[go: up one dir, main page]

CN111133560A - 使用机器学习方式以产生工艺控制参数的半导体制造 - Google Patents

使用机器学习方式以产生工艺控制参数的半导体制造 Download PDF

Info

Publication number
CN111133560A
CN111133560A CN201880062109.4A CN201880062109A CN111133560A CN 111133560 A CN111133560 A CN 111133560A CN 201880062109 A CN201880062109 A CN 201880062109A CN 111133560 A CN111133560 A CN 111133560A
Authority
CN
China
Prior art keywords
substrate
neural network
control parameter
removal
artificial neural
Prior art date
Legal status (The legal status 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 status listed.)
Granted
Application number
CN201880062109.4A
Other languages
English (en)
Other versions
CN111133560B (zh
Inventor
锡瓦库马尔·达丹帕尼
钱隽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Applied Materials Inc
Original Assignee
Applied Materials Inc
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 Applied Materials Inc filed Critical Applied Materials Inc
Publication of CN111133560A publication Critical patent/CN111133560A/zh
Application granted granted Critical
Publication of CN111133560B publication Critical patent/CN111133560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H10P52/00—
    • 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
    • B24B37/11—Lapping tools
    • B24B37/20—Lapping pads for working plane surfaces
    • 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
    • B24B37/27—Work carriers
    • B24B37/30—Work carriers for single side lapping of plane surfaces
    • B24B37/32—Retaining rings
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • H10P52/403—
    • H10P72/0428—
    • H10P72/0604—
    • H10P72/0612—
    • H10P74/23—
    • H10P74/238—
    • H10P95/04—
    • H10P95/06—
    • H10P74/203—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Feedback Control In General (AREA)

Abstract

一种用于处理基板的方法，包括使第一多个基板的每个相应的第一基板承受到改变相应的第一基板的外层的厚度的工艺，产生多组的工艺参数值；产生多个移除轮廓，使用多组的工艺参数和多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，其中所述人工类神经网络具有多个输入节点以从移除轮廓接收相应的移除值和多个输出节点以输出控制参数值，对于第二多个基板中的每个相应的第二基板，确定目标移除轮廓，通过将目标移除轮廓应用于输入节点来确定相应的控制参数值以应用，及使用相应的控制参数值使每个相应的第二基板承受到所述工艺。

Description

使用机器学习方式以产生工艺控制参数的半导体制造
技术领域
本公开涉及控制集成电路制造工艺，例如化学机械研磨工艺。
背景技术
集成电路通常通过在硅晶片上顺序沉积导体、半导体、或绝缘层而形成在基板上。一个制造步骤涉及在非平面表面上沉积填料层并使填料层平坦化。对于一些应用，填充层被平坦化直到暴露出图案化层的顶表面。例如，导电填料层可以沉积在图案化的绝缘层上以填充绝缘层中的沟槽或孔。在平坦化之后，保留在绝缘层的凸起图案之间的导电层的部分形成通孔、插塞和线，以提供基板上的薄膜电路之间的导电路径。对于其他应用，填料层被平坦化，直到在底层上留下预定的厚度。例如，沉积的介电层可以被平坦化以用于光刻。
化学机械研磨(CMP)是一种公认的平坦化的方法。此平坦化方法通常要求将基板安装在承载头上。基板的暴露的表面通常抵着具有耐用粗糙表面的旋转研磨垫放置。承载头在基板上提供可控制的装载，以将基板推靠于研磨垫。通常将研磨液(例如具有磨料颗粒的浆料)供应到研磨垫的表面。经处理的晶片在研磨工艺后具有材料去除的轮廓、研磨层的厚度有所变化的二维图。
发明内容
在一个方面中，一种处理基板的方法，包括以下步骤：使第一多个基板的每个相应的第一基板承受到改变所述相应的第一基板的外层的厚度的工艺；对于每个相应的第一基板，记录用于所述工艺的一组工艺参数值，从而产生多组的工艺参数值；对于每个相应的第一基板，以监控系统在所述工艺期间或在所述工艺之后测量外层的移除轮廓，从而产生多个移除轮廓；使用所述多组的工艺参数和多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点以从移除轮廓接收相应的移除值、多个输出节点以输出控制参数值、以及将输入节点连接到输出节点的多个隐藏节点；对于第二多个基板中的每个相应的第二基板，确定目标移除轮廓；对于每个相应的第二基板，通过将所述目标移除轮廓应用于所述人工类神经网络的输入节点，来确定相应的控制参数值，以从人工类神经网络的输出节点应用至相应的第二基板；和使用相应的控制参数值使每个相应的第二基板承受到所述工艺。
在另一方面中，一种用于控制基板的处理的计算机程序产品，所述计算机程序产品有形地实施于非瞬时计算机可读取媒体中，并且包括用于使处理器执行以下步骤的指令：使用多组工艺参数和多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点以从移除轮廓接收相应的移除值、多个输出节点以输出控制参数值、以及将输入节点连接到输出节点的多个隐藏节点；针对多个基板中的每个相应的基板获得目标移除轮廓；对于每个相应的基板，通过将所述目标移除轮廓应用于人工类神经网络的输入节点来确定相应的控制参数值，以从人工类神经网络的输出节点应用至相应的基板；和使半导体处理系统使用相应的控制参数值来使每个相应的基板承受所述工艺。
在又另一方面，一种研磨系统，包括：支撑架用以保持研磨垫；承载头，用以保持与研磨垫接触的基板，承载头具有多个腔室；马达，用以在支撑架和承载头之间产生相对运动；和控制器，所述控制器经配置以使用多组工艺参数和多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点以从移除轮廓接收相应的移除值、多个输出节点以输出控制参数值、以及将输入节点连接到输出节点的多个隐藏节点，其中控制参数值包括用于所述承载头中的腔室的压力；针对多个基板中的每个相应的基板获得目标移除轮廓；对于每个相应的基板，通过将所述目标移除轮廓应用于人工类神经网络的输入节点来确定相应的控制参数值，以从人工类神经网络的输出节点应用至相应的基板，其中相应的控制参数值包括用于承载头中的腔室的相应的压力；和对于每个相应的基板，使得承载头在研磨期间将相应的压力施加到承载头中的腔室。
实施可包括以下特征中的一或多个。
工艺可包括化学机械研磨。控制参数值可包括承载头中的腔室的压力，以将基板保持倚着研磨垫。
人工类神经网络的至少一些输入节点可被配置以接收状态参数值。状态参数值可包括以下一或多个：支撑环寿命、或研磨垫寿命。控制参数值可包括以下之一或多个：平台转速、承载头转速、或研磨时间。
监控系统可包括在线计量系统(in-line metrology system)。在线计量系统可包括光学监控系统。
确定目标移除轮廓可包括储存期望的厚度轮廓、接收相应的第二基板的经测量的厚度轮廓、以及确定经测量的厚度轮廓与期望的厚度轮廓之间的差异。接收经测量的厚度轮廓可包括以监控系统测量相应的第二基板的厚度轮廓。
某些实施可以具有以下优点中的一或多个。控制参数的收敛可更快速地达到。可以减少晶片内厚度不均匀性和晶片到晶片的厚度的不均匀性(WIWNU和WTWNU)。产品晶片可用于模型精细(refinement)，使得经处理的基板的实际轮廓更接近所欲的轮廓。可以在没有功能关系的明确知识的情况下考虑研磨制成响应于研磨参数的复杂行为。
在附图和以下的描述中阐述了一或多个实施例的细节。根据说明书、图式、及权利要求书，其他特征、目的、和优点将是显而易见的。
附图说明
图1标出了研磨设备的示例的示意性剖视图。
图2标出了具有多个区域的基板的示意性顶视图。
图3示出了用作为研磨设备的集成高级工艺控制模块的一部分的类神经网络。
图4示出了在CMP工艺中使用类神经网络模型的示例工艺。
图5标出了包括多个类神经网络的集成高级工艺控制模块。
在各图中相同的元件符号表示相同的元件。
具体实施方式
CMP中的一个挑战是发展一种能够将材料去除轮廓预测为多个输入参数的工艺模型。输入参数可包括基板层的初始厚度、目标材料去除轮廓、研磨垫条件、支撑环条件、研磨垫和基板之间的相对速度、以及在基板上施加的压力等的变化。此外，CMP工艺是一种动态系统，其中表面拓扑在工艺期间随时间不断变化，进而影响工艺行为。输入参数与材料去除轮廓和CMP工艺的动态特性的复杂关系导致发展研磨工艺的工艺模型的挑战。
图1图标了研磨设备20的示例。研磨设备20可包括可旋转的盘形平台22，研磨垫30位于所述平台上。平台可操作以绕轴23旋转。例如，马达24可以转动驱动轴26以使平台22旋转。研磨垫30可以，例如，通过一层黏着剂，可拆卸地固定到平台22上。研磨垫30可以是双层研磨垫，具有外研磨层32和较软的背衬层34。
研磨设备20可包括研磨液供应端口40，以将研磨液42(例如磨料浆)分配至研磨垫30上。研磨设备20亦可包括研磨垫修整盘，以研磨研磨垫30来将研磨垫30保持在一致的研磨状态。
承载头50可操作以将基板10保持倚在研磨垫30上。每个承载头50亦包括多个独立可控制的可加压腔室，例如，三个腔室52a-52c，可加压腔室可将独立可控制的压力施加到基板10上的相关区域12a-12c(见图2)。参照至图2，中心区域12a可以基本上是圆形的，且其余区域12b-12c可以是围绕中心区域12a的同心环形区域。
回到图1，腔室52a-52c可以由柔性膜54限定，所述柔性膜54具有安装基板10的底表面。承载头50亦可包括支撑环56，以将基板10保持在柔性膜54下方。尽管为了便于说明，图1和图2中仅示出三个腔室，然而可以有两个腔室、或四个、或更多个腔室，例如五个腔室。此外，可以在承载头50中使用调节施加到基板的压力的其他机构，例如压电致动器。
每个承载头50自支撑结构60(例如，转盘或轨道)悬挂，并且通过驱动轴62连接至承载头旋转马达64，使得承载头可绕轴51旋转。可选地，每个承载头50可以通过沿着轨道的运动而横向振动，例如，在转盘上的滑块上；或是通过转盘本身的旋转振动。在操作中，平台22围绕平台22的中心轴23旋转，且承载头50绕承载头50的中心轴51旋转并横向地越过研磨垫30的顶表面平移。
研磨设备20可包括在线监控系统(in-line monitoring system)，用于在研磨工艺完成时测量经研磨的层的厚度。例如，在线监控系统可以在区域12a-12c之上产生层的厚度的图(map)。来自在线监控系统的测量结果可以传送到控制器90。在线监控系统的示例包括光学监控系统，例如光谱监控系统。光谱监控系统可以测量层的厚度的图的每个点的层厚度值和相关的密合度(GOF)值。例如，宽带光源可以用于照射层上的位置，并且可以测量包含由层、基板、和两者之间的任何其他层所产生的光干涉光谱的反射。所测量的光干涉光谱可以，例如，通过将所测量的光干涉光谱与描述由预期的膜堆叠所产生的光学干涉光谱的等式配适(fitting)来分析。配适产生层的厚度的确定和GOF值，所述值表示测量的光谱与预期的膜堆叠的接近程度。因此，GOF值可用于所确定的厚度值的可靠性的指标。
控制器90包含工具控制模块92和集成高级工艺控制模块(i-APC)94。工具控制模块92和i-APC模块94结合可以提供高级的工艺控制功能，例如晶片至晶片的均匀性控制。控制器90可以是包括微处理器、存储器、和输入/输出电路的计算装置，例如可编程计算机。尽管用单一方块示出，但控制器90可以是具有分布在多个计算机上的功能的网络系统，且模块92和94可以位于相同计算机或不同计算机中。
所描述的研磨设备具有许多相关的工艺参数，所述工艺参数控制研磨设备的操作或是描述设备或研磨环境的状态。控制研磨设备的操作的工艺参数(并且工艺参数至少最初可由工具控制模块92设定)(“控制参数”)包括以下：平台22的转速；承载头50的转速；腔室52a-52c的压力；和研磨时间。
反映设备或研磨环境的状态的工艺参数(“状态参数”)包括以下：研磨支撑环寿命；研磨垫寿命；研磨垫调节盘寿命；研磨垫类型：和研磨浆(“浆料”)的类型。支撑环、垫、和调节盘是研磨设备中的消耗部件(“消耗品”)的示例。这些消耗品的状况或“寿命”可以被描述为，例如，处理的晶片的计数；实际晶片研磨时间；或自安装以来经过的总时间。
通过CMP工艺研磨的典型晶片具有一层具有将平面化的表面拓扑的材料。CMP工艺的目标是达到所欲的材料移除轮廓，所欲的材料移除轮廓是在研磨工艺之后在经研磨的层的厚度上的变化的一维或二维图。由于不同的晶粒(die)设计具有不同的基础晶体管和互连图案，例如由于不同的图案密度，表面拓扑是在晶片与晶片间变化。这些因素以复杂的方式与CMP工艺相互作用，这导致具有不同晶粒设计的晶片之间的不同的研磨行为。此外，即使具有相同晶粒设计的晶片也可能具有不同的研磨行为，这是由于沉积或蚀刻的上游工艺的变化。因此，通常需要不同的CMP控制参数，至少对于具有不同晶粒设计的晶片，并可能对于具有相同晶粒设计的单独晶片，来实现所欲的材料移除轮廓。材料移除轮廓有时具有径向相依性，这部分原因在于研磨头的轴向对称和旋转。因此，经常调节以实现所欲的径向轮廓的一个控制参数是径向腔室52a-52c的压力。
研磨设备20可以实施晶片至晶片的控制。晶片至晶片的控制可以提供在广泛的设计和晶片的不均匀性上达到目标材料移除轮廓的改善的可能性。晶片至晶片回馈控制方法使用关于先前处理的基板的信息来改善后续基板的处理。晶片至晶片回馈控制方法可以由i-APC模块94实施。
在控制器90的示例实施中，i-APC模块94基于初始工艺模型产生初始控制参数值的集，并将初始控制参数值的集提供给工具控制模块92。工具控制模块92可接着使用所接收的控制参数值来控制研磨系统。
在使用者定义的时间段上处理一或多个基板之后，i-APC模块94可使用关于基板的数据，以通过产生新的工艺模型或更新初始工艺模型来改善初始工艺模型。例如，使用者定义的用于生成新的工艺模型或更新初始工艺模型的时间段可以在研磨的基板的数量上测量，例如5、10、25、或100个晶片，或者晶片的“批次(lot)”(晶片通常以“批次”运输和处理；典型的批量为25个晶片)。作为另一示例，用户定义的时间段可以被定义为消耗品的寿命的一部分，例如研磨垫寿命。这种模型的产生或更新可以脱机实行，或独立于研磨设备的操作。
改善的工艺模型可接着用以为后续基板产生一组改善的控制参数值。通过i-APC模块94改善的工艺模型可以通过最小化目标材料移除轮廓与在基板上实现的实际轮廓之间的误差，来达到改善的研磨均匀性控制。
i-APC模块94实行包括从经处理的晶片收集和处理数据来改善未来晶片的处理的任务。收集的数据可包括来自各种晶片计量工具(“监控系统”)的产品晶片的上游和下游计量数据。上游计量数据可包括沉积层的厚度图和相关联的GOF值。下游计量数据可包括研磨层的厚度图和相关联的GOF值，或表面粗糙度值。i-APC模块94可使用GOF值来确定厚度值是否够可靠以用于工艺模型发展。i-APC模块94将这些数据与在特定晶片的处理期间使用的控制和状态参数配对，并将所述配对储存于数据日志中。数据日志可以以各种方式组织，包括按晶片ID、设计ID、批次ID、工具ID等来分组。数据日志通常用以监控CMP工艺的行为中的趋势和漂移，并采取修正动作。由于它们的大小，数据日志可以储存于控制器90的一部分的一或多个服务器中。
在一些实施中，i-APC模块94储存将处理的每个晶片的所欲厚度轮廓。使用所欲厚度轮廓，i-APC模块94可通过自沉积层的厚度图中减去所欲的厚度轮廓来产生目标材料移除轮廓。
可以以各种方式产生工艺模型。例如，可以通过处理多个覆盖晶片来产生用于描述腔室压力影响的工艺模型，所述多个覆盖晶片是具有均匀的待研磨的膜的层的未图案化晶片，作为用于具有图案的产品晶片的取代物(proxy)。通过将覆盖晶片研磨一段固定的时间并测量所得到的材料去除轮廓，可以使用Preston方程式来确定一组腔室压力和材料移除率之间的关系。
Preston方程式描述：
材料移除率(MRR)＝Kp*V*P 方程式1
其中V是研磨垫表面相对于被研磨的基板表面的速度，P是施加到倚着研磨垫而待研磨的晶片的径向区域的压力，而Kp是称为Preston系数的比例常数。速度、压力、和研磨时间是已知和受控制的变量，因此每个区域的Kp可以以代数操作来确定。包含来自覆盖晶片的研磨的Preston系数的所得的Preston方程式组是基线工艺模型的示例。i-APC模块94可接着使用此基线工艺模型来产生一组初始控制参数，以用于处理后续产品晶片。尽管讨论了用于建模腔室压力影响的工艺模型，但是可以以此方式产生用于其他控制参数的工艺模型。
然而，由于在覆盖晶片和产品晶片之间的表面拓扑上的差异，基线工艺模型可能无法达到在研磨产品晶片上的目标材料移除轮廓。在这种情况下，i-APC 94试图通过研磨多个产品晶片的多次重复来找到一组校正因子(“偏移(offset)”)，以改善产品晶片上达到的材料移除轮廓。i-APC模块94最终确定，或收敛，于可被与基线工艺模型一起使用以用于研磨产品晶片的偏移。然而，偏移的此确定可以采用多个产品晶片的研磨，在此期间研磨的晶片较不太可能满足目标移除轮廓，因此更可能被拒绝，从而不利地影响研磨工艺的产量。
应该最小化用于偏移收敛的产品晶片的消耗，因为他们是有价值的、昂贵的、并且数量有限。在达到偏移收敛之前减少被拒绝的产品晶片数量的一种方法是提供一种改善的工艺模型，所述模型更完全地和准确地捕捉各种工艺参数的影响。在一些实施中，i-APC模块94被配置以提供改善的工艺模型。改善工艺模型的质量的一种方法是实施一个工艺模型，所述工艺模型采纳(1)目标材料移除轮廓和(2)反映研磨设备条件的状态参数作为输入，并输出一组估计的控制参数(例如，腔室压力)，所述组参数可达到目标材料移除轮廓。
材料移除速率受到研磨设备的状态参数114的影响，例如由于各种消耗品的磨损所导致的寿命或年龄。例如，研磨垫可能由于老化而经历弹性降低或表面粗糙度的降低。在CMP工艺期间，支撑环可能被研磨掉而变得更薄。研磨垫调节盘可能变钝并且具有减小的垫调节能力。消耗品的特性的这些变化可能影响研磨行为。因此，具有相同设计的晶片可能需要针对不同状态参数的不同组的控制参数，来实现目标材料移除轮廓。因此，将状态参数结合到工艺模型中可能导致更好的控制参数估计。
类神经网络可用于响应于工艺参数来建模半导体处理系统(例如，CMP系统)的行为(例如，移除轮廓)。类神经网络是基于大量简单的神经单元(人工神经元)的集合。每个单独的的神经单元使用总和函数(summation function)计算相应的输出、或启动(activation)。在每个连接和在单元本身上可能存在有阈值函数或限制函数，使得信号在传播到其他神经元之前必须超过所述限制。这种阈值函数可包括双曲正切(hyperbolictangent)或S形(sigmoid)函数。
训练类神经网络，而不是明确地程序化。换句话说，类神经网络不需要所建模的工艺的功能相依性的先验知识(a priori knowledge)。而是，可以通过向类神经网络提供足够大且具有代表性的训练数据集来训练类神经网络；这种技术称为监督式机器学习。因为类神经网络可以擅长于建模难以以函数关系表达的输入和输出间的复杂关系，因此类神经网络可以为控制半导体处理系统，例如CMP系统，提供显著的优势。
图3标出了由i-APC模块94实施的功能方块。i-APC模块94包括类神经网络输入变量集110，类神经网络输入变量集110包括目标移除轮廓112和状态参数114、中性网络120、以及工艺初始化模块130，工艺初始化模块130初始化半导体处理系统的工具控制模块92，例如，CMP工具，具有类神经网络的输出。这些功能方块可以分散在多个计算机上。
中性网络120包括用于来自类神经网络输入变量集110的每个输入变量的多个输入节点122、多个隐藏节点124(以下亦称为“中间节点”)、以及将会产生将被用于初始化的工艺参数的多个输出节点126。在具有单层隐藏节点的类神经网络中，每个隐藏节点124可以耦合到每个输入节点122，并且每个输出节点126可以耦合到每个隐藏节点124。
一般而言，隐藏节点124输出一个值，所述值是来自隐藏节点所连接的输入节点122的值的加权的和的非线性函数。
例如，指定节点k的隐藏节点124的输出可表示为：
tanh(0.5*ak1(I1)+ak2(I2)+…+akM(IM)+bk) 方程式2
其中tanh是双曲正切，akx是第k个中间节点和第x个输入节点(M个输入节点中)之间连接的权重，且IM是第M个输入节点的值。然而，可以使用其他非线性函数代替tanh，例如线性整流单元(rectified linear unit，ReLU)函数及线性整流单元函数变体或S形(sigmoid)函数。
图4示出了用于在CMP工艺中训练和使用类神经网络模型的示例工艺400。在用于产生基线控制参数之前，需要配置中性网络120。可以通过使用各种监督学习方法通过训练来配置类神经网络120。监督学习方法的一个示例是反向传播(backpropagation)，前向刺激的使用来重置“前”神经单元或输入节点122上的权重。
在可以训练类神经网络之前，i-APC控制模块94收集足够量的训练数据(410)。训练数据包括已被测量的一组输入和输出对，且因此已知是真实的。例如，由i-APC控制模块94维护的数据日志可用以为每个基板取得在处理期间的状态参数114；目标移除轮廓112；处理期间所使用的控制参数；和经测量的移除轮廓。接着分析所取得的信息以确定所取得的信息作为训练示例的适合性。在目前的示例中，将测量的移除轮廓与目标轮廓进行比较。如果两者之间的差异足够小以至于在工艺的规范内，则数据被确定是合适的训练示例。然而，应注意，CMP研磨行为可以在具有不同设计的基板之间实质地变化。因此，将训练数据进一步分类为不同的晶粒设计以用于建立设计特定的类神经网络可能是有益的。一旦收集到足够数量的此类训练示例，则训练开始。
i-APC控制模块94训练类神经网络120(420)，例如，通过反向传播。反向传播是传播和权重更新的两阶段循环。在传播循环期间，呈现给网络的输入向量(例如，来自训练示例的目标移除轮廓和状态参数)是逐层传播通过网络，直到输入向量到达输出层。接着使用消耗(cost)函数将网络的输出与记录的输出(例如，来自训练示例的控制参数)进行比较，并且计算输出层中的每个神经元的误差值。消耗函数或损失函数是将一或多个变量的值映像到直觉上表示与事件相关联的一些“消耗(cost)”的实数的函数。接着，从输出开始向后传播误差值，直到每个神经元具有相关的误差值，所述误差值粗略地表示所述误差值对原始输出的贡献。反向传播使用这些误差值来计算损失函数相对于网络中的权重的梯度。接着在权重更新阶段，反向传播方法使用这些误差值来更新权重，以试图最小化损失函数。
i-APC控制模块94确定训练的类神经网络是否准确(430)。在训练阶段420完成后，应验证类神经网络的准确性。准确性的验证，例如，可以包括以类神经网络的推理模式操作类神经网络，向类神经网络提供先前使用的训练输入，并确定输出是否一致，或者是否足够接近训练数据中的正确输出。如果类神经网络输出不够准确，则所述过程返回到步骤410以收集额外的训练数据。如果输出是准确的，则已准备好可使用类神经网络。
i-APC控制模块94使用训练的类神经网络(440)来产生工艺参数。在推理模式中，类神经网络响应于目标材料移除轮廓112和状态参数114来输出要用于初始化的工艺参数。
在一些实施中，针对每个晶片设计产生并训练单独的类神经网络。在这样的实施中，i-APC控制模块94维护类神经网络库，并且控制器选择针对目前晶片设计所训练的类神经网络以初始化工艺。
类神经网络120的架构可以在深度和宽度上变化。例如，尽管类神经网络120被示为具有单栏的中间节点124，但是它可以包括多个栏。中间节点124的数量可以等于或大于输入节点122的数量。
在一些实施中，参照至图5，i-APC控制模块94可配置为具有多个类神经网络120。类神经网络120可以平行操作以产生针对每个区域的腔室压力值。类神经网络的数量可以匹配区域的数量。例如，可以有用于第一区域12a的第一类神经网络120a、用于第二区域12b的第二类神经网络120b、和用于第三区域12c的第三类神经网络。每个类神经网络120的输出可以被馈送到工艺初始化模块130。
类神经网络的训练可以是计算密集(computationally intensive)的。因此，在一些实施中，类神经网络的训练可以脱机完成，例如，当CMP工具正进行维护时。在其他实施中，可以在作为控制器90的一部分的分离的服务器上完成训练。在一些其他实施中，训练可以在不是控制器90的一部分的服务器中完成，所述服务器向控制器提供预训练的类神经网络。
由于类神经网络的输入变量所未考虑的因素(例如，不被认为是消耗品的部件的磨损)，CMP工艺的行为可能随时间缓慢地改变。因此，在一些实施中，可实行类神经网络的周期性再训练来克服此变化。
本说明书中描述的实施方式和所有功能操作可以在数字电子电路中实施，或是在计算机软件、韧体、或硬件中实施，包括本说明书中公开的结构构件及上述的结构均等物，或者它们的组合。实施方式可实施为一或多个计算机程序产品，即，有形地实施在机器可读取储存媒体中的一或多个计算机程序，用于由数据处理装置(例如，可程序处理器、计算机、或多个处理器或计算机)执行或控制数据处理装置的操作。计算机程序(也称为程序、软件、软件应用程序、或代码)可以以任何形式的程序语言编写，包括编译(compiled)或解译(interpreted)语言，并且可以以任何形式进行部署，包括作为独立程序或作为模块、部件、子例程、或其他适合在计算环境中使用的单元。计算机程序不一定对应于文件。程序可以储存在保存其他程序或数据的文件的一部分中，在专门用于所讨论的程序的单一文件中，或者在多个协同的文件中(例如，储存一或多个模块、子程序、或代码的部分的文件)。计算机程序可以部署以执行于一台计算机上，或是执行于一个站台上或分散于多个站台且由通讯网络互连的多个计算机上。
本说明书中描述的程序和逻辑流程可以由执行一或多个计算机程序的一或多个可程序处理器实行，以通过对输入数据实行操作并产生输出来实行功能。程序和逻辑流程也可以由专用逻辑电路实行，且设备也可以实施为专用逻辑电路，例如，FPGA(场式可程序门阵列)或ASIC(特殊应用集成电路)。
上述研磨设备和方法可以应用于各种研磨系统中。研磨垫或承载头或两者都可以移动以提供研磨表面和基板之间的相对运动。例如，平台可以绕轨道旋转(orbit)而不是旋转(rotate)。研磨垫可以是固定到平台上的圆形(或一些其他形状)垫。研磨系统可以是线性研磨系统，例如，其中研磨垫是线性移动的连续或滚动条至滚动条带。研磨层可以是标准(例如，具有或不具有填料的聚氨酯)研磨材料，软材料、或固定研磨(fixed-abrasive)材料。相对定位的用语是使用相对定向或部件的定位；应理解，研磨表面和基板可以相对于重力保持垂直定向或一些其他定向。
已描述特定实施例。其他实施例是在以下权利要求书的范围内。
权利要求书(按照条约第19条的修改)
1.一种处理基板的方法，包括以下步骤：
使第一多个基板的每个相应的第一基板承受到改变所述相应的第一基板的外层的厚度的工艺；
对于每个相应的第一基板，记录用于所述工艺的一组工艺参数值，从而产生多组的工艺参数值，并且记录用于所述工艺的至少一个状态参数值，从而产生多个状态参数值；
对于每个相应的第一基板，以监控系统在所述工艺期间或在所述工艺之后测量所述外层的移除轮廓，从而产生多个移除轮廓；
使用所述多组的工艺参数值、所述多个状态参数值和所述多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点，并且至少一些所述节点配置以从所述移除轮廓接收相应的移除值，并且至少一些所述输入节点配置以接收状态参数值、多个输出节点以输出控制参数值、以及将所述输入节点连接到所述输出节点的多个隐藏节点；
对于第二多个基板中的每个相应的第二基板，确定目标移除轮廓和状态参数值；
对于每个相应的第二基板，通过将对于相应的基板的所述目标移除轮廓和所述状态参数值应用于所述人工类神经网络的所述输入节点，来确定相应的控制参数值，以从所述人工类神经网络的所述输出节点应用至所述相应的第二基板；和
使用所述相应的控制参数值使每个相应的第二基板承受到所述工艺。
2.如权利要求1所述的方法，其中所述工艺包括化学机械研磨。
3.如权利要求1所述的方法，其中所述工艺包括化学机械研磨。
4.如权利要求3所述的方法，其中所述控制参数值包括承载头中的腔室的压力，以将基板保持倚着研磨垫。
5.如权利要求4所述的方法，其中所述控制参数值包括以下的一或多个：平台转速、承载头转速、或研磨时间。
6.如权利要求3所述的方法，其中所述状态参数值包括以下一或多个：支撑环寿命、或研磨垫寿命。
7.如权利要求1所述的方法，其中确定所述目标移除轮廓的步骤包括储存期望的厚度轮廓、接收所述相应的第二基板的测量的厚度轮廓、以及确定所述测量的厚度轮廓与所述期望的厚度轮廓之间的差异。
8.如权利要求1所述的方法，其中接收所述测量的厚度轮廓包括以所述监控系统测量所述相应的第二基板的厚度轮廓。
9.一种用于控制基板的处理的计算机程序产品，所述计算机程序产品有形地实施于非瞬时计算机可读取媒体中，并且包括用于使处理器执行以下步骤的指令：
使用多组工艺参数值、多个状态参数值和多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点，并且至少一些输入节点配置以从移除轮廓接收相应的移除值，并且至少一些输入节点配置以接收状态参数值、多个输出节点以输出控制参数值、以及将所述输入节点连接到所述输出节点的多个隐藏节点；
针对多个基板中的每个相应的基板获得目标移除轮廓和状态参数值；
对于每个相应的基板，通过将对于所述相应的基板的所述目标移除轮廓和所述状态参数值应用于所述人工类神经网络的所述输入节点来确定相应的控制参数值，以从所述人工类神经网络的所述输出节点应用至所述相应的基板；和
使半导体处理系统使用所述相应的控制参数值来使每个相应的基板承受所述工艺。
10.如权利要求9所述的计算机程序产品，其中所述状态参数值代表以下一或多个：支撑环寿命或研磨垫寿命。
11.如权利要求9所述的计算机程序产品，其中所述控制参数值代表承载头中的腔室的压力，以将基板保持倚着研磨垫。
12.一种研磨系统，包括：
支撑架，用以保持研磨垫；
承载头，用以保持与所述研磨垫接触的基板，所述承载头具有多个腔室；
马达，用以在所述支撑架和所述承载头之间产生相对运动；和
控制器，所述控制器经配置以
使用多组工艺参数值、多个状态参数值和多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点，并且至少一些输入节点配置以从移除轮廓接收相应的移除值，并且至少一些输入节点配置以接收状态参数值、多个输出节点以输出控制参数值、以及将所述输入节点连接到所述输出节点的多个隐藏节点，其中所述控制参数值包括用于所述承载头中的腔室的压力；
针对多个基板中的每个相应的基板获得目标移除轮廓和状态参数值；
对于每个相应的基板，通过将对于所述相应的基板的所述目标移除轮廓和所述状态参数值应用于所述人工类神经网络的所述输入节点来确定相应的控制参数值，以从所述人工类神经网络的所述输出节点应用至所述相应的基板，其中所述相应的控制参数值包括用于所述承载头中的所述腔室的相应的压力；和
对于每个相应的基板，使得所述承载头在研磨期间将所述相应的压力施加到所述承载头中的所述腔室。
13.如权利要求12所述的研磨系统，其中所述状态参数值代表以下一或多个：支撑环寿命、或研磨垫寿命。
14.如权利要求12所述的研磨系统，其中所述控制参数值表示所述承载头中的所述多个腔室的压力。
说明或声明(按照条约第19条的修改)
申请人根据PCT 19条修改了权利要求，上述修改能够从本申请原说明书、权利要求书和附图直接、毫无疑义地确定，没有超出原说明书和权利要求书记载的范围，符合专利法第33条的规定。
修改了权利要求1；权利要求2未修改，删除了权利要求3；修改了权利要求4，权利要求5-9未修改；修改了权利要求10-15。
权利要求1的第5-6行、9-12行和15-18行进行了修改，指出了“记录用于所述工艺的至少一个状态参数值，从而产生多个状态参数值”，反向传播使用“所述多组的工艺参数值”和“所述多个状态参数值”，“至少一些所述节点”配置“以从所述移除轮廓接收相应的移除值”，并且“至少一些所述输入节点”配置以“接收状态参数值”，对于每个相应的第二基板，确定“状态参数值”，“通过将对于相应的基板的所述目标移除轮廓和所述状态参数值应用于所述输入节点”，来执行“确定相应的控制参数值”。修改依据可在本申请原权利要求3，说明书第7页第2-6行，第8页第8-10行，第10页第7-9行，第10页第23-25行中找到。
权利要求4修改为从属于权利要求1。
权利要求10的第4-7行、9-11进行了修改，现指出了反向传播使用“多组工艺参数值”和“多个状态参数值”，“至少一些节点”“配置以从移除轮廓接收相应的移除值”，并且“至少一些输入节点”“配置以接收状态参数值”，对于每个相应的第二基板获得“状态参数值”，并且“通过将对于所述相应的基板的所述目标移除轮廓和所述状态参数值应用于所述输入节点”来执行“确定相应的控制参数值”。上述修改依据可在原权利要求11，说明书说明书第7页第2-6行，第8页第8-10行，第10页第7-9行，第10页第23-25行中找到。
修改了权利要求11和12，用权利要求12的一部分替换了权利要求11的原主题内容。权利要求11现指出了“所述状态参数值代表以下一或多个：支撑环寿命或研磨垫寿命”，并且未表述在权利要求12中。另外，修改了权利要求12从属于权利要求10。
修改了权利要求13的第7-10行，第13-16行，现指出了反向传播使用“多组工艺参数值”和“多个状态参数值”，“至少一些节点”“配置以从移除轮廓接收相应的移除值”，并且“至少一些输入节点”“配置以接收状态参数值”，对于每个相应的第二基板获得“状态参数值”，并且“通过将对于所述相应的基板的所述目标移除轮廓和所述状态参数值应用于所述输入节点”来执行“确定相应的控制参数值”。上述修改依据可在原权利要求11，说明书第7页说明书第7页第2-6行，第8页第8-10行，第10页第7-9行，第10页第23-25行中找到。
修改了权利要求14和15，用权利要求14的一部分替换权利要求14的原主题内容。权利要求14现指出“所述状态参数值代表以下一或多个：支撑环寿命或研磨垫寿命”，并且未表述在权利要求15中。另外，修改了权利要求15从属于权利要求13。
1.一种处理基板的方法，包括以下步骤：
使第一多个基板的每个相应的第一基板承受到改变所述相应的第一基板的外层的厚度的工艺；
对于每个相应的第一基板，记录用于所述工艺的一组工艺参数值，从而产生多组的工艺参数值，并且记录用于所述工艺的至少一个状态参数值，从而产生多个状态参数值；
对于每个相应的第一基板，以监控系统在所述工艺期间或在所述工艺之后测量所述外层的移除轮廓，从而产生多个移除轮廓；
使用所述多组的工艺参数值、所述多个状态参数值和所述多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点，并且 至少一些所述节点配置以从所述移除轮廓接收相应的移除值，并且至少一些所述输入节点 配置以接收状态参数值、多个输出节点以输出控制参数值、以及将所述输入节点连接到所述输出节点的多个隐藏节点；
对于第二多个基板中的每个相应的第二基板，确定目标移除轮廓和状态参数值；
对于每个相应的第二基板，通过将对于相应的基板的所述目标移除轮廓和所述状 态参数值应用于所述人工类神经网络的所述输入节点，来确定相应的控制参数值，以从所述人工类神经网络的所述输出节点应用至所述相应的第二基板；和
使用所述相应的控制参数值使每个相应的第二基板承受到所述工艺。
2.如权利要求1所述的方法，其中所述工艺包括化学机械研磨。
Figure QDA0002424151390000031
Figure QDA0002424151390000032
3.
Figure QDA0002424151390000033
如权利要求
Figure QDA0002424151390000034
1所述的方法，其中所述工艺包括化学机械研磨。
Figure QDA00024241513900000311
4.
Figure QDA0002424151390000036
如权利要求
Figure QDA0002424151390000037
3所述的方法，其中所述控制参数值包括承载头中的腔室的压力，以将基板保持倚着研磨垫。
Figure QDA0002424151390000038
5.
Figure QDA0002424151390000039
如权利要求
Figure QDA00024241513900000310
4所述的方法，其中所述控制参数值包括以下的一或多个：平台转速、承载头转速、或研磨时间。
Figure QDA0002424151390000041
6.
Figure QDA0002424151390000042
如权利要求
Figure QDA0002424151390000043
3所述的方法，其中所述状态参数值包括以下一或多个：支撑环寿命、或研磨垫寿命。
Figure QDA00024241513900000422
7.
Figure QDA0002424151390000045
如权利要求1所述的方法，其中确定所述目标移除轮廓的步骤包括储存期望的厚度轮廓、接收所述相应的第二基板的测量的厚度轮廓、以及确定所述测量的厚度轮廓与所述期望的厚度轮廓之间的差异。
Figure QDA00024241513900000423
8.
Figure QDA0002424151390000047
如权利要求1所述的方法，其中接收所述测量的厚度轮廓包括以所述监控系统测量所述相应的第二基板的厚度轮廓。
Figure QDA00024241513900000424
9.
Figure QDA0002424151390000049
一种用于控制基板的处理的计算机程序产品，所述计算机程序产品有形地实施于非瞬时计算机可读取媒体中，并且包括用于使处理器执行以下步骤的指令：
使用多组工艺参数值、多个状态参数值和多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点，并且至少一些输入节 点配置以从移除轮廓接收相应的移除值，并且至少一些输入节点配置以接收状态参数值、多个输出节点以输出控制参数值、以及将所述输入节点连接到所述输出节点的多个隐藏节点；
针对多个基板中的每个相应的基板获得目标移除轮廓和状态参数值；
对于每个相应的基板，通过将对于所述相应的基板的所述目标移除轮廓和所述状 态参数值应用于所述人工类神经网络的所述输入节点来确定相应的控制参数值，以从所述人工类神经网络的所述输出节点应用至所述相应的基板；和
使半导体处理系统使用所述相应的控制参数值来使每个相应的基板承受所述工艺。
Figure QDA00024241513900000425
10.
Figure QDA00024241513900000411
如权利要求
Figure QDA00024241513900000412
9所述的计算机程序产品，其中
Figure QDA00024241513900000413
Figure QDA00024241513900000414
所述状态参数值代表 以下一或多个：支撑环寿命或研磨垫寿命。
Figure QDA00024241513900000415
11.
Figure QDA00024241513900000416
如权利要求
Figure QDA00024241513900000417
9所述的计算机程序产品，其中所述控制参数值代表承载头中的腔室的压力，以将基板保持倚着研磨垫
Figure QDA00024241513900000418
Figure QDA00024241513900000419
Figure QDA00024241513900000420
12.
Figure QDA00024241513900000421
一种研磨系统，包括：
支撑架，用以保持研磨垫；
承载头，用以保持与所述研磨垫接触的基板，所述承载头具有多个腔室；
马达，用以在所述支撑架和所述承载头之间产生相对运动；和
控制器，所述控制器经配置以
使用多组工艺参数值、多个状态参数值和多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点，并且至少一些输入节 点配置以从移除轮廓接收相应的移除值，并且至少一些输入节点配置以接收状态参数值、多个输出节点以输出控制参数值、以及将所述输入节点连接到所述输出节点的多个隐藏节点，其中所述控制参数值包括用于所述承载头中的腔室的压力；
针对多个基板中的每个相应的基板获得目标移除轮廓和状态参数值；
对于每个相应的基板，通过将对于所述相应的基板的所述目标移除轮廓和所述状 态参数值应用于所述人工类神经网络的所述输入节点来确定相应的控制参数值，以从所述人工类神经网络的所述输出节点应用至所述相应的基板，其中所述相应的控制参数值包括用于所述承载头中的所述腔室的相应的压力；和
对于每个相应的基板，使得所述承载头在研磨期间将所述相应的压力施加到所述承载头中的所述腔室。
Figure QDA0002424151390000051
13.
Figure QDA0002424151390000052
如权利要求
Figure QDA0002424151390000053
12所述的研磨系统，其中所述状态参数值代表以下一 或多个：支撑环寿命、或研磨垫寿命
Figure QDA0002424151390000054
Figure QDA0002424151390000055
Figure QDA0002424151390000056
14.
Figure QDA00024241513900000510
如权利要求
Figure QDA0002424151390000057
12所述的研磨系统，其中所述控制参数值表示所述承载头中的所述多个腔室的压力
Figure QDA0002424151390000058
Figure QDA0002424151390000059

Claims (15)

1.一种处理基板的方法，包括以下步骤：
使第一多个基板的每个相应的第一基板承受到改变所述相应的第一基板的外层的厚度的工艺；
对于每个相应的第一基板，记录用于所述工艺的一组工艺参数值，从而产生多组的工艺参数值；
对于每个相应的第一基板，以监控系统在所述工艺期间或在所述工艺之后测量所述外层的移除轮廓，从而产生多个移除轮廓；
使用所述多组的工艺参数和多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点以从所述移除轮廓接收相应的移除值、多个输出节点以输出控制参数值、以及将所述输入节点连接到所述输出节点的多个隐藏节点；
对于第二多个基板中的每个相应的第二基板，确定目标移除轮廓；
对于每个相应的第二基板，通过将所述目标移除轮廓应用于所述人工类神经网络的所述输入节点，来确定相应的控制参数值，以从所述人工类神经网络的所述输出节点应用至所述相应的第二基板；和
使用所述相应的控制参数值使每个相应的第二基板承受到所述工艺。
2.如权利要求1所述的方法，其中所述工艺包括化学机械研磨。
3.如权利要求1所述的方法，其中所述人工类神经网络的至少一些所述输入节点被配置以接收状态参数值。
4.如权利要求3所述的方法，其中所述工艺包括化学机械研磨。
5.如权利要求4所述的方法，其中所述控制参数值包括承载头中的腔室的压力，以将基板保持倚着研磨垫。
6.如权利要求5所述的方法，其中所述控制参数值包括以下的一或多个：平台转速、承载头转速、或研磨时间。
7.如权利要求4所述的方法，其中所述状态参数值包括以下一或多个：支撑环寿命、或研磨垫寿命。
8.如权利要求1所述的方法，其中确定所述目标移除轮廓的步骤包括储存期望的厚度轮廓、接收所述相应的第二基板的测量的厚度轮廓、以及确定所述测量的厚度轮廓与所述期望的厚度轮廓之间的差异。
9.如权利要求1所述的方法，其中接收所述测量的厚度轮廓包括以所述监控系统测量所述相应的第二基板的厚度轮廓。
10.一种用于控制基板的处理的计算机程序产品，所述计算机程序产品有形地实施于非瞬时计算机可读取媒体中，并且包括用于使处理器执行以下步骤的指令：
使用多组工艺参数和多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点以从移除轮廓接收相应的移除值、多个输出节点以输出控制参数值、以及将所述输入节点连接到所述输出节点的多个隐藏节点；
针对多个基板中的每个相应的基板获得目标移除轮廓；
对于每个相应的基板，通过将所述目标移除轮廓应用于所述人工类神经网络的所述输入节点来确定相应的控制参数值，以从所述人工类神经网络的所述输出节点应用至所述相应的基板；和
使半导体处理系统使用所述相应的控制参数值来使每个相应的基板承受所述工艺。
11.如权利要求10所述的计算机程序产品，其中所述人工类神经网络的至少一些所述输入节点被配置以接收状态参数值。
12.如权利要求11所述的计算机程序产品，其中所述控制参数值代表承载头中的腔室的压力，以将基板保持倚着研磨垫，以及所述状态参数值代表以下一或多个：支撑环寿命、或研磨垫寿命。
13.一种研磨系统，包括：
支撑架，用以保持研磨垫；
承载头，用以保持与所述研磨垫接触的基板，所述承载头具有多个腔室；
马达，用以在所述支撑架和所述承载头之间产生相对运动；和
控制器，所述控制器经配置以
使用多组工艺参数和多个移除轮廓作为训练数据来通过反向传播训练人工类神经网络，所述人工类神经网络具有多个输入节点以从移除轮廓接收相应的移除值、多个输出节点以输出控制参数值、以及将所述输入节点连接到所述输出节点的多个隐藏节点，其中所述控制参数值包括用于所述承载头中的腔室的压力；
针对多个基板中的每个相应的基板获得目标移除轮廓；
对于每个相应的基板，通过将所述目标移除轮廓应用于所述人工类神经网络的所述输入节点来确定相应的控制参数值，以从所述人工类神经网络的所述输出节点应用至所述相应的基板，其中所述相应的控制参数值包括用于所述承载头中的所述腔室的相应的压力；和
对于每个相应的基板，使得所述承载头在研磨期间将所述相应的压力施加到所述承载头中的所述腔室。
14.如权利要求13所述的研磨系统，其中所述人工类神经网络的至少一些所述输入节点被配置以接收状态参数值。
15.如权利要求14所述的研磨系统，其中所述控制参数值表示所述承载头中的所述多个腔室的压力，以及所述状态参数值代表以下一或多个：支撑环寿命、或研磨垫寿命。
CN201880062109.4A 2017-09-25 2018-09-20 使用机器学习方式以产生工艺控制参数的半导体制造 Active CN111133560B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762562986P 2017-09-25 2017-09-25
US62/562,986 2017-09-25
PCT/US2018/052001 WO2019060577A1 (en) 2017-09-25 2018-09-20 SEMICONDUCTOR MANUFACTURING IMPLEMENTING A MACHINE LEARNING APPROACH FOR GENERATING PROCESS CONTROL PARAMETERS

Publications (2)

Publication Number Publication Date
CN111133560A true CN111133560A (zh) 2020-05-08
CN111133560B CN111133560B (zh) 2023-09-19

Family

ID=65809083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880062109.4A Active CN111133560B (zh) 2017-09-25 2018-09-20 使用机器学习方式以产生工艺控制参数的半导体制造

Country Status (6)

Country Link
US (1) US12524675B2 (zh)
JP (1) JP7036908B2 (zh)
KR (1) KR102450925B1 (zh)
CN (1) CN111133560B (zh)
TW (1) TWI783037B (zh)
WO (1) WO2019060577A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112992735A (zh) * 2021-02-07 2021-06-18 锋睿领创(珠海)科技有限公司 半导体键合位姿补偿修复方法、装置及存储介质
KR20220114089A (ko) * 2020-06-24 2022-08-17 어플라이드 머티어리얼스, 인코포레이티드 연마 패드 마모 보상을 이용한 기판 층 두께의 결정
CN115989572A (zh) * 2020-08-24 2023-04-18 应用材料公司 使用多个层制造循环流动气体分配堆叠
CN117067096A (zh) * 2023-10-18 2023-11-17 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制系统及方法
TWI899333B (zh) * 2020-09-21 2025-10-01 美商應用材料股份有限公司 基於任務相依性的動態排程的方法、非暫時性機器可讀取儲存媒體及系統

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI789385B (zh) 2017-04-21 2023-01-11 美商應用材料股份有限公司 使用神經網路來監測的拋光裝置
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
US20190130303A1 (en) * 2017-10-26 2019-05-02 International Business Machines Corporation Smart default threshold values in continuous learning
US11380594B2 (en) * 2017-11-15 2022-07-05 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
TWI825075B (zh) 2018-04-03 2023-12-11 美商應用材料股份有限公司 針對墊子厚度使用機器學習及補償的拋光裝置、拋光系統、方法及電腦儲存媒體
WO2020067914A1 (en) 2018-09-26 2020-04-02 Applied Materials, Inc. Compensation for substrate doping in edge reconstruction for in-situ electromagnetic inductive monitoring
US11989492B2 (en) 2018-12-26 2024-05-21 Applied Materials, Inc. Preston matrix generator
WO2020137802A1 (ja) * 2018-12-28 2020-07-02 株式会社荏原製作所 パッド温度調整装置、パッド温度調整方法、研磨装置、および研磨システム
JP7086835B2 (ja) * 2018-12-28 2022-06-20 株式会社荏原製作所 研磨レシピ決定装置
SG10202006423VA (en) * 2019-07-12 2021-02-25 Ebara Corp Substrate processing apparatus and storage medium
JP2022551429A (ja) * 2019-09-27 2022-12-09 コーニング インコーポレイテッド 平坦さ機能要件を満たすフォトマスクブランクを仕上げるための目標トポグラフィマップの生成提供装置、システムおよび方法
US12197133B2 (en) * 2019-10-08 2025-01-14 International Business Machines Corporation Tool control using multistage LSTM for predicting on-wafer measurements
JP7412150B2 (ja) * 2019-11-29 2024-01-12 東京エレクトロン株式会社 予測装置、予測方法及び予測プログラム
KR20210071130A (ko) * 2019-12-05 2021-06-16 삼성전자주식회사 컴퓨팅 장치, 컴퓨팅 장치의 동작 방법, 그리고 저장 매체
JP7517832B2 (ja) * 2020-01-17 2024-07-17 株式会社荏原製作所 研磨ヘッドシステムおよび研磨装置
US12131103B2 (en) 2020-03-30 2024-10-29 Kla Corporation Semiconductor fabrication process parameter determination using a generative adversarial network
KR20250073489A (ko) 2020-05-14 2025-05-27 어플라이드 머티어리얼스, 인코포레이티드 연마 동안의 인-시튜 모니터링에 사용하기 위한 신경망을 훈련시키기 위한 기법 및 연마 시스템
US11693435B2 (en) * 2020-06-25 2023-07-04 Applied Materials, Inc. Ethercat liquid flow controller communication for substrate processing systems
CN114124654B (zh) * 2020-08-10 2023-10-27 中国移动通信集团浙江有限公司 告警合并方法、装置、计算设备及计算机存储介质
KR102825817B1 (ko) 2020-08-28 2025-06-30 삼성전자주식회사 두께 추정 방법 및 공정 제어 방법
US11313670B2 (en) * 2020-09-30 2022-04-26 National Tsing Hua University Inspection method for multilayer semiconductor device
US12237158B2 (en) 2020-11-24 2025-02-25 Applied Materials, Inc. Etch feedback for control of upstream process
US12351917B2 (en) * 2020-12-01 2025-07-08 Applied Materials, Inc. Multi-zone heater tuning in substrate heater
US11709477B2 (en) * 2021-01-06 2023-07-25 Applied Materials, Inc. Autonomous substrate processing system
KR102820308B1 (ko) * 2021-03-03 2025-06-13 어플라이드 머티어리얼스, 인코포레이티드 분광 모니터링을 위한 기계 학습 시스템을 위한 훈련 스펙트럼들을 표지하기 위한 인-시튜 모니터링
JP7651001B2 (ja) * 2021-03-05 2025-03-25 アプライド マテリアルズ インコーポレイテッド 基板歳差運動を伴う基板研磨のための処理パラメータの制御
US20220351997A1 (en) * 2021-04-28 2022-11-03 Tel Manufacturing And Engineering Of America, Inc. Automated Fault Detection in Microfabrication
US11791184B2 (en) 2021-07-26 2023-10-17 Samsung Electronics Co., Ltd. Semiconductor fabrication process and method of optimizing the same
JP7689937B2 (ja) * 2022-05-27 2025-06-09 株式会社荏原製作所 研磨パッド寿命推定方法および研磨装置
CN117079737B (zh) * 2023-10-17 2024-08-02 深圳市永霖科技有限公司 一种基于成分分析的抛光液预测方法和装置
CN117697613B (zh) * 2023-12-22 2024-05-07 上海强华实业股份有限公司 应用于石英产品研磨设备的识别与研磨控制方法及系统
CN119761276B (zh) * 2025-03-03 2025-07-01 全芯智造技术有限公司 用于半导体器件的仿真方法、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001060572A (ja) * 1999-07-09 2001-03-06 Applied Materials Inc 化学機械研磨装置でのウェーハ研磨の閉ループ制御
US7001243B1 (en) * 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
US20060265097A1 (en) * 2005-05-18 2006-11-23 William Roberts Lithography method and system with correction of overlay offset errors caused by wafer processing
TW200739782A (en) * 2006-03-30 2007-10-16 Tokyo Electron Ltd Damage assessment of a wafer using optical metrology
US20080170241A1 (en) * 2007-01-12 2008-07-17 Tokyo Electron Limited Automated process control using optical metrology and a correlation between profile models and key profile shape variables
CN101313308A (zh) * 2006-04-21 2008-11-26 应用材料股份有限公司 用于监测基板处理的神经网络方法和设备
US20130148130A1 (en) * 2011-12-11 2013-06-13 Tokyo Electron Limited Process control using ray tracing-based libraries and machine learning systems
US8774958B2 (en) * 2011-04-29 2014-07-08 Applied Materials, Inc. Selection of polishing parameters to generate removal profile
US20160148850A1 (en) * 2014-11-25 2016-05-26 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
JP2017520124A (ja) * 2014-06-23 2017-07-20 アプライド マテリアルズ インコーポレイテッドＡｐｐｌｉｅｄ Ｍａｔｅｒｉａｌｓ，Ｉｎｃｏｒｐｏｒａｔｅｄ 導電性トレンチの深さの誘導性モニタリング

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0465632A (ja) * 1990-07-04 1992-03-02 Toshio Fukuda 測定装置
US7037172B1 (en) 1999-04-01 2006-05-02 Beaver Creek Concepts Inc Advanced wafer planarizing
US6439964B1 (en) 1999-10-12 2002-08-27 Applied Materials, Inc. Method of controlling a polishing machine
US6544103B1 (en) 2000-11-28 2003-04-08 Speedfam-Ipec Corporation Method to determine optimum geometry of a multizone carrier
US6540591B1 (en) 2001-04-18 2003-04-01 Alexander J. Pasadyn Method and apparatus for post-polish thickness and uniformity control
US7160739B2 (en) 2001-06-19 2007-01-09 Applied Materials, Inc. Feedback control of a chemical mechanical polishing device providing manipulation of removal rate profiles
US7698012B2 (en) 2001-06-19 2010-04-13 Applied Materials, Inc. Dynamic metrology schemes and sampling schemes for advanced process control in semiconductor processing
US6594024B1 (en) * 2001-06-21 2003-07-15 Advanced Micro Devices, Inc. Monitor CMP process using scatterometry
US6857947B2 (en) 2002-01-17 2005-02-22 Asm Nutool, Inc Advanced chemical mechanical polishing system with smart endpoint detection
US7112270B2 (en) * 2002-09-16 2006-09-26 Applied Materials, Inc. Algorithm for real-time process control of electro-polishing
TWI238754B (en) 2002-11-07 2005-09-01 Ebara Tech Inc Vertically adjustable chemical mechanical polishing head having a pivot mechanism and method for use thereof
US20050070205A1 (en) 2003-09-30 2005-03-31 Speedfam-Ipec Corporation Integrated pressure control system for workpiece carrier
US6932671B1 (en) 2004-05-05 2005-08-23 Novellus Systems, Inc. Method for controlling a chemical mechanical polishing (CMP) operation
EP1758711B1 (en) 2004-06-21 2013-08-07 Ebara Corporation Polishing apparatus and polishing method
US7150673B2 (en) 2004-07-09 2006-12-19 Ebara Corporation Method for estimating polishing profile or polishing amount, polishing method and polishing apparatus
JP4689367B2 (ja) 2004-07-09 2011-05-25 株式会社荏原製作所 研磨プロファイル又は研磨量の予測方法、研磨方法及び研磨装置
JPWO2006106790A1 (ja) 2005-04-01 2008-09-11 株式会社ニコン 研磨装置、この研磨装置を用いた半導体デバイス製造方法、及びこの半導体デバイス製造方法により製造された半導体デバイス
US7409260B2 (en) * 2005-08-22 2008-08-05 Applied Materials, Inc. Substrate thickness measuring during polishing
US20070143234A1 (en) * 2005-12-16 2007-06-21 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for intelligent model-based optical proximity correction (OPC)
US7115017B1 (en) 2006-03-31 2006-10-03 Novellus Systems, Inc. Methods for controlling the pressures of adjustable pressure zones of a work piece carrier during chemical mechanical planarization
WO2008032753A1 (fr) 2006-09-12 2008-03-20 Ebara Corporation Appareil de polissage et procédé de polissage
US7699688B2 (en) 2006-11-22 2010-04-20 Applied Materials, Inc. Carrier ring for carrier head
US8396582B2 (en) 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US8292693B2 (en) * 2008-11-26 2012-10-23 Applied Materials, Inc. Using optical metrology for wafer to wafer feed back process control
US8577820B2 (en) * 2011-03-04 2013-11-05 Tokyo Electron Limited Accurate and fast neural network training for library-based critical dimension (CD) metrology
CN202264145U (zh) 2011-09-14 2012-06-06 桂林电子科技大学 基于人工神经网络的磨床砂轮自动修整装置
US11209804B2 (en) * 2014-11-11 2021-12-28 Applied Materials, Inc. Intelligent processing tools
US10430719B2 (en) * 2014-11-25 2019-10-01 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
KR102437268B1 (ko) * 2015-02-25 2022-08-29 주식회사 케이씨텍 화학 기계적 연마 시스템
US11580375B2 (en) 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
TWI807987B (zh) * 2016-11-30 2023-07-01 美商應用材料股份有限公司 使用神經網路的光譜監測
JP7023455B2 (ja) 2017-01-23 2022-02-22 不二越機械工業株式会社 ワーク研磨方法およびワーク研磨装置
TWI789385B (zh) * 2017-04-21 2023-01-11 美商應用材料股份有限公司 使用神經網路來監測的拋光裝置
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
WO2022232290A1 (en) * 2021-04-30 2022-11-03 Applied Materials, Inc. Monitor chemical mechanical polishing process using machine learning based processing of heat images

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001060572A (ja) * 1999-07-09 2001-03-06 Applied Materials Inc 化学機械研磨装置でのウェーハ研磨の閉ループ制御
US7001243B1 (en) * 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
US20060265097A1 (en) * 2005-05-18 2006-11-23 William Roberts Lithography method and system with correction of overlay offset errors caused by wafer processing
TW200739782A (en) * 2006-03-30 2007-10-16 Tokyo Electron Ltd Damage assessment of a wafer using optical metrology
CN101313308A (zh) * 2006-04-21 2008-11-26 应用材料股份有限公司 用于监测基板处理的神经网络方法和设备
US20080170241A1 (en) * 2007-01-12 2008-07-17 Tokyo Electron Limited Automated process control using optical metrology and a correlation between profile models and key profile shape variables
US8774958B2 (en) * 2011-04-29 2014-07-08 Applied Materials, Inc. Selection of polishing parameters to generate removal profile
US20130148130A1 (en) * 2011-12-11 2013-06-13 Tokyo Electron Limited Process control using ray tracing-based libraries and machine learning systems
JP2017520124A (ja) * 2014-06-23 2017-07-20 アプライド マテリアルズ インコーポレイテッドＡｐｐｌｉｅｄ Ｍａｔｅｒｉａｌｓ，Ｉｎｃｏｒｐｏｒａｔｅｄ 導電性トレンチの深さの誘導性モニタリング
US20160148850A1 (en) * 2014-11-25 2016-05-26 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
范斌,杨力,袁家虎,曾志革,李晓今: "CMAC神经网络在应力盘光学加工中的应用研究", no. 06 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220114089A (ko) * 2020-06-24 2022-08-17 어플라이드 머티어리얼스, 인코포레이티드 연마 패드 마모 보상을 이용한 기판 층 두께의 결정
CN115038549A (zh) * 2020-06-24 2022-09-09 应用材料公司 使用研磨垫磨损补偿的基板层厚度确定
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
KR102732531B1 (ko) 2020-06-24 2024-11-21 어플라이드 머티어리얼스, 인코포레이티드 연마 패드 마모 보상을 이용한 기판 층 두께의 결정
CN115989572A (zh) * 2020-08-24 2023-04-18 应用材料公司 使用多个层制造循环流动气体分配堆叠
CN115989572B (zh) * 2020-08-24 2024-04-05 应用材料公司 使用多个层制造循环流动气体分配堆叠
TWI899333B (zh) * 2020-09-21 2025-10-01 美商應用材料股份有限公司 基於任務相依性的動態排程的方法、非暫時性機器可讀取儲存媒體及系統
CN112992735A (zh) * 2021-02-07 2021-06-18 锋睿领创(珠海)科技有限公司 半导体键合位姿补偿修复方法、装置及存储介质
CN112992735B (zh) * 2021-02-07 2021-09-10 锋睿领创(珠海)科技有限公司 半导体键合位姿补偿修复方法、装置及存储介质
CN117067096A (zh) * 2023-10-18 2023-11-17 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制系统及方法
CN117067096B (zh) * 2023-10-18 2023-12-15 苏州博宏源机械制造有限公司 基于参数优化的双面研磨抛光设备的自动控制系统及方法

Also Published As

Publication number Publication date
US20190095797A1 (en) 2019-03-28
US12524675B2 (en) 2026-01-13
JP7036908B2 (ja) 2022-03-15
TWI783037B (zh) 2022-11-11
JP2020535644A (ja) 2020-12-03
CN111133560B (zh) 2023-09-19
KR102450925B1 (ko) 2022-10-06
WO2019060577A1 (en) 2019-03-28
WO2019060577A4 (en) 2019-05-09
KR20200047739A (ko) 2020-05-07
TW201921273A (zh) 2019-06-01

Similar Documents

Publication Publication Date Title
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
JP7561817B2 (ja) ニューラルネットワークを使用する分光モニタリング
US12020159B2 (en) Training spectrum generation for machine learning system for spectrographic monitoring
TWI903225B (zh) 用於半導體處理監視的機器學習系統
US12451380B2 (en) Semiconductor fabrication using process control parameter matrix
TWI873407B (zh) 訓練用於攝譜監測的神經網路的方法以及化學機械拋光系統
TWI885260B (zh) 化學機械性研磨設備、電腦程式產品及操作研磨設備的方法
JP2025103220A (ja) ワークピースの化学機械研磨システムおよび化学機械研磨方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant