[go: up one dir, main page]

KR102813170B1 - 반도체 처리의 모니터링을 위한 기계 학습 시스템들 - Google Patents

반도체 처리의 모니터링을 위한 기계 학습 시스템들 Download PDF

Info

Publication number
KR102813170B1
KR102813170B1 KR1020247015880A KR20247015880A KR102813170B1 KR 102813170 B1 KR102813170 B1 KR 102813170B1 KR 1020247015880 A KR1020247015880 A KR 1020247015880A KR 20247015880 A KR20247015880 A KR 20247015880A KR 102813170 B1 KR102813170 B1 KR 102813170B1
Authority
KR
South Korea
Prior art keywords
machine learning
values
training
polishing
learning model
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.)
Active
Application number
KR1020247015880A
Other languages
English (en)
Other versions
KR20240089695A (ko
Inventor
그라함 예니
벤자민 체리안
Original Assignee
어플라이드 머티어리얼스, 인코포레이티드
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 어플라이드 머티어리얼스, 인코포레이티드 filed Critical 어플라이드 머티어리얼스, 인코포레이티드
Publication of KR20240089695A publication Critical patent/KR20240089695A/ko
Application granted granted Critical
Publication of KR102813170B1 publication Critical patent/KR102813170B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4188—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by CIM planning or realisation
    • 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
    • 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
    • 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
    • B24B49/10—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 electrical means
    • 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
    • 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
    • G05B19/4063—Monitoring general control system
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward 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
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • H10P52/402—
    • H10P72/0428—
    • H10P72/0604—
    • H10P74/203—
    • H10P74/23—
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32335—Use of ann, neural network
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Human Computer Interaction (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Factory Administration (AREA)

Abstract

연마 시스템을 동작시키는 방법은, 복수의 훈련된 모델들을 생성하기 위해 기계 학습 알고리즘을 사용하여 복수의 모델들을 훈련시키는 단계 ― 각각의 훈련된 모델은, 반도체 처리 시스템의 인-시튜 모니터링 시스템으로부터의 모니터링 신호에 기반하여 기판의 층의 특성 값을 결정하도록 구성됨 ―, 복수의 훈련된 모델들을 저장하는 단계, 처리될 기판의 특성을 표시하는 데이터를 수신하는 단계, 데이터에 기반하여 복수의 훈련된 모델들 중 하나를 선택하는 단계, 및 선택된 훈련된 모델을 처리 시스템에 전달하는 단계를 포함한다.

Description

반도체 처리의 모니터링을 위한 기계 학습 시스템들{MACHINE LEARNING SYSTEMS FOR MONITORING OF SEMICONDUCTOR PROCESSING}
본 개시내용은, 예컨대 화학적 기계적 연마와 같은 처리 동안 기판의 모니터링에서 사용되는 기계 학습 시스템들에 관한 것이다.
집적 회로는 전형적으로, 규소 웨이퍼 상에서의 전도성 층, 반도체 층 또는 절연성 층의 순차적 퇴적에 의해 기판 상에 형성된다. 하나의 제조 단계는, 비-평탄 표면 위에 충전재 층을 퇴적하고, 그 충전재 층을 평탄화하는 것을 수반한다. 일부 응용들의 경우, 충전재 층은, 패터닝된 층의 최상부 표면이 노출될 때까지 평탄화된다. 예컨대, 패터닝된 절연성 층 상에 전도성 충전재 층이 퇴적되어, 절연성 층의 트렌치들 또는 홀들을 충전할 수 있다. 평탄화 후에, 절연성 층의 융기된 패턴 사이에 남아있는 전도성 층의 부분들은, 기판 상의 박막 회로들 사이에 전도성 경로들을 제공하는 비아들, 플러그들, 및 라인들을 형성한다. 다른 응용들의 경우, 충전재 층은 하부 층 위로 미리 결정된 두께가 남게 될 때까지 평탄화된다. 예컨대, 퇴적된 유전체 층이 포토리소그래피를 위해 평탄화될 수 있다.
화학적 기계적 연마(CMP)는 평탄화의 하나의 용인된 방법이다. 이러한 평탄화 방법은 전형적으로, 캐리어 헤드 상에 기판이 장착될 것을 요구한다. 기판의 노출된 표면은 전형적으로, 내구성이 있는 거친 표면을 갖는 회전 연마 패드에 맞닿게 배치된다. 캐리어 헤드는 연마 패드에 맞닿게 기판을 밀기 위해 기판 상에 제어가능한 하중을 제공한다. 연마 액체, 이를테면 연마 입자들을 갖는 슬러리가 전형적으로 연마 패드의 표면에 공급된다.
CMP에서의 하나의 문제는, 바람직한 프로파일, 예컨대, 원하는 평탄도 또는 두께로 평탄화되었거나 원하는 양의 물질이 제거된 기판 층을 달성하기 위해 적절한 연마율을 사용하는 것이다. 기판 층의 초기 두께, 슬러리 분배, 연마 패드 조건, 연마 패드와 기판 사이의 상대 속도, 및 기판 상의 하중에서의 변동들은 기판에 걸친 그리고 기판 간의 물질 제거율에서의 변동들을 야기할 수 있다. 이러한 변동들은 연마 종료점에 도달하는 데 필요한 시간 및 제거되는 양에서 변동들을 야기한다. 따라서, 연마 종료점을 단지 연마 시간의 함수로서 결정하거나, 또는 단지 일정한 압력을 가함으로써 원하는 프로파일을 달성하는 것은 가능하지 않을 수 있다.
일부 시스템들에서, 기판은, 예컨대 광학 모니터링 시스템에 의해, 연마 동안 인-시튜로 모니터링된다. 인-시튜 모니터링 시스템으로부터의 두께 측정들은, 기판에 가해지는 압력을 조정하여 연마율을 조정하고 웨이퍼 내 불균일성(WIWNU; within-wafer non-uniformity)을 감소시키고, 연마 종료점을 검출하여 연마를 중단하는 데 사용될 수 있다.
일 양상에서, 기판 처리 시스템을 동작시키는 방법은, 복수의 훈련 데이터 세트들을 수신하는 단계, 복수의 기계 학습 모델들을 저장하는 단계, 복수의 물리적 프로세스 모델들을 저장하는 단계, 선택된 기계 학습 모델과 선택된 물리적 프로세스 모델의 조합을 제공하기 위해, 복수의 기계 학습 모델들로부터의 기계 학습 모델의 선택 및 복수의 물리적 프로세스 모델들로부터의 물리적 프로세스 모델의 선택을 수신하는 단계, 선택된 기계 학습 모델에 따라, 구현된 기계 학습 모델을 생성하는 단계, 각각의 훈련 데이터 세트에서의 각각의 훈련 스펙트럼에 대한 특성화 값을 계산함으로써 복수의 훈련 특성화 값들을 생성하는 단계 ― 각각의 훈련 특성화 값은 복수의 훈련 스펙트럼들 중 하나와 연관됨 ―, 훈련된 기계 학습 모델을 생성하기 위해, 복수의 훈련 특성화 값들 및 복수의 훈련 스펙트럼들을 사용하여, 구현된 기계 학습 모델을 훈련시키는 단계, 및 훈련된 기계 학습 모델을 기판 처리 시스템의 처리 제어 시스템에 전달하는 단계를 포함한다.
각각의 훈련 데이터 세트는, 복수의 훈련 스펙트럼들, 복수의 훈련 스펙트럼들로부터의 각각의 훈련 스펙트럼에 대한 타임스탬프, 및 복수의 훈련 스펙트럼들에 대한 시작 특성화 값 및/또는 종료 특성화 값을 포함한다. 각각의 기계 학습 모델은 적어도 하나의 상이한 하이퍼파라미터를 제공한다. 각각의 물리적 프로세스 모델은, 상이한 시간 함수 및/또는 상이한 물리적 프로세스 파라미터로서 특성화 값들을 생성하기 위한 상이한 함수를 제공한다. 특성화 값은, 훈련 스펙트럼에 대한 타임스탬프, 훈련 데이터 세트에 대한 시작 특성화 값 및/또는 종료 특성화 값, 및 선택된 물리적 프로세스 모델에 기반하여 계산된다.
다른 양상에서, 기판의 처리를 제어하기 위한 컴퓨터 프로그램 제품이 컴퓨터 판독가능 매체에 유형으로(tangibly) 구현되고, 명령어들을 포함하며, 명령어들은, 프로세서로 하여금, 복수의 훈련 데이터 세트들을 수신하게 하고, 복수의 기계 학습 모델들을 저장하게 하고, 복수의 물리적 프로세스 모델들을 저장하게 하고, 선택된 기계 학습 모델과 선택된 물리적 프로세스 모델의 조합을 제공하기 위해, 복수의 기계 학습 모델들로부터의 기계 학습 모델의 선택 및 복수의 물리적 프로세스 모델들로부터의 물리적 프로세스 모델의 선택을 수신하게 하고, 선택된 기계 학습 모델에 따라, 구현된 기계 학습 모델을 생성하게 하고, 각각의 훈련 데이터 세트에서의 각각의 훈련 스펙트럼에 대한 특성화 값을 계산함으로써 복수의 훈련 특성화 값들을 생성하게 하고 ― 각각의 훈련 특성화 값은 복수의 훈련 스펙트럼들 중 하나와 연관됨 ―, 훈련된 기계 학습 모델을 생성하기 위해, 복수의 훈련 특성화 값들 및 복수의 훈련 스펙트럼들을 사용하여, 구현된 기계 학습 모델을 훈련시키게 하고, 훈련된 기계 학습 모델을 기판 처리 시스템의 처리 제어 시스템에 전달하게 하기 위한 것이다.
각각의 훈련 데이터 세트는, 복수의 훈련 스펙트럼들, 복수의 훈련 스펙트럼들로부터의 각각의 훈련 스펙트럼에 대한 타임스탬프, 및 복수의 훈련 스펙트럼들에 대한 시작 특성화 값 및/또는 종료 특성화 값을 포함한다. 각각의 기계 학습 모델은 적어도 하나의 상이한 하이퍼파라미터를 제공한다. 각각의 물리적 프로세스 모델은, 상이한 시간 함수 및/또는 상이한 물리적 프로세스 파라미터로서 특성화 값들을 생성하기 위한 상이한 함수를 제공한다. 특성화 값은, 훈련 스펙트럼에 대한 타임스탬프, 훈련 데이터 세트에 대한 시작 특성화 값 및/또는 종료 특성화 값, 및 선택된 물리적 프로세스 모델에 기반하여 계산된다.
다른 양상에서, 반도체 제조 시스템은, 복수의 연마 시스템들, 인-라인 또는 독립형 계측 시스템, 및 알고리즘 생성 플랫폼을 포함한다.
각각의 연마 시스템은, 연마 패드를 유지하기 위한 지지부, 연마 패드에 맞닿게 기판을 유지하기 위한 캐리어, 기판과 연마 패드 사이의 상대적인 움직임을 야기하기 위한 모터, 연마 동안의 기판의 측정들의 시퀀스 및 측정들의 시퀀스에서의 각각의 측정에 대한 타임스탬프를 생성하기 위한 인-시튜 모니터링 시스템, 및 제어기를 포함한다. 복수의 연마 시스템 중 적어도 하나의 연마 시스템의 적어도 하나의 제어기는, 복수의 연마 시스템들 중 하나 이상의 연마 시스템으로 하여금 일련의 훈련 기판들을 연마하게 하도록 구성된다. 복수의 연마 시스템들로부터의 하나 이상의 시스템의 하나 이상의 제어기는, 훈련된 기계 학습 모델을 수신하고, 하나 이상의 시스템으로부터의 연마 시스템으로 하여금 일련의 디바이스 기판들을 연마하게 하고, 하나 이상의 시스템의 인-시튜 모니터링 시스템으로부터 디바이스 기판들의 측정들의 시퀀스를 수신하고, 측정들의 시퀀스 및 훈련된 기계 학습 모델에 기반하여 특성화 값들의 시퀀스를 생성하고, 특성화 값들의 시퀀스에 기반하여 적어도 하나의 연마 제어 파라미터를 제어하도록 구성된다.
인-라인 또는 독립형 계측 시스템은, 일련의 훈련 기판들 각각에 대한 시작 특성화 값 및/또는 종료 특성화 값을 생성하도록 구성된다.
알고리즘 생성 플랫폼은, 하나 이상의 프로세서, 및 하나 이상의 프로세서에 대한 명령어들을 갖는 컴퓨터 프로그램 제품을 저장하는 비-일시적인 컴퓨터 판독가능 매체를 포함한다. 각각의 훈련 기판에 대해, 훈련 기판을 연마하는 데 사용되는 복수의 연마 시스템들 중 하나 이상의 연마 시스템의 인-시튜 모니터링 시스템으로부터, 훈련 기판의 연마 동안 생성된 복수의 훈련 스펙트럼들 및 복수의 훈련 스펙트럼들로부터의 각각의 훈련 스펙트럼에 대한 타임스탬프가 수신된다. 각각의 훈련 기판에 대해, 인-라인 또는 독립형 계측 시스템으로부터, 훈련 기판에 대한 시작 특성화 값 및/또는 종료 특성화 값이 수신된다. 복수의 훈련 데이터 세트들이 저장된다. 각각의 훈련 데이터 세트는, 훈련 기판으로부터의 복수의 훈련 스펙트럼들, 복수의 훈련 스펙트럼들로부터의 각각의 훈련 스펙트럼에 대한 타임스탬프, 및 훈련 기판에 대한 시작 특성화 값 및/또는 종료 특성화 값을 포함한다. 복수의 기계 학습 모델들이 저장되며, 각각의 기계 학습 모델은 적어도 하나의 상이한 하이퍼파라미터를 제공한다. 복수의 물리적 프로세스 모델들이 저장되며, 각각의 물리적 프로세스 모델은, 상이한 시간 함수 및/또는 상이한 물리적 프로세스 파라미터로서 특성화 값들을 생성하기 위한 상이한 함수를 제공한다. 선택된 기계 학습 모델과 선택된 물리적 프로세스 모델의 조합을 제공하기 위해, 복수의 기계 학습 모델들로부터의 기계 학습 모델의 선택 및 복수의 물리적 프로세스 모델들로부터의 물리적 프로세스 모델의 선택이 수신된다. 선택된 기계 학습 모델에 대한 적어도 하나의 하이퍼파라미터 값이 수신되고, 선택된 물리적 프로세스 모델에 대한 적어도 하나의 물리적 파라미터 값이 수신된다. 선택된 기계 학습 모델 및 적어도 하나의 하이퍼파라미터 값에 따라, 구현된 기계 학습 모델이 생성된다. 각각의 훈련 데이터 세트에서의 각각의 훈련 스펙트럼에 대해, 훈련 스펙트럼에 대한 타임스탬프, 훈련 데이터 세트에 대한 시작 특성화 값 및/또는 종료 특성화 값, 물리적 파라미터 값, 및 선택된 물리적 프로세스 모델에 기반하여 특성화 값이 계산됨으로써 복수의 훈련 특성화 값들이 생성되며, 각각의 훈련 특성화 값은 복수의 훈련 스펙트럼들 중 하나와 연관된다. 구현된 기계 학습 모델은, 훈련된 기계 학습 모델을 생성하도록 복수의 훈련 특성화 값들 및 복수의 훈련 스펙트럼들을 사용하여 훈련되고, 훈련된 기계 학습 모델은, 디바이스 기판들의 연마의 제어를 위한 하나 이상의 연마 시스템의 제어기에 전달된다.
구현들은 다음의 특징들 중 하나 이상을 포함할 수 있다.
기판 처리 시스템은 화학적 기계적 연마 시스템을 포함할 수 있다. 기판은 연마 시스템에서 연마될 수 있다. 기판의 연마 동안, 기판은, 복수의 측정된 스펙트럼들을 생성하도록 인-시튜 분광 모니터링 시스템으로 모니터링될 수 있다. 복수의 측정된 스펙트럼들은, 복수의 특성화 값들을 생성하기 위해, 훈련된 기계 학습 모델에 전달될 수 있다. 연마 시스템의 적어도 하나의 처리 파라미터는 복수의 특성화 값들에 기반하여 제어될 수 있는데, 예컨대, 연마가 중단될 수 있고/거나 캐리어 헤드 압력이 조정될 수 있다.
복수의 기계 학습 모델들은, 콘볼루션 신경망 및 완전 연결 신경망을 포함할 수 있다. 하이퍼파라미터는, 신경망 내의 은닉 계층들의 수일 수 있다. 선택된 기계 학습 모델에 대해 적어도 하나의 하이퍼파라미터 값이 수신될 수 있다. 선택된 기계 학습 모델 및 적어도 하나의 하이퍼파라미터 값에 따라, 구현된 기계 학습 모델이 생성될 수 있다.
복수의 물리적 프로세스 모델들 중 일부는 선형 시간 함수를 포함할 수 있고, 복수의 물리적 프로세스 모델들 중 일부는 비-선형 시간 함수를 포함할 수 있다. 복수의 물리적 프로세스 모델들은, 상이한 물리적 프로세스 파라미터들, 예컨대, 패턴 밀도, 시작 단계 높이, 임계 단계 높이, 및 프로세스 선택도 중 하나 이상을 포함할 수 있다. 물리적 파라미터 값이 수신될 수 있고, 물리적 파라미터 값에 기반하여 특성화 값이 계산될 수 있다. 알고리즘 생성 플랫폼은, 복수의 연마 시스템들 중 2개 이상의 연마 시스템 각각으로부터, 훈련 기판으로부터의 복수의 훈련 스펙트럼들, 및 복수의 훈련 스펙트럼들로부터의 각각의 훈련 스펙트럼에 대한 타임스탬프를 수신하도록 구성될 수 있다.
복수의 연마 시스템들 중 적어도 하나 및 복수의 연마 시스템으로부터의 하나 이상의 시스템은, 동일한 연마 시스템들 중 적어도 일부를 포함할 수 있다. 알고리즘 생성 플랫폼은, 복수의 훈련된 기계 학습 모델들을 제공하는 데이터를 저장하도록 구성될 수 있다. 알고리즘 생성 플랫폼은, 복수의 훈련된 기계 학습 모델들 중 하나의 선택을 수신하거나 그 선택을 행하고, 선택된 훈련된 기계 학습 모델을 제어기에 전달하도록 구성될 수 있다.
기판 추적 시스템은, 하나 이상의 프로세서, 및 복수의 디바이스 기판들 각각을 특성화하는 데이터를 저장하기 위한 명령어들을 포함하는 컴퓨터 프로그램 제품을 저장하기 위한 비-일시적인 컴퓨터 판독가능 매체를 포함할 수 있다. 알고리즘 생성 플랫폼은, 기판 추적 시스템으로부터 디바이스 기판을 특성화하는 데이터를 수신하도록 구성될 수 있고, 특성화 데이터에 기반하여 복수의 훈련된 기계 학습 모델들로부터 훈련된 기계 학습 모델을 선택하도록 구성될 수 있다.
다른 양상에서, 연마 시스템을 동작시키는 방법은, 복수의 훈련된 모델들을 생성하기 위해 기계 학습 알고리즘을 사용하여 복수의 모델들을 훈련시키는 단계를 포함하며, 각각의 훈련된 모델은, 반도체 처리 시스템의 인-시튜 모니터링 시스템으로부터의 모니터링 신호에 기반하여 기판의 층의 특성 값을 결정하도록 구성된다. 복수의 훈련된 모델들이 저장되고, 처리될 기판의 특성을 표시하는 데이터가 수신되고, 데이터에 기반하여 복수의 훈련된 모델들 중 하나가 선택되고, 선택된 훈련된 모델이 처리 시스템에 전달된다.
구현들은 다음의 특징들 중 하나 이상을 포함할 수 있다.
기판의 층은, 반도체 처리 시스템에서 처리될 수 있다. 층의 처리 동안, 인-시튜 모니터링 시스템으로 기판이 모니터링될 수 있고, 인-시튜 모니터링 시스템으로부터 신호가 생성될 수 있다. 신호는, 층의 두께의 측정치를 생성하기 위해, 훈련된 모델에 전달될 수 있다. 두께의 측정치에 기반하여 처리 시스템에 대한 하나 이상의 제어 신호가 생성될 수 있다. 처리 시스템은 화학적 기계적 연마 시스템일 수 있고, 층을 처리하는 것은 층을 연마하는 것을 포함할 수 있다. 기판을 모니터링하는 것은 분광 모니터링 시스템으로 모니터링하는 것을 포함할 수 있고, 신호는 스펙트럼들의 시퀀스를 포함할 수 있다.
모델의 하나 이상의 하이퍼파라미터가 획득될 수 있다. 하이퍼파라미터들에 기반하여 원시 예측 모델이 생성될 수 있다. 모델에 대한 훈련 데이터가 획득될 수 있고, 원시 예측 모델은 모델을 생성하기 위해 훈련 데이터를 사용하여 훈련될 수 있다. 훈련 데이터는, 복수의 훈련 예들의 각각의 훈련 예에 대한, 훈련하는 복수의 입력 정보 항목들 및 두께의 실측 정보(ground truth) 측정치를 포함할 수 있다. 두께의 각각의 실측 정보 측정치는, 특정 연마된 층을 분석하는 것에 기반하여 인-라인 또는 독립형 계측 시스템에 의해 생성될 수 있다. 인-라인 또는 독립형 계측 시스템은, 4점 탐침(four-point probe), 타원계측(ellipsometric) 두께 센서, 및 투과 전자 현미경 센서 중 하나 이상을 포함할 수 있다.
모델은 신경망을 포함할 수 있다. 인공 신경망은 훈련 데이터 및 알려진 특성 값들을 사용하여 역전파에 의해 훈련될 수 있다.
특정 구현들은 다음의 이점들 중 하나 이상을 가질 수 있다. 기판 상의 층의 두께가 더 정확하게 그리고/또는 더 신속하게 측정될 수 있다. 웨이퍼 내 두께 불균일성 및 웨이퍼 간 두께 불균일성(WIWNU 및 WTWNU)이 감소될 수 있고, 원하는 처리 종료점을 검출하기 위한 종료점 시스템의 신뢰성이 개선될 수 있다.
하나 이상의 실시예의 세부사항들이 첨부한 도면들 및 아래의 설명에서 기재된다. 다른 양상들, 특징들 및 이점들은, 설명, 도면들, 및 청구항들로부터 명백해질 것이다.
도 1은, 반도체 제조 설비의 개략적인 평면도를 예시한다.
도 2는, 연마 시스템의 예의 개략적인 단면도를 예시한다.
도 3이 예시하는 것은, 연마 장치에 대한 제어기의 일부로서 사용되는 신경망이다.
도 4는, 데이터를 수집하고 모델들을 생성하기 위한 플랫폼의 아키텍처를 예시한다.
다양한 도면들에서 동일한 참조 번호들 및 지정들은 동일한 요소들을 표시한다.
처리, 예컨대 연마를 겪는 기판들을 모니터링하기 위해 다양한 모니터링 시스템들이 사용되어 왔다. 일부 반도체 모니터링 프로세스들의 경우, 모니터링 시스템으로부터의 데이터를 평가하고 필요한 출력 파라미터를 생성하기 위해, 기계 학습 시스템, 예컨대 신경망이 훈련될 수 있다. 예컨대, 신호가 기계 학습 시스템에 입력될 수 있고, 기계 학습 시스템은, 기판의 층의 두께, 또는 처리가 중단 또는 수정되어야 한다는 것을 표시하는 신호를 출력할 수 있다.
예로서, 기판의 연마 동안 사용되는 분광 모니터링 시스템이 모니터링 시스템인 경우, 스펙트럼 또는 스펙트럼들의 시퀀스가 기계 학습 시스템에 입력될 수 있고, 기계 학습 시스템은, 기판의 층의 두께의 측정치, 또는 연마가 중단되어야 한다는 것 또는 캐리어 헤드의 압력이 수정되어야 한다는 것을 표시하는 신호를 생성할 수 있다.
물론, 그러한 기계 학습 시스템들은 훈련될 필요가 있을 것이다. 각각이 기판 파라미터에 대한 모니터링 신호의 상이한 관계를 가질 수 있는 다양한 디바이스들 및 처리법들을 고려할 때, 처리 시스템의 제조자가 기계 학습 시스템을 훈련시키는 것은 비실용적일 수 있다. 오히려, 반도체 제조 설비의 작업자에 의해 생성되는 데이터를 사용하여 기계 학습 시스템이 훈련되는 것이 필요할 수 있다. 훈련 데이터를 저장 및 조작하기 위한 일반화된 기법이 논의된다.
모니터링 시스템으로부터의 데이터를 처리하기 위해 상이한 상황들은 상이한 기계 학습 모델들을 필요로 할 수 있다. 상이한 상황들은, 디바이스들, 처리되는 층들, 제조에 사용되는 처리 파라미터들의 이력 등에서의 차이들을 포함할 수 있다. 상이한 기계 학습 모델들은, 상이한 신경망 구성들, 또는 신경망을 사용하지 않는 모델들(예컨대, 유전 알고리즘들, 서포트 벡터 기계(support vector machine)들 등) 대 신경망을 사용하는 모델들일 수 있다. 기계 학습 모델은, 기판에 관한 입력 정보, 예컨대, 팹(fab)의 기판 추적 시스템으로부터의 정보에 기반하여 선택될 수 있다.
다른 문제로서, 반도체 제조 설비에서의 다양한 툴들로부터 획득된 원시 데이터는 각각의 측정에 대한 특성화 값을 포함하지 않을 수 있다. 예컨대, 처리 툴의 인-시튜 광학 모니터링 시스템은, 훈련 데이터로서 사용될 스펙트럼들의 시퀀스를 생성하는 데 사용될 수 있다. 그러나, 이용가능한 유일한 실측 정보 측정은 인-라인 또는 독립형 계측 시스템으로부터 획득된 시작 및/또는 종료 두께일 수 있다. 시작 및/또는 종료 두께는 시퀀스 내의 처음 및/또는 마지막 스펙트럼과 연관될 것이지만, (연마 프로세스에서의 중간 시간들 동안의) 시퀀스 내의 다른 스펙트럼들이 연관된 두께를 갖지 않을 것이다. 기법은, 이러한 스펙트럼들에 대한 훈련 값들을 생성할 필요가 있다.
물리적 프로세스 모델은 처리 시간의 함수로서 특성화 값들을 생성하는 데 사용될 수 있지만, 이러한 특성화 값들은 스펙트럼들과 연관될 수 있고, 이는, 스펙트럼들(특성화 값들을 가짐)이 훈련 데이터로서 사용되는 것을 허용한다. 상이한 상황들은 특성화 값들을 생성하기 위해 상이한 물리적 프로세스 모델들을 필요로 할 수 있다. 상이한 상황들은, 디바이스들, 처리되는 층들, 제조에 사용되는 처리 파라미터들의 이력 등에서의 차이들을 포함할 수 있다. 상이한 물리적 프로세스 모델들은, 상이한 입력들(예컨대, 스톱-온-필름(stop-on-film) 프로세스는 임계 단계 높이를 포함할 수 있는 반면, 하부 층의 노출 전에 연마를 중단하는 프로세스는 이러한 변수를 필요로 하지 않을 수 있음)을 사용하거나, 상이한 입력 값들(예컨대, 패턴 밀도에 대한 상이한 값들 또는 상이한 선택도)을 사용하거나, 또는 변수들을 특성 값으로 변환하기 위해 상이한 함수들(예컨대, 선형 대 비-선형 보간)을 사용할 수 있다. 물리적 프로세스 모델은, 특정 연마 프로세스에 관한 입력 정보(예컨대, 연마 프로세스로 수집된 이전 실험 데이터), 또는 팹의 기판 추적 시스템으로부터의 정보에 기반하여 선택될 수 있다.
도 1은, 반도체 제조 설비(12)의 구성요소들을 예시한다. 설비(12)는, 하나 이상의 반도체 처리 툴, 예컨대, 증착 시스템, 식각 시스템, 연마 시스템 등을 포함할 수 있다. 예컨대, 설비는 하나 이상의 연마 시스템(20)을 포함할 수 있다. 각각의 연마 시스템(20)은, 하나 이상의 연마 스테이션(20a), 및 연마될 기판들을 연마 시스템(20) 안팎으로 이송하기 위한 이송 스테이션(20b)을 포함할 수 있다. 각각의 연마 스테이션(20a)은, 인-시튜 모니터링 시스템(70)(도 2 참조), 예컨대, 분광 모니터링 시스템을 포함한다.
설비(12)는 또한, 기판의 관심 특성, 예컨대, 기판 상의 층의 두께의 정확한 측정들을 생성할 수 있는 인-라인 또는 독립형 계측 시스템을 포함할 수 있다. 기판 특성의 이러한 정확한 측정은 "실측 정보 측정치"로 지칭될 수 있다. 실측 정보 측정치를 생성하는 데 사용될 수 있는 시스템들의 예들은, 4점 탐침, 타원계측 센서, 또는 투과 전자 현미경을 포함한다. 인-라인 또는 독립형 계측 시스템(14)은 또한, 다른 측정들, 예컨대, 기판 상의 하나 이상의 스폿의 스펙트럼 측정들 또는 기판의 이미지들을 생성할 수 있다. 일부 구현들에서, 계측 시스템(14)은 기판의 물리적 특성에 대한 값을 생성하는 것이 아니라, 처리 동작, 예컨대 연마 동작을 통한 진행의 정도를 표현하는 값을 생성한다.
계측 시스템(14)은, 처리 툴, 예컨대 연마 시스템(20)에 의해 처리되기 전에 그리고/또는 그 후에 기판을 측정하는 데 사용될 수 있다. 예컨대, 계측 시스템(14)은, 연마 시스템(20)에서의 기판의 연마 전에 그리고 그 후에 기판 상의 층의 두께의 측정들을 생성하는 데 사용될 수 있다. 이는, 기판의 연마-전 두께 및 연마-후 두께의 실측 정보 측정치를 제공할 수 있다.
설비(12)는 또한, 기판에 대한 식별 정보, 예컨대, 기판에 대한 id 번호 및 기판을 유지하는 카세트에 대한 id 번호를 추적하는 기판 추적 시스템(16)을 포함할 수 있다. 기판 추적 시스템은 또한, 기판의 최종 목적의 표시, 예컨대 제조되는 디바이스의 유형, 및/또는 기판의 처리 이력, 예컨대, 제조의 단계들 중 하나 이상에서 사용된 처리 파라미터들을 저장할 수 있다. 기판 추적 시스템(16)은, 예컨대 하나 이상의 데이터베이스를 사용하여 하나 이상의 컴퓨터 상에서 실행되는 소프트웨어로 구현될 수 있다.
기판 추적 시스템(16)은 또한, 기판의 하나 이상의 물리적 파라미터에 대한 하나 이상의 의도된 값 또는 기판 상에서 수행될 프로세스를 저장할 수 있다. 예컨대, 기판 추적 시스템(16)은, 기판의 패턴 밀도, 기판에 대한 시작 단계 높이, 기판에 대한 임계 단계 높이(제거율이 둔화되기 시작하는 단계 높이), 또는 연마 동작에 대한 프로세스 선택도(상이한 물질들에 대한 제거율들의 비) 중 하나 이상을 저장할 수 있다.
설비(12)는 또한 알고리즘 생성 플랫폼(18)을 포함할 수 있으며, 이는 아래에서 더 상세히 논의될 것이다. 알고리즘 생성 플랫폼은, 기계 학습 시스템을 훈련시키기 위한, 하나 이상의 컴퓨터 상에서 실행되는 소프트웨어를 포함한다. 시스템의 훈련은, 기계 학습 모델의 인스턴스화를 생성한다. 기계 학습 모델의 인스턴스화, 예컨대, 하이퍼파라미터 값들은, 처리 시스템에 대한 프로세스 제어기, 예컨대, 연마 시스템(20)에 대한 제어기(90)에 전달될 수 있다. 하이퍼파라미터 값들은, 기계 학습 모델, 예컨대, 신경망이 콘볼루션인지 완전 연결인지, 신경망 내의 노드들의 은닉 계층들의 수, 스펙트럼들이 감소되어야 하는 차원 수, 또는 훈련 메트릭을 표시할 수 있다.
처리 툴은, 훈련된 모델을 사용하여, 인-시튜 모니터링 시스템에 의한 측정들에 기반하여 특성 값을 생성할 수 있다. 이어서, 이러한 특성 값들은, 처리 시스템의 동작을 제어하는 데 사용될 수 있는데, 예컨대, 처리를 중단하거나 처리 파라미터를 조정하여 개선된 처리 균일성을 제공하는 데 사용될 수 있다. 예컨대, 연마 시스템은, 훈련된 모델을 사용하여, 인-시튜 모니터링 시스템으로부터의 스펙트럼을 두께 값으로 변환할 수 있으며, 두께 값은, 연마 종료점을 검출하거나 캐리어 헤드에서의 압력에 대한 조정을 결정하는 데 사용될 수 있다.
단일 설비의 일부로서 예시되지만, 계측 시스템(14), 기판 추적 시스템(16), 및 알고리즘 생성 플랫폼(18)은 서로 또는 처리 툴과 동일한 물리적 위치에 있을 필요는 없다. 게다가, 기판 추적 시스템(16) 및 알고리즘 생성 플랫폼(18)은 클라우드 컴퓨팅 기법들로 구현될 수 있다.
도 2는, 연마 시스템(20)의 연마 스테이션의 예를 예시한다. 연마 시스템(20)은, 상부에 연마 패드(30)가 위치하는 회전가능한 디스크-형상 플래튼(22)을 포함할 수 있다. 플래튼은 축(23)을 중심으로 회전하도록 동작가능하다. 예컨대, 모터(24)는, 구동 샤프트(26)를 회전시켜 플래튼(22)을 회전시킬 수 있다. 연마 패드(30)는, 예컨대, 접착제의 층에 의해, 플래튼(22)에 분리가능하게 고정될 수 있다. 연마 패드(30)는, 외측 연마 층(32) 및 더 연질의 후면 층(34)을 갖는 2층 연마 패드일 수 있다.
연마 시스템(20)은, 연마 슬러리와 같은 연마 액체(42)를 연마 패드(30) 상에 분배하기 위한 연마 액체 공급 포트(40)를 포함할 수 있다. 연마 시스템(20)은 또한, 연마 패드(30)를 마모시켜 연마 패드(30)를 일관된 연마용 상태로 유지시키기 위한 연마 패드 컨디셔너를 포함할 수 있다.
캐리어 헤드(50)는, 연마 패드(30)에 맞닿게 기판(10)을 유지하도록 동작가능하다. 각각의 캐리어 헤드(50)는 또한, 기판(10) 상의 연관된 구역들에 독립적으로 제어가능한 가압들을 적용할 수 있는 복수의 독립적으로 제어가능한 가압가능 챔버들, 예컨대 3개의 챔버(52a-52c)를 포함한다. 중앙 구역은 실질적으로 원형일 수 있고, 나머지 구역들은 중앙 구역 주위의 동심 환형 구역들일 수 있다.
챔버들(52a-52c)은, 기판(10)이 장착되는 최하부 표면을 갖는 가요성 멤브레인(54)에 의해 정의될 수 있다. 캐리어 헤드(50)는 또한, 가요성 멤브레인(54) 아래에 기판(10)을 유지하기 위한 유지 링(56)을 포함할 수 있다. 예시의 용이성을 위해 3개의 챔버만이 도 2에 예시되지만, 2개의 챔버, 또는 4개 이상의 챔버, 예컨대 5개의 챔버가 존재할 수 있다. 게다가, 기판에 가해지는 압력을 조정하기 위한 다른 메커니즘들, 예컨대, 압전 액추에이터들이 캐리어 헤드(50)에서 사용될 수 있다.
각각의 캐리어 헤드(50)는 지지 구조(60), 예컨대, 캐러셀 또는 트랙으로부터 매달리며, 구동 샤프트(62)에 의해 캐리어 헤드 회전 모터(64)에 연결됨으로써 캐리어 헤드가 축(51)을 중심으로 회전할 수 있다. 임의적으로, 각각의 캐리어 헤드(50)는, 예컨대, 트랙 상의 또는 트랙을 따른 움직임에 의해 캐러셀 상의 슬라이더들 상에서 측방향으로 진동하거나 또는 캐러셀 그 자체의 회전 진동에 의해 측방향으로 진동할 수 있다. 동작 시, 플래튼(22)은 자신의 중심 축(23)을 중심으로 회전되고, 캐리어 헤드(50)는, 자신의 중심 축(51)을 중심으로 회전되고 연마 패드(30)의 최상부 표면에 걸쳐 측방향으로 병진이동된다.
연마 시스템은 또한 인-시튜 모니터링 시스템(70)을 포함하며, 이는, 구역들(12a-12c) 중 하나 이상의 구역의 연마율을 제어하기 위해 연마 파라미터들, 예컨대 챔버들(52a-52c) 중 하나 이상에서 가해지는 압력을 제어하는 데 사용될 수 있다. 인-시튜 모니터링 시스템(70)은, 구역들(12a-12c) 각각에서 연마되는 층의 두께를 표시하는 신호를 생성한다. 인-시튜 모니터링 시스템은 광학 모니터링 시스템, 예컨대 분광 모니터링 시스템일 수 있다.
광학 모니터링 시스템(70)은, 광원(72), 광 검출기(74), 및 회로(76)를 포함할 수 있으며, 회로(76)는, 제어기(90), 예컨대 컴퓨터와 광원(72) 및 광 검출기(74) 사이에서 신호들을 전송 및 수신하기 위한 것이다. 광원(72)으로부터의 광을 연마 패드(30)의 윈도우(36)로 송신하기 위해 그리고 기판(10)에서 반사된 광을 검출기(74)로 송신하기 위해 하나 이상의 광섬유가 사용될 수 있다. 예컨대, 광원(62)으로부터의 광을 기판(10)으로 그리고 다시 검출기(74)로 송신하기 위해 분기된 광섬유(78)가 사용될 수 있다. 분광 시스템으로서는, 광원(72)은 백색광을 방출하도록 동작가능할 수 있고, 검출기(74)는 분광계일 수 있다.
회로(76)의 출력은, 구동 샤프트(26)의 회전식 커플러(28), 예컨대 슬립 링을 통해 제어기(90)로 전달되는 디지털 전자 신호일 수 있다. 대안적으로, 회로(76)는 무선 신호에 의해 제어기(90)와 통신할 수 있다. 제어기(90)는, 마이크로프로세서, 메모리 및 입력/출력 회로를 포함하는 컴퓨팅 디바이스, 예컨대, 프로그래밍가능 컴퓨터일 수 있다. 단일 블록으로 예시되지만, 제어기(90)는 다수의 컴퓨터들에 걸쳐 분산된 기능들을 갖는 망형 시스템일 수 있다.
일부 구현들에서, 인-시튜 모니터링 시스템(70)은, 플래튼(22)에 설치되어 그와 함께 회전하는 센서(80)를 포함한다. 예컨대, 센서(80)는, 광섬유(78)의 단부일 수 있다. 플래튼(22)의 움직임은 센서(80)가 기판에 걸쳐 스캐닝하는 것을 야기할 것이다. 플래튼의 회전으로 인해, 센서(80)가 캐리어 헤드 아래에서 이동함에 따라, 인-시튜 모니터링 시스템은 샘플링 주파수에서 측정들을 행하고, 그 결과로서, 기판(10)을 가로지르는 원호의 위치들(14)에서 측정들이 취해진다.
플래튼의 한 번의 회전에 걸쳐, 기판(10)의 상이한 위치들로부터 스펙트럼들이 획득된다. 특히, 일부 스펙트럼들은 기판(10)의 중심에 더 가까운 위치들로부터 획득될 수 있고, 일부는 가장자리에 더 가까운 위치들로부터 획득될 수 있다. 제어기(90)는, 타이밍, 모터 인코더 정보, 플래튼 회전 또는 위치 센서 데이터, 및/또는 기판 및/또는 유지 링의 가장자리의 광학 검출에 기반하여 스캔으로부터 각각의 측정에 대한 (기판(10)의 중심에 대한) 반경방향 위치를 계산하도록 구성될 수 있다. 따라서, 제어기는 다양한 측정들을 다양한 구역들과 연관시킬 수 있다. 일부 구현들에서, 측정 시간이 반경방향 위치의 정확한 계산을 대신하여 사용될 수 있다.
제어기(90)는, 인-시튜 모니터링 시스템으로부터의 신호에 기반하여 기판의 각각의 구역에 대한 특성화 값을 도출할 수 있다. 특히, 연마가 진행됨에 따라, 제어기(90)는 특성화 값들의 시간에 걸친 시퀀스를 생성한다. 제어기(90)는, 기판(10) 아래에서의 센서의 각각의 스캔에 대해 각각의 구역에 대한 적어도 하나의 특성화 값을 생성하거나, 예컨대, 기판에 걸쳐 센서를 스캐닝하지 않는 연마 시스템들의 경우, 측정 주파수(샘플링 주파수와 동일할 필요는 없음)에서 각각의 구역에 대한 특성화 값을 생성할 수 있다. 일부 구현들에서, 스캔마다 단일 특성화 값이 생성되는데, 예컨대, 다수의 측정들이 조합되어 특성화 값을 생성할 수 있다. 일부 구현들에서, 각각의 측정이 사용되어 특성화 값을 생성한다.
특성화 값은 전형적으로 외측 층의 두께이지만, 제거된 두께와 같은 관련된 특성일 수 있다. 게다가, 특성화 값은, 연마 프로세스를 통한 기판의 진행의 더 일반적인 표현, 예컨대, 미리 결정된 진행을 따르는 연마 프로세스에서 측정이 관측될 것으로 예상될 플래튼 회전 수 또는 시간을 표현하는 색인 값일 수 있다.
제어기(90)는, 특성화 값들을 생성하기 위해, 기계 학습 시스템에 의해 생성되는 모델의 인스턴스화를 사용할 수 있다.
인-시튜 분광 모니터링 시스템(70)과 제어기(90)의 조합은, 종료점 및/또는 연마 균일성 제어 시스템(100)을 제공할 수 있다. 즉, 제어기(90)는, 일련의 특성화 값들에 기반하여, 연마 프로세스 동안 연마 종료점을 검출하고 연마를 중단하고/거나 연마 압력들을 조정하여 연마 불균일성을 감소시킬 수 있다.
도 3은, 제어기(90)에 의해 구현될 수 있는 기능 블록들을 예시한다. 이러한 기능 블록들은, 차원 감소를 수행하기 위한 임의적 차원 감소 모듈(110), 기계 학습 시스템(신경망으로서 구현되는 것으로 도시됨)(120), 및 연마 프로세스를 조정하기 위한, 예컨대, 일련의 특성화 값들에 기반하여, 연마 프로세스 동안 연마 종료점을 검출하고 연마를 중단하고/거나 연마 압력들을 조정하여 연마 불균일성을 감소시키기 위한 프로세스 제어 시스템(130)을 포함할 수 있다. 위에 언급된 바와 같이, 이러한 기능 블록들은 다수의 컴퓨터들에 걸쳐 분산될 수 있다.
신경망(120)은, 각각의 주 구성요소에 대한 복수의 입력 노드들(122), 복수의 은닉 노드들(124)(아래에서 "중간 노드들"로 또한 지칭됨), 및 특성 값을 생성할 출력 노드(126)를 포함한다. 단일 계층의 은닉 노드들을 갖는 신경망에서, 각각의 은닉 노드(124)는 각각의 입력 노드(122)에 결합될 수 있고, 출력 노드(126)는 각각의 은닉 노드(220)에 결합될 수 있다.
일반적으로, 은닉 노드(124)는, 은닉 노드가 연결된 입력 노드들(122)로부터의 값들의 가중된 합의 비-선형 함수인 값을 출력한다.
예컨대, 노드 k로 지정된 은닉 노드(124)의 출력은 다음과 같이 표현될 수 있다:
여기서, tanh는 쌍곡선 탄젠트이고, akx는 k번째 중간 노드와 (M개의 입력 노드 중) x번째 입력 노드 사이의 연결에 대한 가중치이고, IM은 M번째 입력 노드에서의 값이다. 그러나, tanh 대신 다른 비-선형 함수들, 이를테면, 정류된 선형 유닛(ReLU) 함수 및 그의 변형들이 사용될 수 있다.
임의적 차원 감소 모듈(110)은, 측정된 스펙트럼을 더 제한된 수의 성분 값들, 예컨대, L개의 성분 값으로 감소시킬 수 있다. 신경망(120)은, 스펙트럼이 감소되는 각각의 구성요소에 대한 입력 노드(122)를 포함하며, 예컨대, 모듈(110)이 L개의 성분 값을 생성하는 경우, 신경망(120)은 적어도 입력 노드들 N1, N2, ..., NL을 포함할 것이다.
그러나, 신경망(120)은 임의적으로, 다른 데이터를 수신하기 위한 하나 이상의 다른 입력 노드(예컨대, 노드(122a))를 포함할 수 있다. 이러한 다른 데이터는, 인-시튜 모니터링 시스템에 의한 기판의 이전 측정, 예컨대 기판의 처리에서 조기에 수집된 스펙트럼들로부터의 것이거나, 이전 기판의 측정, 예컨대 다른 기판의 처리 동안 수집된 스펙트럼으로부터의 것이거나, 연마 시스템의 다른 센서, 예컨대 온도 센서에 의한 패드 또는 기판의 온도의 측정으로부터의 것이거나, 연마 시스템을 제어하는데 사용되는 제어기에 의해 저장된 연마 처리법, 예컨대 기판을 연마하기 위해 사용한 캐리어 헤드 압력 또는 플래튼 회전율과 같은 연마 파라미터로부터의 것이거나, 제어기에 의해 추적된 변수, 예컨대 패드가 변경된 이후 기판들의 수로부터의 것이거나, 또는 연마 시스템의 일부가 아닌 센서, 예컨대 계측 스테이션에 의한 하부 막들의 두께 측정으로부터의 것일 수 있다. 이는, 신경망(120)이 특성화 값의 계산에서 이러한 다른 처리 또는 환경 변수들을 고려하는 것을 허용한다.
예컨대 디바이스 웨이퍼들에 사용되기 전에, 기계 학습 시스템(112)은 구성될 필요가 있다.
차원 감소 모듈(110)에 대한 구성 절차의 일부로서, 제어기(90)는, 복수의 기준 스펙트럼들, 및 복수의 기준 스펙트럼들의 각각의 기준 스펙트럼과 연관된 특성화 값, 예컨대 두께를 수신할 수 있다. 예컨대, 기준 스펙트럼들은, 하나 이상의 테스트 기판 상의 특정 위치들에서 측정될 수 있다. 게다가, 특정 위치들에서의 두께의 측정들은 계측 장비, 예컨대, 접촉 프로필로미터(profilometer) 또는 타원계측기(ellipsometer)로 수행될 수 있다. 따라서, 두께 측정은, 기판 상의 동일한 위치로부터의 기준 스펙트럼과 연관될 수 있다. 복수의 기준 스펙트럼들은, 예컨대, 5개 내지 10개의 기준 스펙트럼을 포함할 수 있다.
도 4는, 데이터를 수집하고 모델들을 생성하기 위한 플랫폼의 아키텍처를 예시한다. 주요 구성요소들은, 팹 툴들, 알고리즘 생성 플랫폼, 및 사용자 인터페이스를 포함한다.
팹 툴들은, 처리 시스템, 예컨대 화학적 기계적 연마기(20)를 포함한다. 처리 시스템은 다양한 제어 파라미터들에 의해 제어된다. 시간 함수로서 제어 파라미터들을 설정하기 위한 데이터가 "처리법(recipe)"으로 지칭될 수 있다. 예컨대, 연마 시스템에서, 제어 파라미터들은, 캐리어 헤드의 다양한 챔버들에서의 연마 압력뿐만 아니라, 캐리어 헤드 회전율, 플래튼 회전율, 슬러리 분배율, 캐리어 헤드 스윕, 슬러리 조성 등과 같은 다른 파라미터들을 표시하는 처리법에서 설정될 수 있다. 이러한 제어 파라미터들 중 임의의 것이 시간 함수로서 특정될 수 있다.
팹 툴들은 또한 인-시튜 모니터링 시스템(70)을 포함하지만, 모니터링 시스템은, 처리 시스템 그 자체(가상 박스로 도시됨)의 일부로 간주될 수 있다. 인-시튜 모니터링 시스템(70)은 위에 논의된 바와 같은 분광 모니터링 시스템일 수 있지만, 그 대신 또는 그에 부가하여, 와전류 모니터링, 모터 전류 또는 토크 모니터링, 카메라, 온도 센서들 등과 같은 다른 센서들이 사용될 수 있다.
팹 툴은 또한 프로세스 제어기, 예컨대 제어기(90)를 포함할 수 있지만, 프로세스 제어기는 처리 시스템 그 자체(또한 가상 박스로 도시됨)의 일부로 간주될 수 있다. 프로세스 제어기는 인-시튜 모니터링 시스템(70)으로부터 데이터를 수신하고 처리 시스템(20)을 제어한다. 이러한 제어는 일반적으로, 예컨대, 기판이 처리됨에 따라, 실시간으로 이루어질 수 있다. 예컨대, 프로세스 제어기(90)는, 처리를 중단할지 여부, 프로세스 제어 파라미터를 조정할지 여부, 또는 처리법의 새로운 스테이지를 시작할지 여부를 검출할 수 있다. 연마 파라미터를 조정하는 것은, 새로운 제어 파라미터 값들을 처리 시스템에 공급하는 것을 포함할 수 있다. 예컨대, 연마 시스템에서, 프로세스 제어 시스템은, 캐리어 헤드에 의해 가해지는 하나 이상의 압력을 조정할지 여부를 결정할 수 있으며, 조정된 값들은 처리 시스템에 전달될 수 있고, 처리 시스템은 이어서 조정된 프로세스를 구현하는데, 예컨대, 조정된 압력을 가한다.
프로세스 제어기(90)에 의해 사용되는 특정 알고리즘이 알고리즘 생성 플랫폼(18)으로부터 수신될 수 있다.
알고리즘 생성 플랫폼(18)은, 예컨대 서버 시스템 내의 하나 이상의 컴퓨터 상에서 실행되는 소프트웨어로서 구현될 수 있다. 알고리즘 생성 플랫폼(18)은 3개의 주요 기능을 가질 수 있다.
첫째로, 알고리즘 생성 플랫폼(18)은, 다양한 팹 툴들로부터 데이터를 수신하고 그 데이터를 데이터 저장소(18a), 예컨대 데이터베이스에 저장하는 것을 담당한다. 수신된 데이터는, 인-시튜 모니터링 시스템으로부터의 신호(예컨대, 분광 모니터링 시스템에 의해 측정된 스펙트럼들의 시퀀스), 처리 시스템으로부터의 제어 파라미터들(예컨대, 연마 처리법), 팹 기판 추적 시스템으로부터의 기판 데이터(예컨대, 기판의 제조 이력 및/또는 제조되는 디바이스의 식별), 및 실측 정보 측정치, 및 임의적으로는, 계측 시스템으로부터의 다른 측정들을 포함할 수 있다.
특히, 알고리즘 생성 플랫폼(18)은, 복수의 훈련 데이터 세트들을 수신하고 데이터 저장소(18a)에 저장할 수 있다. 각각의 훈련 데이터 세트는 단일 기판 상의 단일 처리 동작에 대응할 수 있다. 기판은, 훈련을 위해 의도적으로 사용된 기판, 또는 집적 회로들의 일반적인 제조 과정에서 모니터링되고 시작 두께 값 및/또는 종료 두께 값이 계측 시스템에 의해 측정된 디바이스 기판일 수 있다.
예컨대, 연마 시스템(20)이 기판을 연마하고 계측 시스템(14)이 기판의 층 두께를 측정함에 따라 또는 그 후에, 데이터가 수집되어 훈련 데이터 세트를 형성할 수 있다. 수집된 데이터는, 연마 동안 측정된 스펙트럼들, 스펙트럼이 측정된 연마 동작에서의 시간("타임스탬프"), 및 계측 시스템에 의해 이루어진 실측 정보 측정(들)을 포함할 수 있다. 따라서, 각각의 훈련 데이터 세트는, 분광 모니터링 시스템에 의해 측정되는 바와 같은 복수의 훈련 스펙트럼들, 복수의 훈련 스펙트럼들로부터의 각각의 훈련 스펙트럼에 대한 타임스탬프, 및 복수의 훈련 스펙트럼들에 대한 시작 두께 값 및/또는 종료 두께 값을 포함할 수 있다.
다수의 훈련 데이터 세트들이 전형적으로 단일 처리 시스템으로부터, 예컨대 단일 연마 시스템으로부터 수집될 것이다. 훈련 데이터가 수집되는 이러한 처리 시스템은, 제어 알고리즘이 생성될 처리 시스템과 동일한 처리 시스템일 수 있지만 그러할 필요는 없다. 일부 구현들에서, 다수의 처리 시스템들 각각, 예컨대 다수의 연마 시스템들(20) 각각으로부터 다수의 훈련 데이터 세트들이 수집된다.
둘째로, 알고리즘 생성 플랫폼(18)은, 사용자, 예컨대 반도체 제조 설비(12)의 작업자가 아래에 논의된 다양한 옵션들을 선택하는 것을 허용하는 사용자 인터페이스를 생성할 수 있다. 사용자 인터페이스는, 예컨대, 웹 서버(18b)를 통해 생성될 수 있다. 유사하게, 사용자는, 웹 브라우저를 통해 사용자 인터페이스에 액세스할 수 있다. 웹 브라우저는 웹 서버(18b)와 동일한 컴퓨터 또는 그와 상이한 컴퓨터 상에 있을 수 있다.
셋째로, 알고리즘 생성 플랫폼(18)은 알고리즘 생성 엔진(18c)을 포함한다. 알고리즘 생성 엔진(18c)은, 기계 학습 모델 구축자 애플리케이션(18d), 물리적 프로세스 모델 구축자 애플리케이션(18e), 및 모델 훈련 애플리케이션(18f)을 포함하는 몇몇 하위 구성요소들을 포함한다.
모델 구축자 애플리케이션(18d)은, 사용자가 기계 학습 시스템들의 다양한 모델들을 구축하는 것을 허용한다. 예컨대, 모델 구축자는, 사용자가 신경망의 은닉 노드들의 다수의 열들을 선택하거나, 신경망의 특정 노드들 사이의 연결들 또는 연결들의 결여를 특정하고, 신경망에 의해 사용되는 비-선형 함수를 특정하는 등을 선택하는 것을 허용할 수 있다. 이는, 사용자가, 사용자에 의해 수행되는 프로세스들에 특정한 다양한 모델들을 구성하는 것을 허용한다.
더 상세하게, 기계 학습 모델 구축자(18d)는, 다수의 유형들의 기계 학습 모델들을 생성하도록 구성된다. 상이한 유형들의 기계 학습 모델들은 신경망들뿐만 아니라 신경망을 사용하지 않는 기계 학습 모델들(예컨대, 랜덤 포레스트(random forest)들, 그래디언트 부스트형 트리(gradient boosted tree)들, 서포트 벡터 기계들 등)을 포함할 수 있다. 상이한 유형들의 기계 학습 모델들은 또한 상이한 신경망 구성들, 예컨대, 콘볼루션 신경망 대 완전 연결 신경망을 포함할 수 있다.
기계 학습 모델 구축자(18d)는, 예컨대 사용자 인터페이스를 통해, 반도체 제조 설비의 작업자로부터 기계 학습 모델의 선택을 수신할 수 있다. 예컨대, 웹 서버(18b)는, 다수의 유형들의 기계 학습 모델들을 열거하고 작업자가 다수의 유형들의 기계 학습 모델들 중 하나를 선택하는 것을 허용하는 그래픽 제어 요소, 예컨대, 드롭-다운 메뉴, 체크박스, 자동 완성 검색 박스 등을 포함하는 웹 페이지를 생성할 수 있다.
기계 학습 모델 구축자(18d)는 또한, 예컨대 사용자 인터페이스를 통해, 반도체 제조 설비의 작업자로부터 하나 이상의 하이퍼파라미터 값을 수신할 수 있다. 하이퍼파라미터(들)는 기계 학습 모델의 구성을 설정하는 파라미터들이고, 기계 학습 모델의 유형에 의존할 것이다. 신경망 내의 은닉 계층들의 수가 신경망에 대한 하이퍼파라미터의 예이다. 다른 예들은, 노드들의 드롭아웃의 백분율, 초기화 가중치, 및 활성화 함수를 포함한다. 또한, 웹 서버(18b)는, 작업자가 각각의 하이퍼파라미터에 대한 값을 입력하거나 선택하는 것을 허용하는 그래픽 제어 요소, 예컨대, 드롭-다운 메뉴, 체크박스, 자동 완성 검색 박스 등을 포함하는 웹 페이지를 생성할 수 있다.
일단 기계 학습 모델 구축자(18d)가 기계 학습 모델의 유형의 선택, 및 필요한 경우, 임의의 하이퍼파라미터 값들을 수신하면, 기계 학습 모델 구축자(18d)는 기계 학습 모델의 인스턴스를 생성할 수 있다. 이 시점에, 기계 학습 모델은 훈련되지 않았으며, 따라서, 특성 값들의 실제 계산에 유용하지 않다.
위에 언급된 바와 같이, 물리적 프로세스 모델은 처리 시간의 함수로서 특성화 값들을 생성하는 데 사용될 수 있지만, 이러한 특성화 값들은 스펙트럼들과 연관될 수 있고, 이는, 스펙트럼들(특성화 값들을 가짐)이 훈련 데이터로서 사용되는 것을 허용한다.
물리적 프로세스 기계 학습 모델 구축자(18d)는, 다수의 유형들의 물리적 프로세스 모델들을 생성하도록 구성된다. 각각의 물리적 프로세스 모델 유형은, 상이한 시간 함수 및/또는 상이한 물리적 프로세스 파라미터로서 두께 값들을 생성하기 위한 함수를 제공한다. 상이한 유형들의 물리적 프로세스 모델들은, (1) 예컨대, 선형 또는 비-선형인, 프로세스 모델의 기본 함수, (2) 프로세스 모델의 출력이 타임스탬프 및 시작 및/또는 종료 값들 이외의 물리적 프로세스 변수들에 의존하는지 여부, 및 (3) 다른 물리적 프로세스 변수들이 물리적 프로세스 모델에서 사용되는 방식에 기반하여 구별될 수 있다.
예컨대, 간단한 물리적 프로세스 모델의 일 유형은, 시퀀스의 처음 및 마지막 스펙트럼들의 시간들에 대한 훈련 스펙트럼의 시간에 기반한, 시작 값과 종료 값 사이의 선형 보간에 의한 훈련 스펙트럼에 대한 두께 값의 생성일 수 있다. 이는, 다른 변수들에 의존함이 없이 이루어질 수 있다.
다른 예로서, 물리적 프로세스 모델의 다른 유형은, 예컨대 다른 변수들에 의존함이 없는, 사전 설정된 비-선형 시간 함수에 기반한 두께 값의 보간일 수 있다.
다른 예로서, 물리적 프로세스 모델의 또 다른 유형은, 타임스탬프, 시작 및/또는 종료 값들, 및 다양한 물리적 프로세스 파라미터들, 예컨대, 프로세스가 스톱-온-필름인지 여부, 프로세스 선택도, 프로세스 개시 시간, 기판 상의 패턴 밀도에 의존하는 함수를 사용하는 것일 수 있다. 다양한 물리적 프로세스 모델들이 관련 기술분야에 알려져 있다.
물리적 프로세스 모델 구축자(18e)는, 예컨대 사용자 인터페이스를 통해, 반도체 제조 설비의 작업자로부터 물리적 프로세스 모델의 유형의 선택을 수신할 수 있다. 예컨대, 웹 서버(18b)는, 다수의 유형들의 물리적 프로세스 모델들을 열거하고 작업자가 다수의 유형들의 물리적 프로세스 모델들 중 하나를 선택하는 것을 허용하는 그래픽 제어 요소, 예컨대, 드롭-다운 메뉴, 체크박스, 자동 완성 검색 박스 등을 포함하는 웹 페이지를 생성할 수 있다.
도 4가 기계 학습 모델 및 물리적 프로세스 모델의 선택을 위한 별개의 제어 요소들을 예시하지만, 이미 쌍을 이루고 있는 기계 학습 모델과 물리적 프로세스 모델의 동시적인 선택을 위한 단일 제어 요소, 예컨대 드롭-다운 메뉴가 존재할 수 있다.
물리적 프로세스 모델 구축자(18e)는 또한, 예컨대 사용자 인터페이스를 통해, 반도체 제조 설비의 작업자로부터 하나 이상의 물리적 프로세스 파라미터 값을 수신할 수 있다. 또한, 연마 동작의 경우, 물리적 프로세스 파라미터들의 예들은, 프로세스 선택도, 프로세스 개시 시간, 기판 상의 패턴 밀도를 포함한다. 또한, 웹 서버(18b)는, 작업자가 각각의 물리적 프로세스 파라미터에 대한 값을 입력하거나 선택하는 것을 허용하는 그래픽 제어 요소, 예컨대, 드롭-다운 메뉴, 체크박스, 자동 완성 검색 박스 등을 포함하는 웹 페이지를 생성할 수 있다.
모델 훈련자 애플리케이션(18f)은, 모델의 특정 인스턴스화의 훈련에 어느 데이터가 사용될 것인지를 작업자가 선택하는 것을 허용한다. 예컨대, 분광 측정 시스템이 사용될 것이라고 가정하면, 사용자는, 훈련을 위해 어느 기판들이 사용될 것인지로부터 스펙트럼들을, 그리고 그 스펙트럼들과 연관된 실측 정보 측정들을 선택할 수 있다.
데이터 저장소(18a)가 다수의 훈련 데이터 세트들을 저장한다고 가정하면, 모델 훈련자 애플리케이션(18f)은, 예컨대 사용자 인터페이스를 통해, 반도체 제조 설비의 작업자로부터 훈련 데이터 세트들 중 하나 이상의 훈련 데이터 세트의 선택을 수신할 수 있다. 예컨대, 웹 서버(18b)는, 데이터 세트들을 열거하고 작업자가 데이터 세트들 중 하나 이상을 선택하는 것을 허용하는 그래픽 제어 요소, 예컨대, 드롭-다운 메뉴, 체크박스, 자동 완성 검색 박스 등을 포함하는 웹 페이지를 생성할 수 있다.
일단 물리적 프로세스 모델 구축자(18d)가 물리적 프로세스 모델의 유형의 선택, 및 필요한 경우, 임의의 프로세스 파라미터 값들을 수신하면, 물리적 프로세스 모델 구축자(18d)는, 아직 특성 값을 갖고 있지 않은 각각의 훈련 스펙트럼에 대한 특성 값, 예컨대 두께 값을 계산할 수 있다. 즉, 다양한 값들, 예컨대, 훈련 스펙트럼의 타임스탬프, 시작 값, 및 종료 값이 물리적 프로세스 모델에 공급되며, 물리적 프로세스 모델은 그 훈련 스펙트럼에 대한 특성 값을 계산한다.
일단 물리적 프로세스 모델의 인스턴스가 생성되었으면, 물리적 프로세스 모델은, 아직 특성화 값을 갖고 있지 않은 훈련 데이터의 각각의 훈련 스펙트럼에 대한 특성 값, 예컨대 두께 값을 생성하는 데 사용될 수 있다. 훈련은, 종래의 기법들을 사용하여 모델 훈련자 애플리케이션(18f)에 의해 수행될 수 있다. 예컨대, 신경망의 경우, 훈련은, 물리적 프로세스 모델에 의해 생성된 측정들의 시퀀스 및 특성 값들을 사용하여 역전파에 의해 수행될 수 있다. 예컨대, 신경망의 훈련은, 연마 프로세스 모델에 의해 생성된 스펙트럼들의 시퀀스 및 특성 값들, 예컨대 두께 값들을 사용하여 역전파에 의해 수행될 수 있다.
일단 훈련이 수행되었으면, 기계 학습 모델의 훈련된 인스턴스화가 프로세스 제어 시스템에 전달될 수 있으며, 이어서, 프로세스 제어 시스템은, 위에 설명된 바와 같은 훈련된 기계 학습 모델을 사용할 수 있다.
예컨대, 연마 시스템에서의 기판의 연마 동안, 기판은, 연마되는 기판의 복수의 측정된 스펙트럼들을 생성하도록 인-시튜 분광 모니터링 시스템으로 모니터링될 수 있다. 복수의 측정된 스펙트럼들은 복수의 특성화 값들, 예컨대 두께 측정들을 생성하기 위해, 훈련된 기계 학습 모델에 전달되며, 복수의 특성화 값들에 기반하여 연마 시스템의 적어도 하나의 처리 파라미터가 제어된다.
특히, 알고리즘 생성 플랫폼은 다수의 유형들의 기계 학습 모델들(예컨대, 위에 설명된 바와 같은 상이한 아키텍처들로 구촉된 모델들)의 인스턴스화들을 포함할 수 있으며, 인스턴스화들은 동일하거나 상이한 데이터 세트에 의해 훈련된다. 알고리즘 생성 플랫폼은 또한 동일한 기계 학습 모델의 다수의 인스턴스화들을 포함할 수 있으며, 각각의 인스턴스화는 상이한 데이터 세트에 의해 훈련된다.
일부 구현들에서, 사용자는, 어느 훈련된 모델 인스턴스화를 프로세스 제어 시스템에 로딩할 것인지를 선택한다. 일부 구현들에서, 알고리즘 생성기는, 팹 툴로부터 데이터를 수신하고 그 데이터에 기반하여 모델 인스턴스화를 선택할 수 있다. 예컨대, 알고리즘 생성기는, 카세트 내의 기판들이 특정 디바이스의 제조에 사용되고 있다는 데이터를 기판 추적 시스템으로부터 수신할 수 있다. 그 때, 알고리즘 생성기는, 그 디바이스와 연관된 모델 인스턴스화를 선택하고 그 모델 인스턴스화를 프로세스 제어 시스템에 전달할 수 있다.
본 명세서에 설명된 본 발명의 실시예들 및 모든 기능 동작들은, 디지털 전자 회로로, 또는 본 명세서에 개시된 구조적 수단 및 그의 구조적 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어, 또는 하드웨어에서, 또는 그들의 조합들로 구현될 수 있다. 본 발명의 실시예들은, 하나 이상의 컴퓨터 프로그램 제품, 즉, 데이터 처리 장치, 예컨대, 프로그래밍가능 프로세서, 컴퓨터, 또는 다수의 프로세서들 또는 컴퓨터들에 의한 실행을 위한, 또는 그 동작을 제어하기 위한, 기계 판독가능 저장 매체에 유형으로 구현된 하나 이상의 컴퓨터 프로그램으로서 구현될 수 있다. 컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 또는 코드로 또한 알려져 있음)은, 컴파일 또는 해석되는 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 작성될 수 있고, 이는 독립형 프로그램 또는 모듈, 컴포넌트, 서브루틴 또는 컴퓨팅 환경에서 사용하기에 적합한 다른 유닛을 포함하는 임의의 형태로 배포될 수 있다. 컴퓨터 프로그램은 반드시 파일에 대응하지는 않는다. 프로그램은 다른 프로그램들 또는 데이터를 보유하는 파일의 일부분에, 해당 프로그램에 전용인 단일 파일에, 또는 다수의 조직화된 파일들(예컨대, 하나 이상의 모듈, 서브 프로그램, 또는 코드의 부분을 저장하는 파일들)에 저장될 수 있다. 컴퓨터 프로그램은 하나의 위치에 있거나 다수의 위치들에 걸쳐 분산되어 통신망에 의해 상호연결되는 다수의 컴퓨터들 상에서 실행되거나 또는 하나의 컴퓨터 상에서 실행되도록 배치될 수 있다.
본 명세서에서 설명되는 프로세스들 및 논리 흐름들은, 입력 데이터에 대해 동작하여 출력을 생성함으로써 기능들을 수행하기 위해 하나 이상의 컴퓨터 프로그램을 실행하는 하나 이상의 프로그래밍가능 프로세서에 의해 수행될 수 있다. 프로세스들 및 논리 흐름들은 또한, 특수 목적 논리 회로, 예컨대, 필드 프로그래밍가능 게이트 어레이(FPGA) 또는 주문형 집적 회로(ASIC)에 의해 수행될 수 있고, 장치가 또한 그들로서 구현될 수 있다.
위에 설명된 연마 시스템 및 방법들은 다양한 연마 시스템들에서 적용될 수 있다. 연마 패드 또는 캐리어 헤드들 중 어느 하나 또는 둘 모두는, 연마 표면과 기판 간의 상대적인 움직임을 제공하기 위해 이동할 수 있다. 예컨대, 플래튼은 회전하기 보다는 선회할 수 있다. 연마 패드는 플래튼에 고정된 원형(또는 일부 다른 형상)의 패드일 수 있다. 연마 시스템은, 예컨대, 연마 패드가 선형으로 이동하는 연속적인 또는 릴-루-릴 벨트인 선형 연마 시스템일 수 있다. 연마 층은 표준(예컨대, 충전재들이 있거나 없는 폴리우레탄) 연마 물질, 연질 물질, 또는 고정식-연마 물질일 수 있다. 상대적인 위치결정 용어들은 구성요소들의 상대적인 배향 또는 위치결정에 사용되며, 연마 표면 및 기판은 중력에 대해 수직 배향으로 또는 일부 다른 배향으로 유지될 수 있다는 것이 이해되어야 한다.
위의 설명이 화학적 기계적 연마에 초점을 두었지만, 제어 시스템은, 다른 반도체 처리 기법들, 예컨대, 식각 또는 증착, 예컨대 화학 기상 증착에 적응될 수 있다. 게다가, 기법은, 인-시튜 모니터링이 아닌 인-라인 또는 독립형 계측 시스템에 적용될 수 있다.
본 발명의 특정 실시예들이 설명되었다. 다른 실시예들이 다음의 청구항들의 범위 내에 있다.

Claims (20)

  1. 기판 처리 시스템을 동작시키는 방법으로서,
    복수의 훈련 데이터 세트들을 수신하는 단계 - 각각의 훈련 데이터 세트는 복수의 원시 훈련 값들, 상기 복수의 원시 훈련 값들로부터의 각각의 원시 훈련 값에 대한 타임스탬프 및 상기 복수의 원시 훈련 값들에 대한 시작 특성화 값 및/또는 종료 특성화 값을 포함함 -;
    복수의 기계 학습 모델들을 저장하는 단계 - 각각의 기계 학습 모델은 적어도 하나의 상이한 하이퍼파라미터를 제공함 -;
    복수의 물리적 프로세스 모델들을 저장하는 단계 - 각각의 물리적 프로세스 모델은 상이한 시간 함수 및/또는 상이한 물리적 프로세스 파라미터로서 특성화 값들을 생성하기 위한 상이한 함수를 제공함 -;
    선택된 기계 학습 모델과 선택된 물리적 프로세스 모델의 조합을 제공하기 위해, 상기 복수의 기계 학습 모델들로부터의 기계 학습 모델의 선택 및 상기 복수의 물리적 프로세스 모델들로부터의 물리적 프로세스 모델의 선택을 수신하는 단계;
    상기 선택된 기계 학습 모델에 대한 적어도 하나의 하이퍼파라미터 값 및 상기 선택된 물리적 프로세스 모델에 대한 적어도 하나의 물리적 파라미터 값을 수신하는 단계;
    상기 선택된 기계 학습 모델 및 상기 적어도 하나의 하이퍼파라미터 값에 따라, 구현된 기계 학습 모델을 생성하는 단계;
    상기 복수의 원시 훈련 값들로부터의 하나 이상의 원시 훈련 값의 복수의 그룹들 각각에 대해, 상기 하나 이상의 원시 훈련 값, 하나 이상의 원시 훈련 값에 대한 하나 이상의 타임스탬프, 상기 훈련 데이터의 세트에 대한 시작 특성화 값 및/또는 종료 특성화 값, 상기 물리적 파라미터 값 및 상기 선택된 물리적 프로세스 모델에 기초하여 특성화 값들을 계산함으로써, 복수의 훈련 특성화 값들을 생성하는 단계 - 각각의 훈련 특성화 값은 상기 복수의 원시 훈련 값들로부터의 하나 이상의 원시 훈련 값의 그룹과 연관됨 -;
    상기 복수의 훈련 특성화 값들 및 상기 복수의 원시 훈련 값들을 사용하여 상기 구현된 기계 학습 모델을 훈련시켜 훈련된 기계 학습 모델을 생성하는 단계; 및
    상기 훈련된 기계 학습 모델을 상기 기판 처리 시스템의 처리 제어 시스템에 전달하는 단계
    를 포함하는, 기판 처리 시스템을 동작시키는 방법.
  2. 제1항에 있어서, 상기 복수의 원시 훈련 값들은 와전류 모니터링 시스템, 모터 전류 또는 토크 모니터링 시스템 또는 광학 모니터링 시스템으로부터의 측정치들을 포함하는, 방법.
  3. 제1항에 있어서, 상기 기판 처리 시스템은 화학적 기계적 연마 시스템을 포함하는, 방법.
  4. 제3항에 있어서,
    상기 연마 시스템에서 기판을 연마하는 단계;
    상기 기판의 연마 동안, 상기 복수의 원시 훈련 값들을 생성하기 위해 인-시튜 모니터링 시스템으로 상기 기판을 모니터링하는 단계;
    복수의 특성화 값들을 생성하기 위해 상기 복수의 원시 훈련 값들을 상기 훈련된 기계 학습 모델에 전달하는 단계; 및
    상기 복수의 특성화 값들에 기초하여 상기 연마 시스템의 적어도 하나의 처리 파라미터를 제어하는 단계
    를 더 포함하는, 방법.
  5. 제4항에 있어서, 상기 적어도 하나의 처리 파라미터를 제어하는 단계는 연마를 중단하는 단계 및/또는 캐리어 헤드 압력을 조정하는 단계를 포함하는, 방법.
  6. 기판 처리 시스템에서 기판의 처리를 제어하기 위한 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 비일시적 컴퓨터 판독가능 매체에 저장되어 있고, 명령어들을 포함하며, 상기 명령어들은 프로세서로 하여금,
    복수의 훈련 데이터 세트들을 수신하게 하고 - 각각의 훈련 데이터 세트는 복수의 원시 훈련 값들, 상기 복수의 원시 훈련 값들로부터의 각각의 원시 훈련 값에 대한 타임스탬프 및 상기 복수의 원시 훈련 값들에 대한 시작 특성화 값 및/또는 종료 특성화 값을 포함함 -;
    복수의 기계 학습 모델들을 저장하게 하고 - 각각의 기계 학습 모델은 적어도 하나의 상이한 하이퍼파라미터를 제공함 -;
    복수의 물리적 프로세스 모델들을 저장하게 하고 - 각각의 물리적 프로세스 모델은 상이한 시간 함수 및/또는 상이한 물리적 프로세스 파라미터로서 특성화 값들을 생성하기 위한 상이한 함수를 제공함 -;
    선택된 기계 학습 모델과 선택된 물리적 프로세스 모델의 조합을 제공하기 위해, 상기 복수의 기계 학습 모델들로부터의 기계 학습 모델의 선택 및 상기 복수의 물리적 프로세스 모델들로부터의 물리적 프로세스 모델의 선택을 수신하게 하고;
    상기 선택된 기계 학습 모델에 대한 적어도 하나의 하이퍼파라미터 값 및 상기 선택된 물리적 프로세스 모델에 대한 적어도 하나의 물리적 파라미터 값을 수신하게 하고;
    상기 선택된 기계 학습 모델 및 상기 적어도 하나의 하이퍼파라미터 값에 따라, 구현된 기계 학습 모델을 생성하게 하고;
    상기 복수의 원시 훈련 값들로부터의 하나 이상의 원시 훈련 값들의 복수의 그룹들 각각에 대해, 상기 하나 이상의 원시 훈련 값, 하나 이상의 원시 훈련 값들에 대한 하나 이상의 타임스탬프, 상기 훈련 데이터의 세트에 대한 시작 특성화 값 및/또는 종료 특성화 값, 상기 물리적 파라미터 값 및 상기 선택된 물리적 프로세스 모델에 기초하여 특성화 값들을 계산함으로써, 복수의 훈련 특성화 값들을 생성하게 하고 - 각각의 훈련 특성화 값은 상기 복수의 원시 훈련 값들로부터의 하나 이상의 원시 훈련 값의 그룹과 연관됨 -;
    상기 복수의 훈련 특성화 값들 및 상기 복수의 원시 훈련 값들을 사용하여 상기 구현된 기계 학습 모델을 훈련시켜, 훈련된 기계 학습 모델을 생성하게 하고;
    상기 훈련된 기계 학습 모델을 상기 기판 처리 시스템의 처리 제어 시스템에 전달하게 하기 위한 것인, 컴퓨터 프로그램.
  7. 제6항에 있어서, 상기 특성화 값은 상기 기판 상의 층에 대한 두께 값을 포함하는, 컴퓨터 프로그램.
  8. 제6항에 있어서, 상기 복수의 기계 학습 모델들은 콘볼루션 신경망 및 완전 연결 신경망을 포함하는, 컴퓨터 프로그램.
  9. 제8항에 있어서, 적어도 하나의 상이한 하이퍼파라미터는 상기 신경망 내의 은닉 계층들의 수를 포함하는, 컴퓨터 프로그램.
  10. 제6항에 있어서, 상기 복수의 물리적 프로세스 모델들 중 일부는 선형 시간 함수를 포함하고, 상기 복수의 물리적 프로세스 모델들 중 일부는 비선형 시간 함수를 포함하는, 컴퓨터 프로그램.
  11. 제6항에 있어서, 상기 복수의 물리적 프로세스 모델들은 상이한 물리적 프로세스 파라미터들을 포함하는, 컴퓨터 프로그램.
  12. 제6항에 있어서, 상기 물리적 프로세스 파라미터는 패턴 밀도, 시작 단계 높이, 임계 단계 높이 및 프로세스 선택도 중 하나 이상을 포함하는, 컴퓨터 프로그램.
  13. 제6항에 있어서, 상기 선택된 기계 학습 모델에 대한 적어도 하나의 하이퍼파라미터 값을 수신하기 위한 명령어들을 포함하고, 상기 구현된 기계 학습 모델을 생성하기 위한 명령어들은 상기 선택된 기계 학습 모델 및 상기 적어도 하나의 하이퍼파라미터 값에 따라 상기 구현된 기계 학습 모델을 생성하기 위한 명령어들을 포함하는, 컴퓨터 프로그램.
  14. 제6항에 있어서, 상기 선택된 물리적 프로세스 모델에 대한 물리적 파라미터 값을 수신하기 위한 명령어들을 포함하고, 상기 특성화 값을 계산하기 위한 상기 명령어들은 상기 물리적 파라미터 값에 기초하여 상기 특성화 값을 계산하기 위한 명령어들을 포함하는, 컴퓨터 프로그램.
  15. 반도체 제조 시스템으로서,
    복수의 연마 시스템들 - 각각의 연마 시스템은 연마 패드를 유지하기 위한 지지부, 상기 연마 패드에 맞닿게 기판을 유지하기 위한 캐리어, 상기 기판과 상기 연마 패드 사이의 상대적인 움직임을 야기하기 위한 모터, 연마 동안의 상기 기판의 측정들의 시퀀스 및 상기 측정들의 시퀀스에서의 각각의 측정에 대한 타임 스탬프를 생성하기 위한 인-시튜 모니터링 시스템, 및 제어기를 포함하고,
    상기 복수의 연마 시스템들 중 적어도 하나의 연마 시스템의 적어도 하나의 제어기는 상기 복수의 연마 시스템들 중 하나 이상의 연마 시스템으로 하여금 일련의 훈련 기판들을 연마하게 하도록 구성되고,
    상기 복수의 연마 시스템들로부터의 하나 이상의 시스템의 하나 이상의 제어기는 훈련된 기계 학습 모델을 수신하고, 상기 하나 이상의 시스템으로부터의 연마 시스템으로 하여금 일련의 디바이스 기판들을 연마하게 하고, 상기 하나 이상의 시스템의 상기 인-시튜 모니터링 시스템으로부터 상기 디바이스 기판들의 측정들의 시퀀스를 수신하고, 상기 측정들의 시퀀스 및 상기 훈련된 기계 학습 모델에 기초하여 특성화 값들의 시퀀스를 생성하고, 상기 특성화 값들의 시퀀스에 기초하여 적어도 하나의 연마 제어 파라미터를 제어하도록 구성됨 -;
    상기 일련의 훈련 기판들 각각에 대한 시작 특성화 값 및/또는 종료 특성화 값을 생성하기 위한 인-라인 또는 독립형 계측 시스템; 및
    하나 이상의 프로세서, 및 명령어들을 포함하는 프로그램을 저장하는 비일시적인 컴퓨터 판독가능 매체를 포함하는 알고리즘 생성 플랫폼을 포함하며, 상기 명령어들은 상기 하나 이상의 프로세서로 하여금,
    복수의 훈련 데이터 세트들을 수신하게 하고 - 각각의 훈련 데이터 세트는 복수의 원시 훈련 값들, 상기 복수의 원시 훈련 값들로부터의 각각의 원시 훈련 값에 대한 타임스탬프 및 상기 복수의 원시 훈련 값들에 대한 시작 특성화 값 및/또는 종료 특성화 값을 포함함 -;
    복수의 기계 학습 모델들을 저장하게 하고 - 각각의 기계 학습 모델은 적어도 하나의 상이한 하이퍼파라미터를 제공함 -;
    복수의 물리적 프로세스 모델들을 저장하게 하고 - 각각의 물리적 프로세스 모델은 상이한 시간 함수 및/또는 상이한 물리적 프로세스 파라미터로서 특성화 값들을 생성하기 위한 상이한 함수를 제공함 -;
    선택된 기계 학습 모델과 선택된 물리적 프로세스 모델의 조합을 제공하기 위해, 상기 복수의 기계 학습 모델들로부터의 기계 학습 모델의 선택 및 상기 복수의 물리적 프로세스 모델들로부터의 물리적 프로세스 모델의 선택을 수신하게 하고;
    상기 선택된 기계 학습 모델에 대한 적어도 하나의 하이퍼파라미터 값 및 상기 선택된 물리적 프로세스 모델에 대한 적어도 하나의 물리적 파라미터 값을 수신하게 하고;
    상기 선택된 기계 학습 모델 및 상기 적어도 하나의 하이퍼파라미터 값에 따라, 구현된 기계 학습 모델을 생성하게 하고;
    상기 복수의 원시 훈련 값들로부터의 하나 이상의 원시 훈련 값의 복수의 그룹들 각각에 대해, 상기 하나 이상의 원시 훈련 값, 하나 이상의 원시 훈련 값에 대한 하나 이상의 타임스탬프, 상기 훈련 데이터의 세트에 대한 상기 시작 특성화 값 및/또는 종료 특성화 값, 상기 물리적 파라미터 값 및 상기 선택된 물리적 프로세스 모델에 기초하여 특성화 값들을 계산함으로써, 복수의 훈련 특성화 값들을 생성하게 하고 - 각각의 훈련 특성화 값은 상기 복수의 원시 훈련 값들로부터의 하나 이상의 원시 훈련 값들의 그룹과 연관됨-;
    상기 복수의 훈련 특성화 값들 및 상기 복수의 원시 훈련 값들을 사용하여 상기 구현된 기계 학습 모델을 훈련시켜, 훈련된 기계 학습 모델을 생성하게 하고;
    상기 훈련된 기계 학습 모델을 상기 반도체 제조 시스템의 처리 제어 시스템에 전달하게 하기 위한 것인, 반도체 제조 시스템.
  16. 제15항에 있어서, 상기 복수의 연마 시스템들 중의 적어도 하나의 연마 시스템 및 상기 복수의 연마 시스템들 중의 하나 이상의 시스템은 동일한 연마 시스템들 중 적어도 일부를 포함하는, 반도체 제조 시스템.
  17. 제15항에 있어서, 상기 알고리즘 생성 플랫폼은 복수의 훈련된 기계 학습 모델들을 제공하는 데이터를 저장하도록 구성되는, 반도체 제조 시스템.
  18. 제17항에 있어서, 상기 알고리즘 생성 플랫폼은 복수의 훈련된 기계 학습 모델들 중 하나의 선택을 수신하거나 행하고, 선택된 훈련된 기계 학습 모델을 상기 제어기에 전달하도록 구성되는, 반도체 제조 시스템.
  19. 제18항에 있어서, 하나 이상의 프로세서, 및 각각의 상기 디바이스 기판들을 특성화하는 데이터를 저장하기 위한 명령어들을 포함하는 컴퓨터 프로그램을 저장한 비일시적 컴퓨터 판독가능 매체를 포함하는 기판 추적 시스템을 더 포함하는, 반도체 제조 시스템.
  20. 제19항에 있어서, 상기 알고리즘 생성 플랫폼은 상기 기판 추적 시스템으로부터 디바이스 기판을 특성화하는 데이터를 수신하고, 상기 특성화하는 데이터에 기초하여 상기 복수의 훈련된 기계 학습 모델들로부터 훈련된 기계 학습 모델을 선택하도록 구성되는, 반도체 제조 시스템.
KR1020247015880A 2018-03-13 2019-03-08 반도체 처리의 모니터링을 위한 기계 학습 시스템들 Active KR102813170B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862642497P 2018-03-13 2018-03-13
US62/642,497 2018-03-13
PCT/US2019/021441 WO2019177905A1 (en) 2018-03-13 2019-03-08 Machine learning systems for monitoring of semiconductor processing
KR1020207028801A KR102666904B1 (ko) 2018-03-13 2019-03-08 반도체 처리의 모니터링을 위한 기계 학습 시스템들

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020207028801A Division KR102666904B1 (ko) 2018-03-13 2019-03-08 반도체 처리의 모니터링을 위한 기계 학습 시스템들

Publications (2)

Publication Number Publication Date
KR20240089695A KR20240089695A (ko) 2024-06-20
KR102813170B1 true KR102813170B1 (ko) 2025-05-28

Family

ID=67903980

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020247015880A Active KR102813170B1 (ko) 2018-03-13 2019-03-08 반도체 처리의 모니터링을 위한 기계 학습 시스템들
KR1020207028801A Active KR102666904B1 (ko) 2018-03-13 2019-03-08 반도체 처리의 모니터링을 위한 기계 학습 시스템들

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020207028801A Active KR102666904B1 (ko) 2018-03-13 2019-03-08 반도체 처리의 모니터링을 위한 기계 학습 시스템들

Country Status (6)

Country Link
US (3) US10795346B2 (ko)
JP (2) JP7323541B2 (ko)
KR (2) KR102813170B1 (ko)
CN (1) CN111902924B (ko)
TW (2) TWI817992B (ko)
WO (1) WO2019177905A1 (ko)

Families Citing this family (83)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111902924B (zh) 2018-03-13 2024-11-29 应用材料公司 用于半导体处理的监测的机器学习系统
JP7532262B2 (ja) * 2018-06-28 2024-08-13 アプライド マテリアルズ インコーポレイテッド 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
US10916411B2 (en) 2018-08-13 2021-02-09 Tokyo Electron Limited Sensor-to-sensor matching methods for chamber matching
JP7126412B2 (ja) * 2018-09-12 2022-08-26 東京エレクトロン株式会社 学習装置、推論装置及び学習済みモデル
JP7570004B2 (ja) * 2019-02-19 2024-10-21 パナソニックＩｐマネジメント株式会社 研磨加工システム、学習装置、学習装置の学習方法
US11592812B2 (en) 2019-02-19 2023-02-28 Applied Materials, Inc. Sensor metrology data integration
US11209795B2 (en) 2019-02-28 2021-12-28 Nanotronics Imaging, Inc. Assembly error correction for assembly lines
US11156991B2 (en) 2019-06-24 2021-10-26 Nanotronics Imaging, Inc. Predictive process control for a manufacturing process
DE102019214653A1 (de) * 2019-09-25 2021-03-25 Rolls-Royce Deutschland Ltd & Co Kg Training von Maschinenlernmodellen zur datengetriebenen Entscheidungsfindung
WO2021061477A1 (en) * 2019-09-27 2021-04-01 Corning Incorporated Devices, systems, and methods of generating and providing a target topographic map for finishing a photomask blank subject to functional requirements on flatness
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
US11100221B2 (en) 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
US11063965B1 (en) * 2019-12-19 2021-07-13 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
TWI760916B (zh) 2019-11-06 2022-04-11 美商奈米創尼克影像公司 用於工廠自動化生產線之製造系統
US12153408B2 (en) 2019-11-06 2024-11-26 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
US12165353B2 (en) 2019-11-06 2024-12-10 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
TWI772976B (zh) 2019-11-20 2022-08-01 美商奈米創尼克影像公司 用於判定網路攻擊及產生警告之製造系統及電腦實施方法
KR20210071130A (ko) * 2019-12-05 2021-06-16 삼성전자주식회사 컴퓨팅 장치, 컴퓨팅 장치의 동작 방법, 그리고 저장 매체
JP7469032B2 (ja) * 2019-12-10 2024-04-16 株式会社荏原製作所 研磨方法および研磨装置
DE102020100565A1 (de) * 2020-01-13 2021-07-15 Aixtron Se Verfahren zum Abscheiden von Schichten
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
DE102020201239A1 (de) * 2020-01-31 2021-08-05 Rolls-Royce Deutschland Ltd & Co Kg Sensorsystem und Verfahren zum Erkennen eines Zustands zumindest einer Maschine
CN111338275B (zh) * 2020-02-21 2022-04-12 中科维卡(苏州)自动化科技有限公司 一种电气设备运行状态监控方法及系统
US11086988B1 (en) 2020-02-28 2021-08-10 Nanotronics Imaging, Inc. Method, systems and apparatus for intelligently emulating factory control systems and simulating response data
US20240036011A1 (en) 2020-02-28 2024-02-01 Molex, Llc System and method for corrosion and erosion monitoring of pipes and vessels
US11705373B2 (en) * 2020-03-10 2023-07-18 Northwestern University In situ monitoring of field-effect transistors during atomic layer deposition
JP7390945B2 (ja) * 2020-03-19 2023-12-04 株式会社荏原製作所 研磨装置、情報処理システム及びプログラム
JP2021152762A (ja) 2020-03-24 2021-09-30 株式会社Ｓｃｒｅｅｎホールディングス 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法
JP7465498B2 (ja) * 2020-03-24 2024-04-11 株式会社荏原製作所 ワークピースの化学機械研磨システム、演算システム、および化学機械研磨のシミュレーションモデルを作成する方法
CN111506575B (zh) * 2020-03-26 2023-10-24 第四范式（北京）技术有限公司 一种网点业务量预测模型的训练方法、装置及系统
JP7421413B2 (ja) * 2020-05-08 2024-01-24 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、および研磨装置
JP7419163B2 (ja) * 2020-05-29 2024-01-22 株式会社Ｓｃｒｅｅｎホールディングス 基板処理装置、基板処理方法、学習用データの生成方法、学習方法、学習装置、学習済モデルの生成方法、および、学習済モデル
JP2021194748A (ja) * 2020-06-17 2021-12-27 株式会社荏原製作所 研磨装置及びプログラム
US11847776B2 (en) * 2020-06-29 2023-12-19 Applied Materials, Inc. System using film thickness estimation from machine learning based processing of substrate images
WO2022008174A1 (en) * 2020-07-09 2022-01-13 Asml Netherlands B.V. Method for adjusting a patterning process
USD977504S1 (en) 2020-07-22 2023-02-07 Applied Materials, Inc. Portion of a display panel with a graphical user interface
US11688616B2 (en) 2020-07-22 2023-06-27 Applied Materials, Inc. Integrated substrate measurement system to improve manufacturing process performance
US20220026817A1 (en) * 2020-07-22 2022-01-27 Applied Materials, Inc. Determining substrate profile properties using machine learning
US12283503B2 (en) 2020-07-22 2025-04-22 Applied Materials, Inc. Substrate measurement subsystem
JP7466403B2 (ja) * 2020-08-03 2024-04-12 キヤノン株式会社 制御装置、リソグラフィー装置、制御方法および物品製造方法
US20220043432A1 (en) * 2020-08-06 2022-02-10 Changxin Memory Technologies, Inc. System for detecting semiconductor process and method for detecting semiconductor process
US20220067762A1 (en) * 2020-08-26 2022-03-03 Coupang Corp. System and method for predicting an optimal stop point during an experiment test
US12112107B2 (en) 2020-09-18 2024-10-08 Tokyo Electron Limited Virtual metrology for wafer result prediction
US12170214B2 (en) * 2020-11-24 2024-12-17 Taiwan Semiconductor Manufacturing Company Ltd. Semiconductor device manufacturing system and method for manufacturing semiconductor device
CN116635693A (zh) * 2020-12-08 2023-08-22 莫列斯有限公司 用于管道和容器的腐蚀和侵蚀监测的系统及方法
KR102805914B1 (ko) * 2020-12-18 2025-05-14 어플라이드 머티어리얼스, 인코포레이티드 적응형 슬러리 분배 시스템
KR102914463B1 (ko) * 2020-12-31 2026-01-20 세메스 주식회사 히터 오프셋 값 도출 방법
US11853042B2 (en) * 2021-02-17 2023-12-26 Applied Materials, Inc. Part, sensor, and metrology data integration
JP7682641B2 (ja) * 2021-02-22 2025-05-26 株式会社荏原製作所 基板処理装置
JP7585357B2 (ja) * 2021-03-03 2024-11-18 アプライド マテリアルズ インコーポレイテッド 分光モニタリング用の機械学習システム向けにトレーニングスペクトルにラベル付けするためのインシトゥモニタリング
JP2022139155A (ja) * 2021-03-11 2022-09-26 オムロン株式会社 情報処理装置、方法およびプログラム
JP7547275B2 (ja) * 2021-03-31 2024-09-09 株式会社荏原製作所 ワークピースの膜厚を推定するモデルを作成する方法、そのようなモデルを用いてワークピースの研磨中に膜厚を推定する方法、およびコンピュータにこれらの方法を実行させるためのプログラム
US11586789B2 (en) 2021-04-07 2023-02-21 Applied Materials, Inc. Machine learning based smart process recipe builder to improve azimuthal flow and thickness uniformity
TWI790591B (zh) 2021-04-12 2023-01-21 環球晶圓股份有限公司 晶圓加工系統及其重工方法
WO2022232290A1 (en) * 2021-04-30 2022-11-03 Applied Materials, Inc. Monitor chemical mechanical polishing process using machine learning based processing of heat images
WO2022261358A1 (en) * 2021-06-10 2022-12-15 Applied Materials, Inc. Substrate process endpoint detection using machine learning
US11965798B2 (en) 2021-06-10 2024-04-23 Applied Materials, Inc. Endpoint detection system for enhanced spectral data collection
US11901203B2 (en) 2021-06-10 2024-02-13 Applied Materials, Inc. Substrate process endpoint detection using machine learning
US20220397515A1 (en) * 2021-06-10 2022-12-15 Applied Materials, Inc. Obtaining substrate metrology measurement values using machine learning
US12105137B2 (en) 2021-06-28 2024-10-01 Sandisk Technologies Llc Virtual quality control interpolation and process feedback in the production of memory devices
US12009269B2 (en) 2021-06-28 2024-06-11 Sandisk Technologies Llc Virtual metrology for feature profile prediction in the production of memory devices
US12135542B2 (en) 2021-06-28 2024-11-05 Sandisk Technologies Llc Modelling and prediction of virtual inline quality control in the production of memory devices
US11669079B2 (en) * 2021-07-12 2023-06-06 Tokyo Electron Limited Tool health monitoring and classifications with virtual metrology and incoming wafer monitoring enhancements
WO2023026806A1 (ja) * 2021-08-26 2023-03-02 株式会社荏原製作所 基板処理方法および基板処理装置
US12443153B2 (en) 2021-09-24 2025-10-14 Onto Innovation Inc. Deep learning model in high-mix semiconductor manufacturing
US12278101B2 (en) * 2021-11-11 2025-04-15 Applied Materials, Inc. Coded substrate material identifier communication tool
US12235624B2 (en) 2021-12-21 2025-02-25 Applied Materials, Inc. Methods and mechanisms for adjusting process chamber parameters during substrate manufacturing
US12148647B2 (en) 2022-01-25 2024-11-19 Applied Materials, Inc. Integrated substrate measurement system
US12339645B2 (en) 2022-01-25 2025-06-24 Applied Materials, Inc. Estimation of chamber component conditions using substrate measurements
US12216455B2 (en) 2022-01-25 2025-02-04 Applied Materials, Inc. Chamber component condition estimation using substrate measurements
KR102393813B1 (ko) * 2022-02-24 2022-05-04 주식회사 아크트리아 딥러닝 기반 반도체 약액의 정밀 온도 제어 시스템
US12205061B2 (en) * 2022-04-07 2025-01-21 Versum Materials Us, Llc Shared data induced quality control for a chemical mechanical planarization process
US12236077B2 (en) * 2022-04-25 2025-02-25 Applied Materials, Inc. Methods and mechanisms for generating virtual knobs for model performance tuning
WO2023212180A1 (en) * 2022-04-27 2023-11-02 Applied Materials, Inc. Displacement measurements in semiconductor wafer processing
JP2024014487A (ja) * 2022-07-22 2024-02-01 株式会社荏原製作所 表面性状判定方法および表面性状判定システム
KR102605515B1 (ko) * 2022-09-15 2023-12-29 (주)성화에스티 인공지능 기반, 피가공물 두께에 기초한 가공 시스템
US20240120186A1 (en) * 2022-10-10 2024-04-11 Kla Corporation Plasma hypermodel integrated with feature-scale profile model for accelerated etch process development
JP2025530623A (ja) * 2022-10-14 2025-09-17 アプライド マテリアルズ インコーポレイテッド 機械学習を使用した基板プロファイル特性の決定
US20240185058A1 (en) * 2022-12-05 2024-06-06 Applied Materials, Inc. Semiconductor film thickness prediction using machine-learning
CN115863204B (zh) * 2023-02-27 2023-06-02 青岛芯康半导体科技有限公司 晶片加工用在线厚度监视和测量方法及系统
US12449379B2 (en) * 2023-05-25 2025-10-21 Applied Materials, Inc. Machine learning model training
US12368503B2 (en) 2023-12-27 2025-07-22 Quantum Generative Materials Llc Intent-based satellite transmit management based on preexisting historical location and machine learning
WO2025183477A1 (ko) * 2024-02-27 2025-09-04 주성엔지니어링(주) 기판 처리 시스템 및 기판 처리 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180082826A1 (en) 2016-09-16 2018-03-22 Lam Research Corporation Method and Process of Implementing Machine Learning in Complex Multivariate Wafer Processing Equipment

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011249833A (ja) * 1995-03-28 2011-12-08 Applied Materials Inc Ｃｍｐプロセス中のインシチュウ終点検出に用いるポリッシングパッド
US5893796A (en) 1995-03-28 1999-04-13 Applied Materials, Inc. Forming a transparent window in a polishing pad for a chemical mechanical polishing apparatus
US6562185B2 (en) * 2001-09-18 2003-05-13 Advanced Micro Devices, Inc. Wafer based temperature sensors for characterizing chemical mechanical polishing processes
US6934032B1 (en) * 2002-09-30 2005-08-23 Advanced Micro Devices, Inc. Copper oxide monitoring by scatterometry/ellipsometry during nitride or BLOK removal in damascene process
US20040267397A1 (en) 2003-06-27 2004-12-30 Srinivas Doddi Optical metrology of structures formed on semiconductor wafer using machine learning systems
US7001243B1 (en) 2003-06-27 2006-02-21 Lam Research Corporation Neural network control of chemical mechanical planarization
US7356377B2 (en) 2004-01-29 2008-04-08 Applied Materials, Inc. System, method, and medium for monitoring performance of an advanced process control system
US20070249071A1 (en) * 2006-04-21 2007-10-25 Lei Lian Neural Network Methods and Apparatuses for Monitoring Substrate Processing
US7627392B2 (en) * 2007-08-30 2009-12-01 Tokyo Electron Limited Automated process control using parameters determined with approximation and fine diffraction models
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US8117568B2 (en) * 2008-09-25 2012-02-14 International Business Machines Corporation Apparatus, method and computer program product for fast simulation of manufacturing effects during integrated circuit design
US20100094790A1 (en) * 2008-10-10 2010-04-15 Micron Technology, Inc. Machine learning of dimensions using spectral intensity response of a reflectometer
CN101393015B (zh) * 2008-10-17 2010-06-16 华中科技大学 一种微纳深沟槽结构在线测量方法及装置
US8039397B2 (en) 2008-11-26 2011-10-18 Applied Materials, Inc. Using optical metrology for within wafer feed forward process control
JP2013542404A (ja) * 2010-07-30 2013-11-21 ケーエルエー−テンカー コーポレイション 領域ベースの仮想フーリエ・フィルタ
JP2012074574A (ja) * 2010-09-29 2012-04-12 Hitachi Ltd 加工装置制御システムおよび加工装置制御方法
US10255385B2 (en) * 2012-03-28 2019-04-09 Kla-Tencor Corporation Model optimization approach based on spectral sensitivity
US20140242880A1 (en) * 2013-02-26 2014-08-28 Applied Materials, Inc. Optical model with polarization direction effects for comparison to measured spectrum
US10430719B2 (en) * 2014-11-25 2019-10-01 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
US10734293B2 (en) 2014-11-25 2020-08-04 Pdf Solutions, Inc. Process control techniques for semiconductor manufacturing processes
US20170357911A1 (en) * 2014-12-18 2017-12-14 Asml Netherlands B.V. Feature search by machine learning
CN108475351B (zh) * 2015-12-31 2022-10-04 科磊股份有限公司 用于训练基于机器学习的模型的系统和计算机实施方法
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10504759B2 (en) 2016-04-04 2019-12-10 Kla-Tencor Corporation Semiconductor metrology with information from multiple processing steps
JP6599282B2 (ja) * 2016-05-19 2019-10-30 日本電信電話株式会社 リスク判定モデル用学習データ生成装置、リスク判定モデル用学習データ生成方法、プログラム
US10346740B2 (en) 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
JP6782145B2 (ja) 2016-10-18 2020-11-11 株式会社荏原製作所 基板処理制御システム、基板処理制御方法、およびプログラム
US12036634B2 (en) 2016-10-18 2024-07-16 Ebara Corporation Substrate processing control system, substrate processing control method, and program
US10699214B2 (en) 2016-10-26 2020-06-30 International Business Machines Corporation Automatic identification and deployment of virtual sensor models
KR102449586B1 (ko) * 2017-02-24 2022-10-04 에이에스엠엘 네델란즈 비.브이. 기계 학습에 의해 공정 모델들을 결정하는 방법들
JP6779173B2 (ja) 2017-05-18 2020-11-04 株式会社荏原製作所 基板処理装置、プログラムを記録した記録媒体
US11380594B2 (en) * 2017-11-15 2022-07-05 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques
US11200511B1 (en) * 2017-11-17 2021-12-14 Amazon Technologies, Inc. Adaptive sampling of training data for machine learning models based on PAC-bayes analysis of risk bounds
CN111902924B (zh) 2018-03-13 2024-11-29 应用材料公司 用于半导体处理的监测的机器学习系统
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180082826A1 (en) 2016-09-16 2018-03-22 Lam Research Corporation Method and Process of Implementing Machine Learning in Complex Multivariate Wafer Processing Equipment

Also Published As

Publication number Publication date
KR20240089695A (ko) 2024-06-20
US20210018902A1 (en) 2021-01-21
JP2023162172A (ja) 2023-11-08
JP7574368B2 (ja) 2024-10-28
US10969773B2 (en) 2021-04-06
US10795346B2 (en) 2020-10-06
CN111902924A (zh) 2020-11-06
KR20200120958A (ko) 2020-10-22
US11733686B2 (en) 2023-08-22
WO2019177905A1 (en) 2019-09-19
CN111902924B (zh) 2024-11-29
JP7323541B2 (ja) 2023-08-08
US20190286075A1 (en) 2019-09-19
TWI817992B (zh) 2023-10-11
TW202403867A (zh) 2024-01-16
TW201946136A (zh) 2019-12-01
TWI903225B (zh) 2025-11-01
KR102666904B1 (ko) 2024-05-20
US20190286111A1 (en) 2019-09-19
JP2021515987A (ja) 2021-06-24

Similar Documents

Publication Publication Date Title
KR102813170B1 (ko) 반도체 처리의 모니터링을 위한 기계 학습 시스템들
US12020159B2 (en) Training spectrum generation for machine learning system for spectrographic monitoring
JP7193456B2 (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
JP5675617B2 (ja) 加工時における基板の分光モニタリングを使用した研磨速度の調整
CN115099386B (zh) 用于标记用于摄谱监测的机器学习系统的训练光谱的原位监测
JP2013532912A (ja) 基板上の複数のゾーンを監視するための基準ライブラリの選択

Legal Events

Date Code Title Description
A107 Divisional application of patent
PA0104 Divisional application for international application

St.27 status event code: A-0-1-A10-A18-div-PA0104

St.27 status event code: A-0-1-A10-A16-div-PA0104

PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

PG1501 Laying open of application

St.27 status event code: A-1-1-Q10-Q12-nap-PG1501

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

St.27 status event code: A-1-2-D10-D21-exm-PE0902

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

St.27 status event code: A-1-2-D10-D22-exm-PE0701

PG1601 Publication of registration

St.27 status event code: A-4-4-Q10-Q13-nap-PG1601

P22-X000 Classification modified

St.27 status event code: A-4-4-P10-P22-nap-X000