TW202239524A - 用於標記用於攝譜監測的機器學習系統的訓練光譜的原位監測 - Google Patents

用於標記用於攝譜監測的機器學習系統的訓練光譜的原位監測 Download PDF

Info

Publication number
TW202239524A
TW202239524A TW111107451A TW111107451A TW202239524A TW 202239524 A TW202239524 A TW 202239524A TW 111107451 A TW111107451 A TW 111107451A TW 111107451 A TW111107451 A TW 111107451A TW 202239524 A TW202239524 A TW 202239524A
Authority
TW
Taiwan
Prior art keywords
training
values
sequence
polishing
substrate
Prior art date
Application number
TW111107451A
Other languages
English (en)
Inventor
湯瑪斯 李
班傑明 傑瑞安
Original Assignee
美商應用材料股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商應用材料股份有限公司 filed Critical 美商應用材料股份有限公司
Publication of TW202239524A publication Critical patent/TW202239524A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B24B37/013—Devices or means for detecting lapping completion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/02—Constructional details
    • G01J5/08—Optical arrangements
    • G01J5/0859—Sighting arrangements, e.g. cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/02—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using thermoelectric elements, e.g. thermocouples
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/32—Polishing; Etching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
    • G01R31/2831—Testing of materials or semi-finished products, e.g. semiconductor wafers or substrates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67092—Apparatus for mechanical treatment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J2005/0077—Imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/0205—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows
    • G01J3/0218—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows using optical fibers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)

Abstract

一種訓練用於攝譜監測的神經網路的方法包括：拋光測試基板；在測試基板的拋光期間，由原位攝譜監測系統測量從基板反射的光的測試光譜序列並由原位非光學監測系統測量來自基板的測試值序列；測量在拋光之前基板的初始特徵值或在拋光之後基板的最終特徵值中的至少一者；將測試值序列和初始特徵值和/或最終特徵值輸入到厚度預測模型中，該厚度預測模型輸出訓練值序列，其中該訓練值序列中的每個相應訓練值與來自測試光譜序列的相應測試光譜相關聯；以及使用多個測試光譜和多個訓練值來訓練人工神經網路。

Description

用於標記用於攝譜監測的機器學習系統的訓練光譜的原位監測
本揭示涉及例如在諸如化學機械拋光之類的處理期間對基板的光學監測。
積體電路通常通過在矽片上連續沉積導電層、半導電層或絕緣層而形成於基板上。一個製造步驟涉及在非平面表面上沉積填料層並使該填料層平坦化。對於一些應用，填料層被平坦化，直到經圖案化的層的頂表面被暴露。例如，導電填料層可被沉積在經圖案化的絕緣層上以填充該絕緣層中的溝槽或孔洞。在平坦化之後，保留在絕緣層的凸起圖案之間的導電層的部分形成通孔、插塞和線路，這些通孔、插塞和線路在基板上的薄膜電路之間提供導電路徑。對於其他應用，填料層被平坦化，直到在底層之上保留預定的厚度。例如，所沉積的介電層可被平坦化以用於光刻。
化學機械拋光（CMP）是一種公認的平坦化方法。該平坦化方法通常要求基板被安裝在承載頭上。基板的暴露表面通常放置在具有耐用粗糙表面的旋轉拋光墊上。承載頭提供基板上的可控負載，從而將其推至抵靠拋光墊。拋光液，諸如具有研磨顆粒的漿料，通常被供應到拋光墊的表面。
CMP的一個問題是使用合適的拋光速率以獲得所需的輪廓，例如，已經被平坦化至所需平坦度或厚度的基板層，或已移除所需數量的材料。基板層的初始厚度、漿料組成、拋光墊狀況、拋光墊與基板之間的相對速度以及基板上的負載的變化可引起基板上以及基板與基板之間的材料去除速率的變化。這些變化引起到達拋光終點所需時間的變化與移除量的變化。因此，可能無法將拋光終點確定為僅根據拋光時間而變化，或者僅通過施加恆定壓力來實現所需的輪廓。
在一些系統中，在拋光期間例如通過光學監測系統來原位地監測基板。來自原位監測系統的厚度測量可用於調整施加到基板的壓力，以調整拋光速率並降低晶圓內非均勻性（WIWNU）。
在一個態樣，一種訓練用於攝譜監測的神經網路的方法包括：拋光測試基板；在測試基板的拋光期間，由原位攝譜監測系統測量從基板反射的光的測試光譜序列；在測試基板的拋光期間，由原位非光學監測系統測量來自基板的測試值序列；測量在拋光之前基板的初始特徵值或在拋光之後基板的最終特徵值中的至少一者；將測試值序列和初始特徵值和/或最終特徵值輸入到厚度預測模型中，該厚度預測模型輸出訓練值序列，其中該訓練值序列中的每個相應訓練值與來自測試光譜序列的相應測試光譜相關聯；以及使用多個測試光譜和多個訓練值來訓練人工神經網路。該人工神經網路具有針對多個光譜值的多個輸入節點、用於輸出特徵值的輸出節點、以及將輸入節點連接到輸出節點的多個隱藏節點。
這些態樣可以體現在電腦程式產品中，該電腦程式產品有形地體現在非瞬態電腦可讀媒體中並且包括用於使處理器執行操作的指令，或者體現在處理系統（例如，拋光系統）中，該處理系統具有控制器以執行操作。
各態樣中的任一者的實現可包括下列特徵中的一個或多個。
某些實現可以包括但不限於以下可能的優勢中的一個或多個。用於訓練機器學習系統（例如，神經網路）的光譜可被更精確地標記，從而改善機器學習系統的預測性能。可以更精確和/或更快速地測量基板上的層的厚度。可以降低晶圓內厚度非均勻性和晶圓間厚度非均勻性（WIWNU和WTWNU），並且可以改善終點系統檢測期望的處理終點的可靠性。
在以下所附附圖和描述中闡述一個或多個實施例的細節。其他特徵、態樣和優點將從該說明書、附圖和申請專利範圍中變得顯而易見。
一種監測技術是測量從被拋光的基板反射的光譜。已經提出了各種技術以從測得的光譜確定特徵值（例如，被拋光的層的厚度）。一種可能的技術是基於來自樣本基板的訓練光譜和那些樣本基板的測得的特徵值來訓練神經網路。在訓練之後，在正常操作期間，來自元件基板的測得的光譜可被輸入到神經網路，並且該神經網路可輸出特徵值（例如，基板頂層的計算出的厚度）。使用神經網路的一個動機是有可能減弱底層膜厚度對頂層的計算出的厚度的影響。
為了獲得訓練資料，可以在測試基板的拋光期間測量光譜序列。可以例如用獨立或線上計量系統在拋光之前和之後測量基板的特徵值（例如，厚度）。隨後，這兩個值將與序列中的第一個光譜和最後一個光譜相關聯。序列中的剩餘光譜的特徵值可以通過（例如，基於時間）線性插值來生成。由此，訓練資料將包括一組光譜，其中每個光譜具有相關聯的特徵值。
該技術的一個問題是，特徵值（例如，厚度值）僅對於序列中的初始光譜和最終光譜是確知的。對於許多製程，特徵值可隨時間非線性地變化。為了解決該問題，來自另一原位監測系統（例如，非光學監測系統，諸如電機電流監測系統）的信號可被饋送到厚度預測模型。與僅使用線性插值相比，厚度預測模型可以為序列中的每個光譜的時間戳記輸出更精確的厚度值。
圖1示出拋光裝置20的示例。拋光裝置20可以包括可旋轉的盤形工作臺22，拋光墊30位於可旋轉的盤形工作臺22上。工作臺可操作以圍繞軸線23旋轉。例如，電機24可以轉動驅動軸26以旋轉工作臺22。拋光墊30可以（例如，通過黏合劑層）可拆卸地固定到工作臺22。拋光墊30可以是具有外拋光層32和較軟的背襯層34的雙層拋光墊。
拋光裝置20可以包括拋光液供應埠40以將拋光液42（諸如研磨漿料）分配到拋光墊30上。拋光裝置20還可以包括拋光墊調節器以研磨拋光墊30，以將拋光墊30保持在一致的研磨狀態。
承載頭50可操作以將基板10固持抵靠拋光墊30。每個承載頭50還包括多個獨立可控的可加壓腔室（例如，三個腔室52a-52c），可加壓腔室可以向基板10上的相關聯區12a-12c（參見圖2）施加獨立可控的壓力。參考圖2，中心區12a可以是基本上圓形的，並且其餘的區12b-12c可以是圍繞中心區12a的同心環形區。
返回圖1，腔室52a-52c可由柔性膜54限定，柔性膜54具有底面，基板10安裝到所述底面。承載頭50還可以包括保持環56以將基板10保持在柔性膜54下方。儘管為了便於說明，圖1和圖2僅示出了三個腔室，但可以存在兩個腔室、或四個或更多個腔室，例如，五個腔室。另外，可以在承載頭50中使用調整施加到基板的壓力的其他機構（例如，壓電致動器）。
每個承載頭50懸掛在支撐結構60（例如，轉盤或軌道）上，並通過驅動軸62連接到承載頭旋轉電機64，使得承載頭可以圍繞軸線51旋轉。可選地，每個承載頭50可以通過沿軌道運動；或者通過轉盤本身的旋轉振盪而（例如，在轉盤上的滑塊上）橫向振盪。在操作中，工作臺22圍繞其中心軸線23旋轉，並且承載頭50圍繞其中心軸線51旋轉，並在拋光墊30的上表面上橫向平移。
拋光裝置還包括原位攝譜監測系統70，原位攝譜監測系統70可用於控制拋光參數（例如，在腔室52a-52c中的一者或多者中施加的壓力），以控制區12a-12c中的一者或多者的拋光速率。原位監測攝譜系統70生成從基板反射的光的光譜的測量結果，所述測量結果可被轉換成指示在區12a-12c中的每一者中被拋光的層的厚度的特徵值。
攝譜監測系統70可包括光源72、光檢測器74和用於在控制器90（例如，電腦）與光源72和光檢測器74之間發送和接收信號的電路系統76。一個或多個光纖可用於將光從光源72傳輸到拋光墊30中的視窗36，並將從基板10反射的光傳輸到檢測器74。例如，分叉光纖78可用於將光從光源62傳輸至基板10並返回至檢測器74。作為攝譜系統，隨後光源72可操作以發射白光，並且檢測器74可以是光譜儀。
電路系統76的輸出可以是數位電子信號，所述數位電子信號通過驅動軸26中的旋轉耦合器28（例如滑環）傳遞到控制器90。替代地，電路系統76可以通過無線信號與控制器90通信。控制器90可以是包括微處理器、記憶體和輸入/輸出電路系統的計算設備（例如，可程式設計電腦）。儘管示出為單個塊，但控制器90可以是具有分佈在多個電腦上的功能的網路化系統。
在一些實現中，原位攝譜監測系統70包括感測器80，感測器80安裝在工作臺22中並且與工作臺22一起旋轉。例如，感測器80可以是光纖78的端部。工作臺22的運動將使感測器80跨基板掃描。如圖3所示，由於工作臺的旋轉（由箭頭38示出），當感測器80在承載頭下方行進時，原位攝譜監測系統以採樣頻率進行測量；結果，在穿過基板10的弧線中的位置14處進行測量（點的數量是說明性的；取決於採樣頻率，可以進行比所示的測量更多或更少的測量）。
隨著工作臺旋轉一圈，從基板10上的不同位置獲得光譜。特別地，一些光譜可從較接近基板10的中心的位置獲得，並且一些光譜可從較接近邊緣的位置獲得。控制器90可配置為基於定時、電機編碼器資訊、工作臺旋轉或位置感測器資料、和/或對基板和/或保持環的邊緣的光學檢測來對來自掃描的每個測量結果計算（相對於基板10的中心的）徑向位置。由此，控制器可以將各個測量結果與各個區12a-12c（參見圖2）相關聯。在一些實現中，測量的時間可用作徑向位置的精確計算的替代。
返回圖1，控制器90可以基於來自原位監測系統的信號來匯出基板的每個區的特徵值。特別地，隨著拋光進展，控制器90隨時間生成特徵值的序列。控制器90可針對感測器在基板10下方的每次掃描為每個區生成至少一個特徵值，或者（例如，對於不使感測器跨基板掃描的拋光系統）以測量頻率（其無需與採樣頻率相同）為每個區生成特徵值。在一些實現中，每次掃描生成單個特徵值，例如，多個測量結果可被組合以生成特徵值。在一些實現中，每個測量結果用於生成一特徵值。
特徵值通常是外層的厚度，但也可以是相關的特徵（諸如去除的厚度）。另外，特徵值可以是基板通過拋光過程的進展的更一般的表示，例如，表示預期在預定進展之後的拋光過程中將觀察到測量結果所處於的時間或工作臺旋轉的數量的索引值。
控制器90可使用兩步過程來從來自原位攝譜監測系統70的測得的光譜生成特徵值。首先，測得的光譜的維度被降低，然後將經降維的資料登錄到人工神經網路中，人工神經網路將輸出特徵值。通過針對每個測得的光譜執行該過程，人工神經網路可以生成特徵值的序列。此序列可包括針對基板上的不同徑向位置（例如，假設感測器80在基板下方通過）的特徵值。
原位攝譜監測系統70與控制器90的組合可提供終點和/或拋光均勻性控制系統100。即，控制器90可基於一系列特徵值來檢測終點和停止拋光和/或在拋光過程期間調整拋光壓力，以降低拋光非均勻性。
圖4示出了由控制器90實現的功能塊，其包括用於執行降維的降維模組110、神經網路120以及用於調節拋光製程（例如，基於一系列特徵值，檢測拋光終點和停止拋光和/或在拋光過程期間調整拋光壓力，以降低拋光非均勻性）的製程控制系統130。如上所述，這些功能塊可以分佈在多個電腦上。
神經網路120包括用於每個主成分的多個輸入節點122、多個隱藏節點124（以下也稱為「中間節點」）和將生成特徵值的輸出節點126。在具有單個隱藏節點層的神經網路中，每個隱藏節點124可耦合到每個輸入節點122，並且輸出節點126可耦合到每個隱藏節點220。在一些實現中，存在多個輸出節點，其中一個輸出節點提供特徵值。
通常，隱藏節點124輸出一個值，所述值是來自隱藏節點所連接到的輸入節點122的值的加權和的非線性函數。
例如，被定名為節點k的隱藏節點124的輸出可被表達為：
Figure 02_image001
等式1 其中tanh是雙曲正切， akx是針對第k個中間節點與（M個輸入節點中的）第x個輸入節點之間的連接的權重，並且I M是第M個輸入節點處的值。然而，其他非線性函數可以代替tanh使用，諸如整流線性單元（ReLU）函數及其變型。
降維模組110將把測得的光譜降低到更有限數量的分量值（例如，L個分量值）。神經網路120包括針對光譜被降低到的每個分量的輸入節點122，例如，在模組110生成L個分量值的情況下，神經網路120將至少包括輸入節點N 1, N 2… N L。
由此，在輸入節點的數量與測得的光譜被降低到的分量的數量相對應（即，L=M）的情況下被定名為節點k的隱藏節點124的輸出Hk可被表達為：
Figure 02_image003
假設測得的光譜S由列矩陣（i1, i2, …, in）表示，則被定名為節點k的中間節點124的輸出可被表達為：
Figure 02_image004
等式2 其中Vx是將提供從測得的光譜到經降維資料的（L個分量中的）第x個分量的值的變換的行矩陣（v1, v2, …, vn）。例如，Vx可由以下描述的矩陣W或Wʹ的（L個列中的）第x個列提供，即，Vx是W T的第x行。由此，Wx可以表示來自降維矩陣的第x個特徵向量。
輸出節點126可生成特徵值CV，所述特徵值CV是隱藏節點的輸出的加權和。例如，這可以表達為
Figure 02_image006
其中Ck是第k個隱藏節點的輸出的權重。
然而，神經網路120可以可選地包括一個或多個其他輸入節點（例如，節點122a）以接收其他資料。這種其他資料可以來自原位監測系統對基板的先前測量，例如，較早前在基板的處理中收集的光譜；來自先前的基板的測量值，例如，另一個基板的處理期間收集的光譜；來自拋光系統中的另一感測器，例如，由溫度感測器對墊或基板的溫度的測量；來自由用於控制拋光系統的控制器存儲的拋光配方，例如，用於拋光基板的拋光參數（諸如，承載頭壓力或工作臺旋轉速率）；來自由控制器跟蹤的變數，例如，自從墊更換以來的基板數量；或者來自不是拋光系統的一部分的感測器，例如，計量站對底層膜的厚度的測量。這允許神經網路120在計算特徵值時考慮到這些其他處理或環境變數。
再次返回圖1，拋光裝置20包括不是攝譜監測系統的第二原位監測系統150。第二原位監測系統150可以是不使用可見光的監測系統，例如，使用紅外相機的溫度監測系統。第二原位監測系統150可以是非光學監測系統，例如，使用熱電偶的溫度監測系統、聲學監測系統或電機電流或電機扭矩監測系統。
作為溫度監測系統，第二原位監測系統150可包括溫度感測器152以監測例如拋光墊30或基板10的拋光過程的溫度。溫度感測器可以是紅外感測器，例如，定位成拍攝拋光墊30的紅外圖像的紅外相機。替代地，溫度感測器152可以是附接或嵌入在另一部件中（例如，工作臺22或承載頭50中）的熱電偶以測量拋光墊或基板的溫度。
作為聲學監測系統，第二原位監測系統150可包括有源或無源聲學感測器154以監測來自基板10與拋光墊10之間的介面的振動。
作為電機扭矩監測系統，第二原位監測系統150可包括感測器以測量電機扭矩。電機扭矩的測量可以是對扭矩的直接測量和/或對供應到電機的電流的測量。例如，電流感測器170可以監測供應到工作臺電機24的電流並且/或電流感測器172可以監測供應到承載頭電機64的電流。儘管電流感測器示出為電機的一部分，但電流感測器可以是控制器的一部分（如果控制器自身為電機輸出驅動電流）或是單獨的電路。替代地，扭矩計可被放置在工作臺驅動軸26上並且/或扭矩計可被放置在承載頭驅動軸62上。
在任何情況下，第二原位監測系統150的感測器（例如，溫度感測器152、聲學感測器154或電流感測器170和/或172）的輸出信號被引導到控制系統90。
在被用於例如元件晶圓之前，需要配置降維模組110和神經網路112。參考圖5，作為對降維模組110和神經網路112的配置過程的一部分，控制器90可接收包括多個訓練光譜202和多個特徵值202（表示為D 0, D 1, … D N）的訓練資料集200。所述特徵值可以是厚度值。每個訓練光譜202a與單個對應的特徵值204a相關聯。多個訓練光譜202可包括例如二十個到五百個訓練光譜。
返回圖4，對於降維模組110的配置過程，控制器90可為訓練光譜的資料集的協方差矩陣生成一組特徵向量。一旦已經生成一組特徵向量，就可以對特徵向量進行排名，並且可以保留具有最大特徵值（eigenvalue）的預設數量的特徵向量（例如，前四個到前八個特徵向量）。
用特徵向量的相關聯的特徵值（eigenvalue）對特徵向量進行排名示出了資料集變化最大的方向。測得的光譜在最高排名的特徵向量上的投影以顯著減少的基底來提供對原始向量的有效表示。
作為解釋，每個訓練光譜可由以下矩陣表示： R=( i 1 , i 2 ,…, i n )，
其中 ij表示在總共 n個波長中的第 j個波長處的光強度。所述光譜可包括例如兩百個到五百個強度測量結果； n可以是兩百到五百。
假設生成了 m個訓練光譜，則可以將 m個矩陣 R組合以形成以下矩陣：
Figure 02_image008
其中 i jk 表示在第 j個訓練光譜的第 k個波長處的光強度。矩陣 A的每一行表示一個訓練光譜（例如，在基板上的一個位置處的測量結果）。
降維過程（諸如主成分分析（PCA））被施加到矩陣 A。PCA執行正交線性變換，該正交線性變換將 A矩陣（ m× n維）中的資料變換到新的坐標系，使得資料的任何投影的最大方差處於第一座標上（被稱為第一主成分），第二大的方差處於第二座標上，以此類推。在數學上，變換由一組權重的p維向量 w k = ( w k1 , w k2 , …, w kp )定義，該組向量將矩陣 A的每個m維行向量 A i 映射到新的主成分分數向量 t i = ( t k1 , t k2 , …, t ip )，其中 t ki 是：
Figure 02_image009
。
每個向量 w k 被約束為單位向量。作為結果， t i 的各個變數從矩陣 A繼承了最大可能方差。矩陣 A的分解可以寫作： T= AW， 其中 W是 n乘 p矩陣， W的列是 A TA 的特徵向量。
在James Ramsay和B.W. Silverman所著的函數資料分析（施普林格出版社（Springer）；第二版（2005年7月1日））和I.T. Jolliffe所著的主成分分析（施普林格出版社；第二版（2002年10月2日））中也討論了PCA的細節。
代替PCA，控制器可以使用SVD（奇異值分解），SVD是訓練光譜資料集的廣義特徵分解；或者ICA（獨立分量分析），在ICA中找到預先指定數量的統計獨立的信號，這些信號的加性組合產生訓練光譜資料集。
接下來，可以通過只保留排名最高的特徵向量來降維。特別地，代替p個主成分，可以保留總共L個主成分，其中L是0到p之間的整數（例如，三到十）。例如，可以例如通過保留使用 T矩陣的最左側的L列來將 T矩陣減小為 m× L矩陣 Tʹ。類似地，可以例如通過保留 W矩陣的最左側的L列來將 W矩陣減小為 n× L矩陣 Wʹ。
作為另一示例，可以使用諸如自動編碼之類的非線性降維技術。所使用的自動編碼器可以實現為試圖通過使原始輸入（其可以具有為N的維度）通過多個層來重建該原始輸入的神經網路。中間層中的一者將具有減少數量的隱藏神經元。通過使輸出層與輸入層之間的差異最小化來訓練網路。在這種情況下，隱藏神經元的值可被認為是經降維的光譜。由於降維不再是線性過程，所以此技術可以提供優於PCA和其他類似技術的優勢。
對於神經網路120的配置過程，使用每個訓練光譜的分量值和特徵值來訓練神經網路120。
矩陣 Tʹ的每個行與訓練光譜中的一者相對應，並且由此與一個特徵值相關聯。當神經網路120以訓練模式（諸如反向傳播模式）操作時，沿著特定行的值（ t 1 , t 2 , …, t L ）被饋送到主成分的相應輸入節點N 1, N 2… N L，同時該行的特徵值被饋送到輸出節點126。可以對每一行重複此過程。這樣可以設置如上所述的ak1等的值。
可以使用比用於訓練神經網路的資料集更大的資料來執行（例如，通過PCA、SVD、ICA等）對主成分的確定。即，用於確定主成分的光譜的數量可以大於用於訓練的具有已知特徵值的光譜的數量。一旦經訓練，系統就應該準備好運行。
系統現在已經準備好運行。使用原位攝譜監測系統70在拋光期間從基板測量光譜。測得的光譜可由列矩陣S=( i 1 , i 2 , …, i n )來表示，其中 i j 表示在總共 n個波長中的第 j個波長處的光強度。將列矩陣 S乘以 Wʹ矩陣以生成一個列矩陣，即， S•Wʹ= P，其中 P=( P 1 , P 2 , …, P L )，其中 Pi表示第 i個主成分的分量值。
當神經網路120在推斷模式下使用時，這些值( P 1 , P 2 , …, P L )作為輸入饋送到相應的輸入節點N 1, N 2, … N L。作為結果，神經網路120在輸出節點126處生成特徵值（例如，厚度）。
由降維模組110和神經網路120執行的生成特徵值CV的組合計算可以表達如下： CV=C 1*tanh(0.5(N 1∙𝑺)+0.5b 1)+C2*tanh(0.5(N 2∙𝑺)+0.5b 2)+…+C L*tanh(0.5(N L∙𝑺)+0.5b L) 其中N k= (𝑎 𝑘 1V 1∙+ 𝑎 𝑘 2V 2∙+…+𝑎 𝑘 LV L)，其中權重a ki是由神經網路120設置的權重，並且向量V i是由降維模組110確定的特徵向量。
神經網路120的架構可以在深度和寬度上變化。例如，儘管神經網路120被示出為具有單個列的中間節點124，但神經網路120可包括多個列。中間節點124的數量可以等於或大於輸入節點122的數量。
儘管上面已經描述了神經網路，但也可以使用可通過機器學習技術訓練的其他演算法。
如上所述，控制器90可以將各個測得的光譜與基板10上的不同區12a-12c（參見圖2）相關聯。基於測量所述光譜時基板10上的感測器的位置，每個神經網路120的輸出可被分類為屬於所述區中的一者。這允許控制器90為每個區生成單獨的特徵值序列。
特徵值序列可用於控制拋光系統。例如，參考圖6，第一函數304可被擬合到第一區的特徵值302的序列300，並且第二函數314可被擬合到第二區的特徵值312的序列310。控制器可以計算第一函數和第二函數被投影達到目標值V的時間T1和T2，並且計算經調整的處理參數（例如，經調整的承載頭壓力），所述經調整的處理參數將使所述區中的一者以修正的速率（由線320示出）被拋光，使得所述區幾乎同時到達目標。
當函數指示特徵值到達目標值V時，可以由控制器90觸發拋光終點。
回到圖5，訓練資料集200包括訓練光譜202和特徵值204。第一個特徵值D 0和最後一個特徵值D N可以通過異位計量測量（例如，線上或獨立計量系統，諸如接觸式輪廓儀或橢偏儀）來生成。
儘管基於時間的線性插值可用於生成特徵值D 1, …D N-1，但對於一些應用，線性插值不能生成足夠精確的特徵值。
圖7示出了用於為訓練光譜生成訓練值的訓練資料生成系統250。訓練資料生成系統250包括：攝譜原位監測系統70、第二原位監測系統150、異位計量系統270以及厚度預測模型260，厚度預測模型260從這些系統中的每一者接收資料並為每個測試光譜生成標記（例如，特徵值，諸如厚度）。
厚度預測模型260包括被拋光的基板的模型，例如，對要在拋光操作中拋光的層的數量的指示以及每個層的大致厚度或每個層的相對拋光速率。基於來自第二原位監測系統150的資料，預測模型260可以比簡單線性插值做出更精確的特徵值確定。
例如，預測模型260可以從來自第二原位監測系統的資料檢測在拋光期間被拋光的層之間的過渡時間。從拋光開始到過渡時間的特徵值可以以第一斜率線性內插，並且從過度時間到拋光終點的特徵值可以以第二斜率線性內插，其中第一斜率與第二斜率之間的比率由厚度預測模型所存儲的每個層的相對拋光速率設置。
更具體地，為了生成訓練資料集200，可以在資料獲取模式下由拋光裝置20拋光至少一個測試基板。在資料獲取模式下的拋光期間，由攝譜原位監測系統70和第二原位監測系統150兩者監測測試基板。攝譜原位監測系統70測量光譜序列S 0,S 1, …S N，並且控制系統存儲光譜S 0,S 1, …S N和每個相應光譜的相應測量時間T 0,T 1,T 2, …,T N這兩者。類似地，第二原位監測系統150生成測量結果序列X 0,X 1,X 2,…X M，並且控制系統存儲測量結果X 0,X 1,X 2,…X M和每個相應測量結果的相應測量時間t 0,t 1,t 2,…,t M兩者。測量結果X 0, X 1, X 2, … X M表示什麼取決於監測系統的類型，例如，對於溫度監測系統是溫度值、對於電機電流監測系統是電機電流值、對於聲學監測系統是聲學信號強度等。
在一些實現中，攝譜原位監測系統70和第二原位監測系統150以相同頻率生成測量結果。在此情況下M=N。然而，這不是必需的，例如，第二原位監測系統150可以以比攝譜原位監測系統70更高或更低的頻率生成測量結果。
參考圖8，由預測模型260從原位監測系統70、第二原位監測系統150和異位計量系統270接收測試光譜S 0,S 1,S 2,…S N、每個測試光譜的測量時間T 0,T 1,T 2,…,T N、測量結果X 0,X 1,X 2, …X M、每個測量結果的相應時間t 0,t 1,t 2, …,t M、以及第一個特徵值D 0和/或最後一個特徵值D N。在拋光前測量結果不可用的情況下，可以將預設的恆定傳入值用於標記。類似地，在拋光後測量結果不可用的情況下，可以將預設的恆定傳出值用於標記。在任何情況下，預測模型270從此資料生成將在測量時間T 0,T 1,T 2, …,T N發生的訓練特徵值D 0,D 1,…D N，並且將每個訓練值D 0, D 1, … D N與在相應時間T 0, T 1, T 2, …,T N測量的相應測試光譜S 0,S 1,S 2, …S N相關聯。
在一些實現中，預測模型270分析測量結果X 0,X 1,X 2,…X M以按時間將拋光過程分割成兩個或更多個時間段。預測模型270可以通過檢測測量結果中的急劇變化（例如，通過檢測測量結果序列的一階導數超過閾值）來計算分段之間的過渡時間。例如，圖9示出了因變於時間的電機扭矩的示例曲線圖260，其中X 0,X 1,X 2, … X M表示扭矩或電機電流值。曲線圖包括高度傾斜的區域212。通過檢測測量結果序列X 0,X 1,X 2, …X M的一階導數中的最大（或最小）值，預測模型270可以為兩個時間段之間過渡分配時間t A。
（例如，在過渡時間t A之前的）第一時間區段中的特徵值D 0,D 1,…D a可由厚度預測模型根據第一函數計算，而（例如，在過渡時間t A之後的）第二時間區段中的特徵值D a+1, D a+2, … D N可由厚度預測模型根據不同的第二函數計算。第一函數和第二函數可以是具有不同斜率的線性函數，儘管其他函數（例如，更高階多項式函數）也是可能的。
在一些實現中，預測模型存儲預設的拋光速率比率（例如，根據經驗匯出的比率），所述預設的拋光速率比率指示不同時間區段的拋光速率的比率。例如，如果預測模型指示第二時間段中的拋光速率是第一時間段中的拋光速率的R倍，則預測模型可以在以下約束下生成D的值：在時間T 0處D=D 0；在時間T N處D=D N；從T 0到t A，D是第一線性函數；從t A到T N，D是第二線性函數；並且第二線性函數的斜率是第一線性函數的斜率的R倍。這是足以生成在相應時間T 0,T 1,T 2, …,T N處的訓練特徵值D 0,D 1, D 2,…D N的信息。
在一些實現中，預測模型基於在相應時間段期間的測量結果X 0, X 1,X 2, …X M生成拋光速率比率。例如，預測模型可以計算第一時間段中的測量結果的平均值X A和第二時間段中的測量結果的平均值X B。隨後，可以對這些值進行比較來推斷哪個時間區段拋光得更快以及拋光速率比率。例如，如果第二時間區段（t A到T N）的平均電機扭矩比第一時間區段的（T 0到t A）更高，則預測模型可以推斷在第二時間區段期間拋光了更多材料。類似地，較高的溫度可以指示較高的拋光速率，並且較高的聲學信號可以指示較高的拋光速率。預測模型可以基於X A與X B之間的相對差異來生成拋光速率比。
在一些實現中，預測模型包括將測量結果X 0, X 1, X 2, … X M轉換成每個測量結果的相應歸一化拋光速率的函數。這有效地允許了拋光速率的連續變化，而不是線性插值。
儘管上述討論聚焦於單個測試基板的拋光內的時間區段，但如果將多個測試基板用於生成測試光譜，則可以在不同測試基板的拋光之間進行類似比較。
對於上述方法中的任一者，一旦已經為相應時間T 0,T 1,T 2,…,T N生成測試特徵值D 0,D 1,…D N，預測模型可以將每個相應特徵值與在此相應時間T 0,T 1, T 2,…,T N測量的相應測試光譜S 0,S 1,S 2,…S N配對。隨後，此資料可以作為訓練資料200（參見圖5）輸出，訓練資料200隨後用於訓練神經網路120（參見圖7）。
本發明的實施例和本說明書中描述的所有功能性操作可以以數位電子電路系統、或以電腦軟體、韌體或硬體（包括本說明書中揭示的結構裝置或其結構等效物）、或以它們的組合實現。本發明的實施例可以實現為一個或多個電腦程式產品，即，有形地體現在機器可讀存儲媒體中的一個或多個電腦程式，以用於由資料處理裝置（例如，可程式設計處理器、電腦、或多個處理器或電腦）執行或控制所述資料處理裝置的操作。電腦程式（也稱為程式、軟體、軟體應用或代碼）可以以包括編譯或解釋語言的任何形式的程式設計語言來編寫，並且可以以包括作為獨立程式或者作為模組、部件、子常式或適於在計算環境中使用的其他單元的任何形式來部署。電腦程式不一定對應於檔。程式可以被存儲在保有其他程式或資料的檔的一部分中、在專用於所討論的程式的單個檔中、或在多個協調檔（例如，存儲一個或多個模組、副程式或部分代碼的各檔）中。電腦程式可被部署成在一個電腦上或在一個網站或跨多個網站分佈並通過通信網路互連的多個電腦上執行。
本說明書中描述的過程和邏輯流可由一個或多個可程式設計處理器執行，該一個或多個可程式設計處理器執行一個或多個電腦程式以通過對輸入資料進行操作並生成輸出來執行功能。過程和邏輯流也可以由專用邏輯電路系統來執行，並且裝置也可以實現為專用邏輯電路系統，所述專用邏輯電路系統例如，FPGA（現場可程式設計閘陣列）或ASIC（專用積體電路）。
可以在各種拋光系統中應用上述的拋光裝置和方法。拋光墊、或承載頭、或這兩者可移動，以提供拋光表面與基板之間的相對運動。例如，工作臺可以繞軌道運行，而不是旋轉。拋光墊可以是固定到工作臺的圓形的（或一些其他形狀的）墊。拋光系統可以是線性拋光系統，例如，其中拋光墊是線性移動的連續帶或捲盤到捲盤的帶。拋光層可以是標準（例如，具有或不具有填料的聚氨酯）拋光材料、軟材料或固定研磨材料。使用的相對定位的術語是部件的相對取向或定位；應當理解，拋光表面和基板可以以豎直取向或相對於重力的一些其他取向來固持。
儘管以上描述已經聚焦於化學機械拋光，但所述控制系統可以適配成用於其他半導體處理技術，例如，蝕刻或沉積，例如，化學氣相沉積。另外，本技術可應用於線上或獨立計量系統而不是原位監測系統。
己經描述了本發明的具體實施例。其他實施例在所附權利要求的範圍內。
10:基板 12a:中心區 12b:區 12c:區 14:位置 20:拋光裝置 22:工作臺 23:中心軸線 24:電機 26:驅動軸 28:旋轉耦合器 30:拋光墊 32:外拋光層 34:背襯層 36:視窗 38:箭頭 40:拋光液供應埠 42:拋光液 50:承載頭 51:中心軸線 52a:腔室 52b:腔室 52c:腔室 54:柔性膜 56:保持環 60:支撐結構 62:光源 64:承載頭電機 70:攝譜監測系統 72:光源 74:光檢測器 76:電路系統 78:分叉光纖 80:感測器 90:控制器 100:控制系統 110:降維模組 120:神經網路 122: 輸入節點 122a:節點 124:中間節點 126:輸出節點 130:製程控制系統 150:第二原位監測系統 152:溫度感測器 154:聲學感測器 170:電流感測器 172:電流感測器 200:訓練資料集 202:訓練光譜 202a:訓練光譜 204:特徵值 204a:特徵值 212:區域 250:訓練資料生成系統 260:厚度預測模型 270:預測模型 300:序列 302:特徵值 304:第一函數 310:序列 312:特徵值 314:第二函數 320:線 D 0:訓練特徵值 D 1:訓練特徵值 D 2:訓練特徵值 D N:訓練特徵值 N 1:輸入節點 N 2:輸入節點 N l:輸入節點 T 0:測量時間 T 1:測量時間 T 2:測量時間 T N:測量時間 t 0:測量時間 t 1:測量時間 t 2:測量時間 t A:過渡時間 t M:時間 X 0:測量結果 X 1:測量結果 X 2:測量結果 X M:測量結果
圖1示出拋光裝置的示例的示意性橫截面視圖。
圖2示出具有多個區的基板的示意性俯視圖。
圖3示出顯示在第一基板上進行原位測量的位置的示意性俯視圖。
圖4示出用作用於拋光裝置的控制器的一部分的神經網路。
圖5示出用於訓練機器學習系統的訓練資料。
圖6示出由控制系統輸出的因變於時間的特徵值的曲線圖。
圖7是用於生成訓練光譜的部件的示意圖。
圖8示出饋送到預測模型的資料。
圖9示出隨著時間的電機扭矩的曲線圖。
各個附圖中相同的附圖標記和命名指示相同的要素。
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
10:基板
20:拋光裝置
22:工作臺
23:中心軸線
24:電機
26:驅動軸
28:旋轉耦合器
30:拋光墊
32:外拋光層
34:背襯層
36:視窗
40:拋光液供應埠
42:拋光液
50:承載頭
51:中心軸線
52a:腔室
52b:腔室
52c:腔室
54:柔性膜
56:保持環
60:支撐結構
62:光源
64:承載頭電機
70:攝譜監測系統
72:光源
74:光檢測器
76:電路系統
78:分叉光纖
80:感測器
90:控制器
150:第二原位監測系統
152:溫度感測器
154:聲學感測器
170:電流感測器
172:電流感測器

Claims (21)

  1. 一種訓練用於攝譜監測的神經網路的方法，該方法包括以下步驟： 拋光一測試基板； 在該測試基板的拋光期間，由一原位攝譜監測系統測量從該基板反射的光的測試光譜序列； 在該測試基板的拋光期間，由一原位非光學監測系統測量來自該基板的測試值序列； 測量在拋光之前該基板的一初始特徵值或在拋光之後該基板的一最終特徵值中的至少一者； 將該測試值序列和該初始特徵值和/或該最終特徵值輸入到一厚度預測模型中，該厚度預測模型輸出一訓練值序列，該訓練值序列中的每個相應訓練值與來自該測試光譜序列的一相應測試光譜相關聯；以及 使用多個訓練光譜和多個訓練值來訓練一人工神經網路，該人工神經網路具有針對多個光譜值的多個輸入節點、用於輸出一特徵值的一輸出節點、以及將該輸入節點連接到該輸出節點的多個隱藏節點。
  2. 如請求項1所述的方法，進一步包括以下步驟： 拋光一元件基板； 在該元件基板經歷拋光時，從一原位光學監測系統接收從該元件基板反射的光的一測得的光譜； 通過將來自該測得的光譜的光譜值施加到經訓練的人工神經網路的該輸入節點來在該經訓練的人工神經網路的該輸出節點處生成該測得的光譜的一測得的特徵值；以及 基於該特徵值來進行停止該基板的處理或調整處理參數中的至少一者。
  3. 如權利要求1所述的方法，其中該厚度預測模型將一拋光時間劃分成多個分段。
  4. 如請求項3所述的方法，其中該訓練值序列包括針對該等多個分段中的一第一分段的第一多個訓練值和針對該等多個分段中的一第二分段的第二多個訓練值，並且該厚度預測模型根據第一函數計算該第一多個訓練值並根據第二函數計算該第一多個訓練值。
  5. 如請求項4所述的方法，其中該厚度預測模型根據以下約束計算該等多個訓練值：在該等多個分段之間的邊界時間處，該第一函數等於該第二函數。
  6. 如請求項4所述的方法，其中該厚度預測模型根據以下約束計算該等多個訓練值：第一函數生成在與該光譜序列中的第一者相對應的拋光開始時間處的該初始特徵值和/或該第二函數生成在與該光譜序列中的最後一者相對應的拋光結束時間處的該最終特徵值。
  7. 如請求項4所述的方法，其中該第一函數是具有一第一斜率的一第一線性函數，並且該第二函數是具有一不同的第二斜率的一第二線性函數。
  8. 如請求項7所述的方法，其中該厚度預測模型存儲該第一斜率對該第二斜率的一預定比率，並且將該第一斜率和該第二斜率設置成滿足該預定比率。
  9. 如請求項7所述的方法，其中該厚度預測模型基於來自該第一分段中的該測試值序列的第一多個測試值與來自該第二分段中的該測試值序列的第二多個測試值的一比較來計算該第一斜率和該第二斜率。
  10. 如請求項7所述的方法，其中該厚度預測模型基於該第一多個測試值的一第一平均值來計算該第一斜率並且基於該第二多個測試值的一第二平均值來計算該第二斜率。
  11. 如請求項3所述的方法，其中該厚度預測模型計算該測試值序列的一斜率，並且基於該斜率來選擇該等多個分段之間的一邊界時間。
  12. 如請求項11所述的方法，其中該厚度預測模型基於該測試值序列的一階導數中的一極值來選擇一邊界時間。
  13. 如請求項1所述的方法，其中該厚度預測模型基於在時間上最接近相應訓練值的時間的至多兩個值來計算每個相應訓練值。
  14. 如請求項1所述的方法，其中以一第一頻率測量該光的測試光譜序列，並且以一不同的一第二頻率測量該測試值序列。
  15. 如請求項1所述的方法，其中該原位非光學監測系統包括：一電機扭矩監測系統、一聲學監測系統或一溫度監測系統。
  16. 一種電腦程式產品，該電腦程式產品包括編碼在一非瞬態電腦可讀媒體中的多個指令，該等多個指令使一個或多個電腦： 接收從經歷拋光的基板反射的光的一測試光譜序列； 從一原位非光學監測系統接收來自該基板的一測試值序列； 從一異位監測系統接收在拋光之前該基板的一初始特徵值或在拋光之後該基板的一最終特徵值中的至少一者；以及 基於該測試值序列和該初始特徵值和/或該最終特徵值來計算一訓練值序列；以及 將來自該光譜值序列的每個光譜與來自該訓練值序列的一訓練值相關聯以提供用於一訓練神經網路的一訓練資料集。
  17. 如請求項16所述的電腦程式產品，包括將一拋光時間劃分成多個分段的指令。
  18. 如請求項17所述的電腦程式產品，包括以下指令：根據一第一函數計算該等多個分段中的一第一分段的第一多個訓練值，以及根據一不同的第二函數計算該等多個分段中的一第二分段的第二多個訓練值。
  19. 如請求項18所述的電腦程式產品，包括以下指令：根據以下約束計算該等多個訓練值：在該等多個分段之間的一邊界時間處，該第一函數等於該第二函數。
  20. 如請求項18所述的電腦程式產品，包括以下指令： 根據以下約束計算該等多個訓練值：該第一函數生成在與一光譜序列中的一第一者相對應的一時間處的該初始特徵值和/或該第二函數生成在與該光譜序列中的一最後一者相對應的一結束時間處的該最終特徵值。
  21. 一種化學機械拋光系統，包括： 支撐一拋光墊的一工作臺； 一承載頭，該承載頭用於將一基板固持抵靠該拋光墊； 一電機，該電機用於生成該工作臺與該承載頭之間的相對運動； 一原位攝譜監測系統，該原位攝譜監測系統用於測量在拋光期間從該基板反射的光的一光譜序列；以及 一人工神經網路，該人工神經網路具有多個輸入節點以及一輸出節點，該人工神經網路使用一訓練資料集進行訓練，該訓練資料集包括多個訓練光譜和多個訓練值，該等多個訓練值由一厚度預測模型從由一非光學原位監測系統測量的一測試值序列和來自一異位計量系統的一初始特徵值和/或最終特徵值生成。
TW111107451A 2021-03-03 2022-03-02 用於標記用於攝譜監測的機器學習系統的訓練光譜的原位監測 TW202239524A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202163155926P 2021-03-03 2021-03-03
US63/155,926 2021-03-03

Publications (1)

Publication Number Publication Date
TW202239524A true TW202239524A (zh) 2022-10-16

Family

ID=83116191

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111107451A TW202239524A (zh) 2021-03-03 2022-03-02 用於標記用於攝譜監測的機器學習系統的訓練光譜的原位監測

Country Status (7)

Country Link
US (1) US20220283082A1 (zh)
EP (1) EP4301548A1 (zh)
JP (1) JP2023538197A (zh)
KR (1) KR20230025450A (zh)
CN (1) CN115099386A (zh)
TW (1) TW202239524A (zh)
WO (1) WO2022186988A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024067256A (ja) * 2022-11-04 2024-05-17 株式会社荏原製作所 研磨装置、情報処理装置及びプログラム
CN116141205B (zh) * 2022-11-23 2023-10-17 江苏宇佳智能装备有限公司 一种用于磨削液处理系统的智能监控管理平台
CN116504665A (zh) * 2023-06-28 2023-07-28 全芯智造技术有限公司 Cmp工艺预测、预测模型训练方法及装置、计算设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3439324B2 (ja) * 1997-06-26 2003-08-25 株式会社ノリタケカンパニーリミテド 砥石寿命判定装置
KR102666904B1 (ko) * 2018-03-13 2024-05-20 어플라이드 머티어리얼스, 인코포레이티드 반도체 처리의 모니터링을 위한 기계 학습 시스템들
CN111587478A (zh) * 2018-06-28 2020-08-25 应用材料公司 用于光谱监测的机器学习系统的训练光谱产生
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
JP7173916B2 (ja) * 2019-04-04 2022-11-16 ファナック株式会社 機械学習装置および機械学習方法

Also Published As

Publication number Publication date
JP2023538197A (ja) 2023-09-07
WO2022186988A1 (en) 2022-09-09
US20220283082A1 (en) 2022-09-08
CN115099386A (zh) 2022-09-23
KR20230025450A (ko) 2023-02-21
EP4301548A1 (en) 2024-01-10

Similar Documents

Publication Publication Date Title
JP7561817B2 (ja) ニューラルネットワークを使用する分光モニタリング
TWI817992B (zh) 用於半導體處理監視的機器學習系統
JP7532262B2 (ja) 分光画像モニタリングのための機械学習システム向けのトレーニングスペクトルの生成
TW202239524A (zh) 用於標記用於攝譜監測的機器學習系統的訓練光譜的原位監測