TW202328962A - 使用基於物理資訊的壓縮感測來虛擬測量鄰近基板的狀態 - Google Patents
使用基於物理資訊的壓縮感測來虛擬測量鄰近基板的狀態 Download PDFInfo
- Publication number
- TW202328962A TW202328962A TW111134931A TW111134931A TW202328962A TW 202328962 A TW202328962 A TW 202328962A TW 111134931 A TW111134931 A TW 111134931A TW 111134931 A TW111134931 A TW 111134931A TW 202328962 A TW202328962 A TW 202328962A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- chamber
- model
- property values
- machine learning
- Prior art date
Links
- 239000000758 substrate Substances 0.000 title claims abstract description 87
- 238000004519 manufacturing process Methods 0.000 claims abstract description 220
- 238000000034 method Methods 0.000 claims abstract description 113
- 230000009471 action Effects 0.000 claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims description 136
- 238000012549 training Methods 0.000 claims description 89
- 238000012545 processing Methods 0.000 claims description 63
- 238000013507 mapping Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 21
- 239000000654 additive Substances 0.000 claims description 9
- 230000000996 additive effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000009529 body temperature measurement Methods 0.000 claims 2
- 238000012360 testing method Methods 0.000 description 45
- 238000010200 validation analysis Methods 0.000 description 31
- 239000007789 gas Substances 0.000 description 24
- 230000006835 compression Effects 0.000 description 12
- 238000007906 compression Methods 0.000 description 12
- 239000000463 material Substances 0.000 description 12
- 235000012431 wafers Nutrition 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000032683 aging Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 238000013500 data storage Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 6
- 238000003070 Statistical process control Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- -1 F2 Chemical compound 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- VZGDMQKNWNREIO-UHFFFAOYSA-N tetrachloromethane Chemical compound ClC(Cl)(Cl)Cl VZGDMQKNWNREIO-UHFFFAOYSA-N 0.000 description 2
- 229910015844 BCl3 Inorganic materials 0.000 description 1
- KZBUYRJDOAKODT-UHFFFAOYSA-N Chlorine Chemical compound ClCl KZBUYRJDOAKODT-UHFFFAOYSA-N 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- XPDWGBQVDMORPB-UHFFFAOYSA-N Fluoroform Chemical compound FC(F)F XPDWGBQVDMORPB-UHFFFAOYSA-N 0.000 description 1
- 229910003910 SiCl4 Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000231 atomic layer deposition Methods 0.000 description 1
- 230000027455 binding Effects 0.000 description 1
- 238000009739 binding Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012159 carrier gas Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005240 physical vapour deposition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- FDNAPBUWERUEDA-UHFFFAOYSA-N silicon tetrachloride Chemical compound Cl[Si](Cl)(Cl)Cl FDNAPBUWERUEDA-UHFFFAOYSA-N 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- 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
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
-
- 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
- H01L21/67098—Apparatus for thermal treatment
- H01L21/67103—Apparatus for thermal treatment mainly by conduction
-
- 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
- H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
- H01L21/6719—Apparatus for manufacturing or treating in a plurality of work-stations characterized by the construction of the processing chambers, e.g. modular processing chambers
-
- 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
- H01L21/67248—Temperature monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本文所述的方法包括以下步驟:在對製造腔室內的基板執行處理的期間,測量製造腔室內的屬性值的子集。方法進一步包括以下步驟:在從進行測量的位置移開的位置處決定製造腔室中的屬性值。方法進一步包括以下步驟:基於所決定的屬性來執行校正動作。
Description
本說明書涉及使用基於物理資訊的壓縮感測的機器學習模型來虛擬測量製造腔室中鄰近基板的屬性。
腔室用於許多類型的處理系統中。腔室的示例包括蝕刻腔室、沉積腔室和退火腔室等等。通常來說,將如半導體晶圓的基板放置在腔室中,且設置和維持腔室中的狀態以處理基板。為了充分表徵和預測處理狀態的影響,在基板位置處的屬性值的測量值將是理想的。在基板位置處執行測量通常是不方便或不可能的。許多系統有更方便的(儘管不太立即有用)的地方來測量相關操作屬性的值,相關操作屬性如溫度、氣體流量和壓力等等。
以下是本申請案的簡化概述,以提供對本申請案的一些態樣的基本理解。本[發明內容]不是本申請案內容的廣泛概述。本[發明內容]既不旨在識別本申請案的關鍵或必要要素,也不旨在描述本申請案的特定實施方式的任何範疇或申請專利範圍的任何範疇。本[發明內容]的唯一目的是以簡化形式呈現本申請案的一些概念,來作為稍後呈現的[實施方式]的前奏。
在本申請案的一個態樣中,方法包括以下步驟:在製造腔室內的多個位置處測量一些特性或多個特性的值。在基板上執行處理的期間藉由放置在腔室中的感測器進行測量。方法進一步包括以下步驟:將所測量的屬性值作為輸入提供給經訓練的機器學習模型。經訓練的機器學習模型能夠使用感測器所在位置處的測量值來推斷腔室中包括基板位置的其它地方的屬性值。方法進一步包括以下步驟:根據由經訓練的機器學習模型所推斷的屬性來執行動作。
在本申請案的另一個態樣中,方法包括以下步驟:訓練機器學習模型。方法進一步包括以下步驟:向機器學習模型提供訓練輸入資料。訓練輸入資料包括正處理基板的同時在製造腔室內的位置處所獲取的屬性值的測量值。在不緊鄰基板的位置處進行至少大部分的測量。方法進一步包括以下步驟:向機器學習模型提供目標輸出資料。目標輸出包括腔室區域中的屬性值的映射,腔室區域包括基板位置。方法進一步包括以下步驟:向機器學習模型提供輸入和輸出資料集,以訓練模型從而在給定來自腔室中的多個位置的測量值的情況下來預測腔室區域中的屬性值的映射。
在本申請案的另一個態樣中,揭露一種用於實施方法(如上述那些方法)的系統。系統包括電腦可讀取存儲媒體。系統進一步包括處理裝置。系統經配置為使得電腦可讀取存儲媒體包含在其被執行時使處理裝置執行方法的指令。由處理裝置執行的方法包括以下步驟:在製造腔室中的製造期間從放置在製造腔室內的感測器接收屬性值的測量值。由處理裝置執行的方法進一步包括以下步驟:使用經訓練的機器學習模型來決定製造腔室的區域中的屬性值,製造腔室的區域包括基板位置。由處理裝置執行的方法進一步包括以下步驟:根據所決定的屬性值執行校正動作或向使用者裝置發送警報。
本文所描述的是針對使用基於物理資訊的壓縮感測技術虛擬測量在製造腔室內部的基板位置處的屬性值的技術。製造設備用於生產如半導體晶圓的基板。這些基板的屬性由基板已在其下被處理的狀態所控制。在操作期間準確瞭解製造腔室中(尤其是在基板的緊接近鄰中)的屬性可用於預測成品的屬性、一致地生產具有相同屬性的基板,並定制處理參數以負責腔室設計和建造的變化。
在一些情況下,可將感測器設置在基板的位置處,或者可使用能夠從遠處進行測量的感測器(例如,IR溫度感測器)。在某些情況下,此種安排是不切實際或不可能的。在不希望直接測量鄰近基板(例如,在基板上)的屬性值的情況下,可使用實證方法來生產具有選定特性的一致基板。此種方法涉及實驗,這在時間花費、材料使用、能源和氣體消耗等方面可能是昂貴的。此外,因為重複使用製造腔室,故製造腔室的性質會由於材料堆積、部件老化、在清潔期間的更動和諸如此類而趨向偏差。任何所獲取的將輸入處理參數映射到輸出基板屬性的知識皆會隨著腔室屬性的偏差而退化。此種習知方法的另一個問題與腔室之間的差異有關。任何新的腔室設計都要使用一組新的實驗來決定輸入參數與成品屬性的新映射;隨著腔室老化,這些映射亦會降低品質。此外,製造腔室在其被建造時受到公差範圍的限制,這意味著每個腔室都有可能以不同的方式工作,甚至與名義上相同的腔室不同。不僅要針對每種腔室類型進行實驗以準確瞭解哪些輸入參數導致哪些產品,而且每個單獨的腔室都可能要受到此種處理,而對這些屬性的理解可能會從不斷更新而受益。任何試圖生產一種不同類型的基板(其屬性超出了先前收集的關於腔室操作的知識範圍)進一步加劇了這個問題。
本申請案的方法和設備解決了習知方法的這些缺陷中的至少一些缺陷。本申請案允許利用基於物理資訊的壓縮感測來在基板處使用虛擬測量。在一些實施例中,本申請案的方法包括以下步驟:使用電腦輔助的基於物理的模型。基於物理的模型經配置為包含感興趣的製造腔室的所有特徵,所有特徵包括幾何形狀、材料特性和氣流等等。基於物理的模型接著運行多次,這可能反映一系列的處理參數。例如,提供給加熱器的功率、所使用的氣體混合物、氣體的流速和壓力、如基板的放置的硬體參數及諸如此類全部皆可改變。使用基於物理的模型進行這些計算的輸出是一組指示製造腔室內穩定狀態屬性值的映射。此組映射可跨越與基板生產相關的參數空間的重要部分。
在一些實施例中,本申請案的方法進一步包括以下步驟:使用基於物理的模型的輸出來構建基準集,以描述製造腔室中的屬性值的可能組合。腔室中屬性的概念上最簡單的表示通常是將每個屬性的值指派給腔室中的每個點。此可被認為是基準集成員的加權組合,其中基準集的每個成員包括在腔室中的一個特定點處的某個屬性值(例如,1克氏(Kelvin)溫度)及在腔室中的每個其它點處經分配空值的屬性(例如,零克氏溫度)。接著藉由添加每個基準態的加權組合以將非零溫度指派給腔室中的每個點,從而建立腔室的整個屬性值映射。
此種概念上的簡單表示通常不是最方便的。相反,可使用具有更複雜成員的基準集,其中腔室中的屬性經表示為基準態成員的加權相加組合。若仔細選擇基準集,則可使用更少的成員(而不是在簡單情況下使用的那些成員)來充分描述腔室中的屬性值,其中基準集的每個成員皆做出有意義的貢獻。在一些實施例中,本申請案的方法包括以下步驟:從基於物理的模型的輸出來構建基準集,使得使用(相較於簡單表示)更少的基準態的加權相加組合來充分描述在與基板生產相關的參數空間區域中的腔室中的屬性值。此種具有降維的基準集被稱為降階模型(ROM)。在一些實施例中,可藉由對基於物理的模型的輸出執行適當的正交分解來形成ROM。
在一些實施例中,本申請案的方法進一步包括以下步驟:訓練機器學習模型以將與製造腔室內的多個位置處的屬性值相對應的屬性值的有限子集作為輸入。訓練機器學習模型以生成屬性值的映射作為輸出,此映射擴展到用作輸入的位置之外的位置,此等屬性值包括靠近基板的屬性值。在一些實施例中,使用稀疏迴歸模型來訓練機器學習模型。或者,可使用其他類型的機器學習模型,如神經網路和支援向量機等。
在一些實施例中,本申請案的方法進一步包括以下步驟:在處理期間提供製造腔室內的屬性值的子集的測量值作為至經訓練的機器學習模型的輸入。方法進一步包括以下步驟:從經訓練的機器學習模型接收鄰近基板的屬性的預測作為輸出。本申請案亦使得能夠使用包括處理裝置和記憶體的系統來執行基於物理資訊的壓縮感測和虛擬測量的方法。
本申請案的態樣導致優於習知方法的技術優勢。在無需對處理品質做出讓步的情況下,藉由將測量裝置佈置在鄰近基板的位置可準確地推斷處理期間鄰近基板的屬性值(例如,如基板上的點處的溫度的值)的預測。此外,藉由使用由腔室的基於物理的模型所通知的基準集來通知溫度映射,可使用所揭露的方法來解釋腔室之間的變化或在一個腔室中隨時間的變化。
圖1是示出根據某些實施例的示例性的系統100(示例性的系統架構)的方框圖。系統100包括客戶端裝置120、製造設備124、感測器126、計量設備128、壓縮感測伺服器112和資料存儲140。壓縮感測伺服器112可以是壓縮感測系統110的一部分。壓縮感測系統110可進一步包括伺服器機器170和伺服器機器180。
感測器126可提供與製造設備124相關聯(例如,與製造設備124的生產如晶圓的相對應產品相關聯)的感測器資料142。例如,感測器資料142可用於設備健康及/或產品健康(例如,產品品質)。製造設備124可按照配方生產產品或在一段時間內執行運行。在一些實施例中,感測器資料142可包括溫度(例如,加熱器溫度)、間距(SP)、壓力、高頻射頻(HFRF)、靜電卡盤電壓(ESC)、電流、(例如,一種或多種氣體的)流量、功率、電壓等等中的一者或多者。感測器資料142可包括歷史感測器資料144和當前感測器資料146。可根據製造資料150來配置製造設備124。製造資料150可與製造參數相關聯或指示製造參數,製造參數如製造設備的硬體參數(例如,製造設備124的設置或組件(例如,尺寸和類型等))及/或製造設備的處理參數。製造資料150可包括歷史製造資料152及/或當前製造資料154。製造資料150可指示製造裝置的輸入設置(例如,加熱器功率和氣流等等)。可在製造設備124正在執行製造處理的同時提供感測器資料142及/或製造資料150(例如,在處理產品時的設備讀數)。對於每個產品(例如,每個晶圓)而言,感測器資料142可能為不同的。
在一些實施例中,可(例如,藉由客戶端裝置120及/或藉由壓縮感測伺服器112)處理感測器資料142、計量資料169及/或製造資料150。感測器資料142的處理可包括:生成特徵。在一些實施例中,特徵是感測器資料142、計量資料169及/或製造資料150中的圖案(例如,斜率、寬度、高度和峰值等)或來自感測器資料142、計量資料196及/或製造資料150的值的組合(例如,從電壓和電流得到的功率等等)。感測器資料142可包括特徵,且這些特徵可由壓縮感測組件114用於執行信號處理及/或用於獲得預測資料168及/或壓縮感測資料166,及可能用於執行校正動作。壓縮感測資料166可以是與壓縮感測系統110相關聯的任何資料,例如在製造處理期間在基板位置處的預測的感測器資料。
感測器資料142的每個實例(例如,組)可對應於產品(例如,晶圓)、一組製造設備、由製造設備所生產的基板類型和上述的組合等等。計量資料169和製造資料150的每個實例同樣可對應於產品、一組製造設備、由製造設備所生產的基板類型和上述的組合等等。資料存儲可進一步存儲與成組的不同資料類型相關聯的資訊,例如指示一組感測器資料、一組計量資料及/或一組製造資料的資訊皆與相同產品、製造設備和基板類型等等相關聯。
在一些實施例中,壓縮感測系統110可使用監督式機器學習來生成壓縮感測資料166(例如,包括在壓縮感測系統110中所提供的虛擬感測器資料的目標輸出等等)。
客戶端裝置120、製造設備124、感測器126、計量設備128、壓縮感測伺服器112、資料存儲140、伺服器機器170和伺服器機器180可藉由網路130彼此耦合以生成壓縮感測資料166及/或預測資料168,及可選地以執行校正動作。
在一些實施例中,網路130是向客戶端裝置120提供對壓縮感測伺服器112、資料存儲140及/或其他公共可用計算裝置的存取的公共網路。在一些實施例中,網路130是向客戶端裝置120提供對製造設備124、感測器126、計量設備128、資料存儲140及/或其他私有可用計算裝置的存取的私有網路。網路130可包括一個或多個廣域網路(WAN)、區域網路(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)、蜂窩式網路(例如,長期演進(LTE)網路)、路由器、集線器、交換器、伺服器電腦、雲端計算網路及/或上述的組合。
客戶端裝置120可包括計算裝置,如個人電腦(PC)、膝上型電腦、行動電話、智慧型電話、平板電腦、小筆電、網路連接的電視(「智慧型電視」)、網路連接的媒體播放器(例如,藍光播放器)、機上盒、過頂服務(OTT)串流裝置和接線盒等等。客戶端裝置120可包括校正動作組件122。校正動作組件122可(例如,藉由經由客戶端裝置120所顯示的圖形使用者介面(GUI))接收與製造設備124相關聯的指示的使用者輸入。在一些實施例中,校正動作組件122將指示傳輸到壓縮感測系統110、自壓縮感測系統110接收輸出(例如,壓縮感測資料166)、基於輸出來決定校正動作並使校正動作經實施。
在一些實施例中,壓縮感測系統110可進一步包括預測組件116。預測組件116可獲取從壓縮感測組件114檢索到的資料以生成預測資料168。在一些實施例中,預測組件116向客戶端裝置120提供預測資料168,且客戶端裝置120根據預測資料168藉由校正動作組件122而引起校正動作。在一些實施例中,校正動作組件122 (例如,從資料存儲140等等)獲得與製造設備124相關聯的感測器資料142(例如,當前感測器資料146),並將與製造設備124相關聯的感測器資料142 (例如,當前感測器資料146)提供給壓縮感測系統110。
在一些實施例中,校正動作組件122將感測器資料142存儲在資料存儲140中,且壓縮感測伺服器112從資料存儲140檢索感測器資料142。在一些實施例中,壓縮感測伺服器112可存儲(多個)經訓練的機器學習模型190的輸出(例如,壓縮感測資料166)於資料存儲140中,且客戶端裝置120可從資料存儲140檢索輸出。在一些實施例中,校正動作組件122從壓縮感測系統110接收校正動作的指示,並使校正動作經實施。每個客戶端裝置120可包括作業系統,作業系統允許使用者執行生成、查看或編輯資料(例如,與製造設備124相關聯的指示和與製造設備124相關聯的校正動作等等)中的一者或多者。
在一些實施例中,計量資料192對應於產品(例如,使用與歷史感測器資料144和歷史製造資料152相關聯的製造參數產生的產品)的歷史屬性資料,且預測資料168與(例如,在當前感測器資料146及/或當前製造資料154記錄的狀態下要生產的產品或已經生產的產品的)預測的屬性資料相關聯。在一些實施例中,預測資料168是根據經記錄為當前感測器資料146及/或當前製造資料154的狀態要生產或已經生產的產品的預測的計量資料(例如,虛擬的計量資料)。在一些實施例中,預測資料168是或包括異常(例如,異常的產品、異常的組件、異常的製造設備和異常的能量使用等等)及/或異常的一個或多個原因的指示。在一些實施例中,預測資料168包括製造設備124、感測器126和計量設備128等等的一些組件中隨時間變化或漂移的指示。在一些實施例中,預測資料168包括製造設備124、感測器126、計量設備128等等的部件壽命結束的指示。
執行導致有缺陷產品的製造處理在時間、能源、產品、組件、製造設備124、識別缺陷和丟棄有缺陷產品的成本等方面可能是昂貴的。藉由輸入感測器資料142(例如,用於製造產品的製造參數)、接收壓縮感測資料166的輸出及基於壓縮感測資料166執行校正動作,系統100可具有避免生產、識別和丟棄有缺陷產品的成本的技術優勢。
執行導致製造設備124的組件發生故障的製造處理在停機、產品損壞、設備損壞、快速訂購替換組件等方面的成本可能很高。藉由輸入感測器資料142 (例如,正在使用或將被用於製造產品的製造參數)、接收壓縮感測資料166的輸出、隨時間比較來自同一腔室的壓縮感測資料集以診斷漂移或故障組件(經記錄為預測資料 168)並基於預測資料168來執行校正動作(例如,預測的操作維護,如組件的更換、處理和清潔等),系統100可具有避免一或多個意外組件故障、計劃外停機時間、生產力損失、意外的設備故障和產品報廢等等的成本的技術優勢。隨著時間的推移監控組件(如製造設備124、感測器126、計量設備128等等)的性能,可提供組件劣化的指示。
對於生產可能具有高昂成本的產品來說,製造參數有可能是次佳的,高昂成本係源自於資源(例如,能源、冷卻劑和氣體等等)消耗增加、生產產品的時間量增加、組件故障增加和缺陷產品數量增加等等。藉由將感測器資料142輸入至經訓練的機器學習模型190中、接收壓縮感測資料166的輸出並(例如,基於壓縮感測資料166)執行更新製造參數的校正動作(例如,設置最佳的製造參數),系統100可具有使用最佳的製造參數(例如,硬體參數、處理參數和最佳設計)以避免源自於次佳的製造參數的高昂成本的技術優勢。
校正動作可與計算過程控制(CPC)、統計過程控制(SPC)(例如,用於決定受控過程的電子組件的SPC、用於預測組件使用壽命的SPC及用於比較3-sigma圖的SPC等等)、高級過程控制(APC)、基於模型的過程控制、預防性操作維護、設計最佳化、製造參數更新、製造配方更新、反饋控制、機器學習修改或諸如此類中的一者或多者相關聯。
在一些實施例中,校正動作包括提供警報(例如,若壓縮感測資料166或預測資料168指示預測異常(如產品、組件或製造設備124的異常)則停止或不執行製造處理的警報)。在一些實施例中,校正動作包括提供反饋控制(例如,回應於指示異常的壓縮感測資料166或預測資料168來修改製造參數)。在一些實施例中,校正動作包括提供機器學習(例如,基於預測資料168修改一個或多個製造參數)。在一些實施例中,校正動作的執行包括引起對一個或多個製造參數的更新。
製造參數可包括硬體參數(例如,更換組件、使用某些組件、更換處理晶片和更新韌體等等)及/或處理參數(例如,溫度、壓力、流量、速率、電流、電壓、氣體流量和提升速度等等)。在一些實施例中,校正動作包括引起預防性操作維護(例如,更換、處理和清潔製造設備124的組件等等)。在一些實施例中,校正動作包括引起設計最佳化(例如,為最佳化產品而更新製造參數、製造處理和製造設備124等等)。在一些實施例中,校正動作包括更新配方(例如,製造設備124處於空閒模式、睡眠模式和預熱模式等等)。
壓縮感測伺服器112、伺服器機器170和伺服器機器180各自可包括一個或多個計算裝置,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(GPU)、加速器專用積體電路(ASIC)(例如,張量處理單元(TPU))等等。
壓縮感測伺服器112可包括壓縮感測組件114。在一些實施例中,壓縮感測組件114可接收當前感測器資料146及/或當前製造資料154(例如,從客戶端裝置120接收、從資料存儲140檢索)並生成輸出(例如,壓縮感測資料166),以基於當前資料執行與製造設備124相關聯的校正動作。在一些實施例中,壓縮感測組件114可使用一個或多個經訓練的機器學習模型190來決定輸出,以基於當前資料執行校正動作。
壓縮感測伺服器112亦可包括預測組件116。預測組件116可用於產生預測資料168。在一些實施例中,預測資料168包括製造設備124的組件老化和退化等等的指示。在一些實施例中,預測組件116在給定製造腔室內部狀態的虛擬測量的情況下可結合壓縮感測資料166來決定晶圓屬性的預測。在一些實施例中,預測組件116包括機器學習模型。
在一些實施例中,將感測器資料142提供給經訓練的機器學習模型190。機器學習模型190經訓練以基於輸入感測器資料142輸出指示鄰近製造腔室中的基板位置的屬性值(例如,在製造腔室中的基板位置處的屬性值)的資料。模型190在一些實施例中可利用稀疏迴歸演算法。在一些實施例中,機器學習模型190將來自經佈置在製造腔室內的位置處的多個感測器的溫度資料作為輸入。在一些實施例中,至少大部分的感測器不在基板位置處。例如,可將溫度感測器設置在靠近氣體入口、排氣管道、基板支撐件和腔室壁等等的各個位置處。模型190接著生成腔室內的所有點處的溫度資料作為輸出。在一些實施例中,模型190可生成在腔室中的感興趣區域處的屬性值(其不包括在不感興趣的其它區域處的屬性值)作為輸出;腔室中的感興趣區域包括至少鄰近基板的位置。產生僅與腔室內的位置的子集有關的資料提供了利用較少感測器126來可靠地虛擬測量基板上的屬性值的技術優勢。
在一些實施例中,模型190生成一組係數作為輸出。這些係數作為權重,以生成基準集成員的加權相加組合。基準集的加權加性組合指示製造腔室中的屬性值的映射。在實施例中,模型190使用的基準集由伺服器機器170的降階模型生成器174生成。可將基準集保存為資料存儲140的降階基準資料164。可使用少量基準集的成員(例如,模型190輸出的少量係數為非零)以表示製造腔室中用於不同製造輸入參數的屬性值映射的方式來選擇基準集。決定由模型190輸出的非零係數的數量的參數值可在訓練模型190的期間決定。
在一些實施例中,降階模型生成器174根據基於物理的模型176的輸出而生成基準集。在一些實施例中,基於物理的模型176用於求解方程式,該等方程式係描述製造腔室在各種輸入參數(提供給加熱器的功率、氣體混合物和氣體流量等等)下的穩定狀態條件。所選擇的輸入參數可跨越經認為與基板生產相關的參數空間區域。對於輸入資料的每個變化,基於物理的模型176生成對應於給定輸入資料下在製造腔室中處於穩定狀態的預測屬性值的屬性值的映射。對應於基於物理的模型的資料可作為基於物理的模型資料160而經存儲在資料存儲140中,其包括將所產生的屬性值的映射存儲為模型屬性映射資料162。降階模型生成器174將由基於物理的模型176產生的一組屬性值映射(其可從資料存儲140的模型屬性映射資料162中檢索)作為輸入。降階模型生成器174生成描述屬性值映射組的基準集。將經生成的基準集存儲為資料存儲140的降階基準資料164。降階模型生成器174可以使用適當的正交分解演算法生成基準集。
歷史感測器資料144可與當前感測器資料146和製造資料150結合使用以偵測製造設備124的組件的漂移、變化和老化等等。預測組件116可使用這些資料類型的組合和比較以生成預測資料168。在一些實施例中,預測資料168包括預測製造設備124、感測器126等等的組件的壽命的資料。
結合稀疏迴歸和基於物理的模型提供了優於其他技術的技術優勢。精確的基於物理的模型提供了製造腔室中屬性值的可靠映射。然而,由於製造公差範圍和組件老化等等原因,並不總是可以完美地對製造腔室建模。例如,加熱器可能提供比預期稍少或更多的能量、氣體流量調節器可能不允許精確選擇流速和腔室中表面之間的接觸可能不太理想等諸如此類。使用者可能不知道此類變化,並且可能無法在純基於物理的模型中捕獲此類變化。藉由藉由壓縮感知實現執行虛擬測量的機器學習稀疏迴歸模型,可以克服這些限制。在跨越參數空間區域的各種輸入參數上訓練機器學習模型。可藉由內插來解釋腔室內實際狀態在訓練機器學習模型進行操作的參數空間的範圍內的變化(其係由於如上所述的模型中的不準確性),且可藉由外插來解釋以某種方式在參數空間區域之外的用於訓練機器學習模型的設置。以此方式,可以將腔室操作狀態的意外變化結合至壓縮感測系統110的結果中。
在一些實施例中,壓縮感測組件114接收當前感測器資料146,且可執行如提取資料中的模式或將資料組合成新的複合資料的預處理。壓縮感測組件114接著可將資料提供給經訓練的機器學習模型190作為輸入。壓縮感測組件114可從經訓練的機器學習模型190接收屬性值的映射,其包括基板位置處的值。壓縮感測組件114接著可使校正動作發生。校正動作可包括向客戶端裝置120發送警報。校正動作亦可包括更新製造設備124的製造參數。校正動作亦可包括生成預測資料168,其指示腔室或儀器漂移、老化或故障。
資料存儲140可以是記憶體(例如,隨機存取記憶體)、驅動器(例如,硬碟驅動器和快閃驅動器)、資料庫系統或能夠存儲資料的另一類型的組件或裝置。資料存儲140可包括可跨越多個計算裝置(例如,多個伺服器電腦)的多個存儲組件(例如,多個驅動器或多個資料庫)。資料存儲140可存儲感測器資料142、製造資料150、基於物理的模型資料160、壓縮感測資料166、預測資料168和計量資料169。感測器資料142可包括歷史感測器資料144和當前感測器資料146。感測器資料可包括製造過程期間的感測器資料時間軌跡、資料與物理感測器的關聯、如平均值和複合資料的預處理資料,和指示感測器效能隨時間變化(即,許多製造過程)的資料。製造資料150和計量資料169可包含相似的特徵。歷史感測器資料144和歷史製造資料152可以是歷史資料(例如,用於訓練機器學習模型190的至少一部分資料)。當前感測器資料146可以是要為其生成(例如,以用於執行校正動作的)壓縮感測資料166的當前資料(例如,在歷史資料之後要輸入到訓練機器學習模型190中的至少一部分資料)。計量資料169可以是生產基板的計量資料,以及對應於那些產品的感測器資料、製造資料和模型資料。計量資料169可用於設計用於製造另外基板的處理。預測資料168可包括對可從一組輸入參數產生什麼計量資料的預測。預測資料168亦可包括指示系統100的組件隨時間老化和失效的資料。
在一些實施例中,壓縮感測系統110進一步包括伺服器機器170和伺服器機器180。伺服器機器170包括資料集生成器172,資料集生成器172能夠生成資料集(例如,一組資料輸入和一組目標輸出)以訓練、驗證及/或測試機器學習模型190。在下文關於圖2和圖4A詳細描述資料集生成器172的一些操作。在一些實施例中,資料集生成器172可將歷史資料(例如,歷史感測器資料144、歷史製造資料152)和物理模型資料(例如,模型屬性映射資料162、降階基礎資料164)劃分為訓練集(例如,百分之六十的資料)、驗證集(例如,百分之二十的資料)和測試集(例如,百分之二十的資料)。在一些實施例中,壓縮感測系統110(例如,藉由壓縮感測組件114)生成多組特徵。例如,第一組特徵可對應於第一組類型的感測器資料(例如,來自第一組感測器、來自第一組感測器的值的第一組合和來自第一組感測器的值的第一模式),第一組類型的感測器資料對應於每個資料集(例如,訓練集、驗證集和測試集),且第二組特徵可對應於第二組類型的感測器資料(例如,來自不同於第一組感測器的第二組感測器、與第一組合不同的第二組合的值和第一模式不同的第二模式),第二組類型的感測器資料對應於每個資料集。
伺服器機器180包括訓練引擎182、驗證引擎184、選擇引擎185及/或測試引擎186。引擎(例如,訓練引擎182、驗證引擎184、選擇引擎185和測試引擎186)可以指硬體(例如,電路系統、專用邏輯、可程式化邏輯、微代碼和處理裝置等等)、軟體(如在處理裝置、通用電腦系統或專用機器上運行的指令)、韌體、微代碼或上述的組合。訓練引擎182可能夠使用與來自資料集生成器172的訓練集相關聯的一組或多組特徵來訓練機器學習模型190。訓練引擎182可生成多個訓練的機器學習模型190,其中每個經訓練的機器學習模型190對應於訓練集的一組不同特徵(例如,來自一組不同的感測器的感測器資料)。例如,可能已使用所有特徵(例如,X1-X5)對第一經訓練的機器學習模型進行訓練、可能已使用特徵的第一子集(例如,X1、X2、X4)對第二經訓練的機器學習模型進行訓練,且可能已使用可與特徵的第一子集部分重疊的特徵的第二子集(例如,X1、X3、X4和X5)對第三經訓練的機器學習模型進行訓練。資料集生成器172可接收經訓練的機器學習模型(例如,190)的輸出、將該資料收集到訓練資料集、驗證資料集和測試資料集中,並使用這些資料集來訓練第二機器學習模型。
驗證引擎184可能夠使用來自資料集生成器172的驗證集的相應特徵集來驗證經訓練的機器學習模型190。例如,可使用驗證集的第一組特徵來驗證使用訓練集的第一組特徵來訓練的第一經訓練的機器學習模型190。驗證引擎184可基於驗證集的對應特徵組來決定每個經訓練的機器學習模型190的準確度。驗證引擎184可丟棄其準確度不滿足閾值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可能夠選擇一個或多個其準確度滿足閾值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可能夠選擇在訓練機器學習模型190中具有最高準確度的經訓練的機器學習模型190。
測試引擎186可能夠使用來自資料集生成器172的測試集的相應組特徵來測試經訓練的機器學習模型190。例如,可使用測試集的第一組特徵來測試使用訓練集的第一組特徵訓練的第一經訓練的機器學習模型190。測試引擎186可基於測試集來決定在所有經訓練的機器學習模型中具有最高準確度的經訓練的機器學習模型190。
機器學習模型190可指代由訓練引擎182使用包括資料輸入和對應目標輸出(相應訓練輸入的正確答案)的訓練集所創建的模型構件(model artifact)。可找到將資料輸入映射到目標輸出(正確答案)的資料集中的模式,且機器學習模型190提供捕獲這些模式的映射。在一些實施例中,機器學習模型190利用稀疏迴歸演算法根據佈置在製造腔室中的感測器所提供的多個值來重建製造腔室中的基板上的屬性值,至少大部分的感測器不位於基板的位置處。在一些實施例中,機器學習模型190可使用LASSO迴歸來生成製造腔室中的屬性值。
壓縮感測組件114可向經訓練的機器學習模型190提供當前感測器資料146,且可在輸入上運行經訓練的機器學習模型190以獲得一個或多個輸出。壓縮感測組件114能夠從經訓練的機器學習模型190的輸出決定(例如,提取)壓縮感測資料166,且可從輸出中決定(例如,提取)信賴度資料;信賴度資料指示壓縮感測資料166是與在當前感測器資料146下使用製造設備124生產或將生產的產品的輸入資料相關聯的過程的準確預測器的信心位凖。預測組件116能夠決定預測資料168,預測資料168包括基於模型190的輸出對成品基板屬性的預測和製造設備124的組件、感測器126、或計量設備128的有效壽命的預測。預測組件116能夠決定信賴度資料;信賴度資料指示預測資料168是指定事件的準確預測器的信心位凖。壓縮感測組件114、預測組件116或校正動作組件122可使用信賴度資料來基於壓縮感測資料166及/或預測資料168來決定是否引起與製造設備124相關聯的校正動作。
信賴度資料可包括或指示信心位凖。作為示例,預測資料168可指示給定一組製造輸入的成品晶圓的屬性。信賴度資料可指示預測資料168是對與輸入資料的至少一部分相關聯的產品的準確預測。在一個示例中,信心位凖是介於0和1之間的實數,其中0表示不相信預測資料168是根據輸入資料處理的產品的準確預測,而1表示絕對相信預測資料168準確預測根據輸入資料處理產品的屬性。回應於對於預定數量的實例(例如,實例的百分比、實例的頻率、實例的總數等)指示低於閾值位凖的信心位凖的信賴度資料,預測組件116可使經訓練的機器學習模型190(例如,基於當前感測器資料146、當前製造資料154等等)被重新訓練。
為了說明而非限制的目的,本申請案的態樣描述使用歷史資料(例如,歷史感測器資料144、歷史製造資料152)的一個或多個經訓練的機器學習模型190的訓練和將當前資料(例如,當前感測器資料146、當前製造資料154)輸入到一個或多個經訓練的機器學習模型190以決定壓縮感測資料166。在其他實施中,使用啟發式模型或基於規則的模型來決定壓縮感測資料(例如,在沒有使用經訓練的機器學習模型的情況下,控制擬合稀疏度的參數值可能是指定(而不是訓練)而來)。壓縮感測組件114和預測組件116可監控歷史感測器資料144、歷史製造資料152和計量資料169。可在啟發式模型或基於規則的模型中監視或以其他方式使用關於圖2的資料輸入210所描述的任何資訊。
在一些實施例中,可由較少數量的機器提供客戶端裝置120、壓縮感測伺服器112、伺服器機器170和伺服器機器180的功能。例如,在一些實施例中,可將伺服器機器170和伺服器機器180整合到單個機器中,而在一些其他實施例中,可將伺服器機器170、伺服器機器180和壓縮感測伺服器112整合到單個機器中。在一些實施例中,可將客戶端裝置120和壓縮感測伺服器112整合到單個機器中。
一般來說,在一個實施例中描述為由客戶端裝置120、壓縮感知伺服器112、伺服器機器170和伺服器機器180執行的功能在其他實施例中也可在壓縮感知伺服器112上執行,若合適的話。此外,可由不同或多個組件一起操作來執行歸屬於特定組件的功能。例如,在一些實施例中,壓縮感測伺服器112可基於預測資料168來決定校正動作。在另一個示例中,客戶端裝置120可基於來自經訓練的機器學習模型的輸出來決定預測資料168。
此外,可由不同或多個組件一起操作來執行特定組件的功能。可將壓縮感測伺服器112、伺服器機器170或伺服器機器180中的一者或多者作為藉由適當的應用程式介面(API)提供給其他系統或設備的服務來存取。
在實施例中,可將「使用者」表示為單個個體。然而,本申請案的其他實施例涵蓋為複數個使用者及/或自動化源所控制的實體的「使用者」。例如,可將聯合作為一組管理員的一組個人使用者視為「使用者」。
可將本申請案的實施例應用於資料品質評估、特徵增強、模型評估、虛擬計量(VM)、預測維護(PdM)和極限最佳化等諸如此類。
儘管係根據生成壓縮感測資料166和預測資料168以在製造設施(例如,半導體製造設施)中執行校正動作來討論本申請案的實施例,但亦可藉由利用基於物理資訊的虛擬測量和壓縮感測將實施例一般應用於改進的資料處理。通常可將實施例應用於基於不同類型的資料的表徵和監控。
圖2是根據某些實施例之用於為機器學習模型(例如圖1的模型190)創建資料集的示例性的資料集生成器272(例如,圖1的資料集生成器172)的方框圖。資料集生成器272可以是圖1的伺服器機器170的一部分。在一些實施例中,圖1的系統100包括多個機器學習模型。在這種情況下,每個模型皆可具有單獨的資料集生成器;或者,模型可共享資料集生成器。
如圖2所示,包含資料集生成器272(例如,圖1的資料集生成器172)的系統200為機器學習模型(例如,圖1的模型190)創建資料集。資料集生成器272可使用作為來自電腦輔助的基於物理的模型的輸出的檢索出的資料來創建資料集。在一些實施例中,資料集生成器272藉由選擇基於物理的模型中的點的子集(例如,圖1的模型屬性映射資料162的點的子集,及來自圖1的基於物理的模型176的輸出)來創建訓練輸入。例如,基於物理的模型的輸出可以是腔室內所有位置的溫度的映射。資料集生成器272可藉由從多個這些位置提取溫度值來形成訓練集。用作訓練輸入的位置對應於製造腔室中感測器(例如,圖1的感測器126)的位置。這些感測器的放置可能已經由使用者選擇,或者可能已由經過訓練以最佳化感測器在製造腔室中的放置以進行壓縮感測的機器學習模型輸出。在一些實施例中,訓練輸入210是表示可由物理感測器所獲取的資料的模擬資料,其包括模擬感測器資料集262A-262Z。資料集生成器272亦生成用於訓練機器學習模型的目標輸出220。目標輸出包括製造腔室中的屬性值230的映射,製造腔室中的屬性值230包括遠離腔室中感測器位置的屬性值。在一些實施方式中,目標輸出220包括腔室中鄰近基板位置的屬性的映射。屬性值230的映射可包括整個腔室中的值、高度感興趣區域中的值和僅鄰近基板的值等。將輸入訓練資料210和目標輸出資料220提供給機器學習模型(例如,圖1的模型190)。
以各種不同方式表示的目標輸出220在本申請案的範圍內。屬性值230的映射可以是遠離虛擬感測器位置的屬性值的虛擬測量值;或者屬性值230的映射可以是指示要應用於降階模型中的基準集成員以生成虛擬測量值的權重的係數。
參考圖2,在一些實施例中,資料集生成器272生成資料集(例如,訓練集、驗證集和測試集);資料集包括一個或多個資料輸入210(例如,訓練輸入、驗證輸入和測試輸入)且可包括對應於資料輸入210的一個或多個目標輸出220。資料集亦可包括將資料輸入210映射到目標輸出220的映射資料。亦可將資料輸入210也稱為「特徵」、「屬性」或「資訊」。在一些實施例中,資料集生成器272可將資料集提供給圖1的訓練引擎182、驗證引擎184或測試引擎186,其中資料集用於訓練、驗證或測試圖1的機器學習模型190。可參考圖4A來進一步描述生成訓練集的一些實施例。
在一些實施例中,資料集生成器272可生成對應於第一組模擬感測器資料262A的第一資料輸入以訓練、驗證或測試第一機器學習模型,且資料集生成器272可生成對應於第二組模擬感測器資料262B的第二資料輸入以訓練、驗證或測試第二機器學習模型。
在一些實施例中,資料集生成器272可對資料輸入210和目標輸出220中的一者或多者執行操作。資料集生成器272可從資料(斜率和曲率等等)中提取模式、可組合資料(取平均和特徵產出等等),或可將模擬感測器分成多組以訓練單獨模型。
用於訓練、驗證或測試機器學習模型的資料輸入210和目標輸出220可包括用於特定製造腔室(例如,特定的半導體晶圓製造腔室)的資訊。資料輸入210和目標輸出220可包括用於特定製造腔室設計(例如,用於此設計的所有腔室)的資訊。
在一些實施例中,用於訓練機器學習模型的資訊可來自具有特定特性的製造設施的特定類型的製造設備(例如,圖1的製造設備124),且用於訓練機器學習的資訊允許經訓練的機器學習模型能夠基於與一個或多個共享特定組的特性的組件相關聯的當前感測器資料(例如,當前感測器資料146)的輸入,來決定特定組的製造設備124的結果。在一些實施例中,用於訓練機器學習模型的資訊可用於來自兩個或更多個製造設施的組件,且可允許經訓練的機器學習模型基於來自一個製造設施的輸入來決定組件的結果。
在一些實施例中,在生成資料集並使用資料集訓練、驗證或測試機器學習模型之後,可進一步訓練、驗證或測試或調整機器學習模型。
圖3是示出根據某些實施例之用於生成輸出資料(例如,圖1的壓縮感測資料166)的系統300的方框圖。系統300可用於在製造處理期間使用來自遠離基板設置的多個感測器的輸入和壓縮感測技術來虛擬測量鄰近基板的屬性值。
參考圖3,在方框310處,系統300(例如,圖1的壓縮感測系統110的組件) (例如,藉由圖1的伺服器機器170的資料集生成器172)執行電腦輔助的基於物理的模型資料360的資料分割(例如,從完整模型資料集中提取模擬感測器資料362),以生成訓練集302、驗證集304和測試集306。例如,訓練集可以是模擬資料的60%,驗證集可以是模擬資料的20%,而測試集可以是模擬資料的20%。
在方框312處,系統300A(例如,藉由圖1的訓練引擎182)使用訓練集302執行模型訓練。系統300可使用訓練集302的多組特徵(例如,包括訓練集302的一組模擬感測器的第一組特徵和包括訓練集302的不同組模擬感測器的第二組特徵等等)來訓練多個模型。例如,系統300可訓練機器學習模型以使用訓練集中的第一組特徵生成第一經訓練的機器學習模型,並使用訓練集中的第二組特徵生成第二經訓練的機器學習模型(例如,與用於訓練第一機器學習模型的資料不同的資料)。在一些實施例中,可組合第一經訓練的機器學習模型和第二經訓練的機器學習模型以生成第三經訓練的機器學習模型(例如,第三經訓練的機器學習模型可以是比第一或第二經訓練的機器學習模型本身更好的預測器)。在一些實施例中,用於比較模型的特徵集可重疊(例如,可用模擬感測器1-15訓練一個模型,並用模擬感測器10-20訓練第二模型)。在一些實施例中,可生成數百個模型,其包括具有各種特徵排列的模型和模型組合。
在方框314處,系統300使用驗證集304執行模型驗證(例如,藉由圖1的驗證引擎184)。系統300可使用驗證集的相應特徵集來驗證每個訓練模型304。例如,驗證集304可使用在訓練集302中使用的相同模擬感測器子集但用於不同的輸入狀態。在一些實施例中,系統300A可驗證在方框312生成的數百個模型(例如,具有各種特徵排列的模型和模型組合等等)。在方框314處,系統300可決定一或多個經訓練的模型中的每一者的準確度(例如,藉由模型驗證),且可決定一個或多個經訓練的模型是否具有滿足閾值準確度的準確度。回應於決定沒有一個訓練模型具有滿足閾值準確度的準確度,流程返回到方框312,其中系統300使用訓練集的不同特徵集來執行模型訓練。回應於決定一個或多個經訓練的模型具有滿足閾值準確度的準確度,流程繼續到方框316。系統300可(例如,基於驗證集)丟棄其準確度低於閾值準確度的的經訓練的機器學習模型。
在方框316處,系統300(例如,藉由圖1的選擇引擎185)執行模型選擇,以決定一個或多個滿足閾值準確度的經訓練模型中的哪一者具有最高準確度(例如,所選模型308,基於方框314的驗證)。回應於決定的兩個或更多個滿足閾值準確度的經訓練模型具有相同的準確度,流程可返回到方框312,其中系統300使用與進一步精煉(refined)的特徵集相對應的進一步精煉訓練集來執行模型訓練,以決定具有最高準確度的經訓練的模型。
在方框318處,系統300使用測試集306執行模型測試(例如,藉由圖1的測試引擎186),以測試所選模型308。系統300可使用測試集中的第一組特徵(例如,模擬感測器1-15)來測試第一經訓練的機器學習模型,以決定第一經訓練的機器學習模型滿足閾值準確度(例如,基於測試集306的第一組特徵)。回應於所選模型308的準確度不滿足閾值準確度(例如,所選模型308過度擬合訓練集302及/或驗證集304,且所選模型308不適用於如測試集306的其他資料集),流程繼續到方框312,其中系統30A使用可能對應於不同特徵集的不同訓練集或拆分為訓練、驗證和測試集的基板的重組來執行模型訓練(例如,再訓練)。回應於基於測試集306決定所選模型308其準確度滿足閾值準確度,流程繼續到方框320。至少在方框312中,模型可學習模擬感測器資料中的模式以進行預測,且在方框318中,系統300可將模型應用於剩餘資料(例如,測試集306)以測試預測。
在方框320中,系統300使用經訓練的模型(例如,選定模型308)來接收當前感測器資料346 (例如,圖1的當前感測器資料146),且系統300從經訓練的模型、壓縮感測資料366(例如,圖1的壓縮感測資料166)決定(例如,萃取)以執行動作(例如,執行與圖的製造設備124相關聯的校正動作、向圖1的客戶端裝置120提供警告等等)。
在一些實施例中,藉由提供額外資料來進一步訓練模型而發生機器學習模型的再訓練。可在方框312處提供當前感測器資料352。也可提供附加的基於物理的模型資料361。這些資料藉由結合不屬於原始訓練的輸入參數與由原始訓練所跨越的參數空間之外的輸入參數的組合,或這些資料可經更新以反映腔室特定知識(例如,由於製造公差範圍、老化組件等等與理想腔室的差異)而可能與最初用於訓練模型的資料不同。可基於此資料重新訓練所選模型308。
在一些實施例中,動作310至320中的一者或多者可用各種順序及/或與本文未呈現和描述的其他動作一起發生。在一些實施例中,可不執行動作310至320中的一者或多者。例如,在一些實施例中,可不執行方框310的資料劃分、方框314的模型驗證、方框316的模型選擇或方框318的模型測試中的一者或多者。
圖4A至圖4C是根據某些實施例的與生成壓縮感測資料以引起校正動作相關聯的方法400A至方法400C的流程圖。可由處理邏輯來執行方法400A至方法400C;處理邏輯可包括硬體(例如,電路系統、專用邏輯、可程式化邏輯、微代碼和處理裝置等等)、軟體(如在處理裝置、通用電腦系統或專用機器上運行的指令)、韌體、微代碼或上述的組合。在一些實施例中,方法400A至方法400C可部分地由壓縮感測系統110執行。方法400A可部分地由壓縮感測系統110(例如,圖1的伺服器機器170和資料集生成器172和圖2的資料集生成器272)執行。根據本申請案的實施例,壓縮感測系統110可使用方法400A來生成資料集以執行以下步驟中的至少一者,該等以下步驟為:訓練機器學習模型、驗證機器學習模型,或測試機器學習模型。方法400B可由伺服器機器180(例如,訓練引擎182等等)執行。方法400C可由壓縮感測伺服器112(例如,壓縮感測組件114)執行。在一些實施例中,非暫時性存儲媒體存儲指令,當由(例如,壓縮感測系統110、伺服器機器180、壓縮感測伺服器112等等的)處理裝置執行指令時,處理指令使處理裝置執行方法400A至方法400C中的一者或多者。
為了易於解釋,將方法400A至方法400C描繪和描述為一系列操作。然而,根據本申請案的操作可用各種順序及/或與本文未呈現和描述的其他操作同時發生。此外,並非要執行所有圖示出的操作以根據所揭露的標的來實施方法400A至方法400C。此外,所屬技術領域中具有通常知識者將理解和明白,可替代地藉由狀態圖或事件將方法400A至方法400C表示為一系列相互關聯的狀態。
圖4A是根據某些實施例的用於生成用於機器學習模型的資料集的方法400A的流程圖,該機器學習模型用於生成壓縮感測資料(例如,圖1的壓縮感測資料166)。
參照圖4A,在一些實施例中,在方框401處,實現方法400A的處理邏輯將訓練集T初始化為空集。
在方框402處,處理邏輯生成第一資料輸入(例如,第一訓練輸入、第一驗證輸入);第一資料輸入可包括感測器資料(例如,圖2的模擬感測器資料262)等等。在一些實施例中,第一資料輸入可包括用於資料類型的第一組特徵,且第二資料輸入可包括用於資料類型的第二組特徵(例如,如關於圖3所描述的那些特徵)。
在方框403處,處理邏輯為一個或多個資料輸入(例如,第一資料輸入)生成第一目標輸出。在一些實施例中,第一目標輸出是作為基於物理的模型的輸出所接收的屬性值。在一些實施例中,目標輸出可以是指示降階模型中的基準集成員的加權加法組合的係數。
在方框404處,處理邏輯可選地生成指示輸入/輸出映射的映射資料。輸入/輸出映射(或映射資料)可指資料輸入(例如,本文所述的資料輸入中的一者或多者)、資料輸入的目標輸出和(多個)資料輸入和目標輸出之間的關聯。
在方框405處,處理邏輯在一些實施例中將在方框404處生成的映射資料添加到資料集T。
在方框406處,處理邏輯基於資料集T是否足以用於進行以下步驟中的至少一者而分支,該等以下步驟為:訓練圖1的機器學習模型190、驗證圖1的機器學習模型190及/或測試圖1的機器學習模型190。若可以,則執行進行到方框407;否則,執行返回到方框402繼續。應注意的是,在一些實施例中,可簡單地基於在一些實施例中映射至資料集中的輸出的輸入的數量來決定資料集T的充分性,而在一些其他實施方式中,可基於除了(或者,代替)輸入的數量外的一個或多個其他標準(例如,資料示例的多樣性的量測、和準確性等等)來決定資料集T的充分性。
在方框407處,處理邏輯提供資料集T (例如,到圖1的伺服器機器180)以訓練、驗證及/或測試機器學習模型190。在一些實施例中,資料集T是訓練集,且將資料集T提供給伺服器機器180的訓練引擎182以執行訓練。在一些實施例中,資料集T是驗證集,且將資料集T提供給伺服器機器180的驗證引擎184以執行驗證。在一些實施例中,資料集T是測試集,且將資料集T提供給伺服器機器180的測試引擎186以執行測試。在稀疏迴歸機器學習模型的情況下,將給定輸入/輸出映射的輸入值(例如,與圖2的資料輸入210相關聯的數值)輸入到稀疏迴歸模型,且將輸入/輸出映射的輸出值(例如,與圖2的目標輸出220相關聯的數值)存儲為目標輸出。此外,將表示降階模型的基準集提供給稀疏迴歸模型。機器學習模型學習以稀疏方式將降階模型的係數擬合到輸入感測器資料,也就是說許多係數為零。這種迴歸是藉由懲罰擬合的不準確性和非零係數的數量兩者來執行的。
作為說明而非限制,下文簡要討論稀疏迴歸的機制。稀疏迴歸模型是用來恢復腔室中各個位置處的屬性值列表;可將屬性值列表表示為向量
x。可將基準集表示為矩陣
P,而問題歸結為找到滿足
x=
Pa的向量
a。可考慮表示腔室中之由於設置在那些位置的感測器而已知屬性值的向量;此向量稱為
y。可以說
y=
Cx,其中
C是1和0的稀疏矩陣,表示腔室屬性值
x的哪些資料點為已知。接著可將問題表示為
CPa=
y,其為超定系統(感測器y比非零基準集成員係數a多)。稀疏迴歸是一種為此類系統尋找解答的方法。
在許多訓練集上,機器學習模型選擇適當的控制降階模型中非零係數的數量的參數值。在方框407之後,可對機器學習模型(例如,機器學習模型190)執行以下步驟中的至少一者,該等以下步驟為:使用伺服器機器180的訓練引擎182進行訓練、使用伺服器機器180的驗證引擎184進行驗證、或使用伺服器機器180的測試引擎186進行測試中的至少一者。可由(壓縮感測伺服器112的)壓縮感測組件114實施經訓練的機器學習模型,以生成壓縮感測資料166,從而執行信號處理或執行與製造設備124相關聯的校正動作。
圖4B是用於訓練機器學習模型(例如,圖1的模型190)的方法400B,從而決定壓縮感測資料以引起校正動作的執行。
參考圖4B,在方法400B的方框410處,處理邏輯從基於物理的模型接收資料。資料指示製造腔室在穩定狀態下用於輸入設置的特定排列(處理參數和硬體設置等等)的屬性值。可將基於物理的模型資料表示為降階模型中的基準集的係數。可由處理邏輯自記憶體(例如,圖1的資料存儲140)中檢索(而不是直接從基於物理的模型中檢索)模型資料。在某些情況下,多個機器學習模型可能是單個複合機器學習模型的一部分。在這種情況下,訓練這個複合模型的一個成分可能涉及從模型的另一個成分接收輸出作為要訓練的模型的成分的訓練輸入。
在方框412處,處理邏輯生成模擬感測器的資料集。此資料可以是來自在方框410處所接收的基於物理的模型資料的資料點的子集。可藉由決定哪些資料點對應於製造腔室中可放置感測器的位置來決定用作模擬感測器的特定資料點。此資料映射到基於物理的模型資料集,此資料是基於物理的模型資料集的子集。
在方框414處,處理邏輯將模擬感測器資料集提供給機器學習模型作為訓練輸入。處理邏輯將基於物理的模型資料作為目標輸出提供給機器學習模型。接著訓練機器學習模型藉由對感測器資料執行稀疏迴歸來提供製造腔室中屬性值的虛擬感測,以構建腔室中屬性值(特別是鄰近基板的屬性值)的映射。
在方框416處,可以使用來自基於物理的模型的附加資料重新訓練機器學習模型。在一個實施例中,不斷更新機器學習模型的訓練以解釋或預測製造設備、感測器、計量設備等中的漂移,以預測設備故障,從而反映對程序或配方的改變等。處理邏輯提供來自基於物理的模型的不同於第一資料的額外資料來作為額外的訓練輸入資料。處理邏輯提供取自基於物理的模型資料的模擬感測器資料來作為目標輸出資料。
圖4C是使用經訓練的機器學習模型(例如,圖1的模型190)來決定壓縮感測資料的方法400C。
參照圖4C,在方法400C的方框420處,處理邏輯將與基板製造過程相關聯的當前感測器資料提供給經訓練的機器學習模型。感測器資料類型可對應於圖400B的方框412中用來訓練機器學習模型所提供的類型。
在方框422處,處理邏輯從經訓練的機器學習模型獲得一個或多個指示壓縮感測資料的輸出。在一些實施例中,壓縮感測資料可以是溫度資料,其包括表示製造腔室中鄰近基板的位置的資料。
在方框424處,處理邏輯引起校正動作的執行。在一些實施例中,在已進一步處理輸出資料之後,例如,在降階模型的係數已作為權重被應用到基準集成員的加法組合以恢復腔室中的屬性值之後,根據機器學習模型的輸出可採取校正動作。與本申請案一致的校正動作的類型可廣泛地變化。在一些實施例中,校正動作的執行可包括以下校正動作的執行中的一者或多者,該等以下校正動作的執行包括:向使用者提供警報;中斷製造設備的功能;更新製造參數,製造參數包括處理參數和硬體參數;計劃更換製造設備的組件;使一個或多個組件在產品製造期間的特定時間處於睡眠模式或空閒模式,以減少能源使用;更換一個或多個組件以減少能源使用;導致預防性維護;導致組件的修改(例如,擰緊安裝螺釘和更換綁定等等);校正與製造設備相關的感測器的感測器漂移;校正腔室漂移和更新處理配方等諸如此類。預測資料及/或校正動作可指示導致異常的組合(例如,組合中的僅一項可能不會自行導致異常),組合例如為組件的組合和製造參數的組合。
圖5描繪根據本申請案的一些態樣的製造腔室500(例如,半導體晶片製造腔室)的截面圖。製造腔室500可以是蝕刻腔室、沉積腔室(其包括原子層沉積、化學氣相沉積、物理氣相沉積或其電漿增強形式)、退火腔室等等中的一者或多者。例如,製造腔室500可以是用於電漿蝕刻器和電漿清潔器等等的腔室。腔室部件的示例可包括基板支撐組件504、靜電卡盤、環(例如,處理套件環)、腔室壁、底座、噴頭506、氣體分配板、襯墊、襯墊套件、護罩、電漿螢幕、流量均衡器、冷卻底座、腔室觀察口、腔室蓋和噴嘴等等。
在一個實施例中,製造腔室500包括包圍內部容積510的腔室主體508和噴頭506。在一些腔室中,噴頭506可由蓋和噴嘴替代。腔室主體508可由鋁、不銹鋼或其他合適的材料構成。腔室主體508通常包括側壁512和底部514。
排氣口516可限定在腔室主體508中,且排氣口516可將內部容積510連接到泵系統518。泵系統518可包括一個或多個用於排空和調節製造腔室500的內部容積510的壓力的泵和閥。
噴頭506可經支撐在腔室主體508的側壁512上或在腔室主體的頂部上。可打開噴頭506(在一些實施例中或為蓋)以允許進出製造腔室500的內部容積510,且可在噴頭506(在一些實施例中或為蓋)關閉時為製造腔室500提供密封。氣體面板520可耦接到製造腔室500以藉由噴頭506(或蓋和噴嘴)向內部容積510提供處理或清潔氣體。噴頭506可包括多個貫穿的氣體輸送孔。可用於在製造腔室500中處理基板的處理氣體的示例包括如C
2F
6、SF
6、SiCl
4、HBr、NF
3、CF
4、CHF
3、F
2、Cl
2、CCl
4、BCl
3和SiF
4等等的含鹵素氣體及如O
2或N
2O的其他氣體。載氣的示例包括N
2、He、Ar和其他對處理氣體惰性的氣體(例如,非反應性氣體)。
基板支撐組件504經設置在噴頭506下方的製造腔室500的內部容積510中。在一些實施例中,基板支撐組件504包括基座522和軸524。基板支撐組件504在處理期間支撐基板。在一些實施例中,亦佈置在製造腔室500內的是一個或多個加熱器526和反射器528。
瞭解鄰近基板的製造腔室中的屬性值對於控制處理結果是有用的。在許多情況下,監測基板位置的狀態是不切實際的。在其他情況下,可監控基板某些部分的狀況,但不能監控整個區域。本申請案的方法和系統提供了在無需將感測器設置在基板位置處的情況下推斷基板位置處的屬性值的方法。
在一些實施例中,藉由執行壓縮感測(例如,使用圖1的壓縮感測系統110)來獲得鄰近基板的屬性值的虛擬測量。當在製造腔室500中鄰近基板502放置感測器以監測狀態為不方便的時候,製造腔室中可能有許多其他可更容易地設置感測器的區域。這樣的位置可包括基座522、軸524、反射器528、排氣口516和腔室主體508等等。
在電腦輔助的基於物理的模型(例如,圖1的基於物理的模型176)的幫助下,這些可存取位置中的屬性值的測量允許對基板位置處的狀態進行虛擬測量。為了利用基於物理的模型,定義了一組輸入參數,如加熱器功率、氣體成分、氣體流量、腔室壓力和硬體參數等等。這些不同的輸入狀態定義了參數空間區域,可理解為製造處理中可能輸入參數的整個景觀。可選擇一組輸入參數以圍繞對特定處理和特定晶圓有用的狀態而在參數空間中經緊密分組、可選擇一組輸入參數以基本上跨越經認為可能對基板處理有用的參數空間的整個區域,或可使用另一個指標來選擇一組輸入參數。
製造腔室的表示連同代表一組可能狀態的處理參數由基於物理的模型接收。模型接著使用計算技術來求解描述流體流動、熱力學、熱傳遞等等的方程式,以恢復製造腔室中的屬性值的映射。映射可以是穩定狀態屬性值的表示。對選定的處理參數組合重複此過程。由此過程產生的一組屬性值映射跨越製造腔室內的屬性值空間的區域,該區域與由所選輸入參數所定義的參數空間區域相關聯。
在一些實施例中,可用對虛擬測量更方便的方式來表示基於物理的模型輸出的資訊。生成由成員組成的基準集,當以加權相加方式組合該等成員時,該等成員可基本上重新創建由基於物理的模型輸出的屬性值映射所跨越的屬性值空間的任何部分。此基準集被生成為降階模型(例如,藉由圖1的降階模型生成器174)。降階模型經構建成使得相當少量的基準集成員可重建腔室中的大部分物理場,也就是說,重建腔室中的點處的屬性值,這些值基本上等於基於物理的模型所輸出的那些。可使用適當的正交分解演算法來構造基準集。「基本上相等」所指的具體範圍可能因應用而異,但可能與實驗誤差、測量誤差、可接受的製造公差等等有關。
在一些實施例中,由基於物理的模型所輸出的點的選擇是感興趣的。例如,將虛擬測量限制在製造腔室500的組件之間的邊界(例如,忽略組件內部的屬性值)允許使用比用於虛擬測量腔室中所有點處的屬性值的感測器更少的感測器來做出有用的屬性值預測。感興趣的區域可以是在具有不同處理參數輸入的基於物理的模型的輸出中屬性值的變化高於某個閾值的位置。
一旦從基於物理的模型中檢索到資料,就將感測器放置在腔室內部。可佈置感測器的可能位置可受到幾何形狀和工程問題等等的限制。可從屬性值隨著基於物理的模型的輸入值或製造處理的輸入參數的變化而變化的位置提取資訊。若感測器所在位置的屬性值不相關,則可提取資訊。考慮到這些限制和任何其他限制,選擇感測器的位置。在一些實施例中,機器學習工具可用於最佳化感測器位置。
不受理論束縛,製造腔室中用於重建屬性值映射的感測器數量可經估計為
,其中
n
s 是感測器數量、
k是用於重建屬性值圖的基準集成員的數量,而
N與室中預測屬性值的位置的數量有關。在一些實施方式中,調整要映射的腔室區域和使用的基準集成員的數量,以允許使用可行或方便數量的感測器進行壓縮感測。
在製造處理期間,製造腔室500中的狀態由感測器監測。將指示由感測器進行的測量的資料作為輸入提供給經訓練的機器學習模型(例如,圖1的模型190)。經訓練的機器學習模型經訓練以重建感測器未測量的腔室區域(例如,基板的位置)中的屬性值。經訓練的機器學習模型利用稀疏迴歸演算法來決定由降階模型生成器174生成的基準集的多個成員的權重。以此方式,可虛擬地測量鄰近基板的狀態,而無需將感測器佈置在基板的位置處。基於物理資訊的虛擬測量和壓縮感測提供了優於其他技術的優勢。由於部件變化、漂移、製造公差範圍等等所導致的腔室間差異藉由使用投影到屬性值空間中的感測器資料來解釋。此外,使用這些方法也可理解基於物理模型的輸出所跨越的空間之外的狀態。
在一些實施例中,接著使用壓縮感測資料來做出校正動作。校正動作可包括向客戶端裝置發送警報。校正動作可包括藉由對至少一個處理參數進行調整來調整處理配方。可藉由將壓縮感測資料提供給另一個模型來促進校正動作。第二模型可用於監控組件健康或漂移和腔室老化等等。第二模型可根據壓縮感測資料來採取校正動作(例如,建議維護和建議更換組件等等)。
圖6是示出根據某些實施例的電腦系統600的方框圖。在一些實施例中,電腦系統600可(例如,經由如區域網路(LAN)、內部網路、外部網路或網際網路的網路)連接到其他電腦系統。電腦系統600可在客戶端-伺服器環境中以伺服器或客戶端電腦的身份運行,或在對等或分佈式網路環境中作為對等電腦運行。可由個人電腦(PC)、平板PC、機頂盒(STB)、個人數位助理(PDA)、蜂窩電話、網路設備、伺服器、網路路由器、交換器或橋接器,或任何能夠(順序地或以其他方式)執行一組指令(其指定裝置所要採取的行動)的裝置來提供電腦系統600。此外,術語「電腦」應包括單獨或共同執行一組(或多組)指令以執行本文所述的任何一個或多個方法的任何電腦集合。
在另一態樣中,電腦系統600可包括可藉由匯流排608相互通訊的處理裝置602、揮發性記憶體604(例如,隨機存取記憶體(RAM))、非揮發性記憶體606(例如,唯讀記憶體(ROM)或電子可擦除式可程式化ROM(EEPROM))和資料存儲裝置618。
可由一個或多個處理器提供處理設備602,處理器如通用處理器(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、超長指令字段(VLIW)微處理器、實現其他類型指令集的微處理器或實現指令集類型組合的微處理器)或專用處理器(例如,特殊應用積體電路(ASIC)、現場可程式化閘陣列(FPGA)、數位信號處理器(DSP)或網路處理器)。
電腦系統600可進一步包括(例如,耦接到網路674的)網路介面裝置622。電腦系統600亦可包括影片顯示單元610(例如LCD)、字母數字輸入裝置612(例如鍵盤)、游標控制裝置614(例如滑鼠)和信號生成裝置620。
在一些實施方式中,資料存儲裝置618可包括其上可存儲對本文所描述的方法或功能中的任何一者或多者進行編碼的指令626的非暫時性電腦可讀取存儲媒體624(例如,非暫時性機器可讀取存儲媒體);非暫時性電腦可讀取存儲媒體624包括圖1的指令編碼組件(例如,壓縮感測組件114和模型190等等)並用於實現本文所描述的方法。
指令626亦可在由電腦系統600執行指令626期間完全或部分地駐留在揮發性記憶體604及/或處理裝置602內,因此,揮發性記憶體604和處理裝置602亦可構成機器可讀取存儲媒體。
雖然在說明性示例中將電腦可讀取存儲媒體624示為單個媒體,但術語「電腦可讀取存儲媒體」應包括存儲一組或多組可執行指令的單個媒體或多個媒體(例如,集中式或分佈式資料庫,及/或相關聯的快取和伺服器)。術語「電腦可讀取存儲媒體」亦應包括能夠存儲或編碼一組指令以供電腦執行該組指令的任何有形媒體,該組指令係使電腦執行本文描述的任何一個或多個方法。術語「電腦可讀取存儲媒體」應包括但不限於固態記憶體、光學媒體和磁學媒體。
可由分離的硬體組件實施本文所描述的方法、組件和特徵,或可將本文所描述的方法、組件和特徵整合在如ASICS、FPGA、DSP或類似裝置的其他硬體組件的功能中。此外,可由硬體裝置內的韌體模組或功能電路來實施方法、組件和特徵。此外,可在硬體裝置和電腦程式組件的任何組合中或在電腦程式中實施方法、組件和特徵。
除非另有明確說明,否則如「接收」、「執行」、「提供」、「獲得」、「導致」、「存取」、「決定」、「添加」、「使用」和「訓練」等術語是指由電腦系統執行或實施的操作和處理,這些操作和處理操縱表示成電腦系統暫存器和記憶體內的物理(電子)量的資料並將此資料轉換為類似表示為電腦系統記憶體或暫存器(或其他此類資訊存儲、傳輸或顯示裝置)內的物理量的其他資料。此外,本文所使用的術語「第一」、「第二」、「第三」、「第四」等意在作為區分不同元素的標籤,且此等術語根據此等術語的數值指定可不具有順序含義。
本文所述的示例亦涉及用於執行本文所述的方法的設備。此設備可專門建構成執行本文所述的方法,或此設備可包括選擇性地由存儲在電腦系統中的電腦程式來程式化的通用電腦系統。此種電腦程式可經存儲在電腦可讀取的有形存儲媒體中。
本文所描述的方法和說明性示例與任何特定電腦或其他設備沒有內在關聯。可根據本文所述的教示來使用各種通用系統,或可證明建構更專門的設備來執行本文所述的方法及/或此等方法中各自的功能、常式、子常式或操作中的每一者是方便的。上文闡述了這些系統的各種結構示例。
以上描述旨在說明性而非限制性的。儘管已參考特定的說明性示例和實施方式描述了本申請案,但將認識到本申請案不限於所描述的示例和實施方式。本申請案的範圍應參照所附申請專利範圍和請求項所享有的等同物的全部範圍來決定。
100:系統
110:壓縮感測系統
112:壓縮感測伺服器
114:壓縮感測組件
116:預測組件
120:客戶端裝置
122:校正動作組件
124:製造設備
126:感測器
128:計量設備
130:網路
140:資料存儲
142:感測資料
144:歷史感測資料
146:當前感測資料
150:製造資料
152:歷史製造資料
154:當前製造資料
160:基於物理的模型資料
162:模型屬性映射資料
164:降階基準資料
166:壓縮感測資料
168:預測資料
169:計量資料
170:伺服器機器
172:資料集生成器
174:降階模型生成器
176:基於物理的模型
180:伺服器機器
182:訓練引擎
184:驗證引擎
185:選擇引擎
186:測試引擎
190:模型
200:系統
210:資料輸入
220:目標輸出
230:屬性值
262A~262Z:模擬感測器資料集
272:資料集生成器
300:系統
302:訓練集
304:驗證集
306:測試集
308:所選模型
310~320:方框
352:當前感測器資料
360:基於物理的模型資料
361:附加的基於物理的模型資料
362:模擬感測器資料
366:壓縮感測資料
400A:方法
401~407:方框
400B:方法
410~416:方框
400C:方法
420~424:方框
500:製造腔室
502:基板
504:支撐組件
506:噴頭
508:腔室主體
510:內部容積
512:側壁
514:底部
516:排氣口
518:泵系統
520:氣體面板
522:基座
524:軸
526:加熱器
528:反射器
600:電腦系統
602:處理裝置/處理器
604:揮發性記憶體/主記憶體
606:非揮發性記憶體/靜態記憶體
608:匯流排
610:影像顯示器
612:字母數字輸入裝置
614:游標控制裝置
618:資料存儲裝置
620:信號生成裝置
622:網路介面裝置
624:電腦可讀取存儲媒體
626:指令
674:網路
在附加圖式的圖中,以示例方式而不是以限制方式對本申請案進行圖示說明。
圖1是示出根據某些實施例的示例性的系統(示例性的系統架構)的方框圖。
圖2是根據某些實施例之用於為機器學習模型創建資料集的示例性的資料集生成器的方框圖。
圖3是示出根據某些實施例之用於生成輸出資料(例如,壓縮感測資料)的系統的方框圖。
圖4A至圖4C是根據某些實施例之與壓縮感測預測資料相關聯以引起校正動作的方法的流程圖。
圖5描繪根據一些實施例的製造腔室(例如,半導體晶圓製造腔室)的截面圖。
圖6是示出根據某些實施例的電腦系統的方框圖。
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
400B:方法
410~416:方框
21~22:基板
Claims (21)
- 一種方法,包括以下步驟: 在對一製造腔室中的一基板執行一處理的期間,使用佈置在該製造腔室中的複數個感測器測量該製造腔室中的屬性值的一子集;及 基於將該製造腔室中的屬性值的該子集的測量值輸入到一經訓練的機器學習模型中,決定該製造腔室中鄰近該基板的屬性值的一映射;及 根據屬性值的該映射執行一動作。
- 如請求項1所述的方法,其中執行該動作包括以下步驟:採取一校正動作或向一客戶端裝置發送一警報,其中該校正動作包括以下步驟:對至少一個處理參數進行一調整。
- 如請求項1所述的方法,其中該經訓練的機器學習模型經配置為根據一降階模型來表示該製造腔室中的屬性值,其中將屬性值的該映射決定為該降階模型的多個成員的一加權相加組合。
- 如請求項3所述的方法,其中該經訓練的機器學習模型包括一稀疏迴歸模型,其中使用該迴歸模型的一稀疏迴歸演算法來決定屬性值的該映射。
- 如請求項3所述的方法,由該經訓練的機器學習模型選擇的用於決定屬性值的該映射的該等成員是一基準集的一子集,該基準集經構造成使得該基準集的加權相加組合描述在該製造腔室中感興趣的屬性值。
- 如請求項5所述的方法,已根據一電腦輔助的基於物理的模型的結果決定該基準集,該電腦輔助的基於物理的模型預測整個該製造腔室中複數個不同的處理參數配置的屬性值。
- 如請求項1所述的方法,其中屬性值的該映射包括在該基板上的複數個位置處的溫度。
- 如請求項7所述的方法,其中測量該製造腔室中的屬性值的該子集之步驟包括以下步驟:在該製造腔室中的複數個點處進行溫度測量,該複數個點的至少一大部分不在該基板上。
- 一種方法,包括以下步驟: 為一機器學習模型生成訓練資料,其中生成該訓練資料之步驟包括以下步驟: 識別一第一訓練輸入,該第一訓練輸入包括指示與一製造腔室中的屬性值的一有限子集相關聯的第一屬性值的資料;及 識別用於該第一訓練輸入的一第一目標輸出,其中該第一目標輸出包括在該製造腔室內的複數個位置中的屬性值的一映射,該複數個位置包括比用作該第一訓練輸入的屬性值的該子集更多個位置;及 提供該訓練資料以在(i)包括該第一訓練輸入的一組訓練輸入上和(ii)包括該第一目標輸出的一組目標輸出上訓練該機器學習模型,其中該經訓練的機器學習模型將接收一新輸入,該新輸入包括指示與該製造腔室中的屬性值的一有限子集相關聯的第二屬性值的資料,該等第二屬性值不同於該等第一屬性值,且基於該新輸入產生一新輸出,該新輸出包括鄰近該製造腔室中的一基板的屬性值的一映射。
- 如請求項9所述的方法,其中將該組訓練輸入中的每個訓練輸入映射到該組目標輸出中的一目標輸出。
- 如請求項9所述的方法,其中該等訓練輸入包括指示在該腔室中在不鄰近該基板的位置處對屬性值進行的多個測量值的資料,且該目標輸出包括在該基板的該位置處的屬性值的預測。
- 如請求項9所述的方法,其中該目標輸出包括指示一電腦輔助的基於物理的模型的結果的資料,該模型描述該製造腔室中針對複數個處理參數的屬性值。
- 如請求項12所述的方法,其中使用該電腦輔助的基於物理的模型的該等結果的一子集,該子集對應於該腔室中的位置,在該腔室中的該等位置中在穩定狀態條件下與不同的製造參數進行比較時感興趣的一屬性值的變化高於一特定閾值。
- 如請求項9所述的方法,其中該機器學習模型的該輸出包括要應用於一基準集的權重,從而在一降階模型中形成一加法組合。
- 如請求項9所述的方法,其中該機器學習模型包括一稀疏迴歸模型。
- 如請求項9所述的方法,其中屬性值的該子集包括在該腔室中在一有限數量的位置處的狀態的測量值。
- 如請求項16所述的方法,其中藉由將一電腦輔助的基於物理的模型的該等結果輸入到一經訓練的機器學習模型中來選擇該有限數量的位置,該經訓練的機器學習模型的該輸出包括用於進行測量的最佳化位置。
- 一種存儲指令的非暫時性機器可讀取存儲媒體,當由一處理裝置執行該等指令時,該等指令使該處理裝置執行操作,該等操作包括以下操作: 接收資料,該資料指示在包含基板的一製造腔室內的屬性值的一子集的測量值; 使用一機器學習模型決定該製造腔室內的屬性值的一映射,該映射包括鄰近該基板的該等屬性值;及 執行以下操作中的至少一者:(i)鑑於屬性值的該映射來調整與該製造腔室相關聯的製造參數,或(ii)向一使用者裝置發送一警報。
- 如請求項18所述的非暫時性機器可讀取存儲媒體,該等操作進一步包括以下操作:產生將該製造腔室內的屬性值的一映射描述為用於一基準集的多個成員的一加權相加組合的係數的一輸出,該基準集係根據在複數個處理參數下所評估的該腔室的一電腦輔助的基於物理的模型的該等結果構建。
- 如請求項18所述的非暫時性機器可讀取存儲媒體,該製造腔室中的屬性值的一子集的該等測量值包括在該製造腔室內的複數個點處所進行的溫度測量值,該複數個點中的至少一大部分不在該基板上。
- 如請求項18所述的非暫時性機器可讀取存儲媒體,屬性值的該映射包括在該製造腔室中的複數個點處的溫度,該等點至少包括該基板上的點。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/476,408 | 2021-09-15 | ||
US17/476,408 US20230078146A1 (en) | 2021-09-15 | 2021-09-15 | Virtual measurement of conditions proximate to a substrate with physics-informed compressed sensing |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202328962A true TW202328962A (zh) | 2023-07-16 |
Family
ID=85479808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111134931A TW202328962A (zh) | 2021-09-15 | 2022-09-15 | 使用基於物理資訊的壓縮感測來虛擬測量鄰近基板的狀態 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230078146A1 (zh) |
KR (1) | KR20240049266A (zh) |
CN (1) | CN117678061A (zh) |
TW (1) | TW202328962A (zh) |
WO (1) | WO2023043838A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10978278B2 (en) * | 2018-07-31 | 2021-04-13 | Tokyo Electron Limited | Normal-incident in-situ process monitor sensor |
US10705514B2 (en) * | 2018-10-09 | 2020-07-07 | Applied Materials, Inc. | Adaptive chamber matching in advanced semiconductor process control |
CN109816634B (zh) * | 2018-12-29 | 2023-07-11 | 歌尔股份有限公司 | 检测方法、模型训练方法、装置及设备 |
EP3994526A1 (en) * | 2019-07-03 | 2022-05-11 | ASML Netherlands B.V. | Method for applying a deposition model in a semiconductor manufacturing process |
KR20220133228A (ko) * | 2020-01-27 | 2022-10-04 | 램 리써치 코포레이션 | 반도체-제작 프로세스들을 위한 성능 예측기들 |
US11687066B2 (en) * | 2021-08-31 | 2023-06-27 | Siemens Industry Software Inc. | Virtual cross metrology-based modeling of semiconductor fabrication processes |
-
2021
- 2021-09-15 US US17/476,408 patent/US20230078146A1/en active Pending
-
2022
- 2022-09-14 KR KR1020247002742A patent/KR20240049266A/ko active Search and Examination
- 2022-09-14 CN CN202280050762.5A patent/CN117678061A/zh active Pending
- 2022-09-14 WO PCT/US2022/043531 patent/WO2023043838A1/en active Application Filing
- 2022-09-15 TW TW111134931A patent/TW202328962A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
KR20240049266A (ko) | 2024-04-16 |
CN117678061A (zh) | 2024-03-08 |
US20230078146A1 (en) | 2023-03-16 |
WO2023043838A1 (en) | 2023-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202346959A (zh) | 用於製造設備的診斷工具與工具之匹配和比較下鑽分析方法 | |
TW202344943A (zh) | 製造裝備零件品質管理系統 | |
TW202343177A (zh) | 用於製造設備的診斷工具與工具之匹配和全跡比較下鑽分析方法 | |
KR20240052016A (ko) | 반도체 제조 장비의 적응형 문제 해결을 위한 시스템들 및 방법들 | |
TW202245091A (zh) | 用於使用虛擬模型進行處理腔室健康監測和診斷的系統和方法 | |
TW202343176A (zh) | 用於製造設備的診斷工具與工具之匹配方法 | |
TW202328962A (zh) | 使用基於物理資訊的壓縮感測來虛擬測量鄰近基板的狀態 | |
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 | |
TW202309791A (zh) | 晶圓上的降維 | |
TW202217671A (zh) | 腔室匹配及校準 | |
US20230195060A1 (en) | Substrate support characterization to build a digital twin | |
US20240037442A1 (en) | Generating indications of learning of models for semiconductor processing | |
US20230222264A1 (en) | Processing chamber calibration | |
US20230195074A1 (en) | Diagnostic methods for substrate manufacturing chambers using physics-based models | |
US20240152675A1 (en) | Determining substrate characteristics by virtual substrate measurement | |
US20230113095A1 (en) | Verification for improving quality of maintenance of manufacturing equipment | |
US20240045399A1 (en) | Analysis of multi-run cyclic processing procedures | |
US20240176338A1 (en) | Determining equipment constant updates by machine learning | |
TW202422742A (zh) | 產生用於半導體處理的模型學習的指示 | |
TW202409764A (zh) | 用於基板處理設備的多維感測器資料的整體分析 | |
TW202333080A (zh) | 用於製造裝備的機器學習模型產生和更新 | |
KR20240027837A (ko) | 무접촉 프로세스 챔버 특성화를 위한 방법 및 메커니즘 | |
WO2024059064A1 (en) | Generation and utilization of virtual features for process modeling | |
TW202407140A (zh) | 用於在基板製造期間調節膜沉積參數的方法和機制 | |
TW202422746A (zh) | 用於製程學習的基板輪廓的分段函數擬合 |