도체 장치의 제조 방법 |
US10304669B1 (en) * | 2018-01-21 | 2019-05-28 | Mks Instruments, Inc. | Adaptive counter measure control thwarting IMD jamming impairments for RF plasma systems |
JP6914211B2 (ja) | 2018-01-30 | 2021-08-04 | 株式会社日立ハイテク | プラズマ処理装置及び状態予測装置 |
US10304663B1 (en) * | 2018-07-19 | 2019-05-28 | Lam Research Corporation | RF generator for generating a modulated frequency or an inter-modulated frequency |
JP7094179B2 (ja) * | 2018-08-28 | 2022-07-01 | 東京エレクトロン株式会社 | インピーダンス整合方法およびインピーダンス整合装置 |
JP7134033B2 (ja) * | 2018-09-06 | 2022-09-09 | 東京エレクトロン株式会社 | 基板状態判定装置、基板処理装置、モデル作成装置及び基板状態判定方法 |
US11263737B2 (en) * | 2019-01-10 | 2022-03-01 | Lam Research Corporation | Defect classification and source analysis for semiconductor equipment |
US11784028B2 (en) * | 2020-12-24 | 2023-10-10 | Applied Materials, Inc. | Performing radio frequency matching control using a model-based digital twin |
-
2020
- 2020-12-24 US US17/133,787 patent/US11784028B2/en active Active
-
2021
- 2021-12-21 CN CN202180085761.XA patent/CN116671006A/zh active Pending
- 2021-12-21 JP JP2023538853A patent/JP2024504010A/ja active Pending
- 2021-12-21 KR KR1020237024917A patent/KR20230122653A/ko unknown
- 2021-12-21 EP EP21912066.4A patent/EP4268258A1/en active Pending
- 2021-12-21 WO PCT/US2021/064673 patent/WO2022140431A1/en active Application Filing
- 2021-12-22 TW TW110148108A patent/TW202227837A/zh unknown
-
2023
- 2023-10-09 US US18/377,918 patent/US20240162009A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240162009A1 (en) | 2024-05-16 |
KR20230122653A (ko) | 2023-08-22 |
JP2024504010A (ja) | 2024-01-30 |
WO2022140431A1 (en) | 2022-06-30 |
US20220208520A1 (en) | 2022-06-30 |
EP4268258A1 (en) | 2023-11-01 |
US11784028B2 (en) | 2023-10-10 |
CN116671006A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202227837A (zh) | 利用基於模型的數位分身進行射頻匹配控制 | |
KR20190049796A (ko) | 복잡한 다변수 웨이퍼 프로세싱 장비에서 머신 러닝을 구현하는 방법 및 프로세스 | |
US11513504B2 (en) | Characterizing and monitoring electrical components of manufacturing equipment | |
US11841692B2 (en) | Variable loop control feature | |
US20230222264A1 (en) | Processing chamber calibration | |
US11860591B2 (en) | Process recipe creation and matching using feature models | |
US20230195074A1 (en) | Diagnostic methods for substrate manufacturing chambers using physics-based models | |
US11874234B2 (en) | Multi-level RF pulse monitoring and RF pulsing parameter optimization at a manufacturing system | |
US20230051330A1 (en) | Using defect models to estimate defect risk and optimize process recipes | |
TW202347063A (zh) | 製程控制旋鈕估計 | |
TW202407484A (zh) | 使用機器學習在製造系統處進行運行間控制 | |
WO2023043838A1 (en) | Virtual measurement of conditions proximate to a substrate with physics-informed compressed sensing | |
Liu et al. | Run-to-Run Fault Prediction for Semiconductor Manufacturing Process Based on Variable Forgetting Factor RLS |