[go: up one dir, main page]

TWI897769B - 晶圓及其表面奈米形貌的預測方法、裝置、設備及電腦可讀儲存媒體 - Google Patents

晶圓及其表面奈米形貌的預測方法、裝置、設備及電腦可讀儲存媒體

Info

Publication number
TWI897769B
TWI897769B TW113149277A TW113149277A TWI897769B TW I897769 B TWI897769 B TW I897769B TW 113149277 A TW113149277 A TW 113149277A TW 113149277 A TW113149277 A TW 113149277A TW I897769 B TWI897769 B TW I897769B
Authority
TW
Taiwan
Prior art keywords
wafer
measurement data
surface topography
cnn model
predicted
Prior art date
Application number
TW113149277A
Other languages
English (en)
Other versions
TW202524363A (zh
Inventor
李安杰
蘭洵
張婉婉
Original Assignee
大陸商西安奕斯偉材料科技股份有限公司
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 大陸商西安奕斯偉材料科技股份有限公司 filed Critical 大陸商西安奕斯偉材料科技股份有限公司
Publication of TW202524363A publication Critical patent/TW202524363A/zh
Application granted granted Critical
Publication of TWI897769B publication Critical patent/TWI897769B/zh

Links

Classifications

    • H10P74/203—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/20—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring contours or curvatures, e.g. determining profile
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/28—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring contours or curvatures
    • 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]
    • H10P74/23—
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本發明提供了一種晶圓及其表面奈米形貌的預測方法、裝置、設備及電腦可讀儲存媒體，屬於半導體製造技術領域，該方法可以包括：在晶圓的加工過程中，檢測所述晶圓的表面形貌量測數據；基於訓練後的卷積神經網路CNN模型，根據所述表面形貌量測數據預測後序加工流程後所述晶圓的與設定波長範圍對應的預測表面形貌值。

Description

晶圓及其表面奈米形貌的預測方法、裝置、設備及電腦可讀儲存媒體
相關申請的交叉引用
本發明主張在2024年07月17日在中國提交的中國專利申請No.202410956702.0的優先權，其全部內容藉由引用包含於此。
本發明關於半導體製造技術領域，尤其關於一種晶圓及其表面奈米形貌的預測方法、裝置、設備及電腦可讀儲存媒體。
在晶圓製造過程中，藉由直拉法製備出單晶矽棒後，對單晶矽棒依序進行線切割、研磨、刻蝕、磨削以及化學機械拋光(Chemical Mechanical Polishing，CMP)等加工流程，最終獲得單晶矽晶圓。對於單晶矽晶圓來說，其表面形貌是衡量其品質的關鍵參數。晶圓的表面奈米形貌(nanotopography，NT)是晶圓表面形貌參數中的重要的一種品質參數。
在相關方案中，對於晶圓的NT檢測，通常設置在最後一道表面加工流程，即CMP流程之後，但是對於奈米形貌這種短波相關的品質參數，很大程度上是由化學機械拋光之前的加工製程所決定的，也就是說，在相關方案的實施過程中，當CMP之前的加工流程出現問題時，那麼也只能在CMP流程之後被發現。如此，造成了CMP之前的加工出現問題的晶圓仍然進行了完整的晶圓製造過程，這對生產資源來說是一種浪費。
有鑑於此，本發明期望提供一種晶圓及其表面奈米形貌的預測方法、裝置、設備及電腦可讀儲存媒體，能夠根據在晶圓製造過程中的前端加工流程後的產品，預測晶圓表面的奈米形貌參數，使得能夠根據該預測得到的奈米形貌數據對前端加工流程的產品性能進行監控，避免前端加工流程得到的不良晶圓流入後續的加工流程，避免生產資源的浪費。
本發明的技術方案是這樣實現的：
第一方面，本發明提供了一種晶圓表面奈米形貌的預測方法，所述方法包括：在晶圓的加工過程中，檢測所述晶圓的表面形貌量測數據；基於訓練後的卷積神經網路(Convolutional Neural Networks，CNN)模型，根據所述表面形貌量測數據預測後序加工流程後所述晶圓的與設定波長範圍對應的預測表面形貌值。
第二方面，本發明提供一種晶圓表面奈米形貌的預測裝置，所述裝置包括：檢測部分以及預測部分；其中，所述檢測部分，被配置成在晶圓的加工過程中，檢測所述晶圓的表面形貌量測數據；所述預測部分，被配置成基於訓練後的卷積神經網路CNN模型，根據所述表面形貌量測數據預測後序加工流程後所述晶圓的與設定波長範圍對應的預測表面形貌值。
第三方面，本發明提供了一種計算設備，所述計算設備包括：處理器和儲存器；所述處理器用於執行所述儲存器中儲存的指令，以實現如第一方面所述之晶圓表面奈米形貌的預測方法。
第四方面，本發明提供了一種電腦可讀儲存媒體，所述電腦可 讀儲存媒體儲存有至少一條指令，所述至少一條指令用於被處理器執行以實現如第一方面所述之晶圓表面奈米形貌的預測方法。
第五方面，本發明提供了一種晶圓，所述晶圓的預測奈米形貌值在2mm*2mm的規格小於5nm，和/或在10mm*10mm的規格小於10nm時，所述晶圓的奈米形貌值為在2mm*2mm的規格小於5nm，在10mm*10mm的規格小於10nm。
本發明提供了一種晶圓及其表面奈米形貌的預測方法、裝置、設備及電腦可讀儲存媒體，利用訓練後的CNN模型以及晶圓在完成當前加工流程後的表面形貌量測數據預測該晶圓在完成後續流程後的預測表面形貌值。藉由該預測表面形貌值不僅能夠對每個加工流程進行監控，以保證加工流程所採用的加工設備的穩定性和一致性，還能夠對每個加工流程的產物進行監控，以確保合格產物進入下一加工流程，提高晶圓表面的微觀形貌品質，避免後續加工流程加工出未來合格可能性不高的產品，從而降低了加工成本，而且還能夠用來判斷已完成流程的製程是否存在問題，以輔助製程調整。
50:預測裝置
501:檢測部分
502:預測部分
503:訓練部分
504:回饋部分
70:計算設備
710:處理器
720:儲存器
圖1為本發明提供的一種晶圓表面奈米形貌的預測方法流程圖。
圖2為本發明提供CNN模型架構示意圖。
圖3為本發明提供的回歸任務轉變為分類任務的示意圖。
圖4為本發明提供的損失誤差曲線示意圖。
圖5為本發明提供的一種晶圓表面奈米形貌的預測裝置組成示意圖。
圖6為本發明提供的另一種晶圓表面奈米形貌的預測裝置組成示意圖。
圖7為本發明提供的一種計算設備的結構示意圖。
下面將結合本發明中的圖式，對本發明中的技術方案進行清楚、完整地描述。
在相關方案中，將經過CMP流程的晶圓表面按照設定尺寸劃分分析區域後，根據每個分析區域內各採樣點處經濾波後的量測數據中的峰谷值進行升冪排列，並按照設定的百分位數(例如99.5%)選取該升冪排列中相應位置的值做為晶圓的奈米形貌(NT)值。
從晶圓表面來看，各區域內各採樣點處經濾波後的量測數據會從整體上呈現出各採樣點的量測數據的波動現象。從波的角度來看，這種波動現象可以視為由不同波長的波訊號疊加而造成的，不同的波長可以對應於發生波形現象的區域尺寸，即波訊號的波長越小，其所表徵發生量測數據波動現象的區域尺寸越小；波訊號的波長越大，其所表徵發生量測數據波動現象的區域尺寸越大。在量測數據呈現的波動現象中，波長較長的訊號數據可以包括彎曲度(Bow)，翹曲度(Warp)等參數，這些參數在線切割流程後大致定型，後續的加工流程對其影響較小；對於波長較短的訊號數據，例如奈米形貌值，CMP流程之前的所有前端加工流程都會對其產生影響。
此外，隨著半導體器件的線寬不斷縮小，器件結構不斷向多層堆疊結構發展，對於矽晶圓的表面形貌的粗糙度要求也愈發嚴格，比如對更加微小的區域的粗糙度提出了嚴格的要求。後續極有可能會出現波長更短的訊號數據所對應的表面形貌參數。
以NT值為例，相關方案所得到的晶圓的NT值，是經過CMP流程之後的晶圓的NT值，該數據僅能夠表示整個晶圓加工過程的性能，無法對加 工過程中的每個加工流程的性能進行評估。而且，隨著先進制程對晶圓的表面微觀形貌的要求愈發嚴苛，需要對每個加工流程進行監控，以保證加工流程所採用的加工設備的穩定性和一致性，對每個加工流程的產物進行監控，以確保合格產物進入下一加工流程，從而提高晶圓表面的微觀形貌品質。
基於此，圖1繪示了本發明提供的一種晶圓表面奈米形貌的預測方法，所述方法包括步驟S101至步驟S102。
在步驟S101中，在晶圓的加工過程中，檢測所述晶圓的表面形貌量測數據。
在本發明中，所述晶圓的表面形貌量測數據在完成晶圓加工過程中的任一流程後得到。
在一些示例中，在完成任一加工流程(比如線切割)之後，藉由單點量測方案對完成線切割的晶圓表面的採樣點的表面高度進行量測，以獲得該晶圓的當前表面形貌量測數據。
在上述示例中，單次量測方案也就是一次量測過程僅能夠量測出一個採樣點處量測數據的方案。例如，可以採用接觸式量測方案，比如利用探針與待測晶圓表面接觸並在晶圓表面上進行水平移動。隨著該水平移動，待測晶圓表面高度差異會引起探針產生縱向位移，該縱向位移藉由位移感測器感知並將感知到的縱向位移值轉變為待測晶圓表面的高度數據，即關於歷史晶圓表面高度的歷史量測數據。例如，也可以採用以電容法量測、雷射聚焦量測等非接觸式量測方案。
在一些示例中，也可以僅藉由一次量測過程獲取晶圓在完成當前加工流程後的表面形貌量測數據，比如利用光學手段(如菲索干涉、微分干涉等)進行測量的方案。儘管這些測量方案具有高解析度且能夠獲得採樣均勻的數據，但是這些測量方案對於晶圓表面的要求較高，需要相對光滑的表面以 確保入射光被反射而非散射，並不適宜用在所有加工流程後的晶圓表面，比如線切割後的晶圓表面線痕較多且粗糙度較高，研磨後的晶圓表面也並非呈現出晶面，因此，在具體實施過程中，更適合採用單點量測方案獲取表面形貌量測數據。
在步驟S102中，基於訓練後的卷積神經網路CNN模型，根據所述表面形貌量測數據預測後序加工流程後所述晶圓的與設定波長範圍對應的預測表面形貌值。
在本發明中，後序加工流程是指在晶圓加工過程中，處於步驟S101所述獲得晶圓的表面形貌量測數據的流程之後的加工流程。比如，設定步驟S101獲取到線切割流程之後的晶圓的表面形貌量測數據，步驟S102所述之後序加工流程可以是在晶圓加工過程中處於線切割流程之後的流程，例如研磨流程、刻蝕流程、磨削流程、CMP流程等。
在本發明中，所有採樣點的表面形貌量測數據從整個晶圓表面可以看成一個三維的波動現象。該波動現象可以由不同波長的波訊號疊加而成。基於這樣的理解，設定波長範圍對應的表面形貌值，比如波長範圍是22微米波長至20毫米波長所對應的奈米形貌(NT)值可以看成是對該對應波長範圍的統計學參數，可以基於濾波的方式獲得。在本發明中，以NT值做為一個設定波長範圍對應的表面形貌值的示例進行闡述，可以理解地，其他設定波長範圍對應的表面形貌值同樣適用於本發明的技術方案，在此不再贅述。
值得注意的是，由於濾波計算與卷積計算屬於同等類型的計算，因此，關於NT值的獲取過程與深度學習中的電腦視覺任務高度相似。基於這樣的理解，本發明採用適宜於電腦視覺任務的CNN模型類別來處理NT值的預測任務。
在確定了CNN模型之後，就可以利用歷史晶圓在完成當前加工 流程(如線切割流程)後的表面形貌量測數據以及所述歷史晶圓在完成後續加工流程(例如CMP流程)後的NT值做為數據集對初始化的CNN模型進行訓練，從而得到一個訓練後的CNN模型，該訓練後的CNN模型能夠基於完成當前加工流程後的表面形貌量測數據預測出在完成後序加工流程後的預測NT值。
在本發明中，仍然以設定波長範圍對應的預測表面形貌值是預測NT值為例，在藉由步驟S102獲得晶圓的預測奈米形貌(NT)值之後，就能夠對當前已完成的加工流程進行評估。
在一些示例中，可以根據所述晶圓的預測奈米形貌值的統計量確定執行當前已完成的加工流程的設備的工作狀態，以確保設備的穩定性和一致性，避免機差。例如，監控每台設備每天加工的所有產品的NT預測值，如果NT預測值有離散，出現了離群值過多，均值過大等問題，表明該設備不穩定，需要停機維護。
在一些示例中，可以根據所述晶圓的預測奈米形貌值與設定的評估指標的比較結果確定所述晶圓是否繼續進行後序加工流程，從而能夠篩選合格產物下放，避免後序加工流程加工出未來合格可能性不高的產品，從而降低了加工成本。
在一些示例中，根據所述晶圓的預測奈米形貌值調整所述當前已完成的加工流程的製程參數。比如，根據各加工流程的產物的預測奈米形貌值來判斷已完成流程的製程是否存在問題，以輔助製程調整，更加有的放矢。並且在製程調整中，同樣可以參考此預測奈米形貌值來回饋和調節加工流程的製程參數。
藉由圖1所示的技術方案，利用訓練後的CNN模型以及晶圓在完成當前加工流程後的表面形貌量測數據預測該晶圓在完成後續流程後的預測表面形貌值。藉由該預測表面形貌值不僅能夠對每個加工流程進行監控，以 保證加工流程所採用的加工設備的穩定性和一致性，還能夠對每個加工流程的產物進行監控，以確保合格產物進入下一加工流程，提高晶圓表面的微觀形貌品質，避免後序加工流程加工出未來合格可能性不高的產品，從而降低了加工成本，而且還能夠用來判斷已完成流程的製程是否存在問題，以輔助製程調整。
對於圖1所示的技術方案，在一些示例中，所述檢測所述晶圓的表面形貌量測數據，包括：在所述晶圓完成當前加工流程後，對所述晶圓表面的每個採樣點，藉由單點量測方案獲取每個採樣點處關於所述晶圓表面高度的原始表面形貌量測數據；根據所述原始表面形貌量測數據形成所述表面形貌量測數據。
對於上述示例，需要說明的是，由於CNN模型的層數較多，隨著網路層的加深，通常會存在輸入影像的特徵尺寸減半，數據通道加倍的設計理念。而對於晶圓表面的單次量測方案，通常不會存在較多的採樣點。舉例來說，以一張半徑為150mm的經過線切割的裸晶圓為例，按照邊緣去除量(EE)為4mm去除邊緣之後，採用電容法採樣量測其表面的高度數據，得到該裸晶圓表面的原始量測數據。在採樣量測過程中，按照以晶圓中心為極點的極坐標系均勻採樣，即每45°量測一條直徑方向，並且每個直徑方向上的採樣間隔為4mm，在該極坐標系下，能夠得到8*37個採樣點的原始量測數據。這樣的原始量測數據量輸入至CNN模型之後，會在經過CNN模型的前若干層的前向傳播之後就已經衰減到無法使後續的卷積層發揮效用的程度。
針對上述原始量測數據量較小的問題，本發明基於原始量測數據進行高度插值，利用插值後的高度插值數據擴充原始量測數據的數據量，從而最終得到所述晶圓在完成當前加工流程後的表面形貌量測數據。
基於此，在一些示例中，所述根據所述原始表面形貌量測數據形成所述表面形貌量測數據，包括：將所述晶圓表面的所有採樣點由極坐標系轉化為直角坐標系；基於所有採樣點在直角坐標系下的原始表面形貌量測數據，藉由三次樣條插值的方式進行插值，以得到插值點及所述插值點處的高度插值數據；將所有採樣點處的原始表面形貌量測數據以及所有插值點處的高度插值數據形成所述表面形貌量測數據。
具體來說，在極坐標系下採樣得到的原始表面形貌量測數據，在直角坐標系下的呈現是不均勻，針對該不均勻的情況，本發明基於採樣點的位置進行均勻抽樣，然後利用三次樣條插值的方式進行插值，從而將最終的表面形貌量測數據由前述的8*37的形狀重整為448*448的形狀。
對於圖1所示的方案，在一些可能的實現方式中，還可以包括關於CNN模型的訓練過程，該過程可以包括：根據歷史晶圓在完成當前加工流程後的表面形貌量測數據以及所述歷史晶圓在完成所述後序加工流程後的與設定波長範圍對應的量測表面形貌值對一初始化的卷積神經網路CNN模型進行訓練，獲得一訓練後的CNN模型。
對於上述實現方式，歷史晶圓在完成當前加工流程後的表面形貌量測數據的檢測過程及其實現方式和示例可以參考前述關於表面形貌量測數據的檢測過程，在此不再贅述。
對於圖1所示的技術方案中所闡述的CNN模型，如圖2所示，除了包括與輸入層連接的卷積層、最大池化層、全域平均池化層以及與輸出層相連的全連接層之外，更包括多個殘差塊以及在各殘差塊內的卷積層之間的如 圖2中弧線箭頭所示跳躍連接設計。每個殘差塊內均包括具有相同的卷積核數量、卷積核尺寸以及步長的多個卷積層。在圖2中，設定CNN模型2包括2個殘差塊，分別標識為R1和R2。每個殘差塊均包括4個卷積層，例如R1包括卷積層R1-1、R1-2、R1-3以及R1-4，R2包括卷積層R2-1、R2-2、R2-3以及R2-4。
需要說明的是，電腦視覺任務的目標通常是影像分類，或者目標檢測，實例分割等，因此，電腦視覺任務通常屬於分類任務，而NT值預測任務屬於回歸任務，那麼就需要針對CNN模型進行修改。
在本發明中，將CNN模型中處於最後一層的全連接層的輸出維度進行相應修改，以FC-N進行表示，其中，FC為全連接層的簡稱，N表示輸出維度數量。
在一些示例中，可以將N設置成為所述預測表面形貌值劃分的區間數量，以使得CNN模型輸出所述預測表面形貌值所處的區間；相應地，用於訓練所述CNN模型的損失函數為交叉熵損失。
舉例來說，將CNN模型中做為最後一層的全連接層改為FC-50，即將預測NT值按照50個等寬的區間進行劃分，每個區間對應一個類別標籤，最終得到的是預測NT值屬於具體某一個區間的結論，即將NT值預測這一回歸任務視為分類任務來處理。基於該改動，仍然使用softmax分類器在訓練階段計算交叉熵損失做為損失函數。如圖3所示，坐標系的橫坐標表示預測值(Predicted Value)，該預測值具體形式為坐標系內的方框，該方框表示預測NT值所能夠屬於的50個區間，虛線表示理想回歸曲線。可以看出，將NT值預測這一回歸任務是能夠視為分類任務進行處理的。此外，這樣的改動思路增強了模型的魯棒性，避免了過擬合的風險，也就是避免了後段加工製程的不穩定性帶來的未知變化。
在一些示例中，如圖2所示，將CNN模型中做為最後一層的全連 接層改為FC-1，以線性輸出所述預測表面形貌值；相應地，用於訓練所述CNN模型的損失函數為均方誤差(Mean Squared Error，MSE)。
對於上述示例，可以在實施過程中根據實際需要選擇適當的N的數值，從而實現不同精度的區間劃分或者線性輸出。
在確定了具體的模型以及相應改動之後，在一些示例中，所述根據歷史晶圓在完成當前加工流程後的表面形貌量測數據以及所述歷史晶圓在完成所述後序加工流程後的與設定波長範圍對應的量測表面形貌值對一初始化的CNN模型進行訓練，獲得所述訓練後的CNN模型，包括：將所述歷史晶圓的表面形貌量測數據以及所述歷史晶圓的量測表面形貌值形成數據集；將所述數據集劃分為訓練集和驗證集；將所述訓練集輸入至所述初始化的CNN模型，以更新所述CNN模型的網路參數，得到初步訓練完畢的CNN模型；將所述驗證集輸入至所述初步訓練完畢的CNN模型進行驗證以評估性能。
需要說明的是，仍然以NT值為例，將歷史晶圓在完成當前加工流程後的表面形貌量測數據做為輸入數據，將歷史晶圓在完成後序加工流程後的NT值做為輸出數據進行訓練，直至損失函數最小，在輸入-輸出的數據集中，選取90%做為訓練集，另外10%做為驗證集。結合前述實現方式，當CNN模型中做為最後一層的全連接層為FC-50時，損失函數為交叉熵損失。當CNN模型中處於最後一層的全連接層的輸出維度設置成1時，損失函數為MSE。
基於前述技術方案，本發明以一具體實施例進行闡述，在該實施例中，以經過線切割之後的半徑為150mm裸晶圓為例，每張裸晶圓按照邊緣去除量(EE)為4mm去除邊緣之後，採用電容法採樣量測其表面的高度數 據並進行插值，得到每張裸晶圓的表面形貌量測數據。在採樣量測過程中，按照以晶圓中心為極點的極坐標系均勻採樣，即每45°量測一條直徑方向，並且每個直徑方向上的採樣間隔為4mm，在該極坐標系下，就能夠得到8*37個採樣點的原始表面形貌量測數據，也就是獲得一個1*8*37的特徵圖尺寸，基於該特徵圖尺寸，藉由插值重整為1*448*448的形狀後，構成[-1,1,448,448]的張量，經過前述改動後的CNN模型進行訓練，如圖4所示，在訓練過程中，訓練集的誤差損失(train loss)和驗證集的誤差損失(Val loss)隨訓練的疊代次數(Epoch)的增加趨於收斂。另外，對於訓練後的模型，即回歸任務模型(全連接層的輸出維度設置成1)和分類任務模型(全連接層的輸出維度設置成為所述預測表面形貌值劃分的區間數量)來說，參見表1，以16023片晶圓為例進行預測，在模型的泛化下，回歸任務模型以及分類任務模型都取得了良好預測效果：
如表1所示，以16023片晶圓為例，在分類任務模式下，精準率以及召回率分別為0.72、0.6。在回歸任務模式下，不關於所述指標值，根據預測NT值與實際NT值的R2指標可得到預測NT值與實際NT值相關性為0.71。表明本發明提供的模型能夠對加工後的NT進行高準確率的預測。
基於前述技術方案所提供的晶圓表面奈米形貌的預測方法，所述晶圓的預測奈米形貌值在2mm*2mm的規格小於5nm，和/或在10mm*10mm的規格小於10nm時，所述晶圓的奈米形貌值為在2mm*2mm的規格小於5nm，在10mm*10mm的規格小於10nm。
需要說明的是，獲取預測奈米形貌值的加工流程處於獲取所述晶圓的奈米形貌值之前。例如，預測奈米形貌值可以在線切割流程後獲取得到，晶圓內的奈米形貌值可以在CMP流程之後獲取得到。或者，預測奈米形貌值可以在CMP流程之後獲取得到，晶圓內的奈米形貌值可以在晶圓流入至後端半導體製造製程時獲取得到，本發明對此不做贅述。
基於前述技術方案相同的發明構思，參見圖5，其繪示了本發明提供的一種晶圓表面奈米形貌的預測裝置50，所述預測裝置50包括：檢測部分501和預測部分502；其中，所述檢測部分501，被配置成在晶圓的加工過程中，檢測所述晶圓的表面形貌量測數據；所述預測部分502，被配置成基於訓練後的卷積神經網路CNN模型，根據所述表面形貌量測數據預測後序加工流程後所述晶圓的與設定波長範圍對應的預測表面形貌值。
在一些示例中，所述CNN模型中處於最後一層的全連接層的輸出維度N的取值至少為1。
在一些示例中，當所述全連接層的輸出維度為1時，以藉由線性輸出所述預測表面形貌值；相應地，用於所述CNN模型的損失函數為最小均方誤差MSE；當所述全連接層的輸出維度大於1時，所述全連接層的輸出維度表示所述預測表面形貌值劃分的區間數量；相應地，用於訓練所述CNN模型的損失函數為交叉熵損失。
在一些示例中，所述檢測部分501，被配置成：在所述晶圓完成當前加工流程後，對所述晶圓表面的每個採樣點，藉由單點量測方案獲取每個採樣點處關於所述當前被加工晶圓表面高度 的原始表面形貌量測數據；根據所述原始表面形貌量測數據形成所述表面形貌量測數據。
在一些示例中，所述檢測部分501，被配置成：將所述晶圓表面的所有採樣點由極坐標系轉化為直角坐標系；基於所有採樣點在直角坐標系下的原始表面形貌量測數據，藉由三次樣條插值的方式進行插值，以得到插值點及所述插值點處的高度插值數據；將所有採樣點處的原始表面形貌量測數據以及所有插值點處的高度插值數據形成所述表面形貌量測數據。
在一些示例中，參見圖6，所述晶圓表面奈米形貌的預測裝置50更包括訓練部分503，被配置成：根據歷史晶圓在完成當前加工流程後的表面形貌量測數據以及所述歷史晶圓在完成所述後序加工流程後的與設定波長範圍對應的量測表面形貌值對一初始化的CNN模型進行訓練，獲得所述訓練後的CNN模型。
在一些示例中，所述訓練部分503，被配置成：將所述歷史晶圓的表面形貌量測數據以及所述歷史晶圓的量測表面形貌值形成數據集；將所述數據集劃分為訓練集和驗證集；將所述訓練集輸入至所述初始化的CNN模型，以更新所述CNN模型的網路參數，得到初步訓練完畢的CNN模型；將所述驗證集輸入至所述初步訓練完畢的CNN模型進行驗證以評估性能。
在一些示例中，參見圖6，所述晶圓表面奈米形貌的預測裝置50更包括：回饋部分504，經配置為： 根據所述晶圓的預測表面形貌值的統計量確定執行當前已完成的加工流程的設備的工作狀態；或者，根據所述晶圓的預測表面形貌值與設定的評估指標的比較結果確定所述晶圓是否繼續進行後序加工流程；或者，根據所述晶圓的預測表面形貌值調整所述當前已完成的加工流程的製程參數。
需要說明的是，對於上述裝置中，各“部分”所配置功能的具體實現，可參見前述晶圓表面奈米形貌的預測方法中相對應步驟的實現方式及其示例，在此不再贅述。
請參考圖7，其繪示了本發明一個示例性實施例提供的計算設備的結構方塊圖。在一些示例中，計算設備70可以為智慧手機、智慧手錶、桌上型電腦、手提電腦、虛擬實境終端、增強現實終端、無線終端和膝上型可攜式電腦等設備中的至少一種。計算設備70具有通訊功能，可以接入有線網路或無線網路。計算設備70可以泛指多個終端中的一個，本發明所屬技術領域中具有通常知識者可以知曉，上述終端的數量可以更多或更少。在一些示例中，計算設備70可以基於所接入的有線網路或無線網路接收數據。可以理解地，計算設備70承擔本發明技術方案的計算及處理工作，本發明對此不作限定。
如圖7所示，本發明中的計算設備可以包括一個或多個如下部件：處理器710和儲存器720。
較佳地，處理器710利用各種介面和線路連接整個計算設備內的各個部分，藉由運作或執行儲存在儲存器720內的指令、程式、代碼集或指令集，以及調用儲存在儲存器720內的數據，執行計算設備的各種功能和處理數據。較佳地，處理器710可以採用數位訊號處理(Digital Signal Processing，DSP)、現場可程式設計閘陣列(Field-Programmable GateArray，FPGA)、 可程式設計邏輯陣列(Programmable Logic Array，PLA)中的至少一種硬體形式來實現。處理器710可整合中央處理器(Central Processing Unit，CPU)、影像處理器(Graphics Processing Unit，GPU)、神經網路處理器(Neural-network Processing Unit，NPU)和基帶晶片等中的一種或幾種的組合。其中，CPU主要處理作業系統、使用者介面和應用程式等；GPU用於負責觸摸顯示幕所需要顯示的內容的渲染和繪製；NPU用於實現人工智慧(Artificial Intelligence，AI)功能；基帶晶片用於處理無線通訊。可以理解的是，上述基帶晶片也可以不整合到處理器710中，單獨藉由一塊晶片進行實現。
儲存器720可以包括隨機儲存器(Random Access Memory，RAM)，也可以包括唯讀記憶體(Read-Only Memory，ROM)。較佳地，該儲存器720包括非暫態性電腦可讀介質(non-transitory computer-readable storage medium)。儲存器720可用於儲存指令、程式、代碼、代碼集或指令集。儲存器720可包括儲存程式區和儲存數據區，其中，儲存程式區可儲存用於實現作業系統的指令、用於至少一個功能的指令(比如觸控功能、聲音播放功能、影像播放功能等)、用於實現以上各個方法實施例的指令等；儲存數據區可儲存根據計算設備的使用所創建的數據等。
除此之外，本發明所屬技術領域中具有通常知識者可以理解，上述圖式所繪示的計算設備的結構並不構成對計算設備的限定，計算設備可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件佈置。比如，計算設備中更包括顯示幕、攝影元件、麥克風、揚聲器、射頻電路、輸入單元、感測器(比如加速度感測器、角速度感測器、光線感測器等等)、音訊電路、WiFi模组、電源、藍芽模组等部件，在此不再贅述。
本發明還提供了一種電腦可讀儲存媒體，該電腦可讀儲存媒體儲存有至少一條指令，所述至少一條指令用於被處理器執行以實現如上各個 實施例所述之晶圓表面奈米形貌的預測方法。
本發明還提供了一種電腦程式產品，該電腦程式產品包括電腦指令，該電腦指令儲存在電腦可讀儲存媒體中；計算設備的處理器從電腦可讀儲存媒體讀取該電腦指令，處理器執行該電腦指令，使得該計算設備執行以實現上述各個實施例所述之晶圓表面奈米形貌的預測方法。
本發明還提供了一種晶圓，該晶圓經由上述各個實施例所述之晶圓表面奈米形貌的預測方法得到的預測奈米形貌值在2mm*2mm的規格小於5nm，和/或在10mm*10mm的規格小於10nm時，該晶圓的奈米形貌值為在2mm*2mm的規格小於5nm，在10mm*10mm的規格小於10nm。
本發明所屬技術領域中具有通常知識者應該可以意識到，在上述一個或多個示例中，本發明所描述的功能可以用硬體、軟體、固體或它們的任意組合來實現。當使用軟體實現時，可以將這些功能儲存在電腦可讀媒體中或者做為電腦可讀媒體上的一個或多個指令或代碼進行傳輸。電腦可讀媒體包括電腦儲存媒體和通訊介質，其中通訊介質包括便於從一個地方向另一個地方傳送電腦程式的任何介質。儲存媒體可以是通用或專用電腦能夠存取的任何可用介質。
以上所述，僅為本發明的具體實施態樣，但本發明的保護範圍並不侷限於此，任何熟悉本發明所屬技術領域的具有通常知識者在本發明揭露的技術範圍內，可輕易想到變化或替換，都應涵蓋在本發明的保護範圍之內。因此，本發明的保護範圍應以所述申請專利範圍的保護範圍為準。
圖1為流程圖，故省略符號簡單說明。

Claims (9)

  1. 一種晶圓表面奈米形貌的預測方法，所述方法包括： 在晶圓的加工過程中，檢測所述晶圓的表面形貌量測數據； 基於訓練後的卷積神經網路CNN模型，根據所述表面形貌量測數據預測後序加工流程後所述晶圓的與設定波長範圍對應的預測表面形貌值； 其中，所述CNN模型中處於最後一層的全連接層的輸出維度N的取值至少為1； 其中，當所述全連接層的輸出維度為1時，以藉由線性輸出所述預測表面形貌值；相應地，所述CNN模型的損失函數為最小均方誤差MSE； 當所述全連接層的輸出維度大於1時，所述全連接層的輸出維度表示所述預測表面形貌值劃分的區間數量；相應地，所述CNN模型的損失函數為交叉熵損失。
  2. 如請求項1所述之預測方法，其中，所述檢測所述晶圓的表面形貌量測數據，包括： 在所述晶圓完成當前加工流程後，對所述晶圓表面的每個採樣點，藉由單點量測方案獲取每個採樣點處關於所述晶圓表面高度的原始表面形貌量測數據； 根據所述原始表面形貌量測數據形成所述表面形貌量測數據。
  3. 如請求項2所述之預測方法，其中，所述根據所述原始表面形貌量測數據形成所述表面形貌量測數據，包括： 將所述晶圓表面的所有採樣點由極坐標系轉化為直角坐標系； 基於所有採樣點在直角坐標系下的原始表面形貌量測數據，藉由三次樣條插值的方式進行插值，以得到插值點及所述插值點處的高度插值數據； 將所有採樣點處的原始表面形貌量測數據以及所有插值點處的高度插值數據形成所述表面形貌量測數據。
  4. 如請求項1所述之預測方法，所述方法更包括： 根據歷史晶圓在完成當前加工流程後的表面形貌量測數據以及所述歷史晶圓在完成所述後序加工流程後的與設定波長範圍對應的量測表面形貌值對一初始化的CNN模型進行訓練，獲得所述訓練後的CNN模型。
  5. 如請求項1所述之預測方法，其中，所述根據歷史晶圓在完成當前加工流程後的表面形貌量測數據以及所述歷史晶圓在完成所述後序加工流程後的與設定波長範圍對應的量測表面形貌值對一初始化的CNN模型進行訓練，獲得所述訓練後的CNN模型，包括： 將所述歷史晶圓的表面形貌量測數據以及所述歷史晶圓的量測表面形貌值形成數據集； 將所述數據集劃分為訓練集和驗證集； 將所述訓練集輸入至所述初始化的CNN模型，以更新所述CNN模型的網路參數，得到初步訓練完畢的CNN模型； 將所述驗證集輸入至所述初步訓練完畢的CNN模型進行驗證以評估性能。
  6. 一種晶圓表面奈米形貌的預測裝置，所述裝置包括：檢測部分以及預測部分；其中， 所述檢測部分，被配置成在晶圓的加工過程中，檢測所述晶圓的表面形貌量測數據； 所述預測部分，被配置成基於訓練後的卷積神經網路CNN模型，根據所述表面形貌量測數據預測後序加工流程後所述晶圓的與設定波長範圍對應的預測表面形貌值； 其中，所述CNN模型中處於最後一層的全連接層的輸出維度N的取值至少為1； 其中，當所述全連接層的輸出維度為1時，以藉由線性輸出所述預測表面形貌值；相應地，所述CNN模型的損失函數為最小均方誤差MSE； 當所述全連接層的輸出維度大於1時，所述全連接層的輸出維度表示所述預測表面形貌值劃分的區間數量；相應地，所述CNN模型的損失函數為交叉熵損失。
  7. 一種計算設備，所述計算設備包括：處理器和儲存器；所述處理器用於執行所述儲存器中儲存的指令，以實現如請求項1至5中任一項所述之晶圓表面奈米形貌的預測方法。
  8. 一種電腦可讀儲存媒體，所述電腦可讀儲存媒體儲存有至少一條指令，所述至少一條指令用於被處理器執行以實現如請求項1至5中任一項所述之晶圓表面奈米形貌的預測方法。
  9. 一種晶圓，所述晶圓經由如請求項1至5中任一項所述之晶圓表面奈米形貌的預測方法得到所述晶圓的預測奈米形貌值在2 mm*2 mm的規格小於5 nm，和/或在10 mm*10 mm的規格小於10 nm時，所述晶圓的奈米形貌值為2 mm*2 mm的規格小於5 nm，10mm*10mm的規格小於10 nm。
TW113149277A 2024-07-17 2024-12-18 晶圓及其表面奈米形貌的預測方法、裝置、設備及電腦可讀儲存媒體 TWI897769B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410956702.0A CN118522655A (zh) 2024-07-17 2024-07-17 晶圆及其表面纳米形貌的预测方法、装置、设备及介质
CN2024109567020 2024-07-17

Publications (2)

Publication Number Publication Date
TW202524363A TW202524363A (zh) 2025-06-16
TWI897769B true TWI897769B (zh) 2025-09-11

Family

ID=92274156

Family Applications (1)

Application Number Title Priority Date Filing Date
TW113149277A TWI897769B (zh) 2024-07-17 2024-12-18 晶圓及其表面奈米形貌的預測方法、裝置、設備及電腦可讀儲存媒體

Country Status (3)

Country Link
CN (1) CN118522655A (zh)
TW (1) TWI897769B (zh)
WO (1) WO2026016398A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118522655A (zh) * 2024-07-17 2024-08-20 西安奕斯伟材料科技股份有限公司 晶圆及其表面纳米形貌的预测方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202331554A (zh) * 2022-01-25 2023-08-01 美商應用材料股份有限公司 使用基板測量的腔室部件條件的估計
TW202338894A (zh) * 2021-12-20 2023-10-01 德商卡爾蔡司Ｓｍｔ有限公司 用於增加產率的半導體特徵的測量方法與裝置
TW202343240A (zh) * 2022-01-16 2023-11-01 美國德州系統大學評議委員會 使用時間序列感測器資料之基於隱藏式馬可夫模型的分割誤差校正在製作過程中的異常檢測

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4606231B2 (ja) * 2005-04-08 2011-01-05 信越半導体株式会社 半導体ウエーハの評価方法及び評価装置並びに半導体ウエーハの製造方法
JP4429995B2 (ja) * 2005-09-29 2010-03-10 信越半導体株式会社 半導体ウェーハの製造方法
JP6447472B2 (ja) * 2015-11-26 2019-01-09 株式会社Sumco ウェーハ研磨方法
CN114391177B (zh) * 2021-12-16 2025-05-16 长江存储科技有限责任公司 晶圆平坦度的预测
US12386340B2 (en) * 2022-02-25 2025-08-12 Globalwafers Co., Ltd. Systems and methods for generating post-polishing topography for enhanced wafer manufacturing
EP4276890A1 (en) * 2022-05-11 2023-11-15 Siltronic AG System and method for processing silicon wafers
KR20240070310A (ko) * 2022-11-14 2024-05-21 전남대학교산학협력단 멤브레인 이미지의 특성 추출을 이용한 표면평균 거칠기 분석 장치 및 방법
CN118522655A (zh) * 2024-07-17 2024-08-20 西安奕斯伟材料科技股份有限公司 晶圆及其表面纳米形貌的预测方法、装置、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202338894A (zh) * 2021-12-20 2023-10-01 德商卡爾蔡司Ｓｍｔ有限公司 用於增加產率的半導體特徵的測量方法與裝置
TW202343240A (zh) * 2022-01-16 2023-11-01 美國德州系統大學評議委員會 使用時間序列感測器資料之基於隱藏式馬可夫模型的分割誤差校正在製作過程中的異常檢測
TW202331554A (zh) * 2022-01-25 2023-08-01 美商應用材料股份有限公司 使用基板測量的腔室部件條件的估計

Also Published As

Publication number Publication date
CN118522655A (zh) 2024-08-20
TW202524363A (zh) 2025-06-16
WO2026016398A1 (zh) 2026-01-22

Similar Documents

Publication Publication Date Title
CN118431103B (zh) 晶圆及其表面纳米形貌的预测方法、装置、设备及介质
TWI897769B (zh) 晶圓及其表面奈米形貌的預測方法、裝置、設備及電腦可讀儲存媒體
JP6353891B2 (ja) Ｃｇｓ干渉分光法を用いた処理制御のためにプロセス誘導ウエハ形状を特徴化するシステムおよび方法
US20190304851A1 (en) Sample inspection using topography
JP3838341B2 (ja) ウェーハの形状評価方法及びウェーハ並びにウェーハの選別方法
CN110618585B (zh) 监控光刻机晶圆移载台平整度的方法
CN109968186A (zh) 基于光谱的化学机械抛光在线终点检测方法
CN104778181B (zh) 一种进行测量光谱与库光谱匹配的方法及其设备
TW201921139A (zh) 在透明或半透明晶圓上之缺陷偵測
CN113340211B (zh) 一种基于深度学习的干涉图像相位解调方法
TWI510761B (zh) 表面多點對焦系統及方法
CN118115038A (zh) Led芯片缺陷检测方法、装置、设备及存储介质
Liu et al. System integration for on-machine measurement using a capacitive LVDT-like contact sensor
US10460436B2 (en) Inspection method, inspection system, and method of fabricating semiconductor package using the same
CN109884020B (zh) 利用共聚焦激光扫描显微系统对微纳米级介质波导或台阶型结构侧壁角的无损测量方法
TWI902572B (zh) 晶圓及其粗糙度的改善方法、裝置、設備及介質
CN118866731A (zh) 一种晶圆及其粗糙度的量测方法、装置、设备及介质
CN108010869A (zh) 一种精确控制浅沟槽隔离的整体形貌和性能的方法
CN115656190A (zh) 缺陷扫描检测方法、装置、扫描设备和可读存储介质
CN115752220A (zh) 一种硅片边缘形貌数据化方法
JP5204172B2 (ja) 欠陥検査方法及び欠陥検査装置
CN114279362A (zh) 防热结构动态外形测量装置及方法
CN118876250B (zh) 晶圆及其粗糙度的改善方法、装置、设备及介质
CN120370841B (zh) 基于人工智能的波纹度测量精度矫正方法及系统
TWI907217B (zh) 晶圓及其粗糙度的改善方法、裝置、設備及介質