[go: up one dir, main page]

TW202403867A - 用於半導體處理監視的機器學習系統 - Google Patents

用於半導體處理監視的機器學習系統 Download PDF

Info

Publication number
TW202403867A
TW202403867A TW112134480A TW112134480A TW202403867A TW 202403867 A TW202403867 A TW 202403867A TW 112134480 A TW112134480 A TW 112134480A TW 112134480 A TW112134480 A TW 112134480A TW 202403867 A TW202403867 A TW 202403867A
Authority
TW
Taiwan
Prior art keywords
machine learning
values
learning model
value
polishing
Prior art date
Application number
TW112134480A
Other languages
English (en)
Other versions
TWI903225B (zh
Inventor
葛拉漢 葉尼
班傑明 傑瑞安
Original Assignee
美商應用材料股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商應用材料股份有限公司 filed Critical 美商應用材料股份有限公司
Publication of TW202403867A publication Critical patent/TW202403867A/zh
Application granted granted Critical
Publication of TWI903225B publication Critical patent/TWI903225B/zh

Links

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
    • 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
    • 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)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (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

操作拋光系統的方法包括以下步驟：使用機器學習演算法訓練複數個模型以生成複數個訓練模型(每個訓練模型經配置成基於來自半導體處理系統的原位監視系統的監視信號來決定基板層的特徵值)、存儲複數個訓練模型、接收指示要處理的基板的特徵的資料、基於資料來選擇複數個訓練模型中的一者，及將所選擇的訓練模型傳遞給處理系統。

Description

用於半導體處理監視的機器學習系統
本申請案與用於(例如)在處理(如化學機械拋光)期間監控基板的機器學習系統相關。
通常藉由在矽晶圓上順序沉積導電層、半導電層或絕緣層來在基板上形成積體電路。一個製造步驟與在非平面表面上沉積填料層並使填料層平坦化有關。對於一些應用來說，填料層被平坦化直到暴露出圖案化層的頂表面為止。例如，導電填料層可沉積在圖案化的絕緣層上，以填充絕緣層中的溝槽或孔。在平坦化之後，保留在絕緣層的凸起圖案之間的導電層部分形成通孔、插塞及線，其在基板上的薄膜電路之間提供導電路徑。對於其他應用來說，填料層被平坦化直到在下層上留下預定厚度為止。例如，沉積的介電層可被平坦化以用於光刻。
化學機械拋光（CMP）是一種可接受的平坦化方法。此平坦化方法通常要求將基板安裝在承載頭上。基板的暴露表面通常靠著具有耐用粗糙表面的旋轉拋光墊放置。承載頭在基板上提供可控制的負載以將其推向拋光墊。通常將拋光液（如具有磨料顆粒的漿料）供應到拋光墊的表面。
CMP中的一個問題是使用適當的拋光速率來獲得所需的輪廓，例如，已平面化到所需的平面度或厚度的基板層或已去除了所需量的材料。基板層的初始厚度、漿料分佈、拋光墊條件、拋光墊和基板之間的相對速度及基板上的負載的變化可導致基板上及基板到基板的材料去除速率的變化。這些變化導致達到拋光終點所需的時間和去除量的變化。因此，可能無法僅根據拋光時間決定拋光終點或僅藉由施加恆定壓力來實現所需的輪廓。
在一些系統中，在拋光過程中(例如)藉由光學監視系統來原位監視基板。來自原位監視系統的厚度測量可用於調節施加到基板的壓力，以調節拋光速率及降低晶圓內不均勻性（WIWNU），並偵測拋光終點及停止拋光。
在一態樣中，一種操作基板處理系統的方法包括以下步驟：接收複數組訓練資料、存儲複數個機器學習模型、存儲複數個實體處理模型、接收來自複數個機器學習模型的機器學習模型的選擇及來自複數個實體處理模型的實體處理模型的選擇以提供所選機器學習模型及所選實體處理模型的組合、根據所選擇的機器學習模型生成所實施的機器學習模型、計算每組訓練資料中的每個訓練光譜的特徵值從而產生複數個訓練特徵值(其中每個訓練特徵值與複數個訓練光譜中的一者相關聯)、使用複數個訓練特徵值及複數個訓練光譜來訓練所實施的機器學習模型以產生所訓練的機器學習模型，並將所訓練過的機器學習模型傳遞給基板處理系統的處理控制系統。
每組訓練資料包括複數個訓練光譜、來自複數個訓練光譜的每個訓練光譜的時間戳，和複數個訓練光譜的起始特徵值及/或結束特徵值。每個機器學習模型提供至少一個不同的超參數。每個實體處理模型提供不同的函數以生成作為時間的不同的函數的特徵值及/或不同的實體處理參數。基於訓練光譜的時間戳、訓練資料集的起始特徵值及/或結束特徵值與所選擇的實體處理模型來計算特徵值。
在另一態樣中，用於控制基板處理的電腦程式產品有形地體現在電腦可讀取媒體中，且包括用於使處理器接收複數組訓練資料、存儲複數個機器學習模型、存儲複數個實體處理模型、從複數個機器學習模型中接收機器學習模型的選擇並從複數個實體處理模型中選擇實體處理模型以提供所選機器學習模型和所選實體處理模型的組合、根據所選擇的機器學習模型生成所實施的機器學習模型、計算每組訓練資料中的每個訓練光譜的特徵值從而生成複數個訓練特徵值(其中每個訓練特徵值與複數個訓練特徵值中的一者相關聯)、使用複數個訓練特徵值和複數個訓練光譜來訓練所實施的機器學習模型以生成所訓練的機器學習模型，及將所訓練的機器學習模型傳遞給基板處理系統的處理控制系統的指令。
每組訓練資料包括複數個訓練光譜、來自複數個訓練光譜的每個訓練光譜的時間戳，及複數個訓練光譜的起始特徵值及/或結束特徵值。每個機器學習模型提供至少一個不同的超參數。每個實體處理模型提供不同的函數以生成作為時間的不同的函數的特徵值及/或不同的實體處理參數。基於訓練光譜的時間戳、訓練資料集的起始特徵值及/或結束特徵值及所選擇的實體處理模型來計算特徵值。
在另一態樣中，半導體製造系統包括複數個拋光系統、在線或獨立計量系統及演算法生成平台。
每個拋光系統包括用於保持拋光墊的支撐件、用於將基板保持在拋光墊上的載體、用於引起基板和拋光墊之間的相對移動的馬達、用於產生拋光期間基板的一系列測量的原位監視系統、該系列測量中每個測量的時間戳及控制器。複數個拋光系統中的至少一個拋光系統的至少一個控制器被配置為使複數個拋光系統中的一或多個拋光系統拋光一系列的訓練基板。來自複數個拋光系統的一或多個系統的一或多個控制器被配置為接收所訓練的機器學習模型，以使來自一或多個系統的拋光系統拋光一系列的裝置基板，以從一或多個系統的原位監視系統接收裝置基板的一系列測量、基於測量序列和所訓練的機器學習模型產生一系列特徵值，並基於該系列特徵值來控制至少一個拋光控制參數。
在線或獨立計量系統被配置成為一系列訓練基板中的每一者生成起始特徵值及/或結束特徵值。
演算法生成平台包括一或多個處理器和存儲具有用於一或多個處理器的指令的電腦程式產品的非暫態電腦可讀取媒體。對於每個訓練基板來說，從複數個拋光系統中的一或多個拋光系統的原位監視系統接收在訓練基板的拋光期間產生的複數個訓練光譜及來自複數個訓練光譜的每個訓練光譜的時間戳。對於每個訓練基板而言，從在線或獨立計量系統接收訓練基板的起始特徵值及/或結束特徵值。存儲複數組訓練資料。每組訓練資料包括來自訓練基板的複數個訓練光譜、來自複數個訓練光譜的每個訓練光譜的時間戳，及訓練基板的起始特徵值及/或結束特徵值。存儲複數個機器學習模型，每個機器學習模型提供至少一個不同的超參數。存儲複數個實體處理模型，每個實體處理模型提供不同的函數以生成作為時間的不同的函數的特徵值及/或不同的實體處理參數。接收來自複數個機器學習模型的機器學習模型的選擇及來自複數個實體處理模型的實體處理模型的選擇，以提供所選機器學習模型和所選實體處理模型的組合。為所選擇的機器學習模型接收至少一個超參數值，並為所選擇的實體處理模型接收至少一個實體參數值。根據所選擇的機器學習模型及至少一個超參數值生成所實施的機器學習模型。對於每組訓練資料中的每個訓練光譜來說，基於訓練光譜的時間戳、訓練資料集的起始特徵值及/或結束特徵值、實體參數值及所選擇的實體處理模型來計算特徵值，從而產生複數個訓練特徵值(其中每個訓練特徵值與複數個訓練光譜中的一者相關聯)。使用複數個訓練特徵值和複數個訓練光譜來訓練所實施的機器學習模型，以生成所訓練的機器學習模型，並將所訓練的機器學習模型傳遞到一或多個拋光系統的控制器以控制裝置基板的拋光。
實施可包括以下特徵中的一或多者。
基板處理系統可包括化學機械拋光系統。可在拋光系統中拋光基板。在拋光基板期間，可用原位光譜監視系統監視基板以產生複數個測量光譜。可將複數個測量光譜傳遞到所訓練的機器學習模型以生成複數個特徵值。可基於複數個特徵值來控制拋光系統的至少一個處理參數；例如，可停止拋光及/或可調整承載頭壓力。
複數個機器學習模型可包括卷積神經網路和完全連接的神經網路。超參數可以是神經網路中的多個隱藏層。可以為所選擇的機器學習模型接收至少一個超參數值。可以根據所選擇的機器學習模型和至少一個超參數值來生成所實施的機器學習模型。
複數個實體處理模型中的一些實體處理模型可包括時間的線性函數，且複數個實體處理模型中的一些實體處理模型可包括時間的非線性函數。複數個實體處理模型可包括不同的實體處理參數；例如，圖案密度、起始步長、臨界階梯高度及處理選擇性中的一或多者。可接收物理參數值，且可基於物理參數值來計算特徵值。演算法生成平台可被配置成從訓練基板接收複數個訓練光譜，並從複數個拋光系統中的兩個或更多個拋光系統接收用於來自複數個訓練光譜中的每個訓練光譜的時間戳。
複數個拋光系統中的至少一者和來自複數個拋光系統的一或多個系統可包括至少一些相同的拋光系統。演算法生成平台可被配置為存儲提供複數個所訓練的機器學習模型的資料。演算法生成平台可被配置為接收或選擇複數個所訓練的機器學習模型中的一者，並將所選擇的所訓練的機器學習模型傳遞給控制器。
基板追蹤系統可包括一或多個處理器及用於存儲電腦程式產品的非暫態電腦可讀取媒體，該電腦程式產品包括存儲表徵複數個裝置基板中的每一者的資料的指令。演算法生成平台可被配置為從基板追蹤系統接收表徵裝置基板的資料，且可被配置為基於特徵資料來從複數個所訓練的機器學習模型中選擇所訓練的機器學習模型。
在另一態樣中，一種操作拋光系統的方法包括以下步驟：使用機器學習演算法來訓練複數個模型以生成複數個訓練模型，每個訓練模型被配置為基於來自半導體處理系統的原位監視系統的監視信號來決定基板的層的特徵值。存儲複數個所訓練的模型、接收指示要處​​理的基板的特徵的資料、基於資料選擇複數個所訓練模型中的一者，且將所選擇的訓練模型傳遞給處理系統。
實施可包括以下特徵中的一或多者。
可在半導體處理系統中處理基板的層。在處理層期間，可用原位監視系統監視基板，且可從原位監視系統產生信號。可將信號傳遞到訓練模型以生成層厚度的測量。可基於厚度的測量為處理系統生成一或多個控制信號。處理系統可為化學機械拋光系統，且處理層之步驟可包括以下步驟:拋光層。監視基板之步驟可包括以下步驟:用光譜監視系統監視，且信號可包括一系列光譜。
可獲得模型的一或多個超參數。可基於超參數生成原始預測模型。可獲得模型的訓練資料，且可使用訓練資料訓練原始預測模型以生成模型。對於複數個訓練例的每個訓練例而言，訓練資料可包括訓練複數個輸入資訊項和厚度的真實值測量。可由在線或獨立計量系統基於分析特定拋光層來產生厚度的每個真實值測量。在線或獨立計量系統可包括四點探針、橢圓厚度感測器和透射電子顯微感測器中的一或多者。
模型可包括神經網路。可使用訓練資料及已知特徵值而藉由反向傳播來訓練人工神經網路。
某些實施可具有以下優勢中的一或多者。可更精確及/或更快速地測量基板上的層的厚度。可減少晶圓內厚度不均勻性和晶圓到晶圓厚度的不均勻性（WIWNU和WTWNU），且可提高端點系統偵測期望的處理端點的可靠性。
在附加圖式及以下描述中闡述了一或多個實施例的細節。根據說明書、附加圖式和申請專利範圍，其他態樣、特徵和優勢將變得顯而易見。
已使用各種監視系統來監視正在進行處理(例如拋光)的基板。對於一些半導體監視處理來說，可訓練機器學習系統(例如神經網路)，以評估來自監視系統的資料並產生所需的輸出參數。例如，可將信號輸入到機器學習系統，且機器學習系統可輸出基板的層的厚度或輸出指示應停止或修改處理的信號。
例如，若監控系統是在拋光基板期間使用的光譜監控系統，則可將光譜或光譜序列輸入至機器學習系統，且機器學習系統可生成基板的層的厚度的測量或生成指示應停止拋光或應改變承載頭的壓力的信號。
當然，需要訓練這種機器學習系統。考慮到各種裝置和處理配方，每個設備和處理配方可具有監視信號與基板參數的不同關係；對於處理系統的製造商來說，訓練機器學習系統可能是不切實際的。相反，可能需要使用由半導體製造廠的操作員生成的資料來訓練機器學習系統。討論了用於存儲和操縱訓練資料的通用技術。
不同的情況可能需要不同的機器學習模型來處理來自監控系統的資料。不同的情況可能包括裝置的差異、正在處理的層的差異及製造中所使用的處理參數的歷史的差異等。不同的機器學習模型可能是不同的神經網路配置、或不使用神經網路的模型（例如，遺傳演算法及支援向量機等）及使用神經網路的模型。可基於關於基板的輸入資訊（例如，來自工廠的基板追蹤系統的資訊）來選擇機器學習模型。
作為另一個問題，從半導體製造工廠中的各種工具獲得的原始資料可能不包括每次測量的特徵值。例如，處理工具中的原位光學監視系統可用於生成要用作訓練資料的一系列光譜。然而，唯一可用的真實值測量可以是從在線或獨立計量系統獲得的起始及/或結束厚度。起始及/或結束厚度將與系列中的第一及/或最後一個光譜相關聯，但系列中的（用於拋光處理中的中間時間的）其他光譜將不具有相關的厚度。需要一種技術來生成這些光譜的訓練值。
實體處理模型可用於生成作為處理時間的函數的特徵值；這些特徵值可與光譜相關聯；這允許（具有特徵值的）光譜作為訓練資料。不同的情況可能需要不同的實體處理模型來生成特徵值。不同的情況可能包括裝置的差異、正在處理的層的差異及製造中使用的處理參數的歷史的差異等。不同的實體處理模型可能使用不同的輸入（例如，膜上阻絕處理可包括臨界階梯高度，而在暴露下層之前停止拋光的處理可能不需要此變量）、使用不同的輸入值（例如，圖案密度或不同選擇性的不同值）或使用不同的函數將變量轉換為特徵值（例如，線性與非線性插值）。可基於關於特定拋光處理的輸入資訊（例如，利用拋光處理所收集的先前實驗資料）或來自工廠的基板追蹤系統的資訊來選擇實體處理模型。
圖1示出了半導體製造工廠12的組件。工廠12可包括一或多個半導體處理工具，例如沉積系統、蝕刻系統及拋光系統等。例如，設備可包括一或多個拋光系統20。拋光系統20可包括一或多個拋光站20a及用於將待拋光的基板轉移到拋光系統20中或從拋光系統20中轉出的轉移站20b。每個拋光站20a包括例如為光譜監視系統的原位監視系統70（見圖2）。
工廠12亦可包括在線或獨立的計量系統，其能夠產生對感興趣的基板特徵(例如，基板上的層的厚度)的精確測量。這種基板特徵的精確測量可稱為「真實值測量」。可用於產生真實值測量的系統的示例包括四點探針、橢圓感測器或透射電子顯微鏡。在線或獨立計量系統14亦可產生其他測量，例如，基板上的一或多個點或基板的圖像的光譜測量。在一些實施方式中，計量系統14不產生基板的物理特徵的值，而是產生表示通過處理操作（例如，拋光操作）的進展程度的值。
計量系統14可用於在由處理工具（例如，拋光系統20）處理之前及/或之後測量基板。例如，計量系統14可用於在拋光系統20中拋光基板之前及之後生成對基板上的層的厚度的測量。這可提供基板之拋光前厚度與拋光後厚度的真實值測量。
工廠12亦可包括基板追蹤系統16，基板追蹤系統16追蹤基板的識別資訊(例如，基板的id編號及用於保持基板的盒的id編號)。基板追蹤系統亦可存儲基板的最終目的的指示；例如，正在製造的元件的類型及/或基板的處理歷史(例如，在一或多個製造步驟中使用的處理參數)。可用在一個或多個電腦上執行的軟體(例如，使用一或多個資料庫)來實施基板追蹤系統16。
基板追蹤系統16亦可存儲基板的一或多個物理參數的一或多個預期值或要在基板上執行的處理。例如，基板追蹤系統16可存儲基板的圖案密度、基板的起始階梯高度、基板的臨界階梯高度（去除速率開始減慢的階梯高度）或拋光操作的處理選擇性（不同材料的去除率的比率）中的一或多者。
工廠12亦可包括演算法生成平台18；將在下文中進一步詳細討論演算法生成平台18。演算法生成平台包括在一或多個電腦上執行之用於訓練機器學習系統的軟體。系統的訓練生成機器學習模型的實例。可將機器學習模型的實例（例如，超參數值）傳遞至用於處理系統的處理控制器(例如，用於拋光系統20的控制器90)。超參數值可指示機器學習模型，例如，神經網路是卷積或是完全連接、神經網路中節點的隱藏層數量、光譜應減少的維度數量或訓練度量。
處理工具可使用所訓練的模型來基於原位監視系統的測量值生成特徵值。接著，可使用這些特徵值來控制處理系統的操作(例如，停止處理或調整處理參數以提供經改善的處理均勻性)。例如，拋光系統可使用經訓練的模型以將來自原位監視系統的光譜轉換成厚度值，該厚度值可用於偵測拋光終點或決定對承載頭中的壓力的調整。
儘管計量系統14、基板追蹤系統16及演算法生成平台18被示出為單個設備的一部分，但計量系統14、基板追蹤系統16及演算法生成平台18彼此不需要處於相同的物理位置或在處理工具中。此外，可用雲計算技術實施基板追蹤系統16和演算法生成平台18。
圖2示出了拋光系統20的拋光站的示例。拋光系統20可包括拋光墊30位於其上的可旋轉的盤形的平臺22。平臺可操作以繞軸23旋轉。例如，馬達24可轉動驅動軸26以使平臺22旋轉。拋光墊30可以(例如)藉由一層黏合劑而可拆卸地固定到平臺22上。拋光墊30可以是雙層拋光墊，其具有外拋光層32及較軟的背襯層34。
拋光系統20可包括拋光液體供應端口40，以將拋光液體42（如研磨漿料）分配到拋光墊30上。拋光系統20亦可包括拋光墊修整器以研磨拋光墊30，以維持拋光墊30處於一致的研磨狀態。
承載頭50係可操作的以將基板10保持在拋光墊30上。每個承載頭50亦包括複數個可獨立控制的可加壓腔室(例如，三個腔室52a至52c)，其可將獨立可控的加壓施加到基板10上的相關區域。中心區域可為基本上圓形的，及其餘區域可為圍繞中心區域的同心環形區域。
可由柔性膜54限定腔室52a至52c，柔性膜54具有基板10安裝在其上的底表面。承載頭50亦可包括保持環56，以將基板10保持在柔性膜54下方。儘管為了便於說明僅在圖2中示出了三個腔室，但仍可有兩個腔室、或四個腔室或更多個腔室(例如，五個腔室)。此外，可在承載頭50中使用調節施加到基板的壓力的其他機構(例如，壓電致動器)。
每個承載頭50懸掛在支撐結構60（例如，轉盤或軌道）上，並藉由驅動軸62連接到承載頭旋轉馬達64，使得承載頭可繞軸51旋轉。可選地，每個承載頭50可藉由沿著軌道運動或藉由轉盤本身的旋轉振盪而(例如)在轉盤上的滑件上橫向振盪。在操作中，平臺22圍繞其中心軸23旋轉，且承載頭50繞其中心的軸51旋轉並橫向地越過拋光墊30的頂表面平移。
拋光系統亦包括原位監視系統70，原位監視系統70可用於控制拋光參數(例如，腔室52a至52c中之一或多者中的所施加的壓力)，以控制區域12a至12c中的一或多者的拋光速率。原位監視系統70產生指示在每個區域12a至12c中之被拋光的層的厚度的信號。原位監視系統可為光學監視系統(例如，光譜監視系統)。
光學監視系統70可包括光源72、光偵測器74及用於在控制器90（例如電腦）、與光源72及光偵測器74之間發送和接收信號的電路76。一或多個光纖可用於將光從光源72傳輸到拋光墊30中的窗口36，並將從基板10反射的光傳輸到偵測器74。例如，可使用分叉光纖78來將光自光源62傳輸到基板10並返回到偵測器74。作為光譜系統，光源72可為可操作的以發射白光；偵測器74可為光譜儀。
電路76的輸出可為數位電子信號，數位電子信號通過驅動軸26中的旋轉耦合器28（例如，滑環）到達控制器90。替代地，電路76可藉由無線信號與控制器90通訊。控制器90可為包括微處理器、記憶體及輸入/輸出電路的計算裝置(例如，可編程電腦)。儘管係用單個方塊示出，但控制器90仍可為具有分佈在多個電腦上的功能的網路系統。
在一些實施方式中，原位監視系統70包括安裝在平臺22中並與平臺22一起旋轉的感測器80。例如，感測器80可為光纖78的端部。平臺22的移動將導致感測器80掃描基板。由於平臺的旋轉，當感測器80在承載頭下方行進時，原位監視系統以取樣頻率進行測量；因此，在穿過基板10的弧形中的位置14處進行測量。
在平臺的一次旋轉中，從基板10上的不同位置獲得光譜。具體來說，可從更靠近基板10的中心的位置獲得一些光譜，且可從更靠近邊緣的位置獲得另外一些光譜。控制器90可被配置為基於時間選擇、馬達編碼器資訊、平臺旋轉或位置感測器資料及/或基板及/或保持環的邊緣的光學偵測而自掃描計算每次測量的徑向位置（相對於基板10的中心）。控制器可因此將各種測量與各個區域相關聯。在一些實施方式中，測量時間可作為徑向位置的精確計算的替代。
控制器90可基於來自原位監視系統的信號來導出基板的每個區域的特徵值。具體來說，隨著拋光的進行，控制器90產生隨時間的特徵值序列。對於基板10下方的感測器的每次掃描來說，控制器90可為每個區域生成至少一個特徵值，或控制器90可在測量頻率（不需要與取樣頻率相同）處為每個區域生成特徵值(例如，用於不在基板上掃描感測器的拋光系統)。在一些實施方式中，每次掃描生成單個特徵值；例如，可組合多個測量值以生成特徵值。在一些實施方式中，每個測量用來生成特徵值。
特徵值通常是外層的厚度，但可為如被去除的厚度的相關特徵。此外，特徵值可為通過拋光處理的基板進展的更一般表示；例如，表示在預定進展後的拋光處理中預期將觀察到測量的平臺旋轉的時間或數量的指標值。
控制器90可使用由機器學習系統生成的模型的實例來生成特徵值。
原位光譜監視系統70和控制器90的組合可提供終點及/或拋光均勻性控制系統100。即，控制器90可基於一系列特徵值，在拋光處理期間偵測拋光終點並停止拋光及/或調節拋光壓力，以減少拋光不均勻性。
圖3示出了可由控制器90實施的功能方塊。這些功能方塊可包括用於執行維度縮減之可選的維度縮減模組110、機器學習系統（經展示實施成神經網路）120及處理控制系統130，以調節拋光處理；例如，基於一系列特徵值，在拋光處理中偵測拋光終點並停止拋光及/或調節拋光壓力以減少拋光不均勻性。如上所述，這些功能方塊可分佈在多台電腦上。
神經網路120包括用於每個主要組件的複數個輸入節點122、複數個隱藏節點124（下文也稱為「中間節點」）及將生成特徵值的輸出節點126。在具有單層隱藏節點的神經網路中，每個隱藏節點124可耦合到每個輸入節點122，且輸出節點126可耦合到每個隱藏節點220。
一般來說，隱藏節點124輸出一個值，該值是來自隱藏節點所連接的輸入節點122的值的加權總和的非線性函數。
例如，隱藏節點124的輸出(指定節點k)可表示為： 公式1： tanh(0.5*𝑎 𝑘 1（ I 1）+𝑎 𝑘 2（ I 2）+ ... +𝑎 𝑘 M（ I M） +𝑏 𝑘） 其中tanh是雙曲正切、a kx 是第k個中間節點和（M個輸入節點中之）第x個輸入節點間之連接的權重，及I M是第M個輸入節點的值。然而，可使用其他非線性函數(如修正線性單元（ReLU）函數及其變體)代替tanh。
可選的維度縮減模組110將測量的光譜減少到更有限數量的分量值(例如，L分量值)。神經網路120包括用於減少光譜的每個分量的輸入節點122；例如，其中模組110生成L分量值，神經網路120將至少包括輸入節點N 1、N 2... N L。
然而，神經網路120可以可選地包括一或多個其他輸入節點（例如，節點122a）以接收其他資料。此其他資料可來自原位監視系統對基板的先前測量，例如，來自先前基板測量之基板處理中較早收集的光譜、例如，來自拋光系統中的另一感測器之在處理另一基板期間收集的光譜、例如，來自於用於控制拋光系統的控制器存儲的拋光配方之溫度感測器對墊或基板的溫度的量測、例如，來自由控制器追蹤的變量之用於拋光基板的拋光參數(如承載頭壓力或平臺旋轉速率)、例如，或是來自不是拋光系統的一部分的感測器之自墊改變後的基板數量，及例如，由計量站測量的底層膜的厚度。這允許神經網路120在計算特徵值時考慮這些其他處理或環境變量。
在用於(例如)設備晶圓之前，機器學習系統112需要被配置。
作為維度縮減模組110的配置過程的一部分，控制器90可接收複數個參考光譜及與複數個參考光譜中的每個參考光譜相關聯的特徵值(例如，厚度)。例如，可在一或多個測試基板上的特定位置處測量參考光譜。另外，可用計量設備(例如，接觸光度儀或橢圓儀)來測量特定位置處的厚度。因此，厚度測量可與來自基板上相同位置的參考光譜相關聯。複數個參考光譜可包括(例如)五到十個參考光譜。
圖4示出了用於收集資料和生成模型的平台的架構。主要組件包括工廠工具、演算法生成平台及使用者介面。
工廠工具包括處理系統(例如，化學機械拋光器20)。處理系統由各種控制參數控制。將控制參數設置為時間函數的資料可稱為「配方」。例如，在拋光系統中，控制參數可在指示承載頭的各個腔室中的拋光壓力及其他參數(如承載頭旋轉速率、平臺旋轉速率、漿料分配速率、承載頭掃掠及漿料成分等)的配方中設置。可將這些控制參數中的任何一者指定為時間的函數。
儘管監視系統可被認為是處理系統本身的一部分（由虛線框示出），製造工具亦包括原位監視系統70。原位監視系統70可為如上所述的光譜監視系統，但可替代或另外地使用其他感測器，如渦流監視、馬達電流或扭矩監視、照相機及溫度感測器等。
儘管處理控制器可被認為是處理系統本身的一部分（再次由虛線框示出），工廠工具亦可包括處理控制器(例如，控制器90)。處理控制器從原位監視系統70接收資料並控制處理系統20。此控制通常可即時完成(例如在處理基板時)。例如，處理控制器90可偵測是否停止處理、是否調整處理控制參數，或是否開始處理配方的新階段。調整拋光參數之步驟可包括以下步驟：將新的控制參數值饋送到處理系統。例如，在拋光系統中，處理控制系統可決定是否調整由承載頭施加的一或多個壓力；可將調整後的值傳遞給處理系統，接著該處理系統實施所調整的處理(例如，施加經調整後的壓力)。
可從演算法生成平台18接收處理控制器90所使用的特定演算法。
演算法生成平台18可實施為在一或多個電腦上(例如在伺服器系統中)運行的軟體。演算法生成平台18可具有三個主要功能。
第一，演算法生成平台18負責從各種工廠工具接收資料並將該資料存儲在資料存儲器18a（例如，資料庫）中。接收的資料可包括來自原位監視系統的信號（例如，由光譜監視系統測量的系列光譜）、來自處理系統的控制參數（例如，拋光配方）、來自工廠基板追蹤系統的基板資料（例如，基板的製造歷史及/或正在製造的裝置的識別）、及真實值測量，及(可選地)來自計量系統的其他測量。
具體來說，演算法生成平台18可在資料存儲器18a中接收和存儲複數組訓練資料。每組訓練資料可對應於單個基板上的單個處理操作。基板可以是有意用於訓練的基板或是在積體電路的通常製造過程中監視的裝置基板，且為在積體電路的通常製造過程中監視的裝置基板，藉由計量系統來測量起始厚度值及/或結束厚度值。
例如，當拋光系統20拋光基板且計量系統14測量基板的層厚度或在拋光系統20拋光基板且計量系統14測量基板的層厚度之後，可收集資料以形成一組訓練資料。所收集的資料可包括在拋光期間測量的光譜、在拋光操作中測量光譜的時間（「時間戳」）及由計量系統進行的(多個)真實值測量。因此，每組訓練資料可包括由光譜監視系統測量的複數個訓練光譜、來自複數個訓練光譜的每個訓練光譜的時間戳，及複數個訓練光譜的起始厚度值及/或結束厚度值。
通常從單個處理系統（例如，從單個拋光系統）收集複數組訓練資料。從中收集訓練資料的此處理系統可以是(但不一定是)將為其生成控制演算法的相同處理系統。在一些實施方式中，從複數個處理系統中的每一者(例如，複數個拋光系統20中的每一者)收集複數組訓練資料。
第二，演算法生成平台18可生成使用者介面以允許使用者（例如，半導體製造工廠12的作業員）選擇下文討論的各種選項。可(例如)通過網路伺服器18b生成使用者介面。類似地，使用者可通過Web瀏覽器存取使用者介面。Web瀏覽器可與Web伺服器18b在同一電腦或不同的電腦上。
第三，演算法生成平台18包括演算法生成引擎18c。演算法生成引擎18c包括若干子組件，該等子組件包括機器學習模型構建器應用程式18d、實體處理模型構建器應用程式18e及模型訓練應用程式18f。
模型構建器應用程式18d允許使用者構建各種模型的機器學習系統。例如，模型構建器可允許使用者在神經網路中選擇多個隱藏節點列、或指定神經網路中特定節點之間的連接或缺少連接，及指定由神經網路使用的非線性函數等。這允許使用者構建特定於使用者執行的處理的各種模型。
更具體地，機器學習模型構建器18d被配置為建立多種類型的機器學習模型。不同類型的機器學習模型可包括神經網路及不使用神經網路的機器學習模型（例如，隨機森林、梯度提升樹及支援向量機等）。不同類型的機器學習模型亦可包括不同的神經網路配置，例如卷積神經網路與完全連接的神經網路。
機器學習模型構建器18d可(例如)通過使用者介面而自半導體製造工廠的作業員接收機器學習模型的選擇。例如，web伺服器18b可生成包括圖形控制元素(例如下拉式選單、複選框及自動完成搜尋框等)的網頁，該圖形控制元素列出多種類型的機器學習模型並允許作業員選擇複數個機器學習模型中的一者。
機器學習模型構建器18d亦可(例如)通過使用者介面而從半導體製造工廠的作業員接收一或多個超參數值。(多個)超參數是設置機器學習模型的配置的參數且將取決於機器學習模型的類型。神經網路中隱藏層的數量是神經網路的超參數的示例。其他示例包括節點丟失的百分比、初始化權重及啟動功能。同樣地，web伺服器18b可生成包括圖形控制元素(例如下拉式選單、複選框及自動完成搜尋框等)的網頁，該圖形控制元素允許作業員輸入或選擇每個超參數的值。
一旦機器學習模型構建器18d已接收到機器學習模型類型的選擇及(若必要的話)任何超參數值的選擇，機器學習模型構建器18d就可生成機器學習模型的實例。此時，機器學習模型未經訓練，因此對於特徵值的實際計算無用。
如上所述，實體處理模型可用於生成作為處理時間的函數的特徵值；這些特徵值可與光譜相關聯；這允許（具有特徵值）的光譜用作訓練資料。
實體處理機器學習模型構建器18d被配置為建立多種類型的實體處理模型。每種類型的實體處理模型提供函數以生成作為時間的不同的函數的厚度值及/或不同的實體處理參數。可基於（1）處理模型的基本功能（例如，線性或非線性）、（2）處理模型的輸出是否依賴於除時間戳之外的實體處理變量及起始及/或結束值，及（3）實體處理模型中如何使用其他實體處理變量來區分不同類型的實體處理模型。
例如，一種類型的簡單實體處理模型可基於訓練光譜的時間(其相對於系列光譜中之第一及最後一個光譜的時間)而藉由起始值和結束值之間的線性插值來生成用於訓練光譜的厚度值。這可在不依賴於其他變量的情況下完成。
作為另一個例子，(例如)在不依賴於其他變量的情況下，另一種類型的實體處理模型可基於預設的非線性時間函數來插值厚度值。
作為另一個例子，另一種類型的實體處理模型可以是使用取決於時間戳、起始及/或結束值及各種實體處理參數(例如，處理是否停止在膜上、處理選擇性、處理開始時間及基板上的圖案密度)的函數。各種實體處理模型在本領域中是已知的。
實體處理模型構建器18e可(例如)通過使用者介面而從半導體製造工廠的作業員接收對實體處理模型的類型的選擇。例如，web伺服器18b可生成包括圖形控制元素(例如下拉式選單、複選框及自動完成搜尋框等)的網頁，該圖形控制元素列出多種類型的實體處理模型並允許作業員選擇多種類型的實體處理模型中的一者。
雖然圖4示出了用於選擇機器學習模型和實體處理模型之分開的控制元件，但仍可存在單個控制元件(例如，下拉式選單)，以用於同時選擇已配對的機器學習模型和實體處理模型。
實體處理模型構建器18e亦可(例如)通過使用者介面從半導體製造工廠的作業員接收一或多個實體處理參數值。同樣地，對於拋光操作來說，實體處理參數的實例包括處理選擇性、處理開始時間及基板上的圖案密度。同樣地，web伺服器18b可生成包括圖形控制元素的網頁，該圖形控制元素例如為下拉式選單、複選框，自動完成搜尋框等，該圖形控制元素允許作業員輸入或選擇每個實體處理參數的值。
模型訓練器應用程式18f允許作業員選擇將哪些資料用於訓練模型的特定實例。例如，假設要使用光譜測量系統，使用者可選擇哪些基板的光譜將用於訓練及與那些光譜相關的真實值測量。
假設資料存儲器18a存儲複數組訓練資料，模型訓練器應用程式18f可例如通過使用者介面而自半導體製造工廠的作業員接收對一或多組訓練資料的選擇。例如，web伺服器18b可生成包括圖形控制元素(如下拉式選單、複選框及自動完成搜尋框等)的網頁，該圖形控制元素列出資料集並允許作業員選擇一或更多資料集。
一旦實體處理模型構建器18d已接收到實體處理模型的類型的選擇及(若需要的話)接收任何處理參數值，實體處理模型構建器18d可為每個還沒有特徵值的訓練光譜計算特徵值(例如，厚度值)。也就是說，將各種值（例如，訓練光譜的時間戳、起始值和結束值）饋送到實體處理模型中，該實體處理模型計算訓練光譜的特徵值。
一旦已建立實體處理模型的實例，就可使用實體處理模型來為訓練資料中之每個還沒有特徵值的訓練光譜生成特徵值(例如，厚度值)。可由使用傳統技術的模型訓練器應用程式18f來執行訓練。例如，對於神經網路而言，可使用測量系列及由實體處理模型生成的特徵值藉由反向傳播來執行訓練。例如，對於神經網路的訓練可由使用系列光譜及由拋光過程模型產生的特徵值（例如，厚度值）的反向傳播來執行。
一旦執行了訓練，就可將所訓練的機器學習模型的實例傳遞給處理控制系統，該處理控制系統接著可使用如上所述的所訓練的機器學習模型。
例如，在拋光系統中的基板拋光期間，可用原位光譜監視系統監視基板，以產生被拋光的基板的複數個測量光譜。將複數個所測量的光譜傳遞到所訓練的機器學習模型以產生複數個特徵值(例如，厚度測量值)，且基於複數個特徵值來控制拋光系統的至少一個處理參數。
具體來說，演算法生成平台可包括多種類型的機器學習模型（例如，利用如上所述的不同架構建構的模型）的實例，其中實例由相同或不同的資料集訓練。演算法生成平台亦可包括相同機器學習模型的複數個實例，每個實例由不同的資料集訓練。
在一些實施方式中，使用者選擇將哪個訓練的模型實例加載到處理控制系統中。在一些實施方式中，演算法生成器可從工廠工具接收資料並基於該資料選擇模型實例。例如，演算法生成器可從基板追蹤系統接收資料，其中盒中的基板用於製造特定裝置。演算法生成器接著可選擇與該裝置相關聯的模型實例，並將該模型實例傳遞給處理控制系統。
可在包括本說明書中揭露的結構構件及其結構等同物或上述組合的數位電子電路中、或在電腦軟體中、韌體中或硬體中實施本說明書中所描述的本發明的實施例及所有功能操作。本發明的實施例可實施為一或多個電腦程式產品(即，有形地體現在機器可讀取存儲媒體中的一或多個電腦程式)，以由資料處理設備(例如，可編程的處理器、電腦或複數個處理器或電腦)執行或控制該資料處理設備的操作。可用包括編譯或直譯語言之任何形式的程式語言來編寫電腦程式（也稱為程式、軟體、軟體應用程式或代碼），且可用包括作為獨立程式或作為適於計算環境的模組、組件、子常式或其他單元之任何形式來部署該電腦程式。電腦程式不一定對應於檔案。程式可存儲在保存其他程式或資料的檔案的一部分中、存儲在專用於所討論的程式的單個檔案中，或存儲在複數個協作檔案中（例如，存儲一或多個模組、子程式或部分代碼的多個檔案）。可部署電腦程式以在一個電腦上、或在一個站點的複數個電腦上，或在分佈在多個站點上並藉由通訊網路互連的複數個電腦上執行。
本說明書中描述的處理及邏輯流程可由執行一或多個電腦程式的一或多個可程式化的處理器執行，以藉由對輸入資料進行操作並生成輸出來執行功能。處理及邏輯流程亦可由例如為FPGA（現場可程式化閘陣列）或ASIC（專用積體電路）的專用邏輯電路執行，且設備亦可實施為該專用邏輯電路。
上述拋光系統及方法可應用於各種拋光系統中。拋光墊或承載頭任一者或兩者皆可移動以提供拋光表面和基板之間的相對移動。例如，平臺可繞軌道旋轉(orbit)而不是旋轉(rotate)。拋光墊可以是固定到平臺上的圓形（或一些其他形狀）墊。拋光系統可以是線性拋光系統，(例如)其中拋光墊是線性移動的連續或捲軸到捲軸帶。拋光層可以是標準（例如，具有或不具有填料的聚氨酯）拋光材料、軟材料或固定研磨材料。相對定位的術語使用相對定位或組件的定位；應該理解的是，拋光表面和基板可相對於重力保持垂直方向或一些其他方向。
儘管上文的描述聚焦於化學機械拋光，但控制系統可適用於其他半導體處理技術；例如，蝕刻或沉積(例如，化學氣相沉積)。此外，此技術可應用於在線或獨立的計量系統(而不是現場監視)。
已描述了本發明的特定實施例。其他實施例在以下申請專利範圍的範疇內。
10:基板 14:計量系統 16:基板追蹤系統 18:演算法生成平台 18a:資料存儲器 18b:web伺服器 18c:演算法生成引擎 18d:機器學習模型構建器應用程式 18e:實體處理模型構建器應用程式 18f:模型訓練應用程式 20:拋光系統 20a:拋光站 20b:轉移站 22:平臺 23:軸 24:馬達 26:驅動軸 28:旋轉耦合器 30:拋光墊 32:外拋光層 34:背襯層 36:窗口 40:拋光液體供應端口 42:拋光液體 50:承載頭 51:軸 52a:腔室 52b:腔室 52c:腔室 54:柔性膜 56:保持環 60:支撐結構 62:軸 64:馬達 70:原位監視系統 72:光源 74:光偵測器 76:電路 78:分叉光纖 80:感測器 90:控制器 100:終點及/或拋光均勻性控制系統 110:維度縮減模組 120:機器學習系統 122a節點 124:隱藏節點 126:輸出節點 130:處理控制系統
圖1示出了半導體製造廠的示意性平面圖。
圖2示出了拋光系統的示例的示意性橫截面圖。
圖3示出了用作拋光設備的控制器的一部分的神經網路。
圖4示出了用於收集資料和生成模型的平台的架構。
各圖示中相同的元件符號和名稱表示相同元件。
國內寄存資訊 (請依寄存機構、日期、號碼順序註記) 無
國外寄存資訊 (請依寄存國家、機構、日期、號碼順序註記) 無
14:計量系統
16:基板追蹤系統
18:演算法生成平台
18a:資料存儲器
18b:web伺服器
18c:演算法生成引擎
18d:機器學習模型構建器應用程式
18e:實體處理模型構建器應用程式
18f:模型訓練應用程式
20:拋光系統
70:原位監視系統
90:控制器

Claims (20)

  1. 一種操作一基板處理系統的方法，包括以下步驟： 接收複數組訓練資料，每組訓練資料包括複數個原始訓練值、用於來自於該複數個原始訓練值的每個原始訓練值的一時間戳，及用於該複數個原始訓練值的一起始特徵值及/或一結束特徵值； 存儲複數個機器學習模型，每個機器學習模型提供至少一個不同的超參數； 存儲複數個實體處理模型，每個實體處理模型提供一不同的函數以生成作為時間的一不同的函數的特徵值及/或一不同的實體處理參數； 接收來自該複數個機器學習模型的一機器學習模型的一選擇及來自該複數個實體處理模型的一實體處理模型的一選擇，以提供一所選擇的機器學習模型及一所選擇的實體處理模型的一組合； 接收該所選擇的機器學習模型的至少一個超參數值及該所選擇的實體處理模型的至少一個實體參數值； 根據該所選擇的機器學習模型及該至少一個超參數值生成一所實施的機器學習模型； 對於來自於該複數個原始訓練值的一或多個原始訓練值的複數個集合中的每一個集合而言，基於該一或多個原始訓練值、用於一或多個原始訓練值的一或多個時間戳、用於該組訓練資料的該起始特徵值及/或該結束特徵值、該實體參數值及該所選擇的實體處理模型來計算一特徵值，從而產生該複數個訓練特徵值，其中每個訓練特徵值與來自於該複數個原始訓練值的一或多個原始訓練值的一集合相關聯； 使用該複數個訓練特徵值及複數個原始訓練值來訓練該所實施的機器學習模型，以生成一所訓練的機器學習模型；及 將該所訓練的機器學習模型傳遞給該基板處理系統的一處理控制系統。
  2. 如請求項1所述的方法，其中該複數個原始訓練值包括來自一渦流監視系統、馬達電流或扭矩監視系統或光學監視系統的測量值。
  3. 如請求項1所述的方法，該基板處理系統包括一化學機械拋光系統。
  4. 如請求項3所述的方法，進一步包括以下步驟： 拋光該拋光系統中的一基板；  在拋光該基板期間，用一原位光譜監視系統來監視該基板以產生該複數個原始訓練值；  將該複數個原始訓練值傳遞給該所訓練的機器學習模型以產生複數個特徵值；及  基於該複數個特徵值來控制該拋光系統的至少一個處理參數。
  5. 如請求項4所述的方法，其中控制該至少一個處理參數之步驟包括以下步驟：停止拋光及/或調節承載頭壓力。
  6. 一種用於控制一基板的處理的電腦程式產品，該電腦程式產品有形地體現在一非暫態電腦可讀取媒體中且包括用於使一處理器執行以下操作的指令： 接收複數組訓練資料，每組訓練資料包括複數個原始訓練值、用於來自該複數個原始訓練值的每個原始訓練值的一時間戳，及用於該複數個原始訓練值的一起始特徵值及/或一結束特徵值； 存儲複數個機器學習模型，每個機器學習模型提供至少一個不同的超參數； 存儲複數個實體處理模型，每個實體處理模型提供一不同的函數以生成作為時間的一不同的函數的特徵值及/或一不同的實體處理參數； 接收來自該複數個機器學習模型的一機器學習模型的一選擇及接收來自該複數個實體處理模型的一實體處理模型的一選擇，以提供一所選擇的機器學習模型及一所選擇的實體處理模型的一組合； 接收該所選擇的機器學習模型的至少一個超參數值和該所選擇的實體處理模型的至少一個實體參數值； 根據該所選擇的機器學習模型和該至少一個超參數值生成一所實施的機器學習模型； 對於來自於該複數個原始訓練值的一或多個原始訓練值的複數個集合中的每一個集合而言，基於該一或多個原始訓練值、用於一或多個原始訓練值的一或多個時間戳、用於該組訓練資料的該起始特徵值及/或該結束特徵值、該實體參數值及該所選擇的實體處理模型來計算一特徵值，從而產生該複數個訓練特徵值，其中每個訓練特徵值與來自於該複數個原始訓練值的一或多個原始訓練值的一集合相關聯； 使用該複數個訓練特徵值及複數個原始訓練值來訓練該所實施的機器學習模型，以生成一所訓練的機器學習模型；及 將該所訓練的機器學習模型傳遞給該基板處理系統的一處理控制系統。
  7. 如請求項6所述的電腦程式產品，其中該特徵值包括該基板上的一層的一厚度值。
  8. 如請求項6所述的電腦程式產品，其中該複數個機器學習模型包括一卷積神經網路和一完全連接的神經網路。
  9. 如請求項8所述的電腦程式產品，其中至少一個不同的超參數包括該神經網路中的多個隱藏層。
  10. 如請求項6所述的電腦程式產品，其中該複數個實體處理模型中的一些實體處理模型包括時間的一線性函數，且該複數個實體處理模型中的一些實體處理模型包括時間的一非線性函數。
  11. 如請求項6所述的電腦程式產品，其中該複數個實體處理模型包括不同的實體處理參數。
  12. 如請求項6所述的電腦程式產品，其中該實體處理參數包括圖案密度、起始步長、臨界階梯高度及處理選擇性中的一者或多者。
  13. 如請求項6所述的電腦程式產品，包括用於接收該所選擇的機器學習模型的至少一個超參數值的指令，且其中該等用於生成該所實施的機器學習模型的指令包括根據該所選擇的機器學習模型及該至少一個超參數值生成該所實施的機器學習模型的指令。
  14. 如請求項6所述的電腦程式產品，包括接收該所選擇的實體處理模型的一實體參數值的指令，且其中該等用於計算該特徵值的指令包括基於該實體參數值來計算該特徵值的指令。
  15. 一種半導體製造系統，包括： 複數個拋光系統，每個拋光系統包括用於保持一拋光墊的一支撐件、用於將一基板保持在該拋光墊上的一載體、用於引起該基板和該拋光墊之間的相對移動的一馬達、在拋光過程中生成該基板之一系列測量值和在該系列測量值中之每個測量值的一時間戳的一原位監視系統，及一控制器， 其中該複數個拋光系統中的至少一者的至少一個控制器經配置成使該複數個拋光系統中的一或多者拋光一系列的訓練基板， 其中來自該複數個拋光系統的一或多個系統的一或多個控制器經配置成接收一所訓練的機器學習模型、使來自該一或多個系統的該拋光系統拋光一系列的裝置基板、從該一或多個系統的該原位監視系統接收該等裝置基板的一系列測量值、基於該系列測量值及該所訓練的機器學習模型產生一系列特徵值，及基於該系列特徵值來控制至少一個拋光控制參數； 一在線或獨立的計量系統，該在線或獨立的計量系統用於為該系列的訓練基板中的每一者產生一起始特徵值及/或一結束特徵值；及 一演算法生成平台，該演算法生成平台包括一或多個處理器及存儲一電腦程式產品的非暫態電腦可讀取媒體，該電腦程式產品包括用於使該一或多個處理器執行以下操作的指令： 接收複數組訓練資料，每組訓練資料包括複數個原始訓練值、用於來自該複數個原始訓練值的每個原始訓練值的一時間戳，及用於來自該複數個原始訓練值的一起始特徵值及/或一結束特徵值； 存儲複數個機器學習模型，每個機器學習模型提供至少一個不同的超參數； 存儲複數個實體處理模型，每個實體處理模型提供一不同的函數以生成作為時間的一不同的函數的特徵值及/或一不同的實體處理參數； 接收來自該複數個機器學習模型的一機器學習模型的一選擇及接收來自該複數個實體處理模型的一實體處理模型的一選擇，以提供一所選擇的機器學習模型及一所選擇的實體處理模型的一組合； 接收該所選擇的機器學習模型的至少一個超參數值和該所選擇的實體處理模型的至少一個實體參數值； 根據該所選擇的機器學習模型和該至少一個超參數值生成一所實施的機器學習模型； 對於來自於該複數個原始訓練值的一或多個原始訓練值的複數個集合中的每一個集合而言，基於該一或多個原始訓練值、用於一或多個原始訓練值的一或多個時間戳、用於該組訓練資料的該起始特徵值及/或該結束特徵值、該實體參數值及該所選擇的實體處理模型來計算一特徵值，從而產生該複數個訓練特徵值，其中每個訓練特徵值與來自於該複數個原始訓練值的一或多個原始訓練值的一集合相關聯； 使用該複數個訓練特徵值及複數個原始訓練值來訓練該所實施的機器學習模型，以生成一所訓練的機器學習模型；及 將該所訓練的機器學習模型傳遞給該基板處理系統的一處理控制系統。
  16. 如請求項15所述的系統，其中該複數個拋光系統中的該至少一者和來自該複數個拋光系統中的該一個或多個系統包括至少一些相同的拋光系統。
  17. 如請求項15所述的系統，其中該演算法生成平台經配置成存儲提供複數個所訓練的機器學習模型的資料。
  18. 如請求項17所述的系統，其中該演算法生成平台經配置成接收或選擇複數個所訓練的機器學習模型中的一者，並將該所選擇的所訓練的機器學習模型傳遞給該控制器。
  19. 如請求項18所述的系統，進一步包括：一基板追蹤系統，該基板追蹤系統包括一或多個處理器及存儲一電腦程式產品的非暫態電腦可讀取媒體，該電腦程式產品包括存儲表徵該複數個裝置基板中的每一者的資料的指令。
  20. 如請求項19所述的系統，其中該演算法生成平台經配置成從該基板追蹤系統接收表徵一裝置基板的資料，並基於該表徵資料從該複數個所訓練的機器學習模型中選擇一所訓練的機器學習模型。
TW112134480A 2018-03-13 2019-03-12 用於半導體處理監視的機器學習系統 TWI903225B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862642497P 2018-03-13 2018-03-13
US62/642,497 2018-03-13

Publications (2)

Publication Number Publication Date
TW202403867A true TW202403867A (zh) 2024-01-16
TWI903225B TWI903225B (zh) 2025-11-01

Family

ID=67903980

Family Applications (2)

Application Number Title Priority Date Filing Date
TW112134480A TWI903225B (zh) 2018-03-13 2019-03-12 用於半導體處理監視的機器學習系統
TW108108160A TWI817992B (zh) 2018-03-13 2019-03-12 用於半導體處理監視的機器學習系統

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW108108160A TWI817992B (zh) 2018-03-13 2019-03-12 用於半導體處理監視的機器學習系統

Country Status (6)

Country Link
US (3) US10969773B2 (zh)
JP (2) JP7323541B2 (zh)
KR (2) KR102666904B1 (zh)
CN (1) CN111902924B (zh)
TW (2) TWI903225B (zh)
WO (1) WO2019177905A1 (zh)

Families Citing this family (83)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10969773B2 (en) 2018-03-13 2021-04-06 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
US11651207B2 (en) 2018-06-28 2023-05-16 Applied Materials, Inc. Training spectrum generation for machine learning system for spectrographic monitoring
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
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
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
US11063965B1 (en) * 2019-12-19 2021-07-13 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
US11100221B2 (en) 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
US12153401B2 (en) 2019-11-06 2024-11-26 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
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
CN114730279B (zh) 2019-11-20 2025-03-11 纳米电子成像有限公司 保护工业生产免受复杂的攻击
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
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
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
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
JP7572436B2 (ja) 2020-06-29 2024-10-23 アプライド マテリアルズ インコーポレイテッド 機械学習に基づく基板画像処理からの膜厚推定
US20230273529A1 (en) * 2020-07-09 2023-08-31 Asml Netherlands B.V. Method for adjusting a patterning process
US20220026817A1 (en) * 2020-07-22 2022-01-27 Applied Materials, Inc. Determining substrate profile properties using machine learning
USD977504S1 (en) 2020-07-22 2023-02-07 Applied Materials, Inc. Portion of a display panel with a graphical user interface
US12283503B2 (en) 2020-07-22 2025-04-22 Applied Materials, Inc. Substrate measurement subsystem
US11688616B2 (en) 2020-07-22 2023-06-27 Applied Materials, Inc. Integrated substrate measurement system to improve manufacturing process performance
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
JP7553716B2 (ja) * 2020-12-08 2024-09-18 モレックス エルエルシー パイプ及び容器の腐食及び浸食監視のためのシステム及び方法
KR102805914B1 (ko) * 2020-12-18 2025-05-14 어플라이드 머티어리얼스, 인코포레이티드 적응형 슬러리 분배 시스템
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
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
KR20230150383A (ko) * 2021-03-05 2023-10-30 어플라이드 머티어리얼스, 인코포레이티드 리테이닝 링들을 분류하기 위한 기계 학습
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
US11965798B2 (en) 2021-06-10 2024-04-23 Applied Materials, Inc. Endpoint detection system for enhanced spectral data collection
JP7655690B2 (ja) * 2021-06-10 2025-04-02 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処理の終点検出
US20220397515A1 (en) * 2021-06-10 2022-12-15 Applied Materials, Inc. Obtaining substrate metrology measurement values using machine learning
US11901203B2 (en) 2021-06-10 2024-02-13 Applied Materials, Inc. Substrate process endpoint detection using machine learning
US12009269B2 (en) 2021-06-28 2024-06-11 Sandisk Technologies Llc Virtual metrology for feature profile prediction in the production of memory devices
US12105137B2 (en) 2021-06-28 2024-10-01 Sandisk Technologies Llc Virtual quality control interpolation and process feedback 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
US20250128508A1 (en) * 2021-08-26 2025-04-24 Ebara Corporation Substrate processing method and substrate processing apparatus
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
US12339645B2 (en) 2022-01-25 2025-06-24 Applied Materials, Inc. Estimation of chamber component conditions using substrate measurements
US12148647B2 (en) 2022-01-25 2024-11-19 Applied Materials, Inc. Integrated substrate measurement system
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
JP2025516167A (ja) * 2022-04-27 2025-05-27 アプライド マテリアルズ インコーポレイテッド 半導体ウエハ処理における変位測定
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
KR20250025429A (ko) * 2022-10-14 2025-02-21 어플라이드 머티어리얼스, 인코포레이티드 머신 학습을 사용한 기판 프로파일 속성들의 결정
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

Family Cites Families (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
US8292693B2 (en) * 2008-11-26 2012-10-23 Applied Materials, Inc. Using optical metrology for wafer to wafer feed back process control
KR101853991B1 (ko) * 2010-07-30 2018-05-02 케이엘에이-텐코 코포레이션 영역 기반 가상 푸리에 필터
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
WO2016086138A1 (en) 2014-11-25 2016-06-02 Stream Mosaic, Inc. Improved process control techniques for semiconductor manufacturing processes
US10430719B2 (en) * 2014-11-25 2019-10-01 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
CN107438842A (zh) * 2014-12-18 2017-12-05 Asml荷兰有限公司 通过机器学习的特征搜索
US11580375B2 (en) 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
JP6941103B2 (ja) * 2015-12-31 2021-09-29 ケーエルエー コーポレイション 半導体用途のための機械学習ベースのモデルの加速トレーニング
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
US9972478B2 (en) 2016-09-16 2018-05-15 Lam Research Corporation Method and process of implementing machine learning in complex multivariate wafer processing equipment
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
SG11201902651QA (en) * 2016-10-18 2019-05-30 Ebara Corp 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
US10948831B2 (en) * 2017-02-24 2021-03-16 Asml Netherlands B.V. Methods of determining process models by machine learning
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
US10969773B2 (en) 2018-03-13 2021-04-06 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
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

Also Published As

Publication number Publication date
US20210018902A1 (en) 2021-01-21
JP2021515987A (ja) 2021-06-24
US20190286075A1 (en) 2019-09-19
KR102666904B1 (ko) 2024-05-20
JP7323541B2 (ja) 2023-08-08
KR20200120958A (ko) 2020-10-22
TWI903225B (zh) 2025-11-01
US20190286111A1 (en) 2019-09-19
KR20240089695A (ko) 2024-06-20
CN111902924B (zh) 2024-11-29
CN111902924A (zh) 2020-11-06
JP7574368B2 (ja) 2024-10-28
US11733686B2 (en) 2023-08-22
JP2023162172A (ja) 2023-11-08
TWI817992B (zh) 2023-10-11
TW201946136A (zh) 2019-12-01
US10795346B2 (en) 2020-10-06
KR102813170B1 (ko) 2025-05-28
US10969773B2 (en) 2021-04-06
WO2019177905A1 (en) 2019-09-19

Similar Documents

Publication Publication Date Title
TWI817992B (zh) 用於半導體處理監視的機器學習系統
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
TWI841926B (zh) 用於使用成本函數或預期的未來參數變化對基板拋光期間的處理參數的控制的電腦程式產品、方法及拋光系統
TWI808666B (zh) 用於具有基板進動的基板拋光的製程參數的控制的方法、系統及電腦程式產品
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
TW201825232A (zh) 用於化學機械研磨的即時輪廓控制