TW202234181A - 管理重疊對準的方法及系統以及計算系統 - Google Patents
管理重疊對準的方法及系統以及計算系統 Download PDFInfo
- Publication number
- TW202234181A TW202234181A TW110116107A TW110116107A TW202234181A TW 202234181 A TW202234181 A TW 202234181A TW 110116107 A TW110116107 A TW 110116107A TW 110116107 A TW110116107 A TW 110116107A TW 202234181 A TW202234181 A TW 202234181A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- classification
- wafer
- tool
- overlap
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012545 processing Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 29
- 238000010200 validation analysis Methods 0.000 claims description 26
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 3
- 238000004886 process control Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 40
- 238000010801 machine learning Methods 0.000 abstract description 31
- 239000004065 semiconductor Substances 0.000 abstract description 13
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 235000012431 wafers Nutrition 0.000 description 155
- 230000000875 corresponding effect Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 238000005259 measurement Methods 0.000 description 12
- 238000013479 data entry Methods 0.000 description 9
- 238000003066 decision tree Methods 0.000 description 7
- 238000001459 lithography Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/706835—Metrology information management or control
- G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
- G03F7/706841—Machine 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
- H01L21/67—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
- H01L21/67259—Position monitoring, e.g. misposition detection or presence detection
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/706835—Metrology information management or control
- G03F7/706837—Data analysis, e.g. filtering, weighting, flyer removal, fingerprints or root cause analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32335—Use of ann, neural network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45028—Lithography
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Wire Bonding (AREA)
- Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
Abstract
一種管理重疊對準的方法及系統以及計算系統。本公開描述使用機器學習來管理半導體製造中的垂直對準或重疊的技術。通過所公開的技術來評估和管理扇出型晶圓級封裝製程中的內連線特徵的對準。大數據和機器學習用於訓練使重疊誤差源因子與重疊計量類別相關的分類。重疊誤差源因子包含工具信號。訓練分類包含基礎分類和元分類。
Description
隨著半導體技術的演進,半導體晶粒變得越來越小,同時越來越多的功能被整合到單個晶粒中。因此,需要在積體電路(integrated circuit;IC)封裝中包含越來越大數目的I/O襯墊以及晶粒表面的更小區域。扇出型晶圓級封裝(wafer level packaging;WLP)成為解決此具挑戰性的情況的一種有前景的封裝技術。在扇出型WLP中,晶粒在定位於載體晶圓上之前從初始前端晶圓切斷,以使用連接佈線和I/O襯墊進行封裝。在扇出型WLP製程中,優勢為與晶粒相關聯的I/O襯墊相較晶粒本身的表面可重新分配到更大的區域。因此,可增加與晶粒一起封裝的I/O襯墊的數目。
扇出型WLP封裝可用於封裝一個晶粒、並排的多個晶粒或疊層封裝(package-on-package;POP)垂直配置中的多個晶粒。扇出型WLP中的POP配置通過垂直地連接多個晶粒的內連線特徵(例如通孔)實現。舉例來說,在整合扇出型InFO技術下,InFO_POP架構為含有通過InFO穿孔(through-InFO via;TIV)連接的DRAM晶粒,同時InFO_M封裝含有可並排放置的一個或多個晶粒,例如邏輯晶粒和記憶體晶粒。
重疊計量製程用於在各種半導體製造製程中監視並控制垂直對準。重疊計量通常指定第一圖案化層或其上的特徵相對於安置在與第一圖案化層不同的垂直水平處的第二圖案化層對準的準確程度(例如垂直對準)。重疊誤差是指第一圖案化層上的第一部分與第二圖案化層上的第二部分之間的未對準。重疊誤差計量(例如測量)可基於第一部分與第二部分之間或第一部分的實際位置與第一部分的目標位置之間的偏移而測量。目標位置可基於晶圓處理中的先進製程控制(advanced process control;APC)而確定。
在扇出型WLP中,將經過測試的良好晶粒定位到載體晶圓上。內連線特徵層形成為將晶粒連接到相關聯的I/O襯墊以及各種內連線層本身當中。通過晶圓級製程形成內連線,其中光阻劑和微影製程如在前端晶圓製造製程中類似地使用。因此,需要管理連續的內連線層之間或當中的垂直對準。
以下公開提供用於實施所描述的主題的不同特徵的許多不同實施例或實例。下文描述組件和佈置的特定實例以簡化本描述。當然,這些組件和佈置僅為實例且並不希望為限制性的。舉例來說,在以下描述中,第一特徵在第二特徵上方或上的形成可包含第一特徵與第二特徵直接接觸地形成的實施例,並且還可包含額外特徵可形成於第一特徵與第二特徵之間從而使得第一特徵與第二特徵可不直接接觸的實施例。另外,本公開可在各種實例中重複附圖標號和/或字母。此重複是出於簡化及清楚的目的,且本身並不指示所論述的各種實施例和/或配置之間的關係。
此外,為易於描述,可在本文中使用例如“在…下面”、“在…下方”、“下部”、“在…上方”、“上部”等空間相對術語,來描述如圖式中所示出的一個元件或特徵與另一(些)元件或特徵的關係。除圖式中所描繪的定向以外,空間相對術語意圖涵蓋裝置在使用或操作中的不同定向。設備可以其它方式定向(旋轉90度或處於其它定向),且本文中所使用的空間相對描述詞同樣地可相應地進行解釋。
在以下描述中,闡述某些具體細節以提供對本公開的各種實施例的透徹理解。然而,本領域的技術人員將理解,可在沒有這些具體細節的情況下實踐本公開。在其它情況下,沒有詳細地描述與電子組件和製造技術相關聯的公認結構以避免不必要地混淆本公開的實施例的描述。
除非上下文另有要求,否則貫穿整個說明書和隨後的申請專利範圍,詞語“包括”及其變體(例如,“包括(comprises/comprising)”)應以一種開放式的、包含性的意義來進行解釋,即作為“包含但不限於”。
例如第一、第二以及第三等序數詞的使用不一定暗示次序的分級意義,而是可僅區別動作或結構的多個例子。
貫穿本說明書對“一個實施例”或“實施例”的引用是指結合所述實施例描述的特定特徵、結構或特性包含在至少一個實施例中。因此,在貫穿本說明書的各個地方出現的短語“在一個實施例中”或“在實施例中”不一定都指的是同一個實施例。此外,在一個或多個實施例中,特定特徵、結構或特性可以任何合適的方式組合。
如本說明書和所附申請專利範圍中所使用,除非內容另外明確規定,否則單數形式“一(a/an)”和“所述”包含複數指示物。還應注意,除非內容另外明確規定,否則術語“或”通常以其包含“和/或”的含義使用。
本公開描述使用機器學習來管理半導體製造中的垂直對準或重疊的技術。舉例來說,通過所公開的技術來評估和管理扇出型WLP製程中的內連線特徵的對準。舉例來說,在後端晶圓級封裝中,降級的工具可能引起在晶圓上的預期位置處形成特徵的能力降低,從而引起重疊對準誤差。舉例來說,對準工具(例如對準器)用於確定在圖案化用於形成InFO穿孔(TIV)的光罩層時曝光的位置。降級的對準工具可具有工具輸出信號的增加的變化,從而使得通過對準工具形成的TIV的位置移位增加。因此,TIV可與應與TIV連接的封裝的對應連接特徵(例如凸塊)部分地或完全地未對準。所公開的技術使用機器學習來分析對準工具相對於相同工具的重疊計量測量的工具信號(例如工具輸出信號),以使工具信號與重疊計量值相關。被稱作“分類”的所學習相關性用於預測通過對準工具處理的工件上的特徵的重疊計量。舉例來說,獲得對準工具處理工件時的工具信號並將其應用到所學習的分類中,以預測工件上的特徵的重疊計量。
工具信號包含工具在處理工件以在工件上形成特徵時的任何特性、性質或參數。工具信號可包含工具輸出信號、工具操作狀態信號以及工具定位信號。工具輸出信號可包含工具的輸出信號的電特性、工具的輸出信號的物理特性,或輸出信號的電特性和物理特性的組合。工具信號可測量為工具的信號相對於工具的基準信號的區分。在一些實施例中,工具信號被分類為重疊計量值的源因子。然而,工具信號不一定會引起或產生重疊計量值。工具信號可僅在統計學上與重疊計量相關。這些統計相關性可足以用於預測重疊計量及校正重疊誤差的目的,但其不必表示工具信號與重疊計量之間的任何因果關係。
工具相關重疊源因子包含但不限於對準器輸出信號特性、光源位置、光罩位置、透鏡畸變、掃描方向、曝光處的步進位置、晶圓台位置或其它工具信號。工具信號可通過嵌入工具中或工具外部的感測器來檢測。
還可獲得重疊計量數據。重疊計量數據可包含所測量重疊對準偏移信息,例如重疊誤差或可接受重疊移位。舉例來說,重疊誤差的類別包含例如在x軸和y軸上的重疊對準偏移的大小、對應特徵之間的旋轉偏移,或重疊誤差例如相對於晶圓或相對於晶粒的位置。
重疊源因子數據(例如工具信號)和重疊計量數據被收集為彼此對應並儲存在數據池中。在數據池中,一條重疊源因子數據對應於一條重疊計量數據,所述數據一起形成數據條目。在一些實施例中,數據池中的數據條目例如隨機分配到訓練數據集、驗證數據集以及測試數據集。訓練數據集用於學習或擬合表示源因子與重疊計量之間的關係的分類的參數。驗證數據集用於調節或調整基於訓練數據集學習的分類參數。測試數據集用於評估最終分類的通用化或性能。在一些實施例中,堆疊分類用於表示重疊源因子與重疊計量之間的關係。在這些實施例中,訓練數據集用於訓練基礎分類的參數。驗證數據集用於訓練元分類。具體地,驗證數據集中的重疊源數據輸入到基礎分類中,且驗證數據集中的實際重疊誤差數據用作輸出以訓練元分類。在已通過訓練獲得基礎分類和元分類兩者的參數之後,測試數據集用於評估包含基礎分類和元分類的堆疊分類的通用化或性能。
在一些實施例中,將訓練數據集饋入到機器學習模型中,以學習表示源因子(例如工具信號)與重疊計量值之間的關係的分類的參數。隨機森林模型、神經網路模型、反距離加權k最近鄰回歸(Inverse Distance Weighting k-Nearest Neighbors regression,IDW-kNN)模型或其它合適的機器學習模型可用作使重疊誤差源因子和重疊計量相關的機器學習模型。作為機器學習的結果,獲得回歸模型函數或決策樹。
可使用驗證數據集來驗證分類的參數。分類參數可通過各種方式來驗證,其均包含於本公開的範圍內。舉例來說,驗證數據集中的基於重疊源數據的所估計重疊計量值可與驗證數據集中的對應實際計量測量值進行比較。所估計計量值與實際計量值之間的差用於調整分類參數。在驗證程序之後,定案分類參數。
測試數據集用於評估所定案回歸模型函數是否擬合測試數據集中的數據。舉例來說,在分類為線性回歸函數的情況下,R平方值用於確定最終分類是否擬合測試數據集中的數據。R平方值指示測試數據集的數據點繞擬合的回歸線的散射,其中通過線性回歸線評定每個數據點與預測值之間的變化。在一些實施例中,閾值可用於確定R
2值是否滿足閾值。對於另一實例,閾值用於評估測試數據集中的每個預測重疊值及實際重疊計量值。所述閾值可基於晶圓處理程序中形成的特徵或層的重疊公差要求而確定。舉例來說,在扇出型WLP中,可選擇約0.1微米的閾值,以確定所估計重疊計量值是否滿足扇出型WLP上的內連線特徵的實際計量數據。
在已將最終分類確定為充分擬合之後,最終分類用於預測工件上的特徵(例如扇出型WLP封裝製程中形成的內連線層)的重疊計量值。可基於預測重疊計量值來確定對工具設定或其它參數或在工件上形成特徵時的設定的校正性調整。
在本文中的公開內容中,相對於作為產生計量誤差的實例處理工具的步進機器示出重疊計量製程,其不意味限制本公開的範圍。舉例來說,實例步進機器為光罩對準機器。所公開的技術還可用於預測相對於例如晶粒附接晶粒移位計量或球安裝模板對準計量中的其它凸塊形成對準工具的重疊計量。此外,還可相對於前端半導體製程對準工具或製程來應用所公開的虛擬重疊計量技術。偏差工具信號(例如步進機器的所檢測特性與基準特性之間的差)用作實例工具信號以描述所述技術。其它工具信號也是可能的,所述工具信號均包含於本公開的範圍內。
圖1是實例重疊管理系統100。如圖1中所繪示,系統100包含晶圓製造現場系統110、輸入數據集120、大數據單元130、機器學習單元140以及輸出數據集150。晶圓製造現場系統110包含晶圓處理工具集112(例如光刻工具集112)、過程日誌114以及計量工具集116。輸入數據集120包含重疊誤差數據122、誤差源數據124以及其它數據126。除由過程日誌114獲得和保持的晶圓處理的數據之外,其它數據126還可為包含歷史重疊誤差數據、歷史誤差源數據的晶圓處理歷史數據以及其它晶圓處理的數據。機器學習單元140可包含對準控制單元142和驗證單元或與對準控制單元142和驗證單元一起工作。輸出數據集150包含誤差預測數據152和校正性調整數據154以及其它輸出數據。
在操作中,晶圓處理工具集112配置成在實例扇出型WLP製程中處理晶圓(例如其中晶粒定位在其上的載體晶圓),以在晶粒上方形成內連線層。晶圓處理工具集112可為光刻工具且包含例如步進機器“步進機”(例如步進和重複相機)、晶圓台或夾盤及台架工具以及其它合適的工具。步進機使光穿過光罩,從而形成光罩圖案的圖像。圖像通過透鏡聚焦和縮小並投射到塗布有光阻劑的晶圓的表面上。步進機以分步重複的方式工作,其中光罩上的圖案以網格在晶圓的表面上重複地曝光。步進機通過晶圓台移動晶圓,作為從一個拍攝位置到另一個拍攝位置的步長。晶圓的步進移動可以往復進行及左右進行,其中網格在步進機的透鏡下方。在扇出型WLP中,台架將晶粒拾取並定位到載體晶圓上的指定網格點或區域。在一些情形下,超過一個台架工具用於將裸片定位到載體晶圓上。
過程日誌114配置成監測、測量、確定以及記錄與工具集112和由工具集112處理的晶圓相關的晶圓處理參數。晶圓處理參數數據中的一些或全部被識別為促成因素或與重疊誤差相關,且被合併為誤差源數據124。
在通過層或層上的特徵的晶圓處理工具集112處理晶圓之後,計量工具集116配置成測量晶圓以確定重疊計量數據,例如重疊誤差是否相對於層或層上的特徵存在於晶圓上。計量數據還包含重疊誤差的細節。在一些實施例中,將重疊誤差計量數據分類為重疊誤差在晶圓或一個晶粒上的位置、在x軸和/或y軸上的重疊誤差的偏移尺寸或重疊誤差的旋轉角度。計量工具集116的測量結果中的一些或全部被合併為重疊誤差數據122。出於對誤差源因子與重疊誤差類別之間的相關性建立模型的目的,無重疊誤差的情形也是有用的且可被收集為重疊誤差數據122的一部分。
大數據單元130配置成收集重疊誤差數據122、誤差源數據124以及其它數據126,且配置成組合或協調各種數據集以供進一步分析。舉例來說,大數據單元130相對於晶圓層、晶圓層上的位置、晶圓層上的結構、設計成垂直地交疊或以其它方式彼此連接或耦合的多個垂直結構以各種方式將重疊誤差數據122、誤差源數據124以及其它數據126的不同數據類別鏈接在一起。在本文中的描述中,晶圓上的“特徵”用於指代晶圓的任何部分。舉例來說,晶圓上的特徵可為內連線結構。重疊誤差數據122為內連線結構的重疊誤差,且對應誤差源數據124為關於形成內連線結構獲得或記錄的晶圓處理工具集112的工具信號。
大數據單元130還協調關於測量尺寸、測量單位、時間尺度、公差閾值等收集到的數據,以使得能夠在同一分析過程中使用數據條目。大數據單元130還增加關於數據條目缺失和數據條目內插的收集到的數據。其它數據處理、協調或組合技術也是可能的且包含在大數據單元130內。
其它數據126可為關於重疊誤差數據的歷史數據或關於先前處理晶圓的誤差源數據。以與大數據單元130內的重疊誤差數據122和誤差源數據124相同或類似的方式處理這樣的歷史數據。
機器學習單元140為配置成使用由大數據單元130提供的數據來進行學習過程以推斷出分類的人工智慧機器學習單元,所述分類可基於用於執行特徵的光刻的實例步進機器的所測量處理參數(例如誤差源數據)來預測半導體晶圓上的特徵的重疊誤差。重疊誤差數據122和誤差源數據124可分成三個數據集:訓練數據集、驗證數據集以及測試數據集。機器學習單元140可使用不同數據集來訓練基礎分類、元分類,並測試基礎分類和元分類在預測如本文中所描述的重疊誤差時的堆疊適應性。
對準控制單元142配置成使用回歸模型函數或重疊估計/預測結果來控制晶圓處理(例如扇出型WLP上的內連線的晶圓處理)上的重疊對準。具體地,對準控制單元142可將晶圓處理操作的處理日誌信息作為輸入應用到回歸模型函數中以產生對準控制輸出數據150。對準控制輸出數據可接著用於控制或調整晶圓處理。舉例來說,除了其它以外,對準控制輸出數據150包含誤差預測數據152和校正性調整數據154等。誤差預測數據152指示晶圓位置中的一個或多個中的所預測/估計重疊計量。校正性調整數據154指示誤差源數據124中的誤差源因子中的一個或多個的變化,以消除估計/預測重疊誤差。
在實施例中,對準控制單元142為機器學習單元140的一部分。在其它實施例中,對準控制單元142為獨立於機器學習單元140的單元,且包含自動地調整或使得調整晶圓處理工具設定或晶圓位置中的一個或多個以消除重疊誤差的機制。
機器學習單元140的驗證單元配置成驗證或調整驗證數據集中的回歸模型函數的參數。回歸模型函數可以各種方式進行驗證。舉例來說,基於驗證數據集中的重疊源因子的所估計重疊計量值可與驗證數據集中的對應實際計量值進行比較。所估計計量值與實際計量值之間的差用於調整回歸模型函數的分類參數。在驗證程序之後,定案回歸模型函數的分類參數。
測試單元配置成評估所定案回歸模型函數是否擬合測試數據集中的數據。舉例來說,在所定案回歸模型函數為線性回歸函數的情況下,R平方值R
2(R
2=解釋變化/總變化)用於確定最終回歸模型是否擬合測試數據集中的數據。舉例來說,閾值可用於確定R
2值是否足夠大以指示最終回歸模型函數足以擬合測試數據集。舉例來說,閾值用於評估測試數據集中的每個預測重疊值和實際重疊計量值。所述閾值可基於特徵或工件上的層的重疊公差要求而確定。舉例來說,在扇出型WLP中,可選擇約0.1微米的閾值,以確定估計重疊計量值是否滿足封裝在扇出型WLP中的晶粒上方的內連線特徵的實際計量數據。
圖2繪示實例誤差源數據124。誤差源數據124包含工具信號誤差源因子的子集210、晶圓/晶粒對準誤差源因子的子集250以及上下文誤差源因子的子集280。工具信號子集210包含影響重疊對準的工具特性或參數或設定的數據,或與工件上的特徵的重疊對準相關。在實施例中,工具對準子集210包含工具輸出信號數據212、晶圓台位置數據214、步進位置數據216、光罩按鍵位置數據218、曝光位置數據220或其它合適的工具信號數據。晶圓/晶粒對準子集250包含影響重疊對準的(扇出型WLP情形中的)晶圓台上的晶圓或晶圓上的晶粒的位置的數據。上下文誤差源子集280包含關於重疊計量測量的上下文信息。在包含上下文信息的情況下,可在機器學習過程中識別並考慮不同類型的晶圓和不同晶圓處理參數。在實施例中,針對不同類型的晶圓和/或不同的晶圓處理參數分別確定或訓練回歸模型函數。舉例來說,針對每種類型的晶圓和/或每個晶圓處理參數集保持重疊誤差源因子和重疊誤差的不同訓練數據集。分別更新不同訓練數據集以保持每個訓練數據集中的數據條目的固定數目。
在一些實施例中,工具輸出信號數據212為表示所檢測工具信號值與基準工具信號值之間的差的偏差數據。舉例來說,工具輸出信號數據212為所檢測工具輸出信號與基準工具輸出信號值之間的差;晶圓台位置數據214為所檢測晶圓台部分與基準晶圓台位置之間的差;步進位置數據216為所檢測步進位置與基準步進位置之間的差;光罩按鍵位置數據218為所檢測光罩按鍵位置與基準光罩按鍵位置之間的差;且曝光位置數據220為所檢測曝光位置與基準曝光位置之間的差。
基準工具信號值可預先確定或可動態地確定。在一些實施例中,工具的最佳歷史信號值可動態地確定且用作工具的基準工具信號值。可在工具的工具信號的各種類別中確定最佳歷史信號值。
晶圓台位置數據214可通過錨定晶圓台的致動器的位置來測量。舉例來說,晶圓台可包含用於錨定晶圓台的x軸位置、y軸位置以及z軸位置的三個致動器。記錄並錄入x軸致動器、y軸致動器以及z軸致動器的位置,以指示晶圓台位置。
步進位置數據216為步進器的位置。
光罩按鍵位置數據218指示由光罩按鍵錨定的光罩的位置。
曝光位置數據220指示暴露於照明光的晶圓上的位置或區域。
晶圓台位置214、步進位置216、光罩按鍵位置218或曝光位置220可表示為橫向平面中的x軸、y軸和/或垂直平面中的z軸上的位置。在一些實施例中,晶圓台位置214、步進位置216、光罩按鍵位置218或曝光位置220可各自表示為相應目標位置的位置誤差。在位置誤差的測量中,可使用x軸偏移、y軸偏移、z軸偏移以及旋轉(角度)誤差。在一些實施例中,目標位置可用作基準位置。
在晶圓/晶粒對準子集250中,晶圓偏移數據252指示晶圓台上的晶圓的偏移量。晶圓偏移包含x軸上的偏移和y軸上的偏移。在實施例中,晶圓偏移通過晶圓上包含的晶圓對準標記或其它合適的機制來確定。
晶圓旋轉數據254指示晶圓台上的晶圓的旋轉角。在實施例中,通過晶圓對準標記或其它合適的機制來確定晶圓旋轉。
晶粒偏移數據256指示載體晶圓上的晶粒的偏移量。晶粒偏移包含x軸偏移和y軸偏移。在實施例中,通過晶粒上包含的晶粒對準標記或其它合適的機制來確定晶粒偏移。
晶粒旋轉數據258指示載體晶圓上的晶粒的旋轉角。在實施例中,通過晶粒對準標記或其它合適的機制來確定晶粒旋轉。
上下文數據280可包含聚焦深度282、曝光持續時間284、步進速度286、照明設定288、照明源290、EGA位置292、場位置294、計量位置296或其它上下文數據。在一些實施例中,上下文數據用於確保工具信號與重疊誤差計量之間的所學習回歸模型函數對於晶圓的類型、處理程序、特徵或其它上下文因子為特定的。
應瞭解,圖2中列出的實例誤差源數據類別為實例,且並不限制本公開的範圍。還可使用促成重疊誤差的出現和/或大小的其它因子且包含在誤差源數據124中,其均包含於本公開中。
圖3繪示實例重疊誤差數據122。如圖3中所繪示,重疊誤差數據122包含四個重疊誤差類別,即重疊計量位置數據310、x軸上重疊誤差數據320、y軸上重疊誤差數據330以及重疊旋轉(角度)數據340。重疊計量位置數據310指示重疊誤差在晶圓上或在晶粒上的位置。x軸上重疊誤差數據320和y軸上重疊誤差數據330分別指示x軸或y軸上的重疊誤差的大小。重疊旋轉(角度)數據340指示特徵的實際計量與目標計量偏離一角度的重疊誤差。
可使用各種方法來定義重疊誤差。在實施例中,將重疊誤差確定為特徵的實際計量與目標計量之間的差。在另一實施例中,基於對應特徵(例如配置成彼此垂直對準的上部特徵和下部特徵)之間的對準來確定重疊誤差。確定重疊對準精度或重疊誤差的其它方法也是可能的,且包含在本公開的範圍內。
圖4繪示實例機器學習單元140。參看圖4,機器學習單元140包含:處理單元410,例如計算機處理器或在虛擬機器應用中分配給機器學習單元140的處理能力;儲存單元420,具有儲存於其上的機器學習應用程式430;通信單元440,配置成在分布式計算環境中與鏈接到機器學習單元140的其它計算機或機器通信;介面單元450,配置成用於輸入、輸出以及用戶交互作用;以及其它組件460。
應用程式430包含可執行指令,所述可執行指令在由處理單元410執行時將處理單元410配置成實施訓練集產生模組432、學習模組434以及預測模組438。學習模組434包含基礎學習模組435、元學習模組436以及測試模組437。在實施例中,專用於實施訓練集產生模組432、學習模組434以及預測模組438的可執行指令儲存在儲存單元420的單獨專用空間中或以可分離/可解析方式儲存,以使得易於通過解析或編索引來識別用於這些模組的可執行指令。
圖5繪示應用程式430的學習模組434的實例操作結構。在操作中,訓練集產生模組432從大數據單元130接收數據,且在操作510中產生三個不相交的數據集:訓練數據集、驗證數據集以及測試數據集。訓練數據集、驗證數據集以及測試數據集中的每一個包含誤差源數據和重疊誤差數據的數據條目的類似類別。在一些實施例中,學習模組434使用訓練數據集、驗證數據集以及測試數據集中的一個或多個來實施學習程序的多層次的堆疊。
在實例操作520中,基礎學習模組435使用訓練數據集來訓練多個基礎分類。多個基礎分類中的每一個表示誤差源數據與重疊誤差數據之間的相關性(例如回歸或決策樹)。在一些實施例中,基礎學習單元435使用隨機森林模型來訓練訓練數據集中多個基礎分類的每一個的參數。舉例來說,訓練數據集中的誤差源數據(例如晶圓處理工具集112在處理半導體晶圓時的過程參數)用作輸入,且訓練數據集中的對應重疊誤差數據(例如半導體晶圓上的特徵的所測量重疊數據)用作輸出,以訓練隨機森林模型下的基礎分類的參數。隨機森林模型在分別鏈接誤差源數據和重疊誤差數據的多個分類(或決策樹)當中找到表示多個分類的重疊誤差的模值或均值預測的分類。舉例來說,在隨機森林模型中,訓練大量決策樹(例如圖5中所繪示的500個決策樹:樹1到樹500),每個決策樹引導從重疊源的輸入到重疊預測的輸出的“路徑”。使用訓練數據集來確定或訓練每個樹的參數。在一些實施例中,響應於相同輸入的大量決策樹的輸出的模值、中值或均值可被視為隨機森林模型的輸出。
在實例操作530中,在已確定基礎分類的參數之後,元學習模組436使用驗證數據集來訓練元分類。在一些實施例中,驗證數據集的誤差源數據(例如晶圓處理工具集112在處理半導體晶圓時的過程參數)被饋入到訓練基礎分類中,以對重疊誤差進行預測。被分類為元分類的元X或輸入數據的預測或估計重疊誤差以及被分類為元分類的元Y或輸出數據的來自驗證數據集的實際重疊計量數據(例如半導體晶圓上的特徵的所測量重疊數據)一起用於訓練元分類。在一些實施例中,元學習模組436使用反距離加權k最近鄰回歸(IDW-kNN)作為模型,以表示由基礎分類產生的預測重疊誤差(或元X)與驗證數據集中的實際重疊誤差(或元Y)之間的關係。由此獲得IDW-kNN的元分類的參數。
在實例操作540中,測試模組437確定包含基礎分類和元分類的堆疊分類是否擬合測試數據集。也就是說,測試模組437確定預測重疊誤差與實際測量的重疊誤差一致還是有偏差。舉例來說,將測試數據集的誤差源數據饋入到基礎分類中以獲得元X數據。將元X數據接著饋入到元分類中以獲得預測或所估計重疊誤差數據,即元Y。將預測重疊誤差數據與測試數據集中的對應實際重疊計量數據進行比較,以評估預測重疊誤差與實際測量的重疊誤差一致還是有偏差。在一些實施例中,R平方值是基於預測重疊誤差和對應實際測量的重疊誤差來計算的,且用閾值進行分析以確定堆疊分類是否擬合測試數據集。使用測試數據集代替訓練數據集和/或驗證數據集來評估堆疊分類的適應性有助於避免過度擬合問題。
如果確定堆疊分類為擬合的,則其準備好用於預測重疊計量誤差。如果確定堆疊分類為不擬合的,那麼可調整基礎分類或元分類的參數中的一個或多個以改進堆疊分類的適應分數。舉例來說,新的訓練數據或驗證數據可用於再訓練基礎分類和/或元分類的參數。
在預測操作550中,在已確定基礎分類和元分類的參數之後,基礎分類和元分類一起被用作分類的堆疊,從而在實際半導體晶片製造製程中進行重疊誤差預測。舉例來說,預測模組438基於製作晶圓的晶圓處理操作的所測量過程參數使用堆疊分類來預測或估計晶圓上的特徵的重疊計量。具體地,例如,從處理日誌114獲得誤差源數據(例如工具信號)並將其應用於訓練堆疊分類中作為輸入以預測重疊計量數據作為輸出。預測模組438還可預測對晶圓處理參數(例如對工具對準設定和/或晶圓/晶粒對準因子中的一個或多個)的校正性調整,以消除或減少所估計/預測重疊誤差。
可對整個晶圓進行重疊誤差的預測。在晶圓內,重疊誤差可遵循一致圖案或可在晶圓上的不同場之間/當中發生變化。通過晶圓處理中使用的步進裝置,可以調整晶圓處理設定以專門校正晶圓上的單獨場上的重疊誤差。然而,存在以下情形:晶圓上的兩個或大於兩個場上的重疊誤差不能被單獨校正且在晶圓處理操作下為相關的。可進行決策制定操作以確定晶圓處理操作的整體校正性調整,從而在兩個或大於兩個場之間/當中對重疊對準進行平衡。
在一些實施例中,基於晶圓上的區來確定校正性調整。舉例來說,將晶圓上的特徵分組為晶圓表面上的對應區中含有的多個子集。多個區為環形的且為彼此同心的。對特徵的每個子集的預測重疊誤差求平均(例如均值或中值),以獲得區的平均重疊誤差。基於區的平均重疊誤差來確定區的校正性調整。
將重疊預測操作550的結果輸出到對準控制單元142,以相應地控制晶圓處理操作。舉例來說,誤差預測數據152可用於手動地調整晶圓處理參數設定以避免或減少重疊誤差問題。校正性調整數據154可由操作員或機器使用以自動地調整晶圓處理參數設定,從而提高重疊對準精度。調整的處理參數和相關重疊計量數據再次被饋入到機器學習單元140中以進一步訓練或細化分類,這是因為其一起表示新的數據條目。也就是說,機器學習單元140中的機器學習過程可為動態過程,所述過程連續地使用新的數據條目來更新分類。
圖6繪示獲得工具信號數據作為重疊源數據的實例的實例過程,所述數據可用於訓練數據集、驗證數據集和/或測試數據集中。作為說明性實例,圖6繪示獲得步進機器(或對準工具)的實例輸出信號1416作為過程工具集112的實例的過程,所述實例並不限制本公開的範圍。如圖6(a)中所繪示,實例晶圓600包含指定用於調節重疊對準的多個對準晶粒602(繪示六個以用於說明)。每個對準晶粒602含有沿x軸或y軸佈置的多個對準標記604。每個對準標記604包含多個對準標記線606。
步進機器的輸出信號特性在光刻製程中影響曝光的對準,且因此影響半導體晶圓上的特徵的位置。因此,輸出信號特性可用作誤差源數據。如圖6(b)中所繪示,作為輸出信號特性的實例,獲得每個對準標記604上的對準器輸出信號的信號波形。為了說明,圖6(b)繪示對準晶粒602的兩個對準標記(標記3、標記4)的信號波形。每個波形610包含各自對應於對準標記線606的多個波峰612(為了說明繪示的四個峰值點612)。
理想地,波形的波峰應與對準標記對準。波形的波峰與對應對準標記之間的對準或未對準接著充當步進機器的輸出信號可引起重疊誤差的指示。舉例來說,如圖6(c)中所繪示,峰值點612中的一個或多個轉換為出於說明而繪示的位置坐標614、位置坐標614(1)、位置坐標614(2)、位置坐標614(3)、位置坐標614(4)。將從對準器信號輸出獲得的位置坐標614(被稱作“信號位置坐標”)與從圖形數據庫系統GDS數據獲得的對準標記線606的對應位置坐標616(被稱作“GDS位置坐標”)進行比較。具體地,將信號位置坐標614(1)、信號位置坐標614(2)、信號位置坐標614(3)、信號位置坐標614(4)與GDS位置坐標616(1)、GDS位置坐標616(2)、GDS位置坐標616(3)、GDS位置坐標616(4)進行比較,以確定輸出信號與對準標記線之間的偏移值。偏移值被稱作信號特性。
圖7繪示形成含有工具輸出信號特性和所測量重疊計量數據的數據條目的實例過程。在圖7(a)中,對於每個對準標記604,獲得出於說明而繪示的多個信號特性數據714、信號特性數據714(1)、信號特性數據714(2)、信號特性數據714(3)、信號特性數據714(4)。信號特性714(1)、信號特性714(2)、信號特性714(3)、信號特性714(4)各自指示輸出信號與對準標記線之間的對準或未對準(例如信號位置坐標614(1)、信號位置坐標614(2)、信號位置坐標614(3)、信號位置坐標614(4)與對應GDS位置坐標616(1)、GDS位置坐標616(2)、GDS位置坐標616(3)、GDS位置坐標616(4)之間的差)。
圖7(b)繪示由對準工具(例如對準工具的拍攝點18、拍攝點16、拍攝點25、拍攝點26、拍攝點36、拍攝點35、拍攝點46、拍攝點48)進行的多個曝光的數據。對於每個拍攝點18、拍攝點16、拍攝點25、拍攝點26、拍攝點36、拍攝點35、拍攝點46、拍攝點48,獲得y軸上的重疊計量數據、OVL Box R/D、OVL Box L/U以及均值Y作為對應對準器輸出信號。OVL Box R/D和OVL Box L/U為從晶圓上的兩個位置獲得的y軸上的重疊誤差。均值Y為OVL Box R/D和OVL Box L/U的均值。對於拍攝點18、拍攝點16、拍攝點25、拍攝點26、拍攝點36、拍攝點35、拍攝點46、拍攝點48中的每一個還獲得工具信號數據724(724(1)、724(2)、724(3)、724(4))。具體地,獲得關於每個對準標記10、對準標記12、對準標記2、對準標記4、對準標記6、對準標記8的工具信號數據724作為具體拍攝點的信號特性714相對於基準拍攝點(此處為拍攝點35)的信號特性714之間的差。舉例來說,對於對準標記10,將拍攝點18的信號特性714(1)、信號特性714(2)、信號特性714(3)、信號特性714(4)與基準拍攝點35的信號特性714(1)、信號特性714(2)、信號特性714(3)、信號特性714(4)進行比較,從而產生四個對準標記線的工具信號值“-15”、工具信號值“-18”、工具信號值“-18”、工具信號值“-18”。工具信號724的“+”或“-”指示可隨機指定的偏離方向(例如較大或較小)。應注意,對於基準拍攝點35,由於相應信號特性本身不偏離,因此所有工具信號均為“0”。
在一些實施例中,基準拍攝點被選為具有最小重疊誤差的對準器的拍攝點。作為說明性實例,圖7(b)的拍攝點35的均值y軸重疊誤差為“0.010066702”,所述誤差在拍攝點18、拍攝點16、拍攝點25、拍攝點26、拍攝點36、拍攝點35、拍攝點46、拍攝點48當中是最小的。在一些實施例中,基準拍攝點可動態地選擇。舉例來說,如果將新的數據添加到數據池中(其包含比當前基準拍攝點35更佳的拍攝點),那麼更佳的拍攝點可被選為新的基準拍攝點。相對應地,新的基準拍攝點的信號特性714將用於在數據池中產生每個拍攝點的新工具信號724。
圖8是實例操作過程800的流程圖。在實例操作810中,過程日誌114獲得晶圓處理工具(例如對準器)關於在第一晶圓上形成內連線特徵的工具信號數據。
在實例操作820中,計量工具集116獲得關於第一晶圓上的內連線特徵的重疊計量數據。
在實例操作830中,訓練集產生模組432產生包含關於第一晶圓的工具信號數據和重疊計量數據的數據集。
在實例操作840中,機器學習模組434使用數據集來產生表示工具信號數據與重疊計量數據之間的相關性的訓練分類。在一些實施例中,訓練分類可包含基礎分類和一個或多個元分類的堆疊。
在實例操作850中,預測模組438基於訓練分類來預測第二晶圓上的重疊計量值。舉例來說,關於第二晶圓的工具信號可應用於訓練分類中,以產生預測重疊計量值。
在實例操作860中,對準控制單元142例如通過校正性調整數據154基於預測重疊計量值來調整在處理第二晶圓時的工具信號或其它處理參數。
最後,基於關於第二晶圓的所測量重疊計量數據和關於第二晶圓的工具信號數據來更新訓練分類。
以扇出型WLP製程作為實例來描述所述技術。應瞭解,所述技術類似地適用於前端晶圓處理和其它後端晶圓處理操作。
可通過以下實施例的描述進一步瞭解本公開。
在一些實施例中,一種管理重疊對準的方法包含:確定關於在第一晶圓上形成第一特徵的晶圓處理工具的工具信號;確定第一特徵的重疊計量的第一值;產生包含工具信號和重疊計量的第一值的第一數據集;基於第一數據集產生使工具信號和重疊計量相關的分類,所述分類包含基礎分類和元分類;以及使用所述分類來估計第二晶圓上的第二特徵的重疊計量的第二值。
在一些實施例中,一種管理重疊對準的系統包含:晶圓處理工具,可操作以在晶圓上形成多個特徵,多個特徵包含定位在晶圓上的第一區中的第一特徵子集和定位在晶圓上的第二區中的第二特徵子集;計量工具,可操作以測量晶圓上的多個特徵的多個重疊計量值;重疊建模工具,可操作以基於晶圓處理工具的工具信號數據來產生多個特徵的多個所估計重疊計量值;以及過程控制工具,可操作以基於第一區的基於第一區的調整值和第二區的基於第二區的調整值來調整晶圓處理工具的操作,所述基於第一區的調整值是基於第一特徵子集的所估計重疊計量值,且所述基於第二區的調整值是基於第二特徵子集的所估計重疊計量值。
在一些實施例中,一種計算系統包含處理器和儲存單元,所述儲存單元具有儲存於其上的可執行指令。所述可執行指令在由處理器執行時將處理器配置為實施包含以下的動作:接收關於在第一晶圓上形成第一特徵的晶圓處理工具的工具信號的數據;接收第一特徵的重疊計量的數據;產生包含工具信號的數據和重疊計量的數據的數據池;學習包含第一分類和第二分類的堆疊分類,所述第一分類和所述第二分類是基於來自數據池的第一數據子集和第二數據子集而學習的;以及使用堆疊分類來估計第二晶圓上的第二特徵的重疊計量。
上文所描述的各種實施例可以組合以提供另外的實施例。
按照以上詳細描述,可對實施例作出這些和其它改變。一般來說,在隨附申請專利範圍中,所使用的術語不應理解為將申請專利範圍限制於本說明書和申請專利範圍中所公開的具體實施例,而應理解為包含所有可能的實施例以及所述申請專利範圍所有權獲得的等效物的全部範圍。因此,申請專利範圍不受本公開限制。
100:重疊管理系統
110:晶圓製造現場系統
112:晶圓處理工具集/光刻工具集
114:過程日誌
116:計量工具集
120:輸入數據集
122:重疊誤差數據
124:誤差源數據
126:其它數據
130:大數據單元
140:機器學習單元
142:對準控制單元
150:輸出數據集
152:誤差預測數據
154:校正性調整數據
210:工具信號子集/工具對準子集
212:工具輸出信號數據
214:晶圓台位置數據
216:步進位置數據
218:光罩按鍵位置數據
220:曝光位置數據
250:晶圓/晶粒對準子集
252:晶圓偏移數據
254:晶圓旋轉數據
256:晶粒偏移數據
258:晶粒旋轉數據
280:上下文誤差源子集/上下文數據
282:聚焦深度
284:曝光持續時間
286:步進速度
288:照明設定
290:照明源
292:EGA位置
294:場位置
296:計量位置
310:重疊計量位置數據
320:x軸上重疊誤差數據
330:y軸上重疊誤差數據
340:重疊旋轉(角度)數據
410:處理單元
420:儲存單元
430:機器學習應用程式
432:訓練集產生模組
434:學習模組
435:基礎學習模組
436:元學習模組
437:測試模組
438:預測模組
440:通信單元
450:介面單元
460:其它組件;
510、520、530、540、550、810、820、830、840、850、860:操作
600:晶圓
602:對準晶粒
604:對準標記
606:對準標記線
610:波形
612:峰值點
614、614(1)、614(2)、614(3)、614(4):信號位置坐標
616、616(1)、616(2)、616(3)、616(4):GDS位置坐標
714、714(1)、714(2)、714(3)、714(4):信號特性數據
724、724(1)、724(2)、724(3)、724(4):工具信號數據
800:實例操作過程
1416:實例輸出信號
當結合附圖閱讀時,根據以下詳細描述會最佳地理解本公開的各方面。在圖式中,除非上下文另有指示,否則相同附圖標號標識類似元件或動作。圖式中元件的大小和相對位置不一定按比例繪製。實際上,為了論述清楚起見,可任意增大或減小各個特徵的尺寸。
圖1是用於管理重疊對準的實例系統。
圖2是實例誤差源數據集。
圖3是實例重疊誤差數據集。
圖4是實例機器學習單元。
圖5是機器學習單元的實例操作。
圖6是獲得工具信號數據的實例。
圖7是繪示工具信號數據的實例的表。
圖8是管理重疊對準的實例過程。
100:重疊管理系統
110:晶圓製造現場系統
112:晶圓處理工具集/光刻工具集
114:過程日誌
116:計量工具集
120:輸入數據集
122:重疊誤差數據
124:誤差源數據
126:其它數據
130:大數據單元
140:機器學習單元
142:對準控制單元
150:輸出數據集
152:誤差預測數據
154:校正性調整數據
Claims (20)
- 一種管理重疊對準的方法,包括: 確定關於在第一晶圓上形成第一特徵的晶圓處理工具的工具信號; 確定所述第一特徵的重疊計量的第一值; 產生包含所述工具信號和所述重疊計量的所述第一值的第一數據集; 基於所述第一數據集產生使所述工具信號和所述重疊計量相關的分類,所述分類包含基礎分類和元分類;以及 使用所述分類來估計第二晶圓上的第二特徵的所述重疊計量的第二值。
- 如請求項1所述的方法,其中所述基礎分類的輸出為所述元分類的輸入。
- 如請求項1所述的方法,其中所述第一數據集包含訓練數據集和驗證數據集,所述基礎分類是基於所述訓練數據集產生的,且所述元分類是基於所述驗證數據集產生的。
- 如請求項3所述的方法,更包括使用測試數據集來確定所述分類的適應分數,所述測試數據集為所述第一數據集的一部分。
- 如請求項1所述的方法,其中所述工具信號為所述晶圓處理工具在所述第一晶圓上形成所述第一特徵時的信號與所述晶圓處理工具的基準信號之間的差。
- 如請求項5所述的方法,其中所述基準信號為所述晶圓處理工具的在晶圓上形成具有歷史上最小大小的重疊誤差的特徵的歷史信號。
- 如請求項6所述的方法,其中所述基準信號是動態地確定的。
- 如請求項1所述的方法,其中所述基礎分類為隨機森林模型分類。
- 如請求項1所述的方法,其中所述元分類為反距離加權k最近鄰回歸。
- 如請求項1所述的方法,更包括基於所述重疊計量的所估計第二值來調整所述晶圓處理工具的操作。
- 如請求項10所述的方法,其中調整所述晶圓處理工具的所述操作是基於所述第二晶圓上的多個區的所估計重疊計量值。
- 如請求項11所述的方法,其中所述多個區中的一個區的所估計重疊計量值為所述區內的一個或多個第二特徵上的所述重疊計量的一個或多個所估計第二值的平均值。
- 一種管理重疊對準的系統,包括: 晶圓處理工具,可操作以在晶圓上形成多個特徵,所述多個特徵包含定位在所述晶圓上的第一區中的第一特徵子集和定位在所述晶圓上的第二區中的第二特徵子集; 計量工具,可操作以測量所述晶圓上的所述多個特徵的多個重疊計量值; 重疊建模工具,可操作以基於所述晶圓處理工具的工具信號數據來產生所述多個特徵的多個所估計重疊計量值;以及 過程控制工具,可操作以基於所述第一區的基於第一區的調整值和所述第二區的基於第二區的調整值來調整所述晶圓處理工具的操作,所述基於第一區的調整值是基於所述第一特徵子集的所估計重疊計量值,且所述基於第二區的調整值是基於所述第二特徵子集的所估計重疊計量值。
- 如請求項13所述的系統,其中所述重疊建模工具可操作以產生使所述工具信號數據和所述晶圓上的特徵的重疊計量值相關的分類。
- 如請求項14所述的系統,其中所述分類包含多個基礎分類和元分類,所述多個基礎分類的輸出為所述元分類的輸入。
- 如請求項13所述的系統,其中所述第一區和所述第二區彼此同心。
- 如請求項13所述的系統,其中所述基於第一區的調整值為所述第一特徵子集的所述所估計重疊計量值的平均值,且所述基於第二區的調整值為所述第二特徵子集的所述所估計重疊計量值的平均值。
- 一種計算系統,包括: 處理器;以及 儲存單元,具有儲存於其上的可執行指令,所述可執行指令在由所述處理器執行時將所述處理器配置為實施包含以下操作的動作: 接收關於在第一晶圓上形成第一特徵的晶圓處理工具的工具信號的數據; 接收所述第一特徵的重疊計量的數據; 產生包含所述工具信號的所述數據和所述重疊計量的所述數據的數據池; 學習包含第一分類和第二分類的堆疊分類,所述第一分類和所述第二分類是基於來自所述數據池的第一數據子集和第二數據子集而學習的;以及 使用所述堆疊分類來估計第二晶圓上的第二特徵的重疊計量。
- 如請求項18所述的計算系統,其中所述第一分類使所述工具信號和所述重疊計量相關。
- 如請求項19所述的計算系統,其中學習所述第二分類包含: 通過將所述第二數據子集的工具信號數據應用到所述第一分類中來產生所估計重疊計量數據;以及 基於所述所估計重疊計量數據和所述第二數據子集的重疊計量數據來學習所述第二分類。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/185,827 | 2021-02-25 | ||
US17/185,827 US20220269184A1 (en) | 2021-02-25 | 2021-02-25 | Machine learning on overlay management |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202234181A true TW202234181A (zh) | 2022-09-01 |
TWI804859B TWI804859B (zh) | 2023-06-11 |
Family
ID=81896946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110116107A TWI804859B (zh) | 2021-02-25 | 2021-05-04 | 管理重疊對準的方法及系統以及計算系統 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220269184A1 (zh) |
CN (1) | CN114628277A (zh) |
TW (1) | TWI804859B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11967058B2 (en) * | 2020-06-24 | 2024-04-23 | Kla Corporation | Semiconductor overlay measurements using machine learning |
US20220392809A1 (en) * | 2021-06-03 | 2022-12-08 | Kla Corporation | Adaptive modeling misregistration measurement system and method |
US20240142883A1 (en) * | 2022-10-31 | 2024-05-02 | Kla Corporation | Overlay Estimation Based on Optical Inspection and Machine Learning |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7449265B1 (en) * | 2007-11-20 | 2008-11-11 | Tokyo Electron Limited | Scatterometry target for determining CD and overlay |
CN103097956B (zh) * | 2010-02-26 | 2016-01-27 | 密克罗尼克麦达塔公司 | 用于执行图案对准的方法和装置 |
EP2463892B1 (de) * | 2010-12-13 | 2013-04-03 | EV Group E. Thallner GmbH | Einrichtung, Vorrichtung und Verfahren zur Ermittlung von Ausrichtungsfehlern |
CN107004060B (zh) * | 2014-11-25 | 2022-02-18 | Pdf决策公司 | 用于半导体制造工艺的经改进工艺控制技术 |
US11029359B2 (en) * | 2018-03-09 | 2021-06-08 | Pdf Solutions, Inc. | Failure detection and classsification using sensor data and/or measurement data |
US10964566B2 (en) * | 2018-06-29 | 2021-03-30 | Taiwan Semiconductor Manufacturing Go., Ltd. | Machine learning on overlay virtual metrology |
TW202020577A (zh) * | 2018-09-28 | 2020-06-01 | 荷蘭商Asml荷蘭公司 | 基於晶圓量測判定熱點排序 |
KR20220143743A (ko) * | 2020-02-21 | 2022-10-25 | 온투 이노베이션 아이엔씨. | 리소그래피 공정에서 오버레이 오류를 보정하기 위한 시스템 및 방법 |
-
2021
- 2021-02-25 US US17/185,827 patent/US20220269184A1/en active Pending
- 2021-04-20 CN CN202110424481.9A patent/CN114628277A/zh active Pending
- 2021-05-04 TW TW110116107A patent/TWI804859B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI804859B (zh) | 2023-06-11 |
US20220269184A1 (en) | 2022-08-25 |
CN114628277A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI804859B (zh) | 管理重疊對準的方法及系統以及計算系統 | |
US11626304B2 (en) | Machine learning on overlay management | |
TWI731581B (zh) | 判定圖案化製程之校正之方法、元件製造方法、用於微影裝置之控制系統及微影裝置 | |
TW201841066A (zh) | 產生用於控制或監控一生產程序的經預測資料 | |
US20080147222A1 (en) | Method and Apparatus for Implementing a Universal Coordinate System for Metrology Data | |
CN108431695A (zh) | 控制图案形成过程的方法、器件制造方法、用于光刻设备的控制系统以及光刻设备 | |
CN102681355A (zh) | 描画数据修正装置及描画装置 | |
TW202028882A (zh) | 用於判定一半導體製造程序事件之根本原因及用於監測一半導體製造程序之方法 | |
CN1275091C (zh) | 使用母版测度的光刻临界尺寸控制的方法 | |
CN110660702B (zh) | 覆盖管理方法、覆盖管理系统及计算系统 | |
TW202119135A (zh) | 用於控制微影設備之方法 | |
Chang et al. | Analysis of pattern distortion by panel deformation and addressing it by using extremely large exposure field fine-resolution lithography | |
TWI791321B (zh) | 用於組態採樣架構產生模型之方法及電腦程式 | |
CN113050383A (zh) | 一种光刻曝光方法、装置和光刻系统 | |
TW202342966A (zh) | 晶圓檢測系統 | |
TW201921538A (zh) | 用於臨界尺寸量測之檢測導引臨界位點選擇 |