TWI878132B

TWI878132B - 藉由使用混合學習模型提高半導體處理性能的方法

Info

Publication number: TWI878132B
Application number: TW113119505A
Authority: TW
Inventors: 史帝夫莫非特; 薛爾登Ｒ諾曼; 德莫特Ｐ康特威爾
Original assignee: 美商應用材料股份有限公司
Priority date: 2020-07-30
Filing date: 2021-07-28
Publication date: 2025-03-21
Also published as: JP2023537281A; US11947888B2; JP7569444B2; CN116134595A; US20230153503A1; TW202211342A; US20220035979A1; JP2025013820A; WO2022026191A1; TWI847049B; US11586794B2; TW202441656A; KR20230042113A

Abstract

本文揭示的實施例包括具有混合模型的半導體製造工具及使用此混合模型來處理晶圓及/或開發製程配方的方法。在一實施例中，一種用於開發半導體製造製程配方的方法包含選擇一或多個元件結果，以及查詢混合模型，以獲得適於獲得元件結果的製程配方推薦。在一實施例中，此混合製程模型包含統計模型及物理模型。在一實施例中，此方法可進一步包含在一組晶圓上執行實驗設計(DoE)，以驗證此混合製程模型推薦的此製程配方。

Description

藉由使用混合學習模型提高半導體處理性能的方法

本揭示案的實施例係關於半導體處理領域，且特定言之，係關於使用半導體製造製程的混合模型，此模型包含用於配方開發及腔室基線化的統計模型及物理模型。

隨著半導體元件繼續向更小的特徵尺寸發展，半導體晶圓處理的複雜性一直在增加。給定的製程可包括許多不同的處理參數（亦即，旋鈕），此些參數可經個別控制，以在晶圓上提供期望結果。例如，晶圓上的期望結果可能係指特徵輪廓、層的厚度、層的化學成分或其類似者。隨著旋鈕數量的增加，可用於調諧及最佳化製程的理論製程空間變得極其大。

為了開發用於大量製造(high volume manufacturing, HVM)的製程配方，製程工程師依靠其經驗及專業知識來確定基線配方，此基線配方可在晶圓上提供粗略近似的期望結果。隨後圍繞基線配方產生實驗設計(design of experiment, DoE)。DoE依靠對一組晶圓（或試片）的處理來確定旋鈕如何彼此交互作用，以在晶圓上產生結果。DoE結果可由製程工程師解釋，以進一步細化基線配方。亦可執行額外的DoE，以在晶圓上收斂期望結果。這種迭代製程為時間及資源密集型的。

此外，一旦開發了最終處理配方，在不同晶圓之製程的多次迭代期間，腔室漂移可能導致晶圓上之結果的改變。腔室漂移可能為腔室之可消耗部分之腐蝕、部件（例如，感測器、燈等）之降級、副產物膜在表面上之沉積或其類似者的結果。因此，即使在廣泛的配方開發製程之後，亦需要額外的調諧。

本文揭示的實施例包括具有混合模型的半導體製造工具及使用混合模型來處理晶圓及/或開發製程配方的方法。在一實施例中，一種用於開發半導體製造製程配方的方法包含選擇一或多個元件結果，以及查詢混合模型，以獲得適於獲得元件結果的製程配方推薦。在一實施例中，混合製程模型包含統計模型及物理模型。在一實施例中，此方法可進一步包含在一組晶圓上執行實驗設計(DoE)，以驗證混合製程模型推薦的製程配方。

在一額外實施例中，提供一種使執行半導體製造製程的腔室基線化的方法。在一實施例中，此方法包含運行具有外部計量之晶圓的受限實驗設計(DoE)，以使腔室性能基線化。此實施例可進一步包括將來自受限DoE的晶圓結果及計量資料添加至混合模型作為校正資料集。在一實施例中，混合模型包含統計模型及物理模型。在一實施例中，此方法進一步包含調整模型的預測，以考慮到由受限DoE識別的特定腔室條件及/或晶圓條件。在一實施例中，此方法進一步包含預測最佳化製程參數，以達成在腔室中處理之晶圓的期望晶圓結果。

在一額外實施例中，提供一種用於在處理工具中處理晶圓的方法。在一實施例中，此方法包含提供處理工具的混合模型。在一實施例中，混合模型包含統計模型及物理模型。在一實施例中，此方法進一步包含在處理工具中執行配方以處理第一晶圓，在配方執行之後自第一晶圓獲得晶圓資料，以及自處理工具獲得與配方執行相關的製程資料。在一實施例中，此方法進一步包含將晶圓資料及製程資料提供給混合模型以產生經更新的混合模型，以及使用經更新的混合模型來產生經修改配方以考慮到處理工具中的腔室漂移。在一實施例中，此方法進一步包含在處理工具中執行經修改配方以處理第二晶圓。

實施例亦可包括包含指令的非暫時性電腦可讀媒體，此些指令在由處理器執行時使處理器進行用於開發半導體製造製程配方的操作。在一實施例中，操作可包括在經處理晶圓上選擇一或多個元件結果，查詢混合模型以獲得適於獲得元件結果的製程配方推薦。在一實施例中，混合模型包含統計模型及物理模型。在一實施例中，製程可進一步包含在一組晶圓上執行實驗設計(DoE)以驗證由混合製程模型推薦的製程配方。在一實施例中，執行DoE包含用計量工具量測DoE晶圓結果，以及根據DoE晶圓結果確定是否達成期望元件結果。

本文描述了使用半導體製造製程之混合模型的方法，此混合模型包含用於配方開發及腔室基線化的統計模型及物理模型。在以下描述中，闡述了許多具體細節，以提供對本揭示案之實施例的透徹理解。對於熟習此項技術者顯而易見的為，可在沒有這些具體細節的情況下實踐本揭示案的實施例。在其他情況下，不詳細描述諸如積體電路製造之熟知態樣，以免不必要地混淆本揭示案的實施例。此外，應當理解，圖中所示的各個實施例為說明性表示且不一定按比例繪製。

如上所述，配方開發及腔室基線化為時間及資源密集型的。特定言之，可用於調諧及最佳化給定製程的製程空間極其大，且在任何合理的時間框架內憑經驗探索整個製程空間實際上為不可能的。此外，由於處理參數之間的交互作用及其對製程性能的影響，很難藉由一次手動掃描一個處理參數來預測多個處理參數同時變化的組合效果。

因此，本文揭示的實施例利用混合模型的使用來查詢整個製程空間，而無需在大型實驗設計(DoE)中處理實體晶圓。因此，可顯著減少專用於配方開發的時間及資源。此外，混合模型可在處理腔室中的晶圓期間加以更新。經更新的混合模型可提供對腔室漂移的準確追蹤，且允許修改製程配方，而無需對實體晶圓進行廣泛的DoE或僅依靠製程工程師的經驗及知識。因此，根據本文揭示之實施例之混合模型的使用至少提供以下益處：1)減少工具的未排程停機時間；2)減少對校正或監控晶圓的依靠；3)更嚴格的製程控制及更好的均勻性、可重複性及良率；4)較低的廢品率；5)改進的腔室匹配；6)啟用自動工具健康監控；以及7)提供根據計劃維護(planned maintenance, PM)的改進恢復。

如本文所用，「製程空間」可指將處理參數映射至晶圓上之一或多個元件結果的多維製程空間。有時稱為旋鈕的處理參數為可受控制以控製製程的變數。例如，旋鈕可包括壓力、處理氣體流動速率、溫度、RF源功率、偏壓功率及其類似者。元件結果可指處理之後晶圓上特徵的可量測特性。例如，元件結果可包括特徵輪廓、層厚度、厚度均勻性、層的材料成分、成分均勻性、孔隙度、膜應力或其類似者。在一實施例中，元件結果亦可指設施中各腔室的製程均勻性（例如，腔室匹配）、晶圓間均勻性、不同晶圓批次之間的均勻性及其類似者。亦即，元件結果不限於單個晶圓上的結果。製程空間中的每個點可為一組處理參數值及由此組處理參數產生之所得元件結果（或多個結果）的表示。

在一實施例中，混合模型可包含統計模型及物理模型。可使用實際晶圓的DoE來建構統計模型，以填充製程空間的部分。隨後演算法可用於外推製程空間的剩餘部分。物理模型係基於發生在處理腔室內的真實世界物理及化學交互作用。處理腔室中之不同處理參數範圍內之物理及化學交互作用的模擬可用於產生物理模型。在一實施例中，物理模型與統計模型合併，以提供混合模型。例如，物理模型可用於填補統計模型中的任何間隙及/或驗證外推資料點。

在一實施例中，混合模型可用於製程配方開發及/或用於腔室基線化，以考慮到腔室漂移。在製程配方開發的情況下，查詢混合模型以選擇基線配方，而不是僅依靠製程工程師的技能及知識。混合模型提供的基線配方將產生與期望元件結果極為近似的元件結果。因此，驗證基線配方的小型DoE可能為驗證混合模型預測的製程配方所需的全部。

在腔室基線化的情況下，可用自經處理晶圓獲得的校正資料集更新混合模型。校正資料集可包含在晶圓處理期間或之後收集的計量資料及/或其他元件結果。隨後可查詢經更新的混合模型以選擇考慮到腔室漂移的經修改製程配方，以在隨後處理的晶圓上產生期望元件結果。因此，腔室基線化為提供腔室映射的強力工具。亦即，腔室基線化製程（例如，使用校正資料集更新混合模型）允許在晶圓處理中準確地考慮到當前腔室條件。此外，基線化亦可用於考慮到晶圓之間的差異。例如，批次之間（或甚至單個批次內）的晶圓可能具有差異（例如，由於先前處理的不均勻性）。藉由用基線化製程更新混合模型，可考慮到晶圓之間的變化，以提供期望元件結果。

本文揭示的混合模型可用於任何半導體製造製程。例如，可使用混合模型，以為蝕刻製程、沉積製程、清洗製程、平坦化製程或其類似者提供配方開發及/或腔室基線化。用混合模型研究的製程可包括電漿製程、熱製程、濕化學製程或任何其他製程。在一實施例中，用混合模型模型化的處理工具可包括電漿腔室、真空腔室、熱腔室或其類似者。

在一特定實施例中，混合模型用於研究氧化製程，諸如自由基氧化製程。在自由基氧化製程中，處理參數可包括但不限於壓力、處理氣體的流動速率、溫度及持溫時間。在自由基氧化製程中受控的元件結果可包括但不限於氧化物厚度、晶圓上的厚度均勻性、氧化物的材料成分、材料成分均勻性及氧化層的輪廓。

現參考第1A圖，示出根據一實施例之混合模型伺服器120的示意圖。在一實施例中，混合模型伺服器120可包含統計模型125及物理模型127。統計模型125及物理模型127可通信地耦合至資料庫130，此資料庫用於儲存用於建構及/或更新統計模型125及物理模型127的輸入資料（例如，感測器資料、模型資料、計量資料等）。

在一實施例中，統計模型125可自物理DoE產生且使用內插來提供擴展的製程空間模型。經處理的實體晶圓可用於提供處理參數至特定元件結果的映射。物理DoE亦可用於識別不同處理參數之間的交互作用。在提供實體晶圓的資料（例如，計量資料、感測器資料、製程參數資料等）之後，使用內插來填充製程空間中的間隙。在一實施例中，可使用由資料鏈路（例如，有線或無線資料鏈路）通信地耦合至混合模型伺服器120的外部工具來獲得資料，諸如計量資料。可使用任何適合的一種演算法或多種演算法進行內插。演算法可包括但不限於神經網路、深度學習或用於迴歸分析的任何其他已知技術（例如，線性、部分最小平方、高斯、多項式、用於迴歸的卷積類神經網路、迴歸樹及其他）。

在一實施例中，統計模型125可作為模組提供，此模組經出售或經許可與處理工具結合使用。亦即，統計模型125的物理DoE可由處理工具的製造商執行。在其他實施例中，可藉由現場執行物理DoE來產生統計模型125。在又一實施例中，工具製造商可提供通用統計模型125且可現場執行隨後的物理DoE，以提供統計模型125的校正以更接近地模型化正經研究的特定處理工具。

在一實施例中，可使用真實世界物理及化學關係來產生物理模型127。例如，處理腔室內各種交互作用的物理及化學方程式可用於建構物理模型。物理模型127亦可利用腔室幾何形狀或其他腔室配置來提高物理模型127的準確度。物理模型127可為跨複數個不同處理參數對處理工具內之物理及化學交互作用之模擬的結果。物理模型127可為經出售或經許可與處理工具結合使用的模組。

在一實施例中，物理模型127及統計模型125可能能夠相互參考（如箭頭所示）。兩個模型127及125之間的交叉參考允許驗證每個模型且允許填充個別模型中的任何間隙。在一實施例中，物理模型127及統計模型125可組合以提供更穩健的混合模型。

現參考第1B圖，根據一實施例，示出處理工具100的示意圖。如圖所示，混合模型伺服器120可與處理工具100整合。例如，混合模型伺服器120可由網路連接通信地耦合至前端伺服器160，如箭頭所示。然而，在其他實施例中，混合模型伺服器120可在處理工具100的外部。例如，混合模型伺服器120可經由外部網路或其類似者通信地耦合至處理工具100。

在一實施例中，處理工具100可包含前端伺服器160、工具控制伺服器150及工具硬體140。前端伺服器160可包含用於混合模型伺服器120的使用者介面165。使用者介面165為製程工程師提供介面以利用混合模型化來執行各種操作，諸如配方開發或腔室基線化，如下文將更詳細描述的。

工具控制伺服器150可包含智慧監控及控制塊155。智慧監控及控制塊155可包含用於提供對處理工具100的診斷及其他監控的模組。模組可包括但不限於健康檢查、感測器漂移、故障恢復及洩漏偵測。智慧監控及控制塊155可自工具硬體中實施的各種感測器接收資料作為輸入。感測器可包括大體存在於半導體製造工具100中以允許工具100之操作的標準感測器147。感測器亦可包括添加至工具100中的模型化感測器145。模型化感測器145提供建構高度詳細的混合模型必需的額外資訊。例如，模型化感測器可包括虛擬感測器及/或見證感測器。虛擬感測器可利用自兩個或更多個物理感測器獲得的資料且實施內插及/或外推，以提供不可單獨自物理感測器獲得的附加感測器資料。在特定實例中，虛擬感測器可利用上游壓力感測器及下游壓力感測器，以計算穿過處理工具之部分（諸如氣筒）的流動速率。大體上，模型化感測器可包括任何類型的感測器，諸如但不限於壓力感測器、溫度感測器及氣體濃度感測器。在一實施例中，智能監控及控制塊155可提供由混合模型伺服器120使用的資料。在其他實施例中，來自各種模型化感測器145的輸出資料可直接提供給混合模型伺服器120。

現參考第2A圖，根據一實施例，示出說明用於產生混合模型之製程的流程圖。在一實施例中，來自模型化DoE 215的輸入經輸入至統計模型引擎224中。模型化DoE 215可包括多個實體晶圓的處理。DoE 215可包括饋送至統計模型引擎224的各種資料源。例如，在處理晶圓期間或之後獲得的計量資料216可經提供給統計模型引擎224。此外，來自處理工具中之感測器的感測器資料217可經提供給統計模型引擎224。製程參數資料218（亦即，在晶圓處理期間各種製程參數的值）亦可提供給統計模型引擎224。

在一實施例中，統計模型引擎224可經實施為適於分析各種資料源且輸出統計模型225的硬體及/或軟體。統計模型引擎224可利用基於神經網路的機器學習，或用於迴歸分析的任何其他已知技術（例如，線性、部分最小平方、高斯、多項式、用於迴歸的卷積類神經網路、迴歸樹及其他），以內插比單獨自物理DoE資料獲得之製程空間更大的製程空間。

在一實施例中，物理模型引擎226用於產生物理模型227。在一實施例中，物理模型引擎226可經實施為硬體及/或軟體。物理模型引擎226將腔室配置及真實世界物理及化學方程式作為輸入。物理模型引擎226可實施跨複數個不同處理參數對處理工具內之物理及化學交互作用的模擬，以建構物理模型227。因此，修改處理工具中之物理及/或化學反應之處理參數的變化可映射至預期的元件結果。

在一實施例中，統計模型225及物理模型227用作產生混合模型228的輸入。例如，統計模型225及物理模型227可為混合模型引擎229的輸入。混合模型引擎229處理物理模型227及統計模型225且輸出混合模型228。在一些實施例中，物理模型227可用於導出一些無法量測的物理量測值，且物理模型227的輸出可視為統計模型的附加輸入。在這種情況下，混合模型引擎229將來自物理模型227的資訊添加至統計模型225以提供混合模型228。因此，混合模型228允許兩個模型225及227用於驗證製程空間中的個別點，且提供更完整的製程空間，可針對給定的處理工具個別定製此更完整的製程空間。然而，在一些實施例中，視輸出而定，物理模型227及統計模型225可為獨立模型。亦即，在一些實施例中，統計模型225及物理模型227可不合併為混合模型。

在一實施例中，混合模型亦可認為係統計模型225的另一實例。例如，在第2B圖中，物理模型引擎226輸出的物理模型227可用作統計模型引擎224的輸入。統計模型引擎224因此具有附加輸入以產生包括來自物理模型227之資訊的統計模型225。特定言之，統計模型224可能已包括來自物理模型227的資料，且在所有實施例中，使用混合模型引擎來產生混合模型可能為非必需的。

現參考第3圖，根據一實施例，示出說明由混合模型提供之製程空間之表示的圖表。圖表上的每個點表示一組處理參數及晶圓上的所得結果。例如，X軸可為回應均勻性，且Y軸可為回應平均值。圖表描述了對於一組給定的處理參數，晶圓上的所得結果將具有特定的回應均勻性及回應平均值。

在示出的圖表中，較大的菱形點為自模型化DoE獲得的資料點。亦即，較大的點係基於自晶圓的物理處理中獲得的資料集。較小的點表示使用混合模型產生的虛擬點。如圖所示，混合模型為處理空間提供比單獨自經處理晶圓獲得的資料詳細得多的資料。

現參考第4圖，根據一實施例，示出說明用於使用混合模型開發製程配方之製程470的流程圖。目標製程配方為具有一組製程參數的製程配方，此些製程參數將在晶圓上產生期望元件結果。在一實施例中，製程470可以操作471開始，此操作包括確定期望元件結果。在一實施例中，元件結果可關於晶圓元件尺寸、材料成分或其類似者。例如，元件結果可包括層厚度、晶圓上的厚度均勻性、層的材料成分或材料成分均勻性。

在一實施例中，製程470可以操作472繼續進行，此操作包含查詢混合模型以選擇一組處理參數。在一實施例中，混合模型可為由統計模型及物理模型的組合產生的製程空間模型。統計模型可使用如上所述的實際晶圓的DoE來產生。物理模型可基於現實世界物理及化學方程式。例如，物理模型可根據跨複數個不同處理參數對處理工具內之物理及化學相互作用的模擬產生。在一實施例中，混合模型可覆蓋處理工具可用的整個處理空間。

混合模型允許在無需完全依靠製程工程師之經驗及知識的情況下識別穩定的製程配方。相反，能夠自混合模型的製程空間中選擇預期產生與目標元件結果緊密地匹配之元件結果的基線配方。

在一實施例中，製程470可以操作473繼續進行，此操作包含執行小型DoE以驗證模型推薦。由於混合模型的高精度，小型DoE（例如，20個或更少的晶圓）可能為驗證模型推薦所需的全部。在一實施例中，DoE可由製程工程師設計。

在一實施例中，製程470可以操作474繼續進行，此操作包含用一或多個計量工具量測DoE晶圓結果。計量資料可用於驗證晶圓上是否已達成目標元件結果。

在一實施例中，製程470可以操作475繼續進行，此操作包含確定是否已達成期望元件結果。若已達成期望元件結果，則製程繼續進行至操作476且完成製程。若未達成期望元件結果，則製程可循環回到操作472。在一實施例中，可將來自小型DoE的資料反饋至混合模型中以更新混合模型。隨後可查詢更新混合模型以提供第二基線配方。以這種方式，即使第一次迭代不成功，製程仍可快速收斂至正確的配方，而無需大量的DoE及資源浪費。

現參考第5圖，根據一實施例，示出說明用於使處理工具基線化之製程580的流程圖。在一實施例中，基線化製程可能有利於考慮到在處理工具中處理晶圓期間的腔室漂移。在一實施例中，基線化製程可以任何期望的頻率實施。例如，製程580可按批次、按計劃維護(PM)事件或當經處理晶圓具有指定範圍之外的元件結果時實施。

在一實施例中，製程580可以操作581開始，此操作包含運行具有外部計量之晶圓的受限DoE以使腔室性能基線化。在一實施例中，受限DoE可包括二十個或更少的晶圓。受限DoE可利用記錄的製程配方作為基線。外部計量可包括適於確定經處理晶圓之元件結果的任何計量。例如，在氧化製程的情況下，橢圓偏振技術可用於研究晶圓上的膜厚度及厚度均勻性。

在一實施例中，製程580可以操作582繼續進行，此操作包含將元件結果及其他計量資料添加至混合模型。添加至混合模型的附加資料可稱為校正資料集。校正資料集用於更新混合模型，使得混合模型更準確地反映處理工具的當前狀況。例如，製程580可包括操作583，此操作包含調整模型的預測以考慮到特定的腔室條件。亦即，更新混合模型的製程空間以更緊密地匹配所研究之處理工具的條件。

在一實施例中，混合模型可為自統計模型及物理模型的組合產生的製程空間模型。統計模型可使用如上所述之實際晶圓的DoE來產生。物理模型可基於現實世界物理及化學方程式。例如，物理模型可根據跨複數個不同處理參數對處理工具內之物理及化學交互作用的模擬產生。在一實施例中，混合模型可覆蓋處理工具可用的整個處理空間。

在一實施例中，製程580可以操作584繼續進行，此操作包含預測最佳化製程參數以達成隨後在腔室中處理之晶圓的期望晶圓結果。可在已更新混合模型以包括校正資料集之後選擇最佳化製程參數。因此，不管腔室條件之變化，新製程配方提供了晶圓參數，此些晶圓參數使晶圓結果與目標值更緊密地匹配。因此，可監控及考慮到腔室漂移，以保持緊密的製程窗口且提高均勻性、可重複性及良率。此外，減少了工具的未排程停機時間，此係因為可準確地調整處理配方以考慮到腔室漂移。此外，當PM確實發生時，可實施製程580以提供更短的恢復時間，這提高了工具利用率。

在一實施例中，混合模型可進一步用於提供處理配方的連續（或接近連續）修改以考慮到腔室漂移。例如，可獲取在元件晶圓處理期間獲得的晶圓及製程資料且將其用於更新混合模型。亦即，可能不需要專用的DoE來提供校正資料集。可獲得來自元件晶圓的晶圓資料，用於正在處理之每個晶圓或晶圓的子集。

此類實施例可包括提供處理工具的混合模型。混合模型可包括統計模型及物理模型，其類似於上述混合模型。在一實施例中，製程可自在處理工具中執行配方以處理第一晶圓開始。處理第一晶圓之後，可獲得來自第一晶圓的晶圓資料及來自處理工具之與配方執行相關的製程資料。在一實施例中，晶圓資料可包含計量資料，諸如但不限於厚度、厚度均勻性、輪廓及氫百分比。在一實施例中，製程資料可包括自處理工具內的感測器獲得的資料及/或工具配置資訊。在一實施例中，晶圓資料及製程資料經提供給混合模型以產生更新混合模型。在一實施例中，更新混合模型用於產生經修改配方以考慮到處理工具中的腔室漂移。實施例隨後可包括在處理工具中執行經修改配方以處理第二晶圓。雖然上文描述了單個第一晶圓的處理，但應當理解，可在產生更新混合模型之前處理複數個第一晶圓。在此類實施例中，多組晶圓資料及製程資料可用於產生更新的混合模型。

第6圖示出電腦系統600之例示性形式中之機器的圖解表示，在此電腦系統內，可執行一組指令，此些指令用於使機器執行本文所述的任何一或多個方法。在替代實施例中，機器可經連接（例如，網路連接）至區域網路(Local Area Network, LAN)、內部網路、外部網路或網際網路中的其他機器。機器可在用戶端-伺服器網路環境中作為伺服器或用戶端機器運行，或作為同級間（或分散式）網路環境中的同級點機器運行。機器可為個人電腦(personal computer, PC)、平板PC、機上盒(set-top box, STB)、個人數位助理(Personal Digital Assistant, PDA)、蜂巢式電話、網路設備、伺服器、網路路由器、交換機或橋接器，或任何能夠執行一組指令（順序或其他）的機器，此些指令指定此機器要採取的行動。此外，雖然僅示出單台機器，但術語「機器」亦應被視為包括個別或聯合執行一組（或多組）指令以進行本文所述之任何一或多個方法之機器（例如，電腦）的任何集合。

例示性電腦系統600包括處理器602、主記憶體604（例如，唯讀記憶體(read-only memory, ROM)、快閃記憶體、諸如同步DRAM(synchronous DRAM, SDRAM)或Rambus DRAM(RDRAM)的動態隨機存取記憶體(dynamic random access memory, DRAM)，等）、靜態記憶體606（例如，快閃記憶體、靜態隨機存取記憶體(static random access memory, SRAM)、MRAM，等）及輔助記憶體618（例如，資料儲存裝置)，其經由匯流排630相互通信。

處理器602代表一或多個通用處理裝置，諸如微處理器、中央處理單元或其類似者。更特定言之，處理器602可為複雜指令集計算(complex instruction set computing, CISC)微處理器、精簡指令集計算(reduced instruction set computing, RISC)微處理器、極長指令字(very long instruction word, VLIW)微處理器、實施其他指令集的處理器，或實施指令集組合的處理器。處理器602亦可為一或多個專用處理裝置，諸如特殊應用積體電路(application specific integrated circuit, ASIC)、現場可程式閘陣列(field programmable gate array, FPGA)、數位信號處理器(digital signal processor, DSP)、網路處理器或其類似者。處理器602經配置為執行處理邏輯626以進行本文所述的操作。

電腦系統600可進一步包括網路介面裝置608。電腦系統600亦可包括視訊顯示單元610（例如，液晶顯示器(liquid crystal display, LCD)、發光二極體顯示器(light emitting diode display, LED)或陰極射線管(cathode ray tube, CRT)）、文數輸入裝置612（例如，鍵盤）、游標控制裝置614（例如，滑鼠）及信號產生裝置616（例如，揚聲器）。

輔助記憶體618可包括機器可存取儲存媒體（或更特定言之，電腦可讀儲存媒體）632，在此儲存媒體上儲存了體現本文所述之任何一或多個方法或功能的一或多組指令（例如，軟體622）。軟體622亦可在由電腦系統600執行期間完全地或至少部分地常駐在主記憶體604內及/或處理器602內，主記憶體604及處理器602亦構成機器可讀儲存媒體。軟體622可進一步經由網路介面裝置608在網路620上傳輸或接收。

雖然機器可存取儲存媒體632在例示性實施例中示出為單個媒體，但術語「機器可讀儲存媒體」應該被認為包括儲存一或多組指令的單個媒體或多個媒體（例如，集中式或分散式資料庫，及/或相關的快取記憶體及伺服器）。術語「機器可讀儲存媒體」亦應被認為包括能夠儲存或編碼一組由機器執行之指令且使機器進行本揭示案之任何一或多種方法的任何媒體。因此，術語「機器可讀儲存媒體」應被認為包括但不限於固態記憶體，以及光學及磁性媒體。

根據本揭示案的實施例，機器可存取儲存媒體具有儲存在其上的指令，此些指令使資料處理系統使用來自混合模型的洞察及/或更新或建構混合模型的方法來進行處理晶圓的方法。

因此，已揭示將混合模型用於在處理工具中處理晶圓的方法。

100:處理工具 120:混合模型伺服器 125:統計模型 127:物理模型 130:資料庫 140:工具硬體 145:模型化感測器 147:標準感測器 150:工具控制伺服器 155:智慧監控及控制塊 160:前端伺服器 165:使用者介面 215:模型化實驗設計 216:計量資料 217:感測器資料 218:製程參數數據 224:統計模型引擎 225:統計模型 226:物理模型引擎 227:物理模型 228:混合模型 229:混合模型引擎 470:製程 471:操作 472:操作 473:操作 474:操作 475:操作 476:操作 580:製程 581:操作 582:操作 583:操作 584:操作 600:電腦系統 602:處理器 604:主記憶體 606:靜態記憶體 608:網路介面裝置 610:視訊顯示單元 612:文數輸入裝置 614:游標控制裝置 616:信號產生裝置 618:輔助記憶體 620:網路 622:軟體 626:處理邏輯 630:匯流排 632:機器可存取儲存媒體

第1A圖係根據一實施例之包含統計模型及物理模型之混合模型的示意圖。

第1B圖係根據一實施例之包含混合模型之處理工具的示意圖。

第2A圖係示出根據一實施例之用於開發混合模型之製程的流程圖，其中統計模型及物理模型為混合模型引擎的輸入。

第2B圖係示出根據一實施例之用於開發混合模型之製程的流程圖，其中物理模型為統計模型引擎的輸入。

第3圖係示出根據一實施例之由混合模型提供之多維製程空間之二維表示的圖表。

第4圖係示出根據一實施例之用於使用混合模型開發製程配方之製程的流程圖。

第5圖係示出根據一實施例之用於使用混合模型使腔室基線化之製程的流程圖。

第6圖示出根據本揭示案之一實施例之例示性電腦系統的方塊圖。

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

470:製程

471:操作

472:操作

473:操作

474:操作

475:操作

476:操作

Claims

一種用於開發一半導體製造製程配方的方法包含以下步驟：選擇一或多種元件結果；查詢一混合模型，以得到適於獲得該等元件結果的一製程配方推薦，其中該混合模型包含：一統計模型；及一物理模型，其中該物理模型係根據跨複數個不同處理參數對一處理工具內之物理及化學交互作用的一模擬而產生；在一組晶圓上執行一實驗設計(DoE)，以驗證該混合模型推薦的該製程配方，並提供一經驗證的製程配方；將該經驗證的製程配方應用至一晶圓；在複數個第一晶圓上執行該經驗證的製程配方；自該等複數個第一晶圓獲得晶圓資料；自該處理工具獲得與該等複數個第一晶圓上之該經驗證的製程配方的該執行相關的製程資料；及從處理該等複數個第一晶圓提供該晶圓資料和該製程資料至該混合模型，以產生一經更新的混合模型。
如請求項1所述之方法，其中執行該DoE之步驟包含以下步驟：以一計量工具量測DoE晶圓結果；及根據該等DoE晶圓結果，來確定是否達成期望的該等元件結果。
如請求項1所述之方法，其中該製程配方包含一壓力、一溫度、一流動速率及一持溫時間中的一或多者。
如請求項1所述之方法，其中該等元件結果包含一厚度、一厚度均勻性、一輪廓及一氫百分比中的一或多者。
如請求項1所述之方法，其中該統計模型係根據一物理DoE及來自該物理DoE之資料的內插而產生。
如請求項1所述之方法，其中該混合模型為一多維製程空間。
一種使執行一半導體製造製程的一腔室基線化的方法，包含以下步驟：運行具有外部計量之晶圓的一受限實驗設計(DoE)，以使腔室性能基線化；將來自該受限DoE的晶圓結果及計量資料添加至一混合模型作為一校正資料集，其中該混合模型包含：一統計模型；及一物理模型，其中該物理模型係根據跨複數個不同處理參數對一處理工具內之物理及化學交互作用的一模擬而產生；調整該混合模型的預測，以考慮到由該受限DoE識別的特定腔室條件及/或晶圓條件；預測最佳化製程參數，以達成在該腔室中處理之晶圓的一期望晶圓結果並提供最佳化製程參數；將該等最佳化製程參數應用至一晶圓；在複數個第一晶圓上執行一配方；自該等複數個第一晶圓獲得晶圓資料；自該處理工具獲得與該等複數個第一晶圓上之該配方的該執行相關的製程資料；及從處理該等複數個第一晶圓提供該晶圓資料和該製程資料至該混合模型，以產生一經更新的混合模型。
如請求項7所述之方法，其中該等製程參數包含一壓力、一流動速率、一溫度及一持溫時間中的一或多者。
如請求項7所述之方法，其中該期望晶圓結果包含一厚度、一厚度均勻性、一輪廓及一氫百分比中的一或多者。
如請求項7所述之方法，其中該統計模型係根據一模型化DoE及來自該模型化DoE之資料的內插而產生。
如請求項7所述之方法，其中該混合模型為一多維製程空間。
如請求項7所述之方法，其中該受限DoE包含20個或更少的晶圓。
一種用於在一處理工具中處理晶圓的方法，包含以下步驟：提供一處理工具的一混合模型，其中該混合模型包含：一統計模型；及一物理模型，其中該物理模型係根據跨複數個不同處理參數對該處理工具內之物理及化學交互作用的一模擬而產生；在該處理工具中執行一配方，以處理一第一晶圓；在執行該配方之後，自該第一晶圓獲得晶圓資料；自該處理工具獲得與該配方的該執行相關的製程資料；將該晶圓資料及該製程資料提供給該混合模型，以產生一經更新的混合模型；使用該經更新的混合模型來產生一經修改配方，以考慮到該處理工具中的腔室漂移；在該處理工具中將該經修改配方應用至一第二晶圓；在複數個第一晶圓上執行該經修改配方；自該等複數個第一晶圓獲得晶圓資料；自該處理工具獲得與該等複數個第一晶圓上之該經修改配方的該執行相關的製程資料；及從處理該等複數個第一晶圓提供該晶圓資料和該製程資料至該混合模型，以產生一經更新的混合模型。
如請求項13所述之方法，其中該晶圓資料包含計量資料。
如請求項14所述之方法，其中該計量資料包含一厚度、一厚度均勻性、一輪廓及一氫百分比中的一或多者。