[go: up one dir, main page]

TWI818241B - 薄膜沈積系統及方法 - Google Patents

薄膜沈積系統及方法 Download PDF

Info

Publication number
TWI818241B
TWI818241B TW110108401A TW110108401A TWI818241B TW I818241 B TWI818241 B TW I818241B TW 110108401 A TW110108401 A TW 110108401A TW 110108401 A TW110108401 A TW 110108401A TW I818241 B TWI818241 B TW I818241B
Authority
TW
Taiwan
Prior art keywords
data
thin film
deposition
film
process condition
Prior art date
Application number
TW110108401A
Other languages
English (en)
Other versions
TW202230183A (zh
Inventor
程仲良
Original Assignee
台灣積體電路製造股份有限公司
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 台灣積體電路製造股份有限公司 filed Critical 台灣積體電路製造股份有限公司
Publication of TW202230183A publication Critical patent/TW202230183A/zh
Application granted granted Critical
Publication of TWI818241B publication Critical patent/TWI818241B/zh

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/52—Controlling or regulating the coating process
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
    • C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
    • C23C14/54—Controlling or regulating the coating process
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
    • C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
    • C23C14/54—Controlling or regulating the coating process
    • C23C14/542—Controlling the film thickness or evaporation rate
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/455—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for introducing gases into reaction chamber or for modifying gas flows in reaction chamber
    • C23C16/45523—Pulsed gas flow or change of composition over time
    • C23C16/45525—Atomic layer deposition [ALD]
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/455—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for introducing gases into reaction chamber or for modifying gas flows in reaction chamber
    • C23C16/45523—Pulsed gas flow or change of composition over time
    • C23C16/45525—Atomic layer deposition [ALD]
    • C23C16/45527—Atomic layer deposition [ALD] characterized by the ALD cycle, e.g. different flows or temperatures during half-reactions, unusual pulsing sequence, use of precursor mixtures or auxiliary reactants or activations
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/455—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for introducing gases into reaction chamber or for modifying gas flows in reaction chamber
    • C23C16/45523—Pulsed gas flow or change of composition over time
    • C23C16/45525—Atomic layer deposition [ALD]
    • C23C16/45544—Atomic layer deposition [ALD] characterized by the apparatus
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
    • C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
    • C23C16/458—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating characterised by the method used for supporting substrates in the reaction chamber
    • C23C16/4582—Rigid and flat substrates, e.g. plates or discs
    • C23C16/4583—Rigid and flat substrates, e.g. plates or discs the substrate being supported substantially horizontally
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • 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
    • H10P14/6339—
    • H10P14/69392—
    • H10P72/0604—

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Mechanical Engineering (AREA)
  • Materials Engineering (AREA)
  • General Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Chemical Vapour Deposition (AREA)
  • Physical Vapour Deposition (AREA)
  • Inorganic Insulating Materials (AREA)
  • Physical Deposition Of Substances That Are Components Of Semiconductor Devices (AREA)

Abstract

一種薄膜沈積系統在半導體晶圓上沈積薄膜。所述薄膜沈 積系統包括基於機器學習的分析模型。所述分析模型藉由接收靜態製程條件資料及目標薄膜資料而動態地選擇下一沈積製程的製程條件。所述分析模型辨識動態製程條件資料，所述動態製程條件資料與靜態製程條件資料一同得到與目標薄膜資料匹配的預測薄膜資料。接著沈積系統使用靜態製程條件資料及動態製程條件資料進行下一薄膜沈積製程。

Description

薄膜沈積系統及方法
本揭露是有關於薄膜沈積領域。
對於電子裝置，包括智慧型手機、平板電腦、桌上型電腦、膝上型電腦在內的電子裝置及許多其他種類的計算能力的需求持續增長。積體電路可提供這些電子裝置計算能力。增加半導體基底的給定面積所能包括的電晶體及其他積體電路特徵的數目是一種提高積體電路的計算能力的方式。
為繼續減小積體電路中的特徵的大小，實施各種薄膜沈積技術(thin-film deposition technique)。該些技術可形成非常薄的膜。然而，薄膜沈積技術在確保薄膜正確形成方面亦面臨重大困難。
根據本發明實施例，一種薄膜沈積方法包括：將靜態製程條件資料提供至分析模型；以所述分析模型選擇第一動態製程條件資料；以所述分析模型基於所述靜態製程條件資料及所述第一動態製程條件資料產生第一預測薄膜資料；將所述第一預測薄 膜資料與目標薄膜資料進行比較；若所述第一預測薄膜資料與所述目標薄膜資料匹配，則以基於所述靜態製程條件資料及所述第一動態製程條件資料的沈積製程條件實行薄膜沈積製程；以及若所述第一預測薄膜資料不與所述目標薄膜資料匹配，則調整所述第一動態製程條件資料。
根據本發明實施例，一種薄膜沈積方法包括：藉由機器學習過程訓練分析模型來預測薄膜的特性；在訓練所述分析模型之後，將目標薄膜資料提供至所述分析模型；以所述分析模型辨識會得到與所述目標薄膜資料相符的預測薄膜資料的製程條件資料；以及以根據所述製程條件資料的沈積製程條件對半導體晶圓實行薄膜沈積製程。
根據本發明實施例一種薄膜沈積系統，包括：薄膜沈積腔室；支撐件，被配置成在所述薄膜沈積腔室內支撐基底；流體源，被配置成在薄膜沈積製程期間向所述薄膜沈積腔室中提供流體；以及控制系統，被配置成基於機器學習過程來辨識所述薄膜沈積製程的製程條件資料，並根據所述製程條件資料在所述薄膜沈積製程期間控制所述流體源。
100:薄膜沈積系統/原子層沈積(ALD)系統
102:薄膜沈積腔室/沈積腔室/製程腔室
103:內部空間
104:基底/半導體晶圓
106:支撐件
108:第一流體源/流體源
110:第二流體源/流體源
112:吹掃源/第一吹掃源
114:吹掃源/第二吹掃源
116:歧管混合器
118:流體分配器
120:排氣通道
122:副產物感測器
124:控制系統
125:通訊通道
130:第一流體通道/第一流體線
132:第二流體通道/流體線/第二流體線
134:第三流體線
136:第一吹掃線
138:第二吹掃線
140:分析模型/模型
141:訓練模組
142:訓練集資料
144:歷史薄膜資料
146:歷史製程條件資料/歷史薄膜條件資料
148:處理資源/實體處理資源/虛擬處理資源
150:記憶體資源
152:通訊資源
300、400:過程
302、304、306、308、312、314、402、404、406、408、410、412、414、416、418、502、504、506、508、510、512、602、604、606、608:步驟
310:過程步驟/步驟
350:方塊圖
352:製程條件向量
354:資料欄位
356a:神經層/第一神經層/輸入神經層
356b:神經層/第二神經層
356c:神經層/第三神經層
356d:神經層
356e:神經層/最終神經層
358:節點/神經元
368:資料值/預測薄膜厚度/預測厚度
370:資料值/資料欄位/實際厚度
372:誤差值
500、600:薄膜沈積方法/方法
F(x):內部數學函數/數學函數/內部函數/函數
圖1是根據一個實施例的薄膜沈積系統的例示。
圖2是根據一個實施例的薄膜沈積系統的控制系統的方塊圖。
圖3A是根據一個實施例的用於訓練控制系統的分析模型的過程的流程圖。
圖3B是示出根據一個實施例的分析模式的運算態樣及訓練態樣的方塊圖。
圖4是根據一個實施例的結合分析模型實行薄膜沈積製程的過程的流程圖。
圖5是根據一個實施例的形成薄膜的方法的流程圖。
圖6是根據一個實施例的形成薄膜的方法的流程圖。
在以下說明中，針對積體電路晶粒內的各個層及結構闡述許多厚度及材料。藉由實例的方式給出各種實施例的具體尺寸及材料。根據本揭露，熟習此項技術者應認識到，可在不背離本揭露的範圍的條件下在許多情形中使用其他尺寸及材料。
以下揭露提供用於實施所闡述標的的不同特徵的許多不同實施例或實例。以下闡述組件及排列的具體實例以簡化本說明。當然，該些僅為實例且不旨在進行限制。舉例而言，以下說明中將第一特徵形成於第二特徵「之上」或第二特徵「上」可包括其中第一特徵與第二特徵被形成為直接接觸的實施例，且亦可包括其中第一特徵與第二特徵之間可形成有附加特徵進而使得所述第一特徵與所述第二特徵可不直接接觸的實施例。另外，本揭露可能在各種實例中重複使用參考編號及/或字母。此種重複使用是出於簡潔及清晰的目的，而不是自身表示所論述的各種實施例及/或配置之間的關係。
此外，為易於說明，本文中可能使用例如「位於...之下 (beneath)」、「位於...下方(below)」、「下部的(lower)」、「位於...上方(above)」、「上部的(upper)」等空間相對性用語來闡述圖中所示的一個元件或特徵與另一(其他)元件或特徵的關係。所述空間相對性用語旨在除圖中所繪示的定向外亦囊括裝置在使用或操作中的不同定向。裝備可具有其他定向(旋轉90度或處於其他定向)，且本文中所使用的空間相對性描述語可同樣相應地進行解釋。
在以下說明中，陳述某些具體細節以提供對本揭露各種實施例的透徹理解。然而，熟習此項技術者應理解，可在沒有該些具體細節的情況下實踐本揭露。在其他情況中，未詳細闡述與電子組件及製作技術相關聯的眾所周知的結構，以避免不必要地使本揭露實施例的說明模糊不清。
除非上下文另有要求，否則在說明書及以下申請專利範圍通篇中，字組「包括(comprise)」及其變化形式(例如「comprises」及「comprising」)應被視為具有開放、包含性意義，即「包括但不限於」。
所使用的例如第一、第二及第三等序數詞未必暗示經過排名的次序意義，而是可僅在動作或結構的多個例子之間進行區分。
在本說明書通篇中所提及的「一個實施例」或「實施例」意指結合所述實施例闡述的特定特徵、結構或特性包含於至少一個實施例中。因此，在本說明書通篇各個地方出現的片語「在一個實施例中」或「在實施例中」未必全部指代同一實施例。此外，在 一或多個實施例中，可以任何合適的方式對所述特定特徵、結構或特性進行組合。
除非內容另有清除指示，否則在本說明書及所附申請專利範圍中所使用的單數形式「一(a、an)」及「所述(the)」包括複數所指物。亦應注意，除非內容另有清除指示，否則用語「或(or)」一般而言是以其包括「及/或」在內的意義採用。
本揭露的實施例提供可靠厚度及組成物的薄膜。本揭露的實施例利用機器學習技術在沈積製程之間或者甚至在沈積製程期間調整薄膜沈積製程參數。本揭露的實施例利用機器學習技術來訓練分析模型確定針對下一薄膜沈積製程或者甚至針對當前薄膜沈積製程的下一階段應實施的製程參數。結果是薄膜沈積製程生成具有可靠地落於目標規格內的厚度及組成物的薄膜。包括薄膜的積體電路將不具有效能問題，若薄膜未被正確形成，則會導致效能問題。此外，成批的半導體晶圓將具有改善的良率及更少的報廢晶圓。
圖1是根據一個實施例的薄膜沈積系統100的方塊圖。薄膜沈積系統100包括薄膜沈積腔室102，薄膜沈積腔室102包括內部空間(interior volume)103。支撐件106位於內部空間103內且被配置成在薄膜沈積製程期間支撐基底104。薄膜沈積系統100被配置成在基底104上沈積薄膜。薄膜沈積系統100包括動態地調整薄膜沈積參數的控制系統124。在對薄膜沈積系統100的操作進行說明之後提供控制系統124的細節。
在一個實施例中，薄膜沈積系統100包括第一流體源108及第二流體源110。第一流體源108將第一流體供應至內部空間103中。第二流體源110將第二流體供應至內部空間103中。第一流體及第二流體二者皆有助於在基底104上沈積薄膜。儘管圖1示出流體源108及110，然而在實踐中，流體源108及110可包含或供應除流體之外的材料。舉例而言，流體源108及110可包括為沈積製程提供所有材料的材料源。
在一個實施例中，薄膜沈積系統100是實行原子層沈積(atomic layer deposition，ALD)製程的ALD系統。ALD製程在基底104上形成晶種層。選擇晶種層來與第一前驅氣體(例如由第一流體源108供應的第一流體)進行化學交互作用。第一流體被供應至內部空間103中。第一流體與晶種層發生反應，以與晶種層的表面的每一原子或分子形成新的化合物。此對應於第一層的沈積或者薄膜的第一層的沈積中的第一步驟。主要參照ALD系統來闡述圖1及本文中的圖。然而，在不背離本揭露的範圍的條件下，可利用其他類型的薄膜沈積系統。該些及其他類型的薄膜沈積系統可包括化學氣相沈積系統、物理氣相沈積系統或其他類型的沈積系統。
晶種層與第一流體之間的反應會得到副產物。在使第一流體流動所選擇的時間量之後，將吹掃氣體(purge gas)供應至內部空間中，以自內部空間103經由排氣通道120對第一流體的副產物以及第一流體的未發生反應的部分進行吹掃。
在將第一流體吹掃之後，將第二前驅氣體(例如第二流體)自第二流體源110供應至內部空間中。第二流體與第一層發生反應，以在第一層的頂部上形成第二層。作為另外一種選擇，第二流體的流動可藉由與第一層的第一部分發生反應來完成第一層的形成。此種反應亦可能會得到副產物。再次將吹掃氣體供應至內部空間103中，以自內部空間103對第二流體的副產物以及第二流體的未發生反應的部分進行吹掃。重複進行供應第一流體、吹掃、供應第二流體及再次吹掃的此種順序，直至薄膜具有所選擇的厚度為止。
由薄膜沈積系統100產生的薄膜的參數可能會受眾多製程條件影響。製程條件可包括但不限於剩餘在流體源108、110中的流體或材料的量、來自流體源108、110的流體或材料的流動速率、由流體源108及110提供的流體的壓力、將流體或材料載送至沈積腔室102中的管或導管的長度、界定沈積腔室102或包括於沈積腔室102中的安瓿(ampoule)的已使用年限、沈積腔室102內的溫度、沈積腔室102內的濕度、沈積腔室102內的壓力、沈積腔室102內的光吸收率及反射率、半導體晶圓104的表面特徵、由流體源108及110提供的材料的組成物、由流體源108及110提供的材料的相、沈積製程的持續時間、沈積製程的各別階段的持續時間以及包括以上未具體列出的因素在內的各種其他因素。
沈積製程期間的各種製程條件的組合確定由沈積製程形成的薄膜的厚度、組成物或晶體結構或者其他參數。製程條件有 可能可得到不具有落於目標參數內的參數的薄膜。若發生此種情況，則自半導體晶圓104形成的積體電路可能不會正常工作。成批半導體晶圓的品質可能會遭受影響。在一些情形中，可能需要報廢一些半導體晶圓。
薄膜沈積系統100利用控制系統124來動態地調整製程條件，以確保沈積製程得到具有落於目標參數或特性內的參數或特性的薄膜。控制系統124連接至與薄膜沈積系統100相關聯的處理設備。處理設備可包括圖1中所示的組件及圖1中未示出的組件。控制系統124可控制來自流體源108及110的材料的流動速率、由流體源108及110供應的材料的溫度、由流體源108及110提供的流體的壓力、來自吹掃源112及114的材料的流動速率、來自流體源108及110以及吹掃源112及114的材料的流動持續時間、沈積腔室102內的溫度、沈積腔室102內的壓力、沈積腔室102內的濕度以及薄膜沈積製程的其他態樣。控制系統124控制該些製程參數，使得薄膜沈積製程得到具有目標參數(例如目標厚度、目標組成物、目標晶體定向等)的薄膜。
控制系統124利用機器學習過程來動態地調整製程參數，以確保薄膜的品質。如將針對圖2更詳細地闡述，控制系統124利用與眾多歷史薄膜沈積製程相關的大量資料。所述資料包括歷史製程參數及所得薄膜的參數。機器學習過程基於一組製程參數訓練分析模型來預測薄膜特性。在已訓練分析模型之後，控制系統124能夠動態地選擇用於將來薄膜沈積製程的製程參數。
在一些情形中，薄膜沈積製程可對薄膜沈積製程期間各種階段處的第一流體及第二流體的濃度或流動速率非常敏感。若第一流體或第二流體的濃度或流動速率在特定階段不夠高，則薄膜可能不會正確形成於基底104上。舉例而言，若第一流體或第二流體的濃度或流動速率不夠高，則薄膜可能不具有期望的組成物或厚度。
剩餘在第一流體源108及第二流體源110中的流體量可能會影響沈積腔室102中的第一流體及第二流體的流動速率或濃度。舉例而言，若第一流體源108具有少量剩餘的第一流體，則來自第一流體源108的第一流體的流動速率可能為低的。若第一流體源108是空的且不再包括任何第一流體，則將不會存在第一流體自第一流體源108的流動。相同的考量適用於第二流體源110。低的流動速率或不存在流動速率可能會得到未正確形成的薄膜。
在一個實施例中，薄膜沈積系統100包括通訊地耦合至沈積腔室102的內部空間103的排氣通道120。來自薄膜沈積製程的排氣產物經由排氣通道120自內部空間103流動出去。排氣產物可包括第一流體及第二流體的未發生反應的部分、第一流體及第二流體的副產物、用於吹掃內部空間103的吹掃流體或者其他流體或材料。
薄膜沈積系統100可包括耦合至排氣通道120的副產物感測器。副產物感測器122被配置成感測來自經由排氣通道120流動的排氣流體中的第一流體及第二流體中的一者或兩者的副產 物的存在及/或濃度。第一流體與第二流體交互於一起，以在基底104上形成薄膜。沈積製程亦得到來自第一流體及第二流體的副產物。該些副產物的濃度指示沈積期間第一流體及第二流體中的一者或兩者的濃度或流動速率。副產物感測器122感測自內部空間103經由排氣通道120流動的排氣流體中的副產物的濃度。
在一個實施例中，薄膜沈積系統100包括控制系統124。控制系統124耦合至副產物感測器122。控制系統124自副產物感測器122接收感測器訊號。來自副產物感測器122的感測器訊號指示排氣流體中的第一流體及第二流體中的一者或兩者的副產物的濃度。控制系統124可分析感測器訊號且確定第一流體源108及第二流體源110中的一者或兩者在沈積製程的特定階段期間的流動速率或濃度。控制系統124亦可確定第一流體源108中的第一流體的剩餘準位及/或第二流體源110中的第二流體的剩餘準位。
控制系統124可包括一或多個電腦可讀取記憶體。所述一或多個記憶體可儲存軟體指令，以分析來自副產物感測器122的感測器訊號並基於所述感測器訊號控制薄膜沈積系統100的各種態樣。控制系統124可包括被配置成執行軟體指令的一或多個處理器。控制系統124可包括能夠與副產物感測器122及薄膜沈積系統100的其他組件進行通訊的通訊資源。
在一個實施例中，控制系統124經由一或多個通訊通道125通訊地耦合至第一流體源108及第二流體源110。控制系統124可經由通訊通道125向第一流體源108及第二流體源110發 送訊號。控制系統124可部分地因應於來自副產物感測器122的感測器訊號來控制第一流體源108及第二流體源110的功能。
在一個實施例中，副產物感測器122感測排氣流體中的副產物的濃度。副產物感測器122向控制系統124發送感測器訊號。控制系統124分析感測器訊號並基於來自副產物感測器122的感測器訊號確定出來自第一流體源108的第一流體的最近流動速率低於預期。控制系統124向第一流體源108發送命令第一流體源108在後續沈積循環期間增大第一流體的流動速率的控制訊號。第一流體源108因應於來自控制系統124的控制訊號而增大進入沈積腔室102的內部空間103的第一流體的流動速率。副產物感測器122可再次產生指示在後續沈積循環期間第一流體的副產物的濃度的感測器訊號。控制系統124可基於來自副產物感測器122的感測器訊號判斷是否需要調整第一流體的流動速率。以此種方式，副產物感測器122、控制系統124及第一流體源108構成用於調整第一流體的流動速率的回饋迴路。控制系統124亦可以與第一流體源108相同的方式控制第二流體源110。此外，控制系統124可控制第一流體源108及第二流體源110二者。
在一個實施例中，薄膜沈積系統100可包括一或多個閥、幫浦或其他流動控制機制，以控制來自第一流體源108的第一流體的流動速率。該些流動控制機制可為流體源108的一部分或者可與流體源108分離。控制系統124可通訊地耦合至該些流動控制機制或通訊地耦合至對該些流動控制機制進行控制的系統。控 制系統124可藉由控制該些機制來控制第一流體的流動速率。控制系統100可包括閥、幫浦或其他流動控制機制，所述閥、幫浦或其他流動控制機制以與以上參照第一流體及第一流體源108闡述的方式相同的方式控制來自第二流體源110的第二流體的流動。
在一個實施例中，控制系統124可基於來自副產物感測器122的感測器訊號來確定剩餘在第一流體源108中的第一流體的量。控制系統124可分析感測器訊號以確定第一流體源108是空的或接近空的。控制系統124可將指示第一流體源108是空的或接近空的且第一流體源108應被再填充或替換的指示提供至技術人員或其他人員。該些指示可顯示於顯示器上，可經由電子郵件、即時訊息或其他通訊平台傳輸，使得技術人員或者其他專家或系統能夠理解第一流體源108及第二流體源110中的一者或兩者是空的或接近空的。
在一個實施例中，薄膜沈積系統100包括歧管混合器(manifold mixer)116及流體分配器118。歧管混合器116自第一流體源108及第二流體源110一同或單獨地接收第一流體與第二流體。歧管混合器116將第一流體、第二流體或第一流體與第二流體的混合物提供至流體分配器118。流體分配器118自歧管混合器116接收一或多種流體且將所述一或多種流體分配至薄膜沈積腔室102的內部空間103中。
在一個實施例中，第一流體源108藉由第一流體通道130耦合至歧管混合器116。第一流體通道130將第一流體自流體 源108載送至歧管混合器116。第一流體通道130可為用於將第一流體自第一流體源108傳遞至歧管混合器116的管、管道或其他合適的通道。第二流體源110藉由第二流體通道132耦合至歧管混合器116。第二流體通道132將第二流體自第二流體源110載送至歧管混合器116。
在一個實施例中，歧管混合器116藉由第三流體線134耦合至流體分配器118。第三流體線134將流體自歧管混合器116載送至流體分配器118。第三流體線134可載送第一流體、第二流體、第一流體與第二流體的混合物或其他流體，如以下將更詳細地闡述。
第一流體源108及第二流體源110可包括流體槽(fluid tank)。流體槽可儲存第一流體及第二流體。流體槽可選擇性地輸出第一流體及第二流體。
在一個實施例中，薄膜沈積系統100包括第一吹掃源112及第二吹掃源114。第一吹掃源藉由第一吹掃線136耦合至第一流體線130。第二吹掃源藉由第二吹掃線138耦合至流體線132。在實踐中，第一吹掃源及第二吹掃源可為單個吹掃源。
在一個實施例中，第一吹掃源112及第二吹掃源114將吹掃氣體供應至沈積腔室102的內部空間103中。吹掃流體是被選擇成自沈積腔室102的內部空間103對第一流體、第二流體、第一流體或第二流體的副產物或其他流體進行吹掃或載送的流體。吹掃流體被選擇成不與基底104、沈積於基底104上的薄膜層、第 一流體及第二流體以及此第一流體或第二流體的副產物進行交互。因此，吹掃流體可為包括但不限於Ar或N2的惰性氣體。
在使第一流體或第二流體中的一者或兩者流動至內部空間103的循環之後，薄膜沈積系統100藉由使吹掃流體流動至內部空間103中且經由排氣通道120流動來對內部空間103進行吹掃。控制系統124可通訊地耦合至第一吹掃源112及第二吹掃源114或者通訊地耦合至對來自第一吹掃源112及第二吹掃源114的吹掃流體的流動進行控制的流動機制。控制系統124可在沈積循環之後或沈積循環之間對內部空間103進行吹掃，如以下將更詳細地闡釋。
在一個實施例中，第一吹掃線136及第二吹掃線138以所選擇的角度接合第一流體線130與第二流體線132。所述角度被選擇成確保吹掃流體朝向歧管混合器116流動且不朝向第一流體源108或第二流體源110流動。同樣，所述角度有助於確保第一流體及第二流體將自第一流體源108及第二流體源110朝向歧管混合器116流動且不朝向第一吹掃源112及第二吹掃源114流動。
儘管圖1示出第一流體源108及第二流體源110，然而在實踐中，薄膜沈積系統100可包括其他數目的流體源。舉例而言，薄膜沈積系統100可僅包括單個流體源或多於兩個流體源。因此，在不背離本揭露的範圍的條件下，薄膜沈積系統100可包括與兩個流體源不同的數目。
此外，在一個實施例中，薄膜沈積系統100已被闡述為 ALD系統，在不背離本揭露的範圍的條件下，薄膜沈積系統100可包括其他類型的沈積系統。舉例而言，在不背離本揭露的範圍的條件下，薄膜沈積系統100可包括化學氣相沈積系統、物理氣相沈積系統、濺鍍系統或其他類型的薄膜沈積系統。可利用副產物感測器122確定沈積流體的流動速率或濃度以及剩餘在沈積流體源中的沈積流體的量。
在一個實施例中，第一流體源108包含氣體形式或液體形式的H2O。第二流體源110包含HfCl4流體。HfCl4流體可為氣體。可使用第一流體及第二流體形成用於互補金屬氧化物半導體(CMOS)電晶體的鉿系高介電常數閘極介電層。
在第一時間段期間，將第一流體(H2O)自第一流體源108輸出至內部空間103中。在一個實例中，第一流體流動約10秒，但在不背離本揭露的範圍的條件下，可使用其他時間長度。
在第一時間段之後，在第二時間段期間將吹掃氣體自吹掃源112輸出至內部空間103中。吹掃氣體可包含氮分子(N2)或另一非反應性氣體。在一個實例中，吹掃氣體流動2秒至10秒，但在不背離本揭露的範圍的條件下，可使用其他時間長度。吹掃氣體可自吹掃源112流動或者自吹掃源112及吹掃源114二者流動。
在第二時間段之後的第三時間段期間，將HfCl4自第二流體源110輸出至內部空間103中。在一個實例中，HfCl4流動約1秒至10秒，但在不背離本揭露的範圍的條件下，可使用其他時間長度。
在第三時間段之後的第四時間段期間，將吹掃氣體自吹掃源112輸出至內部空間103中。在一個實例中，吹掃氣體流動1秒至10秒，但在不背離本揭露的範圍的條件下，可使用其他時間長度。吹掃氣體可自吹掃源114流動或者自吹掃源112及吹掃源114二者流動。
在一個實施例中，晶種層包含官能化氧原子。當第一流體(H2O)被提供至內部空間103中時，H2O分子與晶種層的官能化氧原子發生反應，以自每一官能化氧原子形成OH。藉由吹掃氣體的流動而經由排氣通道120自內部空間103對此反應的副產物以及任何剩餘的H2O分子進行吹掃。接著將HfCl4提供至內部空間103中。HfCl4與OH化合物發生反應以在基底104上形成Hf-O-HfCl3。此反應的副產物中的一者是HCl。吹掃氣體再次流動，接著是H2O。H2O與Hf-O-HfCl3發生反應，以在基底104上形成Hf-OH3。此反應的副產物是HCl。接著吹掃氣體再次流動。如上所述，可重複進行多次所述循環。
控制系統124可利用機器學習過程來動態地調整循環之間及沈積之間的ALD製程的參數。動態地調整參數可包括調整各種流體流動及吹掃循環的持續時間。動態地調整參數可包括調整來自流體源108及110的流體的流動速率以及來自吹掃源112及114的流體的流動速率。
圖2是根據一個實施例的控制系統124的方塊圖。根據一個實施例，圖2所示控制系統124被配置成控制ALD系統100 的操作。控制系統124利用機器學習來調整ALD系統100的參數。控制系統124可在ALD運行之間或者甚至在ALD循環之間調整ALD系統100的參數，以確保藉由ALD製程形成的薄膜層落於所選擇的規格內。
在一個實施例中，控制系統124包括分析模型140及訓練模組141。訓練模組藉由機器學習過程來訓練分析模型140。機器學習過程訓練分析模型140為ALD製程選擇將得到具有所選擇的特性的薄膜的參數。儘管訓練模組141被示出為與分析模型140分離，然而在實踐中，訓練模組141可為分析模型140的一部分。
控制系統124包括或儲存訓練集資料142。訓練集資料142包括歷史薄膜資料144及歷史製程條件資料146。歷史薄膜資料144包括與藉由ALD製程得到的薄膜相關的資料。歷史製程條件資料146包括與產生薄膜的ALD製程期間的製程條件相關的資料。如以下將更詳細地陳述，訓練模組141利用歷史薄膜資料144及歷史製程條件資料146來藉由機器學習過程訓練分析模型140。
在一個實施例中，歷史薄膜資料144包括與先前沈積的薄膜的厚度相關的資料。舉例而言，在半導體製作設施的操作期間，可在若干月或若干年的過程中處理數千或數百萬個半導體晶圓。半導體晶圓中的每一者可包括藉由ALD製程沈積的薄膜。在每一ALD製程之後，量測薄膜的厚度作為品質控制過程的一部分。歷史薄膜資料144包括藉由ALD製程沈積的薄膜中的每一者的厚度。因此，歷史薄膜資料144可包括藉由ALD製程沈積的眾多薄 膜的厚度資料。
在一個實施例中，歷史薄膜資料144亦可包括與薄膜沈積製程的中間階段處的薄膜的厚度相關的資料。舉例而言，ALD製程可包括眾多沈積循環，在所述眾多沈積循環期間沈積薄膜的各別層。歷史薄膜資料144可包括各別沈積循環或沈積循環群組之後的薄膜的厚度資料。因此，歷史薄膜資料144不僅包括與ALD製程完成之後的薄膜的總厚度相關的資料，而且亦可包括與ALD製程的各個階段處的薄膜的厚度相關的資料。
在一個實施例中，歷史薄膜資料144包括與藉由ALD製程沈積的薄膜的組成物相關的資料。在沈積薄膜之後，可進行量測以確定薄膜的元素組成物或分子組成物。薄膜的成功沈積會得到包括特定比例的某些元素或化合物的薄膜。不成功的沈積可能會得到不包括規定比例的元素或化合物的薄膜。歷史薄膜資料144可包括來自指示構成各種薄膜的元素或化合物的量測的資料。
在一個實施例中，歷史薄膜資料144包括與藉由ALD製程沈積的薄膜的晶體結構相關的資料。薄膜的成功沈積可得到特定的晶體結構。可對薄膜進行X射線結晶學量測，以確定各種薄膜的晶體結構。歷史薄膜資料144可包括各種薄膜的晶體結構資料。
在一個實施例中，歷史製程條件146包括ALD製程期間的生成與歷史薄膜資料144相關聯的薄膜的各種製程條件或參數。因此，對於具有歷史薄膜資料144中的資料的每一薄膜，歷史 製程條件資料146可包括在薄膜的沈積期間存在的製程條件或參數。舉例而言，歷史製程條件資料146可包括與ALD製程期間製程腔室內的壓力、溫度及流體流動速率相關的資料。
歷史製程條件資料146可包括與ALD製程期間流體源中的前驅材料的剩餘量相關的資料。歷史製程條件資料146可包括與沈積腔室102的已使用年限、在沈積腔室102中已實行的沈積製程的數目、自製程腔室102的最近清潔循環以來在製程腔室102中已實行的沈積製程的數目相關的資料或者與製程腔室102相關的其他資料。歷史製程條件資料146可包括與在沈積製程期間被引入至製程腔室102中的化合物或流體相關的資料。與化合物相關的資料可包括化合物的類型、化合物的相(固體、氣體或液體)、化合物的混合物或與被引入至製程腔室102中的化合物或流體相關的其他態樣。歷史製程條件資料146可包括與ALD製程期間製程腔室102內的濕度相關的資料。歷史製程條件資料146可包括與和製程腔室102相關的光吸收率、光吸附率及光反射率相關的資料。歷史製程條件資料146可包括與在ALD製程期間將化合物或流體載送至製程腔室102中的管道、管或導管的長度相關的資料。歷史製程條件資料146可包括與在ALD製程期間將化合物或流體載送至製程腔室102中的載體氣體的條件相關的資料。
在一個實施例中，歷史製程條件資料146可包括單個ALD製程的多個各別循環中的每一者的製程條件。因此，歷史製程條件資料146可包括非常眾多的ALD循環的製程條件資料。
在一個實施例中，訓練集資料142將歷史薄膜資料144與歷史製程條件資料146進行鏈接。換言之，將歷史薄膜資料144中與薄膜相關聯的薄膜厚度、材料組成物或晶體結構鏈接至與所述沈積製程相關聯的製程條件資料。如以下將更詳細地陳述，可在機器學習過程中利用標記的訓練集資料，以訓練分析模型140來預測將得到正確形成的薄膜的半導體製程條件。
在一個實施例中，分析模型140包括神經網路。將針對神經網路闡述對分析模型140的訓練。然而，在不背離本揭露的範圍的條件下，可使用其他類型的分析模型或演算法。訓練模組141利用訓練集資料142來藉由機器學習過程訓練神經網路。在訓練過程期間，神經網路自訓練集資料接收歷史製程條件資料146作為輸入。在訓練過程期間，神經網路輸出預測薄膜資料。預測薄膜資料預測將藉由歷史製程條件資料得到的薄膜的特性。訓練過程訓練神經網路來產生預測薄膜資料。預測薄膜資料可包括薄膜厚度、薄膜密度、薄膜組成物或其他薄膜參數。
在一個實施例中，神經網路包括多個神經層。各種神經層包括對一或多種內部函數進行定義的神經元。內部函數基於與神經網路的每一神經層的神經元相關聯的加權值。在訓練期間，控制系統124針對每一組歷史製程條件資料將預測薄膜資料與藉由那些製程條件得到的薄膜相關聯的實際歷史薄膜資料進行比較。控制系統產生指示預測薄膜資料與歷史薄膜資料的匹配緊密程度的誤差函數。接著控制系統124調整神經網路的內部函數。由於 神經網路基於內部函數產生預測薄膜資料，因此調整內部函數將使得針對同一組歷史製程條件資料產生不同的預測薄膜資料。調整內部函數可得到生成較大誤差函數(與歷史薄膜資料144較差地匹配)或較小誤差函數(與歷史薄膜資料144較佳地匹配)的預測薄膜資料。
在調整神經網路的內部函數之後，再次將歷史製程條件資料146傳遞至神經網路且分析模型140再次產生預測薄膜資料。訓練模組141再次將預測薄膜資料與歷史薄膜資料144進行比較。訓練模組141再次調整神經網路的內部函數。以監測誤差函數及調整神經網路的內部函數的非常眾多的迭代重複進行此過程，直至在整個訓練集中找到會得到與歷史薄膜資料144匹配的預測薄膜資料的一組內部函數為止。
在訓練過程開始時，預測薄膜資料可能將不會與歷史薄膜資料144非常緊密地匹配。然而，隨著訓練過程繼續進行調整神經網路的內部函數的多次迭代，誤差函數將趨向於越來越小，直至找到會得到與歷史薄膜資料144匹配的預測薄膜資料的一組內部函數為止。辨識會得到與歷史薄膜資料144匹配的預測薄膜資料的一組內部函數對應於訓練過程的完成。一旦訓練過程完成，神經網路便準備用於調整薄膜沈積製程參數。
在一個實施例中，在已訓練分析模型140之後，可利用分析模型140來產生將得到具有所選擇的特性的薄膜的製程條件組。舉例而言，控制系統124可將與薄膜的期望參數對應的目標 薄膜參數提供至分析模型140。目標參數可包括薄膜的厚度、薄膜的組成物、薄膜的晶體結構或其他目標參數。如以下更詳細地陳述，分析模型140辨識將得到具有目標參數的薄膜的一組製程參數。具體而言，分析模型140產生製程調整資料，所述製程調整資料指示應用於下一薄膜沈積製程或薄膜沈積製程中的下一階段的製程參數。
在一個實施例中，分析模型140利用當前製程參數資料來幫助產生製程調整資料。當前製程參數資料包括與和薄膜沈積製程相關聯的處理設備的當前條件相關的資料。舉例而言，當前製程條件資料可包括將在薄膜沈積製程中利用的安瓿的當前已使用年限。安瓿的當前已使用年限可指示安瓿的實際已使用年限及已使用安瓿實行的沈積製程的數目中的一者或兩者。當前製程參數資料可包括流體源108及110中的剩餘材料準位或吹掃源112及114中的剩餘材料準位。當前製程參數資料可包括將在薄膜沈積製程中利用的材料的類型。當前製程條件資料可包括與將在薄膜沈積製程中利用的材料的相相關的資料。當前製程條件資料可包括將流體或材料載送至沈積腔室中的管道、導管或管的長度。
當前製程條件資料可包括與將在下一沈積製程中利用的半導體晶圓或其他目標相關的資料。舉例而言，當前製程條件資料可包括半導體晶圓的有效暴露平坦面積。當前製程條件資料可包括半導體晶圓的暴露有效平坦面積的晶體定向。當前製程條件資料可包括暴露有效平坦面積的粗糙度指數。當前製程條件資料 可包括與半導體晶圓或其他目標的表面特徵相關聯的暴露有效側壁傾斜。當前製程條件資料可包括與半導體晶圓或其他目標的暴露表面相關聯的薄膜函數群組。當前製程條件資料可包括半導體晶圓或其他目標的特徵的暴露側壁的函數群組。當前製程條件資料可包括與半導體晶圓或其他目標相關聯的晶圓旋轉或傾斜參數。
因此，當前製程條件資料可包括下一薄膜沈積製程或薄膜沈積製程的下一階段的固定條件。當前製程條件資料可包括歷史製程條件資料146中包括的許多相同類型的資料。
在一個實施例中，當前製程條件資料可包括與沈積製程期間沈積腔室內的溫度相關的資料。當前製程條件資料可包括與沈積製程期間沈積腔室內的壓力相關的資料。當前製程條件資料可包括與沈積腔室內的濕度相關的資料。
在一個實施例中，分析模型140利用當前製程條件資料及目標薄膜參數資料來產生製程調整資料。製程調整資料基於當前製程條件資料及目標薄膜參數資料來辨識應用於下一薄膜沈積製程或者用於薄膜沈積製程的下一階段的製程參數。製程調整資料對應於可針對下一沈積製程或下一薄膜沈積製程進行改變或調整的條件或參數。可進行調整的參數的實例包括自流體源108及110進入沈積腔室中的流體或材料的流動速率、沈積腔室內的溫度、沈積腔室內的壓力、沈積製程或沈積製程的階段的持續時間、在薄膜沈積製程期間施加的電壓準位、或者可在薄膜沈積製程之間或薄膜沈積製程的階段之間動態地調整的其他態樣。分析模型140可 辨識該些參數的將得到具有目標薄膜參數(例如目標厚度、目標組成物、目標晶體結構或其他特性)的薄膜的值。
在一個實施例中，分析模型140藉由將當前製程條件資料傳遞至分析模型140來產生製程調整資料。接著分析模型140將針對可進行調整的動態製程條件選擇試驗值。接著分析模型140將基於當前製程條件資料及動態製程條件的試驗值產生預測薄膜資料。預測薄膜資料包括將基於當前製程條件資料及動態製程條件資料而藉由薄膜沈積製程得到的薄膜的預測厚度、預測組成物、預測晶體結構或其他預測特性。若預測薄膜資料落於目標薄膜參數內，則分析模型140可產生針對動態製程條件資料指定值的製程調整資料。指定值將用於下一薄膜沈積製程或薄膜沈積製程的下一階段。若預測薄膜資料不落於目標薄膜參數內，則分析模型140針對動態製程條件資料選擇其他試驗值並基於新的試驗值產生預測薄膜資料。以迭代重複進行此過程，直至找到動態製程條件的會得到落於目標薄膜參數內的預測薄膜資料的值為止。
在一個實施例中，由於已藉由對分析模型140進行訓練的機器學習過程訓練分析模型140基於製程條件資料產生薄膜資料，因此分析模型140能夠辨識將得到具有落於目標薄膜參數內的參數的薄膜的製程調整資料。分析模型140可在非常短的時間量內產生製程調整資料。舉例而言，分析模型140可在小於三秒內產生製程調整資料，但在不背離本揭露的範圍的條件下，可存在其他值。因此，分析模型140可在每一薄膜沈積製程之間或薄膜 沈積製程的每一階段之間運行。
在一個實施例中，控制系統124包括處理資源148、記憶體資源150及通訊資源152。處理資源148可包括一或多個控制器或處理器。處理資源148被配置成執行軟體指令、處理資料、進行薄膜沈積控制決策、實行訊號處理、自記憶體讀取資料、將資料寫入至記憶體以及實行其他處理操作。處理資源148可包括位於薄膜沈積系統100的現場或設施處的實體處理資源148。處理資源可包括遠離現場薄膜沈積系統100或薄膜沈積系統100所位於的設施的虛擬處理資源148。處理資源148可包括基於雲端的處理資源，所述基於雲端的處理資源包括經由一或多個雲端計算平台存取的處理器及伺服器。
在一個實施例中，記憶體資源150可包括一或多個電腦可讀取記憶體。記憶體資源150被配置成儲存與控制系統及其組件(包括但不限於分析模型140)的功能相關聯的軟體指令。記憶體資源150可儲存與控制系統124及其組件的功能相關聯的資料。所述資料可包括訓練集資料142、當前製程條件資料以及與控制系統124或其組件中的任意者的操作相關聯的任何其他資料。記憶體資源150可包括位於薄膜沈積系統100的現場或設施處的實體記憶體資源。記憶體資源可包括被定位成遠離薄膜沈積系統100的現場或設施的虛擬記憶體資源。記憶體資源150可包括經由一或多個雲端計算平台存取的基於雲端的記憶體資源。
在一個實施例中，通訊資源可包括使得控制系統124能 夠與和薄膜沈積系統100相關聯的設備進行通訊的資源。舉例而言，通訊資源152可包括有線通訊資源及無線通訊資源，所述有線通訊資源及無線通訊資源使得控制系統124能夠接收與薄膜沈積系統100相關聯的感測器資料且控制薄膜沈積系統100的設備。通訊資源152可使得控制系統124能夠控制來自流體源108及110的流體或其他材料的流動以及來自吹掃源112及114的流體或其他材料的流動。通訊資源152可使得控制系統124能夠控制加熱器、電壓源、閥、排氣通道、晶圓轉移設備以及與薄膜沈積系統100相關聯的任何其他設備。通訊資源152可使得控制系統124能夠與遠程系統進行通訊。通訊資源152可包括一或多個網路(例如有線網路、無線網路、網際網路或內部網路)或者可促進經由所述一或多個網路進行的通訊。通訊資源152可使得控制系統124的組件能夠彼此進行通訊。
在一個實施例中，經由處理資源148、記憶體資源150及通訊資源152來實施分析模型140。控制系統124可為具有組件及資源以及遠離彼此且遠離薄膜沈積系統100的位置的分散式控制系統。
圖3A是根據一個實施例的訓練分析模型來辨識將得到薄膜的正確沈積的製程條件的過程300的流程圖。分析模型的一個實例是圖2所示分析模型140。過程300的各個步驟可利用針對圖1至圖2闡述的組件、製程及技術。因此，參照圖1至圖2闡述圖3A。
在302處，過程300收集包括歷史薄膜資料及歷史製程條件資料的訓練集資料。此可藉由使用資料挖掘系統或過程來達成。資料挖掘系統或過程可藉由以下方式收集訓練集資料：存取與薄膜沈積系統100相關聯的一或多個資料庫且收集並組織包含於所述一或多個資料庫中的各種類型的資料。資料挖掘系統或過程或者另一系統或過程可處理所聚集的資料且將所聚集的資料格式化，以產生訓練集資料。訓練集資料142可包括針對圖2闡述的歷史薄膜資料144及歷史製程條件資料146。
在304處，過程300將歷史製程條件資料輸入至分析模型。在一個實例中，此可包括使用針對圖2闡述的訓練模組141將歷史製程條件資料146輸入至分析模型140中。歷史製程條件資料可以連續的離散集被提供至分析模型140。每一離散集可對應於單個薄膜沈積製程或單個薄膜沈積製程的一部分。可將歷史製程條件資料作為向量提供至分析模型140。每一集可包括一或多個由分析模型140格式化以進行接收處理的向量。在不背離本揭露的範圍的條件下，可以其他格式將歷史製程條件資料提供至分析模型140。
在306處，過程300基於歷史製程條件資料產生預測薄膜資料。具體而言，分析模型140針對每一組歷史薄膜條件資料146產生預測薄膜資料。預測薄膜資料對應於對將藉由所述一組特定製程條件得到的薄膜的特性的預測。預測薄膜資料可包括薄膜的厚度、均勻性、組成物、晶體結構或其他態樣。
在308處，將預測薄膜資料與歷史薄膜資料144進行比較。具體而言，將每一組歷史製程條件資料的預測薄膜資料與和所述一組歷史製程條件資料相關聯的歷史薄膜資料144進行比較。所述比較可得到誤差函數，所述誤差函數指示預測薄膜資料與歷史薄膜資料144的匹配緊密程度。對每一組預測薄膜資料實行此種比較。在一個實施例中，此過程可包括產生聚合誤差函數(aggregated error function)或指示總體預測薄膜資料相較於歷史薄膜資料144如何的指示。可由訓練模組141或由分析模型140來實行該些比較。在不背離本揭露的範圍的條件下，所述比較可包括除上述函數或資料之外的其他類型的函數或資料。
在310處，過程300基於在步驟308處產生的比較來判斷預測薄膜資料與歷史薄膜資料是否匹配。在一個實例中，若聚合誤差函數小於誤差容差，則過程300判斷出薄膜資料不與歷史薄膜資料匹配。在一個實例中，若聚合誤差函數大於誤差容差，則過程300判斷出薄膜資料確實與歷史薄膜資料匹配。在一個實例中，誤差容差可包括介於0.1與0之間的容差。換言之，若聚合百分比誤差小於0.1或10%，則過程300認為預測薄膜資料與歷史薄膜資料匹配。若聚合百分比誤差大於0.1或10%，則過程300認為預測薄膜資料不與歷史薄膜資料匹配。在不背離本揭露的範圍的條件下，可使用其他容差範圍。在不背離本揭露的範圍的條件下，可以各種方式計算誤差分數。訓練模組141或分析模型140可進行與過程步驟310相關聯的判斷。
在一個實施例中，若在步驟310處預測薄膜資料不與歷史薄膜資料144匹配，則所述過程繼續進行至步驟312。在步驟312處，過程300調整與分析模型140相關聯的內部函數。在一個實例中，訓練模組141調整與分析模型140相關聯的內部函數。所述過程自步驟312返回至步驟304。在步驟304處，再次將歷史製程條件資料提供至分析模型140。由於分析模型140的內部函數已得到調整，因此分析模型140將產生與前一循環中的預測薄膜資料不同的預測薄膜資料。所述過程繼續進行至步驟306、308及310且計算聚合誤差。若預測薄膜資料不與歷史薄膜資料匹配，則所述過程返回至步驟312且再次調整分析模型140的內部函數。此過程以迭代繼續進行，直至分析模型140產生與歷史薄膜資料144匹配的預測薄膜資料為止。
在一個實施例中，若預測薄膜資料與歷史薄膜資料匹配，則在過程300中，過程步驟310繼續進行至314。在步驟314處訓練完成。分析模型140現準備用於辨識製程條件且可用於由薄膜沈積系統100實行的薄膜沈積製程中。在不背離本揭露的範圍的條件下，過程300可包括除本文中示出及闡述的步驟或步驟排列之外的其他步驟或步驟排列。
圖3B是示出根據一個實施例的分析模型140的運算態樣及訓練態樣的方塊圖350。如前面所闡述，訓練集資料142包括與多個先前實行的薄膜沈積製程相關的資料。每一先前實行的薄膜沈積製程以特定製程條件進行且得到具有特定特性的薄膜。將 每一先前實行的薄膜沈積製程的製程條件格式化成相應的製程條件向量352。製程條件向量包括多個資料欄位354。每一資料欄位354對應於特定製程條件。
圖3B所示實例示出在訓練過程期間將被傳遞至分析模型140的單個製程條件向量352。在圖3B所示實例中，製程條件向量352包括九個資料欄位354。第一資料欄位354對應於先前實行的薄膜沈積製程期間的溫度。第二資料欄位354對應於先前實行的薄膜沈積製程期間的壓力。第三資料欄位354對應於先前實行的薄膜沈積製程期間的濕度。第四資料欄位354對應於先前實行的薄膜沈積製程期間沈積材料的流動速率。第五資料欄位354對應於先前實行的薄膜沈積製程期間沈積材料的相(液體、固體或氣體)。第六資料欄位354對應於在先前實行的薄膜沈積製程中使用的安瓿的已使用年限。第七資料欄位354對應於在先前實行的薄膜沈積製程期間晶圓上的沈積面積的大小。第八資料欄位354對應於在先前實行的薄膜沈積製程期間所利用的晶圓的表面特徵的密度。第九資料欄位對應於在先前實行的薄膜沈積製程期間表面特徵的側壁的角度。在實踐中，在不背離本揭露的範圍的條件下，每一製程條件向量352可包括較圖3B中所示的資料欄位多或較圖3B中所示的資料欄位少的資料欄位。在不背離本揭露的範圍的條件下，每一製程條件向量352可包括不同類型的製程條件。僅藉由實例的方式給出圖3B中所示的特定製程條件。每一製程條件由對應的資料欄位354中的數值表示。對於不是以數字自然表示 的條件類型(例如材料相)，可為每一可能的相指派數字。
分析模型140包括多個神經層356a至356e。每一神經層包括多個節點358。每一節點358亦可被稱為神經元。來自第一神經層356a的每一節點358自製程條件向量352接收每一資料欄位的資料值。因此，在圖3B所示實例中，由於製程條件向量352具有九個資料欄位，因此來自第一神經層356a的每一節點358接收九個資料值。在圖3B中，每一神經元358包括被標記為F(x)的相應的內部數學函數。第一神經層356a的每一節點358藉由將內部數學函數F(x)應用於來自製程條件向量352的資料欄位354的資料值來產生定標值(scaler value)。以下提供關於內部數學函數F(x)的進一步細節。
第二神經層356b的每一節點358接收由第一神經層356a的每一節點358產生的定標值。因此，在圖3B所示實例中，由於在第一神經層356a中存在四個節點358，因此第二神經層356b的每一節點接收四個定標值。第二神經層356b的每一節點358藉由將相應的內部數學函數F(x)應用於來自第一神經層356a的定標值來產生定標值。
第三神經層356c的每一節點358接收由第二神經層356b的每一節點358產生的定標值。因此，在圖3B所示實例中，由於在第二神經層356b中存在五個節點358，因此第三神經層356c的每一節點接收五個定標值。第三神經層356c的每一節點358藉由將相應的內部數學函數F(x)應用於來自第二神經層356b 的節點358的定標值來產生定標值。
神經層356d的每一節點358接收由前一神經層(未示出)的每一節點358產生的定標值。神經層356d的每一節點358藉由將相應的內部數學函數F(x)應用於來自第二神經層356b的節點358的定標值來產生定標值。
最終神經層僅包括單個節點358。最終神經層接收由前一神經層356d的每一節點358產生的定標值。最終神經層356e的節點358藉由將數學函數F(x)應用於自神經層356d的節點358接收的定標值來產生資料值368。
在圖3B所示實例中，資料值368對應於由和包括於製程條件向量352中的值對應的製程條件資料產生的薄膜的預測厚度。在其他實施例中，最終神經層356e可產生多個資料值，所述多個資料值各自對應於特定的薄膜特性，例如薄膜晶體定向、薄膜均勻性或薄膜的其他特性。最終神經層356e將包括用於將產生的每一輸出資料值的相應的節點358。在預測薄膜厚度的情形中，在一個實例中，工程師可提供指定預測薄膜厚度368必須落於所選擇的範圍內(例如介於0奈米與50奈米之間)的約束條件。分析模型140將調整內部函數F(x)，以確保與預測薄膜厚度對應的資料值368將落於指定範圍內。
在機器學習過程期間，分析模型將資料值368中的預測厚度與資料值370所指示的薄膜的實際厚度進行比較。如前面所陳述，對於每一組歷史製程條件資料，訓練集資料142包括指示 藉由歷史薄膜沈積製程得到的薄膜的特性的薄膜特性資料。因此，資料欄位370包括藉由製程條件向量352中反映的沈積製程得到的薄膜的實際厚度。分析模型140將來自資料值368的預測厚度與來自資料值370的實際厚度進行比較。分析模型140產生誤差值372，誤差值372指示來自資料值368的預測厚度與來自資料值370的實際厚度之間的誤差或差。誤差值372用於訓練分析模型140。
藉由論述內部數學函數F(x)，可更全面地理解對分析模型140的訓練。儘管所有節點358皆使用內部數學函數F(x)標記，然而每一節點的數學函數F(x)是特有的。在一個實例中，每一內部數學函數具有以下形式：F(x)=x1*w1+x2*w2+...xn*w1+b.在以上方程式中，每一值x1-xn對應於自前一神經層中的節點358接收的資料值，或者在第一神經層356a的情形中，每一值x1-xn對應於來自製程條件向量352的資料欄位354的相應的資料值。因此，給定節點的n等於前一神經層中的節點的數目。值w1-wn是與來自前一層的對應的節點相關聯的定標加權值。分析模型140選擇加權值w1-wn的值。常數b是定標偏置值且亦可乘以加權值。由節點358產生的值基於加權值w1-wn。因此，每一節點358具有n個加權值w1-wn。儘管以上未示出，然而每一函數F(x)亦可包括激活函數。在以上方程式中陳述的總和乘以激活函數。激活函數的實 例可包括線性整流(rectified linear unit，ReLU)函數、S形函數(sigmoid function)、雙曲線張力函數(hyperbolic tension function)或其他類型的激活函數。
在已計算出誤差值372之後，分析模型140調整各個神經層356a至356e的各個節點358的加權值w1-wn。在分析模型140調整加權值w1-wn之後，分析模型140再次將製程條件向量352提供至輸入神經層356a。由於加權值對於分析模型140的各個節點358是不同的，因此預測厚度368將不同於前一迭代中的預測厚度。分析模型140藉由將實際厚度370與預測厚度368進行比較來再次產生誤差值372。
分析模型140再次調整與各個節點358相關聯的加權值w1-wn。分析模型140再次處理製程條件向量352且產生預測厚度368及相關聯的誤差值372。訓練過程包括以迭代調整加權值w1-wn，直至將誤差值372最小化為止。
圖3B示出被傳遞至分析模型140的單個製程條件向量352。在實踐中，訓練過程包括經由分析模型140傳遞眾多製程條件向量352、針對每一製程條件向量352產生預測厚度368且針對每一預測厚度產生相關聯的誤差值372。訓練過程亦可包括產生聚合誤差值，所述聚合誤差值指示一批製程條件向量352的所有預測厚度的平均誤差。分析模型140在處理每一批製程條件向量352之後調整加權值w1-wn。繼續進行訓練過程，直至所有製程條件向量352的平均誤差小於所選擇的臨限值容差為止。當平均誤差小 於所選擇的臨限值容差時，分析模型140訓練完成且分析模型被訓練成基於製程條件準確預測薄膜的厚度。接著可使用分析模型140預測薄膜厚度且選擇將得到所需薄膜厚度的製程條件。在使用經訓練的模型140期間，將表示將實行的當前薄膜沈積製程的當前製程條件且與製程條件向量352具有相同格式的製程條件向量提供至經訓練的分析模型140。接著經訓練的分析模型140可預測將由那些製程條件得到的薄膜的厚度。
已針對圖3B闡述了基於神經網路的分析模型140的特定實例。然而，在不背離本揭露的範圍的條件下，可利用其他類型的基於神經網路的分析模型或者除神經網路之外的類型的分析模型。此外，在不背離本揭露的範圍的條件下，神經網路可具有不同數目的神經層，所述不同數目的神經層具有不同數目的節點。
圖4是根據一個實施例的動態地選擇薄膜沈積製程的製程條件及實行薄膜沈積製程的過程400的流程圖。過程400的各個步驟可利用針對圖1至圖3B闡述的組件、製程及技術。因此，參照圖1至圖3B闡述圖4。
在402處，過程400將目標薄膜條件資料提供至分析模型140。目標薄膜條件資料辨識將藉由薄膜沈積製程形成的薄膜的所選擇的特性。目標薄膜條件資料可包括目標厚度、目標組成物、目標晶體結構或薄膜的其他特性。目標薄膜條件資料可包括厚度範圍。可選擇的目標條件或特性基於訓練過程中利用的薄膜特性。在圖3B所示實例中，訓練過程集中於薄膜厚度。
在404處，過程400將靜態製程條件提供至分析模型140。靜態製程條件包括將不會針對下一薄膜沈積製程進行調整的製程條件。靜態製程條件可包括目標裝置圖案密度，所述目標裝置圖案密度指示將對其實行薄膜沈積製程的晶圓上的圖案密度。靜態製程條件可包括有效平面面積晶體定向、有效平面面積粗糙度指數、半導體晶圓的表面上的特徵的有效側壁面積、暴露有效側壁傾斜角度、暴露表面膜函數群組、暴露側壁膜函數群組、半導體晶圓的旋轉或傾斜、製程氣體參數(材料、材料的相及材料的溫度)、流體源108及110中材料流體的剩餘量、吹掃源112及114中流體的剩餘量、沈積腔室內的濕度、沈積製程中利用的安瓿的已使用年限、沈積腔室內的光吸收率或反射率、將向沈積腔室提供流體的管道或導管的長度或其他條件。在不背離本揭露的範圍的條件下，靜態製程條件可包括除上述條件之外的條件。此外，在一些情形中，以上列出的靜態製程條件中的一些靜態製程條件可為經受調整的動態製程條件，如以下將更詳細地闡述。在圖3B所示實例中，動態製程條件包括溫度、壓力、濕度及流動速率。靜態製程條件包括相、安瓿已使用年限、沈積面積、沈積密度及側壁角度。
在406處，根據一個實施例，過程400針對分析模型選擇動態製程條件。動態製程條件可包括未被指定為靜態製程條件的任何製程條件。舉例而言，訓練集資料可包括歷史製程條件資料146中的眾多各種類型的製程條件資料。該些類型的製程條件中的一些製程條件將被定義為靜態製程條件，且該些類型的製程條件 中的一些製程條件將被定義為動態製程條件。因此，當在步驟404處供應靜態製程條件時，其餘類型的製程條件可被定義為動態製程條件。分析模型140可在開始時針對動態製程條件選擇初始值。在已針對動態製程條件選擇初始值之後，分析模型具有一組全面的製程條件進行分析。在一個實施例中，可基於先前確定的起始值或根據其他方案來選擇動態製程條件的初始值。
動態製程條件可包括沈積製程期間來自流體源108及110的流體或材料的流動速率。動態製程條件可包括來自吹掃源112及114的流體或材料的流動速率。動態製程條件可包括沈積腔室內的壓力、沈積腔室內的溫度、沈積腔室內的濕度、沈積製程的各個步驟的持續時間、或者沈積腔室內產生的電壓或電場。在不背離本揭露的範圍的條件下，動態製程條件可包括其他類型的條件。
在408處，分析模型140基於靜態製程條件及動態製程條件產生預測薄膜資料。預測薄膜資料包括在目標薄膜條件資料中建立的相同類型的薄膜特性。具體而言，預測薄膜資料包括來自針對圖3A及圖3B闡述的訓練過程的預測薄膜資料的類型。舉例而言，預測薄膜資料可包括薄膜厚度、膜組成物或薄膜的其他參數。
在410處，所述過程將預測薄膜資料與目標薄膜資料進行比較。具體而言，分析模型140將預測薄膜資料與目標薄膜資料進行比較。所述比較指示預測薄膜資料與目標薄膜資料的匹配緊密程度。所述比較可指示預測薄膜資料是否落於由目標薄膜資 料建立的容差或範圍內。舉例而言，若目標薄膜厚度介於2奈米與4奈米之間，則所述比較將指示預測薄膜資料是否落於此範圍內。
在412處，若預測薄膜資料不與目標薄膜資料匹配，則所述過程繼續進行至414。在414處，分析模型140調整動態製程條件資料。所述過程自414返回至408。在408處，分析模型140再次基於靜態製程條件及經調整的動態製程條件產生預測薄膜資料。接著，在410處，分析模型將預測薄膜資料與目標薄膜資料進行比較。在412處，若預測薄膜資料不與目標薄膜資料匹配，則所述過程繼續進行至414且分析模型140再次調整動態製程條件。此過程繼續進行，直至產生與目標薄膜資料匹配的預測薄膜資料為止。若預測薄膜資料與目標薄膜資料412匹配，則所述過程繼續進行至416。
在416處，過程400基於得到目標薄膜資料內的預測薄膜資料的動態製程條件調整薄膜沈積系統100的薄膜製程條件。舉例而言，控制系統124可根據動態製程條件資料調整流體流動速率、沈積步驟持續時間、壓力、溫度、濕度或其他因素。
在418處，薄膜沈積系統100根據由分析模型辨識的經調整的動態製程條件實行薄膜沈積製程。在一個實施例中，薄膜沈積製程是ALD製程。然而，在不背離本揭露的範圍的條件下，可利用其他薄膜沈積製程。在一個實施例中，薄膜沈積系統100基於薄膜沈積製程中各別沈積階段之間的分析模型來調整製程參數。 舉例而言，在ALD製程中，一次沈積薄膜的一個層。分析模型140可辨識用於沈積下一層的參數。因此，薄膜沈積系統可在各個沈積階段之間調整沈積條件。
圖5是根據一個實施例的薄膜沈積方法500的流程圖。在502處，方法500包括將靜態製程條件資料提供至分析模型。分析模型的一個實例是圖2所示分析模型140。在504處，方法500包括以分析模型選擇第一動態製程條件資料。在506處，方法500包括以分析模型基於靜態製程條件資料及第一動態製程條件資料產生第一預測薄膜資料。在508處，方法500包括將第一預測薄膜資料與目標薄膜資料進行比較。在510處，方法500包括：若第一預測薄膜資料與目標薄膜資料匹配，則以基於靜態製程條件資料及第一動態製程條件資料的沈積製程條件實行薄膜沈積製程。在512處，方法500包括：若第一預測薄膜資料不與目標薄膜資料匹配，則調整第一動態製程條件資料。
圖6是根據一個實施例的薄膜沈積方法600的流程圖。在602處，方法600包括藉由機器學習過程訓練分析模型來預測薄膜的特性。分析模型的一個實例是圖2所示分析模型140。在604處，方法600包括在訓練分析模型之後，將目標薄膜資料提供至分析模型。在606處，方法600包括以分析模型辨識會得到與目標薄膜資料相符的預測薄膜資料的製程條件資料。在608處，方法600包括根據製程條件資料對具有沈積製程條件的半導體晶圓實行薄膜沈積製程。半導體晶圓的一個實例是圖1所示半導體 晶圓104。
在一實施例中，一種薄膜沈積方法包括將靜態製程條件資料提供至分析模型。所述方法包括以所述分析模型選擇第一動態製程條件資料。所述方法包括以所述分析模型基於所述靜態製程條件資料及所述第一動態製程條件資料產生第一預測薄膜資料。所述方法包括將所述第一預測薄膜資料與目標薄膜資料進行比較。所述方法包括：若所述第一預測薄膜資料與所述目標薄膜資料匹配，則以基於所述靜態製程條件資料及所述第一動態製程條件資料的沈積製程條件實行薄膜沈積製程。所述方法包括：若所述第一預測薄膜資料不與所述目標薄膜資料匹配，則調整所述第一動態製程條件資料。
在一些實施例中，所述的薄膜沈積方法更包括：若所述第一預測薄膜資料不與所述目標薄膜資料匹配：則基於經調整的所述第一動態製程條件資料產生第二預測薄膜資料；將所述第二預測薄膜資料與所述目標薄膜資料進行比較；以及若所述第二預測薄膜資料與所述目標薄膜資料匹配，則以基於所述靜態製程條件資料及經調整的所述第一動態製程條件資料的製程條件實行所述薄膜沈積製程。在一些實施例中，所述薄膜沈積製程是原子層沈積製程。在一些實施例中，所述的薄膜沈積方法，其中實行所述薄膜沈積製程包括實行所述原子層沈積製程的第一循環。在一些實施例中，所述的薄膜沈積方法，更包括，在所述第一循環之後：以所述分析模型辨識第二動態製程條件資料；以及基於所述靜態製 程條件資料及所述第二動態製程條件資料實行所述原子層沈積製程的第二循環。在一些實施例中，所述分析模型包括神經網路。在一些實施例中，所述靜態製程條件資料包括以下所述之中的一者或多者：沈積材料；沈積表面的特徵；以及沈積設備的已使用年限。在一些實施例中，所述第一動態製程條件資料包括以下所述之中的一者或多者：所述沈積材料的流動速率；所述沈積材料的流動持續時間；沈積腔室中的壓力；所述沈積腔室中的溫度；以及所述沈積腔室中的濕度。在一些實施例中，所述目標薄膜資料辨識目標薄膜厚度。在一些實施例中，所述目標薄膜資料辨識目標薄膜厚度範圍。
在一實施例中，一種薄膜沈積方法包括藉由機器學習過程訓練分析模型來預測薄膜的特性。所述方法包括在訓練所述分析模型之後，將目標薄膜資料提供至所述分析模型。所述方法包括以所述分析模型辨識會得到與所述目標薄膜資料相符的預測薄膜資料的製程條件資料。所述方法包括以根據所述製程條件資料的沈積製程條件對半導體晶圓實行薄膜沈積製程。
在一些實施例中，所述的薄膜沈積方法更包括：儲存訓練集資料；以及以所述訓練集資料訓練所述分析模型。在一些實施例中，所述訓練集資料包括辨識先前沈積的薄膜的特性的歷史薄膜資料，其中所述訓練集資料包括辨識與所述先前沈積的薄膜相關聯的歷史製程條件的歷史製程條件資料。在一些實施例中，所述的薄膜沈積方法更包括：藉由對薄膜沈積資料庫實行資料挖掘過 程來收集所述訓練集資料。
在一實施例中，一種薄膜沈積系統包括：薄膜沈積腔室；支撐件，被配置成在所述薄膜沈積腔室內支撐基底；以及流體源，被配置成在薄膜沈積製程期間向所述薄膜沈積腔室提供流體。所述系統包括控制系統，所述控制系統被配置成基於機器學習過程來辨識所述薄膜沈積製程的製程條件資料，並根據所述製程條件資料在所述薄膜沈積製程期間控制所述流體源。
在一些實施例中，所述控制系統包括分析模型，其中所述分析模型被配置成辨識所述製程條件資料。在一些實施例中，所述分析模型被配置成接收目標薄膜資料並藉由產生與所述目標薄膜資料相符的預測薄膜資料來辨識所述製程條件資料，所述目標薄膜資料指示所述薄膜的目標參數。在一些實施例中，所述分析模型被配置成接收靜態製程條件資料並基於所述靜態製程條件資料及所述目標薄膜資料辨識所述製程條件資料。在一些實施例中，所述分析模型包括神經網路。在一些實施例中，所述薄膜沈積製程是原子層沈積製程。
本揭露的實施例提供可靠厚度及組成物的薄膜。本揭露的實施例動態地調整製程參數，以確保薄膜具有期望的性質。
可對上述各種實施例進行組合以提供進一步的實施例。在本說明書中提及的及/或在申請案資料表中列出的所有美國專利申請案出版物及美國專利申請案全部併入本案供參考。若需要，可修改實施例的各個態樣，以採用各種專利、申請案及出版物的概念 來提供再一步的實施例。
根據以上詳細說明，可對實施例進行該些及其他改變。一般而言，在以下申請專利範圍中，所使用的用語不應被解釋為將申請專利範圍限制於說明書及申請專利範圍中所揭露的特定實施例，而是應被解釋為包括所有可能的實施例以及此申請專利範圍被授權的等效構造的全部範圍。因此，申請專利範圍不受本揭露的限制。
100:薄膜沈積系統/原子層沈積(ALD)系統
102:薄膜沈積腔室/沈積腔室/製程腔室
103:內部空間
104:基底/半導體晶圓
106:支撐件
108:第一流體源/流體源
110:第二流體源/流體源
112:吹掃源/第一吹掃源
114:吹掃源/第二吹掃源
116:歧管混合器
118:流體分配器
120:排氣通道
122:副產物感測器
124:控制系統
125:通訊通道
130:第一流體通道/第一流體線
132:第二流體通道/流體線/第二流體線
134:第三流體線
136:第一吹掃線
138:第二吹掃線

Claims (10)

  1. 一種薄膜沈積方法，包括：將靜態製程條件資料提供至分析模型；以所述分析模型選擇第一動態製程條件資料；以所述分析模型基於所述靜態製程條件資料及所述第一動態製程條件資料產生第一預測薄膜資料；將所述第一預測薄膜資料與目標薄膜資料進行比較；若所述第一預測薄膜資料與所述目標薄膜資料匹配，則以基於所述靜態製程條件資料及所述第一動態製程條件資料的沈積製程條件實行薄膜沈積製程；以及若所述第一預測薄膜資料不與所述目標薄膜資料匹配，則調整所述第一動態製程條件資料。
  2. 如請求項1所述的薄膜沈積方法，更包括：若所述第一預測薄膜資料不與所述目標薄膜資料匹配：則基於所述靜態製程條件資料及經調整的所述第一動態製程條件資料產生第二預測薄膜資料；將所述第二預測薄膜資料與所述目標薄膜資料進行比較；以及若所述第二預測薄膜資料與所述目標薄膜資料匹配，則以基於所述靜態製程條件資料及經調整的所述第一動態製程條件資料的沈積製程條件實行所述薄膜沈積製程。
  3. 如請求項1所述的薄膜沈積方法，其中所述薄膜沈 積製程是原子層沈積製程，且實行所述薄膜沈積製程包括實行所述原子層沈積製程的第一循環；以及在所述第一循環之後：以所述分析模型辨識第二動態製程條件資料；以及基於所述靜態製程條件資料及所述第二動態製程條件資料實行所述原子層沈積製程的第二循環。
  4. 如請求項1所述的薄膜沈積方法，其中所述分析模型包括神經網路。
  5. 如請求項1所述的薄膜沈積方法，其中所述靜態製程條件資料包括以下所述之中的一者或多者：沈積材料；沈積表面的特徵；以及沈積設備的已使用年限；以及所述第一動態製程條件資料包括以下所述之中的一者或多者：所述沈積材料的流動速率；所述沈積材料的流動持續時間；沈積腔室中的壓力；所述沈積腔室中的溫度；以及所述沈積腔室中的濕度。
  6. 如請求項1所述的薄膜沈積方法，其中所述目標薄膜資料包括目標薄膜厚度或目標薄膜厚度範圍。
  7. 一種薄膜沈積方法，包括： 藉由機器學習過程訓練分析模型來預測薄膜的特性；在訓練所述分析模型之後，將目標薄膜資料提供至所述分析模型；以所述分析模型辨識得到與所述目標薄膜資料相符的預測薄膜資料的製程條件資料；以及以根據所述預測薄膜資料的所述製程條件資料的沈積製程條件對半導體晶圓實行薄膜沈積製程。
  8. 如請求項7所述的薄膜沈積方法，更包括：儲存訓練集資料；以所述訓練集資料訓練所述分析模型，其中所述訓練集資料包括辨識先前沈積的薄膜的特性的歷史薄膜資料，其中所述訓練集資料包括辨識與所述先前沈積的薄膜相關聯的歷史製程條件的歷史製程條件資料；以及藉由對薄膜沈積資料庫實行資料挖掘過程來收集所述訓練集資料。
  9. 一種薄膜沈積系統，包括：薄膜沈積腔室；支撐件，被配置成在所述薄膜沈積腔室內支撐基底；流體源，被配置成在薄膜沈積製程期間向所述薄膜沈積腔室中提供流體；以及控制系統，被配置成基於機器學習過程來辨識所述薄膜沈積製程的製程條件資料，並根據所述製程條件資料在所述薄膜沈積 製程期間控制所述流體源；以及分析模型，被配置成辨識所述製程條件資料，所述分析模型被配置成接收目標薄膜資料並藉由產生與所述目標薄膜資料相符的預測薄膜資料來辨識所述製程條件資料，所述目標薄膜資料指示所述薄膜沈積製程之薄膜的目標參數，且所述分析模型被配置成接收靜態製程條件資料並基於所述靜態製程條件資料及所述目標薄膜資料辨識所述製程條件資料。
  10. 如請求項9所述的薄膜沈積系統，其中所述分析模型被配置成接收靜態製程條件資料並基於所述靜態製程條件資料及所述目標薄膜資料辨識所述製程條件資料，其中所述分析模型包括神經網路，所述薄膜沈積製程是原子層沈積製程。
TW110108401A 2021-01-15 2021-03-09 薄膜沈積系統及方法 TWI818241B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/150,699 2021-01-15
US17/150,699 US12371791B2 (en) 2021-01-15 2021-01-15 System and method for dynamically adjusting thin-film deposition parameters

Publications (2)

Publication Number Publication Date
TW202230183A TW202230183A (zh) 2022-08-01
TWI818241B true TWI818241B (zh) 2023-10-11

Family

ID=81406674

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110108401A TWI818241B (zh) 2021-01-15 2021-03-09 薄膜沈積系統及方法

Country Status (5)

Country Link
US (3) US12371791B2 (zh)
KR (2) KR20220103583A (zh)
CN (1) CN114457324A (zh)
DE (1) DE102021101885A1 (zh)
TW (1) TWI818241B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI755979B (zh) * 2019-12-20 2022-02-21 台灣積體電路製造股份有限公司 薄膜沉積系統以及沉積薄膜方法
US12371791B2 (en) * 2021-01-15 2025-07-29 Taiwan Semiconductor Manufacturing Co., Ltd. System and method for dynamically adjusting thin-film deposition parameters
US20230411222A1 (en) * 2022-05-24 2023-12-21 Applied Materials, Inc. Model-based parameter adjustments for deposition processes
CN115491652B (zh) * 2022-06-20 2024-07-26 江苏恒云太信息科技有限公司 管式pecvd硅片颜色值预测方法及镀膜时间控制方法
CN115458422A (zh) * 2022-09-06 2022-12-09 中国科学院半导体研究所 基于机器学习的半导体工艺过程控制方法
CN116190208B (zh) * 2023-02-21 2025-09-09 上海华虹宏力半导体制造有限公司 自动调控薄膜厚度及薄膜内元素掺杂浓度的方法
US20250155883A1 (en) * 2023-11-09 2025-05-15 Applied Materials, Inc. Process modeling platform for substrate manufacturing systems
CN118261114B (zh) * 2024-05-29 2024-08-06 浙江创芯集成电路有限公司 薄膜数据系统的设计方法、存储介质及终端
WO2025249225A1 (ja) * 2024-05-29 2025-12-04 東京エレクトロン株式会社 コンピュータプログラム、学習モデルの生成方法、情報処理方法及び情報処理装置
CN118547268B (zh) * 2024-07-26 2024-11-19 上海派拉纶生物技术股份有限公司 一种Parylene镀覆系统、方法及控制模块
CN120425324B (zh) * 2025-07-08 2025-10-21 宝鸡拓普达钛业有限公司 一种钛合金材料加工用耐磨涂层及其加工工艺

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201946178A (zh) * 2018-03-20 2019-12-01 日商東京威力科創股份有限公司 結合整合式半導體處理模組的自我察知及修正異質平台及其使用方法
US20200201952A1 (en) * 2018-12-19 2020-06-25 Samsung Electronics Co., Ltd. Method of predicting shape of semiconductor device
CN111479952A (zh) * 2017-12-27 2020-07-31 株式会社半导体能源研究所 薄膜制造装置及使用神经网络的薄膜制造装置
TW202030652A (zh) * 2018-12-03 2020-08-16 荷蘭商Ａｓｍｌ荷蘭公司 預測半導體製程良率之方法
TW202032407A (zh) * 2019-02-15 2020-09-01 日商半導體能源研究所股份有限公司 半導體裝置及電子裝置
TWI704600B (zh) * 2018-11-02 2020-09-11 南韓商艾維工程股份有限公司 用於控制薄膜沉積製程的裝置、方法及儲存命令的記錄媒體

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6867149B2 (en) * 2002-09-27 2005-03-15 Euv Limited Liability Corporation Growth of multi-component alloy films with controlled graded chemical composition on sub-nanometer scale
JP2005200730A (ja) 2004-01-19 2005-07-28 Itagaki Kinzoku Kk レーザー光照射による酸化膜形成方法および装置
US9695510B2 (en) * 2011-04-21 2017-07-04 Kurt J. Lesker Company Atomic layer deposition apparatus and process
US20130273237A1 (en) * 2012-04-12 2013-10-17 David Johnson Method to Determine the Thickness of a Thin Film During Plasma Deposition
JP2015526693A (ja) * 2012-05-09 2015-09-10 エスアイオーツー・メディカル・プロダクツ・インコーポレイテッド Ｐｅｃｖｄ皮膜の検査方法
JP2016507745A (ja) * 2013-02-11 2016-03-10 ハリバートン エナジー サヴィシーズ インコーポレイテッド 原子層蒸着を使用して形成される統合計算要素を有する流体解析システム
US9733210B2 (en) * 2014-12-31 2017-08-15 International Business Machines Corporation Nanofluid sensor with real-time spatial sensing
CN105895530B (zh) * 2016-03-11 2019-03-19 中国科学院微电子研究所 二维材料结构的制造方法和二维材料器件
US20200126829A1 (en) * 2016-04-19 2020-04-23 Tokyo Electron Limited Maintenance control method of controlling maintenance of processing device and control device
CN106521459B (zh) 2016-08-17 2018-04-17 中山大学 一种mocvd设备生长均匀性工艺参数的优化方法
CN106252252B (zh) * 2016-08-30 2019-03-26 上海华力微电子有限公司 保形沉积的薄膜厚度预测模型建立及应用方法
US10989652B2 (en) * 2017-09-06 2021-04-27 Lam Research Corporation Systems and methods for combining optical metrology with mass metrology
US20190109029A1 (en) * 2017-10-05 2019-04-11 Globalfoundries Inc. Methods, Apparatus and System for Dose Control for Semiconductor Wafer Processing
US11094556B2 (en) * 2018-06-29 2021-08-17 Taiwan Semiconductor Manufacturing Co., Ltd. Method of manufacturing semiconductor devices using directional process
JP6959191B2 (ja) 2018-07-25 2021-11-02 旭化成エレクトロニクス株式会社 学習処理装置、学習処理方法、化合物半導体の製造方法、および、プログラム
KR102180827B1 (ko) * 2018-09-21 2020-11-19 주식회사 포스코 도금량 제어 장치 및 도금량 제어 방법
US11664108B2 (en) * 2018-11-29 2023-05-30 January, Inc. Systems, methods, and devices for biophysical modeling and response prediction
US10885963B2 (en) * 2018-12-14 2021-01-05 Intel Corporation Ferroelectric memory-based synapses
WO2020178945A1 (ja) 2019-03-04 2020-09-10 Ｓｐｐテクノロジーズ株式会社 基板処理装置のプロセス判定装置、基板処理システム、基板処理装置のプロセス判定方法及び学習モデル群
WO2020205339A1 (en) * 2019-03-29 2020-10-08 Lam Research Corporation Model-based scheduling for substrate processing systems
DE102020100565A1 (de) 2020-01-13 2021-07-15 Aixtron Se Verfahren zum Abscheiden von Schichten
US12371791B2 (en) * 2021-01-15 2025-07-29 Taiwan Semiconductor Manufacturing Co., Ltd. System and method for dynamically adjusting thin-film deposition parameters
US20220269177A1 (en) * 2021-02-23 2022-08-25 Tokyo Electron Limited Sensor technology integration into coating track
US12235624B2 (en) * 2021-12-21 2025-02-25 Applied Materials, Inc. Methods and mechanisms for adjusting process chamber parameters during substrate manufacturing

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111479952A (zh) * 2017-12-27 2020-07-31 株式会社半导体能源研究所 薄膜制造装置及使用神经网络的薄膜制造装置
TW201946178A (zh) * 2018-03-20 2019-12-01 日商東京威力科創股份有限公司 結合整合式半導體處理模組的自我察知及修正異質平台及其使用方法
TWI704600B (zh) * 2018-11-02 2020-09-11 南韓商艾維工程股份有限公司 用於控制薄膜沉積製程的裝置、方法及儲存命令的記錄媒體
TW202046383A (zh) * 2018-11-02 2020-12-16 南韓商艾維工程股份有限公司 用於控制薄膜沉積製程的裝置、方法及儲存命令的記錄媒體
TW202030652A (zh) * 2018-12-03 2020-08-16 荷蘭商Ａｓｍｌ荷蘭公司 預測半導體製程良率之方法
US20200201952A1 (en) * 2018-12-19 2020-06-25 Samsung Electronics Co., Ltd. Method of predicting shape of semiconductor device
TW202032407A (zh) * 2019-02-15 2020-09-01 日商半導體能源研究所股份有限公司 半導體裝置及電子裝置

Also Published As

Publication number Publication date
KR20220103583A (ko) 2022-07-22
US20240376605A1 (en) 2024-11-14
KR20240018554A (ko) 2024-02-13
CN114457324A (zh) 2022-05-10
US20220228265A1 (en) 2022-07-21
TW202230183A (zh) 2022-08-01
DE102021101885A1 (de) 2022-07-21
US12371791B2 (en) 2025-07-29
US20250320608A1 (en) 2025-10-16

Similar Documents

Publication Publication Date Title
TWI818241B (zh) 薄膜沈積系統及方法
Zheng et al. Online learning‐based predictive control of crystallization processes under batch‐to‐batch parametric drift
KR20070096045A (ko) 단층 증착을 위한 방법 및 장치
US11808746B2 (en) Concentration sensor for precursor delivery system
US20240210916A1 (en) Machine and deep learning techniques for predicting ecological efficiency in substrate processing
CN119256394B (zh) 用于在基板制造期间调节膜沉积参数的方法和机制
CN112102890A (zh) 一种基于机器学习模型的mcs合成装置反应温度预测方法
Paulson et al. Intelligent agents for the optimization of atomic layer deposition
US20060166501A1 (en) Method and apparatus for monolayer deposition
CN119907850A (zh) 训练和使用用于对生物有机体的动力学方面进行建模的至少一个机器学习模型的构思
US20230395361A1 (en) Method and system for adjusting location of a wafer and a top plate in a thin-film deposition process
US20240387299A1 (en) Method and system for adjusting the gap between a wafer and a top plate in a thin-film deposition process
TWI755979B (zh) 薄膜沉積系統以及沉積薄膜方法
CN117107340A (zh) 用于沉积处理的基于模型的参数调整
US20210189561A1 (en) System and method for monitoring and performing thin film deposition
US20250003112A1 (en) Virtual sensor for predicting and monitoring temperature of chamber components
Ou et al. Run-to-Run Control of an Atomic Layer Etching Process with a Machine Learning-Based Endpoint-Detection Control System
WO2025250651A1 (en) Utilizing infrared data for control of fabrication processes
TW202324173A (zh) 編碼的基板材料識別符通訊工具
Sreenivasan Combinatorial experiments using a spatially programmable chemical vapor deposition system