用于基于光谱的计量和过程控制的机器和深度学习方法技术

用于半导体制造中的先进过程控制(APC)的系统和方法，包括：对于多个晶片站点中的每个晶片站点，接收在实施处理步骤之前测量的散射测量训练数据的预处理集合，接收在实施处理步骤之后测量的散射测量训练数据的相应后处理集合，以及接收指示在实施处理步骤期间应用的过程控制旋钮设置的过程控制旋钮训练数据集合；以及生成机器学习模型，该机器学习模型将在散射测量训练数据的预处理集合与相应的过程控制旋钮训练数据中的变化和散射测量训练数据的相应后处理集合相关联，以训练机器学习模型来推荐对过程控制旋钮设置的更改，对预处理散射测量数据中的变化进行补偿。理散射测量数据中的变化进行补偿。理散射测量数据中的变化进行补偿。

【技术实现步骤摘要】
【国外来华专利技术】用于基于光谱的计量和过程控制的机器和深度学习方法


[0001]本专利技术整体涉及集成电路晶片图案的光学检测领域，具体涉及用于硅晶片制造的算法。

技术介绍

[0002]集成电路(IC)是通过沉积、改变和去除薄层的多个步骤在半导体晶片上生产的。现代半导体制造处理可以涉及1000多个此类处理步骤。高级过程控制(APC)旨在优化处理工具的设置，以减少制造的总可变性。处理工具设置在下文中也称为处理“旋钮”，可以包括处理控制的任何方面，包括旋涂薄膜、热氧化物生长、化学气相沉积(CVD)、物理气相沉积、电镀、晶片温度、腔室压力、抛光压力等的处理设置。
[0003]在某些情况下，常规的过程控制方法已不能满足半导体制造业日益增长的精度要求。硬件开发的最新进展引入了更广泛的处理旋钮，这种常规APC解决方案在应用于高维旋钮空间时存在缺点。APC面临的另一挑战是，多条生产线可以使用多条制造路线，时间尺度漂移可以增加生产结果的可变性。已经描述了通过应用机器学习技术改进APC的尝试。例如，Drori等人的国际专利申请W02021/030833，标题为“Model Based Control of Wafer Non
‑
Conformity”，描述了几种与处理参数和计量数据相关的神经网络的生成。
[0004]半导体制造中的多个处理步骤产生了堆叠结构(“堆叠”)，与衍射光栅一样具有光学特性。光学临界尺寸(OCD)计量学涉及通过利用这些光学特性测量晶片上站点(“晶片站点”)上图案的临界尺寸(CD)和材料特性。(在下文中，CD和材料特性也称为“图案参数”。)CD可以包括堆叠的高度、宽度和间距。正如Dixit等人在“Sensitivity analysis and line edge roughness determination of 28
‑
nm pitch silicon fins using Mueller matrix spectroscopic ellipsometry
‑
based optical critical dimension metrology”，J.Micro/Nanolith，MEMS MOEMS，14(3)，031208(2015)中所述，通过引用并入本文，CD还可以包括：侧壁角(SWA)、垫片宽度、垫片下拉、外延接近度、底脚/底切、2维(HKMG)的过度填充/不足填充(HKMG)、3维轮廓(FinFET)和线边缘粗糙度(LER)。
[0005]散射测量数据(在本文中也称为“光谱数据”)通常作为反射光辐射获取，该反射光辐射指示晶片站点上图案的光学特性。Scheiner和Machavariani的美国专利6476920，“Method and apparatus for measurements of patterned structures”，通过引用并入本文，描述了“光学模型”的开发，也称为“物理模型”，其根据给定的图案参数估计光谱测试期间将测量的散射测量数据。光学模型也可以设计为执行基于测量的散射测量数据估计图案参数的反(或“逆”)函数。光学模型通常用于OCD计量，以确定晶片站点的图案是否按照正确的规格制造。下文中，更通用的术语“OCD模型”既指根据光学原理开发的物理模型，也指本领域已知的机器学习模型。
[0006]测量(获取)散射测量数据(例如光谱图)的示例散射测量工具可以包括光谱椭偏仪(SE)、光谱反射器(SR)、偏振光谱反射器以及其他光学临界尺寸(OCD)计量工具。这些工具被纳入目前可用的OCD计量系统。其中一个OCD计量系统是NOVA高级OCD计量工
具，可从以色列Rehovot的NOVA Measuring Instruments有限公司购买，该工具可以测量指定晶片站点的图案参数，即“在芯片中(in
‑
die)”。测量临界尺寸(CD)的其他方法包括干涉测量法、X射线拉曼光谱法(XRS)，X射线衍射(XRD)和泵探针工具等。此类工具的一些示例在美国专利US10161885、US10054423、US9184102和US10119925以及国际未决专利申请公开W02018/211505中公开，所有这些专利均转让给申请人，并通过引用全部并入本文。
[0007]不依赖上述光学模型的高精度图形参数测量方法包括使用诸如CD扫描电子显微镜(CD
‑
SEM)、原子力显微镜(AFM)、横截面隧道电子显微镜(TEM)或X射线计量工具的设备进行晶片测量。这些方法通常比光学和机器学习建模方法更昂贵和耗时。在下文中，使用此类工具测量的图形参数称为“参考参数”。
[0008]下文公开的本专利技术的实施例有助于克服当前APC方法的缺点。应当理解，本文所包含的背景和上下文描述仅出于通常呈现本公开的上下文的目的而提供。本公开的大部分内容呈现了专利技术人的工作，并且仅仅因为这样的工作在背景部分中描述或作为本文其他地方的上下文呈现并不意味着它被承认为现有技术。

技术实现思路

[0009]本专利技术的实施例提供了一种用于半导体制造中基于机器学习的高级过程控制(APC)的系统和方法，包括对于多个晶片站点中的每个晶片站点，接收在实施处理步骤之前测量的散射测量训练数据的预处理集合，接收在实施所述处理步骤之后测量的散射测量训练数据的相应后处理集合，以及接收指示在实施所述处理步骤期间应用的过程控制旋钮设置的过程控制旋钮训练数据集合。然后，可以训练机器学习模型，机器学习模型将在散射测量训练数据的预处理集合和相应的过程控制旋钮训练数据中的变化与散射测量训练数据的相应后处理集合相关联，这样，机器学习模型被训练为推荐过程控制旋钮设置的更改，以补偿预处理散射测量数据中的变化。
[0010]本专利技术的实施例可以进一步包括在半导体制造期间应用机器学习模型来进行过程控制旋钮推荐。
[0011]在进一步的实施例中，散射测量训练数据的后处理集合可以通过光学模型与一个或多个目标后处理图案参数相关。此外，散射测量训练数据的后处理集合可以通过第二机器学习模型与一个或多个目标后处理图案参数相关联。
[0012]过程控制旋钮设置可以包括用于以下一个或多个情况的设置：处理步骤的持续时间、底座边缘环的高度、在底座的多个控制区域上的温度分布以及处理室压力。
[0013]散射测量数据的预处理和后处理集合可以指示各自晶片站点处的一个或多个图案参数，所述一个或多个图案参数包括临界尺寸、特征深度、特征高度和特征间距中的一者或多者。
[0014]处理步骤可以是沉积、蚀刻和抛光操作中的一者或多者。
[0015]生成机器学习模型可以包括训练神经网络(NN)，该神经网络包括导向瓶颈潜在层的多个编码器层，进而导向至少一个解码器层，其中，散射测量训练数据的预处理集合被应用为模型输入，其中，散射测量训练数据的相应后处理集合被应用为模型输出，其中，多个过程控制旋钮训练数据被应用为在多个编码器层中的任何一个编码器层处与NN相交的辅助输入，并且其中，多个过程控制旋钮本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种在半导体制造中用于先进过程控制(APC)的系统，所述系统包括一个或多个处理器，所述一个或多个处理器具有一个或多个相关的非暂时存储器，所述一个或多个相关的非暂时存储器包括指令，所述指令在由所述一个或多个处理器执行时实施以下步骤：对于多个晶片站点中的每个晶片站点，接收在实施处理步骤之前测量的散射测量训练数据的预处理集合，接收在实施所述处理步骤之后测量的所述散射测量训练数据的相应后处理集合，以及接收指示在实施所述处理步骤期间应用的过程控制旋钮设置的过程控制旋钮训练数据集合；以及生成机器学习模型，所述机器学习模型将在所述散射测量训练数据的所述预处理集合和相应的过程控制旋钮训练数据中的变化与所述散射测量训练数据的所述相应后处理集合相关联，以训练所述机器学习模型来推荐所述过程控制旋钮设置的更改，以补偿用于预处理散射测量数据的变化。2.根据权利要求1所述的系统，其中，所述步骤进一步包括在所述半导体制造期间应用所述机器学习模型来进行过程控制旋钮推荐。3.根据权利要求1所述的系统，其中，所述机器学习模型是第一机器学习模型，并且其中，所述散射测量训练数据的后处理集合通过光学模型或第二机器学习模型与一个或多个目标的后处理图案参数相关联。4.根据权利要求1所述的系统，其中，所述过程控制旋钮设置包括用于以下一个或多个情况的设置：处理步骤的持续时间、底座边缘环的高度、在底座多个控制区域上的温度分布以及处理室压力。5.根据权利要求1所述的系统，其中，所述散射测量数据的每个预处理集合和后处理集合都指示各自晶片站点处的一个或多个图案参数，所述一个或多个图案参数包括临界尺寸、特征深度、特征高度和特征间距中的一者或多者。6.根据权利要求1所述的系统，其中，所述处理步骤是沉积、蚀刻和抛光操作中的一者或多者。7.根据权利要求1所述的系统，其中，生成所述机器学习模型包括训练神经网络(NN)，所述神经网络包括导向瓶颈潜在层的多个编码器层，进而导向至少一个解码器层，其中，所述散射测量训练数据的所述预处理集合被应用为模型输入，其中，所述散射测量训练数据的所述相应后处理集合被应用为模型输出，其中，多个过程控制旋钮训练数据被应用为在所述多个编码器层中的任意一个编码器层处与NN相交的辅助输入，并且其中，所述多个过程控制器旋钮训练数据被应用为链接到所述至少一个解码器层中的任意一个解码器层的辅助输出。8.根据权利要求7所述的系统，其中，用于所述NN的反向传播的损失函数最大化在所述NN的输出和所述散射测量训练数据的后处理集合之间的相似性。9.根据权利要求8中所述的系统，其中，所述损失函数是平方误差损失函数。10.根据权利要求7所述的系统，其中，所述机器学习模型包括所述NN之后的校准步骤，所述校准步骤将所述散...

【专利技术属性】
技术研发人员：巴瑞克，
申请(专利权)人：诺威有限公司，
类型：发明
国别省市：