TW202330377A - 用於將感測器與傳輸腔室機器人耦合的方法和機構 - Google Patents
用於將感測器與傳輸腔室機器人耦合的方法和機構 Download PDFInfo
- Publication number
- TW202330377A TW202330377A TW111134085A TW111134085A TW202330377A TW 202330377 A TW202330377 A TW 202330377A TW 111134085 A TW111134085 A TW 111134085A TW 111134085 A TW111134085 A TW 111134085A TW 202330377 A TW202330377 A TW 202330377A
- Authority
- TW
- Taiwan
- Prior art keywords
- sensor
- data
- transfer chamber
- tool
- process chamber
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 285
- 238000012546 transfer Methods 0.000 title claims abstract description 103
- 230000008878 coupling Effects 0.000 title description 5
- 238000010168 coupling process Methods 0.000 title description 5
- 238000005859 coupling reaction Methods 0.000 title description 5
- 230000007246 mechanism Effects 0.000 title description 4
- 230000008569 process Effects 0.000 claims abstract description 224
- 239000000758 substrate Substances 0.000 claims abstract description 110
- 238000004519 manufacturing process Methods 0.000 claims abstract description 100
- 239000012636 effector Substances 0.000 claims abstract description 50
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims description 67
- 238000013500 data storage Methods 0.000 claims description 34
- 230000009471 action Effects 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 5
- 238000001499 laser induced fluorescence spectroscopy Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 80
- 238000012549 training Methods 0.000 description 72
- 238000005137 deposition process Methods 0.000 description 32
- 230000015654 memory Effects 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 21
- 239000010409 thin film Substances 0.000 description 21
- 239000010408 film Substances 0.000 description 19
- 239000002243 precursor Substances 0.000 description 17
- 238000003860 storage Methods 0.000 description 17
- 239000007789 gas Substances 0.000 description 16
- 230000006399 behavior Effects 0.000 description 15
- 230000003595 spectral effect Effects 0.000 description 15
- 239000000463 material Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 238000000151 deposition Methods 0.000 description 9
- 230000008021 deposition Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 8
- 239000000872 buffer Substances 0.000 description 6
- 235000012431 wafers Nutrition 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 5
- 238000005530 etching Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000000231 atomic layer deposition Methods 0.000 description 4
- 238000005229 chemical vapour deposition Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000001939 inductive effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910052796 boron Inorganic materials 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002542 deteriorative effect Effects 0.000 description 2
- 238000000572 ellipsometry Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 2
- 229920005591 polysilicon Polymers 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000010936 titanium Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- SKBLJQADGZYMKA-UHFFFAOYSA-N OPOP Chemical compound OPOP SKBLJQADGZYMKA-UHFFFAOYSA-N 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004320 controlled atmosphere Methods 0.000 description 1
- 238000001723 curing Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000002019 doping agent Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- UAJUXJSXCLUTNU-UHFFFAOYSA-N pranlukast Chemical compound C=1C=C(OCCCCC=2C=CC=CC=2)C=CC=1C(=O)NC(C=1)=CC=C(C(C=2)=O)C=1OC=2C=1N=NNN=1 UAJUXJSXCLUTNU-UHFFFAOYSA-N 0.000 description 1
- 229960004583 pranlukast Drugs 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
- B65G47/74—Feeding, transfer, or discharging devices of particular kinds or types
- B65G47/90—Devices for picking-up and depositing articles or materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06N3/09—Supervised learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
- H01L21/67161—Apparatus for manufacturing or treating in a plurality of work-stations characterized by the layout of the process chambers
- H01L21/67167—Apparatus for manufacturing or treating in a plurality of work-stations characterized by the layout of the process chambers surrounding a central transfer chamber
-
- 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
-
- 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
- H01L21/683—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 for supporting or gripping
- H01L21/687—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 for supporting or gripping using mechanical means, e.g. chucks, clamps or pinches
- H01L21/68707—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 for supporting or gripping using mechanical means, e.g. chucks, clamps or pinches the wafers being placed on a robot blade, or gripped by a gripper for conveyance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
- Manipulator (AREA)
- Chemical Vapour Deposition (AREA)
Abstract
一種電子設備製造系統包括:傳輸腔室;工具站,位在該傳輸腔室內;製程腔室,與該傳輸腔室耦合;以及傳輸腔室機器人。該傳輸腔室機器人被配置為向該製程腔室和從該製程腔室傳輸基板。該傳輸腔室機器人被進一步配置為與包括一個或多個感測器的感測器工具耦合,該一個或多個感測器被配置為在該製程腔室的內部進行測量。該感測器工具可以藉由該傳輸腔室機器人的末端效應器從該工具站取回。
Description
本揭示內容與電氣部件相關,更詳細而言是與用於將感測器與傳輸腔室機器人耦合的方法和機構相關。
電子元件製造系統通常包括多個製程腔室,這些製程腔室在操作期間受到真空影響。在製造基板的期間,污染物和殘留的沉澱物被引入製程腔室的各種部件中。因此,需要定期檢驗製程腔室,並基於污染位準或沉積物位準,對其進行清潔,以從牆壁和氣體分佈板移除污染物和殘留沉積物。
傳統上,操作員會定期分離真空系統並移除電子元件製造系統的部件(如製程腔室門),以檢驗製程腔室並決定是否需要清潔。然而,這是費時、費力和無效的過程。另外,一些電子元件製造系統修改了製程腔室壁,以包括用於偵測沉積物堆積的感測器。然而,這些壁式感測器會給製程腔室帶來缺陷,並影響電漿的均勻性。
以下是本揭示內容的簡化概要,以提供對本揭示內容的一些態樣的基本理解。這個概要並不是對本揭示內容的廣泛概述。它並不旨在識別本揭示內容的關鍵或重要元素,也不旨在劃定本揭示內容的特定實施方式的任何範圍或請求項的任何範圍。它的唯一目的是以簡化的形式呈現本揭示內容的一些概念以作為後面呈現的更詳細描述的前奏。
在本揭示內容的態樣中,一種電子設備製造系統包括:傳輸腔室;工具站,位在該傳輸腔室內;製程腔室,與該傳輸腔室耦合;以及傳輸腔室機器人。該傳輸腔室機器人被配置為向該製程腔室和從該製程腔室傳輸基板。該傳輸腔室機器人被進一步配置為與包括一個或多個感測器的感測器工具耦合,該一個或多個感測器被配置為在該製程腔室的內部進行測量。該感測器工具可以藉由該傳輸腔室機器人的末端效應器從該工具站取回。
在本揭示內容的另一個態樣中,
在本揭示內容的另一個態樣中,一種方法包括以下步驟:藉由處理器,將傳輸腔室機器人的與感測器設備耦合的一部分定位在製程腔室內,該感測器設備包括一個或多個感測器。該方法進一步包括以下步驟:使用該一個或多個感測器,獲得與該製程腔室相關聯的感測器資料。該方法進一步包括以下步驟:從該製程腔室移除該傳輸腔室機器人的該部分。
在本揭示內容的另一個態樣中,一種方法包括以下步驟:藉由與傳輸腔室機器人耦合的感測器設備,從製程腔室獲得複數個感測器值。該方法進一步包括以下步驟:將機器學習模型應用於該複數個感測器值,該機器學習模型是基於該製程腔室的子系統的歷史感測器資料和與用於沉積該薄膜的該配方相關聯的任務資料來訓練的。該方法進一步包括以下步驟:產生該機器學習模型的輸出,其中該輸出指示該子系統的故障類型。該方法進一步包括以下步驟:決定該子系統的該故障類型;以及基於該故障類型來產生改正動作。
本文所描述的是涉及用於將感測器與傳輸腔室機器人耦合的方法和機構的技術。在製造系統的製程腔室處執行的沉積製程(例如,沉積(CVD)製程、原子層沉積(ALD)製程等)期間,可以將薄膜沉積在基板的表面上。例如,在CVD製程中,基板被暴露於一種或多種前驅物,這些前驅物在基板表面上發生反應,產生期望的沉積。該薄膜可以包括在沉積製程期間形成的一個或多個材料層,每個層可以包括特定的厚度梯度(例如,沿著沉積薄膜的層的厚度的變化)。例如,第一層可以直接形成在基板的表面上(稱為薄膜的近端層或近端),並具有第一厚度。在基板的表面上形成第一層後,可以在第一層上形成具有第二厚度的第二層。這個製程一直持續到沉積製程完成,並形成薄膜的最終層(稱為薄膜的遠端層或遠端)。該薄膜可以包括不同材料的交替層。例如,該薄膜可以包括交替的氧化物和氮化物層(氧化物-氮化物-氧化物-氮化物堆疊或ONON堆疊),交替的氧化物和多晶矽層(氧化物-多晶矽-氧化物-多晶矽堆疊或OPOP堆疊),等等。例如,可以接著對薄膜進行蝕刻製程以在基板的表面上形成圖案,進行化學-機械拋光(CMP)製程以使薄膜的表面平滑,或進行製造成品基板所需的任何其他製程。
製程腔室可以有在每個基板製造製程(例如,沉積製程、蝕刻製程、拋光製程等)期間操作的多個子系統。子系統可以被表徵為與製程腔室的操作參數有關的感測器集合。操作參數可以是溫度、流速、壓力等。在一個例子中,壓力子系統可以由測量氣體流量、腔室壓力、控制閥角度、前級管道(泵之間的真空管道)壓力、泵速等的一個或多個感測器來表徵。因此,製程腔室可以包括壓力子系統、流量子系統、溫度子系統等。每個子系統都可能經歷惡化並偏離最佳效能條件。例如,壓力子系統可能由於泵問題、控制閥問題等中的一者或多者而產生降低的壓力。
在基板製造製程期間,製程腔室可能會經歷惡化的條件,如污染物的堆積、某些部件上的侵蝕等。如果不能發覺並修理這些惡化的條件,就會造成基板中的缺陷,導致劣質產品,降低製造產率,以及大量的停機時間和修理時間。
現有的系統可以修改製程腔室壁,以包括用於偵測這種惡化條件的感測器。然而,這些侵入性的壁式感測器可能會給製程腔室帶來缺陷,並影響電漿的均勻性。這可能導致在實現最佳的製程腔室壓力和製程氣體流速方面的延遲,這可能導致所沉積和/或蝕刻的薄膜的變形。進一步地,這些感測器可能難以安裝,因為製程腔室可能是在客戶的地點進行修改的。
本揭示內容的態樣和實施方式藉由使傳輸腔室機器人能夠裝備能夠執行測量並從製程腔室內部擷取資料的一個或多個感測器,解決了現有技術的這些和其他的缺點。特別是,電子設備製造系統可以在傳輸腔室中採用機器人裝置(例如,傳輸腔室機器人),該裝置被配置為在裝載閘與製程腔室之間輸送基板。傳輸腔室、製程腔室和裝載閘在某些時候可以在真空下操作。傳輸腔室機器人可以被配置為將一個或多個感測器與該傳輸腔室機器人的末端效應器耦合,該一個或多個感測器用於表徵製程腔室的一個或多個態樣、截取製程腔室的一個或多個態樣的讀數或對製程腔室的一個或多個態樣進行測量。這些感測器可以包括以下項目中的一者或多者:加速度計、距離或位置感測器(其例如用於決定兩個物體之間的高度、寬度或長度)、攝影機(例如高解析度攝影機、高速攝影機等)、電容式感測器、反射計、高溫計(例如,遙感溫度計、紅外攝影機等)、電子節流控制、雷射感應螢光光譜儀、光纖(如光纖探針)、表面聲學感測器、渦電流感測器、管道鏡、光電二極體感測器、光電倍增管、固態偵測器、熱電偶、電壓感測器、電流感測器、電阻感測器、光源等。
在一些實施例中,這些感測器可以附接到可以與末端效應器耦合的感測器工具。例如,傳輸腔室機器人可以被配置為在其末端效應器上附接不同的感測器工具。或者,一個或多個感測器工具可以永久性地附接到傳輸腔室機器人的末端效應器。每個感測器工具可以包括一個或多個感測器。工具站可以用於容納、移動、變換感測器工具和/或對感測器工具進行再充電。在一些實施例中,工具站可以是自動工具變換器,能夠使製程腔室機器人能夠選擇不同的感測器工具。工具站可以包括儲存在倉匣或其他容器(例如,鼓式倉匣、鏈式倉匣等)上的感測器工具陣列。響應於對感測器工具的選擇,工具陣列可以重新定位,製程腔室機器人可以從預定的位置選擇目標感測器工具。在一些實施例中,響應於對感測器工具的選擇,製程腔室機器人可以將末端效應器定位到工具站中感測器工具的指定位置。在一些實施例中,工具站可以包括一個或多個充電端口,用於對每個感測器工具進行充電。感測器工具可以進一步包括電子元件模組,能夠促進與製造系統的通訊(例如,發送和接收資料)。
在一些實施例中,感測器可以附接到感測器圓盤。感測器圓盤可以是包括一個或多個感測器的基板形狀的設備。傳輸腔室機器人可以被配置為使用末端效應器從裝載閘取回感測器圓盤,並使用感測器圓盤來在製程腔室內部截取讀數和進行測量。在一些實施例中,感測器圓盤與電源鏈路和/或資料鏈路連接。電源鏈路可以是任何有線或無線(例如感應式)連接,能夠使用任何類型的連接器(例如,接腳、低顆粒連接件(low particle connection)、彈簧針(pogo pin))從製程腔室機器人向感測器提供電源。例如,機器手臂或末端效應器可以包括一種或多種類型的連接器,這些連接器可以連接到感測器圓盤(或其他感測器工具),以便向感測器工具提供電源,向感測器工具提供資料連接(也稱為資料鏈路),等等。在一些實施例中,電源鏈路可以是類似的或相同的系統,用於向傳輸腔室機器人112的其他功能(例如,連結移動功能、效應器操作功能等)提供電源。資料鏈路可以是任何用於提供資料或從感測器擷取資料的有線或無線(WiFi、藍牙、基於網際網路等的)連接。例如,資料鏈路可以用於向感測器提供指令,以進行測量或截取讀數,將收集的資料發送到介面(例如,使用者介面)或資料儲存系統,等等。
在一些實施例中,預測系統可以訓練機器學習模型並將機器學習模型應用於當前的感測器值,以產生輸出,例如,指示製程腔室子系統的錯失(fault)模式(例如,異常行為)的一個或多個值和/或指示發生的錯失類型(例如,問題、故障(failure)等)的預測資料。在一些實施例中,該輸出是指示製程腔室子系統的預期行為與製程腔室子系統的實際行為之間的差異的值。在一些實施例中,該值指示與製程腔室子系統相關聯的錯失模式。然後,在一些實施例中,系統可以將錯失模式與已知錯失模式庫進行比較,以決定子系統所經歷的故障類型。在一些實施例中,系統執行改正動作,以基於錯失模式來調整沉積製程配方的一個或多個參數(例如,製程腔室的溫度設定、製程腔室的壓力設定、用於沉積在基板表面上的薄膜所包括的材料的前驅物的流量設定等)。
本揭示內容的各個態樣所帶來的技術優勢是顯著減少了對製程腔室執行檢驗的時間。該配置允許傳輸腔室機器人定期地或每次在傳輸腔室機器人將基板放入製程腔室或從製程腔室取回基板時,執行檢驗和表徵製程腔室。檢驗是在維持真空環境的同時執行的,從而移除了與人工檢驗相關聯的脫離真空系統和移除電子元件製造系統的部件(如製程腔室門)的任何程序。該配置還消除了與在製程腔室內安裝感測器相關聯的製程腔室缺陷和電漿均勻性問題。本揭示內容的各態樣所進一步帶來的技術優勢是,顯著減少了偵測腔室子系統所經歷的問題或故障的時間,以及改善能源消耗,等等。本揭示內容還可以導致產生診斷資料和執行改正動作,以避免不一致和異常的產品,以及計劃外的使用者時間或停機時間。
圖1描繪了依據本揭示內容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可以被包括作為用於處理基板的製造系統(例如圖3的製造系統300)的一部分。電腦系統架構100包括客戶端設備120、製造設備124、計量設備128、預測伺服器112(其例如用來產生預測資料、提供模型調適、使用知識庫等等)和資料儲存器140。預測伺服器112可以是預測系統110的一部分。預測系統110可以進一步包括伺服器機器170和180。製造設備124可以包括感測器126,這些感測器被配置為捕捉在製造系統中正在處理的基板的資料。在一些實施例中,製造設備124和感測器126可以是感測器系統的一部分,包括感測器伺服器(例如,製造設施處的現場服務伺服器(FSS))和感測器識別碼讀取器(例如,感測器系統的前開式晶圓傳送盒(FOUP)射頻識別(RFID)讀取器)。在一些實施例中,計量設備128可以是計量系統的一部分,包括計量伺服器(例如,計量資料庫、計量資料夾等)和計量識別碼讀取器(例如,計量系統的FOUP RFID讀取器)。
製造設備124可以按照配方或在一段時間內執行行程來生產產品,例如電子設備。製造設備124可以包括製程腔室,例如關於圖4所描述的製程腔室400。製造設備124可以在製程腔室處對基板(例如晶圓等等)執行製程。基板製程的例子包括在基板的表面上沉積薄膜的一個或多個層的沉積製程,在基板的表面上形成圖案的蝕刻製程,等等。製造設備124可以依據製程配方來執行每個製程。製程配方定義了要在製程期間對基板執行的特定操作集合,並且可以包括與每個操作相關聯的一個或多個設定。例如,沉積製程配方可以包括製程腔室的溫度設定、製程腔室的壓力設定、用於沉積在基板表面上的薄膜中所包括的材料的前驅物的流速設定等。
在一些實施例中,製造設備124包括感測器126,這些感測器被配置為產生與在製造系統100處處理的基板相關聯的資料。例如,製程腔室可以包括一個或多個感測器,這些感測器被配置為在對基板執行製程(例如,沉積製程)之前、期間和/或之後產生與基板相關聯的光譜或非光譜資料。在一些實施例中,一個或多個感測器可以耦合(例如,可移除地耦合)到傳輸腔室機器人。特別是,製造設備124可以在傳輸腔室中採用機器人裝置(例如,傳輸腔室機器人),該裝置被配置為在裝載閘與製程腔室之間輸送基板。就圖3更詳細地描述了製程腔室。在一個例子中,感測器可以附接到傳輸腔室機器人的末端效應器,該末端效應器用於支撐基板。在一些實施例中,感測器可以附接到感測器工具,該感測器工具可以以自動化的方式與末端效應器耦合和解耦,而無需使用者手動干預。例如,傳輸腔室機器人可以被配置為基於將末端效應器以將末端效應器與感測器工具嚙合的方式定位,將不同的感測器工具附接到該傳輸腔室機器人的末端效應器。關於感測器工具的進一步細節將就圖5A-5B提供。在一些實施例中,感測器可以附接到感測器圓盤。例如,傳輸腔室機器人可以被配置為從裝載閘取回感測器圓盤,並使用感測器圓盤來在製程腔室內部截取讀數和進行測量。關於感測器圓盤的進一步細節將就圖6A-6B提供。
在一些實施例中,由感測器126產生的光譜資料可以表明沉積在基板的表面上的一種或多種材料的濃度。被配置為產生與基板相關聯的光譜資料的感測器126可以包括反射測量感測器、橢圓測量感測器、熱光譜感測器、電容式感測器等。被配置為產生與基板相關聯的非光譜資料的感測器126可以包括溫度感測器、壓力感測器、流速感測器、電壓感測器等。關於製造設備124的進一步細節將就圖3和圖4提供。
在一些實施例中,感測器126提供與製造設備124相關聯(例如與藉由製造設備124生產對應產品(如晶圓)相關聯)的感測器資料(例如,感測器值、特徵、跟蹤資料)。製造設備124可以按照配方或藉由在一段時間內執行作業來生產產品。在一段時間內收到的感測器資料(其例如對應於配方或運行的至少一部分)可以稱為隨時間推移從不同的感測器126收到的跟蹤資料(例如,歷史跟蹤資料、當前跟蹤資料等)。感測器資料可以包括以下項目中的一者或多者的值:溫度(例如加熱器溫度)、間隔(SP)、壓力、高頻射頻(HFRF)、靜電卡盤(ESC)的電壓、電流、材料流量、功率、電壓等等。感測器資料可以與製造參數相關聯或指示製造參數,例如硬體參數,例如製造設備124的設定或部件(例如尺寸、類型等),或製造設備124的製程參數。感測器資料可以在製造設備124正在執行製造製程時提供(例如處理產品時的設備讀數)。每個基板的感測器資料可以不同。
計量設備128可以提供與由製造設備124所處理的基板相關聯的計量資料。計量資料可以包括薄膜性質資料(例如晶圓空間薄膜性質)、尺寸(例如厚度、高度等)、介電常數、摻雜物濃度、密度、缺陷等的值。在一些實施例中,計量資料可以進一步包括一個或多個表面輪廓性質資料的值(例如蝕刻速度、蝕刻速度均勻性、包括在基板的表面上的一個或多個特徵的臨界尺寸、整個基板表面上的臨界尺寸均勻性、邊緣放置誤差等)。計量資料可以是成品或半成品的資料。每個基板的計量資料可以不同。計量資料可以使用例如反射測量技術、橢圓測量技術、TEM技術等產生。
在一些實施例中,計量設備128可以被包括作為製造設備124的一部分。例如,計量設備128可以被包括在製程腔室內部或與製程腔室耦合,並被配置為在基板保持在製程腔室中時,在製程(例如,沉積製程、蝕刻製程等)之前、期間和/或之後為基板產生計量資料。在這種情況下,計量設備128可以稱為原位計量設備。在另一個例子中,計量設備128可以與製造設備124的另一個站耦合。例如,計量設備可以與傳輸腔室(如圖3的傳輸腔室310)、裝載閘(如裝載閘320)或工廠介面(如工廠介面306)耦合。在這種情況下,計量設備128可以稱為整合式計量設備。在其他或類似的實施例中,計量設備128不與製造設備124的站耦合。在這種情況下,計量設備128可以稱為直列式(inline)計量設備或外部計量設備。在一些實施例中,整合式計量設備和/或直列式計量設備被配置為在製程之前和/或之後為基板產生計量資料。
客戶端設備120可以包括計算設備,例如個人電腦(PC)、膝上型電腦、行動電話、智慧型手機、平板電腦、隨身型易網機電腦、網路連接的電視(「智慧型TV」)、網路連接的媒體播放器(例如藍光播放器)、機上盒、過頂(OTT)串流設備、營運商盒子(operator box)等。在一些實施例中,可以從客戶端設備120接收計量資料。客戶端設備120可以顯示圖形使用者介面(GUI),其中GUI使使用者能夠提供在製造系統處處理的基板的計量測量值作為輸入。客戶端設備120可以包括改正動作部件122。改正動作部件122可以接收與製造設備124相關聯的指示的使用者輸入(例如經由客戶端設備120顯示的圖形使用者介面(GUI)接收)。在一些實施例中,改正動作部件122向預測系統110傳輸指示,從預測系統110接收輸出(例如預測資料),基於輸出來決定改正動作,並導致改正動作被實施。在一些實施例中,改正動作部件122從預測系統110接收對改正動作的指示,並導致改正動作被實施。每個客戶端設備120包括作業系統,該作業系統允許使用者進行產生、觀看或編輯資料(例如與製造設備124相關聯的指示、與製造設備124相關聯的改正動作等)的操作中的一者或多者。
資料儲存器140可以是記憶體(例如隨機存取記憶體)、驅動器(例如硬碟機、快閃碟)、資料庫系統,或能夠儲存資料的另一種類型的部件或設備。資料儲存器140可以包括可以跨越多個計算設備(例如多個伺服器電腦)的多個儲存部件(例如多個驅動器或多個資料庫)。資料儲存器140可以儲存與在製造設備124處處理基板相關聯的資料。例如,資料儲存器140可以儲存由製造設備124處的感測器126在基板製程之前、期間或之後收集的資料(稱為製程資料)。製程資料可以指歷史製程資料(例如,為在製造系統處處理的先前基板產生的製程資料)和/或當前製程資料(例如,為在製造系統處處理的當前基板產生的製程資料)。資料儲存器還可以儲存與在製造設備124處處理的基板的一部分相關聯的光譜資料或非光譜資料。光譜資料可以包括歷史光譜資料和/或當前光譜資料。
資料儲存器140還可以儲存與在製造系統處處理的一個或多個基板相關聯的上下文資料。上下文資料可以包括配方名稱、配方步驟編號、預防性維護指示符、操作員等。上下文資料可以指歷史上下文資料(例如,與為先前基板執行的先前製程相關聯的上下文資料)和/或當前製程資料(例如,與當前製程或要為先前基板執行的未來製程相關聯的上下文資料)。上下文資料可以包括與製程腔室的特定子系統相關聯的識別感測器。
資料儲存器140也可以儲存任務資料。任務資料可以包括在沉積製程期間對基板執行的一個或多個操作集合,並可以包括與每個操作相關聯的一個或多個設定。例如,沉積製程的任務資料可以包括製程腔室的溫度設定、製程腔室的壓力設定、沉積在基板上的薄膜材料的前驅物的流速設定等。在另一個例子中,任務資料可以包括將壓力控制在為流量值界定的壓力點下。任務資料可以指歷史任務資料(例如,與為先前基板執行的先前製程相關聯的任務資料)和/或當前任務資料(例如,與當前製程或要為基板執行的未來製程相關聯的任務資料)。
在一些實施例中,資料儲存器140可以被配置為儲存製造系統的使用者不可存取的資料。例如,製造系統的使用者(例如,操作員)無法存取為正在製造系統處處理的基板獲得的製程資料、光譜資料、上下文資料等。在一些實施例中,儲存在資料儲存器140處的所有資料都可以是製造系統的使用者無法存取的。在其他或類似的實施例中,儲存在資料儲存器140處的資料的一部分可以是使用者不可存取的,而儲存在資料儲存器140處的資料的另一個部分可以是使用者可存取的。在一些實施例中,儲存在資料儲存器140處的資料的一個或多個部分可以使用使用者未知的加密機制來加密(例如資料是使用私用加密金鑰來加密的)。在其他或類似的實施例中,資料儲存器140可以包括多個資料儲存器,其中使用者不可存取的資料儲存在一個或多個第一資料儲存器中,而使用者可存取的資料儲存在一個或多個第二資料儲存器中。
在一些實施例中,資料儲存器140可以被配置為儲存與已知的錯失模式相關聯的資料。錯失模式可以是與關聯於製程腔室子系統的一個或多個問題或故障相關聯的一個或多個值(例如向量、純量等)。在一些實施例中,錯失模式可以與改正動作相關聯。例如,錯失模式可以包括參數調整步驟,以改正錯失模式所表明的問題或故障。例如,預測系統可以將所決定的錯失模式與已知的錯失模式庫進行比較,以決定子系統經歷的故障類型、故障的原因、推薦的用於改正錯失的改正動作等。
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和伺服器機器180。預測伺服器112、伺服器機器170和伺服器機器180可以各自包括一個或多個計算設備,例如機架式伺服器、路由器電腦、伺服器電腦、個人電腦、大型電腦、膝上型電腦、平板電腦、桌上型電腦、圖形處理單元(GPU)、加速器特定應用積體電路(ASIC)(例如張量處理單元(TPU))等。
伺服器機器170包括訓練集產生器172,它能夠產生訓練資料集(例如資料輸入集合和目標輸出集合)以訓練、驗證和/或測試機器學習模型190。機器學習模型190可以是任何能夠根據資料進行學習的演算法模型。下面就圖2詳細描述了訓練集產生器172的一些操作。在一些實施例中,資料集產生器172可以將訓練資料劃分成訓練集、驗證集和測試集。在一些實施例中,預測系統110產生多個訓練資料集合。
伺服器機器180可以包括訓練引擎182、驗證引擎184、選擇引擎185及/或測試引擎186。引擎可以指硬體(例如電路系統、專用邏輯、可程式化邏輯、微代碼、處理設備等等)、軟體(例如運行於處理設備、通用電腦系統或專用機器上的指令)、韌體、微代碼,或上述項目的組合。訓練引擎182可以能夠訓練一個或多個機器學習模型190。機器學習模型190可以指由訓練引擎182使用訓練資料(在本文也稱為訓練集)所產生的模型工件,該訓練資料包括資料輸入和對應的目標輸出(相應的訓練輸入的正確答案)。訓練引擎182可以尋找訓練資料中的將訓練輸入映射到目標輸出(要預測的答案)的模式,並且提供捕捉這些模式的機器學習模型190。機器學習模型190可以使用統計建模、支援向量機(SVM)、放射狀基底函數(RBF)、聚類、監督式機器學習、半監督式機器學習、非監督式機器學習、k最近鄰域演算法(k-NN)、線性迴歸、隨機森林、神經網路(例如人工神經網路)等等中的一者或多者。
可以用於執行上述任務中的一些或全部的一種機器學習模型是人工神經網路,如深度神經網路。人工神經網路通常包括具有將特徵映射到期望的輸出空間的分類器或迴歸層的特徵表示部件。例如,卷積神經網路(CNN)包含多層卷積過濾器。在較低層處,池化被執行,並且非線性問題可以被解決,在這些較低層上通常附加有多層感知器,將由卷積層所抽取的頂層特徵映射到決策(例如分類輸出)。深度學習是一類機器學習演算法,它使用多層非線性處理單元的級聯進行特徵抽取和變換。每個連續的層使用來自前一層的輸出作為輸入。深度神經網路可以以監督(如分類)和/或無監督(如模式分析)的方式學習。深度神經網路包括層的分層結構,不同的層學習與不同的抽象層次對應的不同的表示層次。在深度學習中,每個層次都會學習將其輸入資料變換成略微更加抽象和綜合的表示。例如,在電漿製程調整中,原始輸入可以是製程結果分佈(例如,指示整個基板表面上的一個或多個厚度值的厚度分佈);第二層可以組成與電漿製程系統的控制元件的一個或多個區的狀態相關聯的特徵資料(例如,區的定向、電漿暴露持續時間等);第三層可以包括起始配方(例如,用作用於決定更新的製程配方的起點的配方,該更新的製程配方用於處理基板以產生滿足閥值準則的製程結果)。值得注意的是,深度學習過程可以自行學習哪些特徵要最佳地放置在哪個層次。「深度學習」中的「深度」指的是變換資料所通過的層數。更確切地說,深度學習系統有相當大的信用分配路徑(CAP)深度。CAP是從輸入到輸出的變換鏈。CAP描述了輸入與輸出之間潛在的因果關係。對於前饋神經網路,CAP的深度可以是網路的深度,並且可以是隱藏層的數量加1。對於訊號可以通過一個層傳播超過一次的遞歸神經網路來說,CAP深度可能是無限的。
在一個實施例中,一個或多個機器學習模型是遞歸神經網路(RNN)。RNN是一種神經網路,它包括記憶體,使神經網路能夠捕捉到時間上的相依性。RNN能夠學習取決於當前輸入和過去輸入兩者的輸入-輸出映射。RNN將處理過去和未來的流速測量,並基於這種連續的計量資訊作出預測。RNN可以使用訓練資料集進行訓練,以產生固定數量的輸出(例如,決定一組基板處理率,決定對基板製程配方的修改)。可以使用的一種RNN是長短期記憶(LSTM)神經網路。
神經網路的訓練可以以監督式學習的方式實現,這涉及藉由網路饋送由有標籤的輸入組成的訓練資料集,觀察其輸出,界定誤差(藉由測量輸出與標籤值之間的差異來界定),並使用諸如深度梯度下降和反向傳播之類的技術來調整網路所有層和節點的權重,使誤差最小化。在許多應用中,對訓練資料集中的許多有標籤的輸入重複這一過程會產生一個網路,當出現與存在於訓練資料集中的輸入不同的輸入時,該網路可以產生正確的輸出。
包含數百、數千、數萬、數十萬或更多感測器資料和/或製程結果資料(例如,計量資料,如與感測器資料相關聯的一個或多個厚度分佈)的訓練資料集可以用於形成訓練資料集。
為了實現訓練,處理邏輯可以將訓練資料集輸入一個或多個未訓練的機器學習模型。在將第一輸入輸入機器學習模型之前,機器學習模型可以被初始化。處理邏輯基於訓練資料集來訓練未訓練的機器學習模型,以產生執行上面闡述的各種操作的一個或多個經訓練的機器學習模型。訓練可以藉由一次一個地將一個或多個感測器資料輸入機器學習模型來執行。
機器學習模型處理輸入以產生輸出。人工神經網路包括輸入層,該輸入層由資料點中的值組成。下一層稱為隱藏層,隱藏層處的節點各自接收一個或多個輸入值。每個節點都包含應用於輸入值的參數(例如權重)。因此,每個節點基本上都將輸入值輸入多變量函數(例如,非線性數學變換),以產生輸出值。下一層可能是另一個隱藏層,或輸出層。在這兩種情況下,下一層處的節點從上一層處的節點接收輸出值,每個節點對那些值應用權重,然後產生自己的輸出值。這可以在每一層處執行。最後一層是輸出層,在那裡,機器學習模型所能產生的每個類別、預測和/或輸出都有一個節點。
因此,輸出可以包括一個或多個預測或推斷。例如,輸出預測或推斷可以包括對腔室部件上的薄膜堆積、腔室部件的侵蝕、腔室部件的預測故障等的一個或多個預測。窗口)。處理邏輯基於機器學習模型的輸出(例如,預測或推斷)與關聯於輸入訓練資料的目標標籤之間的差異來決定誤差(即分類誤差)。處理邏輯基於誤差來調整機器學習模型中一個或多個節點的權重。可以為人工神經網路中的每個節點決定誤差項或差量(delta)。基於這個誤差,人工神經網路調整其一個或多個節點的一個或多個參數(節點的一個或多個輸入的權重)。參數可以以反向傳播的方式進行更新,使得最高層處的節點先被更新,然後是下一層處的節點,以此類推。人工神經網路包含多層「神經元」,其中每一層都從上一層處的神經元接收作為輸入值。每個神經元的參數包括與從上一層處的每個神經元收到的值相關聯的權重。因此,調整參數可以包括調整分配給人工神經網路中一個或多個層的一個或多個神經元的每個輸入的權重。
在一輪或多輪訓練之後,處理邏輯可以決定停止準則是否已被滿足。停止準則可以是準確度的目標位準、來自訓練資料集的經處理的影像的目標數量、參數相對於一個或多個先前資料點的變化的目標量、其組合和/或其他準則。在一個實施例中,當至少處理了最低數量的資料點,並且至少達到了閾值準確度,就滿足了停止準則。閾值準確度可以是例如70%、80%或90%的準確度。在一個實施例中,如果機器學習模型的準確度已經停止提高,那麼停止準則被滿足。如果沒有滿足停止準則,那麼就執行進一步的訓練。如果滿足了停止準則,那麼訓練就可能完成了。一旦機器學習模型被訓練,訓練資料集的保留部分就可以用來測試模型。
一旦產生一個或多個經訓練的機器學習模型190,它們就可以作為預測部件114或預測部件114的部件儲存在預測伺服器112中。
驗證引擎184可以能夠使用來自訓練集產生器172的驗證集的對應的特徵集合來驗證機器學習模型190。一旦模型參數被最佳化,就可以執行模型驗證,以決定模型是否得到了改善,並決定深度學習模型的當前準確度。驗證引擎184可以基於驗證集的對應的特徵集合來決定機器學習模型190的準確度。驗證引擎184可以丟棄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可以能夠選擇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可以能夠選擇具有經訓練的機器學習模型190中最高的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的測試集的對應的特徵集合來測試經訓練的機器學習模型190。例如,使用訓練集的第一特徵集合來訓練的第一經訓練的機器學習模型190可以使用訓練集的第一特徵集合來測試。測試引擎186可以基於測試集來決定具有所有經訓練的機器學習模型中最高的準確度的經訓練的機器學習模型190。
如下文詳述,預測伺服器112包括預測部件114,它能夠提供指示製程腔室的每個子系統的預期行為的資料,並對當前感測器資料輸入運行經訓練的機器學習模型190以獲得一個或多個輸出。預測伺服器112可以進一步提供指示製程腔室子系統的健康狀況的資料和診斷。這一點將在下文中進一步詳細解釋。
客戶端設備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和伺服器機器180可以經由網路130彼此耦合。在一些實施例中,網路130是公用網路,它向客戶端設備120提供對預測伺服器112、資料儲存器140和其他可公用的計算設備的存取。在一些實施例中,網路130是私用網路,它向客戶端設備120提供對製造設備124、計量設備128、資料儲存器140和其他可私用的計算設備的存取。網路130可以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)、蜂巢式網路(例如長期演進(LTE)網路)、路由器、集線器、交換器、伺服器電腦、雲端計算網路和/或上述項目的組合。
應注意,在一些其他的實施方式中,伺服器機器170和180以及預測伺服器112的功能可以由更少數量的機器來提供。例如,在一些實施例中,伺服器機器170和180可以被整合成單個機器,而在一些其他或類似的實施例中,伺服器機器170和180以及預測伺服器112可以被整合成單個機器。
一般而言,在一個實施方式中被描述為由伺服器機器170、伺服器機器180和/或預測伺服器112所執行的功能也可以在客戶端設備120上執行。此外,歸因於特定部件的功能性還可以由一起操作的不同部件或多個部件所執行。
在實施例中,「使用者」可以被表示為單個個人。然而,本揭示內容的其他實施例包含是由複數個使用者和/或自動來源所控制的實體的「使用者」。例如,聯合作為管理員群組的個人使用者集合可以被視為「使用者」。
圖2是依據本揭示內容的態樣,用於訓練機器學習模型的方法200的流程圖。方法200是由處理邏輯所執行的,該處理邏輯可以包括硬體(電路系統、專用邏輯等等)、軟體(其例如運行於通用電腦系統或專用機器上)、韌體或上述項目的某種組合。在一個實施方式中,方法200可以由電腦系統(例如圖1的電腦系統架構100)所執行。在其他或類似的實施方式中,方法200的一個或多個操作可以由圖式中未描繪的一個或多個其他機器所執行。在一些態樣中,方法200的一個或多個操作可以由伺服器機器170、伺服器機器180和/或預測伺服器112執行。
為便於解釋,這些方法被描繪和描述成一系列的動作。然而,依據本揭示內容的動作可以以各種順序和/或並行地發生,並且與本文未提出和描述的其他動作一起發生。此外,不執行所有示出的動作也能實施依據所揭露的主題的方法。此外,本領域中的技術人員將瞭解並理解,這些方法可以替代性地經由狀態圖或事件被表示為一系列的相互關聯的狀態。此外,應理解,本說明書中所揭露的方法能夠被儲存在製造品上,以促進將這種方法運輸和轉移到計算設備。本文所使用的術語製造品旨在包含從任何電腦可讀取設備或儲存媒體可存取的電腦程式。
在方塊210處,處理邏輯將訓練集T初始化為空集合(例如{})。
在方塊212處,處理邏輯獲得與被執行以在先前基板的表面上沉積薄膜的一個或多個層的先前沉積製程相關聯的感測器資料(例如感測器值、特徵、跟蹤資料)。感測器資料可以進一步與製程腔室的子系統相關聯。子系統可以被表徵為與製程腔室的操作參數有關的感測器集合。操作參數可以是溫度、流速、壓力等。例如,壓力子系統可以由測量氣體流量、腔室壓力、控制閥角度、前級管道(泵之間的真空管道)壓力、泵速等的一個或多個感測器來表徵。每個製程腔室可以包括多個不同的子系統,如壓力子系統、流量子系統、溫度子系統等。
在一些實施例中,與沉積製程相關聯的感測器資料是與先前在製造系統處為先前基板執行的先前沉積製程的一個或多個先前沉積設定相關聯的歷史資料。例如,歷史資料可以是與儲存在資料儲存器140處的先前沉積製程相關聯的歷史上下文資料。在一些實施例中,該一個或多個先前沉積設定可以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、用於沉積在先前基板的表面上的先前薄膜的一種或多種材料的前驅物的先前流速設定或與沉積製程相關聯的任何其他設定中的至少一者。流速設定可以指在先前沉積製程的初始實例中前驅物的流速設定(稱為初始流速設定),在先前沉積製程的最終實例中前驅物的流速設定(稱為最終流速設定),或在沉積製程期間前驅物的流速的上升速率。在一個例子中,先前薄膜的前驅物可以包括含硼的前驅物或含矽的前驅物。在一些實施例中,感測器資料還可以與在先前基板上執行的先前蝕刻製程或在製程腔室中執行的任何其他製程相關聯。
在方塊214處,處理邏輯獲得與沉積在先前基板的表面上的薄膜的配方相關聯的任務資料。例如,任務資料可以是所需的溫度設定、壓力設定、用於沉積在基板上的薄膜的材料的前驅物的流速設定等。任務資料可以包括沉積在先前基板的表面上的先前薄膜的歷史任務資料。在一些實施例中,先前薄膜的歷史任務資料可以對應於與先前薄膜的配方相關聯的歷史任務值。依據先前所述的實施例,處理邏輯可以從資料儲存器140獲得任務資料。
在方塊216處,處理邏輯基於所獲得的與為先前基板執行的先前沉積製程相關聯的感測器資料,產生第一訓練資料。在方塊218處,處理邏輯基於與沉積在先前基板的表面上的薄膜的配方相關聯的任務資料,產生第二訓練資料。
在方塊220處,處理邏輯產生第一訓練資料與第二訓練資料之間的映射。該映射指的是包括或基於為先前基板執行的先前沉積製程的資料的第一訓練資料和包括或基於與沉積在先前基板的表面上的薄膜的配方相關聯的任務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聯(或映射到第二訓練資料)。在方塊224處,處理邏輯將該映射添加到訓練集T。
在方塊226處,處理邏輯決定訓練集T是否包括足以訓練機器學習模型的訓練資料量。應注意,在一些實施方式中,訓練集T的充分性可以單純基於訓練集中的映射的數量來決定,而在一些其他的實施方式中,訓練集T的充分性可以附加於或替代於輸入/輸出映射的數量基於一個或多個其他的準則(例如訓練例的多樣性的度量等等)來決定。響應於決定訓練集不包括足以訓練集機器學習模型的訓練資料量,方法200返回方塊212。響應於決定訓練集(T)包括足以訓練集機器學習模型的訓練資料量,方法200繼續進行到方塊228。
在方塊228處,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,訓練集T被提供給伺服器機器180的訓練引擎182以執行訓練。在神經網路的情況下,例如,給定輸入/輸出映射的輸入值被輸入到神經網路,並且輸入/輸出映射的輸出值被儲存在神經網路的輸出節點中。然後,依據學習演算法(例如反向傳播法等等)來調整神經網路中的連接權重,並且對訓練集T中其他的輸入/輸出映射重複程序。
在一些實施例中,處理邏輯可以執行離群值偵測方法,以便在訓練機器學習模型之前從訓練集T移除異常值。離群值偵測方法可以包括識別與大多數訓練資料有顯著差異的值的技術。這些值可以由誤差、雜訊等產生。
在方塊230處,處理邏輯對經訓練的機器學習模型執行校準過程。在一些實施例中,處理邏輯可以基於預測行為與當前行為之間的數值差異,將製程腔室子系統的預期行為與製程腔室子系統的當前行為進行比較。例如,處理邏輯可以將與壓力子系統、流量子系統或溫度子系統的預測資料相關聯的一個或多個值分別與壓力子系統、流量子系統或溫度子系統的當前測得行為相關聯的一個或多個值進行比較。
在方塊230之後,機器學習模型可以用於產生指示製程腔室子系統的錯失模式(例如異常行為)的一個或多個值,產生指示錯失類型(例如問題、故障等)的預測資料,和/或執行改正動作以改正可疑的問題或故障。預測資料可以藉由將錯失模式與已知錯失模式庫進行比較來產生。
在一些實施例中,製造系統可以包括超過一個的製程腔室。例如,圖3的示例製造系統300說明了多個製程腔室314、316、318。應該注意的是,在一些實施例中,為訓練機器學習模型而獲得的資料和為提供作為對機器學習模型的輸入而收集的資料可以與製造系統的同一製程腔室相關聯。在其他或類似的實施例中,為訓練機器學習模型而獲得的資料和為提供作為對機器學習模型的輸入而收集的資料可以與製造系統的不同製程腔室相關聯。在其他或類似的實施例中,為訓練機器學習模型而獲得的資料可以與第一製造系統的製程腔室相關聯,為提供作為對機器學習模型的輸入而收集的資料可以與第二製造系統的製程腔室相關聯。
圖3是依據本揭示內容的態樣的示例製造系統300的俯視示意圖。製造系統300可以在基板302上執行一個或多個製程。基板302可以是任何具適合剛性的、固定尺寸的、平面的製品,例如含矽的圓盤或晶圓、圖案化的晶圓、玻璃板等等,其適於在其上製造電子設備或電路部件。
製造系統300可以包括製程工具304和與製程工具304耦合的工廠介面306。製程工具304可以包括殼體308,其中具有傳輸腔室310。傳輸腔室310可以包括一個或多個製程腔室(也稱為處理腔室)314、316、318,它們圍繞該傳輸腔室設置並且與之耦合。製程腔室314、316、318可以藉由相應的端口(例如縫閥等等)與傳輸腔室310耦合。傳輸腔室310也可以包括傳輸腔室機器人312,它被配置為在製程腔室314、316、318、裝載閘320等等之間傳輸基板302。傳輸腔室機器人312可以包括一個或多個臂,其中每個臂在每個臂的端部處包括一個或多個末端執行器。末端效應器可以被配置為搬運特定的物體,如晶圓、感測器圓盤、感測器工具等。在一些實施例中,末端效應器可以被配置為與來自工具站340的一個或多個感測器工具耦合。
工具站340可以是用於容納、移動、變換感測器工具和/或對感測器工具進行再充電的站。在一些實施例中,工具站340可以是自動工具變換器,能夠使製程腔室機器人能夠選擇不同的感測器工具。工具站340可以包括儲存在倉匣(例如,鼓式倉匣、鏈式倉匣等)或其他容器上的感測器工具陣列。在一些實施例中,響應於對感測器工具的選擇,工具陣列可以重新定位,製程腔室機器人312可以從預定的位置選擇期望的感測器工具。在一些實施例中,響應於對感測器工具的選擇,製程腔室機器人312可以將末端效應器定位到工具站中感測器工具的指定位置。在一些實施例中,工具站340可以包括一個或多個充電端口,用於對每個感測器工具進行充電。例如,當感測器工具被定位在工具站340內(例如在倉匣上)時,感測器工具的充電部件可以連接到(例如,有線連接)充電端口或在充電端口的附近(例如,無線連接,如感應式充電)。關於傳輸腔室機器人312和工具站340的進一步細節將就圖5A-5B提供。
在一些實施例中,末端效應器可以被配置為從裝載閘擷取感測器圓盤。感測器圓盤可以是包括一個或多個感測器的基板或任何其他設備。關於傳輸腔室機器人312和感測器圓盤的進一步細節將就圖6A-B提供。
製程腔室314、316、318可以被調適為在基板302上實現任何數量的製程。可以在每個處理腔室314、316、318中進行相同或不同的基板製程。基板製程可以包括原子層沉積(ALD)、物理氣相沉積(PVD)、化學氣相沉積(CVD)、蝕刻、退火、固化、預清潔、金屬或金屬氧化物移除等。可以在其中在基板上實現其他的製程。製程腔室314、316、318可以各自包括一個或多個感測器,這些感測器被配置為在基板製程之前、之後或期間捕捉基板302的資料。例如,該一個或多個感測器可以被配置為在基板製程期間捕捉基板302的一部分的光譜資料和/或非光譜資料。在其他或類似的實施例中,該一個或多個感測器可以被配置為在基板製程之前、之後或期間捕捉與製程腔室314、316、318內的環境相關聯的資料。例如,該一個或多個感測器可以被配置為在基板製程期間捕捉與製程腔室314、316、318內環境的溫度、壓力、氣體濃度等相關聯的資料。
裝載閘320也可以與殼體308和傳輸腔室310耦合。裝載閘320可以被配置為一側與傳輸腔室310介接和耦合,並且與工廠介面306介接和耦合。在一些實施例中,裝載閘320可以具有環境受控的大氣,它可以從真空環境(其中基板可以被傳輸到傳輸腔室310或從傳輸腔室310傳輸)改變為大氣壓力或接近大氣壓力的惰性氣體環境(其中基板可以被傳輸到工廠介面306和從工廠介面306傳輸)。工廠介面306可以是任何合適的外殼,例如設備前端模組(EFEM)。工廠介面306可以被配置為從在工廠介面306的各種裝載端口324處對接的基板載體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(以虛線示出)可以被配置為在載體(也稱為容器)322與裝載閘320之間傳輸基板302。載體322可以是基板儲存載體或替換零件儲存載體。
製造系統300也可以與客戶端設備(未示出)連接,它被配置為向使用者(例如操作員)提供關於製造系統300的資訊。在一些實施例中,客戶端元件可以經由一個或多個圖形使用者介面(GUI)向製造系統300的使用者提供資訊。例如,客戶端設備可以經由GUI提供關於在製程腔室314、316、318處執行的沉積製程期間要沉積在基板302的表面上的薄膜的目標厚度分佈的資訊。依據本文所述的實施例,客戶端設備還可以提供關於鑒於被預測為與目標分佈對應的相應沉積設定集合而對製程配方進行的修改的資訊。
製造系統300還可以包括系統控制器328。系統控制器328可以是和/或可以包括諸如個人電腦、伺服器電腦、可程式化邏輯控制器(PLC)、微控制器等之類的計算設備。系統控制器328可以包括一個或多個處理設備,它可以是諸如微處理器、中央處理單元等之類的通用處理設備。更詳細而言,處理設備可以是複雜指令集計算(CISC)微處理器、精簡指令集計算(RISC)微處理器、超長指令字(VLIW)微處理器或實施其他指令集的處理器或實施指令集的組合的處理器。處理設備也可以是諸如特定應用積體電路(ASIC)、現場可程式化邏輯閘陣列(FPGA)、數位訊號處理器(DSP)、網路處理器等之類的一個或多個特殊用途處理設備。系統控制器328可以包括資料儲存設備(例如一個或多個磁碟機和/或固態硬碟)、主記憶體、靜態記憶體、網路介面和/或其他部件。系統控制器328可以執行指令以執行本文所述的方法學及/或實施例中的任一者或多者。在一些實施例中,系統控制器328可以執行指令以依據製程配方在製造系統300處執行一個或多個操作。指令可以儲存在電腦可讀取儲存媒體上,該電腦可讀取儲存媒體可以包括主記憶體、靜態記憶體、輔助儲存器和/或處理設備(在指令的執行期間)。
系統控制器328可以從包括在製造系統300的各種部分(例如,處理腔室314、316、318、傳輸腔室310、裝載閘320等)上或內的感測器接收資料。在一些實施例中,由系統控制器328所接收的資料可以包括基板302的一部分的光譜資料和非光譜資料。在其他或類似的實施例中,由系統控制器328接收的資料可以包括與在處理腔室314、316、318處處理基板302相關聯的資料,如前所述。出於本描述的目的,系統控制器328被描述為從包括在製程腔室314、316、318內的感測器接收資料。然而,系統控制器328也可以從製造系統300的任何部分接收資料,並且可以依據本文所述的實施例使用從該部分所接收的資料。在一個說明性的例子中,系統控制器328可以在製程腔室314、316、318處的基板製程之前、之後或期間從製程腔室314、316、318的一個或多個感測器接收資料。從製造系統300的各種部分的感測器收到的資料可以儲存在資料儲存器350中。資料儲存器350可以被包括作為系統控制器328內的部件,或可以是與系統控制器328分開的部件。在一些實施例中,資料儲存器350可以是就圖1所描述的資料儲存器140。
圖4是依據本揭示內容的實施例,製程腔室400的橫截面示意側視圖。在一些實施例中,製程腔室400可以與就圖3所描述的製程腔室314、316、318對應。製程腔室400可以用於提供腐蝕性電漿環境的製程。例如,製程腔室400可以是用於電漿蝕刻器或電漿蝕刻反應器等的腔室。在另一個例子中,製程腔室可以是用於沉積製程的腔室,如前所述。在一個實施例中,製程腔室400包括腔室主體402和蓮蓬頭430,它們包圍內部容積406。蓮蓬頭430可以包括蓮蓬頭基部和蓮蓬頭氣體分佈板。或者,蓮蓬頭430可以在一些實施例中由蓋體和噴嘴取代,或在其他的實施例中由多個派形蓮蓬頭隔室和電漿產生單元取代。腔室主體402可以由鋁、不銹鋼、或其他合適的材料(例如鈦(Ti))製造。腔室主體402一般包括側壁408和底部410。排氣端口426可以被界定在腔室主體402中,並且可以將內部容積406與泵系統428耦合。泵系統428可以包括一個或多個泵和節流閥,它們用來抽空和調節製程腔室400的內部容積406的壓力。
蓮蓬頭430可以被支撐在腔室主體402的側壁408上。蓮蓬頭420(或蓋體)可以打開,以允許進入製程腔室400的內部容積406,並且可以在關閉時為製程腔室400提供密封。氣體面板458可以與製程腔室400耦合,以藉由蓮蓬頭430或蓋體和噴嘴(例如藉由蓮蓬頭或蓋體和噴嘴的孔)向內部容積406提供製程和/或清潔氣體。例如,氣體面板458可以為沉積在基板302的表面上的薄膜451的材料提供前驅物。在一些實施例中,前驅物可以包括矽基前驅物或硼基前驅物。蓮蓬頭430可以包括氣體分佈板(GDP),並且在整個GDP中可以有多個氣體輸送孔432(也稱為通道)。基板支撐組件448被設置在蓮蓬頭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,在沉積製程期間)保持基板302。
在一些實施例中,處理腔室400可以包括計量設備(未示出),它被配置為在製程腔室400處執行的製程期間產生原位計量測量。計量設備可以可操作地與系統控制器(例如,系統控制器328,如前所述)耦合。在一些實施例中,計量設備可以被配置為在沉積製程的特定實例期間為薄膜451產生計量測量值(例如,厚度)。系統控制器可以基於從計量設備收到的計量測量值,產生薄膜451的厚度分佈。在其他或類似的實施例中,處理腔室400不包括計量設備。在這樣的實施例中,系統控制器可以在製程腔室400的沉積製程完成後接收薄膜451的一個或多個計量測量值。系統控制器可以基於該一個或多個計量測量值決定沉積速率,並可以基於所決定的濃度梯度和所決定的沉積製程的沉積速率,關聯產生薄膜451的厚度分佈。
圖5A是依據本揭示內容的實施例,末端效應器510的示意圖。圖5B是依據本揭示內容的實施例,與感測器工具520耦合的末端效應器510的示意圖。末端效應器510可以包括工具連接器512、基板平台514和機器人連接器516。在一些實施例中,末端效應器510可以包括一個或多個感測器。感測器工具520可以包括末端效應器連接器522和充電部件526。
機器人連接器516可以用於將末端效應器510與傳輸腔室機器人(例如,傳輸腔室機器人310)耦合。基板平台514可以用於搬運特定的物體,如基板(例如,晶圓)。工具連接器512可以用於將末端效應器510與感測器工具520耦合。例如,傳輸腔室機器人312可以接收指令,以耦合到收容在工具站(例如,工具站340)中的特定感測器工具(例如,感測器工具520),將末端效應器510定位在接近感測器工具520的末端效應器連接器522的第一位置(例如,耦合前的位置),將末端效應器510置於第二位置以將末端效應器510與感測器工具520的末端效應器連接器522耦合(經由工具連接器512耦合)(例如,耦合位置),然後從工具站340抽回感測器工具520。在完成感測器工具520的使用後,傳輸腔室機器人312可以將感測器工具520放回工具站340中。在一些實施例中,工具站340可以被配置為使用例如抓取器將所選的感測器工具自動耦合到末端效應器510。
感測器工具520可以包括一個或多個感測器。這些感測器可以用於表徵製程腔室314、316、318的一個或多個態樣、截取該一個或多個態樣的讀數或對該一個或多個態樣進行測量。這些感測器可以包括以下項目中的一者或多者:加速度計、距離感測器(其例如用於決定兩個物體之間的高度、寬度或長度)、攝影機(例如高解析度攝影機、高速攝影機等)、電容式感測器、反射計、高溫計(例如,遙感溫度計、紅外攝影機等)、雷射感應螢光光譜儀、光纖(如光纖探針)、表面聲學感測器、渦電流感測器、管道鏡、光電二極體感測器、光電倍增管、固態偵測器、熱電偶、電壓感測器、電流感測器、電阻感測器,或任何其他類型的感測器。
加速度計可以用於偵測和改正(或校準)傳輸腔室機器人312的振動和位置雜訊。距離感測器可以用於偵測卡盤(桌台)、邊緣環、蓮蓬頭、牆壁或製程腔室314、316、318的任何其他部件的侵蝕和/或腐蝕。例如,在蝕刻製程期間,可以使用邊緣環來促進沿基板表面的均勻性。然而,蝕刻可能會腐蝕邊緣環。因此,位置感測器可以用於藉由測量邊緣環的頂部平面與例如基板的頂部平面之間的距離來偵測所述腐蝕。攝影機可以記錄314、316、318的製程腔室的各區段,供操作員視覺檢驗。電容器感測器可以用於偵測用於製程腔室314、316、318內部的氣體分佈的蓮蓬頭的位置,決定基板的調平(leveling),偵測侵蝕等。反射計可以用於探測製程腔室314、316、318的牆壁上的調理膜(seasoning film)的品質。例如,反射計可以產生一束光到製程腔室314、316、318的牆壁上,並記錄所反射的光的反射率。高溫計可以用於偵測製程腔室314、316、318中加熱器的溫度均勻性,偵測製程腔室314、316、318內部的熱點,等等。傳輸腔室機器人312可以包括任何數量的所討論的或其他的感測器,或所討論的或其他的感測器的任何組合。
在一些實施例中,感測器工具520可以包括能夠促進與系統100(例如,系統控制器328、預測系統110、客戶端設備120等)通訊的電子元件模組。電子元件模組可以包括微控制器和與微控制器耦合的記憶體緩存器。記憶體緩存器可以用於收集和儲存由感測器工具520獲得的資料,然後再將資料傳輸到系統100。在一些實施例中,資料可以使用無線通訊電路進行傳輸。在其他實施例中,資料可以使用感測器工具520與系統100之間的有線連接來傳輸。例如,末端效應器連接器522和/或工具連接器512可以包括一個或多個接腳、低顆粒連接件、彈簧針,或可以在感測器工具520與系統100之間(經由傳輸腔室機器人312)傳輸資料(或電源)的任何其他類型的連接器。在一些實施例中,資料在被傳輸到系統100之前,可以先儲存(緩存)在記憶體緩存器中。在其他的實施例中,資料可以在被收集時被傳輸到系統100,而不需要儲存在記憶體緩存器中。在一些實施例中,無線或有線連接可以是連續的。在其他實施例中,無線或有線連接可以定期建立,或在檢驗完成或其他一些觸發事件(例如,當記憶體緩存器接近滿時,當感測器工具520被定位在工具站340上時,等等)後建立。例如,感測器工具520可以包括用於與工具站520進行通訊的有線或無線通訊電路。感測器工具520可以收集感測器資料並將其儲存在記憶體緩存器上,並且一旦被定位在工具站340上,就傳輸感測器資料。在一些實施例中,工具站340可以包括能夠從感測器工具520接收資料(例如,感測器資料)或向感測器工具520傳輸資料(例如,指令)的有線或無線連接器。
電子元件模組可以進一步包括電源元件和加電電路。例如,電源元件可以是電池、電容器(如超電容器(ultracapacitor)或超級電容器(supercapacitor)),或任何其他能夠向感測器和/或電子元件模組提供電源的電源元件(例如,電源鏈路)。在一些實施例中,電源元件可以從工具站340再充電。例如,當感測器工具520被收容在工具站340中並且在其中閒置時,感測器工具520可以被充電。特別是,感測器工具520可以經由充電部件526耦合到工具站340的充電端口。在一些實施例中,充電部件526可以使用一個或多個連接器(例如,接腳、低顆粒連接件、彈簧針)耦合到充電端口。在其他實施例中,充電部件526可以被定位在充電端口附近,感測器工具520可以經由無線充電(例如,感應式充電)進行充電。
圖6A和6B是依據本揭示內容的實施例,感測器圓盤610和末端效應器620的示意圖。末端效應器620可以包括電連接器622。電連接器622可以是用於向感測器圓盤610和從該感測器圓盤提供電源和/或傳輸資料的任何類型的連接器(例如,接腳、低顆粒連接件、彈簧針),這一點將在下文詳細解釋。
感測器圓盤610可以是任何包括一個或多個感測器(例如,感測器612A-612E)的設備。感測器612A-612E可以用於表徵製程腔室314、316、318的一個或多個態樣、截取該一個或多個態樣的讀數或對該一個或多個態樣進行測量。感測器612A-612E可以包括以下項目中的一者或多者:加速度計、距離感測器(其例如用於決定兩個物體之間的高度、寬度或長度)、攝影機(例如高解析度攝影機、高速攝影機等)、電容式感測器、反射計、高溫計(例如,遙感溫度計、紅外攝影機等)、雷射感應螢光光譜儀、光纖(如光纖探針)、表面聲學感測器、渦電流感測器、管道鏡、光電二極體感測器、光電倍增管、固態偵測器、熱電偶、電壓感測器、電流感測器、電阻感測器,或任何其他類型的感測器。雖然感測器圓盤610說明了五個感測器612A-612E,但應該理解,任何數量的感測器都可以耦合到感測器圓盤610。
在一些實施例中,感測器圓盤610(和/或感測器612A-E)連接到電源鏈路和/或資料鏈路中的一者或多者。電源鏈路可以是任何能夠向感測器提供電源的有線連接(例如,經由電連接器622連接)或無線(例如,感應式)連接。在一些實施例中,電源鏈路是類似的或相同的系統,用於向傳輸腔室機器人112的其他功能(例如,連結移動功能、效應器操作功能等)提供電源。在一些實施例中,電源鏈路是獨立於另一個電源鏈路的系統,用於向傳輸腔室機器人312的其他功能提供電源。在一些實施例中,感測器圓盤610可以包括電源元件和/或加電電路。資料鏈路可以是任何用於提供資料或從感測器擷取資料的有線連接(例如經由電連接器622連接)或無線(WiFi、藍牙、基於網際網路等的)連接。例如,資料鏈路可以用於向感測器提供指令,以進行測量或截取讀數,將收集的資料發送到介面(例如,使用者介面)或資料儲存系統,等等。在一些實施例中,資料鏈路是獨立於另一個資料鏈路的系統,用於提供指令並與傳輸腔室機器人312通訊,以使傳輸腔室機器人312能夠在傳輸腔室314、316、318與裝載閘320之間傳輸和定位基板。在一些實施例中,感測器圓盤610可以包括能夠促進與系統100(例如,系統控制器328、預測系統110、客戶端設備120等)通訊的電子元件模組(例如,微控制器和與微控制器耦合的記憶體緩存器)。
感測器圓盤610可以由末端效應器620搬運。例如,感測器圓盤可以收容在FOUP中,該FOUP可以對接在工廠介面306的裝載端口324處。工廠介面機器人326可以被配置為在FOUP與裝載閘320之間傳輸感測器圓盤610。傳輸腔室機器人312可以將末端效應器620(其與感測器圓盤620耦合)定位在任何製程腔室314、316、318內。傳輸腔室機器人的末端效應器和/手臂可以包括一個或多個連接器,用於連接到感測器工具或感測器圓盤620。這種連接器可以提供電源連接和/或資料鏈路連接。使用感測器圓盤620,傳輸腔室機器人312可以截取製程腔室的讀數和/或對製程腔室進行測量。在一些實施例中,感測器和或傳輸腔室機器人312包括處理設備,如中央處理單元(CPU)、微控制器、可程式化邏輯控制器(PLC)、系統單晶片(SoC)、伺服器電腦或其他合適類型的計算設備。處理設備可以被配置為執行與感測器的操作有關的程式化指令。處理設備可以接收來自感測器設備的反饋訊號,並將這些訊號計算成感測器資料(例如,溫度、視訊資料、位置資料等)。處理設備可以基於收到的指令進一步將控制訊號傳輸給感測器。在一些實施例中,處理設備被配置為用於高速反饋處理,並且可以包括例如EPM。在一些實施例中,處理設備被配置為將反饋訊號和/或感測器資料傳輸或發送至介面(例如,使用者介面)、資料儲存器等。
製程腔室機器人312可以被進一步配置為將感測器圓盤610定位回裝載閘320中。在一些實施例中,感測器圓盤610可以是類似於晶圓的形狀。在其他實施例中,感測器圓盤610可以是任何形狀,包括但不限於圓形、橢圓形、正方形、矩形、不規則形等。
圖7是依據本揭示內容的態樣,用於使用機器學習模型來決定製程腔室子系統的故障類型的方法700的流程圖。方法700是由處理邏輯所執行的,該處理邏輯可以包括硬體(電路系統、專用邏輯等等)、軟體(其例如運行於通用電腦系統或專用機器上)、韌體或上述項目的某種組合。在一個實施方式中,方法700可以由電腦系統(例如圖1的電腦系統架構100)所執行。在其他或類似的實施方式中,方法700的一個或多個操作可以由圖式中未描繪的一個或多個其他機器所執行。在一些態樣中,方法600的一個或多個操作可以由伺服器機器170、伺服器機器180和/或預測伺服器112執行。
在方塊710處,處理邏輯獲得與製程腔室中執行的操作相關聯的感測器資料。在一些實施例中,該操作可以包括在製程腔室中執行以在基板的表面上沉積薄膜的一個或多個層的沉積製程,在基板的表面上的薄膜的該一個或多個層上執行的蝕刻製程,等等。該操作可以依據配方來執行。感測器資料可以包括以下項目中的一者或多者的值:溫度(例如加熱器溫度)、間隔、壓力、高頻射頻、靜電卡盤的電壓、電流、材料流量、功率、電壓等。感測器資料可以與製造參數相關聯或指示製造參數,例如硬體參數,例如製造設備124的設定或部件(例如尺寸、類型等),或製造設備124的製程參數。
在方塊712處,處理邏輯將機器學習模型(例如模型190)應用於所獲得的感測器資料。機器學習模型可以用於產生與製程腔室子系統的預期行為相關聯的一個或多個值。例如,機器學習模型可以使用演算法來使用訓練集T產生製程腔室子系統的預測行為。在一些實施例中,機器學習模型是使用製程腔室的子系統的歷史感測器資料和與用於執行操作的配方相關聯的任務資料來訓練的。
在方塊714處,處理邏輯經由機器學習模型基於感測器資料來產生輸出。在一些實施例中,該輸出可以是指示模式(例如錯失模式)的值。特別是,該輸出可以包括當前資料是否指示製程腔室正在經歷故障的預測資料。在一些實施例中,該輸出可以是指示製程腔室子系統的預期行為與製程腔室子系統的實際行為之間的差異的至少一個值。特別是,該(該等)值可以指示與子系統相關聯的感測器集合的實際值與該感測器集合的預期值之間的差異。故障可以包括機構故障、高或低的壓力、高或低的氣體流量、高或低的溫度等。
在方塊716處,處理邏輯決定製程腔室子系統是否正在經歷故障。在一些實施例中,故障可以包括機構故障、高或低的壓力、高或低的氣體流量、高或低的溫度、腐蝕、侵蝕、惡化等。在一些實施例中,處理邏輯可以藉由將輸出與預定的閾值相比較來決定製程腔室子系統是否正在經歷故障。在一些實施例中,處理邏輯可以藉由決定輸出未能與預期行為相匹配來決定製程腔室子系統是否正在經歷故障。響應於處理邏輯決定製程腔室子系統沒有正在經歷故障(例如輸出的值不超過預定閾值),處理邏輯可以繼續進行到方塊710。響應於處理邏輯決定製程腔室子系統正在經歷故障(例如輸出的值超過預定閾值),處理邏輯可以繼續進行到方塊718。
在方塊718處,處理邏輯可以基於輸出來識別故障的類型。在一些實施例中,處理邏輯可以將錯失模式與製造資料圖和/或已知錯失模式庫進行比較,以基於錯失模式與已知錯失模式或製造資料圖比較時的相似性來決定故障類型。在一些實施例中,可以使用自然語言處理從製造資料圖抽取錯失類型,然後該錯失類型與對應的錯失模式相關聯。在一些實施例中,故障類型可以顯示在使用者介面上(向使用者顯示)。
在方塊720處,處理邏輯可以基於識別的故障,執行(或建議)改正動作。在一些實施例中,可以基於從錯失庫獲得的資料來決定改正動作。在一些實施例中,改正動作可以包括向客戶端設備120產生對所決定的問題的警報或指示。在一些實施例中,改正動作可以包括處理邏輯表明錯失或故障的類型、錯失或故障的原因和/或推薦的改正動作。在一些實施例中,改正動作可以包括處理邏輯基於薄膜的期望性質來調整沉積製程配方的一個或多個參數(例如,製程腔室的溫度設定、製程腔室的壓力設定、用於沉積在基板表面上的薄膜所包括的材料的前驅物的流量設定等)。在一些實施例中,沉積製程配方可以在沉積製程之前、期間(例如實時)或之後調整。
圖8是依據某些實施例,說明電腦系統800的方塊圖。在一些實施例中,電腦系統800可以與其他的電腦系統連接(例如經由網路連接,例如區域網路(LAN)、內部網路、外部網路或網際網路)。電腦系統800可以以客戶端-伺服器環境中的伺服器或客戶端電腦的身份操作,或作為同級間或分散式網路環境中的同級電腦操作。電腦系統800可以由個人電腦(PC)、平板PC、機上盒(STB)、個人數位助理(PDA)、蜂巢式電話、網頁用具(web appliance)、伺服器、網路路由器、交換機或橋接器,或能夠執行指令集(依序執行或以其他方式執行)的任何設備所提供,該等指令指定要由該設備所採取的動作。進一步地,術語「電腦」應包括單獨地或聯合地執行一個或多個指令集以執行本文所述的方法中的任一者或更多者的電腦的任何集合。
在另一個態樣中,電腦系統800可以包括處理設備802、易失性記憶體804(例如隨機存取記憶體(RAM))、非易失性記憶體806(例如唯讀記憶體(ROM)或可電抹除的可程式化ROM(EEPROM))和資料儲存設備816,上述設備可以經由匯流排808彼此通訊。
處理設備802可以由諸如通用處理器(舉例而言,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(VLIW)微處理器、實施其他類型指令集的微處理器或實施多種類型指令集的組合的微處理器)或特殊處理器(舉例而言,例如特定應用積體電路(ASIC)、現場可程式化邏輯閘陣列(FPGA)、數位訊號處理器(DSP)或網路處理器)之類的一個或多個處理器所提供。
電腦系統800可以進一步包括網路介面設備822(其例如與網路874耦合)。電腦系統800也可以包括視訊顯示單元810(例如LCD)、文數字輸入設備812(例如鍵盤)、游標控制設備814(例如滑鼠)和訊號產生設備820。
在一些實施方式中,資料儲存設備816可以包括非暫時性電腦可讀取儲存媒體824,其上可以儲存指令826,這些指令對本文所述的方法或功能中的任一者或多者進行編碼,包括對圖1的部件(例如改正動作部件122、預測部件114等)進行編碼和用於實施本文所述的方法的指令。
指令826也可以在其被電腦系統800執行的期間完全地或部分地駐留在易失性記憶體804和/或處理設備802內,因此易失性記憶體804和處理設備802也可以構成機器可讀取儲存媒體。
雖然在說明性例子中將電腦可讀取儲存媒體824示為單個媒體,但術語「電腦可讀取儲存媒體」也應包括儲存該一個或多個可執行指令集的單個媒體或多個媒體(例如集中式或分散式資料庫和/或相關聯的快取記憶體和伺服器)。術語「電腦可讀取儲存媒體」也應包括能夠對指令集進行儲存或編碼的任何媒體,該指令集用於由電腦執行,使該電腦執行本文所述的方法中的任一者或多者。術語「電腦可讀取儲存媒體」應包括但不限於固態記憶體、光學媒體和磁性媒體。
本文所述的方法、部件和特徵可以由離散的硬體部件所實施,或者可以整合在諸如ASICS、FPGA、DSP或類似設備之類的其他硬體部件的功能性中。此外,方法、部件和特徵還可以由硬體設備內的韌體模組或功能電路系統所實施。進一步地,方法、部件和特徵可以以硬體設備與電腦程式部件的任何組合或以電腦程式來實施。
除非另有具體陳述,否則諸如「接收」、「執行」、「提供」、「獲得」、「引起」、「存取」、「決定」、「添加」、「使用」、「訓練」等之類的術語指的是由電腦系統執行或實施的動作和過程,該等動作和過程將在電腦系統暫存器和記憶體內表示為物理(電子)量的資料操控並變換成在電腦系統記憶體或暫存器或者其他這樣的資訊儲存、傳輸或顯示設備內類似地表示為物理量的其他資料。並且,本文所使用的術語「第一」、「第二」、「第三」、「第四」等是作為區分不同元素的標籤,並且可以不具有依據它們數字標記的順序意義。
本文所述的例子也與一種用於執行本文所述的方法的裝置相關。這個裝置可以被專門建構為用於執行本文所述的方法,或它可以包括選擇性地由儲存在電腦系統中的電腦程式來程式化的通用電腦系統。可以將這種電腦程式儲存在電腦可讀取有形儲存媒體中。
本文所述的方法和說明性例子與任何特定的電腦或其他的裝置沒有固有的關聯性。可以依據本文所述的教示來使用各種通用系統,或者可以證明建構更專門的裝置來執行本文所述的方法和/或該等方法的單獨功能、常式、子常式或操作中的每一者是合宜的。上面的說明中闡述了用於各種這些系統的結構的例子。
以上描述旨在是說明性的,而非限制性的。雖然已經參考具體的說明性例子和實施方式來描述本揭示內容,但將認識到,本揭示內容不限於所述的例子和實施方式。將參考以下請求項以及這些請求項所賦予的等效物的全部範圍來決定本揭示內容的範圍。
100:電腦系統架構
110:預測系統
112:預測伺服器
114:預測部件
120:客戶端設備
122:改正動作部件
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
222: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
310:傳輸腔室
312:傳輸腔室機器人
314:製程腔室
316:製程腔室
318:製程腔室
320:裝載閘
322:載體
324:裝載端口
326:工廠介面機器人
328:系統控制器
340:工具站
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:排氣端口
428:泵系統
430:蓮蓬頭
432:氣體輸送孔
448:基板支撐組件
451:薄膜
458:氣體面板
510:末端效應器
512:工具連接器
514:基板平台
516:機器人連接器
520:感測器工具
526:充電部件
610:感測器圓盤
620:末端效應器
700:方法
710:方塊
712:方塊
714:方塊
716:方塊
718:方塊
720:方塊
800:電腦系統
802:處理設備
804:易失性記憶體
806:非易失性記憶體
808:匯流排
810:視訊顯示單元
812:文數字輸入設備
814:游標控制設備
818:資料儲存設備
820:訊號產生設備
822:網路介面設備
824:電腦可讀取儲存媒體
826:指令
874:網路
612A:感測器
612B:感測器
612C:感測器
612D:感測器
612E:感測器
藉由示例的方式而非限制的方式在附圖的圖式中示出本揭示內容。
圖1是一個方塊圖,說明依據某些實施例的示例性系統架構。
圖2是依據某些實施例,用於訓練機器學習模型的方法的流程圖。
圖3是依據某些實施例,示例製造系統的俯視示意圖。
圖4是依據某些實施例,示例製造系統的示例製程腔室的橫截面示意側視圖。
圖5A是依據本揭示內容的實施例,末端效應器的示意圖。
圖5B是依據本揭示內容的實施例,與感測器工具耦合的末端效應器的示意圖。
圖6A和6B是依據本揭示內容的實施例,感測器圓盤和末端效應器的示意圖。
圖7是依據某些實施例,用於使用機器學習模型來決定製程腔室子系統的故障類型的方法的流程圖。
圖8是依據某些實施例,說明電腦系統的方塊圖。
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:客戶端設備
122:改正動作部件
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)
- 一種電子設備製造系統,包括: 一傳輸腔室; 一工具站,位在該傳輸腔室內; 一製程腔室,與該傳輸腔室耦合;以及 一傳輸腔室機器人,被配置為向該製程腔室和從該製程腔室傳輸基板,其中該傳輸腔室機器人被配置為與包括一個或多個感測器的一感測器工具耦合,該一個或多個感測器被配置為在該製程腔室的內部進行測量,其中該感測器工具可以藉由該傳輸腔室機器人的一末端效應器從該工具站取回。
- 如請求項1所述的電子設備製造系統,其中該感測器工具進一步包括:一電子元件模組,能夠促進經由一網路進行無線通訊。
- 如請求項1所述的電子設備製造系統,其中該感測器工具進一步包括:一電源元件,能夠向該一個或多個感測器提供電源。
- 如請求項3所述的電子設備製造系統,其中該感測器工具進一步包括:一加電電路,能夠經由該工具站的一充電端口對該電源元件進行充電。
- 如請求項1所述的電子設備製造系統,其中該末端效應器包括一個或多個電連接器,用於向該感測器工具提供資料或電源中的至少一者。
- 如請求項1所述的電子設備製造系統,其中該感測器工具包括一個或多個電連接器,用於從該傳輸腔室機器人接收資料或電源中的至少一者。
- 如請求項1所述的電子設備製造系統,其中該一個或多個感測器包括以下項目中的至少一者:一加速度計、一距離感測器、一攝影機、一電容式感測器、一反射計、一高溫計、一雷射感應螢光光譜儀、一光纖探針、一表面聲學感測器、一渦電流感測器、一管道鏡、一光電二極體感測器、一光電倍增管、一固態偵測器、一熱電偶、一電壓感測器、一電流感測器或一電阻感測器。
- 如請求項1所述的電子設備製造系統,其中該感測器工具包括一連接器元件,該連接器元件被配置為將該感測器工具與該末端效應器耦合。
- 一種電子設備製造系統,包括: 一裝載閘; 一傳輸腔室,與該裝載閘耦合; 一製程腔室,與該傳輸腔室耦合;以及 一傳輸腔室機器人,被配置為向該製程腔室和從該製程腔室傳輸基板,其中該傳輸腔室機器人被配置為與包括一個或多個感測器的一感測器圓盤耦合,該一個或多個感測器被配置為在該製程腔室的內部進行測量,其中該感測器圓盤可以藉由該傳輸腔室機器人的一末端效應器從該裝載閘取回。
- 如請求項9所述的電子設備製造系統,其中該末端效應器包括一個或多個電連接器,用於向該感測器圓盤提供資料或電源中的至少一者。
- 如請求項9所述的電子設備製造系統,其中該感測器圓盤包括一個或多個電連接器,用於從該傳輸腔室機器人接收資料或電源中的至少一者。
- 如請求項9所述的電子設備製造系統,其中該感測器圓盤包括一資料鏈路,該資料鏈路能夠向一使用者介面或一資料儲存系統發送該等測量。
- 如請求項9所述的電子設備製造系統,其中該一個或多個感測器包括以下項目中的至少一者:一加速度計、一距離感測器、一攝影機、一電容式感測器、一反射計、一高溫計、一雷射感應螢光光譜儀、一光纖探針、一表面聲學感測器、一渦電流感測器、一管道鏡、一光電二極體感測器、一光電倍增管、一固態偵測器、一熱電偶、一電壓感測器、一電流感測器或一電阻感測器。
- 如請求項9所述的電子設備製造系統,其中該感測器圓盤進一步包括:一電子元件模組,能夠促進經由一網路進行無線通訊。
- 一種方法,包括以下步驟: 藉由一處理器,將一傳輸腔室機器人的與一感測器設備耦合的一部分定位在一製程腔室內,該感測器設備包括一個或多個感測器; 使用該一個或多個感測器,獲得與該製程腔室相關聯的感測器資料;以及 從該製程腔室移除該傳輸腔室機器人的該部分。
- 如請求項15所述的方法,進一步包括以下步驟: 將該感測器設備定位在一裝載閘中。
- 如請求項15所述的方法,進一步包括以下步驟: 在將該傳輸腔室機器人的該部分定位在該製程腔室中之前,從位在一傳輸腔室內的一工具站取回該感測器設備;以及 在從該製程腔室移除該傳輸腔室機器人的該部分之後,將該感測器設備放置在該工具站中。
- 如請求項15所述的方法,其中該感測器設備包括一感測器工具或一感測器圓盤中的至少一者。
- 一種方法,包括以下步驟: 藉由與一傳輸腔室機器人耦合的一感測器設備,從一製程腔室獲得複數個感測器值; 將一機器學習模型應用於該複數個感測器值,該機器學習模型是基於該製程腔室的一子系統的歷史感測器資料和與用於沉積該薄膜的該配方相關聯的任務資料來訓練的; 產生該機器學習模型的一輸出,其中該輸出指示該子系統的一故障類型; 決定該子系統的該故障類型;以及 基於該故障類型來產生一改正動作。
- 如請求項19所述的方法,其中該感測器設備包括一感測器工具或一感測器圓盤中的至少一者。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163242710P | 2021-09-10 | 2021-09-10 | |
US63/242,710 | 2021-09-10 | ||
US17/903,581 US20230089982A1 (en) | 2021-09-10 | 2022-09-06 | Methods and mechanisms for coupling sensors to transfer chamber robot |
US17/903,581 | 2022-09-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202330377A true TW202330377A (zh) | 2023-08-01 |
Family
ID=85507762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111134085A TW202330377A (zh) | 2021-09-10 | 2022-09-08 | 用於將感測器與傳輸腔室機器人耦合的方法和機構 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230089982A1 (zh) |
KR (1) | KR20240060810A (zh) |
TW (1) | TW202330377A (zh) |
WO (1) | WO2023039094A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7960670B2 (en) * | 2005-05-03 | 2011-06-14 | Kla-Tencor Corporation | Methods of and apparatuses for measuring electrical parameters of a plasma process |
US7560007B2 (en) * | 2006-09-11 | 2009-07-14 | Lam Research Corporation | In-situ wafer temperature measurement and control |
US10269545B2 (en) * | 2016-08-03 | 2019-04-23 | Lam Research Corporation | Methods for monitoring plasma processing systems for advanced process and tool control |
WO2019182913A1 (en) * | 2018-03-20 | 2019-09-26 | Tokyo Electron Limited | Self-aware and correcting heterogenous platform incorporating integrated semiconductor processing modules and method for using same |
KR20210021778A (ko) * | 2019-08-19 | 2021-03-02 | 주식회사 케이씨텍 | 챔버 모니터링 장치 및 챔버 모니터링 방법 |
-
2022
- 2022-09-06 US US17/903,581 patent/US20230089982A1/en active Pending
- 2022-09-08 WO PCT/US2022/042945 patent/WO2023039094A1/en active Application Filing
- 2022-09-08 TW TW111134085A patent/TW202330377A/zh unknown
- 2022-09-08 KR KR1020247011628A patent/KR20240060810A/ko unknown
Also Published As
Publication number | Publication date |
---|---|
KR20240060810A (ko) | 2024-05-08 |
US20230089982A1 (en) | 2023-03-23 |
WO2023039094A1 (en) | 2023-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11989495B2 (en) | Systems and methods for predicting film thickness using virtual metrology | |
TW202326314A (zh) | 用於半導體製造設備的自適應故障排除的系統和方法 | |
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 | |
US20230195071A1 (en) | Methods and mechanisms for generating a data collection plan for a semiconductor manufacturing system | |
WO2022169611A1 (en) | Systems and methods for predicting film thickness of individual layers using virtual metrology | |
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 | |
US20230089982A1 (en) | Methods and mechanisms for coupling sensors to transfer chamber robot | |
US20230008072A1 (en) | Method and mechanism for contact-free process chamber characterization | |
CN117916871A (zh) | 用于将传感器耦合至传输腔室机器人的方法和机构 | |
US20230306300A1 (en) | Methods and mechanisms for measuring patterned substrate properties during substrate manufacturing | |
US20230359179A1 (en) | Methods and mechanisms for adjusting film deposition parameters during substrate manufacturing | |
US20240069537A1 (en) | Substrate placement optimization using substrate measurements | |
US20240288779A1 (en) | Methods and mechanisms for modifying machine-learning models for new semiconductor processing equipment | |
US20230236583A1 (en) | Chamber component condition estimation using substrate measurements | |
US20230384777A1 (en) | Methods and mechanisms for preventing fluctuation in machine-learning model performance | |
TW202425215A (zh) | 使用基板量測的基板放置最佳化 |