TW202343611A - 使用無監督機器學習之高通量/精度xps計量的生產解決方案 - Google Patents

Abstract

使用對通過XPS或XRF工具獲得的光電子發射資料集的無監督機器學習來確定半導體製程中的製程偏移。將主成分分析應用於發射資料集，並分析每個主成分的變異量，從而選擇變異量最高的N個主成分。從資料集中移除不對應於N個主成分中的任一個的資料集的所有數據點，以獲得過濾的資料集。然後，從過濾的資料集計算發射強度，並繪製在SPC圖上，以檢查偏移。

Description

使用無監督機器學習之高通量/精度XPS計量的生產解決方案

本發明一般有關於在生產過程中通過使用光電子光譜和x射線螢光非破壞性地測量結構上的層厚度和成分來監控半導體製程的技術。

積體電路通常包括形成在矽基板上的多個層。隨著積體電路變得更小，並且包括積體電路的層的厚度減小，由這些層形成的設備的性能通常取決於特定層的厚度或成分。例如，根據電晶體閘極的厚度或成分，形成在矽基板上的電晶體可以具有不同的特性。因此，在製造期間，通過確定所製造的微電子裝置（諸如積體電路）中各層的厚度和成分來監控製程是非常有益的。

可用於確定結構中特定層的厚度和/或成分的技術包括x射線光電子光譜（XPS）和x射線螢光光譜（XRF）。XPS已經用於分析基板的表面化學，其中，通過用X射線束照射基板，同時測量動能和從基板頂層逸出的電子數，獲得光譜。類似地，XRF已用於通過對被高能X射線或γ射線轟擊而激發的材料的特徵“次級”（或螢光）X射線的發射進行取樣，來對樣本進行元素和化學分析。

對於XPS技術和XRF技術兩者，發射相當微弱，因此為了獲得足夠的信噪比以獲得有意義的資料集，收集週期相對較長。然而，在生產期間，任何需要長信號採集時間的監控元件的引入都會減慢生產，從而直接影響製造過程的效率和利潤。因此，開發減少信號採集時間但不降低結果精度的技術將是非常有益的。

包括本發明的以下發明內容，以便提供對本發明的某些方面和特徵的基本理解。該發明內容不是本發明的廣泛概述，因此，不旨在特別識別本發明的關鍵或重要元素或描繪本發明的範圍。本發明的唯一目的是以簡化的形式呈現本發明的一些概念，作為下面呈現的更詳細描述的序言。

各種揭露的實施例提供了在XPS和XRF系統中改進信號採集的方法和系統。所揭露的實施例尤其適用於在IC生產期間監控製程的一致性。這些實施例能夠研究諸如在基板上分層的薄膜的成分和厚度等特性。已經證明揭露的實施例提供了改進的分析結果，同時將標準信號採集時間減少了一半。

根據本發明的各方面，除了採集時間減少例如50%以外，XPS或XRF工具用於以常規方式收集來自晶片的發射。結果，所收集的資料集相當嘈雜，具有相對較低的信噪比。因此，所獲得的資料集不適用於製程監控的標準分析。因此，通過無監督機器學習的操作，資料集的品質得到提高。無監督機器學習的一個重要方面是其分離資料集中的可變性的能力，這些可變性有助於雜訊，但無助於識別製程中的偏移（excursion）的能力。因此，無監督機器學習用於減少由於雜訊引起的光譜可變性。

揭露的實施例提供了用於監控積體電路（IC）的半導體製程中的製程偏移的方法，包括以下步驟：照射IC，從而生成來自IC的發射；使用x射線光電子光譜（x-ray photoelectron spectroscopy，XPS）和x射線螢光光譜（XRF）中的一個收集來自IC的發射，並從發射生成對應於每單位時間的計數對動能的資料集；對資料集執行主成分分析，從而從資料集獲得主成分值；選擇與剩餘主成分相比表現出高變異量（variance）貢獻的多個主成分；從資料集中移除對應於剩餘主成分的所有值，從而獲得過濾的資料集；以及分析過濾的資料集，以確定製程偏移的存在。

根據進一步的方面，提供了一種用於增強統計程序控制的方法，包括以下步驟：獲得對應於來自樣本的光電子發射的資料集，該資料集表示從樣本發射的光電子的光譜；對資料集應用主成分分析，以獲得每個主成分的主成分變異量；檢查變異量，以選擇具有最高變異量值的N個相關主成分；從資料集中選擇屬於N個相關主成分的所有相關資料點，並且僅使用這些資料點來更新光譜；使用更新的光譜來計算光電子發射強度；在統計程序控制（SPC）圖上繪製所計算的光電子發射強度；以及檢查SPC圖，以識別製程偏移。

根據進一步的方面，提供了一種用於監控積體電路（IC）的製造過程的計量模組。該模組包括：輸入模組，接收指示來自IC（例如，來自XPS或XRF計量工具）的發射的信號；主成分分析（PCA）模組，接收信號並由此計算對應於每個主成分的變異量；PCA數選擇器，根據所計算的變異量選擇N個主成分；過濾模組，從原始XPS信號中僅選擇對應於所選擇的N個主成分的資料點；強度模組，使用所選擇的資料點來計算發射的強度值；轉換模組，將發射強度轉換為材料參數；以及顯示模組，通常以PCA圖表中的條目的形式在監控器上顯示所計算的參數。

其他方面提供了一種其上存儲有可執行程式碼的機器可讀媒體，當被執行時，可執行程式碼使機器執行用於監控半導體製造過程的方法，該方法包括：接收通過使用x射線光電子光譜（XPS）收集來自IC的發射而獲得的對應於每單位時間的光子計數對發射光子動能的資料集，並從發射生成資料集；對資料集執行主成分分析，從而從資料集獲得主成分值；選擇與剩餘主成分相比表現出高變異量貢獻的多個主成分；從資料集中移除對應於剩餘主成分的所有值，從而獲得過濾的資料集；以及分析過濾的資料集，以確定製程偏移的存在。

通過參考附圖的詳細描述揭露其他方面。

本發明的各方面的描述將參照不同的實施例進行。特定實施例的每個描述可以突出具體特徵。然而，應該理解，所描述的特徵也可以包含到其他實施例中，並且這些特徵的不同組合可以組裝，以形成進一步的實施例。

本文揭露的實施例提高了XRF和/或XPS製程監控器的操作和效率。出於本發明的目的，假設讀者完全熟悉這種監控器的構造和操作，這可以從例如申請人的美國專利10,533,961和10,801,978中收集到，為了完整起見，這些專利的揭露內容全部併入本文。

隨著半導體裝置的結構複雜性的增加，監控期間獲得的XPS或XRF信號變得“雜訊更大”。這導致信號採集時間增加，從而增大信噪比。例如，在凸起的源極和汲極（RSD）電晶體的SiGe:B製造中，一個重要的參數是所得層中硼的百分比。另一重要的參數例如是閘電極中TiN層的厚度。在製造環境中，不僅測量這些參數很重要，而且要盡可能快速有效地測量，以免降低生產速度。本文揭露的實施例已經被證明導致採集時間減半，而測量SiGe:B結構中硼百分比的精度沒有任何降低。此外，揭露的實施例被證明將測量TiN膜厚度的生產能力提高了70%。相反，當利用相同的採集時間時，實施例被證明提高了30%的精度。

圖1是使用其中形成有SiGe:B結構的晶片中的硼濃度的XPS測量獲得的資料集的曲線圖，示出了每單位時間的計數（此處為每秒計數）對倉數（bin number），其中，每個倉（bin）對應於特定的結合能級（binding energy level）（通常以eV為單位）。該資料可以用於機器訓練，並且可以例如通過在晶片上的13個位置進行標準XPS採集（例如，1.5-3分鐘的採集時間），在每個位置進行20次測量來獲得。可以看出，這些資料不容易解讀，無法確定最終產品是否符合規格，或者在製程中是否出現偏移，從而導致硼百分比的變化。根據一個實施例，已經實施了無監督機器學習過程來移除對製造過程中是否發生偏移的分析沒有貢獻的資料點。

在這種情況下，無監督機器學習方法是獨特的，因為機器未設置有標記或評分的參考資料。例如，在硼濃度的情況下，機器未設置有指示作為適當硼濃度的特徵的參數的參考資料。相反，機器需要自我發現資料集中任何自然出現的模式，並確定哪些參數對於識別與期望的製程結果的偏差（例如，與期望的硼濃度的偏差）是重要的。在下面的實施例中，使用主成分分析（PCA）來實現無監督機器學習。

圖2示出了對圖1的資料集執行的PCA的曲線圖，示出了主成分值對測量數。以這種方式，原始光譜被轉換為相互獨立或正交的光譜。然後計算資料集中每個點的主成分變異量。圖3是主成分變異量對主成分數量的對數圖。如虛線橢圓所示，有N個（此處是四個）主成分對變異量有顯著貢獻，而剩餘的主成分包含對變異量沒有實質性貢獻的資料。被稱為超參數（hyperparameter）的主成分的數量可以為機器學習預設，或者可以是在PCA過程期間自動設置的選擇演算法的一部分。

一旦識別出對變異量有意義貢獻的主成分，就應用逆PCA過程，以返回到能量空間。例如，如圖4所示，在該實施例中，重新創建圖1所示的資料集圖，但是僅使用屬於對變異量有意義貢獻的N個主成分的資料。可以看出，儘管對應於相同的資料集，但是圖4的曲線圖比圖1的曲線圖“清晰”得多。現在可以分析圖4的資料，來確定SiGe:B沉積製程的品質。

揭露的實施例的一個結果是，機器學習不依賴於長訓練週期，並且不需要重複測量，以用作參考。相反，通過執行概述的步驟，所選擇的N個主成分的資料成為參考本身。用於確定成分或膜厚度的任何標準演算法可以直接應用於重構的資料集，該資料集僅包括來自所選擇的N個主成分的資料點。事實上，已經證明，與將標準演算法應用於初始資料集相比，這種方法提高了精度。相反，已經表明採集時間可以減少，並且通過採用所揭露的過程，可以實現與標準採集時間相同的精度。可以通過減少信號採集的時間或者通過在每個位置進行更少的測量，來減少採集時間。

圖5A示出了使用全時間採集獲得的資料對使用半時間採集獲得的資料的曲線圖（在這種情況下，每個位置使用一半的重複次數）。圖5B示出了使用全時間採集獲得的資料對內插資料的曲線圖，該內插資料是使用具有來自光譜的一半數量的點的全時內插採集獲得的資料。

圖6A示出了使用在全時間（實心點）和半時間（開圓）採集的資料集計算的硼百分比的標準差。圖6B示出了使用在全時間（實心點）和過濾的半時間（開圓）（即，在半時間資料集已經減少，以去除與N個所選主成分中未選擇的主成分相對應的資料之後）獲得的資料集計算的硼百分比的標準差。可以看出，在將PCA過程應用於圖6A所示的半時間資料集之後，圖6B中的擬合更加緊密。

在生產環境中，在一個實施例中，該過程通過從經受檢查的晶片獲得XPS光譜來進行。然後，無監督機器學習過程將PCA應用於光譜資料。然後，選擇生成最高變化的N個主成分，並且對應於這N個主成分的資料用於再生光譜曲線。然後，該製程通過計算曲線下的面積來確定強度。然後，使用預定的關係將強度轉換為期望值（例如，硼濃度、TiN厚度等），即，強度值與所被檢測的材料屬性相關。例如，層中不同的硼濃度將導致不同的發射強度。可以在統計程序控制（SPC）圖中繪製強度或對應的材料屬性值，以便監控製造過程。

圖7示出了從三種不同的XPS工具獲得的硼百分比的SPC圖，其中，黑點表示使用在全時間採集中獲取的資料計算的硼濃度，而圓圈表示使用本文描述的實施例使用增強的半時間資料計算的硼濃度。可以看出，資料具有良好的一致性，表明該過程在允許的變異量範圍內。

因此，所揭露的方面通過執行圖8中概述的過程實現了增強的統計程序控制。圖8的過程開始於步驟800，從樣本獲得對應於光電子發射的資料集。該資料集表示從樣本發射的光電子的光譜。在步驟805，該過程繼續，對資料集應用主成分分析，以獲得每個主成分的主成分變異量。在810，檢查變異量，以選擇具有最高變異量值的N個相關主成分。這可以通過以下降或上升次序繪製所有變異量並檢測轉折點（inflection point）來完成。具有高於轉折點的值的所有變異量被認為屬於相關主成分，並被選擇作為N個主成分的組的一部分。在步驟815，該過程繼續，返回到能量空間。這是通過從資料集中選擇屬於N個相關主成分的所有相關資料點並僅使用這些資料點來重新繪製光譜來完成的。在步驟820，使用更新的重新繪製光譜來計算光電子發射強度，即，僅使用相關資料點來執行計算。在步驟825，通過已知的關係將計算的光電子發射強度轉換為層屬性。例如，硼百分比或TiN厚度與發射強度相關，並且這種已知的關係用於將強度轉換為材料屬性。在步驟830，在統計程序控制（SPC）圖上繪製材料屬性。最後，在步驟835，檢查SPC圖，以識別製程偏移。

圖9是用於監控積體電路（IC）的製造過程的計量模組的框圖。如圖所示，該模組包括輸入模組900，該輸入模組接收指示從IC（例如，從XPS計量工具）發射的光電子的信號。在這方面，整個計量模組可以集成在XPS或XRF計量工具中，例如，被實現為軟體、硬體或軟體和硬體兩者的組合，或者可以被實現為計量工具的控制器的一部分，諸如通用電腦或特別定制的電腦。

輸入模組900將信號傳送至主成分分析（PCA）模組905。PCA模組905接收該信號，並由此計算對應於每個主成分的變異量。PCA數選擇器模組910然後根據所計算的變異量選擇N個主成分。過濾模組915從原始XPS信號中僅選擇對應於所選擇的N個主成分的資料點。強度模組920然後使用所選擇的資料點來計算光電子發射的強度值，即，計算所選擇的資料點的繪圖的曲線下的面積。轉換模組925應用已知的關係將所計算的強度轉換為材料屬性值（例如，濃度百分比或層厚度）。然後，顯示模組930在監控器上通常以PCA圖表中的條目的形式顯示材料屬性值。

因此，提供了一種用於監控積體電路（IC）的半導體製程中的製程偏移的方法，包括以下步驟：照射IC，從而生成來自IC的發射；使用x射線光電子光譜（XPS）和x射線螢光光譜（XRF）中的一個收集來自IC的發射，並從發射生成對應於每單位時間的光子計數對發射光子的動能的資料集；對資料集執行主成分分析，從而從資料集獲得主成分值；選擇與剩餘主成分相比表現出高變異量貢獻的N個主成分；從資料集中移除對應於剩餘主成分的所有值，從而獲得過濾的資料集；以及分析過濾的資料集，以確定製程偏移的存在。數量N可以是預設的，或者選擇N個主成分可以包括計算每個主成分的變異量，並繪製該變異量與對應主成分，以識別轉折點；並且將N設置為對應於與轉折點具有較高變異量的主成分的數量。分析過濾的資料集可以包括從過濾的資料集計算發射強度，將發射強度轉換為材料屬性值，並在統計程序控制圖上繪製材料屬性值。

此外，啟用了用於監控積體電路（IC）的製造過程的計量模組，該模組包括：輸入模組，接收指示從IC發射的光電子的信號；主成分分析（PCA）模組，接收信號並由此計算對應於每個主成分的變異量；PCA數選擇器，根據所計算的變異量選擇N個主成分；過濾模組，從對應於N個主成分的信號資料點中進行選擇；強度模組，從過濾模組的輸出計算發射強度；轉換模組，將發射強度轉換為材料屬性值；以及顯示模組，繪製材料屬性值。輸入埠可以耦接到x射線光電子光譜（XPS）的感測器或x射線螢光光譜（XRF）的感測器。該信號可以對應於樣本的厚度或化學成分。

此外，提供了一種其上存儲有可執行程式碼的機器可讀媒體，當被執行時，可執行程式碼使機器執行用於確定樣本的製造層的屬性中的異常的方法，該方法包括：使用x射線光電子光譜（XPS）和x射線螢光光譜（XRF）中的一個從樣本收集光電子發射，並從發射生成對應於每單位時間的光電子計數對發射光電子的動能的資料集；對資料集執行主成分分析，從而從資料集獲得主成分值；選擇與剩餘主成分相比表現出高變異量貢獻的多個主成分；從資料集中移除對應於剩餘主成分的所有值，從而獲得過濾的資料集；以及分析過濾的資料集，以確定製程偏移的存在。分析過濾的資料集可以包括使用過濾的資料集計算光電子發射的總強度，將強度轉換為材料屬性值，並在SPC圖上繪製材料屬性值。

應當理解，本文描述的過程和技術並非固有地與任何特定裝置相關，並且可以通過任何合適的元件組合來實現。此外，根據本文描述的教導，可以使用各種類型的通用設備。構造專門的裝置來執行本文描述的方法步驟也被證明是有利的。

已針對特定示例描述了本發明，這些示例旨在在各方面是說明性的而非限制性的。本領域技術人員將理解，硬體、軟體和固件的許多不同組合將適合於實施本發明。此外，考慮到本文揭露的本發明的說明書和實踐，本發明的其他實施方式對於本領域技術人員來說將是顯而易見的。說明書和示例旨在僅被認為是示例性的，本發明的真實範圍和精神由所附申請專利範圍指出。

800、805、810、815、820、825、830、835:步驟 900:輸入模組 905:PCA模組 910:PCA數選擇器模組 915:過濾模組 920:強度模組 925:轉換模組 930:顯示模組

包含在說明書中並構成說明書的一部分的附圖舉例說明了本發明的實施例，並與描述一起用於解釋和說明本發明的原理。附圖旨在以圖解的方式說明示例性實施例的主要特徵。附圖不旨在描繪實際實施例的每個特徵，也不描繪所描繪的元件的相對尺寸，並且沒有按比例繪製。

本發明的一個或多個實施例通過示例方式進行說明，但不限於附圖中的圖，其中，相同的附圖標記表示相似的元件，其中：

圖1是根據揭露的實施例的使用XPS測量獲得的資料集的曲線圖；

圖2示出了根據一個實施例的對圖1的資料集執行的主成分分析（PCA）的曲線圖；

圖3是根據一個實施例的圖2的曲線圖的主成分變異量對主成分數量的對數圖；

圖4示出了根據揭露的實施例的通過將PCA應用於XPS測量而獲得的過濾的資料集的曲線圖；

圖5A示出了根據揭露的實施例的使用全時間採集獲得的資料對使用半時間採集獲得的資料的曲線圖，而圖5B示出了根據揭露的實施例的使用全時間採集獲得的資料對內插資料的曲線圖，該內插資料是通過內插一半全時間資料點計算的資料；

圖6A示出了根據揭露的實施例的從全時間（實心點）和半時間（圓圈）採集的資料集計算的硼百分比的晶片內標準差，而圖6B示出了據揭露的實施例的從全時間（實心點）採集的資料集和過濾的半時間資料集（開圓）（即，在半時間資料集已經減少，以去除與N個所選主成分中未選擇的主成分相對應的資料之後）計算的硼百分比的標準差；

圖7示出了三種不同的XPS工具的SPC圖，其中，黑點表示從全時間採集資料計算的晶片內平均硼百分比，而圓圈表示使用本文描述的實施例從增強的半時間資料計算的晶片內平均硼百分比；

圖8是根據一個實施例的執行增強的統計程序控制的方法的流程圖；

圖9是根據一個實施例的用於監控積體電路的製造過程的計量模組的框圖。

800、805、810、815、820、825、830、835:步驟

Claims (20)

1. 一種電腦化方法，用於監控一積體電路（IC）的半導體製程中的製程偏移，包括以下步驟： 照射所述IC，從而生成來自所述IC的發射； 使用x射線光電子光譜（XPS）和x射線螢光光譜（XRF）中的一個收集來自所述IC的發射，並從所述發射生成對應於每單位時間的計數對動能的資料集； 對所述資料集執行主成分分析，從而從所述資料集獲得主成分值； 選擇與剩餘主成分相比表現出高變異量貢獻的多個主成分； 從所述資料集中移除對應於所述剩餘主成分的所有值，從而獲得過濾的資料集；以及 分析所述過濾的資料集，以確定製程偏移的存在。
2. 根據請求項1所述的方法，其中，執行主成分分析還包括計算所述資料集中的每個主成分值的主成分變異量。
3. 根據請求項2所述的方法，其中，選擇多個主成分包括以下降或上升次序繪製所計算的主成分變異量，並檢測轉折點和選擇具有高於所述轉折點的值的所有主成分變異量。
4. 根據請求項2所述的方法，其中，獲得所述過濾的資料集還包括從對應於每單位時間的計數對動能的發射值中選擇僅屬於對所述變異量有意義貢獻的N個主成分的資料。
5. 根據請求項4所述的方法，還包括繪製所述過濾的資料集的光譜曲線，並通過計算所述光譜曲線下的面積來確定發射強度。
6. 根據請求項5所述的方法，還包括將所述發射強度轉換為所述IC的材料屬性值。
7. 根據請求項6所述的方法，還包括在統計程序控制圖中繪製所述材料屬性值。
8. 根據請求項7所述的方法，其中，所述材料屬性值包括材料濃度（material concentration）和厚度中的一個。
9. 一種用於監控積體電路（IC）的製造過程的計量模組，所述計量模組包括： 輸入模組，接收指示來自所述IC的發射的信號； 主成分分析（PCA）模組，接收所述信號並由此計算對應於每個主成分的變異量； PCA數選擇器，根據所計算的變異量選擇N個主成分； 過濾模組，從對應於所述N個主成分的信號資料點中進行選擇； 強度模組，從所述過濾模組的輸出計算發射強度； 轉換模組，將所述發射強度轉換為材料屬性值；以及 顯示模組，繪製所述材料屬性值。
10. 根據請求項9所述的計量模組，其中，所述信號包括x射線光電子光譜（XPS）信號和x射線螢光光譜（XRF）信號中的一個。
11. 根據請求項9所述的計量模組，其中，所述輸入模組耦接到x射線光電子光譜（XPS）感測器或x射線螢光光譜（XRF）感測器。
12. 根據請求項9所述的計量模組，其中，所述PCA數選擇器以下降或上升次序繪製主成分變異量，以確定轉折點，並選擇具有高於所述轉折點的值的所有主成分變異量。
13. 根據請求項9所述的計量模組，其中，所述強度模組繪製由所述過濾模組選擇的資料點的光譜曲線，並通過計算所述光譜曲線下的面積來確定發射強度。
14. 根據請求項9所述的計量模組，其中，所述轉換模組將所述發射強度轉換為材料濃度和層厚度中的一個。
15. 一種其上存儲有可執行程式碼的機器可讀媒體，當被執行時，所述可執行程式碼使機器執行用於確定樣本的製造層的屬性中的異常的程序，所述程序包括： 從所述樣本收集光電子發射，並從所述發射生成對應於每單位時間的光電子計數對發射光電子的動能的資料集； 對所述資料集執行主成分分析，從而從所述資料集獲得主成分值； 獲得N個主成分； 從所述資料集中移除不屬於所述N個主成分的所有值，從而獲得過濾的資料集；以及 分析所述過濾的資料集，以確定製程偏移的存在。
16. 根據請求項15所述的機器可讀媒體，其中，收集光電子發射包括使用x射線光電子光譜（XPS）和x射線螢光光譜（XRF）中的一個。
17. 根據請求項15所述的機器可讀媒體，其中，所述程序還包括計算所述資料集中的每個主成分值的主成分變異量。
18. 根據請求項15所述的機器可讀媒體，其中，獲得N個主成分包括選擇與剩餘主成分相比表現出高變異量貢獻的主成分。
19. 根據請求項15所述的機器可讀媒體，其中，獲得N個主成分包括選擇預設數量N。
20. 根據請求項15所述的機器可讀媒體，其中，分析所述過濾的資料集包括使用所述過濾的資料集計算光電子發射的總強度，將所述強度轉換為材料屬性值，並在統計程序控制圖上繪製所述材料屬性值。