TWI534855B - 藉由連結具有工具操作參數之光譜資訊及材料測量資訊及改進工具表現 - Google Patents

藉由連結具有工具操作參數之光譜資訊及材料測量資訊及改進工具表現 Download PDF

Info

Publication number
TWI534855B
TWI534855B TW101101891A TW101101891A TWI534855B TW I534855 B TWI534855 B TW I534855B TW 101101891 A TW101101891 A TW 101101891A TW 101101891 A TW101101891 A TW 101101891A TW I534855 B TWI534855 B TW I534855B
Authority
TW
Taiwan
Prior art keywords
information
tool
field
wafer
spectral intensity
Prior art date
Application number
TW101101891A
Other languages
English (en)
Other versions
TW201246266A (en
Inventor
沙尹夫 卡奇爾
蘇克奇 珍巴哈尹 巴特爾
杉島健治
Original Assignee
東京威力科創股份有限公司
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 東京威力科創股份有限公司 filed Critical 東京威力科創股份有限公司
Publication of TW201246266A publication Critical patent/TW201246266A/zh
Application granted granted Critical
Publication of TWI534855B publication Critical patent/TWI534855B/zh

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32917—Plasma diagnostics
    • H01J37/32926—Software, data control or modelling
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L2924/00—Indexing scheme for arrangements or methods for connecting or disconnecting semiconductor or solid-state bodies as covered by H01L24/00
    • H01L2924/0001—Technical content checked by a classifier
    • H01L2924/0002—Not covered by any one of groups H01L24/00, H01L24/00 and H01L2224/00
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Plasma & Fusion (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Drying Of Semiconductors (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Chemical Vapour Deposition (AREA)

Description

藉由連結具有工具操作參數之光譜資訊及材料測量資訊及改進工具表現
本發明係關於合併有關半導體製造過程之不同的資訊以及以合併後的資訊獨立地獲知工具表現改進。
電子與計算裝置的持續技術發展驅動半導體技術的前進。此外，消費者對於更小、更優效能及更有效率的計算和電子裝置的需求益增已導致半導體裝置的縮小。此外，為了滿足裝置需求同時控制成本，讓半導體裝置形成於其上的矽晶圓之尺寸會增加。
用大晶圓尺寸工作的製造工廠係利用自動化來實施和控制晶圓處理。這樣的工廠可以是資本密集的，且因此希望維持高效率的製造設備之操作以最小化停工時間並最大化良率。為求促進這些目標，測量設備能在晶圓處理期間用來監視製造設備並對設備及所處理之晶圓獲取測量資訊。測量資訊可被分析以最佳化製造設備。
根據範例，測量資訊能包含工具程度資訊(tool level information)，其指示製造設備或其一部分的狀態或條件、指明正在處理之晶圓之實體及/或幾何條件的晶圓量測資訊、電子文字資訊等等。此外，光譜資料(例如，光譜線強度資訊)能藉由製程工程師而被聚集以促進識別蝕刻端點。然而，在傳統的製造環境中，為了不同目的，係彼此獨立處理各種測量資料。因此，各種測量資料之間的關係並不利於進一步最佳化製造過程。以上所述之現今半導體 製造測量和最佳化系統係僅意圖用來提供概觀傳統系統之某些問題，而非意圖徹底詳述。傳統系統的其他問題以及在此描述之各種非限制實施例的對應益處可能變成下列描述的進一步明顯審視。
在此提供簡化的發明內容以幫助對配合圖式有更詳細描述之例示、非限制性實施例有基本或一般的了解。然而，此發明內容並非意圖作為廣大或詳盡的概述。相反地，此發明內容的目的是要以簡化形式提出與某些例示、非限制性實施例有關的某些概念作為以下各種實施例的實施方式的前言。
在一個實施例中，能取得與半導體生產工具有關的光譜資料(例如光譜線強度)、感應器資料和材料測量資料並統一成資料結構(例如矩陣)。根據範例，感應器資料能包含表現計數器測量，例如(但不限於)自從上次濕清潔後的經過時間和一個或多個部件的年齡(例如聚焦環的年齡、CEL的年齡等)等等。資料結構能被用作為用於學習引擎的訓練資料，其組構成就資料結構之其它欄位而言產生感興趣之欄位的表達式。例如，就腔室壓力、給定波長(例如光譜線)之強度、關鍵尺寸測量等等而言，能表達在晶圓上之給定位置處的蝕刻偏差。
在另一實施例中，表達式能有利於調整或最佳化半導體生產工具的表現。例如，基於表達式、工具之可組構參數的操作範圍和輸出的目標值，能識別可組構參數的值以 達到該目標輸出。可根據該值調整半導體生產工具。
在又一實施例中，學習引擎能有利於識別具有高表現(例如高良率)之第一半導體生產工具的影響特性，其中影響特性操作成將第一半導體生產工具與其他半導體生產工具或第一半導體生產工具之表現不佳的腔室區別開來。狀態欄位能被併入資料結構，而學習引擎能基於資料結構中的其它欄位而產生用於狀態欄位之值的表達式。從該表達式，能識別出影響特性，例如該表達式中的變數。
在另一實施例中，蝕刻步驟中之端點偵測能利用在此描述之機制。例如，能識別出波長(例如光譜線)，其係端點條件的良好預測。引入一狀態欄位，其指示所處理之晶圓為良好晶圓(例如，可接受的)或不良晶圓(例如，不可接受的)。學習引擎能基於被識別為良好預測的波長而產生狀態的表達式。半導體生產工具(例如，蝕刻工具)能在晶圓處理期間傳送實時資訊給表達式，並且在表達式預測狀態指示為良好晶圓時停止蝕刻。
以下將更詳細描述這些和其它實施例。
概觀
如在先前技術中所述，能從半導體製造工具聚集各種資訊，這些工具也指製造設備、製造機器、半導體製程設備、半導體生產設備、工具或其它從前述所衍伸而來的相似用詞。此種資訊能包含工具操作資料(例如，感應器監視及/或與工具整合的資料)、裝置測量資料(例如，晶圓之實 體和幾何特性)和光譜資料(例如，由於在工具內之各種氣體化合物的濃度之波長與光譜線的強度)。傳統上，個別類型的資訊係被獨立分析而用於不同的目的。因此，不同類型的資訊之間的有趣的關係式(relationship)仍然未受到注意。
經由整合或統一各種類型的資訊，此種關係式能有利於達到最佳工具表現、改進工具控制以及更為了解良好生產工具或工具組件的條件。不同資訊的統一和分析使得難以測量或不常測量的特徵被準確地預測或從更容易取得的度量指標推斷出來。舉例而言，例如，但不限於，顯影檢視關鍵尺寸(develop inspection critical dimension；DI-CD)、最終檢視關鍵尺寸(final inspection critical dimension；FI-CD)、層厚度、蝕刻偏差(etch bias)等等之晶圓測量係通常在處理之前或處理之後進行。因此，晶圓測量的原地值(in-situ value)在處理期間通常無法得到。然而，資訊的整合和經由整合所獲得的關係式能在晶圓處理期間讓此種晶圓測量以可立即原地獲得的數量來表示。例如，此種晶圓測量能以光譜強度資訊及/或工具操作資料表示，其能即時監視。
在各種非限制的實施例中，半導體生產設備能提供一學習引擎(learning engine)，其聚集不同類型之資訊，例如，操作資訊、測量資訊、光譜資訊等，並且針對聚集資訊之給定之欄位(field)、縱列(column)或變數產生至少一個表達式(expression)，該聚集資訊針對該聚集資訊的其 它欄位描述給定欄位的值。例如，用於蝕刻偏差的表達式能就工具之腔室內的氣體壓力、一個或多個光譜線的強度、晶圓處理所經過的時間、各種處理前或處理後之晶圓測量等而產生。所產生的一個或多個表達式能促進晶圓處理的模型化而預測針對可組構參數(例如，氣流、腔室壓力、上部射頻(RF)功率等)之給定修改的可能結果。
根據另外的實施例，所產生之一個或多個表達式能用以選擇可組構參數的值以達到輸出目標。例如，能選擇參數值以達到可接受限制內的蝕刻偏差。在另一實施例中，能產生預測是給定工具或工具內之腔室提供高良率表現的表達式。此種表達式能促進識別工具或腔室的條件，這些條件是良率表現的良好指標。此外，表達式能被產生而識別何時產生良好晶圓或在晶圓上達到良好蝕刻。此種表達式能配合即時資料使用以控制例如蝕刻過程。
在此，已在以上提出經由不同資訊的鏈接用於改進半導體生產設備之表現的某些實施例的概觀。作為接下來敘述的準則，係更詳細描述各種例示、非限制性的實施例和特徵以用於自動獲得關係式並以該關係式改進工具表現。然後，給定某些非限制性的實作和範例用於額外說明，接著是能實作此等實施例或特徵的代表性網路和計算環境。
經由光譜資訊、感應器資訊和測量資訊的整合而了解半導體生產設備表現
如上所述，在各種實施例中，半導體生產工具能使用學習引擎來將不同類型的資訊統一成訓練資料的單一矩 陣。基於訓練資料的矩陣，學習引擎能自動地產生至少一個關係式，其就矩陣所包含的其它參數而言表達出矩陣的參數。至少一個關係式能提供「若是？(what-if？)」分析、設備微調或組構、條件影響良率表現之識別、蝕刻端點偵測等等。
在特定、非限制性範例中，半導體生產工具可以是蝕刻系統，其組構成生產和控制來自電漿的高能量離子以從晶圓移除材料。蝕刻工具可包含複數個電漿腔室獨立地處理不同的晶圓。在腔室內，高反應性電漿氣體與晶圓作用以移除薄膜(例如，材料層)，其中光阻圖案讓薄膜保持暴露。在蝕刻系統中，光譜學或其它相似技術(例如，光學發射光譜學(OES)、傅立葉轉換紅外線光譜學(FTIR)、雷射感應螢光(LIF)等等)能被用來偵測腔室內之氣體化合物以及決定不同化合物的相對濃度。通常，光譜學包含偵測從電子轉移所發射的光，該電子轉移發生在腔室內之氣體化合物原子或分子之內。一般而言，不同的化合物在不同組的波長或光譜線發射光。因此，偵測到的特定組的光譜線能操作為用以識別特定化合物的指紋。此外，與光譜線相關聯的強度能指示化合物的相對濃度。
在傳統製造過程中，如上所述，光譜資料能被製程工程師讀取以識別及定義蝕刻的端點條件。蝕刻的小心控制導致在晶圓上良好形成的特徵，並因此導致每個晶圓有較高的良率。對於用以在材料中形成凹處的蝕刻而言，凹處之深度能經由蝕刻時間和已知的蝕刻速率而受到控制。某 些蝕刻底切(undercut)遮罩層並在下方材料中形成具有斜側壁的凹處。底切之距離係指蝕刻偏差或僅僅是偏差(bias)。在傳統製造過程中，製程工程師讀取光譜資料以識別良好端點，用於目的為蝕刻一具有想要的關鍵尺寸之特徵的蝕刻，同時盡可能地減少偏差。
根據實施例，光譜資料能與不同類型的資料鏈結，例如感應器資料(例如，腔室壓力、氣體流、上部RF功率、經過時間等)以及晶圓測量(例如，DI-CD、FI-CD、偏差、厚度等)。一旦鏈結，腔室內之光譜強度能促進識別及預測能改進工具表現之有利條件。雖然在此討論之態樣是相對於蝕刻系統，但應了解到蝕刻系統是例示實施例，用以幫助說明及敘述各種實施例。此外，將了解到，在此描述之技術能使用除了蝕刻系統之外的其它類型的半導體生產設備。例如，可用在此之一個或多個實施例改進設備，例如(但不限於)熱處理設備、塗布機/顯影器、表面準備系統、沉積系統、晶圓探測系統、材料修改或摻雜系統等。
關於用以將不同訊息聚集成資料結構並利用該資料結構增加如上所述之工具效率和表現的一個或多個非限制性方式，第1圖顯示用於在與半導體生產工具有關之不同資訊間獲得關係式之說明例示、非限制性實施例的流程圖。在100時，關於半導體生產工具之操作和表現的不同資訊被統一成資料結構。該資料結構可以是併入光譜強度資訊、工具操作資訊和晶圓測量資訊的矩陣。光譜強度資訊能包含藉由光譜儀或其它相似的測量裝置所偵測到在特 定波長或光譜線之光的強度。工具操作資訊能包含氣體流、腔室壓力、上部RF功率、經過時間、RF小時(RF-Hours)、工具部件的老化(例如，聚焦環、CEL、MFC)等，如與半導體生產工具耦合之感應器所測量者。另外，晶圓測量資訊能包含在晶圓處理步驟之前及/或之後由晶圓量測裝置獲得之DI-CD、FI-CD、偏差、厚度等。
翻到第2圖，說明的是例示、非限制性資料結構200，其併入光譜強度資訊、工具操作資訊和晶圓測量資訊。如第2圖所示，資料結構200能包含指明用於處理單元之識別(ID)標籤的欄位210。在第2圖之範例中，處理單元為晶圓。因此，欄位210包含晶圓ID。在實施例中，資料結構200能包含對應於K晶圓之資訊，其中K是大於或等於1的整數。資料結構200之欄位220包含例如時間之工具操作資訊，其報告在製程中所經過的秒數。在實施例中，製程能被分割成不同的步驟，使得工具操作資訊能包含額外的欄位，例如步驟ID(未圖示)，這些額外的欄位指示其它欄位相關的製程步驟。除了與半導體生產工具實作之製程相關聯之製程時間及/或製程步驟之外，欄位220能包含例如腔室壓力、氣體流、上部RF功率等的感應器測量。如第2圖所示，欄位220之壓力欄位能包含以晶圓ID欄位標註的特定晶圓上之對應於製程之特定時間增量之有區別的壓力測量(例如P1,P2,P3…)。
資料結構200之欄位230包含光譜強度資訊。光譜強度資訊包含光之N個波長的強度值，其中N是大於或等於 1的整數。相似於上述的感應器測量，就給定波長而言(例如波長1(λ1))，欄位230能包含以晶圓ID欄位標註的特定晶圓上之對應於製程之特定時間增量之強度測量(例如I11,I21,I31…)。
為了說明在不同工具、工具腔室等之光譜線之強度的典型測量誤差，能夠歸一化(normalize)所測量的強度。翻到第3圖，說明例示、非限制性實施例的流程圖，用於在統一成訓練矩陣之前歸一化光譜資料。在300時，獲得測量到的光譜強度資訊。在302時，基於參考而決定總強度。例如，針對某些隨意選擇的參考工具或腔室而能夠計算總強度。根據一實施例，總強度係藉由計算在一波長範圍之光譜的積分(integral)而決定。例如，給定一波長範圍為從200奈米(nm)至800奈米且具有0.5奈米解析度(resolution)的光譜，則積分被計算為光譜強度值之和乘以0.5。在304時，所測量到的光譜強度資訊係以總強度歸一化。例如，歸一化的強度值相當於測量到的強度值除以總強度。應了解到，也可使用其它的歸一化技術。例如，可藉由針對各腔室之該強度之最高測量大小峰值的波長處劃分給定組的強度測量而完成歸一化的光譜強度。
如第2圖進一步所示，資料結構200包含在欄位240中的晶圓測量資訊。雖然僅有FI-CD測量顯示在欄位240，但應了解到，欄位240能包含其它晶圓測量，例如偏差測量、DI-CD測量、厚度測量等。晶圓測量(例如FI-CD)能在晶圓上之多個地點獲得。因此，括號內所含之數字指示晶 圓之區域。如第2圖所示，能在晶圓之M區域進行測量，其中M為大於或等於1的整數。晶圓測量係在晶圓處理之前或晶圓處理之後獲得。因此，針對給定的製程步驟，晶圓測量是相同的。例如，假設t1、t2和t3相當於晶圓ID 1上之相同的製程步驟內的時間瞬間，則在時間瞬間t1、t2和t3於區域1的FI-CD測量為相同。
如第2圖所示，總操作資訊、光譜強度資訊和晶圓測量資訊在晶圓ID、製程時間及/或製程步驟方面能被統一或聚集。例如，不同的資訊能按照晶圓以時間或步驟排列。因此，形成鏈結以使得各種關係式如下所述被取得。
翻到第1圖，在102時，資料結構(例如，資料結構200)的至少一個欄位係被選擇為區別輸出。例如，至少一個欄位可以是對應於特定區域、區域之子集或所有區域的偏差欄位。在104時，自動產生至少一個關係式，其中該關係式相當於至少一個欄位且就資料結構之其它欄位而言表達該至少一個欄位。在實施例中，該至少一個欄位(例如，區別輸出)除了被使用者(例如，工具操作者、製程工程師等)選擇外，能被代理者(例如，軟體工具)選擇。
資料結構能被用作為訓練資料矩陣。就所選之欄位而言，至少一個關係式能經由基因演算法而得到。然而，應了解到，能實施其它類型的得到。舉例來說，能以線性近似法(linear approxiamation)、多重線性近似法、多項式曲線擬合(polynomial curve fitting)、神經網路(neural network)等等決定該至少一個關係式。
在特定、非限制性範例中，至少一個關係式能包含在晶圓上之區域1用於蝕刻偏差的表達式。表達式可以下列表示：偏差 1=f(壓力,…,I(λ1),…DI-CD(1))
其中壓力是工具之腔室壓力，I(260)是相當於波長為λ1的光譜強度，而DI-CD(1)是在區域1的DI-CD測量。雖然前述表達式僅描述一個感應器變數、一個強度變數和一個測量變數，但應了解到，所得到之用於偏差1的表達式能包含以橢圓在表達式中說明之任何數目的感應器變數、強度變數和測量變數。
關係式(例如上述之表達式)之得到能自動發生，無須人為介入，使得就相關之感應器變數、相關之光譜強度變數和相關之測量變數而言，在實質上每個測量點處得到關係式之表達式。根據另一個非限制性範例，光譜線強度通常是由於在工具腔室中不同氣體有不同比例的結果。因此，在一波長處的特定光譜強度可以是在腔室內之一種氣體或腔室內之許多種不同氣體所造成之結果。因此，所產生之至少一個關係式可以在一波長處之光譜強度與各種氣體流之間映射(ma.pping)，其中該映射的形式可為下列：I(λ1)=g(氣體(1),氣體(2),…氣體(n))
其中λ1表示光譜強度I所在的波長，而氣體(n)是氣體流，例如就氣體n而言為每分鐘標準立方公分(sccm)，其中n是大於或等於1的整數。
晶圓屬性(例如，晶圓測量和晶圓強度)所得到之關係 式能洞察半導體生產工具或半導體生產工具之腔室的行為。此外，能利用此關係式執行「若是？」形式的分析。例如，能立即回答各種問題，例如「當氣體流1(例如，氣體(1))增加1%時，I(λ1)會如何？」、「當氣體(1)增加1%時，偏差(1)、偏差(2)…偏差(M)會如何？」、「當壓力增加2%時，FI-CD(1)會如何？」、「當上部RF功率增加50瓦特時，I(λ1)會如何？」等等。
第4圖顯示說明一種例示、非限制性系統400的方塊圖，該系統聚集與半導體生產工具有關的不同資訊並且決定其中的關係式。如第4圖所示，工具410(亦指製造機器、半導體生產工具、半導體生產設備等)能接收輸入晶圓402並輸出處理後之晶圓404。在例示、非限制性實施例中，工具410可以是經由蝕刻製程(例如，濕蝕刻、乾蝕刻、電漿蝕刻等)從輸入晶圓402移除未遮罩材料的蝕刻工具，以便產生具有形成於其上之凹處和特徵的處理後之晶圓404。
各種測量裝置(例如，光譜儀420、工具感應器430和裝置測量設備440)能監視由工具410執行的製程，用以取得與製程之各種態樣、條件或結果相關的不同資訊。作為範例，光譜儀420能取得光譜強度資訊422，其包含能用於由光譜儀420觀察的各波長或光譜線之一組強度。光譜強度資訊422能夠是時間序列資料，使得光譜儀420在規則的區間(例如，每秒、每兩秒、每一百毫秒等)測量各波長的強度。光譜儀420也能使光譜強度資訊422與由工具410處理之特定晶圓相關聯之晶圓ID相互關聯。因此，光 譜儀420能個別針對由工具410處理之一組晶圓中的各晶圓取得光譜強度資訊422。
工具感應器430能監視和測量工具操作特性，同時工具410處理晶圓402並產生對應的感應器資訊432。感應器資訊432(相似於光譜強度資訊422)可以是在每一晶圓基礎上相互關聯的時間序列資料。感應器資訊432能包含來自各種感應器的測量。此種測量包含工具410之一個或多個腔室內的壓力、一種或多種不同氣體的氣體流、溫度、上部RF功率、自從上次濕清潔後的經過時間、工具部件的年齡等等。
裝置測量設備440能測量晶圓及/或晶圓上所製造的特徵的物理和幾何性質。例如，裝置測量設備440能在預定地點或晶圓區域測量DI-CD、FI-CD、蝕刻偏差、厚度等等。測量到的性質能在每一地點、每一晶圓的基礎上被聚集作為裝置測量資訊442。晶圓的性質通常在處理前或處理後測量。因此，裝置測量資訊442相較於光譜強度資訊422和感應器資訊432是在不同區間取得的時間序列資料。
如第4圖所示，光譜強度資訊422、感應器資訊432和裝置測量資訊442能被輸入到學習引擎450，該學習引擎450組構成能將不同資訊統一成統一的矩陣，例如上面參考第2圖所描述的資料結構。參數選擇452也輸入到學習引擎450，其指明統一矩陣的變數、參數或欄位。由於統一矩陣是光譜強度資訊422、感應器資訊432和裝置測量資訊442的整合，所以參數選擇452也作用成從光譜強 度資訊422、感應器資訊432或裝置測量資訊442之其中一者選擇欄位、變數或參數。學習引擎450係進一步組構成得到由參數選擇452所指明的欄位、變數或參數與在每個測量點之統一矩陣中的其它欄位之間的關係式。在實施例中，學習引擎450產生傳達所得到之關係式的至少一個表達式454。根據非限制性範例，學習引擎450實施基因演算法以獲得關係式和表達式454。然而，應了解到，學習引擎450能使用其他學習技術。
此外，學習引擎450能接受多個參數選擇452分別作為輸入和輸出的多個表達式。舉例而言，參數選擇452能指示晶圓之所有地點的所有偏差欄位的選擇。參數選擇452能源自代理者(例如，軟體使用或應用程式)或使用者(例如，工具操作者、製程工程師等)。回應於參數選擇452的輸入，學習引擎450就統一矩陣的其它欄位方面在每個地點輸出代表偏差的個別表達式454。
再者，雖然第4圖描繪光譜儀420、工具感應器430、裝置測量設備440和學習引擎450作為與工具410不同且分開的組件，但應了解到此種組構是設置用於說明而非限制。例如，用於系統400之另一合適組構整合工具410內之各種組件以提供能自我監視、自我學習和自我調整之多功能半導體生產工具。
以不同製程資訊之間得到的關係式最佳化半導體生產設備表現
如上所述，與半導體生產設備有關的光譜資訊、感應 器資訊和測量資訊能被統一成統一資料結構，以促進產生所得到之描述不同資訊之間的關係式的表達式。此外，為了能了解半導體生產設備之行為和表現，所得到之表達式能自動最佳化、組構或調整設備。因此，第5圖說明用於生產一種配方之例示、非限制性實施例的流程圖，包含基於所得到之來自聚集資訊的表達式而識別到的最佳化參數。在500時，獲得各種資訊。資訊能包含就不同資訊而言而描述晶圓輸出特性之一組表達式、就氣體流而言特徵在特定波長處之光譜線強度的一組光譜強度表達式、提供半導體生產工具之可組構參數之範圍和解析度的一組可控制參數表達式以及一組目標值。
經由非限制性範例，描述晶圓輸出特性之該組表達式能包含複數個蝕刻偏差表達式，其為其他感應器資料、晶圓特性和強度資訊的函數。舉例而言，下列表達式可被包含在該組中：
偏差 1=f 1 (壓力,…,I(λ1),…DI-CD(1))
偏差 2=f 2 (壓力,…,I(λ1),…DI-CD(1))
…
偏產 n =f n (壓力,…,I(λ1),…DI-CD(1))
其中偏差n代表在晶圓之區域n處的偏差，n係大於或等於1的整數，而fn代表表達就其它感應器資訊(例如，壓力、氣體流等)、其它光譜強度資訊(例如，I(λ1)、I(λ2)等)以及其他測量輸入(例如，在各種區域的DI-CD、在各種區域的FI-CD、在各種區域的厚度等)而言在區域n處 之偏差的函數。
就半導體產工具之腔室中的複數個不同氣體流之個別氣體流而言，該組光譜強度表達式能包含一個或多個光譜強度的表達式。此種表達式為例如下列：
I(λ1)=g1(氣體(1),氣體(2),…氣體(p))
I(λ2)=g1(氣體(1),氣體(2),…氣體(p))
…
I(λm)=g1(氣體(1),氣體(2),…氣體(p))
其中I(λm)是波長m之光譜線的強度值，其中m是以預定解析度從最小值達到最大值的波長指數(例如，波長1是200奈米、波長m是800奈米、解析度是0.5奈米)，而gm是就p氣體之氣體流而言之強度的表達式，其中p是大於或等於1的整數。
該組可控制參數表達式提供可組構參數的最小值、最大值與解析度，例如，該組可控制參數可包含下列：
壓力：最小值：80；最大值：90；解析度：1毫托(mTorr)
氣體(1)：最小值：10；最大值：12；解析度：0.1sccm
…
上部射頻功率：最小值：1400；最大值：1600；解析度：1瓦
其中最小值指的是參數的最小可組構值，最大值指的是參數的最大可組構值，而解析度指的是受半導體生產工具支持之參數的最小變動。
該組目標值指的是在該組表達式中所指明之輸出特 性的值。例如，就上述之偏差表達式而言，該組目標值能包含下列：
偏差1=40
偏差2=40
…
偏差n=40
在此範例中，雖然上述目標值相同，但應了解到能針對各個目標指明不同的值。例如，目標值的不同，使得先前處理工具所感應到的變動能被半導體生產工具補償。作為範例，其中半導體生產工具是蝕刻工具，在DI-CD線位在晶圓邊緣能夠較厚時，目標值能夠不同，因此需要較小的蝕刻偏差作為邊緣。
在502時，識別用於可控制參數的值，其中，識別到的值達到目標值。在實施例中，以上所述的表達式和目標值能被輸入反向問題求解器(inverse problem solver)，其利用模擬退火演算法(simulated annealing algorithm)來識別允許滿足目標值之可控制參數的值。應了解到，其它反向問題求解技術，能使用例如簡式演算(simplex)、梯度搜尋(gradient search)、基因演算等等，除了或替代模擬退火演算法之外。在504時，係產生一種用於半導體生產工具的配方，其中該配方包含根據可控制參數之識別值所建立的配方參數。該配方能被半導體生產工具執行以產生最佳晶圓輸出。
第6圖顯示說明例示、非限制性系統600的方塊圖， 其選擇達到目標輸出值之可組構參數的值。如第6圖所示，工具610(亦稱為製造機器、半導體生產工具、半導體生產設備等)能接收輸入晶圓602與輸出處理後的晶圓604。在例示、非限制性實施例中，工具610可以是經由蝕刻製程(例如濕蝕刻、乾蝕刻、電漿蝕刻)從輸入晶圓602移除未遮罩材料的蝕刻工具，以便產生具有形成於其上之凹處和特徵的處理後之晶圓604。
根據實施例，系統600能包含調整引擎620，其接受得到的表達式622作為輸入。得到的表達式可以是藉由學習引擎(例如第4圖所描述之學習引擎450)所產生而得到之關係式。調整引擎620也獲得可控制參數624和目標值626作為輸入。在範例中，調整引擎620基於得到的表達式622實施反向問題求解技術以識別可控制參數624的適合值，其達到目標值626。識別值能被收集和輸出作為配方628、可儲存在配方儲存630中以及可被工具610使用以組構其本身用於最佳表現。
識別半導體生產工具之影響良好良率腔室的重要條件
如上所述，從整合光譜資訊、感應器資訊和測量資訊產生而得到的表達式促進識別半導體生產工具的最佳組構。然而，在某些情況中可能出現相反情形。例如，就一組半導體生產工具或具有多個處理腔室之給定之半導體生產工具而言，能觀察到一個或多個工具或腔室一貫地勝過其他工具或腔室。識別影響特定腔室能力而勝過其他腔室的條件能使能力不足的腔室被重新組構及最佳化。
因此，第7圖顯示例示、非限制性實施例的流程圖用於識別高良率生產設備的影響條件。在700時，統一關於一組工具(或一組工具之腔室)之操作和表現的不同資訊。例如，不同資訊能包含光譜強度資訊、工具操作資訊和晶圓測量資訊，其被整合成如上所述的資料結構或統一矩陣。此外，針對前述資訊，表現狀態欄位能被併入資料結構。在實施例中，表現狀態欄位被設定成值為1之用於最佳表現工具或腔室以及被設定成值為0之用於資料結構所包含的所有其他工具或腔室。也應了解到，表現狀態欄位也能被定義成表示腔室之相對表現的實數而非布林狀態(Boolean status)。
在702時，自動產生至少一個表達式，其中該至少一個表達式就資料結構中所包含之其他參數而言，預測腔室的狀態。根據一個實施例，其它參數僅僅是光譜強度。根據另一個實施例，產生混合模式的表達式，使得其它參數包含光譜強度和感應器資訊變數。當僅使用光譜強度時，第8圖所示之訓練矩陣800係被學習引擎使用以驅動至少一個表達式，從而預測訓練矩陣800中所示之狀態欄位。在混合模式中，學習引擎也能如第8圖所示利用訓練矩陣850。如第8圖所示，訓練矩陣800和850包含狀態欄位、晶圓ID欄位、設備ID欄位(識別特定工具或腔室)以及光譜資料。在混合模式中，也使用感應器資料，所以訓練矩陣850進一步包含感應器資料欄位，例如壓力。為了方便說明，下列討論中所討論的範例僅使用光譜強度來獲得至 少一個表達式。然而，將立即了解到下列技術如何延伸至包含感應器資料的混合模式。
在非限制性範例中，至少一個表達式可以是布林數值函數F，例如下列：狀態=F(I(λ1),I(λ2),…I(λm))
依照此範例，狀態係基於針對一組m波長或光譜線的光譜強度值而被預測，其中m是大於或等於1的整數。能夠組構學習引擎，使得若只想要最大貢獻者(contributor)給狀態的話，布林數值函數F所包含之強度值的數目能被限制為較小數目。
在704時，選擇來自至少一個表達式的變數。在706時，針對各工具或腔室產生所選擇之變數的圖示。第9圖說明用於工具的4個腔室(CH1至CH4)之光譜線的強度的圖示。順序為相對於所選擇之變數的工具或腔室的順序。舉例而言，在第9圖中，順序可以是(1)CH4、(2)CH3、(3)CH1、(4)CH2。在710時，所識別之順序係與對應於工具或腔室之良率的順序相比較。在712時，當所識別之順序匹配良率之順序時，變數被輸出作為良率表現的影響因數。
第10圖顯示例示、非限制性系統1000的方塊圖，用於決定影響良率表現的影響變數。如第10圖所示，工具1010能包含一個或多個腔室1012。腔室1012能個別且獨立地處理輸入晶圓以及生產輸出晶圓。例如，腔室1012可以是蝕刻工具的明顯的電漿腔室。
根據實施例，系統1000包含學習引擎1020，用於每 腔室從工具1010(或與工具1010相關聯之測量裝置)和狀態資訊1022獲得操作與表現資訊1014。學習引擎1020能從操作與表現資訊1014產生訓練矩陣。學習引擎1020能進一步將狀態資訊1022併入訓練矩陣。在實施例中，狀態資訊1022指示狀態為1以用於腔室1012之間的良好表現腔室，指示狀態為0以用於剩餘的腔室。
學習引擎1020就訓練矩陣中所包含之欄位或變數而言，輸出得到之用於狀態的表達式。得到之表達式1024係輸入至識別包含在得到之表達式1024中的影響變數1032之條件評估組件1030，這些影響變數在決定腔室1012間之腔室的良率表現是有幫助的。
自動端點偵測
如上所述，在傳統製造過程中，光譜資料(例如，光譜強度資訊)能被製程工程師讀取以識別及定義蝕刻的端點條件。小心控制蝕刻會在晶圓上得到較佳形成的特徵，因此每晶圓會得到較高的良率。就意圖在材料中形成凹處的蝕刻而言，凹處的深度可以經由蝕刻時間和已知蝕刻速率控制。某些蝕刻會底切遮罩層而在下方材料中形成具有傾斜側壁的凹處。底切的距離係指蝕刻偏差或單純指偏差。在傳統的製造過程中，製程工程師讀取光譜資料以識別蝕刻的良好端點，目標為蝕刻具有想要的關鍵尺寸之特徵，同時盡可能地減少偏差。然而，即使小心地讀取，並非總是能夠識別出能用於端點偵測的波長。
在實施例中，波長或光譜線的強度是端點條件的良好 指示，其能被自動識別。這樣的光譜線能被用在得到的表達式以促進自動端點偵測和蝕刻控制。關於用以識別端點光譜線和偵測端點條件之一個或多個非限制性方法，第11圖說明例示、非限制性實施例的流程圖，用於識別一組或多組在蝕刻製程期間適用於端點偵測的波長。在1100時，接收晶圓製造過程之光譜強度資訊並且識別一組對應於感興趣之製程步驟的資訊。例如，光譜強度資訊可以與整個晶圓製造過程相關聯，而感興趣之製程步驟對應於蝕刻步驟。因此，識別出對應於蝕刻步驟之一部分的光譜強度資訊。
在1102時，在光譜強度資訊的子集內，識別出第一組波長。第一組波長或光譜線包含具有能在感興趣之製程步驟開始時增加強度(例如，在資訊之子集的開始部分處的強度增加)的那些波長。在1104時，在第一組之波長呈現強度減低之感興趣之製程步驟期間，識別出在該期間顯示強度增加的第二組波長。根據範例，第二組波長對應於來自蝕刻腔室中之副產品化合物的發射。在1106時，在初始的減少和增加之後，分別識別出在第一組中之波長的強度值和在第二組中之波長的強度值穩定(或交叉(cross-over))的頃刻(例如，剎那的時間)。此種穩定(或交叉)係經由第12圖之圖示1200至1206來說明，其顯示4個腔室之各者的兩個波長或光譜線的強度。此種穩定的頃刻，若識別出來的話，表示第一和第二組的波長係適用於端點偵測，此時蝕刻之端點對應於強度穩定或交叉時。在1108時，第一 和第二組波長係用於端點偵測。
第13圖說明例示、非限制性實施例的流程圖，用於自動、以學習為基礎的(learning-based)端點偵測和製程控制。在1300時，接收來自晶圓製造過程的光譜強度資訊、適用於端點偵測之幾組識別後的波長和表現資訊。根據範例，光譜強度資訊可以是在半導體生產步驟(例如蝕刻步驟)期間所觀察到之複數條光譜線之強度的時間序列資料。適用於端點偵測之該組波長能根據上述針對第11圖所描述之實施例而被識別。另外，表現資訊能被操作者或製程工程師取得。表現資訊表示製造表現良好的晶圓。此種表現資訊能和光譜強度資訊整合以形成第14圖所示的訓練矩陣1400。如第14圖所示，狀態行能被整合如下列所述。就一良好晶圓(例如，具有良好形成之特徵與良好良率的晶圓，例如訓練矩陣1400之晶圓ID1)而言，狀態欄位之值起初為0，然後在幾組識別後的波長穩定或交叉時為1。因此，就良好晶圓而言，狀態行係起初為0，然後在達到端點之後變成1。就呈現不良結果之晶圓而言，狀態行對於所有的時間頃刻具有0的值。
在1302時，係自動產生至少一個表達式。就對應於幾組識別後的波長中的波長而言，至少一個表達式預測晶圓表現。基於訓練矩陣1400，能藉由學習引擎(例如使用基因演算法或其它合適的學習引擎)產生至少一個表達式。在1304時，取得來自持續的晶圓製造過程步驟的實時光譜資訊。在1306時，係基於實時光譜資訊和至少一個表 達式決定狀態。在1308時，作出狀態是否良好的決定。若是良好，在1310時，在到達端點時停止製程步驟。若不是良好，在1312時，作出是否已經過最大時間限制的決定。若是已經過，製程步驟係在1310時停止。若尚未經過，在1314時繼續製程步驟，並且在1306時決定新狀態。因此，以此方式監視製造過程步驟直到決定良好狀態或經過最大時間。
第15圖說明一種例示、非限制性系統1500的方塊圖，用於在晶圓蝕刻製程期間的端點偵測。如第10圖所示，工具1510(例如，如蝕刻工具之半導體生產工具)能提供操作資訊1512給波長識別組件1520。操作資訊包含對應於對一個或多個晶圓執行之製程步驟的光譜強度資訊。波長識別組件1520基於操作資訊1512輸出端點波長1522。
系統1500包含學習引擎1530，其獲得來自於工具1510(或與工具1510相關聯之測量裝置)的操作資訊1512、端點波長1522和狀態資訊1532。學習引擎1530能從操作資訊1512產生訓練矩陣。學習引擎1530能進一步將狀態資訊1532併入如第14圖所示之訓練矩陣中。就端點波長1522之強度而言，學習引擎1530輸出用於一狀態之得到的表達式1534。得到的表達式1534係輸入至也從工具1510接受實時資訊1514之端點偵測組件1540。基於得到的表達式1534和實時資訊1514，在偵測到端點或如第13圖所述超過最大時間時，端點偵測組件1540能組構成發送停止信號1542給工具1510。
在此所使用的字詞「例示」是用以表示作為範例、舉例或實例。為了避免疑問，在此所揭露之主題並不受此類範例限制。此外，在此描述作為「例示」之任何態樣或設計並非必要被視為相較其他為較佳或有利的態樣或設計，也非意指排除對本技術領域中具有通常知識者而言為等效的例示結構或已知技術。在使用「包含」、「具有」、「含有」和其他類似字詞的程度上，為了避免疑問，此類用語係以類似用語「包括」作為開放式連接詞的方式意指包含的，而不會在使用於申請專利範圍中時排除任何額外或其它的元素。
如所述，在此所描述之各種技術可與硬體或軟體實施，或者適當的話，可與軟體硬體二者之組合實施。如在此所使用者，用語「組件」、「引擎」、「系統」等係同樣用以指電腦相關的實體，不論是硬體、硬體和軟體之組合、軟體或執行中的軟體。舉例來說，組件可以是(但不限於)在處理器上運行之製程、處理器、物件、可執行(executable)、執行緒、程式及/或電腦。經由說明，在電腦上運行之應用程式及電腦二者皆可以是組件。一個或多個組件可常駐在製程及/或執行緒內，而且組件可位在一台電腦上及/或分布在兩台或多台電腦之間。
如使用在本說明書上者，用語「處理器」可指實質上任何計算處理單元或裝置，包括(但不限於)單核心處理器、具有軟體多工執行能力的單處理器、具有硬體多工技術的多核心處理器、平行平台(parallel platform)和具有分佈 共享記憶體的平行平台。此外，處理器可指積體電路、特定應用積體電路(ASIC)、數位信號處理器(DSP)、可程式化閘陣列(FPGA)、可程式化邏輯控制器(PLC)、複雜可程式化邏輯裝置(CPLD)、離散閘或電晶體邏輯、離散硬體組件或設計成執行在此所述之功能的其任何組合。處理器能利用奈米級的架構，例如(但不限於)分子和量子點基礎的電晶體、開關和閘，以便最佳化空間使用或增強使用者設備的表現。處理器也可實施作為計算處理單元的組合。
在本說明書中，例如「儲存」、「儲存部」、「資料儲存」、「資料儲存部」、「資料庫」、「貯藏部和實質上任何其它與組件之操作和功能有關的資訊儲存組件」係指「記憶體組件」或以「記憶體」或包括記憶體之組件實施的實體。應了解到，在此描述之記憶體組件可以是揮發性記憶體或非揮發性記憶體，或者包含揮發性記憶體和非揮發性記憶體二者。
經由說明，非限制性地，非揮發性記憶體能包含唯讀記憶體(ROM)、可程式化ROM(PROM)、電性可程式化ROM(EPROM)、電性可抹除ROM(EEPROM)或快閃記憶體。揮發性記憶體可包含隨機存取記憶體(RAM)，其作用為外部快取記憶體。經由說明而非限制性，RAM能以許多形式獲得，例如同步RAM(SRAM)、動態RAM(DRAM)、同步DRAM(SDRAM)、雙資料速率SDRAM(DDR SDRAM)、增強SDRAM(ESDRAM)、同步鏈結DRAM(SLDRAM)以及直接Rambus RAM(DRRAM)。此外，在此所揭露之系統的記憶體組件或方法係意圖包括(不限 於包括)這些和任何其他合適類型的記憶體。
在此描述之各種態樣或特徵可被實施為方法、如硬體或硬體和軟體、硬體和韌體之組合的設備或使用標準程式化及/或工程技術的製造品。舉例而言，能經由處理器或處理單元(例如處理平台385)至少部分地實現作為方法或作為硬體和軟體之組合的實施，該處理器或處理單元執行保留在記憶體中的電腦可存取碼指令。在一個或多個態樣中，可以硬體、軟體、韌體或其任何組合實施所述之功能。若以軟體實施，在此描述之各種功能能儲存或傳輸作為一個或多個指令或電腦可讀取儲存媒體或記憶體上的碼。電腦可讀取媒體包含電腦儲存媒體和通信媒體二者，該通信媒體包含促進電腦程式從一處傳送到另一處的任何媒體。儲存媒體可以是可被電腦讀取的任何可用媒體。在此所使用之用語「製造品」係意圖涵蓋可從任何電腦可讀取裝置、載體或媒體存取的電腦程式。舉例而言，電腦可讀取媒體可包括(但不限於)磁性儲存裝置(例如硬碟、軟碟、磁條等)、光碟(例如CD、DVD等)、智慧卡和快閃記憶體裝置(例如卡、棒、保密磁碟(key drive)等)。
本發明之各種態樣能藉由處理器或包含處理器之計算裝置實施。計算裝置通常包含各種媒體，其能包含電腦可讀取儲存媒體及/或通信媒體，其中在此所使用之兩個用語係如下列所述彼此不同。電腦可讀取儲存媒體可以是任何可被電腦存取的可用儲存媒體，並且包含揮發性和非揮發性媒體、可移除和非可移除媒體。經由範例，且非限制 性地，電腦可讀取儲存媒體可與任何方法或技術實施，用於儲存例如電腦可讀取指令、程式化模組、結構資料或非結構資料的資訊。電腦可讀取儲存媒體可包含(但不限於)RAM、ROM、EEPROM、快閃記憶體或其它記憶體技術、CD-ROM、DVD或其它光碟儲存、磁性卡帶、磁帶、磁碟儲存或其它磁性儲存裝置或其它可用來儲存想要的資訊的有形及/或非短暫的媒體。例如經由存取請求、詢問或其它資料檢索協定，電腦可讀取儲存媒體可被一個或多個本地或遠端計算裝置存取，用於針對媒體所儲存的資訊的各種操作。
通信媒體通常將電腦可讀取指令、資料結構、程式化模組或其它結構或非結構資料實施成例如調變資料信號(例如載波或其它傳送機制)的資料信號，並且包含任何資訊傳送或傳送媒體。用語「調變資料信號」或信號指的是具有一個或多個其特性組或以將資訊編碼成一個或多個信號的方式改變的信號。經由範例，且非限制性地，通信媒體包含接線媒體(例如接線網路或直接接線連接)和無線媒體(例如聲控、RF、紅外線或其它無線媒體)。
以上已描述者包含本發明之範例。當然，不可能描述到可想到之每個組件和方法的組合，但本技術領域中具有通常知識者可理解到可能有許多另外的組合和變更。因此，本發明係意圖涵蓋所有落在所附申請專利範圍之之精神與範疇內的此等替代、修改和變化。再者，在使用在實施方式或申請專利範圍中之用語「包含」的程度上，此種 用語係意圖以類似於用語「包括」使用於申請專利範圍中用作連接詞的方式來表示包含的意思。
已針對數個組件之間的互動描述上述系統。應了解到，此種系統和組件能根據各種變更和前述之組合包含那些組件或特定子組件、某些特定組件或子組件及/或額外組件。子組件也能實施作為以通信方式耦合到其他組件的組件，而非被包含在母組件(階級式的)內。此外，應注意到，一個或多個組件可被組合成提供聚集功能的單一組件或分成數個分離的子組件，而任何一個或多個中間層(例如管理層)可被提供以通信的方式耦合到此種子組件以便提供整合功能。在此所描述之任何組件也可與一個或多個未在此特別描述、但為本技術領域中具有通常知識者所熟知之組件互動。
有鑒於在前描述之例示系統，也能參照各種圖式之流程圖了解依照本發明所實施之方法。雖然為了簡化說明，以一連串的方塊顯示和描述方法，但應了解到各種實施例不受方塊的順序限制，因為從在此所描繪及描述者來看，某些方塊可以不同順序發生及/或與其他方塊同時發生。其中不連續、或分支的流程係經由流程圖說明，應了解到，可實施各種其它分支、流程路徑和方塊順序而達到相同或相似結果。此外，某些圖示方塊在實施所述方法時是視需要的。
除了在此所述之各種實施例之外，應了解到能使用其他類似實施例或對所述實施例作修改和添加，以用於執行 對應實施例之相同或等效功能而不偏離實施例。而且，多個處理晶片和多個裝置能共享在此所述之一個或多個功能的表現，相似地，能在複數個裝置實現儲存。因此，本發明不限於任何單一實施例，而應廣義地被解釋為符合所附之申請專利範圍的精神和範疇。
100、102、104、300、302、304、500、502、504、700、702、704、706、708、710、712、1100、1102、1104、1106、1108、1300、1302、1304、1306、1308、1310、1312、1314‧‧‧步驟
200‧‧‧資料結構
210、220、230、240‧‧‧欄位
400、600、1000‧‧‧系統
402、602‧‧‧輸入晶圓
404、604‧‧‧處理後之晶圓
410、610、1010、1510‧‧‧工具
420‧‧‧光譜儀
422‧‧‧光譜強度資訊
430‧‧‧工具感應器
432‧‧‧感應器資訊
440‧‧‧裝置測量設備
442‧‧‧裝置測量資訊
450、1020、1530‧‧‧學習引擎
452‧‧‧參數選擇
454、622、1024、1534‧‧‧表達式
620‧‧‧調整引擎
624‧‧‧可控制參數
626‧‧‧目標值
628‧‧‧配方
630‧‧‧配方儲存
800、850、1400‧‧‧訓練矩陣
1012‧‧‧腔室
1014‧‧‧操作與表現資訊
1022、1532‧‧‧狀態資訊
1030‧‧‧條件評估組件
1032‧‧‧影響變數
1200、1202、1204、1206‧‧‧圖示
1512‧‧‧操作資訊
1514‧‧‧實時資訊
1520‧‧‧波長識別組件
1522‧‧‧端點波長
1540‧‧‧端點偵測組件
1542‧‧‧停止信號
參照隨附圖式進一步描述各種非限制性實施例，其中：第1圖顯示用於在與半導體生產工具有關之不同資訊間獲得關係式之說明例示、非限制性實施例的流程圖；第2圖說明的是例示、非限制性資料結構，其根據一個或多個態樣由光譜強度資訊、工具操作資訊和晶圓測量資訊之整合而形成；第3圖說明例示、非限制性實施例的流程圖，用於在統一成訓練矩陣之前歸一化光譜資料；第4圖顯示說明一種例示、非限制性系統的方塊圖，該系統聚集與半導體生產工具有關的不同資訊並且決定其中的關係式；第5圖說明用於生產一種配方之例示、非限制性實施例的流程圖，包含基於所得到之來自聚集資訊的表達式而識別到的最佳化參數；第6圖顯示說明例示、非限制性系統的方塊圖，其選擇達到目標輸出值之可組構參數的值；第7圖顯示例示、非限制性實施例的流程圖用於識別 高良率生產設備的影響條件；第8圖係例示、非限制性的資料結構，其根據一個或多個態樣被用作為訓練矩陣；第9圖說明根據一個或多個態樣用於工具的複數個腔室之隨著時間的強度值的例示、非限制性圖示；第10圖顯示例示、非限制性系統的方塊圖，用於決定影響良率表現的影響變數；第11圖說明例示、非限制性實施例的流程圖，用於識別一組或多組在蝕刻製程期間適用於端點偵測的波長；第12圖係針對工具之複數個腔室顯示一對波長之例示、非限制性的圖示，該對波長的對應強度係相對於時間而描繪；第13圖說明例示、非限制性實施例的流程圖，用於自動、以學習為基礎的端點偵測和製程控制；第14圖係例示、非限制性的資料結構，其根據一個或多個態樣被用作為訓練矩陣；以及第15圖說明一種例示、非限制性系統的方塊圖，用於在晶圓蝕刻製程期間的端點偵測。
100、102、104‧‧‧步驟

Claims (19)

  1. 一種藉由系統之至少一個處理器促進的方法，包括：將與半導體生產工具相關的不同資訊整合成資料結構，其中，該資料結構包括至少三個欄位，該至少三個欄位包括至少一含有光譜強度資訊的第一欄位、含有工具操作資訊的第二欄位、以及含有晶圓測量資訊的第三欄位；選擇該至少三個欄位的一欄位為區別輸出；以及基於該資料結構，就該至少三個欄位的一個或多個其它欄位而言，得到特徵為該欄位的至少一個關係式，其中，該光譜強度資訊包括藉由光譜儀所偵測到在特定波長或光譜線之光的強度的至少一者，該方法另包括在由學習引擎使用前，歸一化該光譜強度資訊，其中，該歸一化包括：測量該光譜強度資訊；以及基於參考而決定該光譜強度資訊的總強度，其中，該總強度是決定於該光譜強度資訊於波長範圍內的值的解析度的函數。
  2. 如申請專利範圍第1項所述之方法，其中，該工具操作資訊包含實體數量的測量或維護資訊的至少一者，其中該實體數量的測量包含壓力、氣體流或功率之至少一者的個別測量，以及其中該維護資訊包含自從最近一次濕清潔後的經過時間或工具部件的年齡的至少一者。
  3. 如申請專利範圍第1項所述之方法，其中，得到該至少一個關係式包括：產生用於光譜線之強度的表達式作為對應於個別氣體之一組氣體流的函數；以及識別氣體流量控制(MFC)偏移或移位錯誤的至少一者，以基於該表達式而回應預測之光譜強度值不匹配光譜強度之測量值的決定。
  4. 如申請專利範圍第1項所述之方法，其中，得到該至少一個關係式包括產生用於該欄位的表達式作為該一個或多個其它欄位的函數，其中該欄位表示晶圓輸出特性，而該一個或多個其它欄化係關於工具感應器測量、光譜強度測量或晶圓輸入特性的一個或多個。
  5. 如申請專利範圍第1項所述之方法，另包括接收選擇輸入，該選擇輸入促進將得到的該至少一個關係式的該欄位的選擇。
  6. 如申請專利範圍第1項所述之方法，其中，該得到該至少一個關係式包括利用基因演算法產生該至少一個關係式。
  7. 如申請專利範圍第1項所述之方法，另包含調整該半導體生產工具之操作，該調整包括：接收一組可控制參數表達式，其中在該組可控制參數表達式中，可控制參數表達式指明可控制參數的最小值、該可控制參數的最大值和該可控制參數允許改變的 最低值；接收一組目標值，其中該組目標值中之目標值指明代表晶圓輸出特性；以及基於該至少一個關係式、該組可控制參數表達式和該組目標值決定該半導體生產工具的操作參數。
  8. 如申請專利範圍第7項所述之方法，另包括：產生包含該操作的參數的配方，其中識別該參數包括使用反向問題求解技術決定該操作參數。
  9. 如申請專利範圍第1項所述之方法，另包括識別該資料結構之一個或多個影響變數，該一個或多個影響變數是決定造成可接受的晶圓良率。
  10. 如申請專利範圍第1項所述之方法，另包括：接收狀態資訊，其中該狀態資訊指明該半導體生產工具之腔室的個別狀態為良好腔室或不良腔室的其中一者；以及將該狀態資訊整合至該資料結構。
  11. 如申請專利範圍第10項所述之方法，另包括得到布林值函數，該布林值函數基於該資料結構中之該光譜強度資訊或該資料結構中之該工具操作資訊的至少其中一者而預測該半導體生產工具之腔室的狀態。
  12. 如申請專利範圍第11項所述之方法，另包括：針對該布林值函數的參數：藉由該參數的對應值安排該半導體生產工具的腔 室，以產生第一順序；藉由良率表現安排該半導體生產工具的腔室，以產生第二順序；以及識別該參數作為影響變數，以回應該第一順序匹配該第二順序的決定。
  13. 如申請專利範圍第1項所述之方法，另包括：識別第一組波長，該第一組波長相關於在由該半導體生產工具執行的蝕刻步驟期間在該光譜強度資訊中增加的第一組強度；識別第二組波長，該第二組波長相於於在該蝕刻步驟期間在該光譜強度資訊中減少的第二組強度；以及從該第一組波長選出第一波長以及從該第二組波長選出第二波長，用於端點的偵測。
  14. 如申請專利範圍第13項所述之方法，另包括：從與複數個晶圓相關聯之該光譜強度資訊提高第一強度值，該強度值對應於具有指明該複數個晶圓之晶圓的個別狀態之狀態資訊的該第一波長和該第二波長；以及基於與該晶圓相關聯且對應於該第一波長和該第二波長的第二強度值而得到預測晶圓之狀態的布林值函數。
  15. 如申請專利範圍第14項所述之方法，另包括停止該半導體生產工具之該蝕刻步驟，以回應該布林值函數預測到該晶圓的該狀態從預定不良狀態改變為預定良好狀 態的決定。
  16. 一種用於半導體生產工具的系統，包括：學習引擎，其係組構成將與該半導體生產工具有關之工具操作資訊、光譜強度資訊和裝置測量資訊，分別整合成統一訓練資料結構的第一欄位、第二欄位及第三欄位，以及基於該第一欄位、該第二欄位及該第三欄位的區分欄位的選擇，利用該統一後之訓練資料結構產生表達式，用以基於該第一欄位、該第二欄位或該第三欄位的個別一個或多個其它欄位的一個或多個第二值，預測該區分欄位的第一值，其中，該光譜強度資訊包括藉由光譜儀所偵測到在特定波長或光譜線之光的強度的至少一者，該方法另包括在由該學習引擎使用前，歸一化該光譜強度資訊，其中，該歸一化包括：測量該光譜強度資訊；以及基於參考而決定該光譜強度資訊的總強度，其中，該總強度是決定於該光譜強度資訊於波長範圍內的值的解析度的函數。
  17. 如申請專利範圍第16項所述之系統，另包括調整引擎，組構成：獲得一組可控制參數表達式，其中在該組可控制參數表達式中，可控制參數表達式指明可控制參數的最小值、該可控制參數的最大值和該可控制參數允許改變的最低值； 獲得一組目標值，其中在該組目標值中之目標值代表該晶圓輸出特性；以及根據該組可控制參數表達式的至少一個可控制參數表達式選擇用於該可控制參數的的可控制參數值，其中根據由該學習引擎所產生之該表達式，決定該可控制參數值，以達到該目標值。
  18. 一種儲存電腦可執行指令之電腦可讀取媒體，在由至少一個處理器執行時，其導致系統實施操作，包括：將與半導體生產工具有關之不同資訊統一成包含一組欄位的資料結構，其中該組欄位至少包含儲存光譜強度資訊的第一欄位、儲存工具操作資訊的第二欄位、以及儲存晶圓測量資訊的第三欄位；接收該組欄位的欄位的選擇；以及就該組欄位之一個或多個其它欄位的一個或多個第二值而言，得到特徵為該欄位之第一值的至少一個關係式，其中，該光譜強度資訊包括藉由光譜儀所偵測到在特定波長或光譜線之光的強度的至少一者，該方法另包括在由該學習引擎使用前，歸一化該光譜強度資訊，其中，該歸一化包括：測量該光譜強度資訊；以及基於參考而決定該光譜強度資訊的總強度，其中，該總強度是決定於該光譜強度資訊於波長範圍內的值的解析度的函數。
  19. 如申請專利範圍第18項所述之電腦可讀取媒體，其中，該操作另包括基於該至少一個關係式，修改該半導體生產工具的操作。
TW101101891A 2011-01-19 2012-01-18 藉由連結具有工具操作參數之光譜資訊及材料測量資訊及改進工具表現 TWI534855B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US13/009,685 US8954184B2 (en) 2011-01-19 2011-01-19 Tool performance by linking spectroscopic information with tool operational parameters and material measurement information

Publications (2)

Publication Number Publication Date
TW201246266A TW201246266A (en) 2012-11-16
TWI534855B true TWI534855B (zh) 2016-05-21

Family

ID=46491715

Family Applications (1)

Application Number Title Priority Date Filing Date
TW101101891A TWI534855B (zh) 2011-01-19 2012-01-18 藉由連結具有工具操作參數之光譜資訊及材料測量資訊及改進工具表現

Country Status (6)

Country Link
US (1) US8954184B2 (zh)
JP (1) JP6063872B2 (zh)
KR (1) KR101848958B1 (zh)
SG (1) SG192019A1 (zh)
TW (1) TWI534855B (zh)
WO (1) WO2012099907A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103811379B (zh) * 2012-11-01 2016-12-28 台湾积体电路制造股份有限公司 工具优化调节系统和相关方法
US9405289B2 (en) * 2012-12-06 2016-08-02 Tokyo Electron Limited Method and apparatus for autonomous identification of particle contamination due to isolated process events and systematic trends
US9519285B2 (en) 2013-01-23 2016-12-13 Taiwan Semiconductor Manufacturing Company, Ltd. Systems and associated methods for tuning processing tools
US9396443B2 (en) 2013-12-05 2016-07-19 Tokyo Electron Limited System and method for learning and/or optimizing manufacturing processes
JP6368686B2 (ja) * 2015-06-10 2018-08-01 東京エレクトロン株式会社 熱処理装置、熱処理装置の調整方法、及び、プログラム
US10228678B2 (en) * 2015-07-22 2019-03-12 Tokyo Electron Limited Tool failure analysis using space-distorted similarity
US10310490B2 (en) * 2016-02-01 2019-06-04 Qoniac Gmbh Method and apparatus of evaluating a semiconductor manufacturing process
US10818564B2 (en) 2016-03-11 2020-10-27 Applied Materials, Inc. Wafer processing tool having a micro sensor
US11209487B2 (en) * 2016-06-13 2021-12-28 Hitachi, Ltd. Rotor diagnostic apparatus, rotor diagnostic method, and rotor diagnostic program
US10763143B2 (en) 2017-08-18 2020-09-01 Applied Materials, Inc. Processing tool having a monitoring device
KR20190048491A (ko) 2017-10-31 2019-05-09 삼성전자주식회사 식각 효과 예측 방법 및 입력 파라미터 결정 방법
US11380594B2 (en) * 2017-11-15 2022-07-05 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques
CN112074939A (zh) 2018-03-20 2020-12-11 东京毅力科创株式会社 具有集成计量的衬底加工工具及其使用方法
JP7348440B2 (ja) 2018-03-20 2023-09-21 東京エレクトロン株式会社 統合的な半導体処理モジュールを組み込んだ自己認識及び補正異種プラットフォーム及びその使用方法
US11507824B2 (en) * 2018-06-28 2022-11-22 Applied Materials, Inc. Training spectrum generation for machine learning system for spectrographic monitoring
TWI829807B (zh) * 2018-11-30 2024-01-21 日商東京威力科創股份有限公司 製造製程之假想測定裝置、假想測定方法及假想測定程式
US10903050B2 (en) * 2018-12-10 2021-01-26 Lam Research Corporation Endpoint sensor based control including adjustment of an edge ring parameter for each substrate processed to maintain etch rate uniformity
JP7220573B2 (ja) * 2019-01-24 2023-02-10 株式会社荏原製作所 情報処理システム、情報処理方法、プログラム及び基板処理装置
US20220028716A1 (en) * 2020-07-22 2022-01-27 Applied Materials, Inc. Substrate measurement subsystem
USD977504S1 (en) 2020-07-22 2023-02-07 Applied Materials, Inc. Portion of a display panel with a graphical user interface
US11688616B2 (en) 2020-07-22 2023-06-27 Applied Materials, Inc. Integrated substrate measurement system to improve manufacturing process performance
US20230160960A1 (en) * 2021-11-22 2023-05-25 Onto Innovation Semiconductor substrate yield prediction based on spectra data from multiple substrate dies
WO2024059729A1 (en) * 2022-09-15 2024-03-21 Onto Innovation Inc. Parameter aggregation and normalization for manufacturing tools

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7141859B2 (en) 2001-03-29 2006-11-28 Georgia Tech Research Corporation Porous gas sensors and method of preparation thereof
JP4518789B2 (ja) * 2001-06-08 2010-08-04 ユニバーシティ・オブ・メイン 広帯域変調および統計的推定手法を用いる分光計
US7653244B2 (en) * 2005-02-22 2010-01-26 Potts Wesley F Intelligent importation of information from foreign applications user interface
US7454312B2 (en) * 2006-03-15 2008-11-18 Applied Materials, Inc. Tool health information monitoring and tool performance analysis in semiconductor processing
US7502709B2 (en) 2006-03-28 2009-03-10 Tokyo Electron, Ltd. Dynamic metrology sampling for a dual damascene process
US20070249071A1 (en) * 2006-04-21 2007-10-25 Lei Lian Neural Network Methods and Apparatuses for Monitoring Substrate Processing
US7958071B2 (en) * 2007-04-19 2011-06-07 Hewlett-Packard Development Company, L.P. Computational nodes and computational-node networks that include dynamical-nanodevice connections
US8010321B2 (en) * 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
US7974723B2 (en) 2008-03-06 2011-07-05 Applied Materials, Inc. Yield prediction feedback for controlling an equipment engineering system
US8396582B2 (en) 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US8725667B2 (en) * 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US8441639B2 (en) * 2009-09-03 2013-05-14 Kla-Tencor Corp. Metrology systems and methods

Also Published As

Publication number Publication date
US20120185813A1 (en) 2012-07-19
KR20140010381A (ko) 2014-01-24
KR101848958B1 (ko) 2018-05-28
JP2014507801A (ja) 2014-03-27
US8954184B2 (en) 2015-02-10
WO2012099907A1 (en) 2012-07-26
JP6063872B2 (ja) 2017-01-18
TW201246266A (en) 2012-11-16
SG192019A1 (en) 2013-08-30

Similar Documents

Publication Publication Date Title
TWI534855B (zh) 藉由連結具有工具操作參數之光譜資訊及材料測量資訊及改進工具表現
KR102376824B1 (ko) 제조 공정들을 학습하고 제조 공정들을 최적화하기 위한 시스템 및 방법
US10571900B2 (en) Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing
KR102586405B1 (ko) 반도체 제조용 측정 및 공정 제어
JP2014519182A (ja) 生物学に基づくチャンバマッチング
US9934351B2 (en) Wafer point by point analysis and data presentation
US20230138127A1 (en) Information processing method and information processing apparatus including acquiring a time series data group measured duirng a processing cycle for a substrate
US20230195071A1 (en) Methods and mechanisms for generating a data collection plan for a semiconductor manufacturing system
Lee et al. Sequential residual learning for multistep processes in semiconductor manufacturing
JP2009010370A (ja) 半導体処理装置
US11874234B2 (en) Multi-level RF pulse monitoring and RF pulsing parameter optimization at a manufacturing system
JP2005051269A (ja) 半導体処理装置
US20240037442A1 (en) Generating indications of learning of models for semiconductor processing
US20230342016A1 (en) Methods and mechanisms for generating virtual knobs for model performance tuning
US11860591B2 (en) Process recipe creation and matching using feature models
US20230306300A1 (en) Methods and mechanisms for measuring patterned substrate properties during substrate manufacturing
US20230135102A1 (en) Methods and mechanisms for process recipe optimization
US20230384777A1 (en) Methods and mechanisms for preventing fluctuation in machine-learning model performance
US20230359179A1 (en) Methods and mechanisms for adjusting film deposition parameters during substrate manufacturing
US20230367302A1 (en) Holistic analysis of multidimensional sensor data for substrate processing equipment
US20240062097A1 (en) Equipment parameter management at a manufacturing system using machine learning
KR20240067834A (ko) 피처 모델들을 사용한 프로세스 레시피 생성 및 매칭
TW202338539A (zh) 使用光學壁製程感測器（ｏｗｐｓ）的製程表徵和改正
TW202401608A (zh) 使用光學壁製程感測器（ｏｗｐｓ）的製程表徵和改正
Wang et al. Dynamic Sparse Pca: A Dimensional Reduction Method for Sensor Data in Virtual Metrology