TW202339897A - 用於化學機械平坦化方法的共享資料誘導之品質管理 - Google Patents
用於化學機械平坦化方法的共享資料誘導之品質管理 Download PDFInfo
- Publication number
- TW202339897A TW202339897A TW111122399A TW111122399A TW202339897A TW 202339897 A TW202339897 A TW 202339897A TW 111122399 A TW111122399 A TW 111122399A TW 111122399 A TW111122399 A TW 111122399A TW 202339897 A TW202339897 A TW 202339897A
- Authority
- TW
- Taiwan
- Prior art keywords
- cmp
- data
- computer
- cmp process
- parameters
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 184
- 230000008569 process Effects 0.000 title claims abstract description 91
- 239000000126 substance Substances 0.000 title claims description 17
- 238000003908 quality control method Methods 0.000 title description 2
- 238000004519 manufacturing process Methods 0.000 claims abstract description 70
- 239000002002 slurry Substances 0.000 claims abstract description 69
- 239000000203 mixture Substances 0.000 claims abstract description 42
- 239000002994 raw material Substances 0.000 claims abstract description 34
- 239000000463 material Substances 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000013480 data collection Methods 0.000 claims description 34
- 230000007547 defect Effects 0.000 claims description 26
- 239000010408 film Substances 0.000 claims description 23
- 238000005498 polishing Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 17
- 239000004065 semiconductor Substances 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000009472 formulation Methods 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 8
- 238000000151 deposition Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims description 6
- 230000008021 deposition Effects 0.000 claims description 6
- 238000003326 Quality management system Methods 0.000 claims description 5
- 238000010238 partial least squares regression Methods 0.000 claims description 5
- 238000004544 sputter deposition Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000012528 membrane Substances 0.000 claims description 4
- 239000010409 thin film Substances 0.000 claims description 4
- 238000011109 contamination Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000000491 multivariate analysis Methods 0.000 claims description 2
- 230000036961 partial effect Effects 0.000 claims description 2
- 238000003077 quantum chemistry computational method Methods 0.000 claims description 2
- 238000005546 reactive sputtering Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 16
- 230000018109 developmental process Effects 0.000 description 16
- 239000002184 metal Substances 0.000 description 12
- 229910052751 metal Inorganic materials 0.000 description 12
- 239000000654 additive Substances 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000004630 atomic force microscopy Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000000560 X-ray reflectometry Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000007800 oxidant agent Substances 0.000 description 2
- 238000007517 polishing process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004626 scanning electron microscopy Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000012190 activator Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 239000012298 atmosphere Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003139 biocide Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 239000002738 chelating agent Substances 0.000 description 1
- 238000003486 chemical etching Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000010291 electrical method Methods 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000003446 ligand Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 229910021645 metal ion Inorganic materials 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005389 semiconductor device fabrication Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
- 238000004627 transmission electron microscopy Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- H01L21/67092—Apparatus for mechanical treatment
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2602—Wafer processing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Factory Administration (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本發明提供一種開發或改善自材料生產產品之製程的方法，其包含以下步驟：藉由使用資料收集電腦(9)獲取至少兩種漿液之組成作為基於CMP之製造製程之原材料資料(17)及其相關參數(2)；以物理方式進行CMP製程之特定方法步驟；藉由使用資料收集電腦(9)量測所用漿液及以物理方式進行之CMP製程之相關參數以測定CMP製程性能；利用在分析電腦(11)上執行之特定軟體藉由針對該軟體創建及使用機器學習將其應用於預測模型來分析關於相關參數之該測得之資料以理解不同參數之交互相關性及使用結果以提高CMP製程性能及該基於CMP之製造製程之所得產品品質。
Description
本發明係關於一種確保自一或多種材料生產半導體產品之基於CMP之製造製程之產品品質的方法及系統。
本發明屬於半導體生產、品質管理及供應鏈最佳化之技術領域。
現代生產製程為極其複雜事情，其受與原材料輸入、設備及工具、人類相互作用等等相關之許多變量影響。甚至最輕微變化可導致成品之重大品質問題，使該成品劣化或甚至不可銷售。此可導致針對生產者及/或顧客不可接受之缺陷，尤其於高度管制工業，諸如半導體工業中。存在申請專利當時之技術水平中已知之許多方法來改善生產製程及確保製造產品之品質。如今，大多數此等方法為資料驅動，其中基於自生產製程收集之資料來監測及管理相關參數。
關於半導體生產製程領域之更特定點在於電路組件之特徵尺寸快速減小，同時金屬層之數目快速增加，從而導致裝置形貌展現會抑制保形沉積之特徵。極大增加對構成積體電路(IC)之各種薄膜層之整體表面平坦化的需求。
化學機械平坦化為半導體裝置製造中廣泛使用之方法，其中基板之表面透過表面上之化學力及物理力之組合作用而平滑及平坦化。CMP组合兩種技術之最佳，同時避免陷阱。然而表面之純磨料研磨將造成太多物理損傷及純化學蝕刻將不達成平坦化，二者之組合作用產生具有最小損傷之良好平坦化表面。CMP製程之中心組成部分為使用漿液，該等漿液通常包含磨料粒子以機械移除材料，與化學添加劑組合以進一步微調其性能及減少缺陷。
化學機械平坦化(CMP)用於半導體裝置製造具有許多優點超過其減少粗糙形貌至平坦化狀態之事實。CMP允許裝置製造者以單一步驟達成整個晶圓表面之整體平坦化。該方法可用於將自不同金屬至不同氧化物膜及自不同介電膜至生產線後端(BEOL)金屬互連之寬範圍之材料平坦化。於後者情況下，將氧化物層圖案化以創建隨後用金屬填充之溝槽，以形成鑲嵌或雙重鑲嵌結構。障壁層初始沉積在經圖案化之氧化物上以避免金屬擴散至其他層。同樣，頻繁使用種子層以有利於溝槽中之後續金屬生長。於此情況下應用CMP製程以移除所有所得過度負荷並提供供後續層繼續生長之平坦表面。此方法通常包含金屬CMP及障壁CMP步驟，這是由於所用材料之不同性質。總體方法之複雜性及金屬區域與介電區域之間之不同移除率導致互連結構之一些熟知缺陷，最相關者為碟狀沉陷及侵蝕。碟狀沉陷經觀察為互連各者之上表面之彎曲，而侵蝕導致金屬厚度之總體減少。兩種缺陷有害影響互連電阻及後續層之平面度，及因此影響總體裝置性能。另外，由於金屬互連表面上之氧化物或其他殘留物之形成，或甚至於CMP製程後留下之領域中之離子的存在，問題可產生，通常難以察覺。
另一點為待拋光之不同氧化物膜之組成強烈調節漿液及CMP性能。於介電質之情況下，漿液經頻繁設計以具有在氧化物膜上之極高移除率及在氮化物膜上之低移除率，或反之亦然。取決於應用，經常需要其他選擇性要求。當到達堆疊之某些組件時，此允許CMP製程陡然停止。由沉積製程中之非意欲變化造成之膜組成的偏差，尤其在圖案化結構之情況下，由於微影術製程之老化或效應可導致漿液性能之相當變化。此等變化可造成影響裝置製造製程及產率之昂貴品質問題。為了解決可產生之品質問題，允許映射具有變化組成之膜上之漿液反應(例如，移除率及缺陷)的方法係必要的。同樣，漿液調配物如何針對不同膜組成進行調整的更深理解對於藉由(例如)增加可應用其之製程窗口進一步最佳化可係必要的。
化學機械平坦化工具由藉由拋光墊覆蓋之旋轉壓板組成。將晶圓正面向下安裝於載體中，利用特定力將該載體壓靠在墊上。此力可使用限定及調節氣壓或機械背壓系統提供。該晶圓亦在拋光製程期間旋轉。將拋光墊用泵送至墊上之漿液飽和。當晶圓在其自身軸線上旋轉及圍繞拋光墊移動，同時被迫靠在墊上時，晶圓表面之拋光發生。在拋光製程期間，晶圓表面上之高點自然經受更多壓力及因此更多摩擦力。此與化學蝕刻劑之作用組合以產生在表面形貌之高點之材料相對於在低點之材料之增強之移除率。此產生製程中之平坦化效應。
化學機械平坦化漿液通常包含提供表面上之物理力之磨料粒子；促進移除率之化學添加劑；減少碟狀沉陷之化學添加劑；減少侵蝕之化學添加劑；化學蝕刻材料之氧化劑；與氧化劑相互作用並促進自由基形成之活化劑或催化劑；腐蝕抑制劑；利於或促進組合物之穩定化抵抗沉降、絮凝(包括粒子之沉澱、聚集或聚結及類似者)及分解之穩定劑；在拋光期間及於拋光後幫助保護晶圓表面以減少晶圓表面之缺陷之表面活性劑；增強螯合配位體對金屬陽離子之親和力及/或防止金屬離子在墊上之積聚(其造成墊污染及移除率之不穩定性)之螯合劑；pH調節劑；控制生物生長之殺生物劑；諸如水之溶劑。CMP漿液主要使用化學材料。
管理漿液品質及CMP製程後造成之互連缺陷越來越複雜，因為互連尺寸於新技術節點中急劇減小。現在針對邏輯及記憶體裝置二者中之許多金屬化程度，互連寬度遠低於40 nm。在此點上，僅藉由使用傳統物理表徵技術，諸如原子力顯微鏡(AFM)或掃描電子顯微鏡(SEM)橫截面來檢測由於品質問題之漿液變化極其困難。另外，出於相同原因，旨在最小化在低尺寸之缺陷之漿液開發越來越困難。
同樣，為達成小型化裝置尺寸之有效平坦化，存在對更佳理解及因此更佳控制在存在流體漿液下在墊及晶圓之介面處發生之摩擦-機械現象之物理、化學及複雜相互作用的需求。
因此，CMP漿液之生產製程為極其複雜事情，其取決於關於所涉及之材料、工具、生產機器、負責工人等等之許多參數及變量。因此，將該製程表徵、最佳化及建模係必要的。
為改善生產製程及確保產品之品質，存在申請專利當時之技術水平中已知之許多方法以監督整個製程。如今該等方法中大多數為資料驅動，其中若生產製程之相關參數及變量不滿足其目標值，則定期監測並檢查其。
為遵從及增強申請專利當時之技術水平，因此期望找到操作自動生產管理系統之新方法，該方法進一步增強關於品質及可靠度之生產製程，及可高效操作不同方法，尤其CMP製程。
因此，期望找到操作自動生產管理系統之新方法，該方法進一步增強關於所得產品品質之生產製程，尤其關於改善之CMP製程。
此任務可藉由確保使用化學機械平坦化之半導體裝置製造製程之產品品質之方法來解決，該方法包含下列步驟：藉由使用資料收集電腦獲取至少兩種漿液之組成作為基於CMP之製造製程之原材料資料及其相關參數；以物理方式進行CMP製程之特定步驟；藉由使用資料收集電腦量測所用漿液及以物理方式進行之CMP製程之相關參數以測定CMP製程性能；利用在分析電腦上執行之特定軟體藉由針對該軟體創建及使用機器學習將其應用於預測模型來分析關於相關參數之測得之資料以理解不同參數之交互相關性及使用結果以提高CMP製程性能及基於CMP之製造製程之所得產品品質。本發明之核心為首先跟蹤與待創建或改善之所需生產製程相關之所有可能相關資料，特定言之藉由其特定參數所描述之原材料資料。因此，該資料可關於結構、格式、句法等不同。雖然本發明方法可用於改善其中產品自不同原材料創建的每個生產製程，但是其尤其適用於半導體裝置製造製程，較佳地使用CMP製程之彼等。於該方法藉由獲取所有必要資料(包含經指派之原材料資料及所測得之資料)成功定義後，實際方法評價於分析步驟中發生。在該評價期間，特定軟體餽入經映射之原材料資料及最終製程資料並分析其內容搜索之特定模式及依賴性，該等模式及依賴性揭示可用於改善所建立之方法之方法特徵。該軟體可使用不同類型之演算法。其可使用(例如)人工智慧方法，如監督式、非監督式、半監督式及強化學習等。哪一者係最適宜取決於可得原材料之類型及最終製程資料。重要的是演算法得到訓練以找到模式或識別方法之影響因素。該方法可藉由使用梯度增強決定樹(Gradient Boosted Decision Tree)、人工神經網路(ANN)或其他來實施。然後此ANN可進一步藉由學習其餽入之映射之原材料資料改善其性能。而且其他AI軟體方法係可能的。若來自經典統計之方法適用於測定特徵，則該軟體或者亦可使用該等方法。亦可使用基於物理之模型及機械模型，如質量平衡。然後哪種方法最適宜及因此選擇取決於特定情況及原材料資料之各自類型。於創建映射及分析之製程及識別特徵後，將彼等特徵應用於生產製程，因此提高其及所得產品品質。彼等特徵可另外用於自製程專家獲得之洞察以提高產品品質。藉由相同原材料之不同批次之變化，獲得成品品質之不同預測。軟體能測定特徵越佳，則來自人類專家之專業知識越少係必要。對所涉及電腦之最低要求包括其處理、轉移及可顯示資料及進行軟體分析步驟之能力。該等電腦自身可為在不同位置處之不同電腦，其經由互連網、局部網路等彼此連接或其中之一些或所有可係相同的。
本發明之有利及因此較佳進一步開發自相關子技術方案及自描述及相關圖示出現。
所揭示方法之彼等較佳進一步開發中之一者包括針對獲取生產製程及其相關參數之資料，製程資料係自連接至資料收集電腦之資料庫檢索到，藉由使用資料收集裝置(尤其感測器)觀察該製程創建及/或由人類使用者提供。此等方法中哪些以哪種組合取決於目標生產製程。通常若涉及來自感測器之至少一些目前資料，則製程資料具有較佳品質。
所揭示方法之彼等較佳進一步開發中之另一者包括在方法之先前執行期間及/或於使用檢測到之偏差後在目前執行期間完成藉由觀察生產製程獲取資料。藉由如此做，確保所獲取之資料通常係最新的。若AI方法經訓練及併與最新資訊使用，則其亦極大提高使用AI方法(如ANN)之效率。
所揭示方法之彼等較佳進一步開發中之另一者包括分析資料係藉由軟體使用監督式及非監督式演算法進行，該等演算法包含資料分析框架與資料模型，使用方法如多變量分析如PLS回歸、PCA、隨機森林、XGBoost及人工神經網路、PLS回歸及/或隨機森林或類似者，或使用監督式及/或非監督式靜態演算法進行。兩種類型之演算法(監督式及AI相關或不相關)可藉由軟體使用。但是所討論製程越複雜，提供利用非學習方法之軟體變得越困難，該非學習方法真正識別所有所需製程特徵。彼等更適用於但是當然不限於不太複雜的生產製程或若僅需要評價特定限定製程部分。
所揭示方法之彼等較佳進一步開發中之另一者包括分析資料係使用機械模型、基於物理之模型、基於(偏)微分方程之模型及基於量子化學計算之模型進行。該方法不限於彼等模型類型，但是其為最適宜者。
所揭示方法之彼等較佳進一步開發中之另一者包括其中該等監督式演算法之結構為利用關於缺陷及電響應之該測得之資料訓練PLS回歸、PCA、隨機森林、XGBoost及人工神經網路或類似者之結果。人工神經網路(ANN)或類似者極適於評價彼等複雜生產製程，因為其不僅可利用關於缺陷及電響應之測得之資料訓練及因此適於生產製程，不管其變得如何複雜。其亦可用於本發明方法之若干複測，變得越來越適應，其用於檢測偏差就越頻繁。
所揭示方法之彼等較佳進一步開發中之另一者包括另外進行下列步驟：將具有代表先進節點之尺寸之互連之測試載具拋光；使用物理表徵技術量測缺陷；量測該等互連之電響應及該分析步驟包含利用特定軟體及藉由創建電響應預測模型來分析關於缺陷及電響應之該測得之資料以理解不同參數之交互相關性及使用該等結果檢測自基線之偏差；及使用該等檢測到之偏差提高該基於CMP之製造製程之所得產品品質。電測試之方法步驟對拋光後互連之缺陷(如碟狀沉陷、侵蝕、氧化等)之變化極其敏感及可用於檢測由於尤其原材料、製備製程或貨架期之變化所引起之漿液品質之變化。本發明之此特定部分之核心為建立電阻預測模型以使互連特徵及缺陷與期望之電響應相關。藉由如此做，可容易識別與期望性能之偏差。
所揭示方法之彼等較佳進一步開發中之另一者包括所用代表先進節點之尺寸為小於40 nm寬度。
所揭示方法之彼等較佳進一步開發中之另一者包括預動式品質管理系統使用具有不同寬度之互連之電阻來識別來自不同起源之漿液之性能偏差。先前建立之機器學習預測模型允許估計由漿液變化造成之相關聯缺陷之程度。於理想情況下，此理解可用於推斷漿液變化之根本原因。該管理系統可經由在分析電腦、資料收集電腦或任何其他適宜電腦，如在生產場地之生產機器之控制電腦上進行之軟體建立。
所揭示方法之彼等較佳進一步開發中之另一者包括預動式品質管理系統使用跨梳狀結構之洩漏來檢測由該等漿液及/或後CMP處理留下之可能污染或缺陷。洩漏之增加可追蹤至漿液中之非所需污染物之存在或產品之不正確應用。
所揭示方法之彼等較佳進一步開發中之另一者包括當在兩種不同障壁材料上使用特定障壁漿液時，完成對該漿液之性能評價。於一些情況下，漿液與障壁材料之間藉由(例如)催化效應之相互作用可導致難以利用習知物理表徵方法檢測到之意外結果。電表徵與包含於機器學習預測模型中之期望之CMP響應之理解組合允許識別偏差。
所揭示方法之彼等較佳進一步開發中之另一者包括另外進行下列步驟：沉積具有變化組成之薄膜，物理表徵該等膜以測定其組成及其他性質，諸如密度、硬度及彈性模數，進行該等膜之CMP製程以測定具有變化調配物之不同漿液之性能，諸如尤其移除率及缺陷以獲取該資料收集電腦之資料庫中之所有此等資料以最終使用特定軟體利用機器學習演算法創建預測模型以將該膜組成及性質與漿液調配物及CMP整體性能連接起來。
所揭示方法之彼等較佳進一步開發中之另一者包括該等薄膜之沉積係藉由使用不同標靶及/或使用不同氣體比率共同濺射來進行以改變在反應性濺射期間之組成。
所主張發明之另一組成部分為一種用於確保使用化學機械平坦化之半導體裝置製造製程中之產品品質之系統，其包含：具有連接之資料庫之資料收集電腦，其用於獲取至少兩種漿液之組成作為基於CMP之製造製程之原材料資料及其相關參數；拋光裝置，其用於拋光具有代表先進節點之尺寸之互連的測試載具；至少一個感測器裝置，其用於所用漿液及以物理方式進行之CMP製程之相關參數以藉由使用該資料收集電腦測定該CMP製程性能；及分析電腦，其包含在其上執行之特定軟體，該特定軟體使用監督式演算法，包含資料分析框架與資料模型，其中該軟體分析關於相關參數之測得之資料及使用機器學習將其應用於預測模型以理解不同參數之交互相關性及使用該等結果以提高該CMP製程性能及該基於CMP之製造製程之所得產品品質。該系統進行本發明方法。如已解釋，可建立該系統中之所提及之電腦作為單獨系統組件或為相同電腦或其組合，無論如何最佳適合者。至少利用特定軟體之分析電腦應較佳地為單獨電腦。若自動獲取原材料資料，則資料收集電腦需要與一種自動控件連接，該自動控件於生產場地各者中係基於電腦的。在那兒，分析電腦上之演算法寫回至各自系統控件給生產人員應使用哪個批次id來生產。所用電腦之類型然後取決於所進行方法之要求。若大多數方法步驟由人類使用者進行，則一種個人電腦、平板電腦、行動電話或具有顯示器及一些資料輸入構件或介面之類似者，所以使用者可提供資料給電腦及應使用所用軟體。進行該方法更自動，一般亦可使用其他類型之電腦，如工業pc、微控制器、單板或嵌入式電腦。明確定義之資料介面及資料轉移網路，如用於自動資料傳輸之乙太網、總線系統或無線替代方案則變得更重要。
所揭示系統之彼等較佳進一步開發中之另一者包括該資料收集電腦正在代管基於電腦之數位平台，其用於自至少一個工廠獲取製程資料。獲取必要製程資料之另一可能性在於使用用於資料獲取之數位平台，所有參與生產場地可轉移其製程相關資料至該平台。該平台然後將管理此資料及將其分配至各自分析電腦以進行分析步驟。
所揭示系統之彼等較佳進一步開發中之另一者包括該分析電腦為代管利用監督式及/或非監督式演算法，尤其XGBoost、隨機森林或人工神經網路之該軟體之伺服器，及該製程執行電腦為至少兩個生產場地之基於各自電腦之控制終端的一部分或與之相同。如已提及，若要求人類使用者進行該等方法步驟之一部分，則所用電腦必須提供相應輸入及輸出構件，如鍵盤、滑鼠、螢幕及類似者，及相應軟體以處理此輸入。若軟體使用ANN，則要求針對此ANN之適宜電腦硬體。
本文揭示之本發明之另一組成部分為XGBoost、隨機森林或人工神經網路或其他AI方法，其結構取決於利用藉由以下創建之特定訓練資料進行訓練：藉由使用資料收集電腦獲取至少兩種漿液之組成作為該基於CMP之製造製程之原材料資料及其相關參數；以物理方式進行CMP製程之特定方法步驟；藉由使用資料收集電腦量測所用漿液及該以物理方式進行之CMP製程之相關參數以測定該CMP製程性能；將與該半導體裝置製造製程之相關參數相關之所獲取之原材料資料分配至其對應製程部件並自該分配之原材料資料及該測得之資料創建訓練資料。然後將因此創建之訓練資料用於訓練軟體及建立其必要內部結構，因此其可用於分析經映射之製程資料以識別所需製程特徵。藉由為軟體提供真實製程資料，其經進一步訓練並提高其分析性能。
本發明之另一組成部分為一種包含指令之電腦程式，該指令導致所涉及之電腦實施下列方法步驟：藉由使用資料收集電腦獲取至少兩種漿液之組成作為該基於CMP之基製造製程之原材料資料及其相關參數；以物理方式進行CMP製程之特定方法步驟；藉由使用資料收集電腦量測所用漿液及該以物理方式進行之CMP製程之相關參數以測定該CMP製程性能；利用在分析電腦上執行之特定軟體藉由針對該軟體創建及使用機器學習將其應用於預測模型來分析關於相關參數之該測得之資料以理解不同參數之交互相關性及使用該等結果以提高該CMP製程性能及該基於CMP之製造製程之所得產品品質。負責單個方法步驟之程式部分在各自電腦部件上運行。程式自身如何劃分取決於所涉及之電腦硬體。可使用在提及之電腦中之一者或控制本地客戶程式之單獨電腦上運行之主要軟體。其他選項包括彼此通訊之軟體之同等實例等等。
此電腦程式進行如所述之整個方法之唯一要求為所用程式及其各自硬體組件能完全且自動進行該方法。然後可將此程式存儲在電腦可讀取存儲媒體及/或資料載波信號上，該電腦可讀取存儲媒體及/或資料載波信號導致所涉及之電腦實施下列方法步驟：藉由使用資料收集電腦獲取至少兩種漿液之組成作為該基於CMP之製造製程之原材料資料及其相關參數；以物理方式進行CMP製程之特定方法步驟；藉由使用資料收集電腦量測所用漿液及該以物理方式進行之CMP製程之相關參數以測定該CMP製程性能；利用在分析電腦上執行之特定軟體藉由針對該軟體創建及使用機器學習將其應用於預測模型來分析關於相關參數之該測得之資料以理解不同參數之交互相關性及使用該等結果以提高該CMP製程性能及該基於CMP之製造製程之所得產品品質。可將存儲媒體存儲在任何適宜數位記憶體，如usb驅動器、硬碟、閃存驅動器等等上。自該記憶體，其亦可經由使用各自資料載波信號之遠程通訊構件，如乙太網、有線或無線或任何其他適宜網路傳輸裝構件提供以將軟體傳輸至其目標硬體。
本發明將藉由呈現兩個較佳示例性實施例更詳細地解釋，該等實施例揭示針對材料之預動式品質管理系統之相應方法，其基於如歷史性能、顧客因素、屬性及材料加工、原材料及中間因素及屬性之資料。
圖1顯示關於兩個實施例中之必要方法步驟之概述。該等步驟自身於每個示例性實施例中取決於不同條件而不同進行。圖2中顯示進行該方法之半導體生產系統12。如先前所解釋，其結構亦可在實施例之間不同。尤其所涉及之電腦之類型可極大不同，取決於多少步驟由人類使用者在電腦及應用軟體之幫助下進行或藉由針對實例AI軟體使用之特定電腦自動進行。
圖2揭示關於所涉及之系統組件之示意性概述。於此實例中，存在材料供應商站點14及製造商站點13，其中該材料供應商站點14提供生產相關資料1，如關於原材料17之資料及其單獨的參數2、來自材料供應商之品質資料、其他資料等等。此資料藉由資料收集電腦9收集，該電腦進行資料整合及然後將該資料提供給所用之資料模型5、6，如PLS模型或人工神經網路。該製造商站點13提供關於其自身生產製程之資料、其自身品質資料、其他資料等。然後將此資料經由安全資料轉移連接器轉移。兩個站點13、14之間之資料的通訊藉由分配至該等站點之網頁服務進行。另外或或者，亦可使用第三方網頁服務。此可(例如)藉由數位資料平台16中心管理。
較佳第一實施例包括使用具有呈蛇形線形式之具有低於(例如) 40 nm之變化寬度之銅互連的CMP測試載具。圖3顯示示意性製程概述之方法，概述其包括使用具有金屬互連之CMP測試載具10，在該測試載具10上之CMP使用在測試下漿液，物理及電表徵，使用先前建立之機器學習模型分析資料，該機器學習模型運行在分析電腦11上進行之軟體以評價漿液之性能。然後將此新的理解用於細化或改善漿液。將該測試載具10使用市售CMP系統工具拋光，該工具由藉由拋光墊覆蓋之旋轉壓板組成。將晶圓正面向下安裝於載體中，利用指定力將該載體壓靠在墊上。將拋光墊用泵送至墊上之漿液飽和。當晶圓在其自身軸線上旋轉及在拋光墊上移動，同時被迫靠在墊上時，晶圓表面之拋光發生。為了檢測CMP製程由於(例如)品質問題之偏差，可藉由使用具有變化粒子大小及形狀之一系列漿液映射互連系統之CMP響應曲線。同樣可使用例如修改漿液之所得pH之不同添加劑。
於拋光後，由不同漿液造成之缺陷係藉由物理方法及電方法探測。碟狀沉陷及侵蝕之物理表徵可使用掃描探針方法(諸如AFM)或電子顯微鏡方法(諸如SEM、透射電子顯微鏡(TEM)或相關方法)進行。晶圓上之變化寬度及位置之該等互連之電表徵係使用半自動電測試儀進行以量測其電阻。
使用資料收集電腦9將所有獲得之物理及電表徵資訊、CMP製程參數及漿液調配物，包括磨料特徵、添加劑性質及濃度及其他可得品質管理及原始組分各者之分析證書(CoA)存儲於資料庫中。
藉由上述分析電腦11經由軟體進行之機器學習演算法，例如，神經網路5、6係用於訓練模型能將電響應與對在實驗期間探索之所有以上提及之變量相關聯。此允許清晰理解在CMP製程、漿液特徵及所得缺陷3與電響應4之間存在之交互相關性。此理解可用於(例如)建立製程基線及理解由於源原材料或漿液製備製程中之品質問題所引起之偏差7的起源。或者其可用於針對不同互連金屬及/或障壁材料最佳化漿液之調配物。
另一較佳第二實施例包括使用能容納兩個或更多個標靶及能在沉積期間修改基板溫度以促進膜緻密化之組合濺射系統。圖4顯示此方法之概述。其包括使用組合濺射系統以篩選氧氮化矽組合物、物理表徵及CMP製程。於統一資料庫中收集所有資料及使用神經網路模型5、6解釋觀察到之響應。其將於下列句子中進一步詳細顯示。系統12允許藉由改變在沉積期間施加至不同標靶之功率之比率及/或藉由引入不同反應性氣體(諸如氧氣及氮氣)修改濺射氛圍來改變所得薄膜沉積物組成。此允許(例如)獲得氧氮化矽薄膜之寬組成篩選。此等膜之組成可藉由使用習知表徵技術，諸如盧瑟福(Rutherford)背散射光譜法(RBS)或其他經校準之技術獲得。該等膜之密度及厚度可使用X-射線反射法(XRR)獲得。最後，該等膜之機械性質(諸如硬度及彈性模數)可使用奈米壓痕獲得。
具有變化組成之膜係使用市售CMP系統工具拋光，該工具由藉由拋光墊覆蓋之旋轉壓板組成。將晶圓正面向下安裝於載體中，利用指定力將該載體壓靠在墊上。將拋光墊用泵送至墊上之漿液飽和。當晶圓在其自身軸線上旋轉及在拋光墊上移動，同時被迫靠在墊上時，晶圓表面之拋光發生。漿液之移除率(RR)藉由利用橢偏儀量測於拋光後膜之厚度來獲得。
使用資料收集電腦9將具有變化組成之膜之沉積參數、物理表徵資訊、CMP製程參數及漿液調配物存儲於資料庫中。
運行在分析電腦11進行之軟體之機器學習演算法，如神經網路係用於訓練模型能將在實驗期間探索之所有以上提及之參數相關聯。此模型允許清晰地理解及將來預測在薄膜組成、漿液調配物及CMP製程參數與性能之間存在之交互相關性。此理解可用於(例如)建立製程基線及理解由於正在加工之薄膜之品質問題之偏差7的起源。或者，其可用於最佳化漿液之調配物，目標為(例如)擴大其對不同薄膜組成之適用性。
在此等方法作為呈現之兩個實施例中之實例實現下，批次自動化導致成品品質變化之顯著減少。此允許基於原材料批次選擇及預測模型期望之成品品質之透明度，從而導致批次選擇製程之進一步改善及較不需要使批料返工或報廢。
連續資料整合另外允許基於正在傳入之新資訊監測預測品質及改善所用資料模型。於另一較佳實施例中，亦可擴展該系統以於非邊緣情況下使批次選擇自動化，從而減少供應鏈計劃者之人工努力。
1:可得生產相關資料
2:原材料資料之單獨參數
3:缺陷
4:電響應
5:未經訓練之神經網路或PLS模型
6:經訓練之神經網路或PLS模型
7:檢測到之自基線之偏差
8:提高之產品品質
9:資料收集電腦
10:測試載具
11:分析電腦
12:半導體生產系統
13:製造商站點
14:材料供應商
15:資料分析器
16:數位資料平台
17:原材料資料
圖1：關於必要方法步驟之一般概述。
圖2：關於所涉及之系統組件之示意性概述。
圖3：關於第三實施例製程步驟之流程圖。
圖4：關於第四實施例之示意性概述。
1:可得生產相關資料
9:資料收集電腦
11:分析電腦
12:半導體生產系統
13:製造商站點
14:材料供應商
15:資料分析器
16:數位資料平台
17:原材料資料
Claims (19)
- 一種確保使用化學機械平坦化之半導體裝置製造製程中之產品品質的方法，其包含下列步驟： 藉由使用資料收集電腦(9)獲取至少兩種漿液之組成作為基於CMP之製造製程之原材料資料(17)及其相關參數(2)； 以物理方式進行CMP製程之特定方法步驟； 藉由使用資料收集電腦(9)量測所用漿液及以物理方式進行之CMP製程之相關參數以測定CMP製程性能； 利用在分析電腦(11)上執行之特定軟體藉由針對該軟體創建並使用機器學習將其應用於預測模型來分析關於該等相關參數之所測得資料以理解不同參數之交互相關性及使用該等結果以提高CMP製程性能及該基於CMP之製造製程之所得產品品質。
- 如請求項1之方法，其中針對獲取該生產製程之資料(1)及其相關參數(2)，該原材料資料(17)係自連接至該資料收集電腦(9)之資料庫檢索到、藉由使用資料收集裝置(尤其感測器)觀察該製程創建及/或由人類使用者提供。
- 如請求項2之方法，其中獲取該資料(1)係在該製程之先前執行期間及/或於使用檢測到之偏差(7)後在目前執行期間完成的。
- 如請求項1之方法，其中分析關於缺陷及電響應之該測得之資料係藉由使用監督式演算法，包含資料分析框架與資料模型(3、4)，使用如多變量分析如PLS回歸、PCA、隨機森林、XGBoost及人工神經網路或類似者之方法，或使用監督式及/或非監督式演算法之軟體進行。
- 如請求項4之方法，其中分析該測得之資料係使用機械模型、基於物理之模型、基於偏微分方程之模型及基於量子化學計算之模型進行。
- 如請求項4之方法，其中該等監督式演算法之結構為利用關於缺陷及電響應之該測得之資料訓練該PLS回歸、PCA、隨機森林、XGBoost及人工神經網路(6)或類似者之結果。
- 如請求項1之方法，其中另外進行下列步驟：將具有代表先進節點之尺寸之互連之測試載具(10)拋光；使用物理表徵技術量測缺陷(3)；量測該等互連之電響應(4)及該分析步驟包含利用該特定軟體及藉由創建電響應預測模型來分析關於缺陷及電響應(3、4)之該測得之資料以理解不同參數之交互相關性及使用該等結果檢測自該基線之偏差(7)；及使用該等檢測到之偏差(7)以提高該基於CMP之製造製程之所得產品品質。
- 如請求項7之方法，其中所用代表先進節點之尺寸為小於40 nm寬度。
- 如請求項7之方法，其中預動式品質管理系統使用具有不同寬度之互連之電阻來識別來自不同起源之漿液性能的偏差。
- 如請求項7之方法，其中預動式品質管理系統使用跨梳狀結構之洩漏來檢測由該等漿液及/或後CMP處理留下之可能污染或缺陷。
- 如請求項7之方法，其中在使用基於兩種不同障壁材料之特定障壁漿液的同時完成對該漿液之性能的評價。
- 如請求項1之方法，其中另外進行下列步驟：沉積具有變化組成之薄膜；物理表徵該等膜以測定其組成及其他性質，諸如密度、硬度及彈性模數；進行該等膜之CMP製程以測定具有變化調配物之不同漿液之性能，諸如尤其移除率及缺陷(3)，以獲取該資料收集電腦(9)之資料庫中之所有此等資料以最終使用特定軟體來利用機器學習演算法創建預測模型(5，6)以將該膜組成及性質與漿液調配物及CMP整體性能連接起來。
- 如請求項12之方法，其中該薄膜之沉積係藉由使用不同標靶及/或使用不同氣體比率以改變在反應性濺射期間之該組成的共同濺射來進行。
- 一種確保使用化學機械平坦化之半導體裝置製造製程中之產品品質的系統(12)，其包含： 具有所連接之資料庫之資料收集電腦(9)，其用於獲取至少兩種漿液之組成作為該基於CMP之製造製程之原材料資料(17)及其相關參數(2)； 拋光裝置，其將具有代表先進節點之尺寸之互連的測試載具拋光； 針對所用漿液及該以物理方式進行之CMP製程之相關參數的至少一個感測器裝置，以藉由使用該資料收集電腦(9)測定該CMP製程性能；及 分析電腦(11)，其包含在其上使用包含資料分析框架與資料模型(5、6)之監督式演算法執行之特定軟體，其中該軟體分析關於該等相關參數之該測得之資料及使用機器學習將其應用於預測模型以理解不同參數之交互相關性及使用該等結果以提高該CMP製程性能及該基於CMP之製造製程之所得產品品質。
- 如請求項14之系統，其中該資料收集電腦(9)正代管基於電腦之數位平台(16)，該平台用於自至少一個工廠獲取該原材料資料(17)。
- 如請求項15之系統，其中該分析電腦(11)為代管利用監督式及/或非監督式演算法，尤其人工神經網路之該軟體的伺服器，及該製程執行電腦為至少一個工廠之基於相應電腦之控制終端的一部分或與該控制終端相同。
- 一種XGBoost、隨機森林或人工神經網路(7)，其結構取決於利用特定訓練資料進行訓練，該特定訓練資料藉由下列步驟創建： 藉由使用資料收集電腦(9)獲取至少兩種漿液之組成作為該基於CMP之製造製程之原材料資料(17)及其相關參數(2)； 以物理方式進行CMP製程之特定方法步驟； 藉由使用資料收集電腦(9)量測所用漿液及該以物理方式進行之CMP製程之相關參數以測定該CMP製程性能； 將與該半導體裝置製造製程之相關參數(2)相關之所獲取之原材料資料(17)分配至其對應製程部件及自該分配之原材料資料(17)及該測得之資料創建訓練資料。
- 一種包含指令之電腦程式，該指令導致所涉及之電腦實施下列方法步驟： 藉由使用資料收集電腦(9)獲取至少兩種漿液之組成作為該基於CMP之製造製程之原材料資料(17)及其相關參數(2)； 以物理方式進行CMP製程之特定方法步驟； 藉由使用資料收集電腦(9)量測所用漿液及該以物理方式進行之CMP製程之相關參數以測定該CMP製程性能； 利用在分析電腦(11)上執行之特定軟體藉由針對該軟體創建及使用機器學習將其應用於預測模型來分析關於相關參數之該測得之資料以理解不同參數之交互相關性及使用該等結果以提高該CMP製程性能及該基於CMP之製造製程之所得產品品質。
- 一種電腦可讀存儲媒體及/或資料載波信號，其上存儲有如請求項18之電腦程式，該電腦程式導致所涉及之電腦實施下列方法步驟： 藉由使用資料收集電腦(9)獲取至少兩種漿液之組成作為該基於CMP之製造製程之原材料資料(17)及其相關參數(2)； 以物理方式進行CMP製程之特定方法步驟； 藉由使用該資料收集電腦(9)量測所用漿液及該以物理方式進行之CMP製程之相關參數以測定該CMP製程性能； 利用在分析電腦(11)上執行之特定軟體藉由針對該軟體創建及使用機器學習將其應用於預測模型來分析關於該等相關參數之該測得之資料以理解不同參數之交互相關性及使用該等結果以提高該CMP製程性能及該基於CMP之製造製程之所得產品品質。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202263362645P | 2022-04-07 | 2022-04-07 | |
| US63/362,645 | 2022-04-07 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW202339897A true TW202339897A (zh) | 2023-10-16 |
Family
ID=88239506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111122399A TW202339897A (zh) | 2022-04-07 | 2022-06-16 | 用於化學機械平坦化方法的共享資料誘導之品質管理 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230325751A1 (zh) |
| JP (1) | JP2023155118A (zh) |
| KR (1) | KR20230144441A (zh) |
| TW (1) | TW202339897A (zh) |
-
2022
- 2022-05-18 US US17/663,899 patent/US20230325751A1/en active Pending
- 2022-06-16 TW TW111122399A patent/TW202339897A/zh unknown
- 2022-07-11 KR KR1020220085294A patent/KR20230144441A/ko unknown
- 2022-08-08 JP JP2022126079A patent/JP2023155118A/ja active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230144441A (ko) | 2023-10-16 |
| US20230325751A1 (en) | 2023-10-12 |
| JP2023155118A (ja) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW202037906A (zh) | 半導體設備的缺陷分類及來源分析 | |
| US6678570B1 (en) | Method and apparatus for determining output characteristics using tool state data | |
| Spanos | Statistical process control in semiconductor manufacturing | |
| JP2008516447A (ja) | 利用可能なメトロロジーキャパシティに基づいてメトロロジーサンプリングを動的に調整する方法およびシステム | |
| KR20140069290A (ko) | 고처리량 박막 특성화 및 결함 검출 | |
| CN108369916B (zh) | 晶片逐点分析和数据呈现 | |
| US6687561B1 (en) | Method and apparatus for determining a sampling plan based on defectivity | |
| KR102248777B1 (ko) | 총 측정 불확도의 정량화 및 감소 | |
| KR102514555B1 (ko) | 복합 구조들의 측정을 위한 시스템 및 방법 | |
| US6563300B1 (en) | Method and apparatus for fault detection using multiple tool error signals | |
| DE10393371T5 (de) | Verfahren und Vorrichtung zum Steuern eines Fertigungsprozesses auf der Grundlage einer gemessenen elektrischen Eigenschaft | |
| WO2006031263A1 (en) | Method and system for calibrating integrated metrology systems and stand-alone metrology systems that acquire wafer state data | |
| US6701206B1 (en) | Method and system for controlling a process tool | |
| US6745086B1 (en) | Method and apparatus for determining control actions incorporating defectivity effects | |
| US6961636B1 (en) | Method and apparatus for dynamically monitoring controller tuning parameters | |
| TW202339897A (zh) | 用於化學機械平坦化方法的共享資料誘導之品質管理 | |
| US6376261B1 (en) | Method for varying nitride strip makeup process based on field oxide loss and defect count | |
| US6732007B1 (en) | Method and apparatus for implementing dynamic qualification recipes | |
| US20130241075A1 (en) | Contact or via critical dimension control with novel closed loop control system in chemical mechanical planarization process | |
| KR20090095694A (ko) | 반도체 제조설비의 관리시스템에 적용되는 통계적 공정관리방법 | |
| TW201600981A (zh) | 監控根據複數個製程配方運作之製程狀態的方法暨其系統 | |
| CN108268987B (zh) | 多样式产品的品质推估方法 | |
| US20240184277A1 (en) | Shared data induced quality control system for materials | |
| JP2024515456A (ja) | 材料のための共有データ誘導品質管理システム | |
| Slama et al. | Advanced in-line process control of defects |