CN118116817A - 实时晶圆加工质量估测的方法及电子装置 - Google Patents

Abstract

本发明实施例提供一种实时晶圆加工质量估测的方法及电子装置。所述方法包括：取得晶圆加工设备在对晶圆进行加工操作时所产生的加工状态信号；以及通过将加工状态信号输入机器学习模型而取得加工操作的实时加工质量，其中机器学习模型响应于加工状态信号而估计加工操作的实时加工质量。

Description

实时晶圆加工质量估测的方法及电子装置

技术领域

本发明涉及一种管理晶圆加工质量的技术，且尤其涉及一种实时晶圆加工质量估测的方法及电子装置。

背景技术

在完成硅晶圆的研磨加工之后，检测人员会对硅晶圆的各项规格(例如硅晶圆表面的洁净、粗糙度、总厚度变异(total thickness variation，TTV)、翘曲度(Bow)及弯曲度(Warp))进行检查。在检查硅晶圆表面的粗糙度时，检测人员一般是使用粗糙度仪进行测量。针对TTV、翘曲度、弯曲度等规格，检测人员则是利用非接触式晶圆测量仪进行检测，以确保硅晶圆表面的精度或质量符合要求。

由于晶圆研磨加工属于大量生产，但目前的检测人力无法负担全面检测，因此多半改为采用抽样的方式进行晶圆精度或质量的检测。然而，此作法将无法响应于加工过程的异常现象而进行实时调校，因此难以保证每一片芯片都符合需求。

发明内容

有鉴于此，本发明提供一种实时晶圆加工质量估测的方法及电子装置，其可用于解决上述技术问题。

本发明实施例提供一种实时晶圆加工质量估测的方法，适于一电子装置，包括：取得一晶圆加工设备在对一晶圆进行一加工操作时所产生的至少一加工状态信号；以及通过将至少一加工状态信号输入至少一机器学习模型而取得加工操作的至少一实时加工质量，其中至少一机器学习模型响应于至少一加工状态信号而估计加工操作的至少一实时加工质量。

本发明实施例提供一种电子装置，包括存储电路及处理器。存储电路存储一程序代码。处理器耦接存储电路并存取程序代码以执行：取得一晶圆加工设备在对一晶圆进行一加工操作时所产生的至少一加工状态信号；以及通过将至少一加工状态信号输入至少一机器学习模型而取得加工操作的至少一实时加工质量，其中至少一机器学习模型响应于至少一加工状态信号而估计加工操作的至少一实时加工质量。

附图说明

本案包含附图以便进一步理解本发明，且附图并入本说明书中并构成本说明书的一部分。附图说明本发明的实施例，并与描述一起用于解释本发明的原理。

图1是依据本发明实施例示出的电子装置示意图；

图2是依据本发明实施例示出的实时晶圆加工质量估测的方法流程图；

图3是依据本发明实施例示出的晶圆加工设备示意图。

具体实施方式

现将详细地参考本发明的示范性实施例，示范性实施例的实例说明于附图中。只要有可能，相同组件符号在附图和描述中用来表示相同或相似部分。

请参照图1，其是依据本发明实施例示出的电子装置示意图。在不同的实施例中，电子装置100例如是各式智能型装置和/或计算机装置。在一些实施例中，电子装置100亦可整合至晶圆加工设备内以作为晶圆加工设备内的处理装置/人机接口使用，但可不限于此。

在图1中，电子装置100包括存储电路102及处理器104。存储电路102例如是任意型式的固定式或可移动式随机存取内存(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash memory)、硬盘或其他类似装置或这些装置的组合，而可用以记录多个程序代码或模块。

处理器104耦接于存储电路102，并可为一般用途处理器、特殊用途处理器、传统的处理器、数字信号处理器、多个微处理器(microprocessor)、一个或多个结合数字信号处理器核心的微处理器、控制器、微控制器、特殊应用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可程序门阵列电路(Field Programmable Gate Array，FPGA)、任何其他种类的集成电路、状态机、基于进阶精简指令集机器(Advanced RISCMachine，ARM)的处理器以及类似品。

在本发明的实施例中，处理器104可存取存储电路102中记录的模块、程序代码来实现本发明提出的实时晶圆加工质量估测的方法，其细节详述如下。

请参照图2，其是依据本发明实施例示出的实时晶圆加工质量估测的方法流程图。本实施例的方法可由图1的电子装置100执行，以下即搭配图1所示的组件说明图2各步骤的细节。

首先，在步骤S210中，处理器104取得晶圆加工设备在对晶圆进行加工操作时所产生的加工状态信号。在一些实施例中，上述由晶圆加工设备对晶圆进行的加工操作例如包括晶圆加工设备对晶圆进行的研磨。

请参照图3，其是依据本发明实施例示出的晶圆加工设备示意图。在图3中，晶圆加工设备300可包括转台310及磨轮320。在一实施例中，转台310可用于承载待研磨的晶圆330(其例如具有半径R_w)，并可以转速N_w旋转，进而带动晶圆330以转速N_w旋转。磨轮320(其例如具有半径R_g)可具有主轴321及研磨部322，其中主轴321可以转速N_g旋转，而研磨部322上可设置有用于研磨晶圆330的磨粒。

在一些实施例中，磨轮320上可具有参考点A、B、C，而操作人员可通过调整参考点A、B、C的位置来设定磨轮320研磨晶圆330时的倾斜角度。并且，转速N_w、转速N_g、磨轮320的磨轮进给率(feed rate)以及转台310与主轴321之间的偏心距离(offset)也皆可由操作人员依需求而设定。由此，晶圆加工设备300即可依据操作人员的上述设定对晶圆330进行相应的研磨加工。

然而，在一些实施例中，若操作人员未能适当地进行上述数值的设定，则在晶圆加工设备300完成对晶圆330的研磨加工之后，可能会令晶圆330的各项规格出现不符需求的情况。

为避免出现上述情形，处理器104在步骤S210中可实时取得晶圆加工设备300对晶圆330进行研磨加工时所产生的加工状态信号。

在不同的实施例中，上述加工状态信号可依设计者的需求而包括各式信号。在第一实施例中，主轴321上可装设有第一加速规。在此情况下，在磨轮320研磨晶圆330的过程中，将相应地令主轴321产生振动，进而让第一加速规检测到对应的第一振动信号(下称V1)。基此，在磨轮320研磨晶圆330的过程中，处理器104可从此第一加速规取得第一振动信号V1，以作为加工状态信号。

在第二实施例中，转台310的主轴上可装设有第二加速规。在此情况下，在磨轮320研磨晶圆330的过程中，将相应地令转台310的主轴产生振动，进而让第二加速规检测到对应的第二振动信号(下称V2)。基此，在磨轮320研磨晶圆330的过程中，处理器104可从此第二加速规取得第二振动信号V2，以作为加工状态信号。

在第三实施例中，晶圆加工设备300附近可设置有麦克风装置，而此麦克风装置可用于收集晶圆加工设备300在对晶圆330进行加工操作的过程中所产生的声音。基此，在磨轮320研磨晶圆330的过程中，处理器104可从此麦克风装置取得声音信号(下称AU1)，以作为加工状态信号。

在第四实施例中，处理器104也可取第一振动信号V1、第二振动信号V2及声音信号AU1的任意组合作为所考虑的加工状态信号，但可不限于此。

在取得所考虑的加工状态信号之后，在步骤S220中，处理器104通过将加工状态信号输入机器学习模型而取得上述加工操作的实时加工质量。

在本发明的实施例中，上述实时加工质量例如包括晶圆330的实时表面粗糙度、总厚度变异、翘曲度及弯曲度的至少其中之一。在一些实施例中，上述实时加工质量可理解为由机器学习模型依据加工状态信号估测而得。

在一实施例中，不同的实时加工质量可对应于不同的机器学习模型。举例而言，实时表面粗糙度、总厚度变异、翘曲度及弯曲度可分别对应于第一机器学习模型、第二机器学习模型、第三机器学习模型及第四机器学习模型。在此情况下，处理器104可将所考虑的加工状态信号个别输入第一机器学习模型、第二机器学习模型、第三机器学习模型及第四机器学习模型，以由第一机器学习模型、第二机器学习模型、第三机器学习模型及第四机器学习模型分别响应于加工状态信号而提供估测的实时表面粗糙度、总厚度变异、翘曲度及弯曲度。

在另一实施例中，不同的实时加工质量亦可同时由同一个机器学习模型估测。举例而言，实时表面粗糙度、总厚度变异、翘曲度及弯曲度(或其任意组合)可同时对应于一特定机器学习模型。在此情况下，处理器104可将所考虑的加工状态信号输入所述特定机器学习模型，以由所述特定机器学习模型响应于加工状态信号而同时提供估测的实时表面粗糙度、总厚度变异、翘曲度及弯曲度，但可不限于此。

在一实施例中，为使各机器学习模型具备上述能力，在各机器学习模型的训练过程中，设计者可将经特殊设计的训练数据馈入各机器学习模型，以让各机器学习模型进行相应的学习。举例而言，在取得某笔已标注为对应于某个表面粗糙度(以R表示)的加工状态信号(例如是测量自对某晶圆进行研磨加工的过程)之后，处理器104可据以产生对应的特征向量，并将其馈入对应于表面粗糙度的第一机器学习模型。由此，可让第一机器学习模型从此特征向量中学习有关于上述表面粗糙度(即，R)的加工状态信号的相关特征。在此情况下，当第一机器学习模型日后接收对应于上述加工状态信号的特征向量时，第一机器学习模型即可相应地估测当下正被研磨的晶圆的表面粗糙度为R，但可不限于此。

举另一例而言，在取得某笔已标注为对应于某个总厚度变异(以T表示)的加工状态信号(例如是测量自对某晶圆进行研磨加工的过程)之后，处理器104可据以产生对应的特征向量，并将其馈入对应于总厚度变异的第二机器学习模型。由此，可让第二机器学习模型从此特征向量中学习有关于某个总厚度变异(即，T)的加工状态信号的相关特征。在此情况下，当第二机器学习模型日后接收对应于上述加工状态信号的特征向量时，第二机器学习模型即可相应地估测当下正被研磨的晶圆的总厚度变异为T，但可不限于此。

举再一例而言，在取得某笔已标注为对应于某个表面粗糙度(例如R)、总厚度变异(例如T)、翘曲度(以BW表示)及弯曲度(以W表示)的加工状态信号(例如是测量自对某晶圆进行研磨加工的过程)之后，处理器104可据以产生对应的特征向量，并将其馈入对应的特定机器学习模型。由此，可让特定机器学习模型从此特征向量中学习有关于上述表面粗糙度(即，R)、总厚度变异(即，T)、翘曲度(即，BW)及弯曲度(即，W)的加工状态信号的相关特征。在此情况下，当特定机器学习模型日后接收对应于上述加工状态信号的特征向量时，特定机器学习模型即可相应地估测当下正被研磨的晶圆的表面粗糙度为R、总厚度变异为T、翘曲度为BW及弯曲度为W，但可不限于此。

在一实施例中，处理器104在步骤S210中所取得的加工状态信号的态样/成分需相同于用于训练机器学习模型的训练数据。

举例而言，若在训练某机器学习模型时所用的训练数据是由对应于第一振动信号V1的第三振动信号(例如是在晶圆加工设备300对某晶圆进行加工操作时由第一加速规所测得)组成，则处理器104在步骤S210中所取得的加工状态信号即需由第一振动信号V1组成。

举另一例而言，若在训练某机器学习模型时所用的训练数据是由上述第三振动信号及对应于第二振动信号V2的第四振动信号(例如是在晶圆加工设备300对某晶圆进行加工操作时由第二加速规所测得)组成，则处理器104在步骤S210中所取得的加工状态信号即需由第一振动信号V1及第二振动信号V2组成。

举再一例而言，若在训练某机器学习模型时所用的训练数据是由上述第三振动信号、第四振动信号及对应于声音信号AU1的另一声音信号(例如是在晶圆加工设备300对某晶圆进行加工操作时由麦克风装置所测得)组成，则处理器104在步骤S210中所取得的加工状态信号即需由第一振动信号V1、第二振动信号V2及声音信号AU1组成。

在不同的实施例中，上述各机器学习模型可依设计者的需求而基于现有的各式机器学习算法实现。为便于说明，以下假设上述第一、第二、第三、第四机器学习模型皆基于随机森林算法实现，但可不限于此。

在本发明的实施例中，处理器104可先基于随机搜寻(random search)及5折交叉验证(5-fold Cross-validation)来从多个第一超参数组合中筛选出适合用于进行(对应于表面粗糙度的)第一机器学习模型的训练的一者。在一实施例中，上述第一超参数组合中的前10名可如下表1所例示，而表1中各参数的涵义可如表2所例示。

编号	参数1	参数2	参数3	参数4	参数5	参数6
							0	24	18	77	True	0.091369	1
1	41	12	55	True	0.084644	2
							2	121	20	33	True	0.082841	3
3	70	12	33	True	0.080626	4
							4	63	14	66	True	0.080136	5
5	124	14	22	True	0.077544	6
							6	144	8	55	True	0.077255	7
7	137	14	33	True	0.076922	8
							8	180	16	44	True	0.073233	9
9	79	4	66	True	0.072590	10

表1

表2

在表1情境中，编号0的第一超参数组合例如可用于作为训练第一机器学习模型的最佳超参数组合，但可不限于此。

在一实施例中，处理器104可先基于随机搜寻及5折交叉验证来从多个第二超参数组合中筛选出适合用于进行(对应于TTV的)第二机器学习模型的训练的一者。在一实施例中，上述第二超参数组合中的前10名可如下表3所例示，而表3中各参数的涵义可参照表2的内容。

编号	参数1	参数2	参数3	参数4	参数5	参数6
							0	20	6	22	True	0.046149	1
1	121	2	22	True	0.042938	2
							2	126	8	88	True	0.036442	3
3	6	10	33	True	0.033491	4
							4	27	8	99	True	0.032685	5
5	148	14	22	True	0.032246	6
							6	61	18	99	True	0.031406	7
7	113	2	66	True	0.031187	8
							8	150	16	22	True	0.028614	9
9	179	4	33	True	0.027713	10

表3

在表3情境中，编号0的第二超参数组合例如可用于作为训练第二机器学习模型的最佳超参数组合，但可不限于此。

在一实施例中，处理器104可先基于随机搜寻及5折交叉验证来从多个第三超参数组合中筛选出适合用于进行(对应于翘曲度的)第三机器学习模型的训练的一者。在一实施例中，上述第三超参数组合中的前10名可如下表4所例示，而表4中各参数的涵义可参照表2的内容。

编号	参数1	参数2	参数3	参数4	参数5	参数6
							0	25	14	88	True	0.025933	1
1	128	4	1	True	-0.009232	2
							2	101	12	1	True	-0.010955	3
3	156	18	1	True	-0.014757	4
							4	113	18	22	True	-0.020440	5
5	101	2	1	True	-0.020785	6
							6	68	14	88	True	-0.022272	7
7	176	12	1	True	-0.022826	8
							8	142	16	66	True	-0.022875	9
9	127	18	1	True	-0.022938	10

表4

在表4情境中，编号0的第三超参数组合例如可用于作为训练第三机器学习模型的最佳超参数组合，但可不限于此。

在一实施例中，处理器104可先基于随机搜寻及5折交叉验证来从多个第四超参数组合中筛选出适合用于进行(对应于弯曲度的)第四机器学习模型的训练的一者。在一实施例中，上述第四超参数组合中的前10名可如下表5所例示，而表5中各参数的涵义可参照表2的内容。

编号	参数1	参数2	参数3	参数4	参数5	参数6
							0	6	12	55	True	-0.304832	1
1	15	20	11	True	-0.317027	2
							2	11	20	22	True	-0.417495	3
3	44	2	1	True	-0.434407	4
							4	28	6	110	True	-0.438435	5
5	33	6	33	True	-0.486140	6
							6	8	18	1	True	-0.501083	7
7	133	4	33	True	-0.541256	8
							8	67	2	44	True	-0.552761	9
9	75	6	1	True	-0.555465	10

表5

在表5情境中，编号0的第四超参数组合例如可用于作为训练第四机器学习模型的最佳超参数组合，但可不限于此。

请再次参照图2，在取得加工操作的实时加工质量之后，处理器104还可进一步判断所取得的实时加工质量是否异常。在一实施例中，响应于判定实时加工质量为异常，处理器104可提供警示消息(步骤S230)。

举例而言，若所取得的实时加工质量为估测的表面粗糙度，则处理器104可将此估测的表面粗糙度与表面粗糙度阈值进行比较。若此估测的表面粗糙度高于表面粗糙度阈值，则处理器104例如可判定实时加工质量为异常，进而提供相应的警示消息供相关人员参考并采取对应的改善措施。

举另一例而言，若所取得的实时加工质量为估测的TTV及翘曲度，则处理器104可将此估测的TTV及翘曲度分别与TTV阈值及翘曲度阈值进行比较。若此估测的TTV高于TTV阈值，或是估测的翘曲度高于翘曲度阈值，则处理器104例如可判定实时加工质量为异常，进而提供相应的警示消息供相关人员参考并采取对应的改善措施。

综上所述，本发明的实施例可依据晶圆加工设备在对晶圆进行加工操作时所产生的加工状态信号而判定对应的实时加工质量。由此，可对所有加工中的晶圆进行实时检测。并且，本发明实施例还可在判定晶圆的实时加工质量出现异常时提供警示消息，以令相关人员可据以进行相应的调校，进而让此晶圆能够满足规格上的需求。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (11)

1.一种实时晶圆加工质量估测的方法，适于电子装置，其特征在于，包括：

取得晶圆加工设备在对晶圆进行加工操作时所产生的至少一加工状态信号；以及

通过将所述至少一加工状态信号输入至少一机器学习模型而取得所述加工操作的至少一实时加工质量，其中所述至少一机器学习模型响应于所述至少一加工状态信号而估计所述加工操作的所述至少一实时加工质量。

2.根据权利要求1所述的方法，其中所述晶圆加工设备包括转台及磨轮，且所述加工操作包括由所述晶圆加工设备的所述磨轮对位于所述转台上的所述晶圆进行的研磨加工。

3.根据权利要求1所述的方法，其中所述至少一加工状态信号包括第一振动信号，且取得所述晶圆加工设备在对所述晶圆进行所述加工操作时所产生的所述至少一加工状态信号的步骤包括：

从第一加速规取得所述第一振动信号，其中所述第一加速规装设于所述晶圆加工设备的磨轮主轴上。

4.根据权利要求2所述的方法，其中所述至少一加工状态信号包括第二振动信号，且取得所述晶圆加工设备在对所述晶圆进行所述加工操作时所产生的所述至少一加工状态信号的步骤包括：

从第二加速规取得所述第二振动信号，其中所述第二加速规装设于转台的转台主轴上，且所述转台承载所述晶圆。

5.根据权利要求1所述的方法，其中所述至少一加工状态信号包括声音信号，且取得所述晶圆加工设备在对所述晶圆进行所述加工操作时所产生的所述至少一加工状态信号的步骤包括：

从麦克风装置取得所述声音信号，其中所述麦克风装置用于收集所述晶圆加工设备在对所述晶圆进行所述加工操作的过程中所产生的声音。

6.根据权利要求1所述的方法，其中所述至少一实时加工质量包括所述晶圆的实时表面粗糙度、总厚度变异、翘曲度及弯曲度的至少其中之一。

7.根据权利要求1所述的方法，其中所述至少一机器学习模型分别对应于所述至少一实时加工质量，其中通过将所述至少一加工状态信号输入所述至少一机器学习模型而取得所述加工操作的所述至少一实时加工质量的步骤包括：

将所述至少一加工状态信号输入各所述机器学习模型，其中各所述机器学习模型响应于所述至少一加工状态信号而输出对应的所述实时加工质量。

8.根据权利要求1所述的方法，其中所述至少一机器学习模型包括特定机器学习模型，其中通过将所述至少一加工状态信号输入所述至少一机器学习模型而取得所述加工操作的所述至少一实时加工质量的步骤包括：

将所述至少一加工状态信号输入所述特定机器学习模型，其中所述特定机器学习模型响应于所述至少一加工状态信号而输出所述至少一实时加工质量。

9.根据权利要求1所述的方法，还包括：

响应于判定所述至少一实时加工质量为异常，提供警示消息。

10.根据权利要求1所述的方法，其中各所述机器学习模型是基于以随机搜寻及5折交叉验证而从多个第一超参数组合中筛选出的超参数组合进行训练。

11.一种电子装置，其特征在于，包括：

存储电路，其存储程序代码；以及

处理器，其耦接所述存储电路并存取所述程序代码以执行：

取得晶圆加工设备在对晶圆进行加工操作时所产生的至少一加工状态信号；以及

通过将所述至少一加工状态信号输入至少一机器学习模型而取得所述加工操作的至少一实时加工质量，其中所述至少一机器学习模型响应于所述至少一加工状态信号而估计所述加工操作的所述至少一实时加工质量。