TW202303785A - 用於使用虛擬計量來預測個別的層的膜厚度之系統和方法 - Google Patents

用於使用虛擬計量來預測個別的層的膜厚度之系統和方法 Download PDF

Info

Publication number
TW202303785A
TW202303785A TW111102550A TW111102550A TW202303785A TW 202303785 A TW202303785 A TW 202303785A TW 111102550 A TW111102550 A TW 111102550A TW 111102550 A TW111102550 A TW 111102550A TW 202303785 A TW202303785 A TW 202303785A
Authority
TW
Taiwan
Prior art keywords
data
machine learning
learning model
metrology
metrology data
Prior art date
Application number
TW111102550A
Other languages
English (en)
Inventor
巴拉斯拉姆 桑達
拉曼Ｋ 紐拉尼
尤卡沙艾芬那奇 丹威特
拉瑪克力斯翰Ｓ 哈利哈倫
蘇瑞奇巴拉莎拉珍 古達勒
威希瓦斯拉姆 艾瑪那斯
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 TW202303785A publication Critical patent/TW202303785A/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
    • G01B15/02—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0095—Semiconductive materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0096—Testing material properties on thin layers or coatings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/61—Specific applications or type of materials thin films, coatings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/633—Specific applications or type of materials thickness, density, surface weight (unit area)
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Electromagnetism (AREA)
  • Chemical Vapour Deposition (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Physical Vapour Deposition (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

一種方法包括獲得與在製程腔室中執行以在基板的表面上沉積膜堆疊的沉積製程相關的感測器資料，其中該膜堆疊包含第一材料的複數個層及第二材料的複數個層。該方法進一步包括獲得與膜堆疊相關的計量資料。該方法進一步包括基於感測器資料及計量資料訓練第一機器學習模型，其中訓練第一機器學習模型以產生與第一材料層相關的預測計量資料。該方法進一步包括基於感測器資料及計量資料訓練第二機器學習模型，其中訓練第二機器學習模型以產生與第二材料層相關的預測計量資料。

Description

用於使用虛擬計量來預測個別的層的膜厚度之系統和方法
本揭示案係關於電氣部件，且更特定言之係關於使用虛擬計量預測個別層的膜厚度。
可藉由使用製造設備執行一或多個製造製程來生產產品。舉例而言，可使用半導體製程設備來經由半導體製造製程生產半導體元件（例如，基板、晶圓等）。製造製程可在基板表面上沉積多層膜，並且可執行蝕刻製程以在所沉積的膜上形成複雜的圖案。舉例而言，製造設備可執行化學氣相沉積(chemical vapor deposition, CVD)製程，以在基板上沉積交替的氧化物及氮化物層。在製造製程期間可使用感測器確定製造設備的製造參數，並且可使用計量設備確定由製造設備生產的產品的性質資料，諸如基板上的層的總厚度。總體而言，在製造製程完成之前，在不使用諸如穿透式電子顯微鏡(Transmission Electron Microscope, TEM)分析的破壞性測試製程的情況下，計量設備無法量測基板上的個別層的厚度（例如，每一氧化物層及每一氮化物層的厚度）。由此，難以在製造期間偵測個別膜層上的偏差並調整沉積速率。
下文為本揭示案的簡單概述，以便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。本概述不意欲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。
在本揭示案的態樣中，一種方法包括藉由處理器獲得與在製程腔室中執行以在基板的表面上沉積膜堆疊的沉積製程相關的感測器資料，其中膜堆疊包含第一材料的複數個層及第二材料的複數個層。該方法進一步包括獲得與膜堆疊相關的計量資料。該方法進一步包括基於感測器資料及計量資料訓練第一機器學習模型，其中訓練第一機器學習模型以產生與第一材料層相關的預測計量資料。該方法進一步包括基於感測器資料及計量資料訓練第二機器學習模型，其中訓練第二機器學習模型以產生與第二材料層相關的預測計量資料。
在本揭示案的另一態樣中，一種系統包括記憶體；及處理元件，該處理元件耦接至記憶體，用於獲得與在製程腔室中執行以在基板的表面上沉積膜堆疊的沉積製程相關的感測器資料，其中膜堆疊包含第一材料的複數個層及第二材料的複數個層。處理元件進一步包括獲得與膜堆疊相關的計量資料。處理元件進一步基於感測器資料及計量資料訓練第一機器學習模型，其中訓練第一機器學習模型以產生與第一材料層相關的預測計量資料。處理元件進一步基於感測器資料及計量資料訓練第二機器學習模型，其中訓練第二機器學習模型以產生與第二材料層相關的預測計量資料。
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，該等指令當被執行時使處理元件執行包括以下的操作：藉由處理器獲得與在製程腔室中執行以在基板的表面上沉積膜堆疊的沉積製程相關的感測器資料，其中膜堆疊包含第一材料的複數個層及第二材料的複數個層。該等操作進一步包括獲得與膜堆疊相關的計量資料。該等操作進一步包括基於感測器資料及計量資料訓練第一機器學習模型，其中訓練第一機器學習模型以產生與第一材料層相關的預測計量資料。該等操作進一步包括基於感測器資料及計量資料訓練第二機器學習模型，其中訓練第二機器學習模型以產生與第二材料層相關的預測計量資料。
在本揭示案的另一態樣中，一種方法包括獲得與在製程腔室中執行以在基板的表面上沉積膜層的沉積製程相關的複數個感測器值。該方法進一步包括對複數個感測器值的第一子集應用第一機器學習模型，該機器學習模型係基於與第一材料層相關的歷史感測器資料及計量資料訓練的。該方法進一步包括對複數個感測器值的第二子集應用第二機器學習模型，該機器學習模型係基於與第二材料層相關的歷史感測器資料及計量資料訓練的。該方法進一步包括獲得第一機器學習模型的第一輸出，該第一輸出指示膜的第一材料層的第一預測計量資料。該方法進一步包括獲得第二機器學習模型的第二輸出，該第二輸出指示膜的第二材料層的第二預測計量資料。
本文描述的技術涉及使用虛擬計量預測個別層的膜厚度的系統及方法。在製造系統的製程腔室執行的沉積製程中，可在基板表面上沉積膜。舉例而言，在化學氣相沉積(chemical vapor deposition; CVD)製程中，將基板曝露於一或多個前驅物，該等前驅物與基板表面反應以產生所要的沉積物。該膜可包括在沉積製程期間形成的一或多個材料層（下文為「膜堆疊」），並且每一層可包括特定的厚度梯度（例如，沿所沉積膜的層的厚度變化）。舉例而言，第一層可在基板的表面上直接形成（稱為膜的近端層或近端），並且具有第一厚度。在基板的表面上形成第一層之後，可在第一層上形成具有第二厚度的第二層。此製程繼續，直至沉積製程完成，並且形成膜的最終層（稱為膜的遠端層或遠端）。膜堆疊可包括不同材料的交替層。舉例而言，膜堆疊可包括氧化物層及氮化物層的交替層（氧化物-氮化物-氧化物-氮化物堆疊或ONON堆疊）、交替的氧化物及多晶矽層（氧化物-多晶矽-氧化物-多晶矽堆疊或OPOP堆疊）等等。
在一些現有的系統中，對一批基板執行計量量測，以產生計量資料，諸如厚度資料。舉例而言，計量設備可分析基板以確定膜堆疊中每一層的厚度。使用計量資料，系統可藉由調整一或多層的沉積速率以減少缺陷並提高層均勻度來執行品質控制。此很重要，因為層厚度的缺陷或小的變化可導致膜堆疊頂部出現大的偏差。然而，在膜堆疊完成之前，在不使用破壞性測試製程獲得膜堆疊中每一層的計量資料的情況下，現有的系統無法量測基板上的個別層的厚度。
本揭示案的態樣及實施方式藉由訓練能夠對於膜堆疊中的每一層產生預測計量資料的機器學習模型，解決現有技術的此等及其他缺點。在一些實施例中，基於訓練資料產生機器學習模型，其包括由一或多個感測器映射至膜厚度資料的資料。膜厚度資料可包括由量測製造設備生產的材料的個別層獲得的量測厚度值及由量測製造設備生產的膜堆疊獲得的量測厚度值。在一些實施例中，可使用反射量測技術、橢圓偏振技術、TEM分析或任何其他量測技術產生膜厚度資料。在一些實施例中，可使用量測計量資料校準機器學習模型。
在一些實施例中，本揭示案的系統對於膜堆疊中使用的每一類材料可產生不同的經訓練的機器學習模型。舉例而言，本系統可訓練第一機器學習模型以產生用於預測由製程腔室產生的ONON堆疊中每一氧化物層的厚度的預測計量資料，且訓練第二機器學習模型以產生用於預測ONON堆疊中每一氮化物層的厚度的預測計量資料。預測計量資料可包括包含一組空間量測結果（例如一組向量）的等高線圖（例如向量圖），每一空間量測結果表示每一層上的複數個位置的一特定位置的厚度。
在一些實施例中，可將預測計量資料與基板的實際（量測）計量資料比較，可用其更新或校準機器學習模型。在一個實例中，可基於預測計量資料及膜堆疊的量測質量校準經訓練的機器學習模型。在另一實例中，可基於預測計量資料及膜堆疊的量測厚度校準經訓練的機器學習模型。
本揭示案的態樣具有技術優點，包括顯著減少基板生產中實現最佳設定所需的時間，改進能量消耗等等。所揭示的技術減少時間要求，不需使用破壞性技術以藉由訓練可用於獲得預測資料的一或多個機器學習模型量測膜堆疊中的個別層厚度，在膜堆疊的生產中偵測偏差，並且基於預測資料使校正動作進行。所揭示的技術可即時或近即時預測計量資料，避免不一致及異常的產品、不定期的使用者時間及不必要的計量量測結果。
第1圖圖示根據本揭示案的態樣的說明性電腦系統架構100。在一些實施例中，電腦系統架構100可為用於處理基板的製造系統的一部分，例如第3圖的製造系統300。電腦系統架構100包括客戶端元件120、製造設備124、計量設備128、預測伺服器112（例如產生預測資料、提供模型適應、使用知識庫等）及資料儲存器140。預測伺服器112可為預測系統110的一部分。預測系統110可進一步包括伺服器機器170及180。製造設備124可包括感測器126，感測器126經配置以對於製造系統中處理的基板擷取資料。在一些實施例中，製造設備124及感測器126可為感測器系統的一部分，該感測器系統包括感測器伺服器（例如生產設施的場站服務伺服器(field service server; FSS)）及感測器識別符閱讀器（例如感測器系統的前開式晶圓傳送盒(front opening unified pod; FOUP)射頻識別(radio frequency identification; RFID)閱讀器）。在一些實施例中，計量設備128可為計量系統的一部分，該計量系統包括計量伺服器（例如計量資料庫、計量文件庫等）及計量識別符讀取器（例如計量系統的FOUP RFID閱讀器）。
製造設備124可在一段時間內遵循配方或執行作業以生產產品，例如電子元件。製造設備124可包括製程腔室，例如參考第4圖所描述的製程腔室400。製造設備124可在製程腔室對基板（例如晶圓等）執行製程。基板製程的實例包括在基板的表面上沉積一或多個膜層的沉積製程、在基板的表面上形成圖案的蝕刻製程等。製造設備124可根據製程配方執行每一製程。製程配方界定在製程期間對基板執行的特定組操作，且可包括與每一操作相關的一或多個設定。舉例而言，沉積製程配方可包括製程腔室的溫度設定、製程腔室的壓力設定、沉積於基板表面上的膜中含有的材料的前驅物的流率設定等。
在一些實施例中，製造設備124可包括感測器126，感測器126經配置以產生與製造系統100處處理的基板相關的資料。舉例而言，製程腔室可包括一或多個感測器，其經配置以在對基板執行製程（例如沉積製程）之前、期間及/或之後產生與基板相關的光譜或非光譜資料。在一些實施例中，感測器126產生的光譜資料可指示沉積於基板表面上的一或多個材料的濃度。經配置以產生與基板相關的光譜資料的感測器126可包括反射量測感測器、橢圓偏振感測器、熱光譜感測器、電容感測器等。經配置以產生與基板相關的非光譜資料的感測器126可包括溫度感測器、壓力感測器、流率感測器、電壓感測器等。參考第3圖及第4圖提供關於製造設備124的更多細節。
在一些實施例中，感測器126可提供與製造設備124相關（例如與用製造設備124生產諸如晶圓的對應的產品相關）的感測器資料（例如感測器值、特徵、追蹤資料）。製造設備124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、當前追蹤資料）。感測器資料可包括溫度（例如加熱器溫度）、間距(spacing; SP)、壓力、高頻射頻(high frequency radio frequency; HFRF)、靜電卡盤(electrostatic chuck; ESC)電壓、電流、物質流動、功率、電壓等。感測器與製造設備124的諸如硬體參數（例如製造設備124的設定或部件（例如大小、類型等））的生產參數或製造設備124的製程參數相關，或指示製造設備124的諸如硬體參數的生產參數或製造設備124的製程參數。當製造設備124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。對於每一基板，感測器資料可為不同的。
計量設備128可提供與製造設備124處理的基板相關的計量資料。計量資料可包括膜性質資料（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、缺陷等的值。在一些實施例中，計量資料可進一步包括一或多個表面剖面性質資料（例如蝕刻速率、蝕刻速率均勻性、基板的表面上包括的一或多個特徵的關鍵尺寸、基板的表面上的關鍵尺寸均勻性、邊緣佈置誤差等）的值。計量資料可為成品或半成品的。對於每一基板，計量資料可為不同的。可使用（例如）反射量測技術、橢圓偏振技術、TEM技術等產生計量資料。
在一些實施例中，計量設備128可為製造設備124的一部分。舉例而言，計量設備128可在製程腔室內或耦接至製程腔室，可經配置以在基板存在於製程腔室中時在製程（例如沉積製程、蝕刻製程等）之前、期間及/或之後產生基板的計量資料。在此等情況下，計量設備128可稱為原位計量設備。在另一實例中，計量設備128可耦接至製造設備124的另一站。舉例而言，計量設備可耦接至轉移腔室（例如第3圖的轉移腔室310）、裝載閘（例如裝載閘320）或工廠介面（例如工廠介面306）。在此等情況下，計量設備128可稱為整合式計量設備。在其他或類似的實例中，計量設備128不耦接至製造設備124的站。在此等情況下，計量設備128可稱為線內計量設備或外部計量設備。在一些實施例中，整合式計量設備及/或線內計量設備經配置以在製程之前及/或之後產生基板的計量資料。
客戶端元件120可包括計算元件，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、隨身型電腦、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、雲上(over-the-top; OTT)串流元件、操作盒等。在一些實施例中，可自客戶端元件120接收計量資料。客戶端元件120可顯示圖形使用者介面(GUI)，GUI使使用者將製造系統處理的基板的計量量測值提供為輸入。客戶端元件120可包括校正動作部件122。校正動作部件122可接受與製造設備124相關的指示的使用者輸入（例如經由以客戶端元件120顯示的圖形化使用者介面(GUI)）。在一些實施例中，校正動作部件122將指示傳輸至預測系統110，自預測系統110接收輸出（例如預測資料168），基於輸出確定校正動作，使校正動作得到實施。在一些實施例中，校正動作部件122自預測系統110接收校正動作的指示，且使校正動作得到實施。每一客戶端元件120可包括作業系統，其允許使用者進行產生、觀察或編輯資料（例如與製造設備124相關的指示、與製造設備124相關的校正動作等）中之一或多者。
資料儲存器140可為記憶體（例如隨機存取記憶體）、驅動器（例如硬驅動機、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。資料儲存器140可包括多個儲存部件（例如多個驅動器或多個資料庫），其可涵蓋多個計算元件（例如多個伺服器電腦）。資料儲存器140可儲存與在製造設備124處理基板相關的資料。舉例而言，資料儲存器140可儲存在基板製程之前、期間或之後感測器126在製造設備124收集的資料（稱為製程資料）。製程資料可指歷史製程資料（例如對於製造系統處理的先前基板產生的製程資料）及/或當前製程資料（例如對於製造系統處理的當前基板產生的製程資料）。資料儲存器亦可儲存與在製造設備124處理的基板的一部分相關的光譜資料或非光譜資料。光譜資料可包括歷史光譜資料及/或當前光譜資料。
在一些實施例中，資料儲存器140亦可儲存與基板的表面上沉積的一或多層相關的膜厚度資料。膜厚度資料指所沉積膜的特定厚度梯度（例如沿所沉積膜的層的厚度變化）。在一些實施例中，膜厚度資料可包括沉積於基板表面上的膜堆疊（例如一或多個材料的多層）的厚度值（例如由計量檢驗確定或由預測確定）。舉例而言，膜厚度資料可包括ONON堆疊、OPOP堆疊、聚合堆疊（例如聚合氧化物堆疊、聚合氮化物堆疊、聚合多晶矽堆疊等）或製造設備124產生的任何其他膜堆疊的厚度值。聚合堆疊可包括與來自具有多層不同材料的膜堆疊的單一材料層相關的厚度資料。舉例而言，來自ONON堆疊的聚合氧化物堆疊可包括僅來自氧化物層的厚度資料，而聚合氮化物堆疊可包括僅來自氮化物層的厚度資料。在一些實施例中，可在訓練機器學習模型190的測試生產運作（例如為了由訓練集產生器172及/或訓練引擎182使用）中產生一或多個膜堆疊，下文將更詳細地進行解釋。
在一些實施例中，膜厚度資料可包括沉積於基板表面上的個別層的厚度值（例如由計量檢驗確定或由預測確定）。舉例而言，膜厚度資料可包括ONON堆疊的一或多層、OPOP堆疊的一或多層、聚合氧化物堆疊的一或多層、聚合氮化物堆疊的一或多層、聚合多晶矽堆疊的一或多層或製造設備124產生的任何其他層的厚度值。在一些實施例中，可在訓練機器學習模型190的測試生產運作中產生一或多層。
在一些實施例中，製造系統的使用者（例如操作員）可提供膜厚度資料（例如經由客戶端元件120）。在其他或類似的實施例中，可藉由製造系統的處理元件（例如第3圖的系統控制器328）基於資料儲存器140儲存的感測器資料及/或計量資料確定膜厚度資料。膜厚度資料可指歷史厚度資料（例如沉積於先前基板上的先前膜的膜厚度資料）或歷史厚度資料（例如沉積於當前基板上的當前膜的膜厚度資料）。
在一些實施例中，對於待沉積於基板表面上的膜，膜厚度資料亦可包括與目標厚度相關的資料。舉例而言，作業系統的使用者（例如操作員）可經由客戶端元件120提供與目標膜厚度相關的資料。與目標膜厚度相關的資料可至少包括待沉積於基板的表面上的膜的目標厚度、膜的特定材料的目標初始厚度（例如膜的近端層處的特定材料的厚度）及膜的特定材料的目標最終厚度（例如膜的遠端層處的特定材料的厚度）。在一些實施例中，與目標厚度相關的資料亦可包括膜的近端層及遠端層之間層中特定材料的厚度梯度的目標變化率（例如線性、非線性等）的指示。
資料儲存器140亦可儲存與製造系統所處理的一或多個基板相關的上下文資料。上下文資料可包括配方名稱、配方步驟數目、預防維護指示器、操作員等。上下文資料可指歷史上下文資料（例如與對先前基板執行的先前製程相關的上下文資料）及/或當前上下文資料（例如與當前製程或對先前基板執行的未來製程相關的上下文資料）。在一些實施例中，上下文資料亦可包括與特定製程相關的一或多個設定的指示。舉例而言，沉積製程的上下文資料可包括製程腔室的溫度設定、製程腔室的壓力設定、沉積於基板表面上的膜的材料的前驅物的流率設定等。
在一些實施例中，資料儲存器140可經配置以儲存製造系統的使用者不可存取的資料。舉例而言，製造系統的使用者（例如操作員）不可存取對於製造系統處理的基板所獲得的製程資料、光譜資料、上下文資料等。在一些實施例中，製造系統的使用者不可存取資料儲存器140儲存的所有資料。在其他或類似的實施例中，使用者不可存取資料儲存器140儲存的資料的一部分，而使用者可存取資料儲存器140儲存的資料的另一部分。可使用使用者未知的加密機制加密資料儲存器140儲存的資料的一或多個部分（例如使用私用加密密鑰加密資料）。在其他或類似的實施例中，資料儲存器140可包括多個資料儲存器，將使用者不可存取的資料儲存於一或多個第一資料儲存器中，且將使用者可存取的資料儲存於一或多個第二資料儲存器中。
在一些實施例中，預測系統110包括預測伺服器112、伺服器機器170及伺服器機器180。預測伺服器112、伺服器機器170及伺服器機器180可各自包括一或多個計算元件，諸如機架式伺服器、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。
伺服器機器170包括訓練集產生器172，其能夠產生訓練資料集（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。機器學習模型190可為能夠自資料學習的任何演算法模型。下文參考第2圖詳細描述資料集產生器172的一些操作。在一些實施例中，資料集產生器172可將訓練資料分為訓練集、驗證集及測試集。在一些實施例中，預測系統110產生多組訓練資料。
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。引擎可指硬體（例如，電路系統、專用邏輯、可程式化邏輯、微代碼、處理元件等）、軟體（諸如在處理元件上運行的指令、通用電腦系統或專用機器）、韌體、微代碼或其組合。訓練引擎182能夠訓練一或多個機器學習模型190。機器學習模型190可指由訓練引擎182使用包括訓練輸入及對應目標輸出（相應訓練輸入的正確回答）的訓練資料（本文亦稱為訓練集）建立的模型製品。訓練引擎182可在訓練資料中尋找將訓練輸入映射至目標輸出（待預測的回答）的圖案，並且提供擷取此等圖案的機器學習模型190。機器學習模型190可使用統計建模、支援向量機(support vector machine, SVM)、徑向基底函數(Radial Basis Function, RBF)、叢集、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-NN)、線性迴歸、隨機森林、神經網路（例如，人工神經網路）等中之一或多者。
驗證引擎184能夠使用來自訓練資料集產生器172的驗證集的特徵的對應集合驗證機器學習模型190。驗證引擎184可基於驗證集的特徵的對應集合確定機器學習模型190的準確度。驗證引擎184可廢除準確度不滿足臨界準確度的經訓練的機器學習模型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經訓練的機器學習模型190。在一些實施例中，選擇引擎185能夠選擇具有經訓練的機器學習模型190的最高準確度的經訓練的機器學習模型190。
測試引擎186能夠使用來自資料集產生器172的測試集的特徵的對應集合測試經訓練的機器學習模型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經訓練的機器學習模型190進行測試。測試引擎186可基於測試集確定具有所有經訓練的機器學習模型的最高準確度的經訓練的機器學習模型190。
如下文詳細地描述，預測伺服器112包括預測部件114，其能夠在基板的沉積製程期間提供與基板的表面上沉積的膜的一或多層的膜厚度資料相關的資料，並且對輸入運行經訓練的機器學習模型190以獲得一或多個輸出。預測伺服器112可進一步提供在沉積製程中生產的膜堆疊的每一層的計量預測。下文將進一步詳細地對此進行解釋。
可經由網路130將客戶端元件120、製造設備124、感測器126、計量設備128、預測伺服器112、資料儲存器140、伺服器機器170及伺服器機器180相互耦接。在一些實施例中，網路130為公用網路，其向客戶端元件120提供對預測伺服器112、資料儲存器140及其他公開可得的計算元件的存取。在一些實施例中，網路130為專用網路，其向客戶端元件120提供對製造設備124、計量設備128、資料儲存器140及其他專用計算元件的存取。網路130可包括一或多個廣域網路(wide area network; WAN)、區域網路(local area network; LAN)、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(Long Term Evolution; LTE)網路）、路由器、集線器、開關、伺服器電腦、雲端計算網路及/或其組合。
應指出在一些其他實施方式中，較少數量的機器可提供伺服器機器170及180及預測伺服器112的功能。舉例而言，在一些實施例中，可將伺服器機器170及180整合為單一機器，而在一些其他或類似的實施例中，可將伺服器機器170及180及預測伺服器112整合為單一機器。
大體而言，在一個實施方式中描述的由伺服器機器170、伺服器機器180及/或預測伺服器112執行的功能亦可在客戶端元件120上執行。另外，一起操作的不同或多個部件可執行屬於特定部件的功能性。
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」。
第2圖為根據本揭示案的態樣的訓練機器學習模型的方法200的流程圖。可用包括硬體（例如電路系統、專用邏輯等）、軟體（例如在通用電腦系統或專用機器上運行的）、韌體或其某一組合的處理邏輯執行方法200。在一個實施方式中，可用電腦系統（例如第1圖的電腦系統架構100）執行方法200。在其他或類似的實施方式中，可用圖中未說明的一或多個其他機器執行方法200的一或多個操作。在一些態樣中，可用伺服器機器170、伺服器機器180及/或預測伺服器112執行方法200的一或多個操作。
出於解釋的簡潔性，將方法說明且描述為一系列行為。然而，根據本揭示案的行為可按各種次序及/或同時發生，可與本文未提出並描述的其他行為一起發生。另外，不執行所有說明的行為來實施根據所揭示標的的方法。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表示為一系列互相關聯的狀態。另外，應瞭解本說明書揭示的方法能夠在製造品上儲存，便於將此等方法傳輸且轉移至計算元件。本文所使用的製造品的術語預期包含任何電腦可讀元件或儲存媒體可存取的電腦程式。
在方塊210，處理邏輯將訓練集T初始化為空集（例如{}）。在方塊212，處理邏輯獲得與經執行以在先前基板的表面上沉積膜的一或多層的先前沉積製程相關的感測器資料（例如感測器值、特徵、追蹤資料）。在一些實施例中，與沉積製程相關的感測器資料是對於先前對生產系統的先前基板執行的先前沉積製程的一或多個先前沉積設定相關的歷史資料。舉例而言，歷史資料可為與儲存於資料儲存器140的先前沉積製程相關的歷史上下文資料。在一些實施例中，一或多個先前沉積設定可包括先前沉積製程的先前溫度設定、先前沉積設定的先前壓力設定、沉積於先前基板的表面上的先前膜的一或多個材料的前驅物的先前流率設定或與沉積製程相關的任何其他設定中之至少一者。流率設定可指先前沉積製程的初始情況的前驅物的流率設定（稱為初始流率設定）、先前沉積製程的最終情況的前驅物的流率設定（稱為最終流率設定）或沉積製程期間前驅物的流率的升降載速率。在一個實例中，先前膜的前驅物可包括含硼前驅物或含矽前驅物。
在方塊214，處理邏輯獲得與沉積於先前基板的表面上的膜相關的膜厚度資料。如前文所討論，膜厚度資料指個別膜層、總膜堆疊及/或聚合層堆疊的厚度量測結果。膜厚度資料可包括沉積於先前基板的表面上的先前膜的歷史膜厚度資料。在一些實施例中，先前膜的歷史膜厚度資料可對應於與先前膜相關的歷史計量量測值。根據前文描述的實施例，處理邏輯可獲得與來自資料儲存器140的所沉積膜相關的膜厚度資料。
在方塊216，處理邏輯基於與對先前基板執行的先前沉積製程相關的所獲得資料產生第一訓練資料。在方塊218，處理邏輯基於與先前基板的表面上沉積的膜相關的膜厚度資料產生第二訓練資料。舉例而言，第二訓練資料可為膜層、總膜堆疊及/或聚合層堆疊的厚度量測結果相關。在方塊220，處理邏輯產生第一訓練資料與第二訓練資料之間的映射。映射指包括或基於對先前基板執行的先前沉積製程的第一訓練資料及包括或基於與沉積於先前基板的表面上的膜相關的膜厚度資料的第二訓練資料，其中第一訓練資料與第二訓練資料相關（或映射至第二訓練資料）。在方塊224，處理邏輯將映射添加至訓練集T。
在方塊226，處理邏輯確定訓練集T是否包括充分量的訓練資料以訓練機器學習模型。在一些實施方式中，應指出可僅基於訓練集中映射的數量確定訓練集T的充分性，而在一些其他實施方式中，除輸入/輸出映射的數量以外，或取代輸入/輸出映射的數量，可基於一或多個其他標準（例如訓練實例的多樣性之量度等）確定訓練集T的充分性。回應於確定訓練集不包括訓練機器學習模型的充分的訓練資料，方法200返回至方塊212。回應於確定訓練集T包括訓練機器學習模型的充分量的訓練資料，方法200繼續至方塊228。
在方塊228，處理邏輯提供訓練集T以訓練機器學習模型。在一個實施方式中，將訓練集T提供至伺服器機器180的訓練引擎182以進行訓練。舉例而言，對於神經網路的情況，將給定輸入/輸出映射的輸入值輸入至神經網路，將輸入/輸出映射的輸出值儲存於神經網路的輸出節點中。隨後根據學習演算法（例如倒傳遞）調整神經網路中的連接權重，並且對於訓練集T中的其他輸入/輸出映射重複步驟。
在一些實施例中，可使用方法200訓練多個機器學習模型，以預測來自相同膜堆疊的不同類材料的層的厚度。舉例而言，可使用方法200以訓練第一機器學習模型（下文為「氧化物模型」）以預測ONON堆疊中氧化物層的厚度，訓練第二機器學習模型（下文為「氮化物模型」）以預測ONON堆疊中氮化物層的厚度。對於對當前基板執行的沉積製程，隨後可使用機器學習模型預測沉積於當前基板的表面上的每一交替膜層的厚度。
在方塊230，處理邏輯對經訓練的機器學習模型執行校準製程。在一些實施例中，處理邏輯可將預測計量資料與實際（量測）計量資料比較，並基於預測計量資料與實際計量資料之間的值差調整經訓練的機器學習模型。在一個實例中，處理邏輯可將氧化物模型產生的預測厚度資料與聚合氧化物堆疊的量測厚度比較。基於厚度值的差，處理邏輯可進一步訓練或改良機器學習模型。在另一實例中，處理邏輯可將由氧化物模型產生的預測厚度資料確定的氧化物層的預測質量資料與聚合氧化物堆疊的量測質量比較。基於質量值的差，處理邏輯可進一步訓練或改良機器學習模型。在其他實例中，處理邏輯可將任何預測計量資料與任何實際計量資料比較，以進一步訓練或精煉經訓練的機器學習模型。
在方塊230，對於對當前基板執行的沉積製程，可使用機器學習模型190預測當前基板的表面上沉積的一或多層的厚度。在一些實施例中，預測部件114及/或校正動作部件112可基於膜層的所要目標厚度調整沉積製程配方的一或多個參數（例如製程腔室的溫度設定、製程腔室的壓力設定、基板表面上沉積的膜中的材料的前驅物的流率設定等）。在一些實施例中，可在沉積製程之前、期間（例如即時）或之後調整沉積製程配方。
在一些實施例中，製造系統可包括多於一個製程腔室。舉例而言，第3圖的例示性製造系統300圖示多個製程腔室314、316、318。應指出在一些實施例中，經獲得以訓練機器學習模型的資料及經收集以作為輸入提供至機器學習模型的資料可與製造系統的同一製程腔室相關。在其他或類似的實施例中，經獲得以訓練機器學習模型的資料及經收集以作為輸入提供至機器學習模型的資料可與製造系統的不同製程腔室相關。在其他或類似的實施例中，經獲得以訓練機器學習模型的資料可與第一製造系統的製程腔室相關，而經收集以作為輸入提供至機器學習模型的資料可與第二製造系統的製程腔室相關。
第3圖為根據本揭示案的態樣的例示性製造系統300的俯視示意圖。製造系統300可對基板302執行一或多個製程。基板302可為任何合適的剛性、固定尺寸、平坦的物品，例如適合製造電子元件或其上電路部件的含矽磁碟或晶圓、圖案化晶圓、玻璃板或類似者。
製造系統300可包括製程工具304及耦接至製程工具304的工廠介面306。製程工具304可包括中間具有轉移腔室310的外殼308。轉移腔室310可包括安置於其周圍或相耦接的一或多個製程腔室（亦稱為處理腔室）314、316、318。經由各別的埠（例如狹縫閥或類似者）將製程腔室314、316、318耦接至轉移腔室310。轉移腔室310亦可包括轉移腔室機器人312，其經配置以在製程腔室314、316、318、裝載閘320等之間轉移基板302。轉移腔室機器人312可包括一或多個臂，其中每一臂包括在每一臂末端處的一或多個端效器。端效器可經配置以搬運特定的物體，例如晶圓。
製程腔室314、316、318可經調適以對基板302執行任何數量的製程。相同或不同的基板製程可在每一處理腔室314、316、318中進行。基板製程可包括原子層沉積(atomic layer deposition; ALD)、物理氣相沉積(physical vapor deposition; PVD)、化學氣相沉積(chemical vapor deposition; CVD)、蝕刻、退火、硬化、預清洗、金屬或金屬氧化物移除或類似者。可對其中的基板執行其他製程。製程腔室314、316、318中之每一者可包括經配置以在基板製程之前、之後或期間對基板302擷取資料的一或多個感測器。舉例而言，一或多個感測器可經配置以在基板製程期間對基板302的一部分擷取光譜資料及/或非光譜資料。在其他或類似的實施例中，一或多個感測器可經配置以在基板製程之前、之後或期間擷取與製程腔室314、316、318中環境相關的資料。舉例而言，一或多個感測器可經配置以在基板製程中擷取與製程腔室314、316、318中環境的溫度、壓力、氣體濃度等相關的資料。
裝載閘320亦可耦接至外殼308及轉移腔室310。裝載閘320可經配置以與轉移腔室310的一側及工廠介面306連接，且與其耦接。裝載閘320可具有環境控制的氣氛，其在一些實施例中可自真空環境（其中可將基板轉移至轉移腔室310或自轉移腔室310轉移）變為大氣壓或近大氣壓的惰性氣體環境（其中可將基板轉移至工廠介面306或自轉移腔室306轉移）。工廠介面306可為任何合適的外殼，例如設備前端模組（Equipment Front End Module; EFEM）。工廠介面306可經配置以自靠在工廠介面306的各個裝載埠324的基板載體322（例如前開式晶圓傳送盒(FOUP)）接收基板302。工廠介面機器人326（以虛線表示）可經配置以在載體（亦稱為容器）322與裝載閘320之間轉移基板302。載體322可為基板儲存載體或替換零件儲存載體。
亦可將製造系統300連接至客戶端元件（未圖示），該客戶端元件經配置以將關於製造系統300的資訊提供至使用者（例如操作員）。在一些實施例中，客戶端元件可經由一或多個圖形使用者介面(GUI)將資訊提供至製造系統300的使用者。舉例而言，客戶端元件可經由GUI在製程腔室314、316、318進行的沉積製程中提供關於沉積於基板表面302上的膜的目標厚度剖面的資訊。根據本文描述的實施例，客戶端元件亦可將關於修改的資訊提供至所預測的各別組沉積設定以對應至目標剖面的製程配方。
製造系統300亦可包括系統控制器328。系統控制器328可為及/或包括計算元件，例如個人電腦、伺服器電腦、可程式化邏輯控制器(programmable logic controller; PLC)、微控制器等。系統控制器328可包括一或多個處理元件，其可為通用處理元件，例如微處理器、中央處理單元或類似者。更特定而言，處理元件可為複雜指令集計算(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(very long instruction word; VLIW)微處理器或執行其他指令集的處理器或實施指令集組合的處理器。處理元件亦可為一或多個專用處理元件，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)、網路處理器或類似者。系統控制器328可包括資料儲存元件（例如一或多個磁碟機及/或固態驅動器）、主記憶體、靜態記憶體、網路介面及/或其他部件。系統控制器328可執行指令以執行本文描述的方法及/或實施例中之任一或多者。在一些實施例中，系統控制器328可執行指令以根據製程配方在製造系統300執行一或多個操作。可將指令儲存於電腦可讀取儲存媒體中，其可包括主記憶體、靜態記憶體、輔助儲存器及/或處理元件（在執行指令期間）。
系統控制器328可自製造系統300的各個部分（例如處理腔室314、316、318、轉移腔室310、裝載閘320等）上或其中的感測器接收資料。在一些實施例中，系統控制器328接收的資料可包括基板302的一部分的光譜資料及/或非光譜資料。在其他或類似的實施例中，如前文所描述，系統控制器328接收的資料可包括處理腔室314、316、318處的處理基板302相關的資料。出於本描述的目的，將系統控制器328描述為自製程腔室314、316、318中包括的感測器接收資料。然而，系統控制器328可自製造系統300的任何部分接收資料，並且可根據本文描述的實施例使用自該部分接收的資料。在說明性實例中，系統控制器328可在製程腔室314、316、318處的基板製程之前、之後或期間自製程腔室314、316、318的一或多個感測器接收資料。可將自製造系統300的各個部分的感測器接收的資料儲存於資料儲存器350中。資料儲存器350可為系統控制器328中的部件，或可為與系統控制器328分離的部件。在一些實施例中，資料儲存器350可為關於第1圖描述的資料儲存器140。
第4圖為根據本揭示案的實施例的製程腔室400的截面示意側視圖。在一些實施例中，製程腔室400可對應於關於第3圖描述的製程腔室314、316、318。製程腔室400可用於提供腐蝕性電漿環境的製程。舉例而言，製程腔室400可為電漿蝕刻器或電漿蝕刻反應器等的腔室。在另一實例中，如前文所描述，製程腔室可為用於沉積製程的腔室。在一個實施例中，製程腔室400包括腔室主體402及封入內部容積406的噴頭430。噴頭430可包括噴頭基座及噴頭氣體分配板。替代而言，在一些實施例中可用蓋或噴嘴替換噴頭430，或在其他實施例中用多個餅狀噴頭隔室及電漿產生單元替換噴頭230。腔室主體402可由鋁、不鏽鋼或其他合適的材料（例如鈦(Ti)）製成。腔室主體402大體而言包括側壁408及底部410。腔室主體402中可界定排氣埠426，且其可將內部容積406耦接至泵系統428。泵系統428可包括一或多個泵及節流閥，其可用於抽空且調節製程腔室400的內部容積406的壓力。
腔室主體402的側壁408上可支撐噴頭430。可打開噴頭420（或蓋），以允許進入製程腔室400的內部容積406，且可在關閉時提供對製程腔室400的密封。氣體面板458可耦接至製程腔室400，以經由噴頭430或蓋及噴嘴（例如經由噴頭或蓋的孔及噴嘴）將製程及/或清洗氣體提供至內部容積406。舉例而言，氣體面板458可提供基板302的表面上沉積的膜451的材料的前驅物。在一些實施例中，前驅物可包括矽基前驅物或硼基前驅物。噴頭430可包括氣體分配板(gas distribution plate; GDP)，且GDP中可具有多個氣體輸送孔432（亦稱為通道）。基板支撐組件448安置於噴頭430下方的製程腔室400的內部容積406中。基板支撐組件448在處理期間（例如在沉積製程中）保持基板302。
在一些實施例中，處理腔室400可包括計量設備（未圖示），其經配置以在製程腔室400處執行的製程期間產生原位計量量測結果。計量設備可以可操作方式耦接至系統控制器（例如前文所描述的系統控制器328）。在一些實施例中，在沉積製程的特定情況下，計量設備可經配置以產生膜451的計量量測值（例如厚度）。系統控制器可基於來自計量設備的所接收的計量量測值產生膜451的厚度剖面。在其他或類似的實施例中，處理腔室400不包括計量設備。在此類實施例中，在製程腔室400完成沉積製程之後，系統控制器可接收膜451的一或多個計量量測值。系統控制器可基於一或多個計量量測值確定沉積速率，且可基於沉積製程的所確定的濃度梯度及所確定的沉積速率關聯產生膜451的厚度剖面。
第5圖為根據本揭示案的態樣的使用機器學習模型確定膜層的預測計量資料的方法500的流程圖。可用包括硬體（例如電路系統、專用邏輯等）、軟體（例如在通用電腦系統或專用機器上運行的）、韌體或其某一組合的處理邏輯執行方法500。在一個實施方式中，可用電腦系統（例如第1圖的電腦系統架構100）執行方法500。在其他或類似的實施方式中，可用圖中未說明的一或多個其他機器執行方法500的一或多個操作。在一些態樣中，可用伺服器機器170、伺服器機器180及/或預測伺服器112執行方法500的一或多個操作。
在方塊510，處理邏輯獲得與在製程腔室中執行以在基板的表面上沉積一或多個膜層的沉積製程相關的複數個感測器值。在方塊512，處理邏輯對與第一材料層相關的複數個感測器值的第一子集應用第一機器學習模型。在方塊514，處理邏輯對與第二材料層相關的複數個感測器值的第二子集應用第二機器學習模型。在一些實施例中，基於歷史感測器資料及歷史計量資料訓練第一及第二機器學習模型。
在方塊516，處理邏輯獲得第一機器學習模型的第一輸出。舉例而言，第一輸出可確定膜（例如氧化物）的第一材料的一或多層的第一預測計量資料。
在方塊518，處理邏輯獲得第二機器學習模型的第二輸出。舉例而言，第二輸出可確定膜（例如氮化物）的第二材料的一或多層的第二預測計量資料。在一些實施例中，預測計量資料包括具有一組空間量測結果的等高線圖，每一空間量測結果指示基板上一或多層上的複數個位置中之一特定位置的厚度。在一些實施例中，預測計量資料表示平均預測層厚度。
第6圖為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(LAN)、內部網路、商際網路、網際網路）至其他電腦系統。電腦系統600可在客戶機-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對等電腦運行。電腦系統600可由個人電腦(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、網頁裝置、伺服器、網路路由器、交換機或網橋或能夠執行指定由元件執行之動作的一組指令（順序的或以其他方式）的任何彼元件提供。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可包括處理元件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)或電可抹除可程式化ROM(EEPROM)）及資料儲存元件616，其可經由匯流排608相互通信。
處理元件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(CISC)微處理器、精簡指令集計算(RISC)微處理器、極長指令字組(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(ASIC)、現場可程式化閘極陣列(FPGA)、數位訊號處理器(DSP)或網路處理器）。
電腦系統600可進一步包括網路介面元件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）、文數輸入元件612（例如鍵盤）、游標控制元件614（例如滑鼠）及訊號產生元件620。
在一些實施方式中，資料儲存元件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/或處理元件602內，因此揮發性記憶體604及處理元件602亦組成機器可讀取儲存媒體。
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「電腦可讀取儲存媒體」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「電腦可讀取儲存媒體」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、部件及特徵可由分離的硬體部件實施，或可整合至諸如ASIC、FPGA、DSP或相似元件的其他硬體部件的功能性。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部件內的功能電路實施。另外，方法、部件及特徵可由硬體元件及電腦程式部件的任一組合或電腦程式實施。
除非另外特別說明，諸如「接收」、「執行」、「提供」、「獲得」、「引發」、「存取」、「確定」、「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、傳輸或顯示元件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確定本揭示案的範疇。
100:電腦系統架構 110:預測系統 112:預測伺服器 114:預測部件 120:客戶端元件 122:校正動作部件 124:製造設備 126:感測器 128:計量設備 130:網路 140:資料儲存器 170:伺服器機器 172:訓練集產生器 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 200:方法 210:方塊 212:方塊 214:方塊 216:方塊 218:方塊 220:方塊 224:方塊 226:方塊 228:方塊 230:方塊 300:製造系統 302:基板 304:製程工具 306:工廠介面 308:外殼 310:轉移腔室 312:轉移腔室機器人 314:製程腔室 316:製程腔室 318:製程腔室 320:裝載閘 322:載體 324:裝載埠 326:工廠介面機器人 328:系統控制器 350:資料儲存器 400:製程腔室 402:腔室主體 406:內部容積 408:側壁 410:底部 426:排氣埠 428:泵系統 430:噴頭 432:氣體輸送孔 448:基板支撐組件 451:膜 458:氣體面板 500:方法 510:方塊 512:方塊 514:方塊 516:方塊 518:方塊 600:電腦系統 602:處理元件 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:文數輸入元件 614:游標控制元件 620:訊號產生元件 622:網路介面元件 624:電腦可讀取儲存媒體 626:指令 674:網路
本揭示案係藉由舉例說明，且不受附圖圖式的限制。
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訓練機器學習模型的方法的流程圖。
第3圖為根據某些實施例的例示性製造系統的俯視示意圖。
第4圖為根據某些實施例的例示性製造系統的例示性製程腔室的示意性橫截面側視圖。
第5圖為根據某些實施例的使用機器學習模型識別膜層的預測計量資料的方法的流程圖。
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:電腦系統架構
110:預測系統
112:預測伺服器
114:預測部件
120:客戶端元件
122:校正動作部件
124:製造設備
126:感測器
128:計量設備
130:網路
140:資料儲存器
170:伺服器機器
172:訓練集產生器
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)

  1. 一種方法，包含以下步驟： 藉由一處理器獲得與在一製程腔室中執行以在一基板的一表面上沉積一膜堆疊的一沉積製程相關的感測器資料，其中該膜堆疊包含一第一材料的複數個層及一第二材料的複數個層； 獲得與該膜堆疊相關的計量資料； 基於該感測器資料及該計量資料訓練一第一機器學習模型，其中訓練該第一機器學習模型以產生與該第一材料的層相關的預測計量資料；及 基於該感測器資料及該計量資料訓練一第二機器學習模型，其中訓練該第二機器學習模型以產生與該第二材料的層相關的預測計量資料。
  2. 如請求項1所述之方法，進一步包含以下步驟： 基於該預測計量資料與該量測計量資料之間的一比較更新該第一機器學習模型及該第二機器學習模型。
  3. 如請求項2所述之方法，其中該預測計量資料包含預測質量資料，並且該量測計量資料包含量測質量資料。
  4. 如請求項1所述之方法，其中該計量資料包含一單一材料的一聚合堆疊的一量測厚度。
  5. 如請求項1所述之方法，其中該計量資料包含由一穿透式電子顯微鏡(TEM)分析獲得的厚度資料。
  6. 如請求項1所述之方法，其中該計量資料包含該膜堆疊的一量測厚度。
  7. 如請求項1所述之方法，其中該第一材料包含氧化物，並且該第二材料包含氮化物。
  8. 如請求項1所述之方法，進一步包含以下步驟： 使用該第一機器學習模型及該第二機器學習模型確定經歷一當前沉積製程的一當前基板的預測計量資料。
  9. 如請求項8所述之方法，進一步包含以下步驟： 基於該預測計量資料調整與該當前沉積製程相關的一沉積製程配方。
  10. 一種系統，包含： 一記憶體；及 一處理元件，其耦接至該記憶體，該處理元件用於： 獲得與在一製程腔室中執行以在一基板的一表面上沉積一膜堆疊的一沉積製程相關的感測器資料，其中該膜堆疊包含一第一材料的複數個層及一第二材料的複數個層； 獲得與該膜堆疊相關的計量資料； 基於該感測器資料及該計量資料訓練一第一機器學習模型，其中訓練該第一機器學習模型以產生與該第一材料的層相關的預測計量資料；及 基於該感測器資料及該計量資料訓練一第二機器學習模型，其中訓練該第二機器學習模型以產生與該第二材料的層相關的預測計量資料。
  11. 如請求項10所述之系統，其中該處理元件進一步用於： 基於該預測計量資料與該量測計量資料之間的一比較更新該第一機器學習模型及該第二機器學習模型。
  12. 如請求項11所述之系統，其中該預測計量資料包含預測質量資料，並且該量測計量資料包含量測質量資料。
  13. 如請求項10所述之系統，其中該計量資料包含一單一材料的一聚合堆疊的一量測厚度。
  14. 如請求項10所述之系統，其中該計量資料包含由一穿透式電子顯微鏡(TEM)分析獲得的厚度資料。
  15. 如請求項10所述之系統，其中該計量資料包含該膜堆疊的一量測厚度。
  16. 如請求項10所述之系統，其中該第一材料包含氧化物，並且該第二材料包含氮化物。
  17. 如請求項10所述之系統，其中該處理元件進一步用於： 使用該第一機器學習模型及該第二機器學習模型確定進行一當前沉積製程的一當前基板的預測計量資料。
  18. 如請求項17所述之系統，其中該處理元件進一步用於： 基於該預測計量資料調整與該當前沉積製程相關的一沉積製程配方。
  19. 一種非暫時性機器可讀取儲存媒體，其儲存指令，該等指令當被執行時使一處理元件執行包括以下的操作： 藉由一處理器獲得與在一製程腔室中執行以在一基板的一表面上沉積一膜堆疊的一沉積製程相關的感測器資料，其中該膜堆疊包含一第一材料的複數個層及一第二材料的複數個層； 獲得與該膜堆疊相關的計量資料； 基於該感測器資料及該計量資料訓練一第一機器學習模型，其中訓練該第一機器學習模型以產生與該第一材料的層相關的預測計量資料；及 基於該感測器資料及該計量資料訓練一第二機器學習模型，其中訓練該第二機器學習模型以產生與該第二材料的層相關的預測計量資料。
  20. 一種方法，包含以下步驟： 獲得與在一製程腔室中執行以在一基板的一表面上沉積膜層的一沉積製程相關的複數個感測器值； 對該複數個感測器值的一第一子集應用一第一機器學習模型，該該第一機器學習模型係基於與一第一材料的層相關的歷史感測器資料及計量資料訓練的； 對該複數個感測器值的一第二子集應用一第二機器學習模型，該第二機器學習模型係基於與一第二材料的層相關的該歷史感測器資料及計量資料訓練的； 獲得該第一機器學習模型的一第一輸出，該第一輸出指示該膜的該第一材料層的第一預測計量資料；及 獲得該第二機器學習模型的一第二輸出，該第二輸出指示該膜的該第二材料層的第二預測計量資料。
TW111102550A 2021-02-03 2022-01-21 用於使用虛擬計量來預測個別的層的膜厚度之系統和方法 TW202303785A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/166,288 2021-02-03
US17/166,288 US11862520B2 (en) 2021-02-03 2021-02-03 Systems and methods for predicting film thickness of individual layers using virtual metrology

Publications (1)

Publication Number Publication Date
TW202303785A true TW202303785A (zh) 2023-01-16

Family

ID=82612700

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111102550A TW202303785A (zh) 2021-02-03 2022-01-21 用於使用虛擬計量來預測個別的層的膜厚度之系統和方法

Country Status (5)

Country Link
US (1) US11862520B2 (zh)
KR (1) KR20230136653A (zh)
CN (1) CN116802781A (zh)
TW (1) TW202303785A (zh)
WO (1) WO2022169611A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12001197B2 (en) * 2021-04-14 2024-06-04 Applied Materials, Inc. Eco-efficiency (sustainability) dashboard for semiconductor manufacturing
TWI845124B (zh) * 2023-01-18 2024-06-11 中國鋼鐵股份有限公司 盛鋼桶耐火磚襯殘厚估測之方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100982306B1 (ko) 2008-06-09 2010-09-15 삼성모바일디스플레이주식회사 가상 계측 장치 및 계측 방법
US8728832B2 (en) 2012-05-07 2014-05-20 Asm Ip Holdings B.V. Semiconductor device dielectric interface layer
US9075027B2 (en) 2012-11-21 2015-07-07 Kla-Tencor Corporation Apparatus and methods for detecting defects in vertical memory
KR102534756B1 (ko) 2014-07-16 2023-05-18 어플라이드 머티어리얼스, 인코포레이티드 증착 이전에 측정이 이루어지는 폴리싱
KR20200072302A (ko) 2018-12-12 2020-06-22 삼성전자주식회사 두께 예측 네트워크 학습 방법, 반도체 소자 제조 방법 및 반도체 물질 퇴적 장비
US11836429B2 (en) * 2019-10-23 2023-12-05 Lam Research Corporation Determination of recipes for manufacturing semiconductor devices

Also Published As

Publication number Publication date
CN116802781A (zh) 2023-09-22
US11862520B2 (en) 2024-01-02
WO2022169611A1 (en) 2022-08-11
KR20230136653A (ko) 2023-09-26
US20220246481A1 (en) 2022-08-04

Similar Documents

Publication Publication Date Title
US11989495B2 (en) Systems and methods for predicting film thickness using virtual metrology
US20220066411A1 (en) Detecting and correcting substrate process drift using machine learning
US20220284342A1 (en) Systems and methods for process chamber health monitoring and diagnostics using virtual model
TW202303785A (zh) 用於使用虛擬計量來預測個別的層的膜厚度之系統和方法
JP2023535125A (ja) 機械学習を使用した基板プロファイル特性の決定
US20240353812A1 (en) Systems and methods for adaptive troubleshooting of semiconductor manufacturing equipment
TW202240024A (zh) 使用機器學習控制沉積膜的濃度輪廓
US20230118964A1 (en) Controlling concentration profiles for deposited films using machine learning
TW202400840A (zh) 用於在基板製造期間測量圖案化基板特性的方法和機制
TW202345235A (zh) 在基板製造期間用於調整處理腔室參數的方法及機制
TW202334767A (zh) 用於製程配方最佳化的方法及機制
US20230359179A1 (en) Methods and mechanisms for adjusting film deposition parameters during substrate manufacturing
TW202309755A (zh) 用於無接觸處理腔室特徵化的方法及機制
TW202407484A (zh) 使用機器學習在製造系統處進行運行間控制
TW202403930A (zh) 製造系統中基於溫度的計量校準