TW202336644A - 使用機器學習的基板製程終點偵測 - Google Patents

使用機器學習的基板製程終點偵測 Download PDF

Info

Publication number
TW202336644A
TW202336644A TW111121605A TW111121605A TW202336644A TW 202336644 A TW202336644 A TW 202336644A TW 111121605 A TW111121605 A TW 111121605A TW 111121605 A TW111121605 A TW 111121605A TW 202336644 A TW202336644 A TW 202336644A
Authority
TW
Taiwan
Prior art keywords
substrate
machine learning
metrology
spectral data
data
Prior art date
Application number
TW111121605A
Other languages
English (en)
Inventor
鵬昱 韓
磊 連
陳舒妤
陶德 伊根
賴宛雪
李照賢
陸品翰
姚正平
巴里 克拉佛
Original Assignee
美商應用材料股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商應用材料股份有限公司 filed Critical 美商應用材料股份有限公司
Publication of TW202336644A publication Critical patent/TW202336644A/zh

Links

Classifications

    • 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]
    • G05B19/41885—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 modeling, simulation of the manufacturing system
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • 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
    • H01L21/67017—Apparatus for fluid treatment
    • H01L21/67063—Apparatus for fluid treatment for etching
    • H01L21/67069—Apparatus for fluid treatment for etching for drying etching
    • 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
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
    • H01L21/67207—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process
    • H01L21/67213—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process comprising at least one ion or electron beam 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
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
    • H01L21/67207—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process
    • H01L21/67225—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process comprising at least one lithography chamber
    • 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
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • General Factory Administration (AREA)

Abstract

提供了用於偵測基板製程的終點的方法和系統。機器學習模型的集合被訓練為基於為基板收集的光譜資料，來提供與該基板的特定類型的計量測量相關聯的計量測量值。鍳於與該特定類型的計量測量相關聯的效能評級，選擇相應的機器學習模型，以應用於在未來基板的未來基板製程期間收集的未來光譜資料。當前光譜資料是在當前基板的當前製程期間收集的，並且被提供為對該相應的機器學習模型的輸入。從該經訓練的機器學習模型的一個或多個輸出抽取對與該當前基板對應的相應的計量測量值的指示。響應於決定該相應的計量測量滿足計量測量準則，產生包括終止該當前製程的命令的指示。

Description

使用機器學習的基板製程終點偵測
本揭示內容的實施例總體上與製造系統相關，並且更詳細而言是與使用機器學習的基板製程終點偵測相關。
製造微電子和積體電路設備通常涉及在半導體、介電體和導電的基板上執行大量操作。在一些情況下，單晶體、半導體膜、發現塗層和許多其他物質被用於電子設備製造和其他的實際應用。隨著所選類型的原子被添加（例如經由沉積添加）到基板或從基板移除（例如經由蝕刻移除），高效和精確的終點監測技術和系統變得很有價值。處理不足（例如沉積不足、蝕刻不足）以及過度處理（例如過度沉積、過度處理）可能導致設備不符標準和發生故障。因此，允許實時監測設備製造的各種階段的光學控制系統可以顯著改進產品的品質，並且考慮到對高品質半導體設備的要求不斷提高，這種系統特別有用。
所述實施例中的一些涵蓋了一種用於訓練機器學習模型以為正在第一製造系統處依據當前製程處理的當前基板提供計量測量的方法。該方法包括以下步驟：獲得與在第二製造系統處依據先前製程來處理的先前基板相關聯的歷史光譜資料的集合。該歷史光譜資料集合包括在該先前製程的步驟集合中的每個步驟期間為該先前基板收集的歷史光譜資料。該方法進一步包括以下步驟：基於該歷史光譜資料集合，產生正規化的歷史光譜資料集合。該正規化的歷史光譜資料集合是基於在該先前製程的該步驟集合中的初始步驟期間收集的第一歷史光譜資料與在該步驟集合中的一個或多個後續步驟期間收集的第二歷史光譜資料之間的差異來產生的。該方法進一步包括以下步驟：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：產生訓練輸入，該訓練輸入包括從該正規化的歷史光譜資料集合抽取的歷史光譜資料子集。該歷史光譜資料子集包括對與特定類型的計量測量相關聯的一個或多個歷史光譜特徵的指示。產生該訓練資料進一步包括以下步驟：為訓練輸入產生目標輸出。該目標輸出包括該先前基板的歷史計量測量值，該歷史計量測量值與該特定類型的計量測量相關聯。該方法進一步包括以下步驟：提供關於以下項目的該訓練資料以訓練該機器學習模型：(i)包括該訓練輸入的集合訓練輸入，和(ii)包括該目標輸出的目標輸出集合。
在一些實施例中，一種系統包括用來儲存經訓練的機器學習模型的記憶體，和與該記憶體耦接的處理設備。該處理設備用來接收與正在製造系統處依據當前製程處理的當前基板相關聯的光譜資料的集合。該接收的光譜資料集合與對該當前基板執行的該當前製程的當前步驟相關聯。該處理設備進一步用來基於該接收的光譜資料集合，產生正規化的光譜資料集合。該正規化的光譜資料集合是基於在該當前製程的該當前步驟期間收集的光譜資料與在該當前製程的先前步驟期間收集的光譜資料之間的差異來產生的。該處理設備進一步用來：提供從該正規化的光譜資料集合抽取的光譜資料的子集，作為對該經訓練的機器學習模型的輸入。該光譜資料子集包括對與特定類型的計量測量對應的一個或多個光譜特徵的指示。該處理設備進一步用來獲得該經訓練的機器學習模型的一個或多個輸出。該處理設備進一步用來：從該一個或多個輸出，抽取計量測量資料，該計量測量資料識別與該特定類型的計量測量相關聯的一個或多個計量測量值以及對該一個或多個計量測量值中的每一者與該當前基板對應的置信度位凖的指示，該一個或多個計量測量值是為在該製造系統處依據先前製程來處理的先前基板獲得的。
在一些實施例中，一種非暫時性電腦可讀取儲存媒體包括指令，該等指令當由處理設備執行時，使得該處理設備接收與正在製造系統處依據當前製程來處理的當前基板相關聯的光譜資料的集合。該接收的光譜資料集合與對該當前基板執行的該當前製程的當前步驟相關聯。該處理設備進一步用來基於該接收的光譜資料集合，產生正規化的光譜資料集合。該正規化的光譜資料集合是基於在該當前製程的該當前步驟期間收集的光譜資料與在該當前製程的先前步驟期間收集的光譜資料之間的差異來產生的。該處理設備進一步用來：提供從該正規化的光譜資料集合抽取的光譜資料的子集，作為對該經訓練的機器學習模型的輸入。該光譜資料子集包括對與特定類型的計量測量對應的一個或多個光譜特徵的指示。該處理設備進一步用來獲得該經訓練的機器學習模型的一個或多個輸出。該處理設備進一步用來：從該一個或多個輸出，抽取計量測量資料，該計量測量資料識別與該特定類型的計量測量相關聯的一個或多個計量測量值以及對該一個或多個計量測量值中的每一者與該當前基板對應的置信度位凖的指示，該一個或多個計量測量值是為在該製造系統處依據先前製程來處理的先前基板獲得的。
在一些實施例中，提供了一種方法，該方法包括以下步驟：提供訓練資料來訓練機器學習模型集合中的每一者，以基於在基板製程期間收集的光譜資料，提供與基板的特定類型的計量測量相關聯的計量測量值，該基板製程是對該基板執行的。該機器學習模型集合中的每一者與機器學習模型類型集合中不同的類型相關聯。該方法進一步包括以下步驟：基於由相應的機器學習模型鍳於該計量測量的測得值所提供的該計量測量的提供值的準確度，將效能評級分配給該機器學習模型集合中的每一者，該測得值是基於由計量設備為先前基板集合中的先前基板所收集的歷史計量資料來產生的。該方法進一步包括以下步驟：鍳於該機器學習模型集合中的每一者的該效能評級，選擇該相應的機器學習模型，以應用於在對未來基板執行的未來基板製程期間收集的未來光譜資料。
在一些實施例中，一種系統包括記憶體和與該記憶體耦接的處理設備。該處理設備用來獲得機器學習模型，該機器學習模型被訓練為基於在製造系統處進行的當前基板的當前製程期間收集的當前光譜資料，提供計量測量的當前值。該經訓練的機器學習模型與效能評級相關聯，該效能評級滿足與該計量測量的類型相關聯的效能準則。該處理設備進一步用來提供該當前光譜資料作為對該經訓練的機器學習模型的輸入。該處理設備進一步用來從該經訓練的機器學習模型的一個或多個輸出抽取對與該當前基板對應的相應的計量測量值的指示。該相應的計量測量值與該計量測量的該類型相關聯。該處理設備進一步用來響應於決定該相應的計量測量值滿足與該當前製程相關聯的計量測量準則，產生指令，該指令包括終止該製造系統處的該當前製程的命令。
在一些實施例中，一種包括指令的非暫時性電腦可讀取儲存媒體包括指令，該等指令當由處理設備執行時，使得該處理設備：提供訓練資料來訓練機器學習模型集合中的每一者，以基於在基板製程期間收集的光譜資料，提供與基板的特定類型的計量測量相關聯的計量測量值，該基板製程是對該基板執行的。該機器學習模型集合中的每一者與機器學習模型類型集合中不同的類型相關聯。該處理設備進一步用來基於由相應的機器學習模型鍳於該計量測量的測得值所提供的該計量測量的提供值的準確度，將效能評級分配給該機器學習模型集合中的每一者。該測得值是基於由計量設備為先前基板集合中的先前基板所收集的歷史計量資料來產生的。該處理設備進一步用來鍳於該機器學習模型集合中的每一者的該效能評級，選擇該相應的機器學習模型，以應用於在對未來基板執行的未來基板製程期間收集的未來光譜資料。
本揭示內容的實施例涉及用於增強光譜資料收集的終點偵測系統。基板製程（例如沉積製程、蝕刻製程等等）可以在製造系統的製程腔室處對基板執行。基板製程的終點指的是製程的一個點，在這個點上，基板的輪廓與目標基板輪廓對應（即匹配或實質匹配）。例如，包括目標基板輪廓的圖案的掩模可以在基板（例如矽晶圓）的蝕刻製程期間使用。掩模可以放置在晶圓的表面上，並且暴露於反應性（例如濕法或乾法蝕刻）環境，以移除基板沒有被掩模保護的部分。蝕刻製程的終點指的是蝕刻製程的一個點，在這個點上，基板的輪廓與由掩模所提供的目標基板輪廓的圖案對應。
與製程程序的偏離可能導致基板製程的速度和/或均勻性的變化。例如，蝕刻環境的改變或光掩模圖案的差異可能導致蝕刻的速度和均勻性的變化，包括整個基板表面上和多個基板的蝕刻製程之間的變化。對這種改變的追蹤和響應涉及精確和可調整的光學終點系統，這些系統能夠收集準確和大量的光學響應資料，這些資料表徵基板製程期間的各種時間段的基板表面。微電子設備的尺寸不斷縮小，光掩模的設計越來越複雜，對設備的均勻性要求越來越高，這些都進一步推動了精度的目標。現有的終點偵測系統通常不能夠滿足這種增加的技術需求。
本揭示內容的態樣和實施方式藉由用於使用機器學習來進行基板製程終點偵測的方法和系統，解決了傳統技術的這一缺點和其他的缺點。終點偵測設備可以與製程腔室耦接或與製程腔室設置在一起，並且可以被配置為在基板製程期間收集基板的光譜資料。光譜資料指的是與針對從基板的表面所反射的光的每個波長所偵測到的能量波的強度（即能量的強度或量）相關聯的資料。終點偵測設備可以向包括製程腔室的製造系統的處理設備（例如製造系統的系統控制器）傳輸收集到的光譜資料。處理設備可以基於由終點偵測設備所收集的光譜資料來產生正規化的光譜資料，並且可以從正規化的光譜資料抽取光譜資料子集，這些子集包括與特定類型的計量測量（例如臨界尺寸等等）相關聯的光譜特徵。
處理設備可以提供光譜資料子集作為對機器學習模型的輸入，該機器學習模型被訓練為提供與在光譜資料被收集的時間段的該基板的該特定類型的計量測量相關聯的計量測量值。該機器學習模型可以從經訓練的機器學習模型的集合選出，以應用於基板的光譜資料，每個經訓練的機器學習模型與不同的機器學習模型類型相關聯。機器學習模型可以被選為經訓練的機器學習模型，該經訓練的機器學習模型的效能評級滿足關於該特定類型的計量測量的效能準則。在一些實施例中，機器學習模型被訓練和選擇，以由系統控制器使用。在其他或類似的實施例中，機器學習模型被訓練和/或選擇，以由與製造系統的系統控制器分開（例如位於製造系統的使用者不可存取的離線伺服器處）的另一個處理設備使用。
處理設備可以獲得經訓練的機器學習模型的一個或多個輸出，並且從該一個或多個輸出抽取為基板提供的計量測量值。處理設備可以決定所提供的計量測量值是否滿足測量準則（即大約與基板製程的目標計量測量值對應）。如果所提供的計量測量值滿足測量準則，那麼這可以表明達到了基板製程的終點（即基板的當前輪廓與目標基板輪廓對應）。響應於決定測量準則被滿足，處理設備可以終止製程腔室處的基板製程。例如，處理設備可以產生使基板製程結束的指令。響應於決定測量準則沒有被滿足，處理設備可以允許基板製程在製程腔室處繼續進行（例如處理設備可以不為製程腔室產生指令）。
本揭示內容的態樣藉由提供用於訓練和使用機器學習模型來偵測基板製程的終點的系統和方法，解決了傳統技術的缺陷。與製程腔室耦接的終點偵測設備可以在基板製程期間以特定的頻率收集基板的光譜資料。收集到的光譜資料可以被提供作為對經訓練的機器學習模型的輸入，該經訓練的機器學習模型提供對基板的特定類型的計量測量值的實時估計，該等實時估計用來決定是否達到了基板製程的終點。光譜資料的頻率收集計量測量值的估計允許在製程腔室處進行頻率終點監測，這可以防止基板的處理不足（例如蝕刻不足、沉積不足等等）或過度處理（例如過度蝕刻、過度沉積等等）的可能性。其結果是，在製造系統內發生的缺陷數量將減少，因此改進了整體的系統效率和整體的系統良率。
基板的特定類型的計量測量值可以被選擇（例如由操作員、工程師等等選擇）作為終點度量，該終點度量以比與其他類型的計量測量值相關聯的其他終點度量更高的準確度表明基板製程的終點。由於機器學習模型被訓練並從不同類型的機器學習模型的集合選擇作為具有滿足與特定類型的計量測量值相關聯的效能準則的效能評級的模型，為基板所提供的計量測量值與比由傳統的計量估計系統所提供的其他計量測量值更高的準確度相關聯。因此，由所選的機器學習模型所提供的計量測量值與高準確度評級相關聯，這改進了基於所提供的計量測量值的終點偵測的準確度，進一步防止了基板的處理不足或過度處理的可能性。
此外，如上所述，機器學習模型可以在與製造系統的系統控制器分開的處理設備處被訓練並從機器學習模型集合選擇。這大大減少了系統控制器所消耗的系統資源量，增加了整體系統效率，並且減少了整體系統延遲。
本揭示內容的終點偵測系統提供了傳統的終點偵測系統無法實現的增強的光譜資料收集。本揭示內容的終點偵測系統的光學束使多個入射光訊號能夠從光源部件傳輸到基板表面，以及使多個反射光訊號能夠從基板表面傳輸到光偵測器，而無需使用可能減少傳輸訊號的功率的附加設備（例如分束器）。因此，光學束更高效地收集反射光，減少反射光束的訊號損失，並且確保反射光訊號的整體幅度大於傳統的光纖纜線。終點偵測系統的準直器組件產生入射光束，在廣泛的波長範圍內具有均勻的空間分佈。例如，入射光束的寬度對於射束的250 nm的光譜成分和射束的750 nm的光譜成分而言可以是相同的。此外，即使射束對準在不同的製造系統之間有所不同，入射光束的寬度也可以是相同的。增強的均勻性確保了對製程腔室內的基板表面的目標部分的光學響應的測量更加準確，因此提供了更準確的資料，允許在基板製程期間更精確地決定基板輪廓的狀態。
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。電腦系統架構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，電腦系統架構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，電腦系統架構100可以包括用於偵測基板製程的終點的終點偵測系統或者可以是其一部分。關於圖3提供了關於終點偵測系統的其他細節。
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彼此耦接。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140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、裝載閘等等）。在一些實施例中，製造設備122可以進一步包括終點偵測設備124，它被配置為收集資料以用於偵測在製造設備122處對基板執行的製程的終點。基板製程的終點指的是製程的一個點，在這個點上，基板的輪廓與目標輪廓對應（即匹配或實質匹配）。終點偵測設備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。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，終點偵測設備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。與終點偵測設備124耦接的處理設備（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，產生基板輪廓的光譜資料。在其他或類似的實施例中，終點偵測設備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、電容式感測器等等。分別關於圖2和5描述了關於製造設備122和終點偵測設備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122的設定或部件（例如尺寸、類型等等），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：膜性質資料（例如晶圓空間膜性質）、尺寸（例如厚度、高度等等）、介電常數、摻雜物濃度、密度、缺陷等等。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接或者是其一部分，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等）耦接或者是其一部分。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，電腦系統架構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（即在製造設備122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的任何站耦接。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124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耦接的客戶端設備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）向電腦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元件。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耦接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、預防性維護指示符、操作員等等）。
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或機器學習模型190的集合。下面關於圖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或機器學習模型190的集合。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、偏最小二乘迴歸模型、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的驗證集的對應的特徵集合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可以為經訓練的機器學習模型190的集合中的每一者分配效能評級。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部件114所使用的效能準則。關於圖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。如進一步關於圖8所述，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，並且使用置信度資料來為基板的該部分提供計量測量。
置信度資料可以包括或表明計量值與跟當前光譜資料相關聯的基板的一個或多個性質對應的置信度位凖。在一個示例中，置信度位凖是介於0與1之間的實數，其中0表示對於計量值與跟當前光譜資料相關聯的基板的一個或多個性質對應沒有信心，而1表示對於計量值與跟當前光譜資料相關聯的基板的一個或多個性質對應有絕對的信心。在一些實施例中，終點偵測系統可以使用預測系統110來為正在製造系統處處理的基板提供計量值，而不是使用直列式計量設備128、整合式計量設備130和/或外部計量設備132來決定測得的計量值。依據本文中所提供的實施例，終點偵測系統可以基於為基板所提供的計量值，來決定是否達到基板製程的終點。
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。關於圖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，聯合作為管理員群組的個人使用者集合可以被視為「使用者」。
圖2是示例製造系統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，例如含矽的碟或晶圓、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。依據關於圖1所描述的實施例，在一些實施例中，製造系統200可以包括電腦系統架構110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耦接的工廠介面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接。處理腔室214、216、218可以藉由相應的端口（例如縫閥等等）與傳輸腔室210耦接。傳輸腔室210也可以包括傳輸腔室機器手212，它被配置為在製程腔室214、216、218、裝載閘220等等之間傳輸基板202。傳輸腔室機器手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，例如關於圖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耦接。由於整合式計量設備128設置在傳輸腔室210內或與之耦接，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等。可以在其中在基板上實現其他的製程。在一些實施例中，終點偵測設備（例如關於圖1所描述的終點偵測設備124）可以與製程腔室214、216、218耦接或設置在其內。終點偵測設備124可以被配置為在基板製程期間收集基板的表面的輪廓的光譜資料。與終點偵測設備124耦接的處理設備（例如系統控制器228）可以基於收集到的光譜資料，來決定是否已經達到了蝕刻製程的終點（即目標輪廓是否已經被蝕刻到基板的表面上）。在一些實施例中，終點偵測設備124的該一個或多個部件可以包括關於圖5所描述的部件（例如光纖束、準直器組件等等）。在其他或類似的實施例中，終點偵測設備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和/或環境的一部分的光譜資料。
裝載閘220也可以與殼體208和傳輸腔室210耦接。裝載閘220可以被配置為一側與傳輸腔室210介接和耦接，而另一側與工廠介面206介接和耦接。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或從傳輸腔室210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和從工廠介面206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處對接的基板載具222（例如前開式晶圓傳送盒（FOUP））接收基板202。工廠介面機器手226（以虛線示出）可以被配置為在基板載具（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）耦接。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描繪直列式計量設備130與工廠介面206耦接，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接（例如與裝載閘220等等耦接）。
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，它被配置為向使用者（例如操作員）提供關於製造系統200的資訊。在一些實施例中，客戶端元件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提供關於在製程腔室214、216、218處執行的基板製程的終點的資訊。
製造系統200也可以包括系統控制器228或與之耦接。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）、微控制器等等之類的計算設備。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）、網路處理器等等之類的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等等）上或內的其他部件（例如終點偵測設備124）接收資料。由系統控制器228所接收的資料可以包括基板302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耦接或設置在其內的終點偵測設備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。在說明性示例中，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耦接的終點偵測設備124接收光譜資料。從終點偵測設備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可以是或包括關於圖1所描述的資料儲存器150的一部分。
圖3描繪了依據本揭示內容的態樣，用於基板製程的終點偵測的說明性系統架構300。在一些實施例中，終點偵測系統300可以包括電腦架構100和/或製造系統200的一個或多個部件或者可以是其一部分。終點偵測系統300可以包括製造設備124、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（例如製造設備124的終點偵測設備126）。
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可以是關於圖2所描述的製程腔室214、218、218中的任一者。製造設備122也可以包括終點偵測設備124，如本文所述。終點偵測設備124可以與製程腔室310耦接或設置在其內，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耦接。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可以包括關於圖2所描述的系統控制器228或者可以是其一部分。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可以接收由終點偵測設備124在製程腔室310處進行的基板的基板製程期間所收集的光譜資料336。在另一個示例中，處理設備322可以接收由整合式計量設備128在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耦接（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。在另一個示例中，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，例如關於圖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耦接（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耦接，並且外部計量設備132可以直接向處理設備332傳輸計量資料338。
處理設備322可以包括預測引擎328和製程終點引擎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可以獲得計量資料338作為機器學習模型334的輸出，計量資料338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可以與關於圖1所描述的預測引擎114對應。
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可以與訓練集產生器172對應，和/或訓練引擎326可以與關於圖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或機器學習模型334的集合。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，來為訓練輸入產生目標輸出。如上所述，歷史計量資料338可以由直列式計量設備128、整合式計量設備130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。關於圖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或機器學習模型334的集合。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先前基板）獲得的光譜資料336和計量資料338。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先前基板的計量測量值。訓練引擎336可以鍳於包括在驗證集342中的先前基板的計量資料338的測得計量值，基於先前基板的計量測量值的準確度，將效能分數分配給經訓練的模型334。訓練引擎336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。關於圖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可以包括關於圖2所描述的系統控制器228或者可以是其一部分。在此類實施例中，伺服器350可以包括與系統控制器228耦接（即經由網路耦接）但與系統控制器228分開的計算系統或者可以是其一部分。例如，可以向製造系統200的使用者提供對儲存在資料儲存器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的存取。然而，可以向製造系統200的使用者提供對儲存在資料儲存器354的一個或多個部分處的任何資料或在處理設備352處執行的任何製程的存取。
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耦接。因此，依據關於處理設備322所描述的實施例，處理設備352可以獲得光譜資料336和計量資料338，以由訓練集產生器324和/或訓練引擎326用來產生訓練集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130耦接。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可以從終點偵測設備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352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128、整合式計量設備130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340。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接。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。
處理設備322處的製程終點引擎330可以被配置為偵測在製程腔室310處對基板執行的製程的終點。製程終點引擎330可以從預測引擎328獲得製程腔室310處的當前基板的計量測量值。響應於決定計量測量值滿足計量測量準則（例如與目標計量測量值對應），製程終點引擎330可以產生包括終止製程腔室310處的當前製程（或當前製程的當前步驟）的命令的指令。處理設備322可以向製造設備122傳輸指令，使得當前基板的當前製程終止。響應於決定計量測量準則沒有被滿足，製程終點引擎330可以允許當前製程對當前基板繼續進行（例如不產生終止製程的指令）。關於圖10提供了與偵測當前製程的終點相關聯的其他細節。
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是由製程邏輯所執行的，該製程邏輯可以包括硬體（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400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400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400的一個或多個操作可以由關於圖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，製程邏輯將訓練集T初始化為空集合（例如{}）。在方塊412處，製程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。在一些實施例中，光譜資料可以從設置在製程腔室內或與之耦接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接的終點偵測設備接收。圖5是依據本揭示內容的態樣，與製程腔室310耦接的終點偵測設備124的橫截示意側視圖。在一些實施例中，製程腔室310可以用於其中提供有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、電漿清潔器等等的腔室。在其他或類似的實施例中，製程腔室310可以用於其中提供有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/或淋噴頭（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。淋噴頭可以包括淋噴頭基部和淋噴頭氣體分佈板。蓋體530和/或淋噴頭可以被支撐在腔室主體502的側壁508上。蓋體530（或淋噴頭）可以打開，以允許進入製程腔室510的內部容積506，並且可以在關閉時為製程腔室510提供密封。氣體面板（未示出）可以與製程腔室510耦接，以藉由蓋體530和噴嘴（例如藉由淋噴頭或蓋體和噴嘴的孔）和/或淋噴頭向內部容積506提供製程和/或清潔氣體。排氣端口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耦接。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510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/或淋噴頭中。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。
終點偵測設備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，終點偵測設備124可以與腔室主體502機械地耦接，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）。終點偵測設備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耦接。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描繪為嵌入在蓋體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等等）內或與之耦接。
光纖束556的第一端可以與準直器組件554耦接，並且光纖束556的第二端可以與光部件562耦接。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、準直的光等等。在一些實施例中，光源564可以包括窄帶光源，例如發光二極體（LED）、雷射、燈泡等等。在其他或類似的實施例中，光源564可以包括寬帶光源。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可以包括附加的光學元件（即濾波器、吸收體、偏振器等等）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、反射體、濾波器、孔等等）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也可以與終點偵測設備124的向光學介面570傳遞輸入光的任何部分耦接。例如，偏振器部件568可以與光源564的出口耦接，與該一個或多個發射光纖558的出口耦接，耦接在準直器組件與光學介面570之間等等。
準直器572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、發光強度等等。關於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。
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耦接的資料儲存器（例如資料儲存器250、332、352等等）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接的處理部件。處理設備576可以向系統控制器傳輸產生的光譜資料，以儲存在製造系統相應的資料儲存器處。
回到圖4，在方塊414處，製程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：膜性質資料（例如晶圓空間膜性質）、尺寸（例如厚度、高度等等）、介電常數、摻雜物濃度、密度、缺陷等等。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126、整合式計量設備128等等）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128和整合式計量設備130。直列式計量設備128或整合式計量設備130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製程邏輯的計算設備（例如伺服器機器320、伺服器機器350等等）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，製程邏輯基於在方塊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，訓練輸入可以包括正規化的光譜資料集合，它是基於為基板獲得的光譜資料來產生的。正規化的光譜資料集合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。關於圖6提供了關於產生訓練輸入的其他細節。在方塊418處，製程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。目標輸出可以與跟基板相關聯的計量測量的值對應。例如，在方塊414處，製程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膜的厚度。製程邏輯可以基於獲得的計量資料和蝕刻製程的製程資料，來產生與蝕刻速度和/或蝕刻速度均勻性對應的目標輸出。
在方塊420處，製程邏輯產生輸入/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，製程邏輯將輸入/輸出映射添加到訓練集T。
在方塊424處，製程邏輯決定訓練集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的，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）來決定的。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，製程邏輯提供訓練集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集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，製程邏輯提供訓練集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（例如先前基板的光譜資料）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。在方塊426之後，機器學習模型190可以用來為在製造系統處處理的未來基板提供計量值（例如依據下面描述的圖8的方法800）。
圖6是依據本揭示內容的態樣，用於獲得用於與機器學習模型（例如機器學習模型334）一起使用的資料的方法600的流程圖。方法600是由製程邏輯所執行的，該製程邏輯可以包括硬體（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600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600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關於圖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。附加性地或替代性地，方法600的一個或多個操作可以由伺服器機器350的預測引擎328所執行。在一個示例中，依據關於圖4的方法400所描述的實施例，訓練集產生器324可以執行關於方塊610-624中的一者或多者所描述的操作以產生訓練輸入。在另一個示例中，如關於圖8的方法800所描述，預測引擎328可以執行關於方塊620-624中的一者或多者所描述的操作，來獲得光譜資料的子集以提供作為對經訓練的機器學習模型的輸入。
在方塊610處，製程邏輯可以獲得與基板相關聯的光譜資料。在一些實施例中，光譜資料可以與如關於方法400的方塊412所描述地由訓練集產生器324的製程邏輯所獲得的光譜資料對應。在其他或類似的實施例中，如本文所述，光譜資料可以與由預測引擎328的製程邏輯所獲得的光譜資料對應。圖7A說明了依據本文所述的實施例，在基板製程期間為基板收集的光譜資料。如圖7A所示，光譜資料可以與具有光訊號的特定波長的光波的幅度對應，該幅度是在基板製程的相應時間段期間由設置在製程腔室內或與之耦接的感測器或終點偵測設備偵測的。例如，光譜資料可以與由終點偵測設備124在基板的蝕刻製程的初始（例如在時間0秒）、中間（例如在時間1秒到時間N-1秒）和最終（例如在時間N秒）時間段期間所偵測到的波長X、Y和Z的幅度對應。
回到圖6，在一些實施例中，製程邏輯還可以獲得與基板相關聯的計量資料。製程邏輯可以依據關於方法400的方塊414所描述的實施例獲得計量資料。
在方塊612處，製程邏輯可以獲得與對基板執行的基板製程的速度相關聯的資料。在一些實施例中，基板製程可以是蝕刻製程，並且速度資料可以是蝕刻製程的蝕刻速度。在其他或類似的實施例中，基板製程可以是沉積製程，並且速度資料可以是沉積製程的沉積速率。應注意，基板製程可以是蝕刻製程和/或沉積製程以外的另一種製程，並且製程邏輯可以獲得與相應的基板製程相關聯的對應速度資料。
在一些實施例中，製程邏輯可以基於基板的上下文資料和/或計量資料來獲得速度資料。例如，獲得的計量資料可以表明在基板製程之前和/或之後沉積於基板的表面上的膜的厚度。圖7B說明了依據本文所述的實施例的基板製程的示例速度資料。資料點702表示在蝕刻製程之前沉積於基板的表面上的膜的厚度。資料點704表示在基板製程之後的膜的厚度。依據本文所述的實施例，製程邏輯可以基於在蝕刻製程之後為基板收集的計量資料來獲得資料點704。在一些實施例中，製程邏輯可以基於在蝕刻製程之前為基板收集的計量資料來獲得資料點702。在其他或類似的實施例中，製程邏輯可以基於在蝕刻製程之前不是由計量設備所產生的資料來獲得資料點702。例如，製造系統的使用者可以經由與製造系統耦接的客戶端設備在基板製程之前提供與膜的厚度相關聯的資料（其例如來自基板規格）。在另一個示例中，計量設備可以在另一個蝕刻製程被執行之前為另一個基板產生計量資料。資料點702可以表示基於為另一個基板收集的計量資料來獲得的膜的厚度。
在一些實施例中，製程邏輯可以根據與基板相關聯的上下文資料（其例如儲存在資料儲存器150處）獲得對基板製程的長度的指示。例如，製程邏輯可以從資料儲存器150擷取資料，該資料表明蝕刻製程是在0秒的初始時間段對基板開始的，而蝕刻製程是大約在N秒的最終時間段完成的。因此，製程邏輯可以決定蝕刻製程的長度為約N秒。
製程邏輯可以基於在基板製程之前與之後的膜的厚度之間的差異和基板製程的長度來決定製程的速度。例如，製程邏輯可以決定資料點702與10埃（Å）的膜厚度對應，而資料點704與2 Å的膜厚度對應（即在蝕刻製程期間蝕刻掉了8 Å的膜）。基於獲得的上下文資料，製程邏輯可以決定蝕刻製程的長度為8秒。因此，製程邏輯可以決定蝕刻製程的蝕刻速度706為約1 Å/s。
應注意，在一些實施例中，製程邏輯可以基於其他的技術來決定基板製程的速度。在一些實施例中，製程邏輯可以基於由製造系統的使用者所提供的資料來獲得基板製程的速度資料。例如，製造系統的使用者可以經由與製造系統耦接的客戶端設備來提供蝕刻製程的蝕刻速度。在其他或類似的實施例中，製程邏輯基於與基板相關聯的製程配方資料來決定基板製程的速度。在另一個示例中，製程邏輯可以從資料儲存器150獲得蝕刻製程配方資料，並且基於在蝕刻製程的一個或多個時間段在製程腔室處產生的蝕刻電漿量來決定蝕刻製程的蝕刻速度。在一些實施例中，製程邏輯也可以決定製程速度在基板製程的持續時間內是否恆定。例如，使用者可以經由客戶端設備提供蝕刻製程的蝕刻速度是恆定的指示。或者，使用者可以提供蝕刻製程的蝕刻速度不是恆定的指示，並且可以提供蝕刻製程期間的每個瞬時的蝕刻速度的指示。在另一個示例中，依據先前所述的實施例，製程邏輯可以基於製程配方資料來決定製程速度是否恆定。如果製程速度不恆定，那麼製程速度也可以基於製程配方資料（例如基於在製程腔室處在每個瞬時在製程腔室處產生的蝕刻電漿量）來決定製程速度。
在方塊614處，製程邏輯可以基於為基板獲得的速度資料來為基板產生合成計量資料。在一些實施例中，基板的合成計量資料可以與在基板製程的初始時間段與基板製程的最終時間段之間的一個或多個中間時間段的基板的表面上的膜的估計厚度對應。在一些實施例中，製程邏輯可以為每個中間時間段產生合成計量資料，光譜資料是在基板製程期間在該中間時間段內為基板產生的。圖7C說明了依據本文所述的實施例，為基板產生的合成資料。如關於圖7B所描述，製程邏輯可以基於資料點702、資料點704和蝕刻製程的長度（其例如是根據蝕刻製程的上下文資料獲得的）來決定蝕刻製程的蝕刻速度706。製程邏輯可以基於決定的蝕刻速度706來決定在蝕刻製程期間的其他時間段的膜的厚度。依據先前提供的示例，製程邏輯可以決定蝕刻製程的長度為約8秒，並且蝕刻速度706為約1 Å/s。因此，製程邏輯可以估計膜的厚度在蝕刻製程開始的1秒之後為約9 Å，在蝕刻製程開始2秒之後為約8 Å，以此類推。合成計量資料可以與在初始時間段與最終時間段之間的時間段集合中的每一者的估計膜厚度對應。
在方塊616處，製程邏輯可以將獲得的光譜資料映射到基板的獲得的計量資料和合成計量資料。如圖7D所示，製程邏輯可以將在基板製程的初始和最終時間段獲得的計量資料映射到在基板製程的相應時間段期間收集的光譜資料。例如，製程邏輯可以將在蝕刻製程的初始時期的膜的初始厚度（即資料點702）映射到由終點偵測設備124在該初始時期所偵測到的每個波長的幅度。附加性地或替代性地，製程邏輯可以將與蝕刻製程的每個相應的中間時間段相關聯的產生的合成計量資料映射到在相應的中間時間段的每個偵測的波長的幅度。
在方塊618處，製程邏輯可以為基板產生正規化的光譜資料。正規化的光譜資料可以指被調整以計及為在不同瞬時執行的基板製程（例如在早班期間執行的製程與在下午或晚班期間執行的製程）收集的資料所自然產生的差異的光譜資料。在一些實施例中，製程邏輯可以藉由選擇光譜資料的集合作為基線光譜資料，來產生正規化的光譜資料。在一些實施例中，基線光譜資料可以是在基板製程的初始時期期間收集的光譜資料。製程邏輯可以基於所選的光譜資料集合，來決定偵測到的光訊號的一個或多個波長的幅度。在一些實施例中，製程邏輯可以決定偵測到的光訊號的每個波長在基板製程的初始時期期間的幅度。在其他或類似的實施例中，製程邏輯可以決定偵測到的光訊號的特定波長的幅度。例如，製程邏輯可以決定偵測到的訊號的一個或多個特定波長，它們與基板的計量資料的特定計量測量對應。
在一些實施例中，製程邏輯可以使用波分析模型（例如嚴格耦合波分析（RCWA）模型），來決定與特定計量測量對應的該一個或多個波長。波分析模型可以是理論模型，它被訓練為提供與跟特定類型的計量測量相關聯的計量測量值對應的光譜波長（即理論光譜波長），這些光譜波長的準確度比其他光譜波長更高。例如，波分析模型可以被訓練為識別一定範圍的光譜波長。考慮到整個基板的表面上的臨界尺寸的變化，該光譜波長範圍中的一些波長可能展現與該波長範圍中的其他波長相異的行為。這種光譜波長可以以比由終點偵測設備200所偵測到的光訊號的其他光譜波長更高的準確度表明臨界尺寸測量值。製程邏輯可以提供獲得的光譜資料的一個或多個部分作為對波分析模型的輸入，並且可以獲得波分析模型的一個或多個輸出。製程邏輯可以從該一個或多個輸出抽取與特定計量測量對應的光譜波長範圍。在一些實施例中，光譜波長範圍可以與光譜的特定部分對應。例如，光譜波長範圍可以與可見光光譜的特定顏色（例如綠色）對應。在附加性或替代性的實施例中，光譜波長範圍可以與光譜的特定波長對應。響應於抽取光譜波長範圍，製程邏輯可以為光譜波長範圍中的每一者選擇基線光譜資料以包括在光譜資料集合中。
響應於決定偵測到的光訊號的該一個或多個波長在初始時間段的幅度，製程邏輯可以為每個後續的時間段決定該一個或多個波長的幅度，光譜資料在基板製程期間在該後續的時間段被收集。如上所述，終點偵測設備124可以在蝕刻製程的一個或多個中間時間段（例如在時間1秒到時間N-1秒）和最終時間段（例如在時間N秒）收集基板的光譜資料。因此，製程邏輯可以決定偵測到的光訊號的該一個或多個波長中的每一者在每個中間時間段和最終時間段的幅度。
在一些實施例中，製程邏輯可以基於該一個或多個波長在蝕刻製程的初始時間段的幅度與該一個或多個波長在每個後續的時間段（即在每個中間時間段和最終時間段）的幅度之間的差異來為基板產生正規化的光譜資料。在說明性示例中，製程邏輯可以決定波長X在初始時間段的幅度為約10單位，而波長X在第一中間時間段的幅度為約11單位。正規化的光譜資料可以包括第一正規化光譜資料點，它表明波長X在第一中間時間段的正規化幅度為約1單位（例如波長X在初始時間段的幅度與波長X在第二時間段的幅度之間的差異）。製程邏輯也可以決定波長X在第二中間時間段為約12單位。因此，正規化光譜資料可以包括第二正規化光譜資料點，它表明波長X在第二中間時間段的正規化幅度為約2單位。依據上述示例，製程邏輯可以為每個中間時間段和最終時間段產生正規化光譜資料。
在其他或類似的實施例中，製程邏輯可以基於該一個或多個波長在蝕刻製程的每個後續的時間段的幅度與該一個或多個波長在初始時間段的幅度之間的比率來為基板產生正規化光譜資料。例如，製程邏輯可以決定波長X在初始時間段的幅度為約5單位，而波長X在第一中間時間段的幅度為約10單位。正規化的光譜資料可以包括第一正規化光譜資料點，它表明波長X在第一中間時間段的正規化幅度為約2單位（例如波長X在第二時間段的幅度與波長X在第一時間段的幅度之間的比率）。
圖7D進一步說明了映射到基板製程的獲得的和合成的計量資料的示例正規化光譜資料。如上所述，正規化光譜資料不考慮由終點偵測設備124所收集的原始光譜資料中存在的任何變異（例如製程腔室差異、製程運行時間差異等等）。這在圖7D中得到說明，其中與圖7A的代表相應波長的原始光譜資料的每條線相比，代表相應波長的正規化光譜資料的每條線是平滑的。如上所述，在一些實施例中，製程邏輯可以基於該一個或多個波長在初始時間段的幅度與該一個或多個波長在每個後續時間段的幅度之間的差異來產生正規化的光譜資料。在這種實施例中，在時間0，每個波長的幅度為約0單位。在其他或類似的實施例中，製程邏輯可以基於該一個或多個波長在每個後續的時間段的幅度與該一個或多個波長在初始時間段的幅度之間的比率來產生正規化的光譜資料。在這種實施例中，在時間0，每個波長的幅度為約1單位。
回到圖6，在方塊620處，製程邏輯可以從正規化的光譜資料抽取包括一個或多個光譜特徵的光譜資料的集合，這些光譜特徵與特定類型的計量測量對應。在一些實施例中，製程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的點集合的分析，以執行點集合的基礎的改變。在一些實施例中，光譜特徵集合包括偵測到的光的與特定類型的計量測量對應的波長範圍。在這種實施例中，製程邏輯可以基於上述的波分析模型的輸出來識別特定的波長。例如，製程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等等）作為對波分析模型的輸入，並且抽取一個或多個輸出。製程邏輯可以基於該一個或多個輸出，來決定特定的光譜範圍與特定類型的計量測量對應，和波長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，製程邏輯可以從正規化的光譜資料抽取與波長X和Y對應的光譜資料集合。
在一些實施例中，光譜特徵集合包括存在於與特定類型的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。製程邏輯可以對該一個或多個波長的正規化光譜資料執行一個或多個分析操作（例如RCWA、二維掃描操作等等），以識別與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，製程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，製程邏輯可以識別，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。圖7E的資料範圍710表示這種識別的正規化光譜資料。在其他或類似的實施例中，製程邏輯可以識別正規化光譜資料的部分，該等部分表明與特定類型的計量測量相關聯的每個波長所共有的光譜趨勢或模式。例如，製程邏輯可以識別波長X和波長Y所共有的光譜趨勢。圖7E的資料範圍712、714和716表示這種識別的正規化光譜資料。
在其他或類似的實施例中，製程邏輯可以基於對校準基板的二維掃描的結果，來識別正規化光譜資料的與特定類型的測量值對應的部分。校準基板可以指包括與目標輪廓特徵對應的一個或多個輪廓特徵的基板，該等目標輪廓特徵與特定的基板製程相關聯。校準基板可以放置在掃描設備（例如計量設備或其他設備）處，該掃描設備被配置為掃描基板的表面，並且收集與基板輪廓的地形相關聯的光譜資料。所收集的光譜資料可以包括光譜資料集合，每個光譜資料集合與基板表面的特定部分或區域相關聯。製程邏輯可以獲得校準基板的資料，並且可以基於光譜資料集合來識別校準基板的一部分或區域，該部分或區域包括與基板表面的其他部分處的輪廓圖案相異的輪廓圖案。製程邏輯可以識別波長X、Y和/或Z的正規化光譜資料的光譜趨勢，該正規化光譜資料與在對校準基板的二維掃描期間收集的相異輪廓圖案的光譜資料對應。
回到圖6，在方塊622處，製程邏輯可以從抽取的光譜資料集合識別與基板製程的特定時間段相關聯的光譜資料子集。在一些實施例中，基板製程的特定時間段可以包括基板製程的最終時間段和/或基板製程的與最終時間段相鄰的一個或多個中間時間段。在其他或類似的實施例中，基板製程的特定時間段可以包括最接近當前基板製程的當前時間段的時間段。圖7F說明了與蝕刻製程的最終時間段（即時間N）和蝕刻製程的相鄰中間時間段（即時間N-1）相關聯的光譜資料的子集718。製程邏輯可以根據從正規化光譜資料抽取的資料範圍710-716來識別子集718。
如上所述，方法600的一個或多個操作可以由訓練集產生器324所執行。例如，訓練集產生器324可以執行操作610-622以獲得子集718。依據關於圖4所提供的實施例，子集718可以被包括在為了訓練機器學習模型334而產生的訓練輸入中。在其他或類似的實施例中，方法600的一個或多個操作可以由預測引擎328所執行。例如，預測引擎328可以執行操作610和618-622以獲得子集718。依據下面關於圖8所描述的實施例，子集718可以被提供作為對經訓練的機器學習模型334的輸入。
圖8是依據本揭示內容的態樣，用於使用機器學習模型來估計基板的輪廓的計量值的方法800的流程圖。方法800是由製程邏輯所執行的，該製程邏輯可以包括硬體（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800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800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800的一個或多個操作可以由關於圖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，製程邏輯接收與正在製造系統的製程腔室處處理的基板相關聯的光譜資料。在一些實施例中，依據先前所述的實施例，光譜資料可以從終點偵測設備（例如終點偵測設備124）或設置在製程腔室內或與之耦接的其他感測器接收。在方塊812處，獲得正規化光譜資料的一個或多個子集，其中包括對與特定類型的計量測量對應的光譜特徵的指示。在一些實施例中，製程邏輯可以藉由執行關於圖6的方法600所描述的一個或多個操作（例如操作618-622），來獲得正規化光譜資料的該一個或多個子集。在方塊816處，製程邏輯提供正規化光譜資料的抽取的一個或多個子集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關於圖3所描述的機器學習模型334對應。在一些實施例中，依據下面關於圖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818處，製程邏輯獲得機器學習模型的一個或多個輸出。在方塊820處，製程邏輯從該一個或多個輸出抽取計量測量資料，該計量測量資料識別：(i)與特定類型的計量測量相關聯的一個或多個計量測量值，以及(2)對該一個或多個計量測量值中的每一者與基板的輪廓對應的置信度位凖的指示。在一個示例中，置信度位凖是介於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，置信度位凖不與機率對應。例如，所有計量測量值的置信度位凖的總和可以不等於1。
在一些實施例中，製程邏輯可以使用計量測量資料來為正在製造系統處處理的基板提供計量測量值。在一些實施例中，若計量測量值的置信度位凖滿足閾值條件，則將基板識別為與計量測量值相關聯。製程邏輯可以響應於決定置信度位凖超過置信度的閾值位凖，決定計量測量值的置信度位凖滿足閾值條件。依據關於圖10所描述的實施例，製程邏輯可以向製程終點引擎330提供計量測量值。
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是由製程邏輯所執行的，該製程邏輯可以包括硬體（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900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900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900的一個或多個操作可以由關於圖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，製程邏輯接收機器學習模型集合的訓練資料和/或驗證資料。機器學習模型集合中的每一者可以與不同的機器學習模型類型對應。例如，機器學習模型集合中的每一者可以與線性迴歸模型、偏最小二乘迴歸模型、高斯迴歸模型、隨機森林模型、支援向量機模型、神經網路、脊迴歸模型等等對應。在一些實施例中，製程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可以依據關於圖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，製程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。訓練資料可以與關於圖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，製程邏輯使用收到的訓練資料來訓練機器學習模型集合中的每一者。在方塊914處，製程邏輯使用驗證資料來對機器學習模型集合中的每一者執行一個或多個測試操作。如上所述，驗證集342可以包括在製程腔室處處理的先前基板的光譜資料和計量資料，這些資料與包括在訓練資料中的光譜資料和計量資料不同。為了執行該一個或多個測試操作，製程邏輯可以提供驗證集342的光譜資料作為對經訓練的機器學習模型集合中的每一者的輸入，並且可以獲得經訓練的模型中的每一者的一個或多個輸出。依據本文中所提供的實施例，製程邏輯可以從獲得的一個或多個輸出抽取計量測量值。
在方塊916處，製程邏輯基於關於方塊914執行的該一個或多個測試操作的結果，將效能評級分配給機器學習模型集合中的每一者。在一些實施例中，製程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。製程邏輯可以基於從相應的機器學習模型的輸出抽取的計量測量值與基板的實際計量測量值之間的差異低於閾值差異值，來決定準確度分數。例如，如關於方塊914所描述，製程邏輯可以根據驗證集342提供光譜資料作為對相應的機器學習模型的輸入，並且可以從模型的輸出抽取計量值。製程邏輯可以將抽取的計量值與跟驗證集342的提供的光譜資料相關聯的實際計量測量值進行比較。製程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，那麼製程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，那麼製程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，製程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，製程邏輯可以基於在製程邏輯提供光譜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，製程邏輯可以基於在製程邏輯提供光譜資料作為對模型的輸入之後，製程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。在一個示例中，如果在製程邏輯提供光譜資料作為對模型的輸入之後，模型提供該一個或多個輸出（或製程邏輯抽取計量測量值）的時間量很小，那麼製程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，製程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。如關於圖3所描述，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處訓練機器學習模型集合中的每一者。訓練引擎356可以執行關於方塊914所描述的該一個或多個測試操作，以決定要將機器學習模型集合中的哪一些傳輸到伺服器機器320以由預測引擎328使用。製程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，製程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等，來決定效率分數。
在方塊918處，製程邏輯基於為機器學習模型中的每一者分配的效能評級，來決定效能準則是否被滿足。在一些實施例中，製程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，製程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，多於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，製程邏輯可以決定，多於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，製程邏輯可以決定機器學習模型集合中的經訓練的機器學習模型都不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，製程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，製程邏輯繼續進行到方塊920。在方塊920處，製程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光譜資料。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，製程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光譜資料，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，製程邏輯繼續進行到方塊922。在方塊922處，製程邏輯接收附加的訓練資料以進一步訓練機器學習模型集合。依據先前所述的實施例，製程邏輯可以從訓練集產生器324接收附加的訓練資料。
圖10是依據本揭示內容的態樣，用於使用機器學習模型來偵測基板製程的終點的方法1000的流程圖。方法1000是由製程邏輯所執行的，該製程邏輯可以包括硬體（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1000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1000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1000的一個或多個操作可以由關於圖3所描述的伺服器機器320的製程終點引擎330所執行。
在方塊1010處，製程邏輯接收與在製造系統200處依據當前製程處理的當前基板相關聯的光譜資料。在一些實施例中，如先前所述，製程邏輯可以從終點偵測設備124或設置在執行當前製程的製程腔室內或與之耦接的其他感測器接收當前光譜資料。在一些實施例中，製程邏輯可以在當前製程的特定時間段接收當前光譜資料。例如，終點偵測設備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）為當前基板收集光譜資料。終點偵測設備124可以以基板製程的相應間隔收集光譜資料，並且向伺服器機器320傳輸光譜資料，在伺服器機器320處，該光譜資料由製程終點引擎330的製程邏輯所接收。
在方塊1012處，製程邏輯決定基板準則是否被滿足。在一些實施例中，製程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，製程邏輯可以擷取（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。製程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（即大約等於）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。
響應於決定當前光譜資料特徵不與先前收集的資料的光譜特徵對應，製程邏輯可以決定基板準則沒有被滿足。當前光譜資料特徵不與先前收集的資料的光譜特徵對應的決定可以表明，當前基板不與基板製程的預期基板類型相關聯，或者當前製程的當前製程或步驟不與當前製程的預期類型或當前步驟對應。因此，響應於製程邏輯決定基板準則沒有被滿足，方法1000繼續進行到方塊1014，在那裡，製程邏輯向製造系統200的客戶端設備傳輸警報。警報可以包括當前基板可能不與當前基板的預期類型對應和/或製程的當前製程或步驟可能不與製程的預期類型或步驟對應的通知。
響應於決定當前光譜資料特徵與先前收集的資料的光譜特徵對應，製程邏輯可以決定基板準則被滿足。響應於製程邏輯決定基板準則被滿足，方法1000繼續進行到方塊1016。在方塊1016處，製程邏輯提供光譜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，製程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執行關於圖8所描述的方法800的一個或多個操作。
在方塊1018處，製程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計量測量值。在一些實施例中，製程邏輯可以從預測引擎328接收依據方法800獲得的對計量測量值的指示。在方塊1020處，製程邏輯決定計量測量準則是否被滿足。在一些實施例中，製程邏輯可以藉由決定抽取的計量測量值是否與跟當前製程的終點相關聯的計量測量值對應，來決定計量測量準則是否被滿足。如果抽取值與終點值之間的差異低於差異閥值，那麼抽取的計量測量值可以與跟當前製程的終點相關聯的計量測量值對應。
響應於製程邏輯決定計量測量準則被滿足，方法1000繼續進行到方塊1022。在方塊1022處，製程邏輯產生終止製造系統處的當前製程的指令。在一些實施例中，製程邏輯可以向系統控制器（例如系統控制器228）傳輸指令，這使得系統控制器終止當前的製程。在其他或類似的實施例中，製程邏輯可以向製程腔室的本端處理設備傳輸指令，這使得製程腔室終止當前的製程。在附加性或替代性的實施例中，製程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附加的訓練資料。
響應於製程邏輯決定計量測量準則沒有被滿足，方法1000繼續進行到方塊1024。在方塊1024處，製程邏輯繼續為當前的基板進行當前的製程。在一些實施例中，製程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，製程邏輯可以藉由不產生和傳輸指令，來繼續進行當前的製程。如上所述，製程邏輯可以向訓練集產生器324傳輸光譜資料和抽取的計量測量值，以用作附加的訓練資料。
回到方塊1020，在一些實施例中，製程邏輯可以進一步藉由決定抽取的計量測量值是否落在與當前製程的時間段相關聯的預期計量測量值範圍內，來決定計量測量準則是否被滿足。預期的計量測量值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值集合。例如，如果預期（即鍳於當前基板製程和先前基板製程的製程資料來預期）時間段是當前基板製程的最終時間段，那麼預期的計量測量值範圍可以包括終點計量值和相鄰的預期值（例如終點值± X）。響應於決定預期的計量測量值不落在預期的計量測量值範圍內，製程邏輯可以如上所述地向製造系統的客戶端設備傳輸警報。在一些實施例中，製程邏輯可以鍳於抽取的計量測量值來決定，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）。因此，製程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，製程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。
圖11描繪呈計算設備1100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論述的方法學中的任一者或多者的指令集。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（或分佈式）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、網頁用具（web appliance）、伺服器、網路路由器、交換器或橋接器，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指令集（或多個指令集）以執行本文論述的方法學中的任一者或多者的任何機器（例如電腦）的集合。在實施例中，計算設備1100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1100包括經由匯流排1108彼此通訊的處理設備1102、主記憶體1104（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）等等）、靜態記憶體1106（例如快閃記憶體、靜態隨機存取記憶體（SRAM）等等）和輔助記憶體（例如資料儲存設備1128）。
處理設備1102可以代表諸如微處理器、中央處理單元等等之類的一個或多個通用處理器。更詳細而言，處理設備1102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1102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）、網路處理器等等之類的一個或多個特殊用途處理設備。處理設備1102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1102被配置為執行處理邏輯以執行本文論述的操作和步驟。
計算設備1100可以進一步包括用於與網路1164通訊的網路介面設備1122。計算設備1100也可以包括視訊顯示單元1110（例如液晶顯示器（LCD）或陰極射線管（CRT））、文數字輸入設備1112（例如鍵盤）、游標控制設備1114（例如滑鼠）和訊號產生設備1120（例如揚聲器）。
資料儲存設備1128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）1124，該機器可讀取儲存媒體上儲存有實施本文所述的方法學或功能中的任一者或多者的一個或多個指令集1126。其中非暫時性儲存媒體指的是載波以外的儲存媒體。指令1126也可以在由電腦設備1100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1104內及/或處理設備1102內，主記憶體1104和處理設備1102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1124示為單個媒體，但也應將術語「電腦可讀取儲存媒體」視為包括儲存該一個或多個指令集的單個媒體或多個媒體（例如集中式或分佈式資料庫及/或相關聯的快取記憶體和伺服器）。也應將用語「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方法學中的任一者或多者的指令集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、方法等等的示例之類的許多具體細節，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，以避免不必要地使本揭示內容模糊。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。
整個本說明書內提到的「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，整個本說明書內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」或「大約」時，此術語旨在意味著，所呈現的標稱值精確到± 10%內。
雖然本文中的方法的操作是以特定的順序示出和描述的，但也可以變更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，相異操作的指令或子操作可以以間歇及/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:預測部件 120:客戶端設備 122:製造設備 124:終點偵測設備 126:直列式計量設備 128:整合式計量設備 130:整合式計量設備 132:外部計量設備 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:傳輸腔室機器手 214:製程腔室 216:製程腔室 218:製程腔室 220:裝載閘 222:基板載具 224:裝載端口 226:工廠介面機器手 228:系統控制器 250:資料儲存器 300:終點偵測系統 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:製程終點引擎 332:資料儲存器 334:機器學習模型 336:光譜資料 338: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 526:排氣端口 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:準直器 574:反射光束 576:處理設備 600:方法 610:方塊 612:方塊 614:方塊 616:方塊 618:方塊 620:方塊 622:方塊 702:資料點 704:資料點 706:蝕刻速度 710:資料範圍 712:資料範圍 714:資料範圍 716:資料範圍 718:子集 800:方法 810:方塊 812:方塊 814:方塊 816:方塊 818:方塊 820: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:方法 1010:方塊 1012:方塊 1014:方塊 1016:方塊 1018:方塊 1020:方塊 1022:方塊 1024:方塊 1100:計算設備 1102:處理設備 1104:主記憶體 1106:靜態記憶體 1108:匯流排 1110:視訊顯示單元 1112:文數字輸入設備 1114:游標控制設備 1120:訊號產生設備 1122:網路介面設備 1124:機器可讀取儲存媒體 1126:指令集 1128:資料儲存設備 1164: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件。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描繪了依據本揭示內容的態樣的說明性電腦系統架構。
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描繪了依據本揭示內容的態樣，用於基板製程的終點偵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終點偵測設備的橫截示意側視圖。
圖6是依據本揭示內容的態樣，用於獲得用於與機器學習模型一起使用的資料的方法的流程圖。
圖7A-7F說明了依據本揭示內容的態樣，獲得用於與機器學習模型一起使用的資料。
圖8是依據本揭示內容的態樣，用於使用機器學習模型來估計基板的輪廓的計量值的方法的流程圖。
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是依據本揭示內容的態樣，用於使用機器學習模型來偵測基板製程的終點的方法的流程圖。
圖11描繪了依據本揭示內容的一個或多個態樣操作的說明性電腦系統的方塊圖。
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
900:方法
910:方塊
912:方塊
914:方塊
916:方塊
918:方塊
920:方塊
922:方塊

Claims (20)

  1. 一種方法，包括以下步驟： 提供訓練資料來訓練複數個機器學習模型中的每一者，以基於在一基板製程期間收集的光譜資料，提供與一基板的一特定類型的計量測量相關聯的一計量測量值，該基板製程是對該基板執行的，其中該複數個機器學習模型中的每一者與一機器學習模型類型集合中的一不同類型相關聯； 基於由一相應的機器學習模型鍳於該計量測量的一測得值所提供的該計量測量的一值的一準確度，將一效能評級分配給該複數個機器學習模型中的每一者，該測得值是基於由計量設備為一先前基板集合中的一先前基板所收集的歷史計量資料來產生的；以及 鍳於該複數個機器學習模型中的每一者的該效能評級，選擇該相應的機器學習模型，以應用於在對一未來基板執行的一未來基板製程期間收集的未來光譜資料。
  2. 如請求項1所述的方法，進一步包括以下步驟： 接收在對該先前基板集合中的一附加的先前基板執行的一先前基板製程期間收集的歷史光譜資料； 獲得該附加基板的一歷史計量測量值，該歷史計量測量值是基於由該計量設備為該附加的先前基板所收集的附加歷史計量資料來產生的；以及 產生該訓練資料以訓練該複數個機器學習模型中的每一者，其中產生該訓練資料之步驟包括以下步驟： 產生包括該歷史光譜資料的一訓練輸入；以及 為該訓練輸入產生一目標輸出，其中該目標輸出包括該附加基板的該歷史計量測量值， 並且其中提供該訓練資料以訓練該複數個機器學習模型中的每一者包括提供：(i)包括該訓練輸入的一訓練輸入集合；以及(ii)包括該等目標輸出的一目標輸出集合。
  3. 如請求項2所述的方法，其中該歷史光譜資料是從以下項目中的至少一者所接收的：執行該先前基板製程的一製造系統的一系統控制器，或該製造系統的一終點偵測系統。
  4. 如請求項2所述的方法，其中該未來製程要在一第一製造系統處對該未來基板執行，並且該先前製程是在一第二製造系統處對該先前基板執行的，該第二製造系統與該第一製造系統不同。
  5. 如請求項1所述的方法，進一步包括以下步驟： 獲得該先前基板集合的一驗證資料集，該驗證資料集包括(i)在對該先前基板集合中的一附加先前基板執行的一先前基板製程期間收集的歷史光譜資料，和(ii)該計量測量的該測得值； 提供該歷史光譜資料作為對該複數個機器學習模型中的每一者的輸入； 從該相應的機器學習模型的一個或多個輸出抽取該計量測量的該值；以及 基於該計量測量的該抽取值與該計量測量的該測得值之間的一差異，決定該相應的機器學習模型的一精準度。
  6. 如請求項1所述的方法，其中該複數個機器學習模型中的每一者的該效能評級是基於以下項目中的至少一者來進一步分配的：該相應的機器學習模型提供該計量測量的該抽取值的一速度，或將該相應的機器學習模型傳輸到配置為執行該未來基板的該未來基板製程的一製造系統的一處理設備的一時間量。
  7. 如請求項1所述的方法，其中選擇該相應的機器學習模型以應用於未來光譜資料之步驟包括以下步驟： 決定分配給該相應的機器學習模型的該效能評級滿足一效能準則。
  8. 如請求項7所述的方法，其中決定分配給該相應的機器學習模型的該效能評級滿足該效能準則之步驟包括以下步驟： 決定該效能評級超過一閾值效能評級，並且該效能評級大於機器學習模型中的其他機器學習模型的其他效能評級。
  9. 如請求項1所述的方法，進一步包括以下步驟： 響應於決定分配給該複數個機器學習模型中的任何機器學習模型的效能評級都沒有超過一效能評級閾值，獲得該複數個機器學習模型中的每一者的附加訓練資料；以及 提供該附加訓練資料以進一步訓練該複數個機器學習模型中的每一者。
  10. 如請求項1所述的方法，其中該機器學習模型類型集合包括一線性迴歸模型類型、一偏最小二乘迴歸模型類型、一高斯迴歸模型類型、一隨機森林模型類型、一支援向量機模型類型、一神經網路類型或一脊迴歸模型類型。
  11. 一種系統，包括： 一記憶體；以及 一處理設備，與記憶體耦接，該處理設備用來： 獲得一機器學習模型，該機器學習模型被訓練為基於在一製造系統處進行的一當前基板的一當前製程期間收集的當前光譜資料來提供一計量測量的一當前值，其中該經訓練的機器學習模型與一效能評級相關聯，該效能評級滿足與該計量測量的一類型相關聯的一效能準則； 提供該當前光譜資料作為對該經訓練的機器學習模型的輸入； 從該經訓練的機器學習模型的一個或多個輸出抽取對與該當前基板對應的一相應的計量測量值的一指示，其中該相應的計量測量值與該計量測量的該類型相關聯；以及 響應於決定該相應的計量測量值滿足與該當前製程相關聯的一計量測量準則，產生一指令，該指令包括終止該製造系統處的該當前製程的一命令。
  12. 如請求項11所述的系統，其中該處理設備是對該基板執行該當前製程的一製造系統的一系統控制器的一部分，並且其中為了獲得該經訓練的機器學習模型，該處理設備用來： 從與該系統控制器耦接的一計算系統的一處理設備接收該經訓練的機器學習模型。
  13. 如請求項11所述的系統，其中為了獲得該經訓練的機器學習模型，該處理設備用來： 提供訓練資料來訓練該機器學習模型，以提供該計量測量的該當前值。
  14. 如請求項11所述的系統，其中該處理設備進一步用來： 獲得在該當前基板的該當前製程期間收集的該當前光譜資料；以及 響應於決定該當前光譜資料不與跟該當前基板相關聯的目標光譜資料對應，向與該製造系統耦接的一客戶端設備傳輸一錯誤通知。
  15. 如請求項11所述的系統，其中為了決定該相應的計量測量值滿足該計量測量準則，該處理設備用來： 決定該相應的計量測量值與跟該當前基板的該當前製程相關聯的一目標計量測量值對應。
  16. 如請求項11所述的系統，其中該處理設備進一步用來： 響應於決定該相應的計量測量值不滿足該計量測量準則，執行以下步驟中的至少一者： 向與該製造系統耦接的一客戶端設備傳輸一錯誤通知；或 提供該收集的光譜資料和該相應的計量測量值作為訓練資料，以進一步訓練該經訓練的機器學習模型。
  17. 如請求項11所述的系統，其中該經訓練的機器學習模型與以下項目中的至少一者相關聯：一線性迴歸模型類型、一偏最小二乘迴歸模型類型、一高斯迴歸模型類型、一隨機森林模型類型、一支援向量機模型類型、一神經網路類型或一脊迴歸模型類型。
  18. 如請求項11所述的系統，其中該經訓練的機器學習模型是使用在一附加製造系統處對一先前基板執行的一先前基板製程期間收集的歷史光譜資料來訓練的，該附加製造系統與對該當前基板執行該當前製程的該製造系統不同。
  19. 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，使得該處理設備： 提供訓練資料來訓練複數個機器學習模型中的每一者，以基於在一基板製程期間收集的光譜資料，提供與一基板的一特定類型的計量測量相關聯的一計量測量值，該基板製程是對該基板執行的，其中該複數個機器學習模型中的每一者與一機器學習模型類型集合中的一不同類型相關聯； 基於由一相應的機器學習模型鍳於該計量測量的一測得值所提供的該計量測量的一值的一準確度，將一效能評級分配給該複數個機器學習模型中的每一者，該測得值是基於由計量設備為一先前基板集合中的一先前基板所收集的歷史計量資料來產生的；以及 鍳於該複數個機器學習模型中的每一者的該效能評級，選擇該相應的機器學習模型，以應用於在對一未來基板執行的一未來基板製程期間收集的未來光譜資料。
  20. 如請求項19所述的非暫時性電腦可讀取媒體，其中為了決定該相應的計量測量值滿足該計量測量準則，該處理設備用來： 決定該相應的計量測量值與跟該當前基板的該當前製程相關聯的一目標計量測量值對應。
TW111121605A 2021-06-10 2022-06-10 使用機器學習的基板製程終點偵測 TW202336644A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/344,787 2021-06-10
US17/344,787 US11901203B2 (en) 2021-06-10 2021-06-10 Substrate process endpoint detection using machine learning

Publications (1)

Publication Number Publication Date
TW202336644A true TW202336644A (zh) 2023-09-16

Family

ID=84390495

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111121605A TW202336644A (zh) 2021-06-10 2022-06-10 使用機器學習的基板製程終點偵測

Country Status (2)

Country Link
US (1) US11901203B2 (zh)
TW (1) TW202336644A (zh)

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000182420A (ja) 1998-12-15 2000-06-30 Matsushita Electric Works Ltd 光ファイバ照明装置
JP3946470B2 (ja) 2001-03-12 2007-07-18 株式会社デンソー 半導体層の膜厚測定方法及び半導体基板の製造方法
US20040073120A1 (en) 2002-04-05 2004-04-15 Massachusetts Institute Of Technology Systems and methods for spectroscopy of biological tissue
US7399711B2 (en) 2002-08-13 2008-07-15 Lam Research Corporation Method for controlling a recess etch process
JP5398524B2 (ja) 2006-05-09 2014-01-29 コーニンクレッカ フィリップス エヌ ヴェ 対象物内部の３次元イメージングのためのイメージングシステム及びこの作動方法
KR101357290B1 (ko) 2006-10-06 2014-01-28 가부시끼가이샤 도시바 가공 종점 검지방법, 연마방법 및 연마장치
US20080099436A1 (en) 2006-10-30 2008-05-01 Michael Grimbergen Endpoint detection for photomask etching
US8045142B2 (en) 2007-12-18 2011-10-25 Ebara Corporation Polishing end point detection method, polishing end point detection apparatus and polishing apparatus
JP5521607B2 (ja) 2009-03-13 2014-06-18 株式会社リコー 膜厚測定方法、膜厚測定装置および該膜厚測定装置を有する画像形成装置、並びに光導電性感光体の製造方法および光導電性感光体
SG190891A1 (en) 2010-12-21 2013-07-31 Hoffmann La Roche Chromatography equipment characterization
US9599507B2 (en) 2013-02-05 2017-03-21 Rafal Pawluczyk Fiber optic probe for remote spectroscopy
US10120372B2 (en) 2013-08-01 2018-11-06 Applied Materials, Inc. Event processing based system for manufacturing yield improvement
US10458905B2 (en) 2014-07-07 2019-10-29 Rebellion Photonics, Inc. Gas leak emission quantification with a gas cloud imager
US10627729B2 (en) 2015-06-18 2020-04-21 Asml Netherlands B.V. Calibration method for a lithographic apparatus
CN116631902A (zh) 2016-05-06 2023-08-22 应用材料公司 用于蚀刻系统的晶片轮廓
US10262910B2 (en) 2016-12-23 2019-04-16 Lam Research Corporation Method of feature exaction from time-series of spectra to control endpoint of process
KR102304331B1 (ko) 2017-02-24 2021-09-24 에이에스엠엘 네델란즈 비.브이. 기계 학습에 의해 공정 모델들을 결정하는 방법들
US10795346B2 (en) 2018-03-13 2020-10-06 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
US10896833B2 (en) 2018-05-09 2021-01-19 Applied Materials, Inc. Methods and apparatus for detecting an endpoint of a seasoning process
US11421977B2 (en) 2018-10-19 2022-08-23 Applied Materials, Inc. Eliminating internal reflections in an interferometric endpoint detection system
KR20200072302A (ko) 2018-12-12 2020-06-22 삼성전자주식회사 두께 예측 네트워크 학습 방법, 반도체 소자 제조 방법 및 반도체 물질 퇴적 장비
US11263737B2 (en) 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment
JP2022533246A (ja) 2019-05-23 2022-07-21 東京エレクトロン株式会社 ハイパースペクトルイメージングを使用する半導体プロセスの光学的診断
WO2021004725A1 (en) 2019-07-10 2021-01-14 Asml Netherlands B.V. Prediction data selection for model calibration to reduce model prediction uncertainty
WO2021030833A1 (en) 2019-08-09 2021-02-18 Lam Research Corporation Model based control of wafer non-uniformity
WO2021061541A1 (en) 2019-09-25 2021-04-01 Lam Research Corporation Systems and methods for autonomous process control and optimization of semiconductor equipment using light interferometry and reflectometry
JP7482702B2 (ja) 2020-06-30 2024-05-14 東京エレクトロン株式会社 基板処理装置
KR20220030387A (ko) 2020-08-28 2022-03-11 삼성전자주식회사 두께 추정 방법 및 공정 제어 방법
TW202309969A (zh) 2021-05-06 2023-03-01 日商東京威力科創股份有限公司 電漿處理裝置及終點檢測方法

Also Published As

Publication number Publication date
US11901203B2 (en) 2024-02-13
US20220399215A1 (en) 2022-12-15

Similar Documents

Publication Publication Date Title
US20220066411A1 (en) Detecting and correcting substrate process drift using machine learning
JP7562703B2 (ja) 機械学習を使用した基板プロファイル特性の決定
TW202240024A (zh) 使用機器學習控制沉積膜的濃度輪廓
TW202334765A (zh) 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
US20230118964A1 (en) Controlling concentration profiles for deposited films using machine learning
CN117441177B (zh) 使用机器学习的基板工艺终点检测
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
US20230062206A1 (en) Determining substrate profile properties using machine learning
US20230317481A1 (en) Temperature-based metrology calibration at a manufacturing system
TW202431026A (zh) 使用機器學習來決定基板輪廓性質