用于衬底处理系统的基于模型的调度技术方案

对于蚀刻工具，训练神经网络模型，以预测最佳调度参数值。该模型使用从预防性维护操作、配方时间以及无晶片自动清洁时间所收集的数据作为输入来进行训练。该模型被用于获取调度参数值与各种晶片处理方案之间的基本关系，以作出预测。另外，在用于多个并行材料沉积处理的工具中，基于嵌套神经网络的模型使用机器学习来进行训练。该模型最初是使用模拟数据进行设计及离线训练，接着使用实际工具数据进行在线训练，以预测晶片路线安排途径及调度。该模型改善调度器调整的准确性，并且实现最高工具/机群利用率、最短等待时间以及最快产量。最短等待时间以及最快产量。最短等待时间以及最快产量。

【技术实现步骤摘要】
【国外来华专利技术】用于衬底处理系统的基于模型的调度
相关申请的交叉引用
[0001]本公开内容是于2019年3月29日申请的美国专利申请No.62/826,185的PCT国际专利申请。上述引用的申请其全部公开内容都通过引用合并于此。


[0002]本公开内容总体上涉及衬底处理系统，尤其是用于衬底处理系统的基于模型的调度。

技术介绍

[0003]这里提供的背景描述是为了总体呈现本公开的背景的目的。当前指定的专利技术人的工作在其在此
技术介绍
部分以及在提交申请时不能确定为现有技术的说明书的各方面中描述的范围内既不明确也不暗示地承认是针对本公开的现有技术。
[0004]半导体制造商在半导体晶片的制造期间使用一或更多个衬底处理工具，以执行沉积、蚀刻、清洁和/或其他衬底处理。每一衬底处理工具可包括多个处理室，其执行相同类型的处理(例如沉积、蚀刻或清洁)或不同的处理，例如衬底上的一系列或一连串处理。
[0005]衬底处理工具中的处理室通常在多个衬底上重复相同任务。处理室基于定义处理参数的配方进行操作。例如，配方定义顺序、操作温度、压力、气体化学物质、等离子体使用、并行模块、每一操作或子操作的时间段、衬底路线安排途径和/或其他参数。衬底可依特定顺序在两个或更多处理室之间转移，以进行不同的处理。

技术实现思路

[0006]一种用于在工具中处理半导体衬底的系统，所述工具包括被配置成根据配方来处理所述半导体衬底的多个处理室，所述系统包括：处理器；以及存储器，其存储用于由所述处理器执行的指令。所述指令配置成：接收来自所述工具的关于根据所述配方处理在所述多个处理室中的所述半导体衬底的第一数据；以及接收关于所述工具的配置与所述配方的第二数据。所述指令被配置成使用所述第二数据来模拟用于根据所述配方处理在所述多个处理室中的所述半导体衬底的多个处理方案以及用于所述多个处理方案的调度参数。所述指令被配置成使用所述多个处理方案以及用于所述多个处理方案的所述调度参数来模拟根据所述配方处理在所述多个处理室中的所述半导体衬底。所述指令被配置成使用所述第一数据及所述模拟所产生的数据来训练模型，以预测用于根据所述配方处理在所述多个处理室中的所述半导体衬底的最佳调度参数。所述指令被配置成接收来自所述工具的关于根据所述配方处理在所述多个处理室中的所述半导体衬底中的一者的输入。所述指令被配置成使用所述模型，基于所述输入来预测用于根据所述配方处理在所述多个处理室中的所述半导体衬底中的所述一者的最佳调度参数。所述指令被配置成基于用于根据所述配方处理在所述多个处理室中的所述半导体衬底中的所述一者的所述最佳调度参数，对所述工具的操作进行调度。
[0007]在另一特征中，所述指令配置成基于用于根据所述配方处理在所述多个处理室中的所述半导体衬底中的所述一者的所述最佳调度参数来执行所述工具的所述操作。
[0008]在其他特征中，在所述多个处理室中根据所述配方进行处理期间，所述最佳调度参数将所述半导体衬底中的所述一者的空闲时间最小化，并且所述最佳调度参数使所述工具的产量最大化。
[0009]在另一特征中，所述指令被配置成使用包括人工神经网络和支持向量回归的机器学习方法来训练所述模型。
[0010]在其他特征中，所述指令被配置成：分析从所述工具接收的所述第一数据以及通过所述模拟所产生的所述数据；基于所述分析，检测关于所述工具的预防性维护操作、无晶片自动清洁时间、等待时间、配方时间和产量的模式；以及基于检测到的所述模式，训练所述模型。
[0011]在另一特征中，所述指令被配置成训练所述模型，以预测用于所述多个处理方案中的一者的所述最佳调度参数。
[0012]在另一特征中，所述指令被配置成训练所述模型，以预测用于所述多个处理方案中的全部的所述最佳调度参数。
[0013]在另一特征中，所述指令被配置成训练所述模型，以用于在所述半导体衬底中的所述一者上仅执行蚀刻操作。
[0014]在另一特征中，所述指令配置成训练所述模型，以用于在所述半导体衬底中的所述一者上执行蚀刻和剥离操作两者。
[0015]在其他特征中，所述模型是从所述工具远程地实现的，且其中所述指令被配置成基于从多个工具接收的数据来训练所述模型。
[0016]在另一特征中，所述指令被配置成针对在配置和操作中的工具与工具之间的变化来调整所述模型。
[0017]在另一特征中，所述模型是在云端作为软件即服务(SaaS)实现，并且所述工具配置成通过网络访问所述模型。
[0018]在其他特征中，所述指令被配置成基于第二工具的数据来训练第二模型；并且所述模型和所述第二模型是从所述工具和所述第二工具远程地实现的。所述工具和所述第二工具分别被配置成通过一或更多网络访问所述模型和所述第二模型。
[0019]在另一特征中，所述指令被配置成使得所述工具和所述第二工具分别基于所述工具和所述第二工具的配置来选择所述模型和所述第二模型。
[0020]在其他特征中，所述模型实施在所述工具上，且所述指令被配置成使用所述模型以利用所述工具所产生的数据来预测用于根据所述配方处理在所述多个处理室中的所述半导体衬底中的所述一者的所述最佳调度参数。
[0021]在其他特征中，所述模型实施在所述工具上，且所述指令配置成针对所述工具的性能的任何漂移来调整所述模型。
[0022]在另一特征中，从所述工具接收的所述第一数据包括来自在所述工具上执行的预防性维护操作的数据以及关于所述工具的配方时间和无晶片自动清洁时间的数据。
[0023]在另一特征中，通过所述模拟所产生的所述数据包括基于从所述工具获得的所述工具的配置、晶片流类型、运行方案、配方时间和无晶片自动清洁时间所产生的数据。
[0024]在另一特征中，从所述工具接收的所述输入包括关于所述工具的预防性维护操作的数量、配方时间和无晶片自动清洁时间的数据。
[0025]在另一特征中，所述指令配置成通过考虑一或更多跳过的预防性维护操作来预测所述最佳调度参数。
[0026]在其他特征中，所述指令配置成：使用所述模型，对用于根据所述配方处理在所述多个处理室中的所述半导体衬底中的所述一者的多个操作进行调度。所述工具分别响应于执行所述多个操作而经历多个状态。所述工具的状态包括所述工具的资源的指示和所述半导体衬底中的所述一者的处理状态的指示。所述指令被配置成针对所述多个状态中的每一者，对所述模型发送所述多个状态中的当前状态及用于进展到所述多个状态中的下一状态的多个可调度操作，从所述模型接收由所述模型基于所述当前状态所选择的所述多个可调度操作中的最佳操作以进展到所述下一状态，并且模拟所述最佳操作的执行以模拟进展到所述下一状态。所述指令被配置成当根据所述配方处理在所述多个处理室中的所述半导体衬底时，训练所述模型以推荐所述最佳操作作为响应于所述工具经历所述多个状态的所述多个操作。
[0027]在还有的其他特征中，一种用于在工具中处理半导体衬底(所述工具包括被配置成根据配方来处理所述半导体衬底的多个处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于在工具中处理半导体衬底的系统，所述工具包括被配置成根据配方来处理所述半导体衬底的多个处理室，所述系统包括：处理器；以及存储器，其存储用于由所述处理器执行的指令，其中所述指令配置成：接收来自所述工具的关于根据所述配方处理在所述多个处理室中的所述半导体衬底的第一数据；接收关于所述工具的配置与所述配方的第二数据；使用所述第二数据来模拟用于根据所述配方处理在所述多个处理室中的所述半导体衬底的多个处理方案以及用于所述多个处理方案的调度参数；使用所述多个处理方案以及用于所述多个处理方案的所述调度参数来模拟根据所述配方处理在所述多个处理室中的所述半导体衬底；使用所述第一数据及所述模拟所产生的数据来训练模型，以预测用于根据所述配方处理在所述多个处理室中的所述半导体衬底的最佳调度参数；接收来自所述工具的关于根据所述配方处理在所述多个处理室中的所述半导体衬底中的一者的输入；使用所述模型，基于所述输入来预测用于根据所述配方处理在所述多个处理室中的所述半导体衬底中的所述一者的最佳调度参数；以及基于用于根据所述配方处理在所述多个处理室中的所述半导体衬底中的所述一者的所述最佳调度参数，对所述工具的操作进行调度。2.根据权利要求1所述的系统，其中所述指令配置成基于用于根据所述配方处理在所述多个处理室中的所述半导体衬底中的所述一者的所述最佳调度参数来执行所述工具的所述操作。3.根据权利要求1所述的系统，其中在所述多个处理室中根据所述配方进行处理期间，所述最佳调度参数将所述半导体衬底中的所述一者的空闲时间最小化，且其中所述最佳调度参数使所述工具的产量最大化。4.根据权利要求1所述的系统，其中所述指令被配置成使用包括人工神经网络和支持向量回归的机器学习方法来训练所述模型。5.根据权利要求1所述的系统，其中所述指令被配置成：分析从所述工具接收的所述第一数据以及通过所述模拟所产生的所述数据；基于所述分析，检测关于所述工具的预防性维护操作、无晶片自动清洁时间、等待时间、配方时间和产量的模式；以及基于检测到的所述模式，训练所述模型。6.根据权利要求1所述的系统，其中所述指令被配置成训练所述模型，以预测用于所述多个处理方案中的一者的所述最佳调度参数。7.根据权利要求1所述的系统，其中所述指令被配置成训练所述模型，以预测用于所述多个处理方案中的全部的所述最佳调度参数。8.根据权利要求1所述的系统，其中所述指令被配置成训练所述模型，以用于在所述半导体衬底中的所述一者上仅执行蚀刻操作。9.根据权利要求1所述的系统，其中所述指令配置成训练所述模型，以用于在所述半导
体衬底中的所述一者上执行蚀刻和剥离操作两者。10.根据权利要求1所述的系统，其中所述模型是从所述工具远程地实现的，且其中所述指令被配置成基于从多个工具接收的数据来训练所述模型。11.根据权利要求1所述的系统，其中所述指令被配置成针对在配置和操作中的工具与工具之间的变化来调整所述模型。12.根据权利要求1所述的系统，其中所述模型是在云端作为软件即服务(SaaS)实现，且其中所述工具配置成通过网络访问所述模型。13.根据权利要求1所述的系统，其中：所述指令被配置成基于第二工具的数据来训练第二模型；所述模型和所述第二模型是从所述工具和所述第二工具远程地实现的；以及其中所述工具和所述第二工具分别被配置成通过一或更多网络访问所述模型和所述第二模型。14.根据权利要求13所述的系统，其中所述指令被配置成使得所述工具和所述第二工具分别基于所述工具和所述第二工具的配置来选择所述模型和所述第二模型。15.根据权利要求1所述的系统，其中所述模型实施在所述工具上，且其中所述指令被配置成使用所述模型以利用所述工具所产生的数据来预测用于根据所述配方处理在所述多个处理室中的所述半导体衬底中的所述一者的所述最佳调度参数。16.根据权利要求1所述的系统，其中所述模型实施在所述工具上，且其中所述指令配置成针对所述工具的性能的任何漂移来调整所述模型。17.根据权利要求1所述的系统，其中从所述工具接收的所述第一数据包括来自在所述工具上执行的预防性维护操作的数据以及关于所述工具的配方时间和无晶片自动清洁时间的数据。18.根据权利要求1所述的系统，其中通过所述模拟所产生的所述数据包括基于从所述工具获得的所述工具的配置、晶片流类型、运行方案、配方时间和无晶片自动清洁时间所产生的数据。19.根据权利要求1所述的系统，其中从所述工具接收的所述输入包括关于所述工具的预防性维护操作的数量、配方时间和无晶片自动清洁时间的数据。20.根据权利要求1所述的系统，其中所述指令配置成通过考虑一或更多跳过的预防性维护操作来预测所述最佳调度参数。21.根据权利要求1所述的系统，其中所述指令配置成：使用所述模型，对用于根据所述配方处理在所述多个处理室中的所述半导体衬底中的所述一者的多个操作进行调度，其中所述工具分别响应于执行所述多个操作而经历多个状态，且其中所述工具的状态包括所述工具的资源的指示和所述半导体衬底中的所述一者的处理状态的指示；针对所述多个状态中的每一者，对所述模型发送所述多个状态中的当前状态及用于进展到所述多个状态中的下一状态的多个可调度操作，从所述模型接收由所述模型基于所述当前状态所选择的所述多个可调度操作中的最佳操作以进展到所述下一状态，并且模拟所述最佳操作的执行以模拟进展到所述下一状态；以及当根据所述配方处理在所述多个处理室中的所述半导体衬底时，训练所述模型以推荐
所述最佳操作作为响应于所述工具经历所述多个状态的所述多个操作。22.一种用于在工具中处理半导体衬底的系统，所述工具包括被配置成根据配方来处理所述半导体衬底的多个处理室，所述系统包括：处理器；以及存储器，其存储用于由所述处理器执行的指令，其中所述指令配置成：使用模型，对用于根据所述配方处理在所述多个处理室中的半导体衬底的多个操作进行调度，其中所述工具分别响应于执行所述多个操作而经历多个状态，且其中所述工具的状态包括所述工具的资源的指示和所述半导体衬底的处理状态的指示；针对所述多个状态中的每一者，对所述模型发送所述多个状态中的当前状态及用于进展到所述多个状态中的下一状态的多个可调度操作，从所述模型接收由所述模型基于所述当前状态所选择的所述多个可调度操作中的最佳操作以进展到所述下一状态，并且模拟所述最佳操作的执行以模拟进展到所述下一状态；以及当根据所述配方处理在所述多个处理室中的所述半导体衬底时，训练所述模型以推荐所述最佳操作作为响应于所述工具经历所述多个状态的所述多个操作。23.根据权利要求22所述的系统，其中所述指令配置成：使用关于从所述工具接收的所述半导体衬底的处理的历史数据并且通过模拟所述工具的多个处理方案来训练所述模型，以预测用于根据所述配方处理在所述多个处理室中的所述半导体衬底的最佳调度参数；接收来自所述工具的关于根据所述配方处理在所述多个处理室中的所述半导体衬底的输入；使用所述模型，基于所述输入来预测用于根据所述配方处理在所述多个处理室中的所述半导体衬底的最佳调度参数；以及基于用于根据所述配方处理在所述多个处理室中的所述半导体衬底的所述最佳调度参数，对所述多个操作进行调度。24.根据权利要求23所述的系统，其中所述指令被配置成基于用于根据所述配方处理在所述多个处理室中的所述半导体衬底的所述最佳调度参数来执行所述多个操作。25.根据权利要求23所述的系统，其中在所述多个处理室中根据所述配方进行处理期间，所述最佳调度参数将所述半导体衬底的空闲时间最小化，且其中所述最佳调度参数使所述工具的产量最大化。26.根据权利要求23所述的系统，其中所述指令被配置成使用包括人工神经网络和支持向量回归的机器学习方法来训练所述模型。27.根据权利要求23所述的系统，其中所述指令被配置成：分析从所述工具接收的所述历史数据以及通过模拟所述工具的所述多个处理方案而产生的数据；基于所述分析，检测关于所述工具的预防性维护操作、无晶片自动清洁时间、等待时间、配方时间和产量的模式；以及基于检测到的所述模式，训练所述模型。28.根据权利要求23所述的系统，其中所述指令被配置成训练所述模型，以预测用于所述多个处理方案中的一者的所述最佳调度参数。
...

【专利技术属性】
技术研发人员：雷蒙德，
申请(专利权)人：朗姆研究公司，
类型：发明
国别省市：