TWI779986B - 使用神經網路的光譜監測 - Google Patents

使用神經網路的光譜監測 Download PDF

Info

Publication number
TWI779986B
TWI779986B TW111101381A TW111101381A TWI779986B TW I779986 B TWI779986 B TW I779986B TW 111101381 A TW111101381 A TW 111101381A TW 111101381 A TW111101381 A TW 111101381A TW I779986 B TWI779986 B TW I779986B
Authority
TW
Taiwan
Prior art keywords
substrate
processing
polishing
neural network
computer program
Prior art date
Application number
TW111101381A
Other languages
English (en)
Other versions
TW202220049A (zh
Inventor
班傑明 傑瑞安
Original Assignee
美商應用材料股份有限公司
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 美商應用材料股份有限公司 filed Critical 美商應用材料股份有限公司
Publication of TW202220049A publication Critical patent/TW202220049A/zh
Application granted granted Critical
Publication of TWI779986B publication Critical patent/TWI779986B/zh

Links

Images

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • 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
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/005—Control means for lapping machines or devices
    • B24B37/013—Devices or means for detecting lapping completion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/04—Lapping machines or devices; Accessories designed for working plane surfaces
    • B24B37/042—Lapping machines or devices; Accessories designed for working plane surfaces operating processes therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/04—Lapping machines or devices; Accessories designed for working plane surfaces
    • B24B37/07—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool
    • B24B37/10—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool for single side lapping
    • B24B37/105—Lapping machines or devices; Accessories designed for working plane surfaces characterised by the movement of the work or lapping tool for single side lapping the workpieces or work carriers being actively moved by a drive, e.g. in a combined rotary and translatory movement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/02—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent
    • B24B49/04—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent involving measurement of the workpiece at the place of grinding during grinding operation
    • B24B49/045—Specially adapted gauging instruments
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having at least one potential-jump barrier or surface barrier, e.g. PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having at least one potential-jump barrier or surface barrier, e.g. PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic System or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/304—Mechanical treatment, e.g. grinding, polishing, cutting
    • 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
    • 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
    • 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
    • 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
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations

Abstract

處理基板的方法包括以下步驟：使基板經受修改基板之外層之厚度的處理、在處理期間量測從基板反射之光的光譜、縮減量測光譜的維度以產生複數個分量值、使用人工神經網路產生表徵值，及基於表徵值來確定是停止處理基板還是調整處理參數中之至少一者。人工神經網路具有接收複數個分量值的複數個輸入節點、輸出表徵值的輸出節點及將輸入節點連接至輸出節點的複數個隱藏節點。

Description

使用神經網路的光譜監測
本申請案與(例如)在處理(如化學機械拋光)期間之基板的光學監測相關。
積體電路通常藉由在矽晶圓上順序式沉積導電層、半導體層或絕緣層而形成在基板上。一製造步驟涉及在非平面表面上沉積填料層及平坦化填料層。對於一些應用來說，填料層經平坦化直到圖案化層的頂表面被暴露為止。例如，可將導電填料層沉積在圖案化的絕緣層上，以填充絕緣層中的溝槽或孔。在平坦化之後，保留在絕緣層的凸起圖案之間之導電層的部分形成通孔、插塞及在基板上的薄膜電路之間提供導電路徑的線。對於其他應用來說，填料層經平坦化直到預定厚度留在底層上。例如，經沉積的介電層可經平坦化以進行光微影。
化學機械拋光(CMP)為一種公認的平坦化方法。此平坦化方法通常要求基板安裝在承載頭上。通常將基板的暴露表面放置靠在具有耐久粗糙表面的旋轉拋光墊上。承載頭在基板上提供可控制的載荷以將該基板推靠至拋光墊。典型地將拋光液(如具有研磨顆粒的研磨漿)供給至拋光墊的表面。
CMP中的一個問題為使用合適的拋光速率來獲得所需的輪廓(例如，已經平坦化到所期望的平坦度或厚度的基板層或已去除了期望量的材料)。基板層之初始厚度、漿料分佈、拋光墊條件、拋光墊及基板之間的相對速度及基板上之載荷的變化可引起基板上(及基板至基板)材料移除速率的變化。彼等變化導致達到拋光終點所需時間及所需去除的量的變化。因此，僅根據拋光時間來確定拋光終點是不可能的，或僅藉由施加恆定壓力來實施期望輪廓是不可能的。
在一些系統中，(例如)藉由光監控系統在拋光期間中原位監測基板。來自原位監控系統的厚度量測可用於調節施加至基板的壓力，以調節拋光速率及減少晶圓內不均勻性(WIWNU)。
在一態樣中，一種用於控制基板之處理的電腦程式產品具有使處理器執行以下操作的指令，該等以下操作為：從原位光監控系統接收自正進行處理的基板反射的光的量測光譜，該處理係修改該基板之外層的厚度；縮減該量測光譜的維度以產生複數個分量值；使用人工神經網路來產生表徵值，及基於該表徵值來確定是該基板的停止處理還是處理參數的調整中的至少一者。
在另一態樣中，一種處理基板的方法包括以下步驟：使基板經受修改該基板之外層的厚度的處理、在該處理期間利用原位光監控系統量測從正進行處理之該基板所反射之光的量測光譜、縮減該量測光譜的維度以產生複數個分量值、使用人工神經網路來產生表徵值，及基於該表徵值來確定是該基板的停止處理還是處理參數的調整中的至少一者。
在另一態樣中，一種拋光系統包括：支撐拋光墊的支撐件、保持與該拋光墊接觸的基板的承載頭、在該支撐件與該承載頭之間產生相對運動的馬達、量測在該拋光期間所反射之光的光譜的原位光監控系統，及經配置成執行以下步驟的控制器，該等以下步驟為：從該光學原位監控系統接收從正進行處理之該基板所反射之光的量測光譜、縮減該量測光譜的維度以產生複數個分量值、使用人工神經網路來產生表徵值，及基於該特徵值來確定是該基板的停止處理還是處理參數的調整中的至少一者。
人工神經網路具有接收複數個分量值的複數個輸入節點、輸出表徵值的輸出節點及將輸入節點連接至輸出節點的複數個隱藏節點。
實施可包括一個或多個下列特徵。
可對複數個參考光譜執行特徵提取以產生複數個分量。特徵提取可包括執行主成分分析、奇異值分解、獨立成分分析或自編碼。可在具有已知表徵值之複數個參考光譜中的兩者或更多者上執行維度縮減以產生訓練資料。可使用訓練資料及已知表徵值而藉由倒傳遞來訓練人工神經網路。兩個或更多個光譜可少於全部的複數個光譜。可對具有已知表徵值的複數個參考光譜執行維度縮減以產生訓練資料。可使用訓練資料及已知表徵值而藉由倒傳遞來訓練人工神經網路。
神經網路可包括至少一個輸入節點，該至少一個輸入節點經配置成接收基板的先前量測、先前基板的量測、處理系統中之另一感測器的量測、來自於處理系統外部之感測器的量測、來自控制器所儲存之處理配方的值或由控制器所追蹤之變量的值中的至少一者。
可藉由表徵值(CV)的計算來執行維度的縮減及表徵值的產生，該計算係基於下式： CV = C 1*tanh(0.5( N 1 ∙S)+0.5b 1) + C 2*tanh(0.5( N 2 ∙S)+0.5b 2) + … + C L*tanh(0.5( N L ∙S)+0.5b L) 其中S為量測光譜，N k=(a k1 V 1 .+ a k2 V 2 .+...+ a kL V L )，a ki、b i及C i為神經網路所設定的權重，及Vi為用於該維度縮減的特徵向量。
處理可為化學機械拋光、蝕刻或沉積。
某些實施可具有以下一或多個優勢。可更精確及/或更快速地量測基板上的層的厚度。可減少晶圓內厚度不均勻性及晶圓對晶圓厚度不均勻性(WIWNU及WTWNU)，及可改善端點系統偵測期望處理端點的可靠度。
在附加圖式及下文敘述中闡述了一或多個實施例的細節。其他特徵、態樣及優勢自描述、附加圖式及申請專利範圍將變得顯而易見。
一種監控技術為量測從被拋光基板反射之光之光譜。已提出了各種技術來自經量測光譜中確定表徵值(例如，被拋光層的厚度)。例如，可從參考光譜庫中選擇與經量測光譜最匹配的參考光譜且可使用參考光譜的表徵值。作為另一個例子，可追蹤光譜中之峰的位置且峰的位置可與表徵值相關。然而，當經量測光譜及厚度之間的關係太複雜以致於無法在小型庫或單個特徵中有效地捕獲時，此等技術可能是有問題的。
儘管吾人可藉由經驗模型來讓光譜與厚度為統計學上相關，但由於光譜具有許多資料點，故存在過度擬合(亦即，統計模型最終係描述了隨機誤差或雜訊，而非潛在關係)的危險。然而，可藉由縮減光譜的維度來減少過度擬合的危險，接著將縮減維度的資料輸入至神經網路以產生厚度量測。
圖1示出了拋光設備20的範例。拋光設備20可包括可旋轉的盤狀平臺22，拋光墊30位於該盤狀平臺22上。可操作平臺以圍繞軸23旋轉。例如，馬達24可轉動驅動軸26以旋轉平臺22。拋光墊30可以(例如)藉由一層黏合劑來可拆卸地固定在平臺22上。拋光墊30可為具有外拋光層32及較軟的背托層34的兩層拋光墊。
拋光設備20可包括拋光液供給口40，以將拋光液42(如研磨漿)分配至拋光墊30上。拋光設備20亦可包括研磨拋光墊30的拋光墊修整器，以保持拋光墊30處於一致的研磨狀態。
可操作承載頭50以將基板10保持靠在拋光墊30上。每個承載頭50亦包括複數個可獨立控制的可加壓腔室(例如，三個腔室52a至52c)，該等可加壓腔室可施加獨立可控的加壓至相關區域12a至12c(見圖2)。參考圖2，中心區域12a可為大致上圓形，其餘區域12b至12c可為圍繞中心區域12a的同心環形區域。
回到圖1，腔室52a至52c可由具有安裝基板10之底表面的柔性膜54限定。承載頭50亦可包括固定環56，以將基板10固定在柔性膜54下方。儘管為了便於說明而在圖1及圖2中僅示出了三個腔室，但在圖1及圖2中係可具有兩個腔室，或四個或更多個腔室(例如，五個腔室)。此外，可在承載頭50中使用其他機構(例如，壓電致動器)來調整施加至基板的壓力。
每個承載頭50懸掛在支撐結構60(例如，旋轉料架或軌道)上，及藉由驅動軸62將每個承載頭50連接至承載頭旋轉馬達64，以使得承載頭可圍繞軸51旋轉。可選地，每個承載頭50可藉由沿著或軌道運動或藉由旋轉料架本身的旋轉擺動而(例如)在旋轉料架的滑塊上橫向擺動。在操作中，平臺22圍繞其中心軸23旋轉，及承載頭50圍繞其中心軸51旋轉並橫向平移橫過拋光墊30的頂表面。
拋光設備亦包括原位監控系統70，該原位監控系統70可用來控制拋光參數(例如，一或多個腔室52a至52c中經施加的壓力)，以控制一或多個區域12a至12c的拋光速率。原位監控系統70產生指示區域12a至12c之每者中之被拋光層之厚度的信號。原位監控系統可為光監控系統(例如，光譜監控系統)。
光監控系統70可包括光源72、光偵測器74及用於在控制器90(例如，電腦)與光源72及光偵測器74之間發送及接收信號的電路系統76。一或多個光纖可用於將來自光源72的光傳送至拋光墊30中的窗36，及將自基板10所反射的光傳送到偵測器74。例如，分叉光纖78可用於將光自光源62傳送至基板10並傳回至偵測器74。作為光譜系統，光源72可為可操作的以發射白光，及偵測器74可為分光計。
電路系統76的輸出可為數位電子信號，該數位電子信號通過驅動軸26中的旋轉耦合器28(例如，集電環)至控制器90。替代地，電路系統76可藉由無線信號與控制器90進行通訊。控制器90可為包括微處理器、記憶體及輸入/輸出電路系統的計算裝置(例如，可程式化電腦)。儘管係用單一方塊來說明，但控制器90可以是具有分散在多個電腦上的功能的聯網系統。
在一些實施中，原位監控系統70包括安裝在平臺22中並與其一起旋轉的感測器80。例如，感測器80可為光纖78的端部。平臺22的運動將引起感測器80掃描基板。如圖3所示，由於平臺的旋轉(由箭頭38示出)，故當感測器80在承載頭下方行進時，原位監控系統以取樣頻率進行量測；因此，在穿過基板10的圓弧中之位置14處進行量測(點的數量係說明性的；取決於取樣頻率，可採取比所示更多或更少的量測)。
在平臺的一旋轉中，從基板10上的不同位置獲得光譜。特別地，可從更靠近基板10之中心的位置獲得一些光譜，及可從更靠近邊緣的位置獲得一些光譜。控制器90可經配置為針對來自掃描的每次量測，而基於時間點、馬達編碼器資訊、平臺旋轉或位置感測器資料及/或基板及/或固定環之邊緣的光學偵測來(相對於基板10之中心)計算徑向位置。控制器因此可將各種量測結果與各個區域12a至12c(參見圖2)相關聯。在一些實施中，量測的時間可作為對徑向位置之精確計算的替代。
回到圖1，控制器90可基於來自原位監控系統的信號來導出基板的每個區域的表徵值。具體而言，隨著拋光進行，控制器90隨時間產生表徵值的序列。控制器90可為基板10下方的感測器的每次掃描產生每個區域的至少一個表徵值，或以量測頻率(不需要與取樣頻率相同)為每個區域產生表徵值，(例如)以用於不在基板上掃描感測器的拋光系統。在一些實施中，每次掃描產生單個表徵值；例如，可組合多個量測以產生表徵值。在一些實施中，使用每個量測來產生表徵值。
表徵值典型地為外層的厚度，但其係可為相關特徵(如厚度去除)。另外，表徵值可為經由拋光處理之基板進展的更一般的表示(例如，表示平臺旋轉的時間或數量的指標值；在預定進展後的拋光處理中將期望以該指標值來觀察量測)。
控制器90可使用兩步驟處理以自原位光譜監控系統70的量測光譜產生表徵值。首先，縮減量測光譜的維度，接著經縮減維度的資料被輸入至人工神經網路，該人工神經網路將輸出表徵值。藉由對每個量測光譜執行此過程，人工神經網路可產生表徵值序列。
原位光譜監控系統70及控制器90的組合可提供終點及/或拋光均勻性控制系統100。亦即，控制器90可基於一系列的特徵值來偵測拋光終點並停止拋光及/或在拋光處理過程中調節拋光壓力以減少拋光不均勻性。
圖4示出了由控制器90實施的功能方塊，該等功能方塊包括執行維度縮減的維度縮減模組110、神經網路120及處理控制系統130以調節拋光處理；例如，基於一系列的特徵值來偵測拋光終點並停止拋光及/或在拋光處理過程中調整拋光壓力，以減少拋光不均勻性。如上所述，此等功能方塊可分佈在多台電腦上。
神經網路120包括用於每個主要組件的複數個輸入節點122、複數個隱藏節點124(下文中亦稱為「中間節點」)及將產生表徵值的輸出節點126。在具有單層隱藏節點的神經網路中，每個隱藏節點124可耦合至每個輸入節點122，及輸出節點126可耦合至每個隱藏節點220。
通常來說，隱藏節點124輸出來自隱藏節點所連接到之輸入節點122之值的加權和的非線性函數的值。
例如，隱藏節點124(指定節點k)的輸出可表示成下式： tanh (0.5∗a k1( I 1)+ a k2( I 2)+ … + a kM( I M)+b k)                    方程式1 其中tanh為雙曲正切，a kx為第k個中間節點與第x個輸入節點(取自M個輸入節點)間之連接的權重，及 I M為第M個輸入節點處的值。然而，可使用其他非線性函數來取代tanh，如修正線性單元(ReLU)函數及其變體。
維度縮減模組110將量測光譜減少至更有限數量的分量值(例如，L個分量值)。神經網路120包括用於光譜被減少的每個分量的輸入節點122(例如，在模組110產生L個分量值的情況下，神經網路120將至少包括輸入節點N 1、N 2...及N L)。
因此，在輸入節點的數目對應於量測光譜被減少的分量的數目(亦即，L = M)的情況下，隱藏節點124(指定節點k)的輸出H k可表達成下式： H k= tanh (0.5∗a k1( I 1)+ a k2( I 2)+ … + a kL( I L)+b k)
假定量測光譜S由行矩陣(i 1、i 2...及i n)表示，則中間節點124(指定節點k)的輸出可表示成下式： H k= tanh (0.5∗ a k1( V 1∙S)+ a k2( V 2∙S)+ … + a kL( V L∙S)+ b k)            方程式2 其中V x為將提供量測光譜轉換至經縮減維度資料之第x個分量(取自L個分量)之值之轉換的列矩陣(v 1、v 2...及v n)。例如，可藉由矩陣W或下述矩陣W’之第x行(取自L個行)來提供v x；亦即，V x為W T的第x列。因此，W x可表示來自維度縮減矩陣的第x個特徵向量。
輸出節點126可產生表徵值CV，該表徵值CV為隱藏節點之輸出的加權和。例如，此可表示成下式： CV = C 1*H 1+ C 2*H 2+ … + C L*H L其中C k為第k個隱藏節點之輸出的權重。
然而，神經網路120可以可選地包括一或多個其他輸入節點(例如，節點122a)以接收其他資料。此其他資料可來自原位監控系統對基板的先前量測(例如，從基板處理中早期收集的光譜)、來自先前基板的量測(例如，在處理另一基板期間收集的光譜)、來自拋光系統中的另一個感測器(例如，由溫度感測器所量測的襯墊或基板的溫度)、來自由用於控制拋光系統之控制器所儲存之拋光配方(例如，如用於拋光基板的承載頭壓力或平臺旋轉速率的拋光參數)、來自由控制器所追蹤的變量(例如，自從襯墊被改變以來的基板數量)或來自非拋光系統的一部分的感測器(例如，由計量站所量測之底層的厚度量測)。此允許神經網路120在計算表徵值時考慮到此等其他處理或環境變數。
在用於(例如)裝置晶圓之前，需要配置維度縮減模組110及神經網路112。
作為維度縮減模組110之配置過程的一部分，控制器90可接收複數個參考光譜及與複數個參考光譜中的每個參考光譜相關聯的表徵值(例如，厚度)。例如，可在一或多個測試基板上的特定位置處量測參考光譜。另外，可使用計量設備(例如，接觸式表面光度計或橢圓偏振計)來執行特定位置處之厚度的量測。厚度量測因此可與來自基板上之相同位置的參考光譜相關聯。複數個參考光譜可包括(例如)五至十個參考光譜。
作為用於維度縮減模組110之配置過程的另一部分，控制器90可產生用於參考光譜之資料集的共變數矩陣的一組特徵向量。一旦已產生了該組特徵向量，可排序特徵向量，及可保留預設數量之具有最大特徵值(例如，最前面的四至八個)的特徵向量。
藉由與表徵值相關聯的特徵值對特徵向量進行排序顯示了資料集變化最大的方向。量測光譜在排名最高的特徵向量上的投影以顯著降低的基礎提供了原始向量的有效表示。
作為解釋，每個參考光譜可由下列矩陣表示： R=(i 1, i 2, …, i n) 其中i j表示在總共n個波長的第j個波長處的光強度。光譜可包括(例如)二百到五百個強度量測；n可為二百到五百。
假設產生了m個參考光譜，則可組合m個矩陣 R以形成以下矩陣：
Figure 02_image001
其中i jk表示第j個參考光譜的第k個波長處的光強度。矩陣A的每列表示參考光譜(例如，在基板上的一個位置處的量測)。
對矩陣 A應用如主成分分析(PCA)的縮減維度處理。PCA執行正交化線性變換，該正交化線性變換將 A矩陣(m×n維)中的資料變換為新的座標系，使得資料的任何投影的最大變異數在第一個座標(稱為第一主成分)上、第二大變異數在第二個座標上，依次類推。在數學上，變換由一組p維的權重向量w k=(w k1,w k2... w kp)定義，該組權重向量w k將矩陣 A之每個m維列向量A i映射至主成分分數t i=( t k1,t k2... t ip)的新向量，其中t ki為下式： t ki= A i·w k 每個向量 w k 被限制成一單位向量。結果， t i 的各個變量繼承矩陣 A的最大可能變異數。矩陣 A的分解可寫成下式： T=AW其中W為p*n的矩陣，該矩陣中的行是 A T A的特徵向量。
在詹姆斯拉姆齊及B.W.西耳弗曼所著的「功能資料分析(Functional Data Analysis)」(Springer出版社;第2版(2005年7月1日))及I.T.喬立夫所著的「主成分分析(Principal Component Analysis)」(Springer出版社；第2版(2002年10月2日))中也論述了PCA的細節。
控制器可使用SVD(奇異值分解)或ICA(獨立成分分析)來取代PCA，SVD係為參考光譜資料集的廣義特徵分解，而ICA係發現預定數量的統計上獨立的信號，其添加組合產生了參考光譜資料集。
接著，藉由僅保持排名最高的特徵向量來縮減維度。具體來說，可保持總共L個主成分(代替p個主成分)，其中L為0及p之間的整數(例如，3到10)。舉例而言，(例如)藉由保持使用 T矩陣之最左邊的L行，可將 T矩陣簡化為m×L矩陣 T'。類似地，(例如)藉由保持 W矩陣之最左邊的L行，可將 W矩陣縮減為n×L矩陣 W'。
作為另一範例，可使用如自動編碼的非線性縮減維度技術。可將所使用的自動編碼器實施為神經網路，該神經網路嘗試藉由將其傳遞至多個層來重建原始輸入(其可具有維度N)。多個中間層之一者將具有縮減數目的隱藏神經元。藉由最小化輸出層及輸入層之間的差異來訓練網路。在此種情況中，隱藏神經元的值可被視為縮減維度的光譜。由於縮減維度不再是線性過程，故此技術可提供優於PCA及其他類似技術的優勢。
從神經網路120的配置程序開始，使用每個參考頻譜的分量值及表徵值來訓練神經網路120。
矩陣 T'的每一列對應於參考光譜之一者，因此矩陣 T'的每一列與表徵值相關聯。當神經網路120以訓練模式(如倒傳遞模式)運作時，沿特定列的值(t 1,t 2 ...t L)被饋送至用於主成分的相應輸入節點N 1、N 2... N L，同時該列的特徵值V被饋送至輸出節點126。每列可重複此過程。此過程設置上述方程式1或方程式2中之a k1等的值。
可使用比用於訓練神經網路的資料集更大的資料來執行(例如)藉由PCA、SVD及ICA等之主成分的確定。亦即，用於確定主成分之光譜的數量可大於具有用於訓練之已知特徵值的光譜的數量。
系統現在準備運行。使用原位光譜監控系統70來在拋光期間自基板量測光譜。量測光譜可由行矩陣S =(i 1,i 2... i n)表示，其中i j表示在總共n個波長之第j個波長處的光強度。行矩陣 S乘以 W'矩陣以產生行矩陣；亦即， S · W'= P，其中 P=(P 1,P 2... P L)，其中P i表示第i個主成分的分量值。
當以推論模式使用神經網路120時，該等值(P 1,P 2... P L)作為輸入被饋送至相應的輸入節點N 1、N 2...及N L。結果，神經網路120在輸出節點126處產生特徵值(例如，厚度)。
由維度縮減模組110及神經網路120所執行之用以產生表徵值CV的組合計算可表示如下式： CV = C 1*tanh(0.5( N 1 ∙S)+0.5b 1) + C 2*tanh(0.5( N 2 ∙S)+0.5b 2) + … + C L*tanh(0.5( N L ∙S)+0.5b L) 其中N k=(a k1V 1+ a k2V 2+ ... + a kLV L)，其中權重a ki為由神經網路120設定的權重，及向量V i為由維度縮減模組110確定的特徵向量。
神經網路120的架構可在深度及寬度上變化。例如，儘管神經網路120被示為具有單行中間節點124，但神經網路120係可包括多個行。中間節點124的數量可等於或大於輸入節點122的數量。
如上所述，控制器90可將各種量測光譜與基板10上的不同區域12a至12c(參見圖2)相關聯。每個神經網路120的輸出可基於在量測光譜時感測器在基板10上的位置而被分類成屬於多個區域中之一者。此允許控制器90為每個區域產生單獨的表徵值序列。
表徵值經饋送至處理控制模組130；例如，處理控制模組130接著可使用每個區域的表徵值來調整處理參數，以減少整個基板的不均勻性及/或偵測拋光終點。
在一些實施中，參考圖5，控制器90可經配置為具有多個神經網路120。神經網路120可平行運作以基於區域的量測光譜來產生該區域的表徵值。神經網路的數量可匹配區域的數量。例如，可有用於第一區域12a的第一神經網路120a、用於第二區域12b的第二神經網路120b及用於第三區域12c的第三神經網路。每個神經網路120的輸出可經饋送至處理控制模組130。
可藉由重構光譜及接著確定重建光譜與原始量測光譜之間的差異來評估計算出的表徵值的可靠性。例如，一旦已計算了主成分值(P 1,P 2,...,P L)，便可藉由 P· W 'T= Q來產生重建光譜Q。接著，可(例如)使用平方差的和來計算P和S之間的差。若差很大，則處理模組130可忽略相關的表徵值。
例如，參考圖6，第一函數204可擬合於第一區域之特徵值202的序列200，及第二函數214可擬合於第二區域之特徵值212的序列210。處理控制器可計算第一函數及第二函數被投影到的時間T1及時間T2以達到目標值V及計算經調整的處理參數(例如，經調整的承載頭壓力)，此將導致多個區域中之一者以經修正速率(由線220示出)被拋光，使得多個區域大致在同時達到目標。
在函數指示特徵值達到目標值V時，處理控制器130可觸發拋光終點。
本發明的實施例及本說明書中描述的所有功能操作可用數位電子電路系統或電腦軟體、韌體或硬體來實施，該數位電子電路系統或電腦軟體、韌體或硬體包括本說明書中所揭露的結構手段及其結構等同物，或該等結構手段及其結構的組合。本發明的實施例可實施為一或多個電腦程式產品，亦即，一或多個有形地實施在機器可讀取儲存媒體中以由資料處理設備(例如，可程式化處理器、電腦或多個處理器或電腦)執行或控制資料處理設備之操作的電腦程式。電腦程式(亦稱為程式、軟體、軟體應用程式或代碼)可用任何形式的程式語言(包括編譯語言或直譯語言)編寫，及可用任何形式(包括作為獨立程式或作為適合在計算環境中使用的模組、元件、子常式或其他單元)來部署電腦程式。電腦程式不一定對應於一檔案。程式可儲存在保存其他程式或資料的檔案的一部分中、專用於所論述之程式的單個檔案中，或儲存在多個協同檔案中(例如，儲存一或多個模組、子程式或部分代碼的檔案)。電腦程式可在一台電腦上，或在一個站點處的多台電腦上，或在分佈於多個站點並藉由通訊網路互連的多台電腦上部署或執行。
本說明書中描述的處理及邏輯流程可由執行一或多個電腦程式的一或多個可程式化處理器執行，以藉由操作輸入資料並產生輸出來執行功能。處理及邏輯流程亦可由專用邏輯電路系統(例如，FPGA(現場可程式化閘陣列)或ASIC(特殊應用積體電路))來執行，設備亦可實施為該專用邏輯電路系統。
上述拋光設備及方法可應用於各種拋光系統。拋光墊或承載頭(或兩者)皆可移動以在拋光表面及基板之間提供相對運動。例如，平臺可能是繞軌道運行而不是在旋轉。拋光墊可為經固定至平臺的圓形(或一些其他形狀)墊。拋光系統可為線性拋光系統，(例如)其中拋光墊是連續的或為線性移動的卷對卷帶。拋光層可為標準(例如，具有或不具有填料的聚氨酯)拋光材料、軟材料或固定研磨材料。相對定位的術語係用於元件的相對定向或定位；應理解的是，拋光表面及基板可相對於重力而保持在垂直取向或一些其他取向。
儘管上文敘述係集中於化學機械拋光，但控制系統可適用於其他半導體處理技術；例如，蝕刻或沉積(例如，化學氣相沉積)。此外，可將技術應用於線上或獨立的計量系統(而不是原位監測)。
已描述了本發明的特定實施例。其他實施例係在下文申請專利範圍的範疇內。
10:基板 12a-12c:區域 14:位置 20:拋光設備 22:平臺 23:軸 24:馬達 26:驅動軸 28:旋轉耦合器 30:拋光墊 32:外拋光層 34:背托層 36:窗 38:箭頭 40:拋光液供給口 42:拋光液 50:承載頭 51:軸 52a-52c:腔室 54:柔性膜 56:固定環 60:支撐結構 62:驅動軸 64:承載頭旋轉馬達 70:光監控系統 72:光源 74:光偵測器 76:電路系統 80:感測器 90:控制器 100:系統 110:維度縮減模組 120:神經網路 120a:第一神經網路 120b:第二神經網路 122:輸入節點 122a:節點 124:隱藏節點 126:輸出節點 130:系統 200:序列 202:特徵值 204:第一函數 210:序列 212:特徵值 214:第二函數
圖1示出了拋光設備範例的示意性橫截面圖。
圖2示出了具有多個區域之基板的示意性上視圖。
圖3示出了一示意性上視圖，該示意性上視圖係展示第一基板上進行原位量測的位置。
圖4示出了作為拋光設備之控制器的一部分的神經網路。
圖5示出了包括複數個神經網路的控制器。
圖6示出了由控制系統輸出之表徵值作為時間的函數的曲線圖。
在各個附加圖式中之相似的元件符號及標記表示相似的元件。
國內寄存資訊 (請依寄存機構、日期、號碼順序註記) 無
國外寄存資訊 (請依寄存國家、機構、日期、號碼順序註記) 無
70:光監控系統
90:控制器
100:系統
110:維度縮減模組
120:神經網路
122:輸入節點
122a:節點
124:隱藏節點
126:輸出節點
130:系統

Claims (14)

  1. 一種用於控制一基板之處理的電腦程式產品，該電腦程式產品有形地實施於一非暫態電腦可讀取媒體中，及包括用於使一個或多個電腦執行以下操作的指令，該等以下操作為： 從一原位光監控系統接收自正進行處理的一基板反射的光的一量測光譜，該處理係修改該基板之一外層的一厚度；藉由在該量測光譜上執行基於除該量測光譜之外的複數個參考光譜的一轉換，來縮減該量測光譜的一維度以產生複數個分量值； 使用一人工神經網路來產生一表徵值，該人工神經網路具有接收該複數個分量值的複數個輸入節點、輸出該表徵值的一輸出節點及將該等輸入節點連接至該輸出節點的複數個隱藏節點；及基於該表徵值來確定是該基板的停止處理還是一處理參數的一調整中的至少一者。
  2. 如請求項1所述之電腦程式產品，其中該轉換係基於藉由經施加於該複數個參考光譜的特徵提取從該複數個參考光譜中所提取的光譜特徵分量。
  3. 如請求項2所述之電腦程式產品，包括對該複數個參考光譜執行特徵提取以產生該複數個光譜特徵分量的指令。
  4. 如請求項3所述之電腦程式產品，其中該等執行特徵提取的指令包括執行主成分分析、奇異值分解、獨立成分分析或自編碼的指令。
  5. 如請求項1所述之電腦程式產品，包括使一化學機械拋光系統拋光該基板，並在該基板拋光期間接收來自該原位光監控系統的該測量光譜的指令。
  6. 如請求項5所述之電腦程式產品，其中確定是該基板的停止處理還是一處理參數的一調整中的至少一者的該等指令包括修改在該化學機械拋光系統的一承載頭中的一壓力的指令。
  7. 一種拋光系統，包括： 一支撐件，其支撐一拋光墊； 一承載頭，其保持與該拋光墊接觸的一基板； 一馬達，其在該支撐件與該承載頭之間產生相對運動； 一原位光監控系統，其量測在該拋光期間自該基板所反射之光的一光譜；及 一控制器，該控制器經配置成執行以下步驟： 從該原位光監控系統接收從正進行處理之該基板所反射之光的一量測光譜， 使用基於複數個參考光譜的一轉換來縮減該量測光譜的一維度以產生複數個分量值， 使用一人工神經網路來產生一表徵值，該人工神經網路具有接收該複數個分量值的複數個輸入節點、輸出該表徵值的一輸出節點及將該等輸入節點連接至該輸出節點的複數個隱藏節點，及 基於該特徵值來確定是該基板的停止處理還是一處理參數的一調整中的至少一者。
  8. 如請求項7所述之系統，其中該轉換係基於藉由經施加於該複數個參考光譜的特徵提取從該複數個參考光譜中所提取的光譜特徵分量。
  9. 如請求項7所述之系統，其中該控制器經配置為使用訓練資料及已知表徵值而藉由倒傳遞來訓練該人工神經網路，該訓練資料係藉由對具有該等已知表徵值之該複數個參考光譜中的兩者或更多者執行維度縮減而產生。
  10. 如請求項7所述之系統，其中該控制器經配置以基於該表徵值來修改該承載頭中的一壓力。
  11. 一種用於控制一基板之處理的電腦程式產品，該電腦程式產品有形地實施於一非暫態電腦可讀取媒體中，及包括用於使一個或多個電腦執行以下操作的指令，該等以下操作為： 從一原位光監控系統接收自正進行處理的一基板反射的光的一量測光譜，該處理係修改該基板之一外層的一厚度；接收包括處理或環境變數的其他資料；縮減該量測光譜的一維度以產生複數個分量值；使用一人工神經網路來產生一表徵值，該人工神經網路具有複數個輸入節點、輸出該表徵值的一輸出節點及將該等輸入節點連接至該輸出節點的複數個隱藏節點，該複數個輸入節點包括用以接收該複數個分量值的多個輸入節點及用以接收包括處理或環境變數的該其他資料的一個或多個輸入節點；及    基於該表徵值來確定是該基板的停止處理還是一處理參數的一調整中的至少一者。
  12. 如請求項11所述之電腦程式產品，其中來自在其中該基板正進行處理的處理系統中的另一個感測器的量測包括對該基板的一溫度的一量測，且其中該量測是從一溫度感測器獲得的。
  13. 如請求項11所述之電腦程式產品，其中來自在處理系統外部的感測器的量測包括對位於該基板的該外層下方的一膜的一厚度的一量測，且其中該量測是從一計量站獲得的。
  14. 如請求項11所述之電腦程式產品，其中由處理系統的一控制器所存儲之來自處理配方的值包括用於拋光該基板的一拋光參數，且其中該值是從該控制器獲得的。
TW111101381A 2016-11-30 2017-11-21 使用神經網路的光譜監測 TWI779986B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201662428410P 2016-11-30 2016-11-30
US62/428,410 2016-11-30

Publications (2)

Publication Number Publication Date
TW202220049A TW202220049A (zh) 2022-05-16
TWI779986B true TWI779986B (zh) 2022-10-01

Family

ID=62193281

Family Applications (3)

Application Number Title Priority Date Filing Date
TW106140253A TWI755448B (zh) 2016-11-30 2017-11-21 使用神經網路的光譜監測
TW111101381A TWI779986B (zh) 2016-11-30 2017-11-21 使用神經網路的光譜監測
TW111133499A TWI807987B (zh) 2016-11-30 2017-11-21 使用神經網路的光譜監測

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW106140253A TWI755448B (zh) 2016-11-30 2017-11-21 使用神經網路的光譜監測

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW111133499A TWI807987B (zh) 2016-11-30 2017-11-21 使用神經網路的光譜監測

Country Status (6)

Country Link
US (1) US10732607B2 (zh)
JP (2) JP7193456B2 (zh)
KR (2) KR102556340B1 (zh)
CN (2) CN116833898A (zh)
TW (3) TWI755448B (zh)
WO (1) WO2018102222A1 (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI783037B (zh) * 2017-09-25 2022-11-11 美商應用材料股份有限公司 使用機器學習方式以產生製程控制參數的半導體製造
JP2021528861A (ja) * 2018-06-28 2021-10-21 アプライド マテリアルズ インコーポレイテッドＡｐｐｌｉｅｄ Ｍａｔｅｒｉａｌｓ，Ｉｎｃｏｒｐｏｒａｔｅｄ 分光画像モニタリングのための機械学習システム向けのトレーニングスペクトルの生成
US11577356B2 (en) 2018-09-24 2023-02-14 Applied Materials, Inc. Machine vision as input to a CMP process control algorithm
WO2020067914A1 (en) * 2018-09-26 2020-04-02 Applied Materials, Inc. Compensation for substrate doping in edge reconstruction for in-situ electromagnetic inductive monitoring
JP2020053550A (ja) * 2018-09-27 2020-04-02 株式会社荏原製作所 研磨装置、研磨方法、及び機械学習装置
US11215840B2 (en) * 2018-10-18 2022-01-04 International Business Machines Corporation Testing a biological sample based on sample spectrography and machine learning techniques
CN109724917B (zh) * 2018-12-26 2021-01-22 西安电子科技大学 基于神经网络及宽带滤波调制的分光方法
TWI820308B (zh) 2019-03-21 2023-11-01 美商應用材料股份有限公司 監視化學機械拋光中的拋光墊紋理
EP3736648B1 (en) * 2019-05-08 2023-07-05 Agathon AG, Maschinenfabrik Method for autonomous optimization of a grinding process
JP2021028099A (ja) * 2019-08-09 2021-02-25 株式会社荏原製作所 終点検知装置、終点検知方法
JP2021058955A (ja) * 2019-10-04 2021-04-15 株式会社荏原製作所 研磨装置、情報処理システム、情報処理方法及びプログラム
US11216184B2 (en) 2019-12-06 2022-01-04 Western Digital Technologies, Inc. Non-volatile memory with on-chip principal component analysis for generating low dimensional outputs for machine learning
KR20220123053A (ko) * 2020-05-14 2022-09-05 어플라이드 머티어리얼스, 인코포레이티드 연마 동안의 인-시튜 모니터링에 사용하기 위한 신경망을 훈련시키기 위한 기법 및 연마 시스템
CN115038549B (zh) 2020-06-24 2024-03-12 应用材料公司 使用研磨垫磨损补偿的基板层厚度确定
US11836913B2 (en) 2020-06-29 2023-12-05 Applied Materials, Inc. Film thickness estimation from machine learning based processing of substrate images
US11688616B2 (en) 2020-07-22 2023-06-27 Applied Materials, Inc. Integrated substrate measurement system to improve manufacturing process performance
USD977504S1 (en) 2020-07-22 2023-02-07 Applied Materials, Inc. Portion of a display panel with a graphical user interface
US20220066411A1 (en) * 2020-08-31 2022-03-03 Applied Materials, Inc. Detecting and correcting substrate process drift using machine learning
US11709477B2 (en) 2021-01-06 2023-07-25 Applied Materials, Inc. Autonomous substrate processing system
EP4301549A1 (en) 2021-03-05 2024-01-10 Applied Materials, Inc. Control of processing parameters during substrate polishing using cost function or expected future parameter changes
WO2022256194A1 (en) * 2021-06-01 2022-12-08 Lam Research Corporation In situ sensor and logic for process control
US20220400924A1 (en) * 2021-06-22 2022-12-22 Micron Technology, Inc. Surface cleaning

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6594024B1 (en) * 2001-06-21 2003-07-15 Advanced Micro Devices, Inc. Monitor CMP process using scatterometry
US20100094790A1 (en) * 2008-10-10 2010-04-15 Micron Technology, Inc. Machine learning of dimensions using spectral intensity response of a reflectometer

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5904609A (en) * 1995-04-26 1999-05-18 Fujitsu Limited Polishing apparatus and polishing method
US7037172B1 (en) 1999-04-01 2006-05-02 Beaver Creek Concepts Inc Advanced wafer planarizing
DE19917649C2 (de) 1999-04-19 2001-10-31 Nico Pyrotechnik System aus einem Übungsgeschoß für eine automatische Schnellfeuerwaffe und einem Waffenrohr
US6532467B1 (en) * 2000-04-10 2003-03-11 Sas Institute Inc. Method for selecting node variables in a binary decision tree structure
US6511363B2 (en) 2000-12-27 2003-01-28 Tokyo Seimitsu Co., Ltd. Polishing end point detecting device for wafer polishing apparatus
US6941289B2 (en) * 2001-04-06 2005-09-06 Sas Institute Inc. Hybrid neural network generation system and method
US20030002043A1 (en) * 2001-04-10 2003-01-02 Kla-Tencor Corporation Periodic patterns and technique to control misalignment
US6939198B1 (en) 2001-12-28 2005-09-06 Applied Materials, Inc. Polishing system with in-line and in-situ metrology
US6942546B2 (en) 2002-01-17 2005-09-13 Asm Nutool, Inc. Endpoint detection for non-transparent polishing member
US20030236759A1 (en) * 2002-06-21 2003-12-25 Tsung-Hsuan Ho Neural network for determining the endpoint in a process
US6954678B1 (en) * 2002-09-30 2005-10-11 Advanced Micro Devices, Inc. Artificial intelligence system for track defect problem solving
US7001243B1 (en) * 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
WO2005040739A2 (en) * 2003-10-22 2005-05-06 Softmax, Inc. System and method for spectral analysis
US7052921B1 (en) * 2004-09-03 2006-05-30 Advanced Micro Devices, Inc. System and method using in situ scatterometry to detect photoresist pattern integrity during the photolithography process
US7427457B1 (en) * 2004-09-03 2008-09-23 Advanced Micro Devices, Inc. Methods for designing grating structures for use in situ scatterometry to detect photoresist defects
US7764377B2 (en) * 2005-08-22 2010-07-27 Applied Materials, Inc. Spectrum based endpointing for chemical mechanical polishing
US7409260B2 (en) * 2005-08-22 2008-08-05 Applied Materials, Inc. Substrate thickness measuring during polishing
US7930058B2 (en) * 2006-01-30 2011-04-19 Memc Electronic Materials, Inc. Nanotopography control and optimization using feedback from warp data
US20090275265A1 (en) * 2008-05-02 2009-11-05 Applied Materials, Inc. Endpoint detection in chemical mechanical polishing using multiple spectra
US8232212B2 (en) * 2008-07-11 2012-07-31 Applied Materials, Inc. Within-sequence metrology based process tuning for adaptive self-aligned double patterning
KR101834944B1 (ko) * 2008-09-04 2018-03-06 어플라이드 머티어리얼스, 인코포레이티드 프로세싱 동안 기판의 분광 모니터링의 이용에 의한 연마 속도들의 조정
US8751033B2 (en) * 2008-11-14 2014-06-10 Applied Materials, Inc. Adaptive tracking spectrum features for endpoint detection
US8292693B2 (en) 2008-11-26 2012-10-23 Applied Materials, Inc. Using optical metrology for wafer to wafer feed back process control
US8024676B2 (en) * 2009-02-13 2011-09-20 Tokyo Electron Limited Multi-pitch scatterometry targets
JP5481107B2 (ja) * 2009-06-25 2014-04-23 株式会社日立ハイテクノロジーズ 寸法計測装置およびこれを用いた半導体装置の製造方法
GB0914982D0 (en) * 2009-08-27 2009-09-30 Univ East Anglia Methods and apparatus for generating accented image data
US8577820B2 (en) * 2011-03-04 2013-11-05 Tokyo Electron Limited Accurate and fast neural network training for library-based critical dimension (CD) metrology
US8842937B2 (en) * 2011-11-22 2014-09-23 Raytheon Company Spectral image dimensionality reduction system and method
US9551567B2 (en) 2013-10-25 2017-01-24 Applied Materials, Inc. Reducing noise in spectral data from polishing substrates
JP2015221509A (ja) * 2014-05-22 2015-12-10 セイコーエプソン株式会社 印刷装置、及び印刷方法
US10734293B2 (en) * 2014-11-25 2020-08-04 Pdf Solutions, Inc. Process control techniques for semiconductor manufacturing processes

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6594024B1 (en) * 2001-06-21 2003-07-15 Advanced Micro Devices, Inc. Monitor CMP process using scatterometry
US20100094790A1 (en) * 2008-10-10 2010-04-15 Micron Technology, Inc. Machine learning of dimensions using spectral intensity response of a reflectometer

Also Published As

Publication number Publication date
US10732607B2 (en) 2020-08-04
JP7193456B2 (ja) 2022-12-20
TWI755448B (zh) 2022-02-21
KR20230112737A (ko) 2023-07-27
TW202305930A (zh) 2023-02-01
KR20190082830A (ko) 2019-07-10
TW202220049A (zh) 2022-05-16
KR102556340B1 (ko) 2023-07-18
JP2019537270A (ja) 2019-12-19
US20200363784A1 (en) 2020-11-19
CN116833898A (zh) 2023-10-03
TWI807987B (zh) 2023-07-01
CN110036464B (zh) 2023-07-07
CN110036464A (zh) 2019-07-19
TW201826371A (zh) 2018-07-16
JP2023051931A (ja) 2023-04-11
US20180150052A1 (en) 2018-05-31
WO2018102222A1 (en) 2018-06-07

Similar Documents

Publication Publication Date Title
TWI779986B (zh) 使用神經網路的光譜監測
TWI811387B (zh) 用於光譜監測的機器學習系統的訓練光譜產生
TWI817992B (zh) 用於半導體處理監視的機器學習系統
CN111133560B (zh) 使用机器学习方式以产生工艺控制参数的半导体制造
TWI794293B (zh) 使用製程控制參數矩陣的半導體製造
TW202239524A (zh) 用於標記用於攝譜監測的機器學習系統的訓練光譜的原位監測
US11966212B2 (en) Spectrographic monitoring using a neural network

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent