TW202334765A - 使用基於機器學習的演算法來加速預防性維護恢復和配方最佳化 - Google Patents
使用基於機器學習的演算法來加速預防性維護恢復和配方最佳化 Download PDFInfo
- Publication number
- TW202334765A TW202334765A TW111144542A TW111144542A TW202334765A TW 202334765 A TW202334765 A TW 202334765A TW 111144542 A TW111144542 A TW 111144542A TW 111144542 A TW111144542 A TW 111144542A TW 202334765 A TW202334765 A TW 202334765A
- Authority
- TW
- Taiwan
- Prior art keywords
- chamber
- data
- processing
- substrate
- machine learning
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 143
- 238000011084 recovery Methods 0.000 title claims abstract description 54
- 238000012423 maintenance Methods 0.000 title claims description 17
- 238000004422 calculation algorithm Methods 0.000 title claims description 8
- 238000012545 processing Methods 0.000 claims abstract description 444
- 238000000034 method Methods 0.000 claims abstract description 439
- 230000008569 process Effects 0.000 claims abstract description 305
- 239000000758 substrate Substances 0.000 claims abstract description 256
- 230000003595 spectral effect Effects 0.000 claims abstract description 171
- 238000005259 measurement Methods 0.000 claims abstract description 81
- 230000003287 optical effect Effects 0.000 claims abstract description 48
- 238000012986 modification Methods 0.000 claims abstract description 24
- 230000004048 modification Effects 0.000 claims abstract description 24
- 238000000295 emission spectrum Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 171
- 238000001636 atomic emission spectroscopy Methods 0.000 claims description 39
- 230000003449 preventive effect Effects 0.000 claims description 24
- 230000003750 conditioning effect Effects 0.000 claims description 21
- 238000013179 statistical model Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000000985 reflectance spectrum Methods 0.000 claims description 6
- 238000013213 extrapolation Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 110
- 230000000875 corresponding effect Effects 0.000 description 54
- 238000013500 data storage Methods 0.000 description 39
- 238000010200 validation analysis Methods 0.000 description 28
- 210000002381 plasma Anatomy 0.000 description 27
- 235000012431 wafers Nutrition 0.000 description 22
- 238000003860 storage Methods 0.000 description 20
- 230000009471 action Effects 0.000 description 18
- 230000004044 response Effects 0.000 description 18
- 238000012546 transfer Methods 0.000 description 18
- 238000012360 testing method Methods 0.000 description 17
- 239000000463 material Substances 0.000 description 14
- 239000000835 fiber Substances 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000005530 etching Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 8
- 238000004611 spectroscopical analysis Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000011065 in-situ storage Methods 0.000 description 7
- 238000003070 Statistical process control Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 5
- 230000001143 conditioned effect Effects 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 229910052710 silicon Inorganic materials 0.000 description 5
- 239000010703 silicon Substances 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000000231 atomic layer deposition Methods 0.000 description 4
- 239000006227 byproduct Substances 0.000 description 4
- 238000005229 chemical vapour deposition Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000000491 multivariate analysis Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 238000005240 physical vapour deposition Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 229910052814 silicon oxide Inorganic materials 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000002019 doping agent Substances 0.000 description 2
- 239000012636 effector Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000000869 ion-assisted deposition Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000001020 plasma etching Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007473 univariate analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000004320 controlled atmosphere Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001723 curing Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009972 noncorrosive effect Effects 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 229920000620 organic polymer Polymers 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001055 reflectance spectroscopy Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010792 warming 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
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Drying Of Semiconductors (AREA)
Abstract
提供了一種用於使用感測器資料和機器學習模型來決定處理腔室條件的方法。該方法包括以下步驟:由處理設備,接收感測器資料,該感測器資料包括:腔室資料,表明依據當前製程的一組製程參數來處理基板的處理腔室的環境的狀態。該感測器資料進一步包括光譜資料,該光譜資料表明設置在該處理腔室內的電漿的光學發射光譜(OES)測量。該方法進一步包括以下步驟:使用該感測器資料作為對機器學習模型的輸入,並獲得表明一個或多個腔室條件度量的一個或多個輸出。該方法進一步包括以下步驟:基於該一個或多個腔室條件度量,決定處理腔室的恢復狀態。該方法進一步包括以下步驟:基於該處理腔室的該恢復狀態,導致對該處理腔室的效能的修改。
Description
本揭示內容的實施例大體涉及預測製造系統的腔室條件。具體而言,本揭示內容涉及決定腔室條件,以識別腔室恢復狀態和/或更新製程的參數。
基板處理可以包括一系列的製程,這些製程依據電路設計在半導體(例如矽晶圓)中產生電路。這些製程可以在一系列的腔室中實現。現代半導體製造設施的成功操作可能旨在促進在晶圓中形成電路的過程中將穩定的晶圓流從一個腔室移動到另一個腔室。在執行許多基板製程的過程中,處理腔室的條件可能會被改變,並可能導致經處理的基板無法滿足期望的條件和結果。
一個這樣的基板製程可以包括電漿蝕刻,這是一種藉由從晶圓表面移除分層材料,將掩膜材料層中的圖案轉移到掩膜下的另一層(如導電或介電質材料層)的過程。這樣的過程不可避免地會產生不同種類的蝕刻副產物,如氧化矽和有機聚合物,這取決於分層材料和蝕刻化學物質。一些副產物沉積到執行電漿蝕刻製程的腔室的內表面上。副產物的沉積可能會影響蝕刻效能,影響的方式例如是將顆粒(如薄片)沉積到基板上,或與電漿反應並影響製程結果。
為了減輕蝕刻副產物的影響,可以採用預防性維護(如腔室清潔)定期從腔室壁移除沉積物。預防性維護的一個例子可能包括使腔室停止生產,並將清潔電漿(例如用於清潔矽蝕刻期間沉積的氧化矽的CF
4+O
2電漿)引入腔室。這種電漿與沉積的材料發生反應,而這種反應的產物被抽出腔室。然而,在這樣的腔室清潔之後,人們觀察到,乾淨的腔室壁使腔室不適合立即進行生產晶圓蝕刻。腔室調理(seasoning)是一種蝕刻一系列基板(如空白矽晶圓)以恢復適合生產基板處理的腔室條件的程序。在腔室調理後,一層薄薄的氧化矽可以覆蓋腔室壁。然後,該腔室被返回以進行生產晶圓蝕刻,直到下一輪的腔室清潔和調理。預防性維護還可以包括藉由物理方法(例如,擦拭製程腔室的一個或多個表面)移除污垢和/或沉積物。
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。
在一個示例性的實施例中,一種方法包括以下步驟:處理設備接收感測器資料,該感測器資料包括:腔室資料,表明依據當前製程的一組製程參數來處理基板的處理腔室的環境的狀態。該腔室資料進一步包括光譜資料,該光譜資料表明設置在該製程腔室內的電漿的光學發射光譜(OES)測量。該處理腔室依據該當前製程的該組製程參數處理該基板。該方法進一步包括以下步驟:使用該感測器資料作為對機器學習模型的輸入。該方法進一步包括以下步驟:獲得該機器學習模型的一個或多個輸出。該一個或多個輸出表明一個或多個腔室條件度量。該方法進一步包括以下步驟:基於該一個或多個腔室條件度量,決定該處理腔室的恢復狀態,該恢復狀態與在預防性維護程序之後執行的腔室恢復過程(例如腔室調理程序)相關聯。該方法進一步包括以下步驟:基於該處理腔室的該恢復狀態,導致對該處理腔室的效能的修改。
在一個示例性的實施例中,提供了一種用於訓練機器學習模型決定腔室恢復程序中的處理腔室的狀態的方法。該處理腔室依據當前製程處理當前基板。該方法包括以下步驟:為該機器學習模型產生訓練資料。產生該訓練資料包括以下步驟:識別具有歷史感測器資料的第一訓練輸入,該歷史感測器資料包括歷史腔室資料。該歷史腔室資料表明依據先前製程處理先前基板的第二處理腔室的環境的狀態。該感測器資料進一步包括歷史光譜資料,該歷史光譜資料表明設置在依據該先前製程處理該先前基板的該第二處理腔室內的先前電漿的光學發射光譜(OES)測量。產生該訓練資料進一步包括以下步驟:為該第一訓練輸入識別第一目標輸出。該第一目標輸出包括歷史製程結果資料,該歷史製程結果資料具有使用該第二處理腔室依據該先前製程來處理的該先前基板的製程結果測量。該方法進一步包括以下步驟:提供該訓練資料以對包括該第一訓練輸入的一組訓練輸入和包括該第一目標輸出的一組目標輸出訓練該機器學習模型。
在一個示例性的實施例中,一種包括指令的非暫時性電腦可讀取媒體,該指令當由處理設備執行時導致該處理設備執行動作。所執行的動作包括:接收感測器資料,該感測器資料包括:腔室資料,表明依據當前製程的一組製程參數來處理基板的處理腔室的環境的狀態。該腔室資料進一步包括光譜資料,該光譜資料表明設置在該製程腔室內的電漿的光學發射光譜(OES)測量。該處理腔室依據該當前製程的該組製程參數處理該基板。這些動作進一步包括:使用該感測器資料作為對機器學習模型的輸入。該方法進一步包括以下步驟:獲得該機器學習模型的一個或多個輸出。該一個或多個輸出表明一個或多個腔室條件度量。這些動作進一步包括:基於該一個或多個腔室條件度量,決定該處理腔室的恢復狀態,該恢復狀態與在預防性維護程序之後執行的腔室恢復過程相關聯。這些動作進一步包括:基於該處理腔室的該恢復狀態,導致對該處理腔室的效能的修改。
本揭示內容的實施例涉及用於增強光譜資料收集的光譜測量系統和使用機器學習來預測腔室條件度量。製造過程的製程結果取決於許多因素,其中之一是製程配方和/或一個或多個腔室參數設定。另一個經常發生的因素是預防性維護(PM)或其他事件導致的製程轉變,即使配方保持不變,也會造成製程結果的變化。新維修過的腔室(PM後)或冷(cold)腔室通常具有「首件晶圓效應(first-wafer-effect)」,即使用新維修過的腔室或冷腔室處理的基板的製程結果與使用最近沒有維修過的腔室處理的基板的製程結果有偏差。PM的影響可以藉由執行一次或幾次調理晶圓的作業,以將腔室調理到其「正常」操作條件來補救。在一些情況下和一些應用中,PM後的腔室需要幾天/幾周時間才能達到它們期望的「正常」操作條件。
預防性維護程序(例如腔室清潔)通常被用作腔室恢復過程的一部分,以使處理腔室的狀態返回到適合進入基板處理生產模式(例如大量基板處理)的狀態。恢復程序通常在預防性維護程序之後使用,以便為生產模式準備腔室(例如「預熱」腔室)。傳統上採用的一個常見的恢復程序是對製程腔室進行調理。腔室調理是一種程序,包括處理一系列的基板(例如,空白矽晶圓),以恢復適合生產基板製程的腔室條件(例如,腔室壁的塗層)(例如,在腔室中處理的基板具有滿足期望閾值準則的製程結果)。在腔室調理後,腔室可以在生產模式下操作一段時間,直到執行或以其他方式推薦另一輪預防性維護和進一步的腔室調理,以恢復處理腔室的狀態。
「異常」腔室條件的懲罰可能包括基板製程未能生產滿足目標製程結果(例如,薄膜深度、晶圓上的臨界尺寸、側壁角度等)的基板。例如,製程配方可以表明一個處理時間,而「異常」條件將阻止基板在表明的配方時間內滿足目標製程結果。腔室的異常可能會導致一整批基板的製程/蝕刻結果與目標製程結果的偏差。例如,異常的腔室條件可能導致經處理的基板具有偏離目標蝕刻圖案的蝕刻圖案。如果未能在基板表面上實現目標蝕刻圖案,可能會導致最終從基板生產的積體電路(IC)晶片的產率下降。
知道腔室的當前腔室條件(例如,腔室條件度量)可以使製造系統能夠適應性地修改製程參數以實現目標製程結果。然而,在識別腔室條件方面存在困難。困難的部分原因是「正常」與「異常」條件之間的腔室參數差異是細微的。例如,在腔室最近進行了預防性維護(PM)之後,光學發射光譜儀(OES)的光譜可能存在一些差異,然而,預測這些細微差異對製程結果的影響仍然很複雜。
傳統上,在預防性維護程序之後,會在處理腔室內處理一系列的基板。在處理該系列的基板之後,對測試樣品進行處理和評估。測試樣品可以包括一個基板,該基板在處理腔室中被處理,並被評估(例如,測量製程結果),以決定該測試樣品是否包含滿足閾值條件的製程結果。如果這些條件沒有被滿足,那麼可以處理另一個調理基板,並且可以處理另一個測試樣品,以決定腔室是否完全恢復。這個過程可以重複進行,直到腔室條件被滿足,或已經使用了閾值數量的調理波。當使用了第一數量的調理晶圓,但實際上只需要較少的數量就能使腔室恢復到可以實現基板生產的狀態時,如前所述的傳統的決定腔室條件的方法就可能要求了不必要數量的調理晶圓(例如,「過度調理」腔室)。此外,傳統的方法可能需要等待決定腔室是否已充分恢復所需的測試樣品的測量和評估,從而使腔室返回到生產模式的過程出現延遲。恢復程序所花費的時間是生產力的損失,因為工具或腔室被停機了(例如,沒有在生產模式下操作)。此外,傳統的方法不提供原位腔室條件監測,而是在調理過程期間依賴測試樣品和等待測試樣品的評估。
本揭示內容的態樣和實施方式藉由利用機器學習來識別與在腔室內處理的基板的製程結果相關聯的腔室條件度量,解決了傳統技術的這些和其他缺點。機器學習和深度學習的應用提供了一種方法來識別資料中的獨特特徵,並在資料與腔室標籤之間建立相關模型。使用經訓練的模型,處理腔室可以提供原位光譜資料,該光譜資料可以用於實時的腔室條件預測和控制。例如,這可以用來實現一致的製程結果,即使是在存在不同的腔室條件的情況下也是如此。腔室條件可以被映射到腔室恢復過程中的處理腔室的狀態。例如,可以對腔室執行預防性維護,並且腔室可以經歷恢復過程(例如,腔室調理程序),以使該腔室返回到一致的操作狀態。恢復過程的不同階段可能導致不同的腔室條件,使得腔室條件可以用於表明處理腔室目前正在恢復過程的哪個階段下操作。
本揭示內容的態樣和實施方式藉由提供各種實施例中的方法和系統來解決現有技術的這些和其他缺點,這些方法和系統能夠在不依賴測試樣品的檢驗結果的情況下估計腔室條件,提供關於預防性維護程序之後的腔室健康和恢復的定量資訊,並能夠用人工參數調整來模擬腔室條件。在一些實施例中,本揭示內容能夠在腔室調理序列期間進行健康檢查和預防措施,並在樣品測試前及早偵測異常的腔室條件。這些態樣和/或實施方式中的一者或多者可以導致處理工具(例如處理腔室)的停機時間減少,並且可以使製造設備的生產力能夠提高。此外,還可以基於ML模型,使用腔室感測器或光學發射光譜儀(OES)來修改製程參數。對製程參數的修改可以允許腔室更快地返回生產,而不需要等待完全調理和藉由計量測量對腔室狀態進行全面驗證。
光學發射光譜儀(OES)、反射計光譜(例如,端點偵測干涉儀(endpoint detection interferometric;IEP))和腔室感測器資料(例如,溫度、壓力、射頻(RF)功率、電漿條件、真空條件等)可以作為腔室條件的指標。在PM之後,當腔室冷了,腔室條件會發生變化,而在腔室被調理之後,腔室條件會發生進一步變化。即使使用同一個配方,這些變化也會導致製程結果(例如,蝕刻結果)變化。可以對變化的製程結果(如產率、電氣測量、計量資料等)進行處理,以識別用於模型訓練的適當標籤。帶有相關聯的OES和腔室感測器資料的腔室條件標籤(例如,腔室條件度量)可以用作機器學習模型的訓練資料。在一些實施例中,機器學習類型可以包括神經網路,和/或可以包括邏輯迴歸和多層感知器。在一個模型被訓練、驗證和測試後,它可以被應用於預測引擎中。該引擎採用原位OES光譜和感測器資料,並預測腔室條件。它可以進一步修正/建議當前和/或未來晶圓處理的最佳腔室參數。
基板(其例如來自生產批次)的製程結果(如製程產率、電氣測量、計量資料等)可以被用來檢查模型效能。當結果不令人滿意時,可以對腔室進行檢驗、測試和改進。當結果不令人滿意或在新的批次作業中識別/發現了新的腔室條件時,可以進行進一步的訓練(以例如適應更完整的腔室條件)。
在一個示例性的實施例中,一種方法包括以下步驟:處理設備接收感測器資料,該感測器資料包括:腔室資料,表明依據當前製程的一組製程參數來處理基板的處理腔室的環境的狀態。該腔室資料進一步包括光譜資料,該光譜資料表明設置在該製程腔室內的電漿的光學發射光譜(OES)測量。該處理腔室依據該當前製程的該組製程參數處理該基板。該方法進一步包括以下步驟:使用該感測器資料作為對機器學習模型的輸入。該方法進一步包括以下步驟:獲得該機器學習模型的一個或多個輸出。該一個或多個輸出表明一個或多個腔室條件度量。該方法進一步包括以下步驟:基於該一個或多個腔室條件度量,決定該處理腔室的恢復狀態,該恢復狀態與在預防性維護程序之後執行的腔室恢復過程相關聯。該方法進一步包括以下步驟:基於該處理腔室的該恢復狀態,導致對該處理腔室的效能的修改。例如,可以依據對該處理腔室的該修改來處理或進一步處理用於當前基板或未來基板的處理參數。
在一個示例性的實施例中,提供了一種用於訓練機器學習模型決定腔室恢復程序中的處理腔室的狀態的方法。該方法包括以下步驟:為該機器學習模型產生訓練資料。產生該訓練資料包括以下步驟:識別具有歷史感測器資料的第一訓練輸入,該歷史感測器資料包括歷史腔室資料。該歷史腔室資料表明依據先前製程處理先前基板的第二處理腔室的環境的狀態。該感測器資料進一步包括歷史光譜資料,該歷史光譜資料表明設置在依據該先前製程處理該先前基板的該第二處理腔室內的先前電漿的光學發射光譜(OES)測量。產生該訓練資料進一步包括以下步驟:為該第一訓練輸入識別第一目標輸出。該第一目標輸出包括歷史製程結果資料,該歷史製程結果資料具有使用該第二處理腔室依據該先前製程來處理的該先前基板的製程結果測量。該方法進一步包括以下步驟:提供該訓練資料以對包括該第一訓練輸入的一組訓練輸入和包括該第一目標輸出的一組目標輸出訓練該機器學習模型。
在一些實施例中,該經訓練的機器學習模型用於接收具有新的感測器資料的新的輸入,以基於該新的輸入產生新的輸出,該新的感測器資料具有新的腔室資料和新的光譜資料,該新的腔室資料表明依據新的製程來處理新的基板的新的處理腔室的新的環境的新的狀態,該新的光譜資料表明設置在依據該新的製程來處理該新的基板的該新的處理腔室內的新的電漿的光學發射光譜(OES)測量。該新的輸出表明與恢復狀態對應的腔室條件度量,該恢復狀態與在預防性維護程序之後執行的腔室恢復過程相關聯。
在一個示例性的實施例中,一種非暫時性電腦可讀取媒體包括指令,該指令當由處理設備執行時導致該處理設備執行動作。所執行的動作包括:接收感測器資料,該感測器資料包括:腔室資料,表明依據當前製程的一組製程參數來處理基板的處理腔室的環境的狀態。例如,該處理腔室可能正在處理一個或多個調理晶圓作為腔室恢復過程的一部分。該腔室資料進一步包括光譜資料,該光譜資料表明設置在該製程腔室內的電漿的光學發射光譜(OES)測量。該處理腔室依據該當前製程的該組製程參數處理該基板。這些動作進一步包括:使用該感測器資料作為對機器學習模型的輸入。該方法進一步包括以下步驟:獲得該機器學習模型的一個或多個輸出。該一個或多個輸出表明一個或多個腔室條件度量。這些動作進一步包括:基於該一個或多個腔室條件度量,決定該處理腔室的恢復狀態,其中該恢復狀態與在預防性維護程序之後執行的腔室恢復過程(例如腔室調理程序)相關聯。這些動作進一步包括:基於該處理腔室的該恢復狀態,導致對該處理腔室的效能的修改。例如,該修改可以與當前的基板製程(例如依據更新的製程參數處理當前基板)相關聯。製程參數可以包括溫度、氣體流量、氣體壓力、電功率、電偏壓,等等。在另一個例子中,該修改可以包括停止當前的基板製程。在另一個例子中,該修改可以包括對用於處理未來基板的製程配方的改變。
圖1描述了依據本揭示內容的態樣的說明性系統架構100。系統架構100包括客戶端設備120、製造設備122、計量設備132、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)和資料儲存器150。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。在一些實施例中,系統架構100可以包括用於處理基板的製造系統(例如圖2的製造系統200)或者可以是其一部分。在附加性或替代性的實施例中,系統架構100可以包括腔室條件預測系統(其例如決定腔室從PM程序的恢復狀態)或者可以是其一部分。就圖3提供了關於腔室條件預測系統的其他細節。
客戶端設備120、製造設備122、計量設備132、預測系統110和/或資料儲存器150的部件可以經由網路140彼此耦合。在一些實施例中,網路140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150和其他可公用的計算設備的存取。在一些實施例中,網路140是私用網路,它向客戶端設備120提供對製造設備122、計量設備132、資料儲存器150和其他可私用的計算設備的存取。網路140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。
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。
製造設備122可以按照配方生產產品或在一段時間內執行作業。在一些實施例中,製造設備122可以包括製程工具或者可以是其一部分,該製程工具包括配置為對基板執行不同功能的一個或多個站(例如製程腔室、傳輸腔室、裝載閘(load lock)等)。在一些實施例中,製造設備122可以進一步包括腔室狀態設備124,該腔室狀態設備被配置為收集要用於決定在製造設備122處對基板執行製程的處理腔室的腔室條件(例如腔室條件度量)的資料。腔室的條件可以指執行PM程序之後的恢復過程(例如腔室調理程序)中的處理腔室的狀態。腔室狀態設備124可以包括一個或多個部件,它們被配置為在基板製程期間收集和/或產生與基板的表面的輪廓的一個或多個部分相關聯的光譜資料(例如OES或反射測量光譜)。光譜資料指的是與針對偵測到的能量波的每個波長所偵測到的波的強度(即能量的強度或量)相關聯的資料。
在一些實施例中,腔室狀態設備124可以包括光纖束和準直器組件,它們被配置為將入射光從光源引導到基板的表面,並且將反射光從基板表面傳輸到光偵測部件。與腔室狀態設備124耦合的處理設備(例如製程工具的系統控制器)可以基於傳輸到光偵測部件的反射光來產生基板輪廓的光譜資料,和/或產生與處理腔室內發射的電漿的OES相關聯的光譜資料。在其他或類似的實施例中,腔室狀態設備124可以包括配置為產生與基板輪廓相關聯的光譜資料的任何感測器。這種感測器可以包括反射測量感測器、橢圓偏振感測器、熱光譜感測器、電容式感測器等。分別就圖2和5描述了關於製造設備122和腔室狀態設備124的其他細節。
在一些實施例中,製造設備122的一個或多個站可以包括配置為產生和/或收集與製造設備122相關聯的感測器資料的感測器。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、流量、功率、電壓等。感測器資料可以與製造參數相關聯或表明製造參數,例如硬體參數,例如製造設備122的設定或部件(例如尺寸、類型等),或製造設備122的製程參數。在製造設備122正在執行基板製程時,可以提供感測器資料。每個基板的感測器資料可以不同。
在一些實施例中,製造設備122可以包括計量設備126。計量設備126可以被配置為產生與由製造設備122所處理的基板相關聯的計量資料。計量資料可以包括以下項目中的一者或多者的值: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。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(例如蝕刻速率、蝕刻速率均勻性、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。
計量設備126可以被配置為在基板製程之前或之後產生與基板相關聯的計量資料。計量設備126可以與製造設備122的製程工具的站整合在一起。在一些實施例中,計量設備126可以與製程工具的站耦合或者是其一部分,該站被維持在真空環境下(例如製程腔室、傳輸腔室等)。這種計量設備126稱為整合式計量設備128。因此,當基板處於真空環境中時,基板可以由整合式計量設備128所測量。例如,在對基板執行了基板製程(例如蝕刻製程、沉積製程等)之後,整合式計量設備128可以在經處理的基板不從真空環境移除的情況下產生經處理的基板的計量資料。在其他或類似的實施例中,計量設備126可以與不維持在真空環境下的製程工具站(例如工廠介面模組等)耦合或者是其一部分。這種計量設備126稱為直列式(inline)計量設備130。因此,基板在真空環境之外由直列式計量設備130所測量。
附加於或替代於計量設備126,系統架構100可以包括計量設備132。計量設備132可以包括計量測量設備,它們與製造設備122分開(即在該製造設備的外部)。例如,計量設備132可以是獨立的設備,它不與製造設備122的任何站耦合。為了使用計量設備132獲得對基板的測量,製造系統的使用者(例如工程師、操作員)可以使在製造設備122處處理的基板從製造設備122移除並傳輸到計量設備132進行測量。在一些實施例中,計量設備132可以經由網路140向與計量設備132耦合的客戶端設備120傳輸為基板產生的計量資料(例如用於向製造使用者呈現,例如操作員或工程師)。在其他或類似的實施例中,製造系統使用者可以從計量設備132獲得基板的計量資料,並且可以經由客戶端設備120的圖形使用者介面(GUI)向系統架構提供計量資料。
資料儲存器150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150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150可以儲存光譜資料、非光譜資料(例如感測器資料)、計量資料、預測資料等。光譜資料可以包括歷史光譜資料(例如為在製造設備122處或在經由網路140與資料儲存器150耦合的其他製造設備處處理的先前基板產生的光譜資料)和/或當前光譜(為正在製造設備122處處理的當前基板產生的光譜資料)。當前光譜資料可以是一種資料,預測資料是為該資料產生的。在一些實施例中,計量資料可以包括歷史計量資料(例如在製造設備122處或在其他製造設備處處理的先前基板的計量測量值)。資料儲存器150也可以儲存與正在製造系統處處理的基板相關聯的上下文資料(例如配方名稱、配方步驟編號、預防性維護指標、操作員等)。
資料儲存器150的一個或多個部分可以被配置為儲存製造系統的使用者不可存取的資料。在一些實施例中,儲存在資料儲存器150處的所有資料都可以是製造系統的使用者不可存取的。在其他或類似的實施例中,儲存在資料儲存器150處的資料的一部分是使用者不可存取的,而儲存在資料儲存器150處的資料的另一個部分是使用者可存取的。在一些實施例中,儲存在資料儲存器150處的不可存取資料是使用使用者未知的加密機制來加密的(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150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第一資料儲存器中,而使用者可存取的資料儲存在第二資料儲存器中。
在一些實施例中,預測系統110包括伺服器機器170和伺服器機器180。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(例如一組資料輸入和一組目標輸出)以訓練、驗證和/或測試機器學習模型190或一組機器學習模型190。下面就圖4詳細描述了訓練集產生器172的一些操作。在一些實施例中,訓練集產生器172可以將訓練資料劃分成訓練集、驗證集和測試集。
伺服器機器180可以包括訓練引擎182。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)、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可以能夠訓練機器學習模型190或一組機器學習模型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可以包括線性迴歸模型、偏最小平方迴歸模型、高斯迴歸模型、隨機森林模型、支援向量機模型、神經網路、脊迴歸模型等。
訓練引擎182也可以能夠使用來自訓練集產生器172的驗證集的對應的一組特徵來驗證經訓練的機器學習模型190。在一些實施例中,訓練引擎182可以為一組經訓練的機器學習模型190中的每個經訓練的機器學習模型分配效能評級。效能評級可以與相應的經訓練的模型的準確度、相應模型的速度和/或相應模型的效率對應。依據本文所述的實施例,訓練引擎182可以選擇經訓練的機器學習模型190,其效能評級滿足要由預測引擎114所使用的效能準則。就圖9提供了關於訓練引擎182的其他細節。
預測伺服器112包括預測引擎114,它能夠提供正在製造設備122處處理的當前基板的一部分的光譜資料作為對經訓練的機器學習模型190的輸入,並且對該輸入運行經訓練的模型190以獲得一個或多個輸出。在一些實施例中,由預測引擎114所運行的經訓練的模型190被訓練引擎182選為具有滿足效能準則的效能評級,如上所述。如就圖8進一步描述的那樣,在一些實施例中,預測引擎114也能夠從經訓練的機器學習模型190的輸出抽取資料,並使用置信度資料來決定製造設備122的處理腔室的條件(例如腔室條件度量)。
置信度資料可以包括或表明,腔室條件度量與跟當前光譜資料相關聯的處理腔室的一個或多個性質對應的置信度位準在一個例子中,置信度位準是介於0與1之間的實數,其中0表明對於腔室條件度量與跟當前光譜資料相關聯的處理腔室的一個或多個性質對應沒有信心,而1表明對於腔室條件度量與跟當前光譜資料相關聯的處理腔室的一個或多個性質對應有絕對的信心。在一些實施例中,腔室條件預測系統可以使用預測系統110來為在製造系統122處處理基板的處理腔室提供腔室條件度量,而不是使用直列式計量設備130、整合式計量設備130和/或外部計量設備132來決定測量的計量值。依據本文所提供的實施例,腔室條件預測系統可以決定與在PM程序(例如腔室清潔)之後執行的恢復過程(例如腔室調理)相關聯的處理腔室的狀態。
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的功能可以由更大或更小數量的機器來提供。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。就圖3提供了關於伺服器機器170、180以及預測伺服器112的功能分組的其他細節。
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,聯合作為一群管理員的一組個人使用者可以被視為「使用者」。
圖2是依據本揭示內容的態樣的示例製造系統200的俯視示意圖。製造系統200可以在基板202上執行一個或多個製程。依據本揭示內容的態樣,基板202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,其適於在其上製造電子設備或電路部件。依據就圖1所描述的實施例,在一些實施例中,製造系統200可以包括系統架構100或者可以是其一部分。
製造系統200可以包括製程工具204和與製程工具204耦合的工廠介面206。製程工具204可以包括殼體208,其中具有傳輸腔室210。傳輸腔室210可以包括一個或多個處理腔室(也稱為製程腔室)214、216、218,它們圍繞該傳輸腔室設置並且與之耦合。處理腔室214、216、218可以藉由相應的端口(例如縫閥等)與傳輸腔室210耦合。傳輸腔室210也可以包括傳輸腔室機器人212,它被配置為在製程腔室214、216、218、裝載閘220等之間傳輸基板202。傳輸腔室機器人212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。可以將末端執行器配置為搬運特定的物體,例如晶圓。
在一些實施例中,傳輸腔室210也可以包括計量設備,例如就圖1所描述的整合式計量設備128。整合式計量設備128可以被配置為當基板被維持在真空環境中時,在基板製程之前或期間產生與基板202相關聯的計量資料。如圖2所示,整合式計量設備128可以設置在傳輸腔室210內。在其他或類似的實施例中,整合式計量設備128可以與傳輸腔室210耦合。由於整合式計量設備128設置在傳輸腔室210內或與之耦合,可以在不將基板202從真空環境移除(例如傳輸到工廠介面206)的情況下產生與基板202相關聯的計量資料。
製程腔室214、216、218可以被調適為在基板202上實現任何數量的製程。可以在每個處理腔室214、216、218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。在一些實施例中,腔室狀態設備(例如就圖1所描述的腔室狀態設備124)可以與製程腔室214、216、218耦合或設置在其內。腔室狀態設備124可以被配置為收集光譜資料。光譜資料可以包括與處理腔室214、216、218的電漿相關聯的OES資料,以及在基板製程期間基板表面輪廓的反射率資料。與腔室狀態設備124耦合的處理設備(例如系統控制器228)可以基於收集的光譜資料,決定執行蝕刻製程的處理腔室214、216、218的腔室條件度量(其例如表明腔室是否在正常或異常的條件下操作)。在一些實施例中,腔室狀態設備124的該一個或多個部件可以包括就圖5所描述的部件(例如光纖束、準直器組件等)。在其他或類似的實施例中,腔室狀態設備124可以包括一個或多個感測器,它們設置在製程腔室214、216、218內或外,並且被配置為在基板製程之前、之後或期間收集製程腔室214、216、218內的基板202的一部分和/或環境的光譜資料。
裝載閘220也可以與殼體208和傳輸腔室210耦合。裝載閘220可以被配置為一側與傳輸腔室210介接和耦合,而另一側與工廠介面206介接和耦合。在一些實施例中,裝載閘220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210或從該傳輸腔室傳輸)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206和從該工廠介面傳輸)。
工廠介面206可以是任何合適的外殼,例如設備前端模組(EFEM)。工廠介面206可以被配置為從在工廠介面206的各種裝載端口224處對接的基板載體222(例如前開式晶圓傳送盒(FOUP))接收基板202。工廠介面機器人226(以虛線示出)可以被配置為在基板載體(也稱為容器)222與裝載閘220之間傳輸基板202。在其他和/或類似的實施例中,工廠介面206可以被配置為從替換零件儲存容器222接收替換零件。
在一些實施例中,製造系統200可以包括計量設備,它被配置為產生與真空環境之外的基板202相關聯的計量資料。例如,如圖2所示,整合式計量設備128可以與製程腔室(例如製程腔室214、216和/或218)耦合。整合式計量設備128可以被配置為在基板202被放置在真空環境中(例如傳輸到裝載閘220)之前和/或在基板202從真空環境移除(例如從裝載閘220移除)之後產生與基板202相關聯的計量資料。應注意,雖然圖2描述直列式計量設備130與工廠介面206耦合,但直列式計量設備130也可以與製程工具204的位於真空環境之外的任何部分耦合(例如與裝載閘220等耦合)。
製造系統200也可以與客戶端設備(例如圖1的客戶端設備120)連接,該客戶端設備被配置為向使用者(例如操作員)提供關於製造系統200的資訊。在一些實施例中,客戶端設備可以經由一個或多個圖形使用者介面(GUI)向製造系統200的使用者提供資訊。例如,客戶端設備可以經由GUI提供關於處理腔室214、216、218的一個或多個腔室條件度量的資訊(例如在執行基板製程時)。
製造系統200也可以包括系統控制器228或與之耦合。系統控制器228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)、微控制器等計算設備。系統控制器228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)、網路處理器等一個或多個特殊用途處理設備。系統控制器228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228可以執行指令以執行本文所述的任何一個或多個方法學和/或實施例。在一些實施例中,系統控制器228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)。
在一些實施例中,系統控制器228可以從感測器或包括在製造系統200的各種部分(例如處理腔室214、216、218、傳輸腔室210、裝載閘220等)上或內的其他部件(例如腔室狀態設備124)接收資料。由系統控制器228所接收的資料可以包括基板202的一部分的光譜資料和非光譜資料。出於本描述的目的,系統控制器228被描述為從與製程腔室214、216、218耦合或設置在其內的腔室狀態設備124接收資料。然而,系統控制器228也可以從製造系統200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228可以在處理腔室214、216、218處的基板製程之前、之後或期間從與製程腔室214、216、218耦合的腔室狀態設備124接收光譜資料。從腔室狀態設備124或製造系統200處的其他感測器所接收的資料可以儲存在資料儲存器250中。資料儲存器250可以被包括作為系統控制器228內的部件,或可以是與系統控制器228分開的部件。在一些實施例中,資料儲存器250可以是或包括就圖1所描述的資料儲存器150的一部分。
圖3描述了依據本揭示內容的態樣,用於處理腔室(其例如執行基板製程)的腔室條件預測的說明性系統架構300。在一些實施例中,腔室條件預測系統300可以包括系統架構100和/或製造系統200的一個或多個部件或者是其一部分。腔室條件預測系統300可以包括製造設備122、計量設備130、伺服器機器320和伺服器機器350的一個或多個部件(例如該製造設備的腔室狀態設備124)。
如先前所述,製造設備122可以按照配方生產產品或在一段時間內執行作業。製造設備122可以包括製程腔室310,它被配置為依據基板製程配方對基板執行基板製程。在一些實施例中,製程腔室310可以是就圖2所描述的製程腔室214、218、218中的任一者。製造設備122也可以包括腔室狀態設備124,如本文所述。腔室狀態設備124可以與製程腔室310耦合或設置在其內,並且可以收集光譜資料以用於偵測基板製程配方的步驟的終點。在一些實施例中,製造設備122也可以包括整合式計量設備128,如本文所述。整合式計量設備128可以被配置為在基板製程完成之前或之後產生與基板相關聯的計量資料。
製造設備122可以與伺服器機器320耦合。伺服器機器320可以包括處理設備322和/或資料儲存器332。在一些實施例中,處理設備322可以被配置為執行一個或多個指令,以在製造設備122處執行操作。例如,處理設備322可以包括就圖2所描述的系統控制器228或者是其一部分。在一些實施例中,資料儲存器332可以包括資料儲存器150和/或資料儲存器250或者可以是其一部分。
處理設備322可以被配置為從製造設備122的一個或多個部件接收資料(例如經由網路)。例如,處理設備322可以接收由腔室狀態設備124在製程腔室310處針對基板的基板製程期間收集的光譜資料336(例如設置在腔室內的電漿的OES資料,與從設置在處理腔室內的基板的表面反射的光的反射模式對應的光學反射測量)。在另一個例子中,處理設備322可以接收由整合式計量設備128在針對基板的基板製程之前和/或之後所收集的計量資料338。計量資料338可以包括由整合式計量設備128為基板產生的計量測量值。在一些實施例中,處理設備322可以在資料儲存器332處儲存收到的光譜資料和/或收到的計量資料338。
在一些實施例中,處理設備322可以從其他的計量設備接收計量資料338。例如,在一些實施例中,伺服器320可以與直列式計量設備130耦合(即經由網路)。如本文所述,基板可以從製程腔室210移除,並傳輸到直列式計量設備130。直列式計量設備130可以為基板產生計量資料338,並且經由網路向處理設備322傳輸產生的計量資料338。在另一個例子中,基板可以從製造設備122移除,並且可以傳輸到外部計量設備,例如就圖1所描述的外部計量設備132。客戶端設備(例如客戶端設備120)可以與伺服器320耦合(即經由網路)。在一些實施例中,製造設備122的使用者可以使用外部計量設備132獲得計量資料338,並且可以經由客戶端設備120的GUI提供獲得的計量資料338。客戶端設備120可以經由網路傳輸計量資料338。在附加性或替代性的實施例中,外部計量設備132可以經由網路與伺服器320耦合,並且外部計量設備132可以直接向處理設備352傳輸計量資料338。
處理設備352可以包括預測引擎328和腔室條件引擎330。預測引擎328可以被配置為基於在基板製程期間為基板收集的光譜資料336來提供計量測量的值。例如,預測引擎328可以提供為在製程腔室310處對當前基板執行的當前製程收集的光譜資料336作為對經訓練的機器學習模型334的輸入。預測引擎328可以獲得預測的計量資料338作為機器學習模型334的輸出,該預測的計量資料包括對與當前基板對應的計量測量值的指示。在一些實施例中,預測引擎328可以與就圖1所描述的預測引擎114對應。
處理設備322處的腔室度量引擎330可以被配置為決定執行基板製程的處理腔室310的腔室條件。腔室條件引擎330可以從預測引擎328獲得或決定處理當前基板的製程腔室310的一個或多個腔室條件度量。腔室條件度量可以包括一系列的值,這些值各自與對預測引擎328的輸入資料中經識別的組合、特徵或模式相關聯。例如,第一值可以表明給定時間的某個光譜資料和感測器資料的組合。在另一個例子中,另一個值可以與由預測引擎328決定和/或識別的一個或多個變數組合的梯度相關聯。在一些實施例中,腔室條件度量可以包括一系列的值(例如向量、矩陣等),這些值表明感測器資料中存在的特定資料組合、關聯、模式和/或關係的相關性。例如,腔室條件度量可以包括一個特徵向量,該特徵向量包括表明資料中存在或不存在特定特徵的二進位值。
腔室條件度量可以與腔室度量的已知模式和/或組合(例如目標腔室度量)進行比較。目標腔室度量可以與恢復過程(例如調理程序)的一個或多個階段相關聯。響應於決定腔室條件度量滿足一個或多個腔室條件閾值(例如與製程腔室的恢復過程有關的條件),腔室條件引擎330可以修改處理腔室310的效能(例如藉由產生包括改變製程參數的命令的指令來修改)。腔室條件閾值可以是由腔室條件度量所表明的指定的值組合。例如,腔室條件引擎330可以基於根據由預測引擎328接收的腔室條件度量之間經識別的模式、特徵、相關性、關係決定製程腔室中存在一個或多個腔室條件,來決定對與收到的感測器資料相關聯的至少一個製程配方的更新。例如,該修改可以與當前的基板製程(例如依據更新的製程參數處理當前基板)相關聯。在另一個例子中,該修改可以包括停止當前的基板製程。在另一個例子中,該修改可以包括對用於處理未來基板的製程配方的改變。處理設備322可以向製造設備122傳輸該指令,導致對處理腔室的識別效能的修改。例如,該指令可以命令製程腔室繼續依據更新的一組製程參數處理基板。在另一個例子中,該指令可以包括導致處理腔室內的基板處理停止。在一些實施例中,目標腔室度量與PM恢復程序的一個階段相關聯。就圖7提供了與預測依據當前製程處理基板的處理腔室的腔室條件相關聯的其他細節。
如圖3所示,在一些實施例中,處理設備322可以包括訓練集產生器324和/或訓練引擎326。在一些實施例中,訓練集產生器324可以與就圖1所描述的訓練集產生器172對應,和/或訓練引擎326可以與就圖1所描述的訓練引擎182對應。訓練集產生器324可以被配置為產生訓練集340以訓練機器學習模型334或一組機器學習模型334。例如,訓練集產生器324可以基於與先前基板相關聯的歷史光譜資料336來產生訓練輸入。在一些實施例中,訓練集產生器324可以從資料儲存器332擷取歷史光譜資料336以產生訓練輸入。訓練集產生器324可以基於為先前基板獲得的歷史計量資料338,為訓練輸入產生表明腔室條件(例如腔室條件度量)的目標輸出。如上所述,歷史計量資料338可以由直列式計量設備130、整合式計量設備128或外部計量設備132所產生。訓練集產生器324可以將產生的訓練輸入和產生的目標輸出包括在訓練集340中。就圖4提供了關於產生訓練集340的其他細節。
訓練引擎326可以被配置為訓練、驗證和/或測試機器學習模型334或各組機器學習模型334。訓練引擎326可以提供訓練集340以訓練機器學習模型334,並且將經訓練的機器學習模型334儲存在資料儲存器332處。在一些實施例中,訓練引擎326可以使用驗證集342來驗證經訓練的機器學習模型334。驗證集342可以包括為先前基板(即在製程腔室310處或在另一個製程腔室處處理的基板)獲得的光譜資料336和與計量資料338對應的腔室條件度量。訓練集產生器324和/或訓練引擎326可以基於為先前基板獲得的歷史光譜資料336和歷史計量資料338來產生驗證集342。在一些實施例中,驗證集342可以包括與包括在訓練集340中的歷史光譜資料336和歷史計量資料338不同的歷史光譜資料336和歷史計量資料338。
訓練引擎326可以提供先前基板的光譜資料336(在一些實施例中還提供感測器資料)作為對經訓練的機器學習模型334的輸入,並且可以從經訓練的模型334的一個或多個輸出抽取處理先前基板的處理腔室的腔室條件度量。訓練引擎326可以根據包括在驗證集342中的針對先前基板的計量資料338的測得腔室條件,基於處理先前基板的處理腔室的腔室條件度量的準確度,將效能分數分配給經訓練的模型334。訓練引擎326可以響應於決定效能分數滿足效能分數準則(例如超過效能分數閾值),選擇經訓練的模型334以用於為在製程腔室310處處理的未來基板提供未來計量測量值。就圖9提供了關於選擇經訓練的模型334的其他細節。
如先前所論述,在一些實施例中,訓練集產生器324和/或訓練引擎326可以是伺服器320處的處理設備322的部件。在附加性或替代性的實施例中,訓練集產生器324和/或訓練引擎326可以是伺服器350處的處理設備352的部件。伺服器350可以包括與製造系統200分開的計算系統或者可以是其一部分。如先前所述,在一些實施例中,伺服器320可以包括就圖2所描述的系統控制器228或者是其一部分。在這種實施例中,伺服器350可以包括與系統控制器228耦合(即經由網路耦合)但與系統控制器228分開的計算系統或者是其一部分。例如,可以使製造系統200的使用者能夠存取儲存在資料儲存器332的一個或多個部分處的資料或在處理設備322處執行的一個或多個製程。然而,可以使製造系統200的使用者不能存取儲存在資料儲存器354的一個或多個部分處的任何資料或在處理設備352處執行的任何製程。
處理設備352可以被配置為以與處理設備322類似的方式執行訓練集產生器324和/或訓練引擎326。在一些實施例中,伺服器350可以經由網路與製造設備122和/或直列式計量設備130耦合。因此,依據就處理設備322所描述的實施例,處理設備352可以獲得光譜資料336和與計量資料338對應的腔室條件度量,以由訓練集產生器324和/或訓練引擎326用於產生訓練集340和驗證集342。在其他或類似的實施例中,伺服器350不與製造設備122和/或外部計量設備132耦合。因此,處理設備352可以從處理設備322獲得光譜資料336和/或計量資料338。例如,如先前所述,處理設備322可以腔室狀態設備124接收光譜資料336。處理設備322可以向處理設備352傳輸收到的光譜資料336(即經由網路傳輸)。在一些實施例中,處理設備352可以將光譜資料336儲存在資料儲存器354處。在一些實施例中,處理設備322可以類似地向處理設備352傳輸為基板獲得的計量資料338。例如,如先前所述,處理設備322可以從直列式計量設備130、整合式計量設備128和/或外部計量設備132接收計量資料338。處理設備352可以傳輸從處理設備322收到的計量資料338,並且在一些實施例中,將計量資料338儲存在資料儲存器354處。
處理設備352處的訓練集產生器324可以依據先前所述的實施例產生訓練集340。依據先前所述的實施例,處理設備352處的訓練引擎326可以訓練和/或驗證機器學習模型334。在一些實施例中,伺服器350可以與不同於製造設備122和/或伺服器機器320的其他製造設備和/或其他伺服器機器耦合。依據本文所述的實施例,處理設備352可以從其他的製造設備和/或伺服器機器獲得光譜資料336和/或計量資料338。在一些實施例中,訓練集340和/或驗證集342可以基於為在製程腔室310處處理的基板獲得的光譜資料336和計量資料338以及為在其他製造系統處的製程腔室處處理的其他基板獲得的其他的光譜資料和計量資料來產生。
響應於訓練引擎326選擇經訓練的模型334以應用於製程腔室310處的未來基板的未來光譜資料,處理設備352可以向處理設備322傳輸經訓練的模型334。如先前所述,預測引擎328可以使用經訓練的模型334,來為製程腔室310處的未來基板提供計量測量值。
圖4是依據本揭示內容的態樣,用於訓練機器學習模型的方法400的流程圖。方法400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)、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400可以由電腦系統(例如圖1的系統架構100)所執行。在其他或類似的實施方式中,方法400的一個或多個操作可以由圖式中未描述的一個或多個其他機器所執行。在一些態樣中,方法400的一個或多個操作可以由就圖3所描述的伺服器機器320或伺服器機器350的訓練集產生器324所執行。
在方塊410處,處理邏輯將訓練集T初始化為空集合(例如{})。在方塊412處,處理邏輯獲得與在製造系統的製程腔室處處理的基板相關聯的光譜資料和/或腔室資料。在一些實施例中,光譜資料和/或腔室資料可以從設置在製程腔室內或與之耦合的一個或多個感測器接收。在其他或類似的實施例中,光譜資料可以從設置在製程腔室內或與之耦合的腔室狀態設備接收。
回到圖4,在方塊414處,處理邏輯獲得基板的計量資料。如先前所述,計量資料可以包括以下項目中的一者或多者的值: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。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(例如蝕刻速率、蝕刻速率均勻性、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)。在一些實施例中,計量測量可以從製造系統200的計量設備(例如直列式計量設備130、整合式計量設備128等)接收。例如,在基板製程完成之後,基板可以被傳輸到製造系統200的直列式計量設備130和整合式計量設備130。直列式計量設備130或整合式計量設備128可以產生與基板相關聯的計量資料,並且可以經由網路向包括處理邏輯的計算設備(例如伺服器機器320、伺服器機器350等)傳輸計量資料。在其他或類似的實施例中,如本文所述,計量測量可以從與製造系統200分開的計量設備(例如外部計量設備132)接收。
在方塊416處,處理邏輯基於在方塊412處為基板獲得的光譜資料來產生訓練輸入。在一些實施例中,訓練輸入可以包括基於為處理設備和基板獲得的光譜資料來產生的正規化的一組光譜資料(其例如包括本文所述的OES資料和基板表面反射計資料兩者)。正規化的該組光譜資料可以包括一個或多個光譜特徵,它們與特定類型的計量測量對應。這些光譜特徵可以是基於最佳發射測量和光學反射光譜測量的組合。就圖6描述了關於產生訓練輸入的其他細節。在方塊418處,處理邏輯可以基於在方塊414處為基板獲得的計量資料來產生目標輸出。該目標輸出可以與腔室條件度量(表明計量測量的模式的資料)對應,該等腔室條件度量與跟基板相關聯的計量測量對應。例如,在方塊414處,處理邏輯可以獲得計量資料,它表明在蝕刻製程之後,基板的表面的一個或多個部分處的薄膜的厚度。該厚度可以表明腔室的條件(例如腔室還未從恢復過程完全恢復,或者是冷的腔室)。處理邏輯可以產生與識別的腔室條件(例如異常腔室條件、正常腔室條件、未完全恢復、未完全調理等)對應的目標輸出。
在方塊420處,處理邏輯產生輸入/輸出映射。輸入/輸出映射指的是包括或基於基板的資料的訓練輸入以及訓練輸入的目標輸出,其中目標輸出識別基板的計量測量值,並且其中訓練輸入關聯於(或映射到)目標輸出。在方塊422處,處理邏輯將輸入/輸出映射添加到訓練集T。
在方塊424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輸入/輸出映射的數量來決定,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)來決定。響應於決定訓練集T包括足以訓練機器學習模型的訓練資料量,處理邏輯提供訓練集T以訓練機器學習模型。響應於決定訓練集不包括足以訓練機器學習模型的訓練資料量,方法400返回方塊412。
在方塊426處,處理邏輯提供訓練集T以訓練機器學習模型。在一些實施例中,訓練集T被提供到伺服器機器320和/或伺服器機器350的訓練引擎326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(例如針對先前基板的光譜資料和/或腔室資料)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)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/輸出映射重複該程序。在方塊426之後,機器學習模型190可以用於為處理未來基板的未來處理腔室提供腔室條件(例如腔室條件度量)(例如依據下面描述的圖8的方法800來提供)。
圖5是依據本揭示內容的態樣,與製程腔室310耦接的腔室狀態設備124的橫截示意側視圖。在一些實施例中,製程腔室310可以用於提供腐蝕性電漿環境的製程。例如,製程腔室310可以是用於電漿蝕刻器或電漿蝕刻反應器、電漿清潔器等的腔室。在其他或類似的實施例中,製程腔室310可以用於提供非腐蝕性環境的製程。例如,製程腔室310可以用作化學氣相沉積(CVD)腔室、物理氣相沉積(PVD)腔室、原子層沉積(ALD)腔室、離子輔助沉積(IAD)腔室和其他類型的處理腔室。
簡而言之,製程腔室310包括腔室主體502和蓋體530和/或蓮蓬頭(未示出),它們包圍內部容積506。腔室主體502一般包括側壁508和底部510。蓮蓬頭可以包括蓮蓬頭基部和蓮蓬頭氣體分佈板。蓋體530和/或蓮蓬頭可以被支撐在腔室主體502的側壁508上。蓋體530(或蓮蓬頭)可以打開,以允許進入製程腔室310的內部容積506,並且可以在關閉時為製程腔室310提供密封。氣體面板(未示出)可以與製程腔室310耦合,以通過蓋體530和噴嘴(例如通過蓮蓬頭或蓋體和噴嘴的孔)和/或蓮蓬頭向內部容積506提供製程和/或清潔氣體。排氣口526可以被界定在腔室主體502中,並且可以將內部容積506與泵系統528耦合。泵系統528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310的內部容積506的壓力。基板支撐組件548設置在內部容積506蓋體530和/或蓮蓬頭中。基板支撐組件548在處理期間保持基板(例如圖2的基板202)。在一個實施例中,基板支撐組件548包括基座552,它支撐靜電卡盤550。
腔室狀態設備124可以被配置為在基板202的基板製程期間光學地監測內部容積506的環境。在一些實施例中,腔室狀態設備124可以與腔室主體502機械地耦合,並且與內部容積506的環境光學地介接(即經由光學介面570介接)。腔室狀態設備124可以包括準直器組件554、光纖束556、光部件562、處理設備576,在一些實施例中還可以包括偏振器部件586。如圖5所示,準直器組件554可以與腔室介面570耦合。在一些實施例中,腔室介面570可以是孔口、聚光或發散透鏡、透明板,或能夠在準直器組件554與內部容積506的環境之間傳輸光的任何其他設備或材料。應注意,雖然圖5將腔室界面570描述為嵌入在蓋體530內,但腔室介面570也可以被嵌入在製程腔室310的任何部分(例如側壁508、底部510等)內或與之耦合。
光纖束556的第一端可以與準直器組件554耦合,光纖束556的第二端可以與光部件562耦合。光部件562可以包括配置為產生光的光源564。在本文中,「光」指的是任何光譜範圍(包括可見光、遠紅外線和近紅外線(IR)、遠紫外線和近紫外線(UV)等)的電磁輻射。「光」可以進一步包括未偏振(例如自然)的光、線性地、圓形地、或橢圓地偏振的光、部分偏振的光、聚焦的光、發散光、準直的光等。在一些實施例中,光源564可以包括窄頻帶光源,例如發光二極體(LED)、雷射、燈泡等。在其他或類似的實施例中,光源564可以包括寬頻帶光源。光源564可以包括多於一個成分光源,例如在一些實施例中,多個窄頻帶光源產生(當一起使用時)寬頻帶光輸入。光源564可以包括額外的光學元件(即濾波器、吸收體、偏振器等)以控制光的光譜分佈和/或偏振。
由光源564所產生的光(在本文中稱為輸入光)可以藉由光學束556的一個或多個發射光纖558傳輸到準直器組件554。響應於經由發射光纖558接收到輸入光,準直器組件554可以被配置為將輸入光轉換成光束572。例如,輸入光可以經由準直器組件554的一個或多個光學元件(例如透鏡、反射器、濾波器、孔等)傳遞。在一些實施例中,由準直器組件554所產生的光束的空間性質對於光束572的多個光譜成分而言可以是相同的。例如,光束572的直徑可以在包含在輸入光中(因此包含在光束572中)的各種光譜成分的廣泛的波長λ範圍內是相同的。在一些實施例中,準直器組件554可以包括一個或多個消色差透鏡。因此,由準直器組件554所產生的光束572可以是消色差光束。
如圖5所示,在一些實施例中,準直器組件554可以包括偏振器部件568。偏振器部件568被配置為偏振由光源564所產生的未偏振(例如自然)光。例如,偏振器部件568可以將未偏振的輸入光轉換成線性地、圓形地或橢圓形地偏振的光。應注意,雖然圖5將偏振器部件568示為準直器組件554的一部分,但偏振器部件568也可以與腔室狀態設備124的向光學介面570傳遞輸入光的任何部分耦合。例如,偏振器部件568可以與光源564的出口耦合,與該一個或多個發射光纖558的出口耦合,耦合在準直器組件與光學介面570之間,等等。
準直器組件554可以經由光學介面570向設置在基板支撐組件548上的基板202的表面引導光束572。光束572可以從基板202的表面反射,成為反射光束574,由準直器組件554接收。光學束556的一個或多個接收光纖560可以向光部件562的光偵測器566傳輸反射光束574。光偵測器566可以包括一個或多個攝譜儀、光譜儀、繞射光柵、反射鏡、透鏡、光電二極體和其他的設備。光偵測器566,單獨或與處理設備576一起,可以基於反射光束574來決定與基板202的表面相關聯的一個或多個光學響應。例如,光偵測器566和/或處理設備576可以基於反射光574來決定反射率R(λ)、折射率n(λ),或可以用來表徵基板202的任何其他光學量。在一些實施例中,光學響應可以用來為基板202表徵反射率的偏振相依性、反射時的偏振平面的旋轉角度、發光強度等。就本申請案所描述的光譜資料可以指與反射光574的光學響應和/或根據反射光574的光學響應導出的基板202的光學特性對應的資料。
腔室狀態設備124可以包括光學感測器582,它捕捉設置在內部容積506內的電漿的發射。光學感測器582與光纖584耦合,該光纖將與電漿發射對應的光學訊號傳輸到光偵測器566。光偵測器566可以包括光學發射光譜儀(OES)。OES分析從光纖584接收的光學訊號,以識別該訊號內的發射峰值和模式,包括識別與特定元素的能量躍遷(energy transition)對應的特定發射峰值。在一些實施例中,可以在OES上觀看和/或操控表徵其中的發射峰值的光譜和/或資訊。在這些實施例中的一些實施例和在其他的實施例中,光譜資料可以包括發射峰值資訊。光譜資料可以被傳輸到處理設備576進行進一步處理。
腔室狀態設備124可以包括一個或多個感測器512,這些感測器被配置為產生和/或收集與處理腔室310相關聯的感測器資料。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、流量、功率、電壓等。感測器資料可以與製造參數相關聯或表明製造參數,例如硬體參數,例如製造設備的設定或部件(例如尺寸、類型等),或製造設備的製程參數。在處理設備310正在執行基板製程時,可以提供感測器資料。每個基板的感測器資料可以不同。感測器資料可以提供給處理設備576。
在一些實施例中,處理設備576可以被包括作為包括製程腔室310的製造系統的系統控制器(例如系統控制器228)的一部分。在這種實施例中,處理設備576可以將為基板202產生的光譜資料儲存在與處理設備576耦合的資料儲存器(例如資料儲存器250、332、354等)處。在其他或類似的實施例中,處理設備576可以是與系統控制器分開但經由網路與系統控制器耦合的處理部件。處理設備576可以向系統控制器傳輸產生的光譜資料,以儲存在製造系統的相應資料儲存器處。
圖6是依據本揭示內容的態樣,用於訓練和/或更新用於預測處理腔室的腔室條件的機器學習模型的方法600的流程圖。方法600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)、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600可以由電腦系統(例如圖1的系統架構100)所執行。在其他或類似的實施方式中,方法600的一個或多個操作可以由圖式中未描述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就圖3所描述的伺服器機器320的腔室條件引擎330所執行。
在方塊602處,處理邏輯執行資料收集。資料收集可以包括從製造系統接收感測器資料、計量、資料標籤(製程產率、電氣測量等),該感測器資料包括腔室資料和光譜資料(例如OES和反射測量資料)。這些資料可以與處理一個或多個基板的一個或多個處理腔室相關聯。感測器資料可以包括由腔室狀態設備124、整合式計量設備128和/或直列式計量設備130獲取的資料。在一些實施例中,光譜資料可以包括設置在處理腔室內的電漿的光學發射光譜(OES)測量。在一些實施例中,光譜資料可以包括與從設置在處理腔室內的基板的表面反射的光的反射模式對應的光學反射光譜測量。在一些實施例中,依據先前所述的實施例,光譜資料和腔室資料可以從腔室狀態設備(例如腔室狀態設備124)或設置在製程腔室內或與之耦合的其他感測器接收。
在方塊604處,處理邏輯執行資料預處理,包括決定要使用感測器資料來訓練的機器學習的一個或多個演算法、大小和速度閾值需求。處理邏輯產生包括對光譜特徵的指示的正規化的感測器資料。處理邏輯可以執行功能和/或方法學,以抽取特徵和/或產生與收到的感測器資料相關聯的合成/工程設計資料。例如,處理邏輯可以對光譜資料執行特徵抽取以識別光譜特徵。光譜特徵可以與光譜資料的經識別的相關性、模式和/或異常對應。在另一個例子中,處理邏輯可以使用光譜資料的組合執行特徵抽取,以決定準則是否被滿足。處理邏輯可以分析相關聯的參數的多個資料點,以決定該參數是否在基板製程的一部分期間發生了快速變化。在一些實施例中,處理邏輯對與各種製程腔室條件相關聯的各種感測器資料(例如光譜資料和/或腔室資料)執行正規化。正規化可以包括處理傳入的感測器資料(例如光譜資料和/或腔室資料),使其在用於獲取該資料的各種腔室和感測器中顯得相似。
在一些實施例中,處理邏輯執行資料外推程序和/或資料內插程序中的一者或多者,以獲得收到的測得的資料點之外的額外資料。處理邏輯可以預測與測得值不同的時間的光譜資料。例如,處理邏輯可以識別光譜資料的各個資料點之間的一個或多個特徵、模式和/或關係,並使用內插程序來決定在測得的光譜資料(例如OES測量)的經捕捉的資料點之間的點處發生的光譜資料點(例如在不同時間區間的光譜資料點或在沒有進行測量時的光譜資料點)的估計。在另一個例子中,處理邏輯可以識別光譜資料的各個資料點之間的一個或多個特徵、模式和/或關係,並使用外推程序來決定在與光譜資料的測得資料點對應的時間窗之外發生的光譜資料點(例如與獲取光譜資料之前和/或之後的實例相關聯的光譜資料預測)。
處理邏輯可以將收到的感測器資料分成訓練集和/或驗證集。處理邏輯可以進一步將資料分類成群,並將各個資料組合分配給訓練集和/或驗證集中的一者或兩者。
在方塊606處,處理邏輯對一組一個或多個機器學習演算法執行模型訓練。該組機器學習模型中的每個機器學習模型可以與不同的機器學習模型類型對應。例如,該組機器學習模型中的每個機器學習模型可以與線性迴歸模型、偏最小平方迴歸模型、高斯迴歸模型、隨機森林模型、支援向量機模型、神經網路、脊迴歸模型、邏輯迴歸類型演算法、多層感知演算法、遞歸神經網路(RNN)等對應。執行該組機器學習模型的訓練可以依據就圖4的方法400所描述的實施例來執行。
在一些實施例中,該經訓練的機器學習模型用於接收具有新的感測器資料的新的輸入,以基於該新的輸入產生新的輸出,該新的感測器資料具有新的腔室資料和新的光譜資料,該新的腔室資料表明依據新的製程來處理新的基板的新的處理腔室的新的環境的新的狀態,該新的光譜資料表明設置在依據該新的製程來處理該新的基板的該新的處理腔室內的新的電漿的光學發射光譜(OES)測量。該新的輸出表明與恢復狀態對應的腔室條件度量,該恢復狀態與在預防性維護程序之後執行的腔室恢復過程相關聯。
在方塊608處,處理邏輯執行對該一個或多個經訓練的機器學習模型的驗證。對來自訓練資料集和驗證資料集兩者的結果和統料資料進行比較,並選擇「最佳」的整體模型。模型的選擇可以依據圖9的方法900來決定。驗證可以包括基於每個訓練集中對應的一組特徵,決定每個經訓練的機器學習模型的準確度。處理邏輯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。處理邏輯可以基於測試集(和可選的驗證集),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。
在方塊610處,將一個或多個模型安裝在伺服器(例如工具上(on-tool)伺服器)上。該一個或多個所選的模型接收新的基板的感測器資料(例如光譜資料和腔室資料),並在一個實施例中預測與製程結果預測對應的一個或多個腔室條件度量。製程結果預測可以包含一個或多個值,這些值表明對與收到的感測器資料對應的基板的製程結果(例如薄膜厚度、臨界尺寸、側壁角度等)的估計。腔室條件度量可以包括一系列的值,這些值各自與對預測引擎328的輸入資料中經識別的組合、特徵或模式相關聯。例如,第一值可以表明給定時間的某個光譜資料和感測器資料的組合。在另一個例子中,另一個值可以與由預測引擎328決定和/或識別的一個或多個變數組合的梯度相關聯。在一些實施例中,腔室條件度量可以包括一系列的值(例如向量、矩陣等),這些值表明感測器資料中存在的特定資料組合、關聯、模式和/或關係的相關性。例如,腔室條件度量可以包括一個特徵向量,該特徵向量包括表明資料中存在或不存在特定特徵的二進位值。腔室條件度量可以用於改變處理腔室的效能。例如,腔室條件可以用於更新製程配方的製程參數。這些更新可以是基於與製程配方相關聯的經決定的腔室條件度量與目標腔室條件度量的差異。在另一個例子中,處理邏輯可以導致在圖形使用者介面(GUI)上顯示通知。該通知可以表明要由製程腔室(或更概括地說,製造設備)採取的修改。例如,處理邏輯可以導致依據更新的一組製程參數來處理當前處理的基板或新的基板。在另一個例子中,處理邏輯可以導致停止在處理腔室內處理的基板。
在方塊612處,處理邏輯對現場基板製程環境執行原位資料收集。收集的資料可以包括光譜資料、計量資料、資料標籤(例如,製程結果,如產量、計量資料、電氣資料等)。這些資料可以與目前正在處理基板的一個或多個處理腔室相關聯。感測器資料可以包括由腔室狀態設備124、整合式計量設備128和/或直列式計量設備130獲取的資料。在一些實施例中,光譜資料可以包括設置在處理腔室內的電漿的光學發射光譜(OES)測量。在一些實施例中,光譜資料可以包括與從設置在處理腔室內的基板的表面反射的光的反射模式對應的光學反射光譜測量。在一些實施例中,依據先前所述的實施例,光譜資料和腔室資料可以從腔室狀態設備(例如腔室狀態設備124)或設置在製程腔室內或與之耦合的其他感測器接收。
在方塊614處,處理邏輯基於收到的資料與歷史感測器資料的比較,決定與基板製程相關聯而收集的收到的原位資料中是否存在異常。處理邏輯基於計量資料與歷史計量資料和相關聯的標籤之間的比較,決定計量和製程結果標籤是否令人滿意(例如滿足閾值效能評級)。處理邏輯可以決定沒有處理異常,並沿著「否」路徑繼續進行到方塊610,並繼續處理與當前的處理腔室和基板相關聯或與一個或多個額外處理腔室和/或一個或多個額外基板相關聯的進一步的感測器資料和製程結果資料。處理邏輯可以決定收到的資料集內存在異常,並沿著「是」分支繼續進行到方塊616。
在一些實施例中,處理邏輯將收到的資料(例如感測器資料、光譜資料、腔室資料、製程結果資料)輸入模型(例如統計模型)。處理邏輯從統計模型接收一個或多個輸出。該一個或多個輸出可以表明腔室資料、光譜資料和/或製程結果資料的時間相關的資料點準確地表明處理腔室的條件(例如冷的腔室、恢復的腔室、故障的腔室)的置信度位準。統計模型可以使用歷史腔室資料、歷史光譜資料和/或歷史製程結果資料之間的迴歸來產生。處理邏輯可以決定置信度位準滿足閾值,以決定收到的資料中是否存在異常。
在一些實施例中,統計模型是使用統計製程控制(SPC)分析來產生的,以為收到的資料決定控制限值,並基於那些控制限值將資料識別為更可靠或更不可靠。在一些實施例中,統計模型與單變量和/或多變量資料分析(例如歷史資料的資料分析)相關聯。例如,可以使用統計模型來分析各種參數,以藉由統計過程決定模式和相關性(例如範圍、最小值、最大值、四分位數、變異數、標準差等)。在另一個例子中,可以使用迴歸分析、路徑分析、因素分析、多變量統計製程控制(multivariate statistical process control;MCSPC)和/或多變量變異數分析(multivariate analysis of variance;MANOVA)來確定多個變數(例如腔室資料和光譜資料)之間的關係。
在方塊616處,執行腔室檢查。腔室檢查可以包括檢驗製造系統的各個部件。處理邏輯可以導致在GUI上顯示通知,表明錯誤、資料異常和/或要採取的改正動作。在一些實施例中,處理邏輯啟動對一個或多個新的模型的創建、訓練、驗證和/或選擇,以執行本文所述的動作。在一些實施例中,處理邏輯可以更新當前使用的模型以改正偵測到的異常。例如,使用者可以加載一個舊的模型,該模型指定模式類型、設定/參數,以及用於創建該模型的舊資料。處理邏輯可以使用舊的模型作為訓練更新的模型的起點(例如初始猜測)。額外的資料可以被添加到系統,並用於進一步訓練和/或驗證模型,以產生更新的模型。
圖7是依據本揭示內容的態樣,用於訓練和/或更新用於預測處理腔室的腔室條件的機器學習模型的方法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)、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述的一個或多個其他機器所執行。在一些態樣中,方法700的一個或多個操作可以由就圖3所描述的伺服器機器320的腔室條件引擎330所執行。
在方塊710處,處理邏輯接收與在製造系統200處的處理腔室中依據當前製程處理的當前基板相關聯的感測器資料(例如光譜資料、腔室資料等)(例如實時原位資料)。在一些實施例中,如先前所述,處理邏輯可以從腔室狀態設備124或設置在執行當前製程的製程腔室內或與之耦合的其他感測器接收當前光譜資料。在一些實施例中,處理邏輯可以在當前製程的特定時間段接收當前感測器資料。例如,腔室狀態設備124可以被配置為在基板製程期間以特定的間隔(例如每秒一次)為當前基板收集感測器資料。腔室狀態設備124可以以基板製程的相應間隔收集感測器資料,並且向伺服器機器320傳輸光譜資料,在該伺服器機器處,該光譜資料由腔室條件引擎330的處理邏輯所接收。
在方塊712處,處理邏輯產生包括對光譜特徵的指示的正規化的感測器資料(例如資料預處理)。處理邏輯可以執行功能和/或方法學,以抽取特徵和/或產生與收到的感測器資料相關聯的合成/工程設計資料。例如,處理邏輯可以對光譜資料執行特徵抽取以識別光譜特徵。在另一個例子中,處理邏輯可以使用光譜資料的組合執行特徵抽取,以決定準則是否被滿足。在一些實施例中,處理邏輯可以執行主成分分析(PCA)以選擇光譜資料的最重要的特徵。主成分分析指的是對實座標空間中一個點集合的分析,以對該點集合執行基礎的改變。在一些實施例中,該組光譜特徵包括與各個腔室條件度量對應的偵測到的光的波長範圍。在這種實施例中,處理邏輯可以在分析光譜資料的基礎上,識別特定波長。例如,處理邏輯可以提供與基板的結構相關聯的資料(例如CD、厚度、材料性質、SWA等)作為對波分析模型的輸入,並抽取一個或多個輸出。處理邏輯可以基於該一個或多個輸出,決定特定的光譜範圍與特定類型的計量測量對應,和決定波長X和Y被包括在該特定的範圍中。在附加性或替代性的實施例中,波分析模型的輸出可以表明,波長X和Y與特定類型的計量測量對應。響應於識別與特定類型的計量測量對應的特定波長,處理邏輯可以從正規化的光譜資料抽取與波長X和Y對應的一組光譜資料。
在一些實施例中,該組光譜特徵包括存在於與對應於特定腔室條件的特定類型計量測量對應的一個或多個波長的光譜資料中的光譜趨勢或模式。處理邏輯可以針對該一個或多個波長對正規化的光譜資料執行一個或多個分析操作(例如嚴謹耦合波分析(rigorous coupled wave-analysis;RCWA)),以識別與對應於一個腔室條件的特定類型的計量測量值對應的光譜趨勢或模式。在一些實施例中,處理邏輯可以識別特定波長的正規化光譜資料的與特定類型的計量測量相關聯的一部分。例如,處理邏輯可以識別,波長Y在初始時間段與第一中間時間段之間的正規化光譜資料與臨界尺寸測量相關聯。正規化可以包括處理傳入的感測器資料(例如光譜資料和/或腔室資料),使其在用於獲取該資料的各種腔室和感測器中顯得相似。
在方塊714處,處理邏輯決定與基板製程相關聯而收集的收到的原位資料中是否存在異常。異常可以包括識別一個或多個資料點具有與關聯值的歷史組合不相關的一個值(例如光譜值、腔室參數值等)組合。處理邏輯可以決定收到的資料滿足閾值條件(例如閾值規格)。閾值條件可以包括資料與歷史資料匹配(例如相關)(例如具有大於一個相關係數的閾值條件)。處理邏輯可以決定不存在處理異常,並沿著「否」路徑繼續進行到方塊720,並繼續進一步處理收到的資料。處理邏輯可以決定收到的資料集內存在異常,並沿著「是」分支繼續進行到方塊716。
在一些實施例中,處理邏輯將收到的資料(例如感測器資料、光譜資料、腔室資料)輸入模型(例如統計模型)。處理邏輯從該模型接收一個或多個輸出。該一個或多個輸出可以表明腔室資料、光譜資料和/或製程結果資料的時間相關的資料點準確地表明處理腔室的條件的置信度位準。統計模型可以使用歷史腔室資料、歷史光譜資料和/或歷史製程結果資料之間的迴歸來產生。處理邏輯可以決定置信度位準滿足閾值決策,以決定收到的資料中是否存在異常。
在一些實施例中,統計模型是使用統計製程控制(SPC)分析來產生的,以為收到的資料決定控制限值,並基於那些控制限值將資料識別為更可靠或更不可靠。在一些實施例中,統計模型與單變量和/或多變量資料分析(例如歷史資料的資料分析)相關聯。例如,可以使用統計模型來分析各種參數,以藉由統計過程決定模式和相關性(例如範圍、最小值、最大值、四分位數、變異數、標準差等)。在另一個例子中,可以使用迴歸分析、路徑分析、因素分析、多變量統計製程控制(multivariate statistical process control;MCSPC)和/或多變量變異數分析(multivariate analysis of variance;MANOVA)來確定多個變數(例如腔室資料和光譜資料)之間的關係。
在一些實施例中,處理邏輯基於基板準則是否被滿足來決定資料。基板準則可以包括薄膜厚度需求、製程均勻性需求、臨界尺寸規格、SWA規格等中的一者或多者。在一些實施例中,處理邏輯可以藉由決定收到的光譜資料與跟特定類型的基板製程和/或特定類型的基板相關聯的光譜資料對應,來決定基板準則被滿足。例如,處理邏輯可以擷取(例如從資料儲存器150擷取)先前為依據特定類型的製程來處理的特定類型的基板收集的光譜資料。先前收集的光譜資料可以包括一個或多個光譜資料特徵(例如光譜特性(spectral signature)),這些特徵是該類型的基板和/或該類型的製程或者該類型的製程的特定步驟或時間段所特有的。處理邏輯可以決定當前基板的收到的光譜資料是否包括對應於(即大致等於)包括在先前收集的光譜資料中的相應光譜資料特徵的一個或多個光譜資料特徵。
在方塊716處,執行改正動作。在一些實施例中,實現腔室檢查,以識別製造設備的一個或多個缺陷,並決定彌補該缺陷的改正動作。處理邏輯可以導致在GUI上顯示通知,表明錯誤、資料異常和/或要採取的改正動作,等等。在一些實施例中,處理邏輯啟動對一個或多個新的模型的創建、訓練、驗證和/或選擇,以執行本文所述的動作。在一些實施例中,處理邏輯可以更新當前使用的模型以改正偵測到的異常。例如,使用者可以加載一個舊的模型,該模型指定模式類型、設定/參數,以及用於創建該模型的舊資料。處理邏輯可以使用舊的模型作為訓練更新的模型的起點(例如初始猜測)。額外的資料可以被添加到系統,並用於進一步訓練和/或驗證模型,以產生更新的模型。處理邏輯繼續更新新的資料,並在用該新的資料執行改正動作之後進一步評估系統。
在方塊720處,處理邏輯提供感測器資料以用作對經訓練的機器學習模型的輸入。在一些實施例中,處理邏輯可以向預測引擎328提供光譜資料,這可以使得預測引擎328執行就圖8所描述的方法800的一個或多個操作。
在方塊722處,處理邏輯獲得從經訓練的機器學習模型的一個或多個輸出抽取的腔室條件度量。在一些實施例中,處理邏輯可以從預測引擎328接收依據方法800獲得的對腔室條件度量的指示。在方塊724處,處理邏輯決定腔室條件度量準則是否被滿足。在一些實施例中,處理邏輯可以藉由決定腔室內在當前腔室條件下處理的基板是否滿足與當前製程相關聯的製程結果準則,決定腔室條件度量準則是否被滿足。抽取的腔室條件度量可以與跟PM程序之後的恢復過程(例如腔室調理)相關聯的處理腔室的恢復狀態對應。
響應於處理邏輯決定腔室條件度量準則被滿足,方法700繼續進行到方塊728。在方塊728處,處理邏輯繼續為當前的基板進行當前的製程。在一些實施例中,處理邏輯可以藉由向系統控制器228或製程腔室的本端控制器傳輸繼續進行當前的製程的指令,來繼續進行當前的製程。在其他或類似的實施例中,處理邏輯可以藉由不產生和傳輸指令,來繼續當前的製程。如上所述,處理邏輯可以向訓練集產生器324傳輸感測器資料(例如光譜資料、腔室資料)和抽取的計量測量值,以用作額外的訓練資料。
響應於處理邏輯決定腔室條件度量準則沒有被滿足,方法700繼續進行到方塊726。在方塊726處,處理邏輯產生改變製造設備的效能的指令。在一些實施例中,處理邏輯傳輸終止製造系統處的當前製程的指令。在一些實施例中,處理邏輯可以向系統控制器(例如系統控制器228)傳輸指令,這導致系統控制器終止當前的製程。在其他或類似的實施例中,處理邏輯可以向製程腔室的本端處理設備傳輸指令,這導致製程腔室終止當前的製程。在附加性或替代性的實施例中,處理邏輯可以向訓練集產生器324(即伺服器機器320或伺服器機器350處的訓練集產生器)傳輸光譜資料和抽取的計量測量值以用作額外的訓練資料。在一些實施例中,處理邏輯傳輸更新與製造設備相關聯的一個或多個製程參數的指令。該指令可以進一步包括依據更新的製程參數進一步處理當前基板的命令。
回到方塊724,在一些實施例中,處理邏輯可以藉由決定腔室條件度量是否落在與當前製程的時間段相關聯的預期腔室條件度量值的範圍之內,進一步決定腔室條件度量準則是否被滿足。預期的腔室條件度量的範圍可以包括預期與在當前製程的當前時間段的當前基板相關聯的一組值。在一些實施例中,處理邏輯可以根據抽取的腔室條件度量值來決定,經訓練的機器學習模型的準確度不再滿足準確度準則(即經訓練的機器學習模型的整體準確度低於閾值整體準確度)。可以採用線上或整合計量資料來驗證經訓練的機器學習模型的準確度。例如,該模型可能輸出,腔室正在正常操作條件下操作,然而在假定的正常操作條件下處理的相關聯的計量資料可能未能滿足製程結果需求(例如厚度需求、臨界尺寸需求、SWA需求等)。因此,處理邏輯可以向客戶端設備傳輸通知,表明機器學習模型要被再訓練。在一些實施例中,依據本文所述的實施例,處理邏輯可以向訓練集產生器324和/或訓練引擎326傳輸通知,以再訓練機器學習模型。
在方塊730處,處理邏輯繼續進行到下一個測量迭代。基板和/或製程配方並使用與進一步處理當前基板和/或處理下一個基板相關聯的資料,和/或使用下一個製程配方,來執行方法700。
圖8是依據本揭示內容的態樣,用於使用機器學習模型來預測處理當前腔室的處理腔室的腔室條件的方法800的流程圖。方法800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)、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800可以由電腦系統(例如圖1的系統架構100)所執行。在其他或類似的實施方式中,方法800的一個或多個操作可以由圖式中未描述的一個或多個其他機器所執行。在一些態樣中,方法800的一個或多個操作可以由就圖3所描述的伺服器機器320的預測引擎328所執行。
在方塊810處,處理邏輯接收與處理基板的處理腔室相關聯的光譜資料和腔室資料。在一些實施例中,光譜資料可以包括設置在處理腔室內的電漿的光學發射光譜(OES)測量。在一些實施例中,光譜資料可以包括與從設置在處理腔室內的基板的表面反射的光的反射模式對應的光學反射光譜測量。在一些實施例中,依據先前所述的實施例,光譜資料和腔室資料可以從腔室狀態設備(例如腔室狀態設備124)或設置在製程腔室內或與之耦合的其他感測器接收。
在方塊812處,處理邏輯產生包括對光譜特徵的指示的正規化的感測器。處理邏輯可以執行功能和/或方法學,以抽取特徵和/或產生與收到的感測器資料相關聯的合成/工程設計資料。例如,處理邏輯可以對光譜資料執行特徵抽取以識別光譜特徵。在另一個例子中,處理邏輯可以使用光譜資料的組合執行特徵抽取,以決定準則是否被滿足。處理邏輯可以分析相關聯的參數的多個資料點,以決定是否在基板製程的一部分期間發生了快速變化。在一些實施例中,處理邏輯對與各種製程腔室條件相關聯的各種感測器資料(例如光譜資料和/或腔室資料)執行正規化。正規化可以包括處理傳入的感測器資料(例如光譜資料和/或腔室資料),使其在用於獲取該資料的各種腔室和感測器中顯得相似。
在方塊814處,處理邏輯提供正規化的感測器資料作為對經訓練的機器學習模型的輸入。在一些實施例中,經訓練的機器學習模型可以與就圖3所描述的機器學習模型334對應。在一些實施例中,依據下面就圖9所描述的實施例,訓練引擎326選擇機器學習模型334以由預測引擎328使用。在方塊816處,處理邏輯獲得機器學習模型的一個或多個輸出。在方塊818處,處理邏輯從該一個或多個輸出抽取腔室條件度量,該等腔室條件度量識別:(i)與感測器資料相關聯的一個或多個腔室條件,以及(2)對該一個或多個腔室條件中的每一者與處理腔室的條件對應的置信度位準的指示。在一個例子中,置信度位準是介於0與1之間的實數,可以包括0和1。應注意,在一些實施例中,置信度位準不與機率對應。例如,所有腔室條件度量的置信度位準的總和可能不等於1。
在一些實施例中,處理邏輯可以使用腔室條件度量來決定與在執行預防性維護(PM)程序之後執行的恢復程序對應的處理腔室的恢復狀態。在一些實施例中,如果腔室條件度量的置信度位準滿足閾值條件,那麼將處理腔室的處理條件識別為與腔室條件度量相關聯。處理邏輯可以響應於決定置信度位準超過閾值置信度位準,決定計量測量值的置信度位準滿足閾值條件。依據就圖10所描述的實施例,處理邏輯可以向腔室條件引擎330提供腔室條件度量。
圖9是依據本揭示內容的態樣,用於選擇用於估計一定類型的計量測量值的機器學習模型的方法900的流程圖。方法900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)、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900可以由電腦系統(例如圖1的系統架構100)所執行。在其他或類似的實施方式中,方法900的一個或多個操作可以由圖式中未描述的一個或多個其他機器所執行。在一些態樣中,方法900的一個或多個操作可以由就圖3所描述的伺服器機器320或350的訓練引擎326所執行。
在方塊910處,處理邏輯接收用於一組機器學習模型的訓練資料和/或驗證資料。該組機器學習模型中的每個機器學習模型可以與不同的機器學習模型類型對應。例如,該組機器學習模型中的每個機器學習模型可以與線性迴歸模型、偏最小平方迴歸模型、高斯迴歸模型、隨機森林模型、支援向量機模型、神經網路、脊迴歸模型等對應。在一些實施例中,處理邏輯可以從伺服器機器320或350的訓練集產生器324接收訓練資料和驗證資料。訓練集產生器324可以依據就圖4的方法400所描述的實施例來產生訓練資料。在其他或類似的實施例中,處理邏輯可以從訓練集產生器324接收訓練資料,並且可以基於所接收的訓練資料來產生驗證資料。訓練資料可以與就圖3所描述的訓練集340對應,並且驗證資料可以與包括在驗證集342中的資料對應。
在方塊912處,處理邏輯使用收到的訓練資料來訓練該組機器學習模型中的每個機器學習模型。在方塊914處,處理邏輯使用驗證資料來對該組機器學習模型中的每個機器學習模型執行一個或多個測試操作。如上所述,驗證集342可以包括針對處理先前基板的處理腔室的感測器資料(例如腔室資料和光譜資料)和與計量資料對應的腔室條件,這些感測器資料和腔室條件不同於包括在訓練資料中的感測器資料(例如光譜資料和腔室資料)和與計量資料對應的腔室條件。為了執行該一個或多個測試操作,處理邏輯可以提供驗證集342的感測器資料作為對該組經訓練的機器學習模型中的每個經訓練的機器學習模型的輸入,並且可以獲得每個經訓練的模型的一個或多個輸出。依據本文所提供的實施例,處理邏輯可以從獲得的一個或多個輸出抽取腔室條件度量。
在一些實施例中,該經訓練的機器學習模型用於接收具有新的感測器資料的新的輸入,以基於該新的輸入產生新的輸出,該新的感測器資料具有新的腔室資料和新的光譜資料,該新的腔室資料表明依據新的製程來處理新的基板的新的處理腔室的新的環境的新的狀態,該新的光譜資料表明設置在依據該新的製程來處理該新的基板的該新的處理腔室內的新的電漿的光學發射光譜(OES)測量。該新的輸出表明與恢復狀態對應的腔室條件度量,該恢復狀態與在預防性維護程序之後執行的腔室恢復過程相關聯。
在方塊916處,處理邏輯基於就方塊914執行的該一個或多個測試操作的結果,將效能評級分配給該組機器學習模型中的每個機器學習模型。在一些實施例中,處理邏輯可以基於為機器學習模型決定的準確度分數,將效能評級分配給相應的機器學習模型。處理邏輯可以基於從相應的機器學習模型的輸出抽取的腔室條件度量與處理腔室處理的實際腔室條件之間的差異,決定準確度分數。例如,如就方塊914所描述,處理邏輯可以提供來自驗證集342的感測器資料作為對相應的機器學習模型的輸入,並且可以從該模型的輸出抽取腔室條件度量。處理邏輯可以將抽取的腔室條件度量與在驗證集342的提供的感測器資料的情況下的實際腔室條件進行比較(例如藉由比較兩個條件下的晶圓處理的計量結果)。處理邏輯可以基於抽取值與驗證集342的實際值之間的差異,將準確度分數分配給模型。例如,如果由模型所產生的抽取值與實際值之間的差異很小,那麼處理邏輯可以將高的準確度分數分配給相應的模型。類似地,如果差異很大,那麼處理邏輯可以將低的準確度分數分配給相應的模型。
在附加性或替代性的實施例中,處理邏輯可以進一步基於為機器學習模型決定的速度分數,將效能評級分配給相應的機器學習模型。在一些實施例中,處理邏輯可以基於在處理邏輯提供感測器資料作為對模型的輸入之後獲得模型的該一個或多個輸出的時間量來決定速度分數。在其他或類似的實施例中,處理邏輯可以基於在處理邏輯提供光譜資料作為對模型的輸入之後,處理邏輯從該一個或多個獲得的輸出抽取計量測量值的時間量來決定速度分數。在一個例子中,如果在處理邏輯提供感測器資料作為對模型的輸入之後,模型提供該一個或多個輸出(或處理邏輯抽取計量測量值)的時間量很小,那麼處理邏輯可以將高的速度分數分配給相應的模型。
在一些實施例中,處理邏輯可以基於為機器學習模型決定的效率分數,將效能評級分配給相應的機器學習模型。如就圖3所描述的那樣,在一些實施例中,訓練引擎356可以被包括在與伺服器機器320分開的伺服器機器350處。在這種實施例中,訓練引擎356可以在伺服器機器350處訓練該組機器學習模型中的每個機器學習模型。訓練引擎356可以執行就方塊914所描述的該一個或多個測試操作,以決定要將該組機器學習模型中的哪個機器學習模型傳輸到伺服器機器320以由預測引擎328使用。處理邏輯可以基於關於將相應的機器學習模型從伺服器機器350傳輸到伺服器機器320和/或在伺服器機器320處初始化相應的機器學習模型的整體系統效率(例如製造系統的整體系統效率),來為相應的機器學習模型決定效率分數。在一些實施例中,處理邏輯可以基於用來儲存相應的經訓練的機器學習模型的記憶體量、伺服器機器320的資料儲存器332處可用的記憶體量、可用來向伺服器機器320傳輸相應的經訓練的機器學習模型的網路頻寬量等,來決定效率分數。
在方塊918處,處理邏輯基於為每個機器學習模型分配的效能評級,來決定效能準則是否被滿足。在一些實施例中,處理邏輯可以藉由決定分配的效能評級(即基於準確度分數來決定並且在一些實施例中還基於速度分數和/或效率分數來決定的效能評級)是否超過閾值效能分數,來決定效能準則是否被滿足。在其他或類似的實施例中,處理邏輯可以藉由決定相應模型的準確度分數是否超過閾值分數以及相應模型的整體效能評級(即基於準確度分數以及速度分數和/或效率分數來決定的整體效能評級)是否超過閾值效能分數,來決定效能準則是否被滿足。在一些實施例中,超過一個經訓練的機器學習模型可以與分別滿足閾值分數和/或閾值評級的準確度分數和/或效能評級相關聯。在這種實施例中,處理邏輯可以決定,該超過一個經訓練的模型中相應的模型與滿足效能準則的最高的準確度分數和/或效能評級相關聯。在一些實施例中,處理邏輯可以決定該組機器學習模型中沒有一個經訓練的機器學習模型與分別滿足閾值分數和/或閾值評級的準確度分數和/或效能評級相關聯。在這種實施例中,處理邏輯可以決定沒有模型滿足效能準則。
響應於決定效能準則被滿足,處理邏輯繼續進行到方塊920。在方塊920處,處理邏輯選擇相應的機器學習模型以應用於為依據未來基板製程處理的未來基板收集的未來感測器資料。如上所述,在一些實施例中,訓練引擎326可以與伺服器機器320處的預測引擎328包括在一起。在這種實施例中,響應於選擇相應的機器學習模型以應用於未來的光譜資料,處理邏輯可以將相應的模型和/或相應的模型要由預測引擎328所使用的指示儲存在資料儲存器332處。在其他的實施例中,訓練引擎326可以被包括在伺服器機器350處。在這種實施例中,響應於訓練引擎326選擇相應的機器學習模型以應用於未來的感測器資料,伺服器機器350可以向伺服器320傳輸相應的機器學習模型以儲存在資料儲存器150處。
響應於決定效能準則沒有被滿足,處理邏輯繼續進行到方塊922。在方塊922處,處理邏輯接收額外的訓練資料以進一步訓練該組機器學習模型。依據先前所述的實施例,處理邏輯可以從訓練集產生器324接收額外的訓練資料。在效能準則沒有被滿足的情況下,在資料被方塊922接收之後,系統可以將該資料發送給方塊910,並藉由另一個迭代開始方法900的流程。
圖10描述呈計算設備1000的示例形式的機器的圖解表示,在該機器內可以執行用於使得該機器執行本文討論的任何一個或多個方法學的一組指令。在替代性的實施例中,該機器可以在區域網路(LAN)、內部網路、外部網路或網際網路中與其他機器連接(例如聯網)。該機器可以以客戶端和伺服器網路環境中的伺服器或客戶端機器的身分操作,或用作同級間(或分散式)網路環境中的同級機器。該機器可以是個人電腦(PC)、平板電腦、機上盒(STB)、個人數位助理(PDA)、蜂巢式電話、網頁設備(web appliance)、伺服器、網路路由器、交換器或橋接器,或能夠執行一組指令(依序執行或以其他方式執行)的任何機器,該等指令指定要由該機器所採取的動作。進一步地,雖然僅示出單個機器,但也應將術語「機器」視為包括單獨地或共同地執行一組(或多組)指令以執行本文討論的任何一個或多個方法學的任何機器(例如電腦)的集合。在實施例中,計算設備1000可以與本文所述的伺服器機器170、伺服器機器180、預測伺服器112、系統控制器228、伺服器機器320或伺服器機器350中的一者或多者對應。
示例計算設備1000包括經由匯流排1008彼此通訊的處理設備1002、主記憶體1004(例如唯讀記憶體(ROM)、快閃記憶體、諸如同步動態隨機存取記憶體(SDRAM)之類的動態隨機存取記憶體(DRAM)等)、靜態記憶體1006(例如快閃記憶體、靜態隨機存取記憶體(SRAM)等)和輔助記憶體(例如資料儲存設備1028)。
處理設備1002可以代表諸如微處理器、中央處理單元等一個或多個通用處理器。更詳細而言,處理設備1002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、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1002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)、網路處理器等一個或多個特殊用途處理設備。處理設備1002也可以是或包括系統單晶片(SoC)、可程式化邏輯控制器(PLC)或其他類型的處理設備。處理設備1002被配置為執行處理邏輯以執行本文討論的操作和步驟。
計算設備1000可以進一步包括用於與網路1064通訊的網路介面設備1022。計算設備1000也可以包括視訊顯示單元1010(例如液晶顯示器(LCD)或陰極射線管(CRT))、文數字輸入設備1012(例如鍵盤)、游標控制設備1014(例如滑鼠)和訊號產生設備1020(例如揚聲器)。
資料儲存設備1028可以包括機器可讀取儲存媒體(或更具體而言為非暫時性電腦可讀取儲存媒體)1024,該機器可讀取儲存媒體上儲存有體現本文所述的任何一個或多個方法學或功能的一組或多組指令1026。其中非暫時性儲存媒體指的是載波以外的儲存媒體。指令1026也可以在由電腦設備1000執行該等指令的期間完全地或至少部分地駐留在主記憶體1004內和/或處理設備1002內,主記憶體1004和處理設備1002也構成電腦可讀取儲存媒體。
雖然在示例實施例中將電腦可讀取儲存媒體1024示為單個媒體,但也應將術語「電腦可讀取儲存媒體」視為包括儲存該一組或多組指令的單個媒體或多個媒體(例如集中式或分佈式資料庫和/或相關聯的快取記憶體和伺服器)。也應將術語「電腦可讀取儲存媒體」視為包括能夠對用於由機器執行並且使得機器執行本揭示內容的任何一個或多個方法學的一組指令進行儲存或編碼的任何媒體。因此,應將術語「電腦可讀取儲存媒體」視為包括(但不限於)固態記憶體以及光學和磁性媒體。
前述說明闡述了諸如特定的系統、部件、方法等的例子的許多具體細節,以便讓人們很好地瞭解本揭示內容的幾個實施例。然而,本領域的技術人員將理解,可以在沒有這些具體細節的情況下實行本揭示內容的至少一些實施例。在其他的情況下,不詳細描述眾所周知的部件或方法,或將該等部件或方法以簡單的方塊圖格式呈現,以避免不必要地掩蓋本揭示內容。因此,所闡述的具體細節僅是示例性的。特定的實施方式可以不同於這些示例性的細節,並且仍然被認為是在本揭示內容的範圍之內。
本說明書通篇提到的「一個實施例」或「一實施例」意味著,與該實施例結合描述的特定特徵、結構或特性被包括在至少一個實施例中。因此,本說明書通篇的各種地方出現的語句「在一個實施例中」或「在實施例中」不一定都指相同的實施例。此外,術語「或」旨在意指包括性的「或」而不是排他性的「或」。在本文中使用術語「約(about)」或「大致(approximately)」時,此術語旨在意味著,所呈現的標稱值的精度在±10%內。
雖然本文中的方法的操作是以特定的順序顯示和描述的,但也可以改變每個方法的操作順序,使得可以以相反的順序執行某些操作使得某些操作可以至少部分地與其他操作並行地執行。在另一個實施例中,不同操作的指令或子操作可以以間歇和/或交替的方式進行。
應理解,以上描述旨在是說明性的,而非限制性的。在閱讀和理解了以上描述之後,本領域的技術人員將發現許多其他的實施方式。因此,將參照隨附的請求項以及這樣的請求項所賦予的等效物的整個範圍來決定本揭示內容的範圍。
110:預測系統
112:預測伺服器
114:預測引擎
120:客戶端設備
122:製造設備
124:腔室狀態設備
126:計量設備
128:整合式計量設備
130:直列式計量設備
132:計量設備
140:網路
150: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
190:機器學習模型
200:製造系統
202:基板
204:製程工具
206:工廠介面
208:殼體
210:傳輸腔室
212:傳輸腔室機器人
214:製程腔室
216:製程腔室
218:製程腔室
220:裝載閘
222:基板載體
224:裝載端口
226:工廠介面機器人
228:系統控制器
250:資料儲存器
300:腔室條件預測系統
310:製程腔室
320:伺服器機器
322:處理設備
324:訓練集產生器
326:訓練引擎
328:預測引擎
330:腔室條件引擎
332:資料儲存器
334:機器學習模型
336:歷史光譜資料
338:歷史計量資料
340:訓練集
342:驗證集
350:伺服器
352:處理設備
354:資料儲存器
400:方法
410:方塊
412:方塊
414:方塊
416:方塊
418:方塊
420:方塊
422:方塊
424:方塊
426:方塊
502:腔室主體
506:內部容積
508:側壁
510:底部
512:感測器
526:排氣口
528:泵系統
530:蓋體
548:基板支撐組件
550:靜電卡盤
552:基座
554:準直器組件
556:光纖束
558:發射光纖
560:接收光纖
562:光部件
564:光源
566:光偵測器
568:偏振器部件
570:光學介面
572:光束
574:反射光束
576:處理設備
582:光學感測器
584:光纖
600:方法
602:方塊
604:方塊
606:方塊
608:方塊
610:方塊
612:方塊
614:方塊
616:方塊
700:方法
710:方塊
712:方塊
714:方塊
716:方塊
720:方塊
722:方塊
724:方塊
726:方塊
728:方塊
730:方塊
800:方法
810:方塊
812:方塊
814:方塊
816:方塊
818:方塊
900:方法
910:方塊
912:方塊
914:方塊
916:方塊
918:方塊
920:方塊
922:方塊
1000:計算設備
1002:處理設備
1004:主記憶體
1006:靜態記憶體
1008:匯流排
1010:視訊顯示單元
1012:文數字輸入設備
1014:游標控制設備
1020:訊號產生設備
1022:網路介面設備
1024:電腦可讀取儲存媒體
1026:指令
1028:資料儲存設備
1064:網路
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,在該等附圖中,類似的附圖標記表示類似的元素。應注意,在本揭示內容中對於「一」或「一個」實施例的不同指稱不一定指相同的實施例,並且這種指稱是指至少一個。
圖1描述了依據本揭示內容的態樣的說明性系統架構。
圖2是依據本揭示內容的態樣的示例製造系統的俯視示意圖。
圖3描述了依據本揭示內容的態樣,用於處理腔室的腔室條件預測的說明性系統架構。
圖4是依據本揭示內容的態樣,用於訓練機器學習模型的方法的流程圖。
圖5是依據本揭示內容的態樣的腔室狀態設備的橫截示意側視圖。
圖6是依據本揭示內容的態樣,用於訓練和/或更新用於預測處理腔室的腔室條件的機器學習模型的方法的流程圖。
圖7是依據本揭示內容的態樣,用於訓練和/或更新用於預測處理腔室的腔室條件的機器學習模型的方法的流程圖。
圖8是依據本揭示內容的態樣,用於使用機器學習模型來預測處理當前腔室的處理腔室的腔室條件的方法的流程圖。
圖9是依據本揭示內容的態樣,用於選擇用於估計一定類型的計量測量值的機器學習模型的方法的流程圖。
圖10描述了呈計算設備的示例形式的機器的圖解表示,在該機器內可以執行用於使得該機器執行本文討論的任何一個或多個方法學的一組指令。
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
700:方法
710:方塊
712:方塊
714:方塊
716:方塊
720:方塊
722:方塊
724:方塊
726:方塊
728:方塊
730:方塊
Claims (20)
- 一種方法,包括以下步驟: 由一處理設備,接收感測器資料,該感測器資料包括:(i)腔室資料,表明一處理腔室的一環境的一狀態,該處理腔室依據一當前製程的一組製程參數來處理一基板,以及(ii)光譜資料,表明設置在依據該當前製程的該組製程參數來處理該基板的該處理腔室內的一電漿的光學發射光譜(OES)測量; 由該處理設備,使用該感測器資料作為對一機器學習模型的輸入; 由該處理設備,獲得該機器學習模型的一個或多個輸出,該一個或多個輸出表明一個或多個腔室條件度量(metrics); 由該處理設備,基於該一個或多個腔室條件度量,決定該處理腔室的一恢復狀態,該恢復狀態與在一預防性維護程序之後執行的一腔室恢復過程對應;以及 由該處理設備,基於該處理腔室的該恢復狀態,導致對該處理腔室的一效能的一修改。
- 如請求項1所述的方法,進一步包括以下步驟: 由該處理設備,基於該一個或多個腔室條件度量,決定對該組製程參數的至少一個製程參數的一更新,以產生一組更新的製程參數,其中對該處理腔室的該效能的該修改是進一步基於對該組製程參數的該至少一個製程參數的該更新。
- 如請求項2所述的方法,其中導致對該處理腔室的該效能的該修改之步驟進一步包括以下步驟:發送導致以下步驟的一第一命令: 依據更新的該組製程參數來處理該基板或一新的基板;或者 停止該處理腔室內的基板處理。
- 如請求項1所述的方法,進一步包括以下步驟:導致一通知顯示在一圖形使用者介面(GUI)上,該通知表明對該處理腔室的該效能的該修改。
- 如請求項1所述的方法,其中對該效能的該修改與一腔室調理程序對應。
- 如請求項1所述的方法,其中該光譜資料進一步包括: 光學反射光譜測量,與從設置在該處理腔室內的該基板的一表面反射的光的一反射模式對應。
- 如請求項6所述的方法,進一步包括以下步驟: 基於該光學發射光譜測量和該光學反射光譜測量的組合,決定一個或多個光譜特徵,以產生特徵資料;以及 使用該特徵資料作為對該機器學習模型的輸入。
- 如請求項1所述的方法,進一步包括以下步驟: 使用該感測器資料作為對一統計模型的輸入; 從該統計模型接收一個或多個輸出,該一個或多個輸出表明該腔室資料和該光譜資料的時間相關的資料點準確地表明該處理腔室的條件的一置信度位準,其中該統計模型是使用歷史腔室資料與歷史光譜資料之間的一迴歸來產生的;以及 決定該置信度位準滿足一閾值條件。
- 如請求項1所述的方法,其中接收該感測器資料和導致對該製程腔室的該效能的該修改都發生在該處理腔室正在依據該組製程參數處理該基板時。
- 一種用於訓練一機器學習模型決定一腔室恢復程序中的一處理腔室的一狀態的方法,該處理腔室依據一當前製程處理一當前基板,該方法包括以下步驟: 為該機器學習模型產生訓練資料,其中產生該訓練資料之步驟包括以下步驟: 識別具有歷史感測器資料的一第一訓練輸入,該歷史感測器資料包括:i)歷史腔室資料,表明依據一先前製程處理一先前基板的一第二處理腔室的一環境的一狀態,以及ii)歷史光譜資料,表明設置在依據該先前製程處理該先前基板的該第二處理腔室內的一先前電漿的光學發射光譜(OES)測量; 為該第一訓練輸入識別一第一目標輸出,其中該第一目標輸出包括歷史製程結果資料,該歷史製程結果資料具有使用該第二處理腔室依據該先前製程處理的該先前基板的製程結果測量;以及 提供該訓練資料以對以下項目訓練該機器學習模型:(i)包括該第一訓練輸入的一組訓練輸入,以及(ii)包括該第一目標輸出的一組目標輸出,其中該經訓練的機器學習模型用於接收具有新的感測器資料的一新的輸入,以基於該新的輸入產生一新的輸出,該新的感測器資料包括:i)新的腔室資料,表明依據一新的製程處理一新的基板的一新的處理腔室的一新的環境的一新的狀態,以及ii)新的光譜資料,表明設置在依據該新的製程處理該新的基板的該新的處理腔室內的一新的電漿的光學發射光譜(OES)測量,該新的輸出表明與一恢復狀態對應的一腔室條件度量,該恢復狀態與在一預防性維護程序之後執行的一腔室恢復過程相關聯。
- 如請求項10所述的方法,其中該歷史光譜資料進一步包括: 光學反射光譜測量,與從設置在該第二處理腔室內的該先前基板的一表面反射的光的一反射模式對應。
- 如請求項11所述的方法,進一步包括以下步驟: 基於光學發射光譜測量和光學反射光譜測量的組合,決定一個或多個光譜特徵,以產生特徵資料,該訓練資料進一步包括該特徵資料。
- 如請求項10所述的方法,進一步包括以下步驟: 用該歷史光譜資料執行一資料外推程序,以產生與發生在該等OES測量之前或之後的時刻對應的光學發射光譜(OES)估計。
- 如請求項10所述的方法,進一步包括以下步驟: 用該歷史光譜資料執行一資料內插程序,以產生發生在各對該等OES測量之間的一個或多個時刻的光學發射光譜(OES)估計。
- 如請求項10所述的方法,其中該組訓練輸入中的每個訓練輸入被映射到該組目標輸出中的一目標輸出。
- 如請求項10所述的方法,其中該經訓練的機器學習模型包括一邏輯迴歸類型演算法、一多層感知演算法或一遞歸神經網路(RNN)中的至少一者。
- 一種包括指令的非暫時性電腦可讀取媒體,該等指令當由一處理設備執行時,導致該處理設備: 接收感測器資料,該感測器資料包括:(i)腔室資料,表明一處理腔室的一環境的一狀態,該處理腔室依據一當前製程的一組製程參數來處理一基板,以及(ii)光譜資料,表明設置在依據該當前製程的該組製程參數來處理該基板的該處理腔室內的一電漿的光學發射光譜(OES)測量; 使用該感測器資料作為對一機器學習模型的輸入; 獲得該機器學習模型的一個或多個輸出,該一個或多個輸出表明一個或多個腔室條件度量(metrics); 基於該一個或多個腔室條件度量,決定該處理腔室的一恢復狀態,該恢復狀態與在一預防性維護程序之後執行的一腔室恢復過程對應;以及 基於該處理腔室的該恢復狀態,導致對該處理腔室的一效能的一修改。
- 如請求項17所述的非暫時性電腦可讀取媒體,其中當由該處理設備執行時,該等指令進一步導致該處理設備: 基於該一個或多個腔室條件度量,決定對該組製程參數的至少一個製程參數的一更新,以產生一組更新的製程參數,其中對該處理腔室的該效能的該修改是進一步基於對該組製程參數的該至少一個製程參數的該更新。
- 如請求項17所述的非暫時性電腦可讀取媒體,其中對該效能的該修改與一腔室調理程序對應。
- 如請求項17所述的非暫時性電腦可讀取媒體,其中當由該處理設備執行時,該等指令進一步導致該處理設備: 使用該感測器資料作為對一統計模型的輸入; 從該統計模型接收一個或多個輸出,該一個或多個輸出表明該腔室資料和該光譜資料的時間相關的資料點準確地表明該處理腔室的條件的一置信度位準,其中該統計模型是使用歷史腔室資料與歷史光譜資料之間的一迴歸來產生的;以及 決定該置信度位準滿足一閾值條件。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/534,446 | 2021-11-23 | ||
US17/534,446 US20230163002A1 (en) | 2021-11-23 | 2021-11-23 | Accelerating preventative maintenance recovery and recipe optimizing using machine-learning based algorithm |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202334765A true TW202334765A (zh) | 2023-09-01 |
Family
ID=86384205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111144542A TW202334765A (zh) | 2021-11-23 | 2022-11-22 | 使用基於機器學習的演算法來加速預防性維護恢復和配方最佳化 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230163002A1 (zh) |
TW (1) | TW202334765A (zh) |
WO (1) | WO2023096839A1 (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10467123B2 (en) * | 2016-05-09 | 2019-11-05 | Oracle International Corporation | Compression techniques for encoding stack trace information |
US10269545B2 (en) * | 2016-08-03 | 2019-04-23 | Lam Research Corporation | Methods for monitoring plasma processing systems for advanced process and tool control |
US9972478B2 (en) * | 2016-09-16 | 2018-05-15 | Lam Research Corporation | Method and process of implementing machine learning in complex multivariate wafer processing equipment |
US10705514B2 (en) * | 2018-10-09 | 2020-07-07 | Applied Materials, Inc. | Adaptive chamber matching in advanced semiconductor process control |
JP2022523870A (ja) * | 2019-03-29 | 2022-04-26 | ラム リサーチ コーポレーション | 基板処理システムのためのモデルベースのスケジュール設定 |
US20200337232A1 (en) * | 2019-04-24 | 2020-10-29 | Deere & Company | Information inference for agronomic data generation in sugarcane applications |
JP7412150B2 (ja) * | 2019-11-29 | 2024-01-12 | 東京エレクトロン株式会社 | 予測装置、予測方法及び予測プログラム |
US20230049157A1 (en) * | 2020-01-27 | 2023-02-16 | Lam Research Corporation | Performance predictors for semiconductor-manufacturing processes |
TW202215483A (zh) * | 2020-05-12 | 2022-04-16 | 新加坡商Aes 全球公司 | 事件監視和特徵化 |
-
2021
- 2021-11-23 US US17/534,446 patent/US20230163002A1/en active Pending
-
2022
- 2022-11-18 WO PCT/US2022/050484 patent/WO2023096839A1/en unknown
- 2022-11-22 TW TW111144542A patent/TW202334765A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
US20230163002A1 (en) | 2023-05-25 |
WO2023096839A1 (en) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108281346B (zh) | 从光谱的时间序列进行特征提取以控制工艺结束点的方法 | |
US20220207223A1 (en) | Systems and methods for predicting film thickness using virtual metrology | |
JP2023535125A (ja) | 機械学習を使用した基板プロファイル特性の決定 | |
TW202225873A (zh) | 使用機器學習偵測及校正基板處理漂移 | |
US20240096713A1 (en) | Machine-learning in multi-step semiconductor fabrication processes | |
US20230163002A1 (en) | Accelerating preventative maintenance recovery and recipe optimizing using machine-learning based algorithm | |
US20220284342A1 (en) | Systems and methods for process chamber health monitoring and diagnostics using virtual model | |
US11901203B2 (en) | Substrate process endpoint detection using machine learning | |
US20220397515A1 (en) | Obtaining substrate metrology measurement values using machine learning | |
WO2022261358A1 (en) | Substrate process endpoint detection using machine learning | |
US11965798B2 (en) | Endpoint detection system for enhanced spectral data collection | |
US11862520B2 (en) | Systems and methods for predicting film thickness of individual layers using virtual metrology | |
US20230295799A1 (en) | Process characterization and correction using optical wall process sensor (owps) | |
US20230298872A1 (en) | Process characterization and correction using optical wall process sensor (owps) | |
US20230008072A1 (en) | Method and mechanism for contact-free process chamber characterization | |
US20230089982A1 (en) | Methods and mechanisms for coupling sensors to transfer chamber robot | |
US20230359179A1 (en) | Methods and mechanisms for adjusting film deposition parameters during substrate manufacturing | |
US20230306300A1 (en) | Methods and mechanisms for measuring patterned substrate properties during substrate manufacturing | |
TW202347063A (zh) | 製程控制旋鈕估計 | |
TW202403930A (zh) | 製造系統中基於溫度的計量校準 |