TWI776335B - 控制半導體裝置製造的方法及系統 - Google Patents
控制半導體裝置製造的方法及系統 Download PDFInfo
- Publication number
- TWI776335B TWI776335B TW109146760A TW109146760A TWI776335B TW I776335 B TWI776335 B TW I776335B TW 109146760 A TW109146760 A TW 109146760A TW 109146760 A TW109146760 A TW 109146760A TW I776335 B TWI776335 B TW I776335B
- Authority
- TW
- Taiwan
- Prior art keywords
- training
- candidate
- locations
- manufacturing
- predefined
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 110
- 239000004065 semiconductor Substances 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims description 33
- 238000012549 training Methods 0.000 claims abstract description 113
- 238000013461 design Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000007547 defect Effects 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 238000005389 semiconductor device fabrication Methods 0.000 claims description 7
- 238000005498 polishing Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims 1
- 235000012431 wafers Nutrition 0.000 abstract description 33
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000000572 ellipsometry Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
-
- 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
- H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- 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)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
- Physical Deposition Of Substances That Are Components Of Semiconductor Devices (AREA)
- General Factory Administration (AREA)
Abstract
通過採集在訓練半導體晶片上的訓練位置處收集的與訓練半導體裝置的預定義設計內的位置相對應的訓練散射特徵碼，來控制半導體裝置的製造；在訓練晶片上製造裝置期間，在預定義的處理步驟之後收集訓練特徵碼，採集與訓練位置相關的製造結果資料，使用訓練特徵碼和製造結果資料訓練預測模型，並將預測模型應用於訓練候選散射特徵碼以預測製造結果；在候選半導體晶片上的候選位置收集的候選特徵碼，與候選半導體裝置的相同預定義設計中的位置相對應的候選位置，在候選晶片上製造候選裝置期間的任何處理步驟之後收集候選特徵碼。
Description
本發明係關於一種用於控制半導體裝置製造的方法及系統。
在製造半導體裝置時，各種製造製程步驟可能導致缺陷。例如，化學機械拋光（CMP）可能會導致表面形貌發生不當的變化，如凹陷、腐蝕或金屬殘留物，這些變化可導致金屬線電阻率升高或電路短路。在晶片佈局中已知或認為容易出現此類缺陷的區域通常稱為“熱點”。
在面向製造的設計（DFM）過程中，通常採用過程感知的佈局設計和熱點模擬，使設計人員能夠通過在製造之前採取措施（例如更好的佈局規劃和虛擬填充）來預防或緩解與過程相關的熱點。不幸的是，為確定這些措施是否有效，目前製造商要麼必須等待幾個月，直到完成電氣測試，要麼可以執行緩慢、昂貴且通常具有破壞性的線上測試（即在製造過程中）。
本發明的一個方面提供了一種用於控制半導體裝置製造的方法，該方法包括採集在至少一個訓練半導體晶片上的多個訓練位置處收集的訓練散射特徵碼，其中所述多個訓練位置對應於訓練半導體裝置的預定義設計中的多個位置，並且其中在至少一個訓練半導體晶片上製造至少一個訓練半導體裝置、採集與任何訓練位置相關聯的製造結果資料、執行機器學習以使用所述訓練散射特徵碼和所述製造結果資料訓練預測模型、並將該預測模型應用於候選散射特徵碼以預測與該候選散射特徵碼相關聯的製造結果期間，在一個或多個預定義處理步驟之後收集訓練散射特徵碼，其中所述候選散射特徵碼被收集在候選半導體晶片的候選位置處，其中候選位置對應於候選半導體裝置的預定義設計中的位置，其中候選半導體裝置的預定義設計與至少一個訓練半導體裝置的預定義設計相同，並且其中候選半導體晶片上製造候選半導體裝置期間，在一個或多個預定義處理步驟之後收集候選散射特徵碼。
在本發明的另一個方面，任何預定義處理步驟都是化學機械拋光步驟。
在本發明的另一個方面，該方法還包括使用由設計製造熱點模擬所確定的可能熱點的位置來確定訓練位置。
在本發明的另一個方面，採集製造結果資料包括使用至少一個參考工具來檢測在任何訓練位置處的熱點。
在本發明的另一個方面，採集製造結果資料包括使用至少一個參考工具在任何訓練位置處檢測已知與熱點相關的製造缺陷。
在本發明的另一個方面，採集製造結果資料包括檢測與任何訓練位置有關的電氣故障。
在本發明的另一個方面，採集製造結果資料包括在任何訓練位置處收集物理特徵屬性的測量值。
在本發明的另一個方面，物理特徵是以下任何一項：a）幾何結構和b）材料組成。
在本發明的另一個方面，採集製造結果資料包括根據用於確定統計異常值的預定義標準，將未知類型的製造缺陷與其訓練散射特徵碼被識別的任何訓練位置相關聯，作為相對於其他訓練位置的訓練散射特徵碼的統計離群值。
在本發明的另一個方面，在候選半導體裝置的製造期間執行應用預測模型。
在本發明的另一個方面，在採集候選散射特徵碼時執行應用預測模型。
在本發明的另一個方面，所述方法還包括修改用於製造預定義設計的任何半導體裝置製造過程的任何方面，其中該修改的執行回應預測的製造結果。
在本發明的另一個方面，提供一種用於控制半導體裝置製造的系統，該系統包括：散射特徵碼採集工具，配置為採集在至少一個訓練半導體晶片上的多個訓練位置處收集的訓練散射特徵碼，其中所述多個訓練位置對應於訓練半導體裝置預定義設計中的多個位置，其中訓練散射特徵碼在至少一個訓練半導體晶片上製造至少一個訓練半導體裝置期間，在一個或多個預定義處理步驟之後收集得到；製造結果資料採集工具，配置為採集與任何訓練位置相關的製造結果資料；機器學習單元，配置為執行機器學習以使用訓練散射特徵碼和和製造結果資料來訓練預測模型；以及預測單元，配置為將預測模型應用於候選散射特徵碼，以預測與候選散射特徵碼相關聯的製造結果，其中候選位置對應於候選半導體裝置的預定義設計位置，其中候選半導體裝置的預定義設計與至少一個訓練半導體裝置的預定義設計相同，並且其中在候選半導體晶片上製造候選半導體裝置期間，在一個或多個預定義處理步驟後收集候選散射特徵碼。
參考圖1A和圖1B，為根據本發明的一個實施方式構造和操作用於控制半導體裝置製造系統的簡化概念圖。在圖1A中，散射特徵碼採集工具100配置為在半導體晶片106上製造預定義設計的一個或多個半導體裝置108期間，採集從一個或多個半導體晶片106上的一個或多個訓練位置104收集的訓練散射特徵碼102，其中訓練位置104對應於半導體裝置108設計中的位置。在一個實施方式中，散射特徵碼採集工具100自身在訓練位置104上執行光譜反射法或橢圓偏振法，並從中收集訓練散射特徵碼102，例如散射特徵碼採集工具100本身所在位置，或者控制光譜橢圓儀（SE）、光譜反射儀（SR）、偏振光譜反射儀，或其他任何用於測量關鍵尺寸（CD）的測量工具或工具組合，例如干涉測量、基於X射線（XRS / XRD）、拉曼、Pump-Probe工具等。此類工具的一些示例在WO2018/211505，US10,161,885，US1,005,4423，US9,184,102和US10,119,925中公開，其所有內容均已轉讓給申請人，並通過引用整體併入本文。在另一個實施方式中，散射特徵碼採集工具100從一個或多個單獨的工具（未示出）中採集訓練散射特徵碼102，這些工具自身從訓練位置104收集訓練散射特徵碼102。在半導體晶片106上製造半導體裝置108期間，例如在完成給定的化學機械拋光（CMP）步驟之後和/或在一個或多個其他處理步驟之後，在一個或多個預定義處理步驟後收集訓練散射特徵碼102。在一個實施方式中，根據面向製造的設計（DFM）技術來確定半導體晶片106上的訓練位置104，例如通過基於半導體晶片106上的半導體裝置108的預定義設計執行熱點模擬。
採集訓練散射特徵碼102後，使用製造結果資料採集工具112採集製造結果資料110。在一個實施方式中，製造結果資料110包括根據常規技術通過一個或多個參考工具收集的資料，該資料表示在半導體晶片106上的任何訓練位置104上存在實際熱點或已知與熱點相關製造缺陷（例如氧化物、金屬缺失和凹陷）。所述參考工具可包括關鍵尺寸掃描電子顯微鏡（CD-SEM）、原子力顯微鏡（AFM）、測量關鍵尺寸的原子力顯微鏡（CD-AFM）或透射電子顯微鏡（TEM）等。另外或可替代地，製造結果資料110包括，根據常規技術在半導體晶片106上的半導體裝置108的電測試期間（通常在半導體裝置108製造完成之後）收集的資料，該資料表示存在與半導體晶片106上的任何訓練位置104相關的電氣故障。另外或可替代地，製造結果資料110包括，根據常規技術，在半導體晶片106上的任何訓練位置104上的具有一個或多個物理特徵（幾何結構或材料組成）的測量值。另外或可替代地，製造結果資料110包括，在半導體晶片106上的任何訓練位置104處收集的訓練散射特徵碼102中，使用用於確定統計離群值的預定義標準來確定的統計離群值，該統計離群值假定為與未知類型的製造缺陷有關。
機器學習單元114配置為根據常規技術執行機器學習（ML），從而使用訓練散射特徵碼102和製造結果資料110來訓練預測模型116，用於預測製造結果，如圖1B所示。
在圖1B中，散射特徵碼採集工具100'（可以是散射特徵碼採集工具100或以上述方式為散射特徵碼採集工具100配置的另一個相似或相同的散射特徵碼採集工具），配置為在半導體晶片106'上的一個或多個半導體裝置108'的製造期間（例如在後續的大批量製造（HVM）過程期間），採集從半導體晶圓106'上的候選位置104'收集的候選散射特徵碼102'。候選位置104'對應於一個半導體裝置108'設計中的位置，並且對應於具有相同預定義設計的一個半導體裝置108中的一個訓練位置104。在與任何處理步驟相對應的任何處理步驟之後，在半導體晶片106'的製造期間較佳地收集候選散射特徵碼102'，之後，半導體晶片106從相應的訓練位置104收集訓練散射特徵碼102。
預測單元118配置為根據用於訓練預測模型116的製造結果資料110的類型，將預測模型116應用於候選散射特徵碼102'，以預測候選位置104'處或與之相關的製造結果。預測單元118較佳地在半導體晶片106'製造期間，並且較佳地在採集候選散射特徵碼102'之後立即使用預測模型116。在一個實施方式中，預測單元118預測在候選位置104'處或其上方將出現實際熱點或已知與熱點相關的製造缺陷（例如氧化物、金屬缺失和凹陷）的可能性。另外或可替代地，預測單元118預測在候選位置104'處將出現電氣故障或與電氣故障相關的問題的可能性。另外或可替代地，預測單元118在候選位置104'處提供一個或多個物理特徵的預測測量值。另外或可替代地，預測單元118預測在候選位置104'處將出現未知類型製造缺陷的可能性。
在一個實施方式中，預測單元118配置為向一個或多個接收者（例如，操作人員或高級過程控制（APC）控制器120）提供通知，該通知表示任何預測的熱點位置和物理特徵測量值，該資訊之後可用於修改半導體晶片106'的當前製造過程或用於將來製造相同預定義設計的任何半導體裝置的製造過程的任何方面，例如根據預定義的製造過程修改協議和標準122。
參考圖2，圖2是根據本發明的一個實施方式操作的圖1A和圖1B系統的示例性操作方法的簡化流程圖。在圖2的方法中，在一個或多個半導體晶片上的半導體裝置的製造期間，在一個或多個預定義處理步驟後採集訓練散射特徵碼，其中從半導體裝置設計內的位置相對應的一個或多個訓練位置收集訓練散射特徵碼（步驟200）。採集在任何訓練位置處存在或與之有關的、與統計異常特徵碼相對應的實際熱點、已知與熱點相關的製造缺陷、電氣故障、物理特徵測量值和/或未知類型製造缺陷的製造結果資料（步驟202）。使用訓練散射特徵碼和製造結果資料執行機器學習，以訓練預測製造結果的預測模型（步驟204）。採集候選散射特徵碼，其中在不同晶片上製造具有相同設計的半導體裝置期間，從不同半導體晶片上的候選位置收集候選散射特徵碼，該候選位置對應於設計內的位置和訓練位置，在與任何處理步驟相對應的任何處理步驟之後收集候選散射特徵碼，之後從相應訓練位置收集訓練散射特徵碼（步驟206）。該預測模型應用於候選散射特徵碼，以根據用於訓練預測模型的製造結果資料的類型來預測一個或多個製造結果，這些資料包括在候選位置處或與候選位置相關的實際熱點、電氣故障、物理特徵測量值和/或未知製造缺陷類型（步驟208）。提供表示任何預測的製造結果的通知，根據預定義的製造過程修改協議和標準，該資訊之後用於修改候選半導體裝置的當前製造過程，或用於製造具有相同預定義設計的任何半導體裝置的製造過程的任何方面（步驟210）。
本文描述的本發明的任何方面可以在非暫時性電腦可讀介質中的電腦硬體和/或電腦軟體中實施，其中電腦硬體包括一個或多個電腦處理器、電腦記憶體、I/O設備以及使用常規技術進行交交互操作的網路介面。
可以理解的是，本文所使用的術語“處理器”或“設備”旨在包括任何處理設備，諸如包括中央處理單元（CPU）和/或其他處理電路的設備。另外，術語“處理器”或“設備”可以指多於一個的處理設備，並且與處理設備相關聯的各種元件可以被其他處理設備共用。
本文所使用的術語“記憶體”旨在包括與處理器或CPU相關聯的記憶體，例如RAM、ROM、固定記憶體設備（例如，硬碟驅動器）、卸除式存放裝置器設備（例如，軟碟）、快閃記憶體等。這樣的記憶體可以認為是電腦可讀儲存介質。
另外，本文所使用的“輸入/輸出設備”或“I/O設備”旨在包括一個或多個向處理單元輸入資料的輸入裝置（例如，鍵盤、滑鼠、掃描器等），和/或一個或多個輸出設備（例如揚聲器、顯示器、印表機等），用於顯示與處理單元相關的結果。
本發明的實施方式可包括系統、方法和/或電腦程式產品。電腦程式產品可包括一個電腦可讀儲存介質（或多個電腦可讀儲存介質），該電腦可讀儲存介質中存有使處理器運行本發明的電腦可讀程式指令。
所述電腦可讀儲存介質可以是能夠保留和儲存指令以供指令執行設備使用的有形設備。電腦可讀儲存介質可以但不限於是，例如電子存放裝置、磁存放裝置、光存放裝置、電磁存放裝置、半導體存放裝置或上述設備任何適當組合。電腦可讀儲存介質的更具體示例的非窮舉清單包括以下內容：可攜式電腦軟碟、硬碟、隨機存取記憶體（RAM）、唯讀記憶體（ROM）、可擦可程式設計唯讀記憶體（EPROM或快閃記憶體）、靜態隨機存取記憶體（SRAM）、可攜式光碟唯讀記憶體（CD-ROM）、數位多功能磁片（DVD）、記憶棒、軟碟、機械編碼設備（例如打孔卡或凹槽中的凸起結構，上面存有指令），以及上述設備任何適當組合。如本文所使用的，電腦可讀儲存介質不應被解釋為暫態訊號本身，例如無線電波或其他自由傳播的電磁波、通過波導或其他傳輸介質傳播的電磁波（例如，通過光纖電纜的光脈衝）、或通過電線傳輸的電訊號。
所述電腦可讀程式指令可經由網路（例如，互聯網、局域網、廣域網路和/或無線網路）從電腦可讀儲存介質下載到各個計算/處理設備或下載到外部電腦或外部存放裝置。該網路可包括銅傳輸電纜、光傳輸光纖、無線傳輸、路由器、防火牆、交換機、閘道電腦和/或邊緣伺服器。每個計算/處理設備中的網路介面卡或網路介面從網路接收電腦可讀程式指令，轉發電腦可讀程式指令以儲存在相應的計算/處理設備內的電腦可讀儲存介質中。
用於執行本發明的操作的電腦可讀程式指令可以是組合語言程式指令、指令集架構（ISA）指令、機器指令、機器相關指令、微代碼、固件指令、狀態設置資料，或以一種或多種程式設計語言（包括物件導向的程式設計語言，例如Java、Smalltalk、C++等，以及常規面向過程的程式設計語言，例如C語言或類似的程式設計語言）的任意組合編寫的原始程式碼或目標代碼。電腦可讀程式指令可以全部在使用者電腦上、部分在使用者電腦上、作為獨立套裝軟體執行、部分在使用者電腦上部分在遠端電腦上、完全在遠端電腦或伺服器上執行。在後一種情況下，遠端電腦可以通過任何類型的網路（包括局域網（LAN）或廣域網路（WAN））連接到使用者電腦，或者可以與外部電腦建立連接（例如，通過使用互聯網服務提供者的互聯網）。在一些實施方式中，電子電路（包括例如可程式設計邏輯電路、現場可程式設計閘陣列（FPGA）、可程式設計邏輯陣列（PLA））可以通過利用電腦可讀程式指令的狀態資訊來執行電腦可讀程式指令個性化電子電路來執行本發明。
此處，根據本發明實施方式的方法、裝置（系統）和電腦程式產品的流程圖和/或框圖描述了本發明的各個方面。應當理解，流程圖和/或框圖每個塊，以及流程圖和/或框圖的每個框的組合都可以通過電腦可讀程式指令來實施。
這些電腦可讀程式指令可提供給通用電腦、專用電腦或其他可程式設計資料處理設備的處理器，來產生機器，以使經由電腦的處理器或其他可程式設計資料處理設備的處理器執行的指令來創建方法，從而實施流程圖和/或框圖中指定的功能/動作。該電腦可讀程式指令還可以儲存在電腦可讀儲存介質中，該電腦可讀儲存介質可以指導電腦、可程式設計資料處理裝置和/或其他設備以特定方式工作，這樣其中存有指令的電腦可讀儲存介質包括製造物品，該製造物品包括實施流程圖和/或框圖中指定的功能/動作方面的指令。
也可以將所述電腦可讀程式指令載入到電腦、其他可程式設計資料處理裝置或其他設備上，以使得在電腦、其他可程式設計裝置或其他設備上執行一系列操作步驟，來產生電腦實施的流程，以使在電腦、其他可程式設計裝置或其他設備上執行的指令實施流程圖和/或框圖中指定的功能/動作。
圖式中的流程圖和框圖描述了根據本發明的各個實施方式的系統、方法和電腦程式產品的可能實施的架構、功能和操作。就這點而言，流程圖或框圖中的每個框可以表示電腦指令的模組、片段或一部分，包括用於實施指定的邏輯功能的一個或多個可執行電腦指令。在一些替代實施方式中，框中示出的功能可以不按圖式中示出的順序發生。例如，實際上，根據所涉及的功能，基本上可以同時執行連續示出的兩個框，或者可以以相反的循序執行這些框。還應注意，流程圖和框圖的每個框以及這些框的組合可以由執行指定功能或動作的基於專用硬體和/或基於軟體的系統來實施。
對本發明各實施方式的描述僅為說明目的，且不旨在排除或限制所披露的實施方式。例如，本文描述的系統和方法可應用於半導體晶片上的任何類型的結構。在不脫離所描述的實施方式的範圍和精神的情況下，許多修改和變化對於本領域普通技術人員是顯而易見的。
100、100’:散射特徵碼採集工具
102:訓練散射特徵碼
102’:候選散射特徵碼
104:訓練位置
104’:候選位置
106、106’:半導體晶片
108、108’:半導體裝置
110:製造結果資料
112:製造結果資料採集工具
114:機器學習單元
116:預測模型
118:預測單元
120:高級過程控制（APC）控制器
122:製造過程修改協議和標準
200~210:步驟
通過結合以下圖式的詳細描述，可以更充分地理解和領會本發明的各方面內容，在圖式中：
圖1A和圖1B結合起來是根據本發明的一個實施方式構造和操作用於控制半導體裝置製造系統的簡化概念圖；
圖2是根據本發明的一個實施方式操作的圖1A和圖1B的系統的示例性操作方法的簡化流程圖。
100:散射特徵碼採集工具
102:訓練散射特徵碼
104:訓練位置
106:半導體晶片
108:半導體裝置
110:製造結果資料
112:製造結果資料採集工具
114:機器學習單元
116:預測模型
Claims (22)
- 一種用於控制半導體裝置製造的方法，包括以下步驟：採集在至少一個訓練半導體晶片上的多個訓練位置收集的訓練散射特徵碼，其中，多個所述訓練位置對應於訓練半導體裝置的預定義設計的多個位置，並且其中，所述訓練散射特徵碼在所述至少一個訓練半導體晶片上製造至少一個所述訓練半導體裝置的期間，在一個或多個預定義處理步驟之後收集；採集與任何所述訓練位置相關的製造結果資料；使用所述訓練散射特徵碼和所述製造結果資料執行機器學習以訓練預測模型；以及將所述預測模型應用於候選散射特徵碼以預測與所述候選散射特徵碼相關聯的製造結果，其中，在候選半導體晶片上的候選位置處收集所述候選散射特徵碼，其中，所述候選位置對應於候選半導體裝置的預定義設計內的位置，其中，所述候選半導體裝置的所述預定義設計與至少一個所述訓練半導體裝置的預定義設計相同，其中，在所述候選半導體晶片上製造所述候選半導體裝置的期間，在一個或多個所述預定義處理步驟之後收集所述候選散射特徵碼，並且其中採集所述製造結果資料包括根據用於確定統計離群值的預定義標準，將未知類型的製造缺陷與所述訓練散射特徵碼被識別的任何所述訓練位置相關聯，作為相對於其他所述訓練位置的所述訓練散射特徵碼的統計離群值。
- 如請求項1所述之方法，其中任何所述預定義處理步驟都是化學機械拋光步驟。
- 如請求項1所述之方法，其進一步包括使用由製造熱點模擬 設計確定的可能的熱點位置來確定所述訓練位置。
- 如請求項1所述之方法，其中採集所述製造結果資料進一步包括使用至少一個參考工具來檢測所述訓練位置中的任何一處的熱點。
- 如請求項1所述之方法，其中採集所述製造結果資料進一步包括使用至少一個參考工具在任何所述訓練位置檢測已知與熱點相關聯的製造缺陷。
- 如請求項1所述之方法，其中採集所述製造結果資料進一步包括檢測與任何所述訓練位置相關的電氣故障。
- 如請求項1所述之方法，其中採集所述製造結果資料進一步包括在所述訓練位置中任何一處收集物理特徵的測量值。
- 如請求項7所述之方法，其中所述物理特徵是a)幾何結構和b)材料組成中的任何一種。
- 如請求項1所述之方法，其中在所述候選半導體裝置的製造期間執行所述預測模型的所述應用。
- 如請求項1所述之方法，其中在採集所述候選散射特徵碼後執行所述預測模型的所述應用。
- 如請求項1所述之方法，其還包括修改用於製造所述預定義設計的任何半導體裝置製造的任何方面，其中所述修改根據預測所述製造結果而執行。
- 一種用於控制半導體裝置製造的系統，包括：散射特徵碼採集工具，配置為採集在至少一個訓練半導體晶片上的多個訓練位置處收集的訓練散射特徵碼，其中，多個所述訓練位置對應於訓練半導體裝置的預定義設計的多個位置，並且其中，在所述至少一個訓練半導體晶片上製造至少一個所述訓練半導體 裝置的期間，在一個或多個預定義處理步驟之後收集所述訓練散射特徵碼；製造結果資料採集工具，配置為採集與所述訓練位置中的任何一處相關聯的製造結果資料；機器學習單元，配置為執行機器學習以使用所述訓練散射特徵碼和所述製造結果資料來訓練預測模型；預測單元，配置為將所述預測模型應用於候選散射特徵碼以預測與所述候選散射特徵碼相關聯的製造結果，其中，候選位置對應於候選半導體裝置的預定義設計內的位置，其中，所述候選半導體裝置的所述預定義設計與至少一個所述訓練半導體裝置的所述預定義設計相同，其中，在候選半導體晶片上製造所述候選半導體裝置的期間，在一個或多個所述預定義處理步驟之後收集所述候選散射特徵碼，並且其中所述製造結果資料表示根據用於確定統計離群值的預定義標準，將未知類型的製造缺陷與所述訓練散射特徵碼被識別的任何所述訓練位置相關聯，作為相對於其他所述訓練位置的所述訓練散射特徵碼的統計離群值。
- 如請求項12所述之系統，其中任何所述預定義處理步驟都是化學機械拋光步驟。
- 如請求項12所述之系統，其中所述訓練位置對應於由製造熱點模擬設計確定的可能的熱點的位置。
- 如請求項12所述之系統，其中所述製造結果資料使用至少一個參考工具採集，以檢測任何所述訓練位置處的熱點。
- 如請求項12所述的系統，其中所述製造結果資料使用至少一個參考工具採集，以檢測任何所述訓練位置處的已知與熱點相關的製造缺陷。
- 如請求項12所述之系統，其中所述製造結果資料是通過檢測與任何所述訓練位置處相關的電氣故障來採集的。
- 如請求項12所述之系統，其中所述製造結果資料是通過在任何所述訓練位置處收集物理特徵的測量值來採集的。
- 如請求項18所述之系統，其中所述物理特徵是a)幾何結構和b)材料組成中的任何一種。
- 如請求項12所述之系統，其中所述預測單元配置為在所述候選半導體裝置的製造期間應用所述預測模型。
- 如請求項12所述的系統，其中所述預測單元配置為在採集所述候選散射特徵碼時應用所述預測模型。
- 如請求項12所述之系統，其中所述預測單元配置為向接收者提供表示預測所述製造結果的通知，所述接收者配置為回應於預測所述製造結果修改用於製造所述預定義設計的任何半導體裝置的製造過程的任何方面。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962839712P | 2019-04-28 | 2019-04-28 | |
| PCT/IB2020/053985 WO2020222115A1 (en) | 2019-04-28 | 2020-04-28 | Semiconductor device manufacture with in-line hotspot detection |
| WOPCT/IB2020/053985 | 2020-04-28 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202141331A TW202141331A (zh) | 2021-11-01 |
| TWI776335B true TWI776335B (zh) | 2022-09-01 |
Family
ID=73028784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW109146760A TWI776335B (zh) | 2019-04-28 | 2020-12-30 | 控制半導體裝置製造的方法及系統 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20220208620A1 (zh) |
| IL (1) | IL287677B2 (zh) |
| TW (1) | TWI776335B (zh) |
| WO (1) | WO2020222115A1 (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016086138A1 (en) * | 2014-11-25 | 2016-06-02 | Stream Mosaic, Inc. | Improved process control techniques for semiconductor manufacturing processes |
| US20170109646A1 (en) * | 2014-11-25 | 2017-04-20 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9470743B2 (en) * | 2014-03-04 | 2016-10-18 | Nvidia Corporation | Dynamic yield prediction |
| KR102188014B1 (ko) * | 2016-05-12 | 2020-12-08 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 의한 결함 또는 핫스폿의 식별 |
| US11275361B2 (en) * | 2017-06-30 | 2022-03-15 | Kla-Tencor Corporation | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process |
| US11035666B2 (en) * | 2017-08-07 | 2021-06-15 | Kla-Tencor Corporation | Inspection-guided critical site selection for critical dimension measurement |
| US11022642B2 (en) * | 2017-08-25 | 2021-06-01 | Pdf Solutions, Inc. | Semiconductor yield prediction |
| US10713534B2 (en) * | 2017-09-01 | 2020-07-14 | Kla-Tencor Corp. | Training a learning based defect classifier |
| US11520321B2 (en) * | 2019-12-02 | 2022-12-06 | Kla Corporation | Measurement recipe optimization based on probabilistic domain knowledge and physical realization |
-
2020
- 2020-04-28 IL IL287677A patent/IL287677B2/en unknown
- 2020-04-28 US US17/607,044 patent/US20220208620A1/en active Pending
- 2020-04-28 WO PCT/IB2020/053985 patent/WO2020222115A1/en active Application Filing
- 2020-12-30 TW TW109146760A patent/TWI776335B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016086138A1 (en) * | 2014-11-25 | 2016-06-02 | Stream Mosaic, Inc. | Improved process control techniques for semiconductor manufacturing processes |
| US20170109646A1 (en) * | 2014-11-25 | 2017-04-20 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
| CN107004060A (zh) * | 2014-11-25 | 2017-08-01 | 流动马赛克公司 | 用于半导体制造工艺的经改进工艺控制技术 |
| US20180358271A1 (en) * | 2014-11-25 | 2018-12-13 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
Also Published As
| Publication number | Publication date |
|---|---|
| IL287677A (en) | 2021-12-01 |
| IL287677B1 (en) | 2024-02-01 |
| US20220208620A1 (en) | 2022-06-30 |
| IL287677B2 (en) | 2024-06-01 |
| WO2020222115A1 (en) | 2020-11-05 |
| TW202141331A (zh) | 2021-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI784018B (zh) | 用於使用半導體製造程序中之深度學習預測缺陷及臨界尺寸之系統及方法 | |
| TWI760929B (zh) | 半導體度量方法及半導體度量系統 | |
| TWI330323B (en) | Method, apparatus, article and system for adjusting a sampling protocol of processed workpieces | |
| TW201250503A (en) | Design based device risk assessment | |
| CN110325843B (zh) | 引导式集成电路缺陷检测 | |
| JP2006189724A (ja) | パターン抽出システム、測定ポイント抽出方法、パターン抽出方法及びパターン抽出プログラム | |
| JP2006245485A (ja) | 欠陥レビューシステム、欠陥レビュー方法、及び電子装置の製造方法 | |
| TWI400740B (zh) | 有關未被抽樣的工件之資料表示 | |
| TW202248659A (zh) | 使用內嵌缺陷部分平均測試用於半導體適應測試之系統及方法 | |
| TWI776335B (zh) | 控制半導體裝置製造的方法及系統 | |
| US9471743B1 (en) | Predicting process fail limits | |
| TWI754207B (zh) | 用於半導體裝置度量衡及檢驗之方法及系統 | |
| US20180143248A1 (en) | Early development of a database of fail signatures for systematic defects in integrated circuit (ic) chips | |
| TWI750368B (zh) | 光學檢驗結果之計量導引檢驗樣品成形 | |
| Kong et al. | In-line characterization of non-selective SiGe nodule defects with scatterometry enabled by machine learning | |
| US10642950B2 (en) | Verifying planarization performance using electrical measures | |
| Vikram et al. | Cad layout analysis for defect inspection in semiconductor fabrication | |
| JP2009218570A (ja) | 欠陥管理システム及び欠陥管理方法 | |
| Montal et al. | DUV inspection and defect origin analysis for 22 nm spacer self-aligned double-patterning | |
| JP2013069712A (ja) | 欠陥検査方法およびプログラム | |
| Xu et al. | Real time decision based multiple mode SEM review imaging solution |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GD4A | Issue of patent certificate for granted invention patent |