TWI909221B

TWI909221B - 用於表面粗糙度和發射率的決定的系統、方法和非暫時性機器可讀取儲存媒體

Info

Publication number: TWI909221B
Application number: TW112137231A
Authority: TW
Inventors: 進鴻黃; 陶德J 伊根; 梅迪費茲艾拉凡尼
Original assignee: 美商應用材料股份有限公司
Priority date: 2022-09-29
Filing date: 2023-09-28
Publication date: 2025-12-21

Abstract

一種系統包括：輻射源，被配置為發射輻射束。該系統進一步包括：第一光學感測器，被配置為偵測從物體的表面反射的該輻射束的第一部分的第一強度。該系統進一步包括：第二光學感測器，被配置為偵測由該物體的該表面散射的該輻射束的第二部分的第二強度。該系統進一步包括：處理設備，與該第一光學感測器和該第二光學感測器通訊耦合。該處理設備被配置為基於該第一強度和該第二強度的比較，決定該物體的該表面的粗糙度或發射率中的至少一者。

Description

用於表面粗糙度和發射率的決定的系統、方法和非暫時性機器可讀取儲存媒體

本揭示內容的實施例一般涉及物體的表面粗糙度和發射率的決定，更具體地說，涉及用於光學地決定物體的表面粗糙度和發射率的系統、方法和設備。

發射率是材料的一種基本性質。特別是，在半導體處理中，準確表徵腔室部件表面的發射率和/或表面粗糙度可以對經處理的基板的品質產生直接影響。發射率可能會受到各種材料參數(包括地形(如表面粗糙度)、反射率等)的影響。

以下是本揭示內容的簡化概要，以提供對本揭示內容的一些態樣的基本理解。這個概要並不是對本揭示內容的廣泛概述。它並不旨在識別本揭示內容的關鍵或重要元素，也不旨在劃定本揭示內容的特定實施方式的任何範圍或請求項的任何範圍。它的唯一目的是以簡化的形式呈現本揭示內容的一些概念以作為後面呈現的更詳細描述的前奏。

本文所述的一些實施例涵蓋了一種系統，該系統包括：輻射源，被配置為發射輻射束。該系統進一步包括：第一光學感測器，被配置為偵測從物體的表面反射的該輻射束的第一部分的第一強度。該系統進一步包括：第二光學感測器，被配置為偵測由該物體的該表面散射的該輻射束的第二部分的第二強度。該系統進一步包括：處理設備，與該第一光學感測器和該第二光學感測器通訊耦合。該處理設備被配置為基於該第一強度和該第二強度的比較，決定該物體的該表面的粗糙度或該物體的該表面的發射率中的至少一者。

本文所述的額外或相關的實施例涵蓋了一種方法，該方法包括以下步驟：從輻射源發射輻射束。該方法進一步包括以下步驟：由第一光學感測器偵測從處理腔室的腔室部件的表面反射的該輻射束的第一部分的第一強度。該方法進一步包括以下步驟：由第二光學感測器偵測由該腔室部件的該表面散射的該輻射束的第二部分的第二強度。該方法進一步包括以下步驟：經由與該第一光學感測器和該第二光學感測器通訊耦合的處理設備基於該第一強度和該第二強度的比較，決定該腔室部件的該表面的粗糙度或該腔室部件的該表面的發射率中的至少一者。

在進一步的實施例中，一種包括指令的非暫時性機器可讀取儲存媒體，該等指令當由處理設備執行時，導致該處理設備執行包括以下步驟的操作：接收與處理腔室的腔室部件的表面的發射率或粗糙度中的至少一者相關聯的資料。該等操作進一步包括以下步驟：將與該腔室部件的該表面的該發射率或該粗糙度中的至少一者相關聯的該資料輸入經訓練的機器學習模型。該等操作進一步包括以下步驟：從該經訓練的機器學習模型接收輸出，該輸出包括經預測的基板製程結果。該等經預測的基板製程結果與要在該處理腔室中使用該腔室部件處理的未來基板對應。

依據本揭示內容的這些和其他的態樣，提供了許多其他的特徵。根據以下詳細描述、請求項和附圖，本揭示內容的其他特徵和態樣將變得更加充分明顯。

102:輻射源

103:輻射束

104:偏光濾波器

106:分束器

108:光學感測器

110:透鏡

112:鏡子

114:物體

116:光學感測器

120:反射物鏡

122:內表面

124:凸面鏡

126:孔

130:光學感測器

135:支架

152:可旋轉鏡

160:系統控制器

200:處理腔室

202:腔室主體

206:內部容積

208:側壁

210:底部

216:外襯墊

226:排氣端口

228:泵系統

230:蓮蓬頭

244:基板

248:基板支撐組件

258:氣體面板

300:電腦系統架構

310:預測系統

312:預測伺服器

314:預測引擎

320:客戶端設備

322:製造裝備

326:光學測量工具

340:網路

350:資料儲存器

370:伺服器機器

372:訓練集產生器

380:伺服器機器

382:訓練引擎

390:機器學習模型

405:模型訓練工作流程

412:部件發射率/粗糙度資料

417:模型應用工作流程

430:經處理基板結果引擎

436:訓練資料集

438:經訓練的機器學習模型

445:模型儲存器

462:輸入資料

467:經處理基板結果決定器

469:經處理基板的結果

470:動作

472:動作決定器

510:方塊

512:方塊

514:方塊

516:方塊

518:方塊

520:方塊

522:方塊

524:方塊

526:方塊

552:方塊

554:方塊

556:方塊

600:方法

602:方塊

604:方塊

606:方塊

608:方塊

700:計算設備

702:處理設備

704:主記憶體

706:靜態記憶體

708:匯流排

710:視訊顯示單元

712:文數字輸入設備

714:游標控制設備

720:訊號產生設備

722:網路介面設備

724:機器可讀取儲存媒體

726:指令

728:資料儲存設備

764:網路

100A:系統

100B:系統

500A:方法

500B:方法

藉由示例的方式而非限制的方式在附圖的圖式中示出本揭示內容，在該等附圖中，類似的附圖標記表示類似的元素。應注意，在本揭示內容中對於「一個(a/one)」實施例的不同指稱不一定指相同的實施例，並且這種指稱是指至少一個。

圖1A示出了依據本揭示內容的態樣，用於光學地決定物體的發射率和/或表面粗糙度的系統的簡化側視圖。

圖1B示出了依據本揭示內容的態樣，用於光學地決定物體的發射率和/或表面粗糙度的系統的簡化側視圖。

圖2描述了處理腔室的一個實施例的截面圖。

圖3描繪了依據本揭示內容的態樣的說明性電腦系統架構。

圖4示出了依據本揭示內容的態樣，用於決定經預測的經處理基板結果的模型訓練工作流程和模型應用工作流程。

圖5A是依據本揭示內容的態樣，用於產生用於訓練機器學習模型的訓練資料集的方法的流程圖。

圖5B是依據本揭示內容的態樣，用於使用經訓練的機器學習模型產生經預測的經處理基板結果的方法的流程圖。

圖6是依據本揭示內容的態樣，用於光學地決定物體的發射率和/或表面粗糙度的方法的流程圖。

圖7描述了呈計算設備的示例形式的機器的圖解表示，在該機器內可以執行用於使得該機器執行本文討論的任何一個或多個方法學的一組指令。

本揭示內容的實施例涉及用於決定表面粗糙度和發射率的系統和方法。製造過程的製程結果取決於許多因素，包括製程配方和腔室部件條件。例如，基於用於在基板上執行製程(如沉積過程、蝕刻過程等)的處理腔室的部件的發射率和/或表面粗糙度，整個基板表面上的製程結果可能會有所不同。例如，基於蓮蓬頭的條件、蓋子的條件、噴嘴的條件、支撐基板的基板支架的條件、腔室襯墊的條件、泵和/或閥門的條件等，整個基板表面上的製程結果可能會有所不同。這些部件中的一者或多者的發射率和/或表面粗糙度可能會直接影響基板上沉積的薄膜的品質。物體(如腔室部件)的發射率還會受到各種因素(包括地形(如表面粗糙度))的影響。因此，將物體的表面粗糙度與發射率一起進行分類可能很有用。

通常，腔室部件的發射率對經處理基板的品質影響最大的波長範圍是中紅外線(mid-IR)，特別是在3-5微米的範圍內。傳統的發射率儀(emissometer)(如用於測量發射率的工具)通常會測量並報告這一波長範圍內的發射率。這些傳統發射率儀的操作原理是，對於給定的樣品，發射率與反射輻射(如由受測物體的表面反射的輻射)之間存在直接關係。因此，傳統發射率儀的操作方式是，用來自一個來源的光照射物體，並收集來自物體表面的反射光。對反射光進行偵測，然後進行報告。

偵測物體發射率的傳統系統和方法存在許多缺陷。首先，傳統系統幾乎無法控制由光源照射的區域的尺寸(如「光點尺寸」)。因此，傳統的系統和方法無法有效分析小的表面積或幾何形狀。

其次，與此相關的是，傳統系統利用來自全向輻射源(例如，經由孔)的相對較弱的輻射來照射物體表面。傳統系統的全向輻射導致反射光(如反射輻射)的收集有限。因此，傳統系統本質上對雜訊很敏感，並且無法提供表徵小的物體幾何形狀(如小於1,000微米)所需的準確度。為了提高準確度，傳統系統可以減慢測量過程，並利用某些技術來提高訊噪比。為了提高訊噪比，一些傳統系統使用更大的孔將輻射傳給物體，但如上所述，這會導致系統不準確和光點尺寸增大。

本揭示內容的態樣和實施方式藉由提供一種用於偵測物體的發射率和/或表面粗糙度的系統(例如光學測量工具)，解決了傳統系統的上述缺點和其他缺點。在一些實施例中，系統包括輻射源，如在中紅外範圍內操作的超連續譜(supercontinuum)雷射器，該輻射源發射輻射束(如雷射光束)。輻射束可以藉由一個或多個鏡子和/或透鏡導向物體表面。在一些實施例中，透鏡會將輻射束聚焦到物體表面上的一個「點」上。物體表面會反射和/或散射輻射束的一部分。在一些實施例中，具有第一強度的反射部分被反射回系統，並被系統的光學偵測器偵測到。在一些實施例中，具有第二強度的散射部分被系統收集(例如，被反射物鏡(如史瓦茲希爾德(Schwarzschild)物鏡)收集)，並由系統的另一個光學偵測器偵測。處理設備(如計算設備等)基於將反射輻射的強度(如第一強度)與散射輻射的強度(如第二強度)進行比較來決定物體的表面粗糙度和/或發射率。

與上述的傳統系統相比，本揭示內容的實施例更具優勢。特別是，本文所述的一些實施例藉由提供發射輻射束的輻射源，而不是傳統系統的全向輻射源，來以更高的準確度偵測發射率。輻射束更強(例如，強度更大)，聚焦更集中，因此來自物體表面的反射輻射和/或散射輻射的強度更大。這種較大的強度降低了系統對訊號雜訊的敏感度，從而實現了更高的準確度。此外，本文所述的一些實施例還可以同時偵測和表徵受測物體的發射率和表面粗糙度兩者。藉由使用兩個光學偵測器，可以測量反射輻射(如「明場」)和散射輻射(如「暗場」)兩者，以提供用於表徵物體的發射率和表面粗糙度的資料。可以使用這個資料(例如，經由下文所述的機器學習技術)來為要在處理腔室中使用受測腔室部件(如受測物體)處理的基板預測基板製程結果。此外，與傳統系統相比，本文所述實施例中使用的輻射束允許更快地測量發射率。

圖1A示出了依據本揭示內容的態樣，用於光學地決定物體的發射率和/或表面粗糙度的系統100A的簡化側視圖。在一些實施例中，系統100A是一種光學測量工具(如發射率儀)。

系統100A包括輻射源102，該輻射源被配置為發射輻射束103，該輻射束可以是聚焦輻射束。在實施例中，輻射源102是一種雷射器，如半導體雷射器(如使用雷射二極體的雷射器)。可以使用的其他類型的雷射器包括氣體雷射器、固體雷射器、光纖雷射器和液體雷射器。在一些實施例中，輻射源102是超連續譜雷射器。在光學中，當一系列非線性過程共同作用於泵激光束，導致原始泵激光束的光譜嚴重拓寬時，就會形成超連續譜。結果是一個連續光譜。在一些實施例中，輻射源102是一種超連續譜雷射器，被配置為在中紅外範圍內操作(例如，輻射源102是中紅外超連續譜雷射器)。在一些實施例中，輻射源102發射的電磁輻射的波長在1-6微米的範圍內。在進一步的實施例中，輻射源102發射的輻射的波長在3-5微米的範圍內。在一些實施例中，輻射束103是準直光束(例如，輻射源102被配置為發射準直光束)。在一些實施例中，輻射束103的直徑在約1毫米與約10毫米之間。在一些實施例中，輻射束103的直徑為約5毫米。

在一些實施例中，輻射束103被引導通過偏光濾波器104(也稱為偏光器)。偏光濾波器104可以沿著輻射束103的光軸設置在輻射源102與分束器106之間。在一些實施例中，偏光濾波器104被配置為對從輻射源102發射的輻射束103進行偏光。在一些實施例中，偏光濾波器104對輻射束103進行線性偏光。在一些實施例中，省略了偏光濾波器104。

通常，分束器(如分束器106)是偏光相依的，這意味著反射輻射與透射輻射的比率是入射輻射的偏光和波長的函數。雖然輻射源102發射的輻射束103可能實質上是非偏光的，但在水平方向與垂直方向之間可能存在一些殘留的和變化的偏光偏好。在這種條件下，由分束器106傳輸的輻射量和/或輻射的偏光可能會出現輕微的調變。這種調變可能會在與本文所述的光學感測器108相關聯的正規化過程中引入誤差。因此，藉由在一些實施例中包括偏光濾波器104，輻射束103的暫態偏光的任何偏移都將轉化為振幅波動，該振幅波動將以相同的方式影響由分束器106傳輸的輻射和由分束器106反射的輻射(例如，在輻射束103的偏光發生變化的期間，傳輸輻射和反射輻射的振幅都將增大或減小)。下文將描述分束器的更多功能性。

在一些實施例中，輻射束103通過分束器106(可選地在通過了偏光濾波器104之後)。在一些實施例中，使用單向鏡代替分束器。

在一些實施例中，全部或實質上全部的輻射束103都會通過分束器106。或者，輻射束的一部分可以被分束器106反射並導向光學感測器108，而輻射束的另一個部分則被分束器透射(例如，射向透鏡110)。在一些實施例中，輻射束103的大部分強度透射通過分束器106，而輻射束103的一小部分(例如2-10%)強度被反射到光學感測器108。在一些實施例中，強度實質相等的輻射束103透射通過分束器106並反射(例如藉由分束器106)到光學感測器108。

光學感測器108可以被配置為偵測分束器106反射的輻射束的該部分的強度。光學感測器108(以及光學感測器116、130)可以是或包括具有一個或多個(例如矩陣)感測元件的感測器。在一些實施例中，感測元件是電荷耦合設備(CCD)感測器。在一些實施例中，感測元件是互補金屬氧化物半導體(CMOS)型影像感測器。在一些實施例中，感測元件是碲化鎘汞(HgCdTe)光導偵測器。也可以將本領域技術人員已知的其他類型的影像感測器用於光學感測器108、116、130。在一些實施例中，光學感測器108、116和/或130包括電流計或各自耦合到電流計，以測量藉由接收輻射誘發的電流。

如下文所述，光學感測器108偵測到的強度可以用於對光學感測器116和/或光學感測器130偵測到的輻射強度進行正規化。例如，光學感測器108偵測到的輻射強度的變化可以用於衰減由輻射源102輸出並由光學感測器116和/或光學感測器130偵測到的輻射強度的變化。具體來說，光學感測器108偵測到的輻射強度可以用作光學感測器116和光學感測器130的相對基準，因為在一些實施例中，光學感測器108偵測到的輻射強度與輻射束103的強度直接相關。在一些示例中，來源102輸出的輻射束103的功率波動可以由光學感測器108偵測到。在一些實施例中，光學感測器108輸出的訊號用於穩定系統100。在實施例中，可以基於光學感測器108輸出的訊號來降低測量系統的變化(例如，相同輻射強度的測量結果之間的變化)。在一些實施例中，光學感測器108輸出的訊號可以將測量值(如發射率和/或表面粗糙度)的變化降低到小於0.1%。因此，使用分束器106和光學感測器108可以提高系統100的穩定性，使得在實施例中的變化小於0.1%。在其他實施例中，變化可小於0.2%、小於0.3%、小於0.4%、小於0.5%、小於0.6%、小於0.6%、小於0.7%、小於0.8%、小於0.9%或小於1.0%。

上述偏光濾波器104的使用進一步提高了系統100的穩定性。特別是，輻射源102輸出的輻射的偏光可能會有輕微波動。通過分束器106的輻射束103量和被分束器106反射的輻射束103量可能與偏光有一定的相依性。因此，偏光的輕微波動可能會被偵測為光學感測器108、116、130中的一者或多者偵測到的強度的變化，從而導致系統不穩定。然而，藉由引入偏光濾波器104，移除了輻射束103的偏光的任何波動，從而提高系統測量的穩定性(減少測量變化)。

在一些實施例中，分束器106將輻射束(例如，一部分輻射束、大部分輻射束、除朝向光學感測器108反射的部分外的所有輻射束等)朝向一個或多個透鏡110傳輸，這些透鏡可以位於系統的光軸上。在一些實施例中，透鏡110是雙重透鏡。在一些實施例中，透鏡110是物鏡。透鏡110可以被配置為聚焦輻射束，以增強輻射束和/或縮小輻射束的直徑。透鏡110的焦距可以為約50毫米到約100毫米。在一些實施例中，透鏡110的焦距可以為約75毫米。在一些實施例中，透鏡110可以將輻射束在物體114的表面上聚焦為直徑小於約200微米的光點尺寸。在一些實施例中，透鏡110將輻射束103聚焦為小於300微米的光點尺寸。在一些實施例中，透鏡110可以將輻射束103聚焦為小於500微米的光點尺寸。在一些實施例中，光點尺寸為約50微米至90微米。光點尺寸可以是透鏡110的焦距、輻射束103的波長和輻射束103的初始寬度的函數。在一些實施例中，光點尺寸可以是可變的。例如，在一些實施例中，透鏡110附接到致動器或其他平移機構，該機構可以沿系統100的光軸移動透鏡110的位置。透鏡110位置的這種移動可以改變光學系統的焦點設定。在一些實施例中，耦合到透鏡110的致動器可以沿光軸移動透鏡110，以改變受測物體114的表面上的光點尺寸。

在一些實施例中，物體114位於支架135上。支架135可以是可動平台。在一些實施例中，支架135可以圍繞一個或多個軸(例如，一個軸、兩個軸、三個軸等)移動。例如，支架135可以在與入射輻射束的方向正交(如實質正交)的XY平面上移動。在一些實施例中，支架135可以圍繞一個或多個軸旋轉。在一些實施例中，支架135可以有六個或更少的自由度。

在一些實施例中，輻射束藉由透鏡110朝向成角度的鏡子112傳輸，該成角度的鏡子將聚焦的輻射束反射到物體114的表面上。在一些實施例中，物體114的表面至少部分具有發射性，並且可以具有表面粗糙度。在一些示例中，物體114的表面可以反射輻射和/或散射輻射。反射輻射和/或散射輻射的量可能取決於物體表面的一個或多個性質，如粗糙度、反射率、吸收率、折射率等。可以對反射輻射和/或散射輻射進行測量(例如，經由系統100)。在一些實施例中，物體114是基板處理腔室的一個腔室部件，例如圖2的處理腔室200的一個部件。在一些實施例中，待測物體114的表面可以與入射的輻射束實質垂直。因此，如果物體具有不平的表面，那麼在測量物體的不同部分時，可以改變物體相對於系統100的定向，使得受測物體的表面的一個點的法線與輻射束103的射線對準。

在一些實施例中，鏡子112與反射物鏡120的凸面鏡124的底表面(例如如圖所示)耦合。鏡子112的位置和/或尺寸可以使得散射輻射(例如來自物體114表面的散射輻射)不被鏡子112阻擋。輻射束的第一部分可以被物體114的表面朝向鏡子112反射回去。輻射束的第一部分可以稱為反射輻射束。然後，反射的輻射束可以從鏡子112反射，通過透鏡110反射回去，再從分束器106朝向光學感測器116反射。

在一些實施例中，分束器106將輻射束的反射部分反射到光學感測器116。光學感測器116可以被配置為偵測物體114表面反射的輻射束部分(即反射輻射束)的強度。在一些實施例中，光學感測器116偵測到的輻射強度(如反射輻射束的強度)與物體114表面的發射率和/或表面粗糙度有關。

在一些實施例中，物體114表面散射的輻射(例如由圖1中的虛線箭頭表示，並稱為散射輻射束)會被稱為光收集器的反射物鏡120收集。反射物鏡120可以包括凹面鏡面內表面122和凸面鏡124，該凸面鏡設置在內表面122的下方或附近。散射輻射束可以被凹面鏡面內表面122收集並朝向凸面鏡124反射。在一些實施例中，凸面鏡124形成反射物鏡120的中央遮蔽區域。在一些實施例中，凸面鏡124將從散射輻射束收集到的輻射通過凹面鏡面內表面122中的孔126朝向光學感測器130反射。在一些實施例中，反射物鏡120是史瓦茲希爾德(Schwarzschild)物鏡。然而，本領域的技術人員應該認識到，也可能使用其他的反射物鏡。在一些實施例中，光學感測器130被配置為偵測物體114表面散射的輻射的強度(例如，散射輻射束的強度)。在一些實施例中，光學感測器130偵測到的輻射強度(例如，物體114表面散射的輻射強度)與物體114表面的發射率和/或表面粗糙度有關。

在一些實施例中，系統控制器160(例如，計算設備、處理設備等)可以與光學感測器108、光學感測器116和/或光學感測器130通訊耦合。系統控制器160可以是和/或可以包括計算設備，如個人電腦、伺服器電腦、可程式邏輯控制器(PLC)、微控制器、系統單晶片(SoC)等。系統控制器160可以包括一個或多個處理設備，它可以是通用處理設備，如微處理器、中央處理單元或類似物。更詳細而言，處理設備可以是複雜指令集計算(CISC)微處理器、精簡指令集計算(RISC)微處理器、超長指令字(VLIW)微處理器或實施其他指令集的處理器或實施指令集的組合的處理器。處理設備也可以是一個或多個特殊用途處理設備，如特定應用積體電路 (ASIC)、現場可程式邏輯閘陣列(FPGA)、數位訊號處理器(DSP)、網路處理器或類似物。系統控制器160可以包括資料儲存設備(例如一個或多個磁碟機和/或固態硬碟)、主記憶體、靜態記憶體、網路介面和/或其他部件。系統控制器160可以執行指令以執行本文所述的任何一個或多個方法學和/或實施例。指令可以儲存在電腦可讀取儲存媒體上，該電腦可讀取儲存媒體可以包括主記憶體、靜態記憶體、輔助儲存器和/或處理設備(在指令的執行期間)。系統控制器160也可以被配置為允許人類操作員輸入和顯示資料、操作命令和類似物。

系統控制器160可以接收來自每個光學感測器的輸出訊號。在一些實施例中，系統控制器160可以基於光學感測器116偵測到的輻射強度和光學感測器130偵測到的輻射強度的比較，決定(例如，經由處理邏輯)物體114表面的粗糙度和/或發射率。在一些實施例中，發射率相當於1減去物體114表面的反射率(例如，1-反射率)。在一些實施例中，反射輻射的強度(例如由光學感測器116偵測到的強度)與發射率有關。例如，發射率可以視為與反射率互補。反射率可以藉由反射輻射束的強度(該強度例如由光學感測器116偵測到的輻射強度表示)與光學感測器108偵測到的輻射強度之比來計算。通過發射率=1-反射率的關係，反射率可以表明物體114表面的發射率。在一些實施例中，散射輻射強度與反射輻射強度之比表明表面粗糙度。

在一些示例中，與散射輻射強度(如光學感測器130偵測到的散射輻射強度)相比，較高的反射輻射強度(如光學感測器116偵測到的反射輻射強度)可能表明物體114表面的發射率較低和/或表面粗糙度較低。在一些示例中，與散射輻射強度相比，較低的反射輻射強度可能表明發射率較高和/或表面粗糙度較高。在一些示例中，與反射輻射強度相比，較高的散射輻射強度(如光學感測器130偵測到的散射輻射強度)可能表明表面粗糙度較高，而與反射輻射強度相比，較低的散射輻射強度可能表明表面粗糙度較低。

在一些實施例中，系統控制器160可以決定物體114的表面粗糙度與散射輻射強度與反射輻射強度之比有關。因此，處理設備可以基於光學感測器130偵測到的輻射強度與光學感測器116偵測到的輻射強度之比來決定物體114的表面粗糙度。

在一些實施例中，如上文所述，系統控制器160可以進一步基於來自光學感測器108的感測器資料決定表面粗糙度和/或發射率。具體來說，系統控制器160可以基於來自光學感測器108的感測器資料決定正規化係數。正規化係數可以用於正規化來自光學感測器116和/或光學感測器130的感測器資料。例如，輻射束103的振幅變化可能會導致光學感測器116偵測到的反射輻射和/或光學感測器130偵測到的散射輻射發生對應的變化。這些變化可能會導致系統控制器160計算出的表面粗糙度和/或發射率發生變化。然而，光學感測器108也可以偵測到輻射束103振幅的變化。藉由基於來自光學感測器108的感測器資料決定正規化係數(例如，在感測器資料對應於輻射束103的振幅變化的情況下)，可以對來自光學感測器116和130的感測器資料的變化進行正規化(例如，基於正規化係數)。系統控制器160可以使用經正規化的感測器資料來決定表面粗糙度和/或發射率。在一些實施例中，正規化係數與光學感測器108偵測到的強度和目標強度的乘積成正比。光學感測器116和/或光學感測器130的輸出訊號可以乘以正規化係數，以決定經改正的訊號。在一些實施例中，正規化係數可以解決感測器之間的頻率和/或相位不匹配、感測器測量的非線性和/或系統100A的其他非理想性。

在一些實施例中，系統100A可以產生物體114的表面粗糙度圖和/或發射率圖。藉由將物體114相對於入射的輻射束移動(例如，經由可動支架135)，並決定物體表面上各種分立點處的表面粗糙度和/或發射率，可以產生表面粗糙度圖和/或發射率圖。在一些實施例中，產生的表面粗糙度圖和/或發射率圖可以基於整個物體114表面上各種已知點處的表面粗糙度和/或發射率的測量結果。這個圖可以用於決定下文所述的各種被預測的元素。

在一些實施例中，替代於或附加於系統100A的一個或多個部件，系統100包括攝影機。在一些示例中，在中紅外範圍內操作的攝影機可以對物體114的表面進行成像，以決定物體114表面的發射率和/或粗糙度資訊。

圖1B示出了依據本揭示內容的態樣，用於光學地決定發射率和/或表面粗糙度的系統100B的簡化側視圖。與系統100的特徵編號相似的系統200的特徵可以具有上文所述的類似結構和/或功能。在一些實施例中，系統100B包括可旋轉鏡152，該可旋轉鏡被配置為將輻射束導向透鏡110。在一些示例中，輻射源102的光軸可以被設定為與透鏡110的光軸大致成直角(如90度)。在一些實施例中，可旋轉鏡152實質上設置在透鏡110的焦平面處。在一些實施例中，可旋轉鏡152可以將來自輻射源的輻射束以一定角度朝向透鏡110反射。回應於可旋轉鏡152圍繞垂直於透鏡110光軸的軸(例如，繪製頁面的上下方向的軸或進出繪製頁面的軸)旋轉，可旋轉鏡152可以使輻射束橫跨物體114的表面以週期性運動的方式移動。例如，透鏡110可以將可旋轉鏡152的角運動變換為輻射束的橫向運動(如週期性橫向運動)。在一些示例中，可旋轉鏡152的旋轉會導致輻射束橫跨物體114的表面週期性地來回移動(例如，以週期性運動的方式)。輻射束的來回運動可以允許掃描物體114的表面。

在一些實施例中，當物體114藉由支架135在XY平面的Y方向上緩慢移動時，輻射束在X方向(如XY平面的X方向)上快速來回移動，以掃描物體114的表面。在掃描期間收集的資料(例如，反射輻射強度和/或散射輻射強度)可以用於決定(例如，由系統控制器160)物體114的發射率表面輪廓圖(profile map)和/或表面粗糙度輪廓圖(例如，一個或多個輪廓圖)。

圖2是依據本揭示內容的實施例，處理腔室200(例如，半導體處理腔室、顯示器處理腔室等)的截面圖，該處理腔室具有已經使用圖1A的系統100A或圖1B的系統100B來表徵的一個或多個腔室部件。例如，處理腔室200可以用於提供了具有電漿處理條件的腐蝕性電漿環境的製程。例如，處理腔室200可以是用於電漿蝕刻器或電漿蝕刻反應器、電漿清潔器等的腔室。其他類型的腔室可以包括沉積腔室、清潔腔室、氧化腔室等。可以對其表面粗糙度和/或發射率進行表徵的腔室部件的例子包括基板支撐組件248、靜電卡盤(ESC)、環(例如製程套件環或單環)、腔室壁、基部、氣體分佈板、蓮蓬頭230、氣體管道、噴嘴、蓋子、襯墊、襯墊套件、護罩、電漿屏、流量等化器、冷卻基部、腔室視口、腔室蓋等。腔室部件可以由金屬、金屬合金、陶瓷和其任意組合組成。腔室部件可以包括塗層，如抗電漿塗層或抗腐蝕塗層，其表面可以使用圖1A-1B的系統進行表徵。塗層可以是經由原子層沉積、電漿噴塗、化學氣相沉積、離子輔助沉積、濺射、物理氣相沉積、電鍍、陽極化等方法沉積或生長的塗層。

在一個實施例中，處理腔室200包括腔室主體202和蓮蓬頭230，該腔室主體和該蓮蓬頭包圍內部容積206。蓮蓬頭230可以包括蓮蓬頭基部和蓮蓬頭氣體分佈板。或者，在一些實施例中，蓮蓬頭230可以由蓋子和噴嘴取代。腔室主體202可以由鋁、不銹鋼或其他合適的材料製造。腔室主體202一般包括側壁208和底部210。蓮蓬頭230(或蓋子和/或噴嘴)、側壁208和/或底部210中的任一者可以包括所表徵的塗層。

外襯墊216可以設置在側壁208附近，以保護腔室主體202。外襯墊216可以被表徵。在一個實施例中，外襯墊216由氧化鋁製造。

排氣端口226可以被界定在腔室主體202中，並且可以將內部容積206耦合到泵系統228。泵系統228可以包括一個或多個泵和節流閥，該一個或多個泵和節流閥用來抽空和調節處理腔室200的內部容積206的壓力。

蓮蓬頭230可以被支撐在腔室主體202的側壁208和/或頂部上。在一些實施例中，蓮蓬頭230(或蓋子)可以打開，以允許進入處理腔室200的內部容積206，並且可以在關閉時為處理腔室200提供密封。氣體面板258可以與處理腔室200耦合，以通過蓮蓬頭230或蓋子和噴嘴向內部容積206提供製程氣體和/或清潔氣體。蓮蓬頭230用於處理用於電介質蝕刻(蝕刻電介質材料)的腔室。蓮蓬頭230可以包括氣體分佈板(GDP)，整個GDP上有多個氣體輸送孔232。蓮蓬頭230可以包括黏合在鋁蓮蓬頭基部或陽極化鋁蓮蓬頭基部上的GDP。GDP 233可以由Si或SiC製成，也可以是Y₂O₃、Al₂O₃、YAG等陶瓷。在實施例中，蓮蓬頭230和輸送孔232可以使用系統100或150進行表徵。對於用於導體蝕刻(蝕刻導電材料)的處理腔室，可以使用蓋子而不是蓮蓬頭。蓋子可以包括配合到蓋子的中心孔中的中心噴嘴。蓋子可以是Al₂O₃、Y₂O₃、YAG等陶瓷，也可以是包括Y₂O₃-ZrO₂的固溶體和Y₄Al₂O₉的陶瓷化合物。噴嘴也可以是Y₂O₃、YAG等陶瓷，也可以是包括Y₂O₃-ZrO₂的固溶體和Y₄Al₂O₉的陶瓷化合物。依據一個實施例，蓋子、蓮蓬頭230(該蓮蓬頭例如包括蓮蓬頭基部、GDP和/或氣體輸送導管/孔)和/或噴嘴可以使用系統100或150進行表徵。

基板支撐組件248被設置在蓮蓬頭230或蓋子下方的處理腔室200的內部容積206中。基板支撐組件248在處理期間固持基板244，並且可以包括黏合在冷卻板上的靜電卡盤。

內襯墊可以位於基板支撐組件248的周邊。內襯墊可以是含鹵素的抗氣體材料，如參考外襯墊216所討論的材料。在一個實施例中，內襯墊218可以由與外襯墊216相同的材料製造。此外，在實施例中，內襯墊218也可以使用系統100或150進行表徵。

圖3描繪了依據本揭示內容的態樣的說明性電腦系統架構300。電腦系統架構300包括客戶端設備320、製造裝備322、光學測量工具326、預測伺服器312(該預測伺服器例如用來產生預測資料、提供模型調適、使用知識庫等)和資料儲存器350。預測伺服器312可以是預測系統310的一部分。預測系統310可以進一步包括伺服器機器370和380。在一些實施例中，電腦系統架構300可以包括用於處理基板的製造系統，或光學測量工具326，或者可以是該製造系統或該光學測量工具的一部分。關於光學測量工具326的其他細節將就圖1A-1B提供。

客戶端設備320、製造裝備322、光學測量工具326、預測系統310和/或資料儲存器350的部件可以經由網路340彼此耦合。在一些實施例中，網路340是公用網路，它向客戶端設備320提供對預測伺服器312、資料儲存器350和其他可公用的計算設備的存取。在一些實施例中，網路340是私用網路，它向客戶端設備320提供對製造裝備322、光學測量工具326、資料儲存器350和/或其他可私用的計算設備的存取。網路340可以包括一個或多個廣域網路(WAN)、區域網路(LAN)、有線網路(例如乙太網路)、無線網路(例如802.11網路或Wi-Fi網路)、蜂巢式網路(例如長期演進(LTE)網路)、路由器、集線器、交換器、伺服器電腦、雲端計算網路和/或其組合。

客戶端設備320可以包括計算設備，例如個人電腦(PC)、膝上型電腦、行動電話、智慧型手機、平板電腦、隨身型易網機電腦、網路連接的電視(「智慧型TV」)、網路連接的媒體播放器(例如藍光播放器)、機上盒、過頂(OTT)串流設備、營運商盒子(operator box)等。

製造裝備322可以按照配方生產產品。在一些實施例中，製造裝備322可以包括製造系統或者可以是其一部分，該製造系統包括配置為對基板執行不同操作的一個或多個站(例如製程腔室、傳輸腔室、裝載閘(load lock)、工廠介面等)。

光學測量工具326可以是用於決定受測物體的表面的發射率和/或粗糙度的工具(例如系統)。光學測量工具326可以被配置為產生與光學測量工具326所測量的物體的發射率和/或表面粗糙度相關聯的資料。在一些實施例中，光學測量工具與系統100A或系統100B相對應。在一些實施例中，此類資料(如發射率資料、表面粗糙度資料等)可以儲存在資料儲存器350中，在該資料儲存器處可以存取這些資料(如經由網路340)。光學測量工具326可以包括一個或多個感測器(例如多個光學感測器)，這些感測器被配置為偵測輻射並產生與受測物體相關聯的資料。在一些實施例中，光學測量工具326包括輻射源以提供輻射束，該輻射束用於照射受測物體(例如，製造裝備322的基板處理腔室的腔室部件等)的表面。光學測量工具326的光學感測器可以偵測物體表面反射和/或散射的輻射。在一些實施例中，光學測量工具326可以基於光學感測器偵測到的反射輻射和/或散射輻射的強度產生發射率資料和/或表面粗糙度資料。在一些實施例中，光學測量工具326可以藉由測量受測物體的表面上的多個位置處的發射率和/或表面粗糙度，產生受測物體表面的表面粗糙度輪廓圖和/或發射率輪廓圖。在一些實施例中，光學測量工具326可以包括在用於製造製造裝備322的部件(如處理腔室部件)的系統中。

資料儲存器350可以是記憶體(例如隨機存取記憶體)、驅動器(例如硬碟機、快閃碟)、資料庫系統，或能夠儲存資料的另一種類型的部件或設備。資料儲存器350可以包括可以跨越多個計算設備(例如多個伺服器電腦)的多個儲存部件(例如多個驅動器或多個資料庫)。資料儲存器350可以儲存發射率資料和表面粗糙度資料(這些資料例如由光學測量工具326產生)。

資料儲存器350的一個或多個部分可以被配置為儲存製造系統的使用者無法存取的資料。在一些實施例中，儲存在資料儲存器350處的所有資料都可以是製造系統的使用者無法存取的。在其他或類似的實施例中，儲存在資料儲存器350處的資料的一部分是使用者無法存取的，而儲存在資料儲存器350處的資料的另一個部分是使用者可以存取的。在一些實施例中，儲存在資料儲存器350處的無法存取的資料是使用使用者未知的加密機制來加密的(例如資料是使用私用加密金鑰來加密的)。在其他或類似的實施例中，資料儲存器350可以包括多個資料儲存器，其中使用者無法存取的資料儲存在第一資料儲存器中，而使用者可以存取的資料儲存在第二資料儲存器中。

在一些實施例中，預測系統310包括伺服器機器370和伺服器機器380。伺服器機器370包括訓練集產生器372，它能夠產生訓練資料集(例如一組資料輸入和一組目標輸出)以訓練、驗證和/或測試機器學習模型390或一組機器學習模型390。下面就圖4和5A詳細描述了訓練集產生器372的一些操作。在一些實施例中，訓練集產生器372可以將訓練資料劃分成訓練集、驗證集和測試集。

伺服器機器380可以包括訓練引擎382。引擎可以指硬體(例如電路系統、專用邏輯、可程式邏輯、微碼、處理設備等)、軟體(例如運行於處理設備、通用電腦系統或專用機器上的指令)、韌體、微碼或其組合。訓練引擎382可以能夠訓練機器學習模型390或一組機器學習模型390。機器學習模型390可以指訓練引擎382使用訓練資料創建的模型人造物。訓練資料可以包括訓練輸入和對應的目標輸出(針對相應訓練輸入的正確答案)。訓練引擎382可以在訓練資料中找出將訓練輸入映射到目標輸出(要預測的答案)的模式。然後，訓練引擎382可以最終提供捕捉到這些模式的機器學習模型390。機器學習模型390可以包括線性迴歸模型、偏最小平方迴歸模型、高斯迴歸模型、隨機森林模型、支援向量機模型、神經網路、脊迴歸模型等。在一些實施例中，替代於或附加於機器學習模型，機器學習模型390是基於物理的模型。

訓練引擎382也能夠使用來自訓練集產生器372的驗證集的對應的一組特徵來驗證經訓練的機器學習模型390。在一些實施例中，訓練引擎382可以為一組經訓練的機器學習模型390中的每個經訓練的機器學習模型分配性能評級。性能評級可以與相應的經訓練的模型的準確度、相應模型的速度和/或相應模型的效率對應。依據本文所述的一些實施例，訓練引擎382可以選擇經訓練的機器學習模型390，該經訓練的機器學習模型的性能評級滿足要由預測引擎314所使用的性能標準。就圖5A提供了關於訓練引擎382的其他細節。

預測伺服器312包括預測引擎314，該預測引擎能夠提供來自光學測量工具326的資料(例如發射率資料和/或表面粗糙度資料)，作為經訓練的機器學習模型390的輸入。預測引擎可以對輸入執行經訓練的模型390，以獲得一個或多個輸出。在實施例中，經訓練的模型390是根據訓練資料進行訓練的，該訓練資料包括腔室部件的粗糙度和/或發射率的表面輪廓圖，以及一個或多個經處理基板的一個或多個品質度量。如就圖5B所進一步描述的，在一些實施例中，預測引擎314使用模型390處理輸入資料(例如，腔室部件的粗糙度和/或發射率的表面輪廓)，以為要在處理腔室中使用由光學測量工具326測量的腔室部件處理的未來基板預測基板製程結果(例如一個或多個基板品質度量)。

應注意，在一些其他的實施方式中，伺服器機器370和380以及預測伺服器312的功能可以由更大或更小數量的機器來提供。例如，在一些實施例中，伺服器機器370和380可以整合到單一機器中。在其他實施例中，伺服器機器370和380和/或預測伺服器312可以整合到單一機器中。一般而言，在一個實施方式中被描述為由伺服器機器370、伺服器機器380和/或預測伺服器312所執行的功能也可以在客戶端設備320上執行。此外，歸因於特定部件的功能性還可以由一起操作的不同部件或多個部件所執行。

圖4示出了依據一個實施例，用於根據一個或多個腔室部件的表面輪廓圖決定預測的經處理基板的結果的模型訓練工作流程405和模型應用工作流程417。模型訓練工作流程405和模型應用工作流程417可以由計算設備的處理器執行的處理邏輯來執行。這些工作流程405、417中的一者或多者可以由例如一個或多個機器學習模型實施，這些機器學習模型在處理設備和/或處理設備上執行的其他軟體和/或韌體上實施。

模型訓練工作流程405用於訓練一個或多個機器學習模型(例如深度學習模型)，以為在製程腔室中處理的基板決定預測的基板結果，該製程腔室包括具有測得的發射率表面輪廓和/或粗糙度表面輪廓的一個或多個腔室部件。模型應用工作流程417用於應用該一個或多個經訓練的機器學習模型以執行基板結果評估。每個部件發射率/粗糙度資料412可以包括處理腔室的腔室部件的多個位置處的表面發射率和/或粗糙度。例如，每個部件發射率/粗糙度資料412可以包括對應腔室部件的表面發射率測量結果和/或表面粗糙度測量結果的陣列。在一些實施例中，部件發射率/粗糙度資料412包括物體表面(如腔室部件表面)的一個或多個發射率圖和/或粗糙度圖(如輪廓圖)。在一些實施例中，發射率圖和/或粗糙度圖可以經由上文所述的系統100A或100B產生。

本文描述了各種機器學習輸出。對機器學習模型的特定數量和佈置進行了描述和顯示。然而，應該理解的是，所使用的機器學習模型的數量和類型以及這種機器學習模型的佈置可以被修改，以實現相同或類似的最終結果。因此，所描述和顯示的機器學習模型的佈置只是例子，不應該被解釋為是限制性的。

在一些實施例中，一個或多個機器學習模型被訓練來執行一個或多個基板結果估計任務。每個任務都可以由一個單獨的機器學習模型來執行。或者，單一的機器學習模型可以執行每個任務或任務的一個子集。例如，可以訓練第一機器學習模型來決定基板製程結果，並且可以訓練第二機器學習模型來決定對應的改正動作。附加性地或替代性地，不同的機器學習模型可以被訓練來執行不同的任務組合。在一個例子中，可以訓練一個或幾個機器學習模型。經訓練的機器學習(ML)模型可以是單一的共用神經網路，它有多個共用層和多個更高層次的相異輸出層，其中每個輸出層輸出不同的預測、分類、識別等。例如，第一更高層次的輸出層可以基於與第一腔室部件對應的輸入資料決定基板製程結果，第二更高層次的輸出層可以基於與第二腔室部件對應的輸入資料決定基板製程結果。

可以用於執行上述的一些任務或所有任務的一種機器學習模型是人工神經網路，如深度神經網路。人工神經網路通常包括具有將特徵映射到目標輸出空間的分類器或迴歸層的特徵表示部件。例如，卷積神經網路(CNN)包含多層卷積過濾器。深度學習是一類機器學習演算法，它使用多層非線性處理單元的級聯進行特徵抽取和變換。每個連續的層使用來自前一層的輸出作為輸入。深度神經網路可以以監督式(如分類)和/或無監督式(如模式分析)的方式進行學習。深度神經網路包括層的層次結構，不同的層學習與不同的抽象層次對應的不同的表示層次。在深度學習中，每個層次都會學習將其輸入資料變換成略微更加抽象和綜合的表示。值得注意的是，深度學習過程可以自行學習哪些特徵要最佳地放置在哪個層次。「深度學習」中的「深度」指的是變換資料所通過的層數。更確切地說，深度學習系統有相當大的信用分配路徑(CAP)深度。CAP是從輸入到輸出的變換鏈。 CAP描述了輸入與輸出之間潛在的因果關係。對於前饋神經網路，CAP的深度可以是網路的深度，並且可以是隱藏層的數量加1。對於訊號可以通過一個層傳播超過一次的遞歸神經網路來說，CAP深度可能是無限的。

神經網路的訓練可以以監督式學習的方式實現，這涉及通過網路饋送由有標籤的輸入組成的訓練資料集，觀察其輸出，定義誤差(藉由測量輸出與標籤值之間的差異來定義)，並使用諸如深度梯度下降和反向傳播之類的技術來橫跨網路的所有層和節點調整該網路的權重，使得誤差最小化。在許多應用中，橫跨訓練資料集中的許多有標籤的輸入重複這一過程會產生一個網路，當出現與存在於訓練資料集中的輸入不同的輸入時，該網路可以產生正確的輸出。

對於模型訓練工作流程405，應使用包含數百、數千、數萬、數十萬或更多個組件發射率/粗糙度資料412(例如，表面發射率/粗糙度圖)實例的訓練資料集來形成訓練資料集。例如，資料可以包括使用給定數量的測量結果決定的腔室部件發射率測量結果。在一些實施例中，執行多次測量以產生腔室部件表面的表面發射率圖。這個資料可以被處理，以產生一個或多個訓練資料集436，這些訓練資料集用於訓練一個或多個機器學習模型。訓練資料集436中的訓練資料項目可以包括部件發射率/粗糙度資料412、在處理腔室中使用受測的腔室部件處理的基板的基板結果，和/或經處理的基板的一個或多個影像。

為了實現訓練，處理邏輯將訓練資料集436輸入一個或多個未訓練的機器學習模型。在將第一輸入輸入機器學習模型之前，機器學習模型可以被初始化。處理邏輯基於訓練資料集來訓練未訓練的機器學習模型，以產生執行上面闡述的各種操作的一個或多個經訓練的機器學習模型。訓練可以藉由將部件發射率/粗糙度資料412、影像和/或經處理基板的結果等輸入資料逐一輸入機器學習模型來執行。

機器學習模型處理輸入以產生輸出。人工神經網路包括輸入層，該輸入層由資料點中的值組成。下一層稱為隱藏層，隱藏層處的節點各自接收一個或多個輸入值。每個節點都包含應用於輸入值的參數(例如權重)。因此，每個節點基本上都將輸入值輸入多變量函數(例如，非線性數學變換)，以產生輸出值。下一層可能是另一個隱藏層，或輸出層。在這兩種情況下，下一層處的節點從上一層處的節點接收輸出值，每個節點對那些值應用權重，然後產生自己的輸出值。這可以在每一層處執行。最後一層是輸出層，在那裡，機器學習模型所能產生的每個類別、預測和/或輸出都有一個節點。

因此，輸出可以包括一個或多個預測或推斷(例如，針對在製程腔室中處理的基板對經處理基板的結果的估計，受測的基板在該製程腔室中使用特定的腔室部件進行處理)。處理邏輯可以將輸出的估計基板結果與歷史基板結果進行比較。處理邏輯基於估計基板結果與目標基板結果之間的差異決定誤差(即分類誤差)。處理邏輯基於誤差來調整機器學習模型中一個或多個節點的權重。可以為人工神經網路中的每個節點決定誤差項或差量(delta)。基於這個誤差，人工神經網路調整其一個或多個節點的一個或多個參數(節點的一個或多個輸入的權重)。參數可以以反向傳播的方式進行更新，使得最高層處的節點先被更新，然後是下一層處的節點，以此類推。人工神經網路包含多層「神經元」，其中每一層都從上一層處的神經元接收作為輸入值。每個神經元的參數包括與從上一層處的每個神經元收到的值相關聯的權重。因此，調整參數可以包括調整分配給人工神經網路中一個或多個層的一個或多個神經元的每個輸入的權重。

一旦模型參數被最佳化，就可以執行模型驗證，以決定模型是否得到了改善，並決定深度學習模型的當前準確度。在一輪或多輪訓練之後，處理邏輯可以決定停止標準是否已被滿足。停止標準可以是準確度的目標位準、來自訓練資料集的經處理的影像的目標數量、參數相對於一個或多個先前資料點的變化的目標量、其組合和/或其他標準。在一個實施例中，當至少處理了最低數量的資料點，並且至少達到了閾值準確度，就滿足了停止標準。閾值準確度可以是例如70%、80%或90%的準確度。在一個實施例中，如果機器學習模型的準確度已經停止提高，那麼停止標準被滿足。如果沒有滿足停止標準，那麼就執行進一步的訓練。如果滿足了停止標準，那麼訓練就可能完成了。一旦機器學習模型被訓練，訓練資料集的保留部分就可以用來測試模型。一旦產生了一個或多個經訓練的機器學習模型438，就可以將它們儲存在模型儲存器445中，並且可以添加到經處理基板結果引擎430。

對於模型應用工作流程417，依據一個實施例，輸入資料462可以被輸入一個或多個經處理基板結果決定器467，每個經處理基板結果決定器可以包括一個經訓練的神經網路或其他模型。附加性地或替代性地，一個或多個經處理基板結果決定器467可以應用影像處理演算法來決定經處理基板的結果。輸入資料可以包括腔室部件表面發射率輪廓圖和/或粗糙度輪廓圖(該圖例如是使用本文所述的光學測量工具測得/產生的)。此外，輸入資料可以可選地包括受測腔室部件的一個或多個影像。基於輸入資料462，經處理基板結果決定器467可以輸出一個或多個估計的經處理基板的結果469。經處理基板的結果469可以包括對要在製程腔室中使用受測的腔室部件處理的基板上沉積或蝕刻的一個或多個薄膜的經預測的品質(例如厚度、均勻性等)。

動作決定器472可以基於經處理基板的結果469決定要執行的一個或多個動作470。在一個實施例中，動作決定器472將經處理基板的結果估計與一個或多個經處理基板的結果閾值進行比較。如果一個或多個經處理基板的結果估計達到或超過經處理基板的結果閾值，則動作決定器472可以決定建議替換腔室部件和/或更新用於未來基板處理的製程參數。在這種情況下，動作決定器472可以輸出替換腔室部件和/或更新製程參數的建議或通知。在一些實施例中，動作決定器472基於滿足一個或多個標準的經處理基板的結果469自動更新製程參數。在一些示例中，經處理基板的結果469可以包括一個或多個處理操作之後的基板的經估計的條件。在一些實施例中，經估計的條件可以用於決定對用於在處理腔室中使用腔室部件進行的未來基板處理的製程參數的一個或多個更新。

圖5A是依據本揭示內容的態樣，用於產生用於訓練機器學習模型執行基板結果評估的訓練資料集的方法500A的流程圖。方法500A是由處理邏輯所執行的，該處理邏輯可以包括硬體(電路系統、專用邏輯等)、軟體(該軟體例如運行於通用電腦系統或專用機器上)、韌體或其某種組合。在一個實施方式中，方法500A可以由電腦系統(例如圖3的電腦系統架構300)所執行。在其他或類似的實施方式中，方法500A的一個或多個操作可以由圖式中未描述的一個或多個其他機器所執行。

在方塊510處，處理邏輯將訓練集T初始化為空集合(例如{ })。

在方塊512處，處理邏輯獲得與在製造系統的處理腔室處處理的基板相關聯的基板製程結果資料(例如與基板上的薄膜的表面相關聯的資料，如薄膜厚度、均勻性等)。在一些實施例中，處理邏輯使用一個或多個歷史室部件獲得與在處理腔室中處理的基板相對應的歷史基板製程結果資料。

在方塊514處，處理邏輯獲得包括在處理腔室中的部件的表面發射率資訊和/或表面粗糙度資訊，該部件處理過上述基板。如前所述，表面發射率資訊和/或表面粗糙度資訊可以藉由本文所述的光學測量工具(如圖3的光學測量工具326)或用於光學地決定發射率和/或表面粗糙度的系統(如系統100或系統200)獲得。在一些實施例中，表面發射率資訊和/或表面粗糙度資訊可以包括受測腔室部件的表面的輪廓圖。在一些實施例中，處理邏輯獲得與歷史腔室部件的歷史測量結果對應的歷史腔室部件表面粗糙度資料和/或歷史腔室部件發射率資料。

在方塊516處，處理邏輯基於在方塊514處為腔室部件表面發射率和/或粗糙度獲得的資料產生訓練輸入。在一些實施例中，訓練輸入可以包括經正規化的一組感測器資料(例如，反射輻射和/或散射輻射的經正規化的強度、經正規化的發射率和/或表面粗糙度測量結果等)。

在方塊518處，處理邏輯可以基於在方塊512處獲得的基板製程結果資料產生目標輸出。目標輸出可以對應於在處理腔室中處理的基板的基板結果度量(表明經處理基板的品質的資料)。

在方塊520處，處理邏輯產生輸入/輸出映射。輸入/輸出映射指的是包括或基於腔室部件的資料的訓練輸入以及訓練輸入的目標輸出，其中目標輸出識別基板製程結果，並且其中訓練輸入關聯於(或映射到)目標輸出。在方塊522處，處理邏輯將輸入/輸出映射添加到訓練集T。

在方塊524處，處理邏輯決定訓練集T是否包括足以訓練機器學習模型的訓練資料量。應注意，在一些實施方式中，訓練集T的充分性可以單純基於訓練集中的輸入/輸出映射的數量來決定，而在一些其他的實施方式中，訓練集T的充分性可以附加於或替代於輸入/輸出映射的數量基於一個或多個其他的準則(例如訓練例的多樣性的度量等)來決定。回應於決定訓練集T包括足以訓練機器學習模型的訓練資料量，處理邏輯提供訓練集T以訓練機器學習模型。回應於決定訓練集不包括足以訓練機器學習模型的訓練資料量，方法500返回方塊512。

在方塊526處，處理邏輯提供訓練集T以訓練機器學習模型。在一些實施例中，訓練集T被提供到(如圖3的)伺服器機器380的訓練引擎382以執行訓練。在神經網路的情況下，例如，給定輸入/輸出映射的輸入值(例如針對先前基板的光譜資料和/或腔室資料)被輸入到神經網路，並且輸入/輸出映射的輸出值被儲存在神經網路的輸出節點中。然後，依據學習演算法(例如反向傳播法等)調整神經網路中的連接權重，並且對訓練集T中其他的輸入/輸出映射重複該程序。在方塊526之後，機器學習模型(如圖3的機器學習模型390)可以用於為在處理腔室中使用受測的腔室部件處理的基板提供經預測的基板製程結果。

圖5B是依據本揭示內容的態樣，用於使用經訓練的機器學習模型產生經預測的經處理基板結果的方法500B的流程圖。方法500B是由處理邏輯所執行的，該處理邏輯可以包括硬體(電路系統、專用邏輯等)、軟體(該軟體例如運行於通用電腦系統或專用機器上)、韌體或其某種組合。在一個實施方式中，方法500B可以由電腦系統(例如圖3的電腦系統架構300)所執行。在其他或類似的實施方式中，方法500B的一個或多個操作可以由圖式中未描述的一個或多個其他機器所執行。

在方塊552處，處理邏輯接收與處理腔室的腔室部件的表面的發射率和/或粗糙度相關聯的資料。在一些實施例中，資料是從本文所述的光學測量工具(如圖3的光學測量工具326)或用於光學地決定發射率和/或表面粗糙度的系統(如系統100A或系統100B)接收的。資料可以是原始感測器資料，也可以是經過處理(例如，由處理設備、計算設備等處理)以決定表面發射率和/或粗糙度的資料。在一些實施例中，資料呈一個或多個表面輪廓圖的形式，這些表面輪廓圖表明表面發射率和/或粗糙度。

在方塊554處，處理邏輯將在方塊552處接收的資料輸入經訓練的機器學習模型。在一些實施例中，經訓練的機器學習模型是使用本文中參考圖3、圖4和/或圖5A所描述的技術進行訓練的。經訓練的機器學習模型可以用資料輸入進行訓練，該資料輸入包括歷史表面粗糙度資料和/或歷史表面發射率資料，這些資料標有包括歷史基板製程結果資料的對應目標輸出資料。經訓練的機器學習模型可以被訓練為基於與腔室部件的表面發射率和/或粗糙度相關聯的資料輸入輸出一個或多個經預測的基板製程結果。

在方塊556處，處理邏輯從經訓練的機器學習模型接收輸出，該輸出包括經預測的基板製程結果，這些經預測的基板製程結果與要在處理腔室中使用腔室部件處理的未來基板對應。在一些實施例中，腔室部件的表面發射率和/或粗糙度可能會影響在處理腔室中處理的基板的結果。經預測的基板製程結果可以反映出這些影響。

圖6是依據本揭示內容的態樣，用於光學地決定發射率和/或表面粗糙度的方法600的流程圖。方法600是由系統所執行的，該系統可以包括硬體(電路系統、專用邏輯、本文所述的光學測量工具等)、軟體(該軟體例如運行於通用電腦系統或專用機器上)、韌體或其某種組合。在一個實施方式中，方法600可以由電腦系統(如圖3的電腦系統架構300)執行，在其他或類似的實施方式中，方法600的一個或多個操作可以由圖式中未描述的一個或多個其他機器執行。

在方塊602處，系統的輻射源發射輻射束。在一些實施例中，輻射束是中紅外範圍內的紅外輻射束(例如，雷射器輸出的紅外輻射束)。例如，輻射束的波長範圍可以為1-6微米。在另一個例子中，輻射束的波長範圍可以為3-5微米。在一些實施例中，輻射源是中紅外超連續譜雷射發射器，該發射器被配置為在中紅外範圍內操作。因此，在一些實施例中，輻射束是中紅外紅外雷射光束。在一些實施例中，輻射束經由一個或多個鏡子、濾光器(如偏光濾波器)、透鏡和/或分束器導向物體表面。至少部分地由於物體表面的發射率和/或粗糙度，物體表面可能會使輻射束的一部分反射和/或可能會使輻射束的一部分(如另一部分)散射。在一些實施例中，物體是基板處理腔室的腔室部件。

在方塊604處，系統的第一光學感測器偵測從物體(例如腔室部件)的表面反射的輻射束部分的強度。反射輻射的強度可以至少表明物體表面的發射率和/或粗糙度。在一些實施例中，光束的反射部分經由一個或多個鏡子、透鏡和/或分束器導向第一光學感測器。在一些示例中，輻射束的反射部分沿著路徑的至少一部分返回輻射源。分束器可以將路徑上的反射輻射導向光學感測器。

在方塊606處，系統的第二光學感測器偵測由物體(例如腔室部件)的表面散射的輻射束部分的強度。散射輻射的強度可以至少表明物體表面的發射率和/或粗糙度。在一些實施例中，散射輻射由反射物鏡(例如，史瓦茲希爾德物鏡)收集，並朝向第二光學感測器引導(例如，反射和/或聚焦)。在一些實施例中，反射物鏡實質上設置在物體上方(例如，如圖1A和1B所示)。在一些實施例中，一個或多個鏡子、濾光器、透鏡等可以對散射輻射進行引導、處理、操控、反射等操作。

在方塊608處，與第一光學感測器和第二光學感測器通訊耦合的處理設備可以決定(例如經由處理邏輯)物體(例如腔室部件)的表面的粗糙度或物體的表面的發射率中的至少一者。在一些實施例中，處理設備基於上述反射輻射的強度和散射輻射的強度的比較做出這一決定。在一些實施例中，基於測得的粗糙度和/或測得的發射率更新(例如調整)與物體對應的製造過程參數(例如製造配方、製造操作等)。例如，用於腔室部件的製造過程可以基於樣品腔室部件的表面的表面粗糙度和/或發射率的測得值進行更新。在這樣的例子中，測得值可以表明樣品腔室部件不滿足目標閾值(例如目標表面粗糙度閾值和/或目標發射率閾值)。對製造過程的更新可以是依據經更新的製造過程參數製造在目標閾值內的未來腔室部件。

在一些實施例中，處理設備與第三光學感測器(如經正規化的感測器、圖1的光學感測器108等)通訊耦合。處理設備可以使用從第三光學感測器接收的訊號來正規化從第一光學感測器和第二光學感測器接收的訊號(例如正規化反射輻射和/或散射輻射的強度)。在一些實施例中，藉由在物體表面的不同位置處捕捉多個測量結果來產生物體的表面圖。表面圖可以表明橫跨物體表面的表面粗糙度和/或發射率。在一些實施例中，表面圖可以藉由在物體表面上進行多次單獨測量來產生。或者，圖可以藉由表面掃描操作(該操作例如由圖1的系統100B執行)產生。

圖7描述呈計算設備700的示例形式的機器的圖解表示，在該機器內可以執行用於使得該機器執行本文討論的任何一個或多個方法學的一組指令。在替代性的實施例中，該機器可以在區域網路(LAN)、內部網路、外部網路或網際網路中與其他機器連接(例如聯網)。該機器可以以客戶端和伺服器網路環境中的伺服器或客戶端機器的身分操作，或用作同級間(或分散式)網路環境中的同級機器。該機器可以是個人電腦(PC)、平板電腦、機上盒(STB)、個人數位助理(PDA)、蜂巢式電話、網頁設備(web appliance)、伺服器、網路路由器、交換器或橋接器，或能夠執行一組指令(依序執行或以其他方式執行)的任何機器，該等指令指定要由該機器所採取的動作。進一步地，雖然僅示出單個機器，但也應將術語「機器」視為包括單獨地或共同地執行一組(或多組)指令以執行本文討論的任何一個或多個方法學的任何機器(例如電腦)的集合。在實施例中，計算設備700可以與本文所述的伺服器機器370、伺服器機器380或預測伺服器312中的一者或多者對應。

示例計算設備700包括經由匯流排708彼此通訊的處理設備702、主記憶體704(例如唯讀記憶體(ROM)、快閃記憶體、諸如同步動態隨機存取記憶體(SDRAM)之類的動態隨機存取記憶體(DRAM)等)、靜態記憶體706(例如快閃記憶體、靜態隨機存取記憶體(SRAM)等)和輔助記憶體(例如資料儲存設備728)。

處理設備702可以代表諸如微處理器、中央處理單元等一個或多個通用處理器。更詳細而言，處理設備702可以是複雜指令集計算(CISC)微處理器、精簡指令集計算(RISC)微處理器、超長指令字(VLIW)微處理器、實施其他指令集的處理器或實施指令集的組合的處理器。處理設備702也可以是諸如特定應用積體電路(ASIC)、現場可程式邏輯閘陣列(FPGA)、數位訊號處理器(DSP)、網路處理器等一個或多個特殊用途處理設備。處理設備702也可以是或包括系統單晶片(SoC)、可程式邏輯控制器(PLC)或其他類型的處理設備。處理設備702被配置為執行處理邏輯以執行本文討論的操作。

計算設備700可以進一步包括用於與網路764通訊的網路介面設備722。計算設備700也可以包括視訊顯示單元710(例如液晶顯示器(LCD)或陰極射線管(CRT))、文數字輸入設備712(例如鍵盤)、游標控制設備714(例如滑鼠)和訊號產生設備720(例如揚聲器)。

資料儲存設備728可以包括機器可讀取儲存媒體(或更具體而言為非暫時性電腦可讀取儲存媒體)724，該機器可讀取儲存媒體上儲存有體現本文所述的任何一個或多個方法學或功能的一組或多組指令726。非暫時性儲存媒體指的是載波以外的儲存媒體。指令726也可以在由電腦設備700執行該等指令的期間完全地或至少部分地駐留在主記憶體704內和/或處理設備702內，主記憶體704和處理設備702也構成電腦可讀取儲存媒體。

雖然在示例實施例中將電腦可讀取儲存媒體724示為單個媒體，但也應將術語「電腦可讀取儲存媒體」視為包括儲存該一組或多組指令的單個媒體或多個媒體(例如集中式或分佈式資料庫和/或相關聯的快取和伺服器)。也應將術語「電腦可讀取儲存媒體」視為包括能夠對用於由機器執行並且使得機器執行本揭示內容的任何一個或多個方法學的一組指令進行儲存或編碼的任何媒體。因此，應將術語「電腦可讀取儲存媒體」視為包括(但不限於)固態記憶體以及光學和磁性媒體。

前述說明闡述了諸如特定的系統、部件、方法等的例子的許多具體細節，以便讓人們很好地瞭解本揭示內容的幾個實施例。然而，本領域的技術人員將理解，可以在沒有這些具體細節的情況下實行本揭示內容的至少一些實施例。在其他的情況下，不詳細描述眾所周知的部件或方法，或將該等部件或方法以簡單的方塊圖格式呈現，以避免不必要地掩蓋本揭示內容。因此，所闡述的具體細節僅是示例性的。特定的實施方式可以不同於這些示例性的細節，並且仍然被認為是在本揭示內容的範圍之內。

本說明書通篇提到的「一個(one/a)實施例」意味著，與該實施例結合描述的特定特徵、結構或特性被包括在至少一個實施例中。因此，本說明書通篇的各種地方出現的語句「在一個(one/a)實施例中」不一定都指相同的實施例。此外，術語「或」旨在意指包括性的「或」而不是排他性的「或」。在本文中使用術語「約(about)」或「大致(approximately)」時，此術語旨在意味著，所呈現的標稱值的精度在±10%內。

雖然本文中的方法的操作是以特定的順序顯示和描述的，但也可以改變每個方法的操作順序，使得可以以相反的順序執行某些操作使得某些操作可以至少部分地與其他操作並行地執行。在另一個實施例中，不同操作的指令或子操作可以以間歇和/或交替的方式進行。

應理解，以上描述旨在是說明性的，而非限制性的。對於本領域的技術人員來說，在閱讀和理解了以上描述之後，許多其他的實施方式將是顯而易見的。因此，將參照隨附的請求項以及這樣的請求項所賦予的等效物的整個範圍來決定本揭示內容的範圍。

102:輻射源 103:輻射束 104:偏光濾波器 106:分束器 108:光學感測器 110:透鏡 112:鏡子 114:物體 116:光學感測器 120:反射物鏡 122:內表面 124:凸面鏡 126:孔 130:光學感測器 135:支架 160:系統控制器 100A:系統

Claims

一種用於光學地決定一物體的表面粗糙度和發射率的系統，該系統包括：一輻射源，被配置為發射一輻射束；一第一光學感測器，被配置為偵測從一物體的一表面反射的該輻射束的一第一部分的一第一強度；一第二光學感測器，被配置為偵測由該物體的該表面散射且由一反射物鏡收集的該輻射束的一第二部分的一第二強度；以及一處理設備，與該第一光學感測器和該第二光學感測器通訊耦合，其中該處理設備被配置為基於該第一強度和該第二強度的一比較，決定該物體的該表面的一粗糙度或該物體的該表面的一發射率中的至少一者。
如請求項1所述的系統，其中該輻射源包括一中紅外線超連續譜（supercontinuum）雷射器。
如請求項1所述的系統，進一步包括：一鏡子，被配置為將該輻射束導向該物體；以及該反射物鏡被配置為接收由該物體的該表面散射的該輻射束的該第二部分並將該輻射束的該第二部分導向該第二光學感測器。
如請求項3所述的系統，其中該反射物鏡包括一史瓦茲希爾德（Schwarzschild）物鏡。
如請求項3所述的系統，進一步包括：一分束器，沿著一光軸設置在該輻射源與該鏡子之間，其中從該物體的該表面反射的該輻射束的該第一部分從該鏡子反射，通過一個或多個透鏡返回，並被該分束器導向該第一光學感測器。
如請求項5所述的系統，進一步包括：一第三光學感測器，其中該分束器被配置為將由該輻射源發射的該輻射束的一部分導向該第三光學感測器，其中該第三光學感測器被配置為偵測該輻射束的該部分的一第三強度，並且其中該處理設備被配置為基於偵測到的該第三強度對偵測到的該第一強度和偵測到的該第二強度進行正規化。
如請求項6所述的系統，進一步包括：一偏光濾波器，沿著該光軸設置在該輻射源與該分束器之間，該偏光濾波器被配置為對從該輻射源發射的該輻射束進行偏光。
如請求項1所述的系統，進一步包括：一個或多個透鏡，被配置為將該輻射束聚焦，其中該輻射束在該物體的該表面上被聚焦成直徑小於約200微米的一光點尺寸。
如請求項8所述的系統，進一步包括：一可旋轉鏡，被配置為將由該輻射源發射的該輻射束導向該一個或多個透鏡，其中該可旋轉鏡被配置為使該輻射束回應於該可旋轉鏡的旋轉而橫跨該物體的該表面週期性地移動。
如請求項9所述的系統，其中該系統以小於0.1%的一測量系統變化偵測發射率或粗糙度中的至少一者。
一種用於光學地決定一物體的表面粗糙度和發射率的方法，該方法包括以下步驟：從一輻射源發射一輻射束；由一第一光學感測器偵測從一處理腔室的一腔室部件的一表面反射的該輻射束的一第一部分的一第一強度；由一第二光學感測器偵測由該腔室部件的該表面散射且由一反射物鏡收集的該輻射束的一第二部分的一第二強度；以及經由與該第一光學感測器和該第二光學感測器通訊耦合的一處理設備基於該第一強度和該第二強度的一比較，決定該腔室部件的該表面的一粗糙度或該腔室部件的該表面的一發射率中的至少一者。
如請求項11所述的方法，其中該輻射源包括一中紅外線超連續譜（supercontinuum）雷射器。
如請求項11所述的方法，進一步包括以下步驟：經由一第三光學感測器偵測由該輻射源發射的該輻射束的一部分的一第三強度，沿著一光軸設置在該輻射源與一鏡子之間的一分束器將由該輻射源發射的該輻射束的該部分導向該第三光學感測器，其中該鏡子被配置為將該輻射束導向該腔室部件；以及基於偵測到的該第三強度，對偵測到的該第一強度和偵測到的該第二強度進行正規化。
如請求項11所述的方法，進一步包括以下步驟：將與該腔室部件的該表面的該發射率或該粗糙度中的至少一者相關聯的資料輸入一模型；以及從該模型接收一輸出，該輸出包括經預測的基板製程結果，其中該等經預測的基板製程結果與要使用該腔室部件處理的未來基板對應。
如請求項14所述的方法，其中該模型包括一經訓練的機器學習模型。
如請求項11所述的方法，進一步包括以下步驟：訓練一機器學習模型以產生一經訓練的機器學習模型，其中該機器學習模型是用資料輸入訓練的，該資料輸入包括以下一項或多項：歷史腔室部件表面粗糙度資料、歷史腔室部件發射率資料、與該腔室部件的該表面的該粗糙度對應的資料以及與該腔室部件的該表面的該發射率對應的資料，其中該資料輸入標有對應的目標輸出資料，該目標輸出資料包括與用一個或多個歷史腔室部件處理的基板對應的歷史基板製程結果資料。
如請求項11所述的方法，進一步包括以下步驟：藉由使該輻射束回應於一可旋轉第二鏡的旋轉而橫跨該部件的該表面週期性地移動，用該輻射束掃描該部件的該表面。
一種包括指令的非暫時性機器可讀取儲存媒體，該等指令當由一處理設備執行時，導致該處理設備執行包括以下步驟的操作：接收與一處理腔室的一腔室部件的一表面的一發射率或一粗糙度中的至少一者相關聯的資料；將與該腔室部件的該表面的該發射率或該粗糙度中的至少一者相關聯的該資料輸入一經訓練的機器學習模型；以及從該經訓練的機器學習模型接收一輸出，該輸出包括經預測的基板製程結果，其中該等經預測的基板製程結果與要在該處理腔室中使用該腔室部件處理的未來基板對應。
如請求項18所述的非暫時性機器可讀取儲存媒體，其中該經訓練的機器學習模型是用資料輸入訓練的，該資料輸入包括以下一項或多項：歷史腔室部件表面粗糙度資料、歷史腔室部件發射率資料、與該腔室部件的該表面的該粗糙度對應的資料以及與該腔室部件的該表面的該發射率對應的資料，其中該資料輸入標有對應的目標輸出資料，該目標輸出資料包括與用一個或多個歷史腔室部件處理的基板對應的歷史基板製程結果資料。
如請求項18所述的非暫時性機器可讀取儲存媒體，其中接收與該腔室部件的該表面的該發射率或該粗糙度中的至少一者相關聯的資料包括以下步驟：從一第一光學感測器接收第一感測器資料，該第一感測器資料表明從該腔室部件的該表面反射的一輻射束的一第一部分的一第一強度；以及從一第二光學感測器接收第二感測器資料，該第二感測器資料表明由該腔室部件的該表面散射的該輻射束的一第二部分的一第二強度，其中該表面的該發射率或該粗糙度中的至少一者是基於該第一強度和該第二強度的一比較。