TWI743958B - 離子植入設備的控制方法 - Google Patents

Abstract

離子植入設備的控制方法包括：接收相關於離子植入的多個控制參數，並接收控制參數對應的多個第一晶圓的至少一目標電性特性及/或目標良率失敗分類的多個第一實測數據；針對第一實測數據，依據機器學習機制以獲得目標電性特性及/或目標良率失敗分類與控制參數間的敏感度資訊；以及，依據敏感度資訊與目標電性特性及/或目標良率失敗分類的至少一目標值以獲得多個輸出控制參數，依據輸出控制參數以控制離子植入設備。

Description

離子植入設備的控制方法

本發明是有關於一種離子植入設備的控制方法，且特別是有關於一種可提升精準度的離子植入設備的控制方法。

在半導體製程中，元件特性受到很多因素的影響。以離子植入設備為例，電晶體的電氣特性，主要受到離子束的能量、劑量以及注入的傾斜角度所影響。但也同時許多不同的附加參數所影響。在現今的技術中，並沒有一個好的方法，可以較佳的控制這些參數，以使電晶體的電氣特性具有一定程度的均勻度。

另外，若是過分的窄化這些參數的限制，可能又會在加工過程中，經常性的發出警告信號的現象，而造成現場人員須經常性的執行故障排除的困擾。

上述的多個問題，使得晶圓的量產過程，產生諸多的困難。

本發明提供一種離子植入設備的控制方法，可提升晶圓電氣特性的精準度。

本發明的離子植入設備的控制方法包括：接收相關於離子植入的多個控制參數，並接收控制參數對應的多個第一晶圓的至少一目標電性特性或目標良率失敗分類或目標良率失敗分類的多個第一實測數據；針對控制參數與目標電性特性或目標良率失敗分類或目標良率失敗分類的第一實測數據關係，依據機器學習機制以獲得目標電性特性或目標良率失敗分類或目標良率失敗分類與控制參數間的敏感度資訊；以及，依據敏感度資訊以及目標電性特性或目標良率失敗分類或目標良率失敗分類的至少一目標值以獲得多個輸出控制參數，依據輸出控制參數以控制離子植入設備。

基於上述，本發明透過機器學習機制，依據目標電性特性或目標良率失敗分類或目標良率失敗分類的多個實測數據與控制參數間的關係來計算出目標電性特性或目標良率失敗分類與控制參數間的敏感度資訊，並依據敏感度資訊來獲得輸出控制參數。藉由輸出控制參數來控制離子植入設備，以控制晶圓製程的穩定度。

請參照圖1，圖1繪示本發明實施例的離子植入設備的控制方法的流程圖。在步驟S110中，接收相關於離子植入設備的多個控制參數，並收控制參數對應的多個第一晶圓的至少一目標電性特性以及目標良率失敗分類（fail bin）至少其中之一的多個第一實測數據。其中，離子植入設備可依據上述的多個控制參數來針對多個第一晶圓發送離子束，並進行離子植入的動作。並且，針對第一晶圓執行測試動作（例如電路點針（circuit probe, CP）測試或是晶圓允收測試（wafer accept test, WAT）），可以獲得第一晶圓的至少一目標電性特性及目標良率失敗分類的至少其中之一者的多個第一實測數據。在本實施例中，目標電性特性可以是電晶體的源汲極間的輸出電流（Ids）、電晶體的導通電壓（threshold voltage, Vt）以及崩潰電壓（break down voltage, VBD）等等的至少其中之一。目標良率失敗分類則可以為晶圓測試中的多個測試失敗分類。而上述的控制參數，則可以是會影響目標電性特性及目標良率失敗分類的至少其中之一者的離子束尺寸、離子束密度以及離子束偏移等參數。在本發明其他實施例中，控制參數還可以包括離子束掃描次數、離子束施加時間、晶圓承載盤的電流資訊以及分區壓力承受值等等的至少其中之一。

接著，在步驟S120中，則針對所接收的控制參數與由上述第一晶圓中，所測試出的一個或多個目標電性特性及/或目標良率失敗分類的多個第一實測數據間的關係，依據一機器學習機制來獲得目標電性特性及/或目標良率失敗分類與控制參數間的敏感度資訊。在本實施例中，機器學習機制可以應用回歸分析的方式或類神經網路的方式來實施。亦或者，在本發明其他實施例中，也可應用本領域具通常知識者所熟知的任一機器學習方法來實施，沒有特定的限制。

此外，步驟S120中，以目標電性特性及/或目標良率失敗分類對應電晶體的源汲極間的輸出電流為範例，機器學習機制用以獲得輸出電流y對應於多個控制參數的敏感度。具體來說，以控制參數包括離子束尺寸x1、離子束密度x2以及離子束偏移x3為例，機器學習機制可獲得輸出電流y分別對應離子束尺寸x1、離子束密度x2以及離子束偏移x3的多個敏感度。機器學習機制所產生的敏感度資訊，包括以輸出電流y函數，分別以離子束尺寸x1、離子束密度x2以及離子束偏移x3為變數的線性關係的多個斜率。此外，機械學習所得到的結果，尚可以包含具有參數間交互作用的資訊。以回歸分析法為例，因子效應（如x1,x2,x3…）與因子間的交互作用效應（如x1x2, x1x3,x2x3…）都會呈現在回歸方程式中（即其敏感度資訊）。

接著，在步驟S130中，可針對目標電性特性及/或目標良率失敗分類設定一目標值，並依據步驟S120中所獲得的敏感度資訊以及上述預設的目標值來獲得多個輸出控制參數。輸出控制參數被提供至離子植入設備，並依據輸出控制參數來操控離子植入設備以執行離子束的發送動作。

在本實施例中，基於輸出控制參數，離子植入設備可針對多個第二晶圓進行加工動作。這些第二晶圓可透過如上所述的測試動作以獲得對應目標電性特性及/或目標良率失敗分類的多個第二實測數據。在此，新獲得的第二實測數據以及所對應的輸出控制參數可被加入至步驟S120，並依據機器學習機制來獲得更新敏感度資訊。並且，透過步驟S130，可依據更新敏感度資訊來產生新的輸出控制參數，並依據新的輸出控制參數以調整離子植入設備的動作。

上述的輸出控制參數可更新動作可持續被進行。而隨著所產出的晶圓的實測數據的增加，輸出控制參數可逐步的被優化，並使目標電性特性及/或目標良率失敗分類的分布可以更為均勻，並貼近於所設定的目標值。

本發明實施的過程中，可分為靜態執行模式與動態執行模式兩方面。在靜態執行模式方面，透過離子植入設備本身的偵測系統，可以在離子植入設備產生離子束後（尚未開始植入晶圓之前),預先偵測例如離子束尺寸x1、離子束密度x2以及離子束偏移x3等控制參數，並透過上述的目標電性與控制參數間的敏感資訊，使系統（例如離子植入設備本身的運算系統）可以預先得知該電性的偏移量，進而在開始植入晶圓之前，彈性的調整離子束尺寸x1、離子束密度x2以及離子束偏移x3等參數，直到使預測的電性符合目標值，此時才開始進行離子植入晶圓的動作。如此一來可以確保離子植入晶圓的第一時間，其對晶圓電性的調整為精確的，並且可以容許離子束尺寸x1以及離子束密度x2等控制參數的合理變動。因為離子束尺寸x1以及離子束密度x2等控制參數會隨著離子植入設備的使用狀況而改變，傳統上如果為了減少離子植入設備對於晶圓電性的變異，會單方面的將離子束尺寸x1以及離子束密度x2等控制參數限制在一個很小的變化區間,此將導致離子植入設備經常性的因為離子束尺寸x1以及離子束密度x2等控制參數的變動而發報異常，進而影響離子植入設備產能以及晶圓的電性行為。所以本發明的離子植入方法可以在兼顧晶圓電性穩定的前提下，容許離子束尺寸x1以及離子束密度x2等控制參數的變動，達到離子植入設備產能的提升。

在動態執行模式方面，當開始進行離子植入晶圓的動作時,離子植入設備本身的偵測系統可以同步的得知離子束尺寸x1以及離子束密度x2等控制參數的變動，此時離子植入設備本身的運算系統可以透過上述的目標電性與控制參數間的敏感資訊,同步的調整離子束尺寸x1以及離子束密度x2等控制參數，以確保晶圓電性的正確,直到離子植入製程完成。而傳統上，會單方面的將離子束尺寸x1以及離子束密度x2等控制參數限制在一個很小的變化區間，此將導致離子植入設備在進行離子植入晶圓的過程中，經常性的因為離子束尺寸x1以及離子束密度x2等控制參數的變動而發報異常，進而影響離子植入設備產能及晶圓的電性行為。因此,本發明可以兼顧離子植入製程對於晶圓電性調整的準確性,並且容許離子束尺寸x1以及離子束密度x2等控制參數在開始植入晶圓前（靜態）與植入晶圓中（動態）的變動，而達到增加產能的目的。

以下請參照圖2，圖2繪示本發明實施例的離子植入設備的控制方法的流程示意圖。本發明實施例的離子植入設備的控制方法，基於機器學習200，在步驟S210接收晶圓的一個或多個目標電性特性及/或目標良率失敗分類的實測數據。接著，步驟S220針對實測數據與控制參數的關係，進行大數據分析動作。步驟S230則依據機器學習200的模型，針對大數據分析的結果來執行運算，並透過步驟S240以優化所產生的控制參數。透過提供輸出控制參數至離子植入設備，並藉以執行治具控制動作（步驟S250）。其中步驟S230~S250可以建構在離子植入設備本身，也就是說當機器學習200於步驟S220進行大數據分析後所得到實測數據與控制參數間關係的模型後，此模型可以輸入到離子植入設備本身的運算系統，此運算系統根據當時的離子植入設備本身的情況，產生優化控制參數（如步驟S230~240)，並提供此輸出控制參數至離子植入設備，藉以執行治具控制動作，進行離子植入（步驟S250）。而上述的步驟S230~S250在實際執行時，又可以分為如上所述的靜態與動態控制兩種，以確保離子植入晶圓的全程都可以達成精準的晶圓電性調整的目的。

再有新的實測數據被加入後，步驟S210至步驟S250可進入新的循環。透過反覆的執行步驟S210至步驟S250，離子植入設備的控制參數的優化動作可以持續被進行，維持晶圓的目標電性特性及/或目標良率失敗分類的均勻分布。

接著請參照圖3A，圖3A繪示本發明實施例的控制參數的產生方式的一實施方式的示意圖。在大數據分析S310中，可接收控制參數311，以及對應控制參數311所獲得的晶圓的多個實測數據312。並套用演算法313以針對控制參數311與實測數據312間的關係進行分析。在此，演算法313可應用本領域具通常知識者所熟知的任意演算法，例如可進行預測分析的演算法、各類統計演算法或深度學習的演算法等等，沒有一定的限制。

本實施方式中所提供的模型，為一目標電性特性及/或目標良率失敗分類T1與多個控制參數例如CP1~CP8間的對應關係。以目標電性特性及/或目標良率失敗分類T1為源汲極間的輸出電流，控制參數CP1~CP8分別為離子束密度、G1區的分區壓力承受值、G7區的分區壓力承受值、晶圓承載盤的充電電流、離子束掃描次數、離子束施加時間以及晶圓承載盤的電流值為範例。模型320中記錄目標電性特性及/或目標良率失敗分類T1相對於各控制參數CP1~CP8的敏感度資訊。以函數來表示，模型320可記錄目標電性特性及/或目標良率失敗分類T1相對於各控制參數CP1~CP8的回歸方程式。

另外，在基於回歸分析的範例中，模型320中可以建立目標電性特性及/或目標良率失敗分類T1與多個控制參數CP1~CP8間的一回歸方程式，並可表示如下：

T1 = C1 + SP1*CP1 + SP2*CP2 + SP3*CP3 + SP4*CP4 + SP5*CP5 + SP6*CP6 + SP7*CP7 + SP8*CP8。其中C1為常數項，SP1~SP8分別為對應控制參數CP1~CP8的係數。此回歸方程式,更可以包含控制參數的高階變化（例如CP1 ²、CP2 ³等），或者包含控制參數間的交互作用變化（例如CP1*CP2、CP1*CP3等），或者包括高階的控制參數間的交互作用變化（例如CP1 ²*CP2 ²或CP1 ²*CP2 ³等）。

透過回歸分析的動作，上述回歸方程式中的控制參數CP1~CP8的係數SP1~SP8，或控制參數高階或交互作用項的係數皆可以被動態的調整，並將此回歸方程式輸入至離子植入設備的系統中，並藉以調整離子植入設備中的多個控制參數。如圖3B所繪示的本發明實施例的離子植入設備的控制參數的調整方式的示意圖。

在圖3B中，離子植入設備可提供輸入介面333以作為相關參數的輸入介面。其中，輸入介面333包括既有的頁面1，另增加頁面2。在本發明實施例中，完成系數調整後的回歸方程式332可以被自動輸入至輸入介面333的頁面2中，並藉以調整離子植入設備中的多個控制參數。

值得注意的，除了電性特性之外，產品良率分析的失敗分類也可以應用在此回歸分析的模型中。因此，本發明實施例也可透過控制參數的調整動作，達到提升測試良率的功效。

當然，上述的回歸方程式也可以是多個，並分別對應多個不同的目標電性特性及/或目標良率失敗分類。本發明實施例中，不只限於針對單一個目標電性特性及/或目標良率失敗分類設定回歸方程式。

在此請參照圖4，圖4繪示施用本發明實施例的控制方法的前後，所產生的目標電性特性及/或目標良率失敗分類的分布狀態的示意圖。其中，數據資訊410中可以清楚看出，目標電性特性及/或目標良率失敗分類（例如為電晶體的輸出電流）的分布範圍較為發散。而在執行了本發明實施例的控制方法後，依據數據資訊420，目標電性特性及/或目標良率失敗分類的分布範圍實質上集中在於範圍RG中，有效提升分布的均勻性。

以下請參照圖5，圖5繪示本發明實施例的離子植入設備的控制方法的執行機制的示意圖。本發明實施例的控制方法可透過處理器510以及資料庫520來進行。處理器510可耦接至資料庫520。資料庫520可用以儲存多個晶圓的一個或多個目標電性特性及/或目標良率失敗分類的多個實測數據，以及這些實測數據對應的控制參數。處理器510可包括處理器510a以及510b。在執行本發明實施例的控制方法時，處理器510a可讀取資料庫520中所儲存的實測數據以及對應的控制參數，透過大數據分析以計算出控制參數與實測數據間的關係，並藉由機器學習機制來獲得目標電性特性及/或目標良率失敗分類與控制參數間的敏感度資訊。進一步的，處理器510b可依據敏感度資訊以及目標電性特性及/或目標良率失敗分類的目標值來獲得輸出控制參數OCPS，並將輸出控制參數OCPS提供至離子植入設備530。此處理器510b亦可以建構在離子植入設備本身，亦即當處理器510a的目標電性特性或目標良率失敗分類的分析與控制參數間的敏感度資訊提供給離子植入設備時，離子植入設備本身的控制系統可以根據當時的離子植入設備本身的情況，產生優化控制參數,離子植入設備依據此優化控制參數進行離子植入。同時此離子植入設備在實際執行時，又可以分為如前述實施例中所述的靜態與動態控制兩種，以確保離子植入晶圓的全程都可以達成精準的晶圓電性調整的目的。

加工完成的晶圓540，可透過測試治具550的測試動作，來產生多個實測數據TR。這些新的實測數據TR可以被儲存至資料庫520中，以作為處理器510執行大數據分析的新的資訊。

在本實施例中，處理器510a、510b可以設置在任一伺服器中。處理器510a、510b可以是透過硬體描述語言（Hardware Description Language, HDL）或是其他任意本領域具通常知識者所熟知的數位電路的設計方式來進行設計，並透過現場可程式邏輯門陣列（Field Programmable Gate Array, FPGA）、複雜可程式邏輯裝置（Complex Programmable Logic Device, CPLD）或是特殊應用積體電路（Application-specific Integrated Circuit, ASIC）的方式來實現的硬體電路。另外，資料庫520可以是任意形式的儲存媒介，例如光碟、硬碟或任意形式的非揮發性記憶體。

綜上所述，本發明的控制方法中，透過針對控制參數與實測數據間的關係進行大數據分析，並基於機器學習機制來調整所產生的輸出控制參數，藉以操控離子植入設備。如此一來可以有效的控制晶圓的一個或多個目標電性特性及/或目標良率失敗分類的分布均勻性，有效提升晶圓的電性表現，並提升控離子植入設備的產能。

S110~S130、S210~S250:控制方法的步驟 200:機器學習 311:控制參數 312:實測數據 313:演算法 320:模型 332:回歸方程式 333:輸入介面 410、420:數據資訊 510、510a、510b:處理器 520:資料庫 530:離子植入設備 540:晶圓 550:測試治具 CP1~CP8:控制參數 OCPS:輸出控制參數 RG:範圍 S310:大數據分析 T1:目標電性特性及/或目標良率失敗分類 TR:測試數據

圖1繪示本發明實施例的離子植入設備的控制方法的流程圖。 圖2會是本發明實施例的離子植入設備的控制方法的流程示意圖。 圖3A繪示本發明實施例的控制參數的產生方式的一實施方式的示意圖。 圖3B繪示的本發明實施例的離子植入設備的控制參數的調整方式的示意圖。 圖4繪示施用本發明實施例的控制方法的前後，所產生的目標電性特性或目標良率失敗分類的分布狀態的示意圖。 圖5繪示本發明實施例的離子植入設備的控制方法的執行機制的示意圖。

S110~S130:控制方法的步驟

Claims (10)

1. 一種離子植入設備的控制方法，包括：接收相關於離子植入設備的多個控制參數，並接收該些控制參數對應的多個第一晶圓的至少一目標電性特性及一目標良率失敗分類的至少其中之一的多個第一實測數據；針對該些控制參數與該些第一實測數據的關係，依據一機器學習機制以獲得該至少一目標電性特性及該目標良率失敗分類的至少其中之一者，與該些控制參數間的一敏感度資訊；以及依據該敏感度資訊以及該至少一目標電性特性及該目標良率失敗分類的至少其中之一者的至少一目標值以獲得多個第一輸出控制參數，依據該些第一輸出控制參數以控制該離子植入設備。
2. 如請求項1所述的控制方法，其中依據該機器學習機制以獲得該至少一目標電性特性或目標良率失敗分類與該些控制參數間的該敏感度資訊的步驟包括：建立一機器學習模型，基於該機器學習模型，依據該些實測數據與對應的該些控制參數以獲得該敏感度資訊。
3. 如請求項2所述的控制方法，其中該機器學習模型為一回歸分析模型或一類神經網路演算模型。
4. 如請求項1所述的控制方法，其中該些控制參數包括離子束尺寸、離子束密度以及離子束偏移。
5. 如請求項4所述的控制方法，其中該些控制參數更包括離子束掃描次數、離子束施加時間、晶圓承載盤的電流資訊以及分區壓力承受值的至少其中之一。
6. 如請求項1所述的控制方法，其中該至少一目標電性特性及該目標良率失敗分類的至少其中之一包括電晶體的輸出電流、導通電壓以及崩潰電壓的至少其中之一。
7. 如請求項1所述的控制方法，其中該敏感度資訊包括各該控制參數對應該目標電性特性及該目標良率失敗分類的至少其中之一的斜率。
8. 如請求項1所述的控制方法，更包括：記錄多個第二晶圓的該至少一目標電性特性及該目標良率失敗分類的至少其中之一者的多個第二實測數據與相對應的該些第一輸出控制參數；針對該些控制參數、該些第一輸出控制參數分別與該些第一實測數據以及該些第二實測數據關係，依據該機器學習機制以獲得一更新敏感度資訊；以及依據該更新敏感度資訊以獲得多個第二輸出控制參數。
9. 如請求項1所述的控制方法，其中在一靜態執行模式中，該些第一輸出控制參數預先被產生後，再提供該些第一輸出控制參數以控制該離子植入設備。
10. 如請求項1所述的控制方法，其中一在動態執行模式中，該些第一輸出控制參數在該離子植入設備運作過程中被產生，並用以動態控制該離子植入設備。

Images