一种方法包括由处理器获得与根据配方在处理腔室中执行以在基板的表面上沉积膜的沉积处理相关联的多个传感器值。所述方法进一步包括将机器学习模型应用于多个传感器值，所述机器学习模型是基于处理腔室的子系统的历史传感器数据以及与用于沉积膜的配方相关联的任务数据进行训练的。所述方法进一步包括产生机器学习模型的输出，其中所述输出指示子系统的健康状况。的健康状况。的健康状况。
【技术实现步骤摘要】
【国外来华专利技术】用于使用虚拟模型进行处理腔室健康监测和诊断的系统和方法
[0001]本公开涉及电气部件；更具体来说，本公开涉及使用虚拟模型监测处理腔室的健康状况并提供诊断。
技术介绍
[0002]可通过使用制造设备执行一或多个制造处理来生产产品。例如，半导体制造设备可用于通过半导体制造处理生产半导体器件(例如，基板和晶圆等)。制造设备可在基板的表面上沉积多层的膜，且可进行蚀刻处理以在所沉积的膜中形成复杂图案。例如，制造设备可执行化学气相沉积(CVD)处理以在基板上沉积替代层。传感器可用于在制造过程期间确定制造设备的制造参数，而计量设备可用于确定由制造设备所生产的产品的属性数据，如基板上的层的总厚度。一般来说，制造设备可监测各个传感器以检测沉积处理期间的问题。然而，监测单个传感器并不能提供对制造设备之不同子系统的整体健康状况的指示，这可能会使恶化条件未被检测到，从而导致大量的停机和维修时间。因此，需要一种能够在制造过程期间产生指示每个子系统的整体系统健康状况的量度的系统。
技术实现思路
[0003]以下是本公开的简化概述，以便提供对本公开的一些方面的基本理解。此概述不是本公开的全面概述。其既不意图标识本公开的关键或必要要素，也不意图划定本公开的特定实施方式的任何范围或权利要求的任何范围。其唯一目的是以简化形式呈现本公开的一些概念，作为稍后呈现的更详细描述的前奏。
[0004]在本公开的方面中，方法包括由处理器获得与在处理腔室中执行以在基板的表面上沉积膜的沉积处理相关联的传感器数据。传感器数据包括与处理腔室的子系统相关联的传感器值。所述方法进一步包括获得与用于沉积膜的配方相关联的任务数据。所述方法进一步包括使用基于传感器数据和任务数据的训练集来训练机器学习模型。所述机器学习模型被训练以产生指示子系统的预期传感器值的预测数据。
[0005]在本公开的另一方面中，方法包括由处理器获得与在处理腔室中执行以在基板的表面上沉积膜的沉积处理相关联的多个传感器值。所述方法进一步包括将机器学习模型应用于多个传感器值，所述机器学习模型是基于处理腔室的子系统的历史传感器数据和与用于沉积膜的配方相关联的任务数据进行训练的。所述方法进一步包括产生机器学习模型的输出，其中所述输出指示子系统的健康状况。
[0006]在本公开的另一方面中，系统包括存储器及处理装置，此处理装置可操作地耦合到存储器装置以执行操作，所述操作包括由处理器获得与在处理腔室中执行以在基板的表面上沉积膜的沉积处理相关联的多个传感器值。执行操作进一步包括将机器学习模型应用于多个传感器值，所述机器学习模型是基于处理腔室的子系统的历史传感器数据和与用于沉积膜的配方相关联的任务数据进行训练的。执行操作进一步包括产生机器学习模型的输
出，其中所述输出指示子系统的健康状况。
附图说明
[0007]以示例方式图示本公开，而不是由附图中的图对本公开进行限制。
[0008]图1是示出根据某些实施例的示例性系统架构的框图。
[0009]图2是根据某些实施例的用于训练机器学习模型的方法的流程图。
[0010]图3是根据某些实施例的示例性制造系统的俯视示意图。
[0011]图4是根据某些实施例的示例性制造系统的示例性处理腔室的横截面示意性侧视图。
[0012]图5是根据某些实施例的使用机器学习模型来确定处理腔室子系统健康状况量度的方法的流程图。
[0013]图6是示出根据某些实施例的示例性sigmoid变换的图表。
[0014]图7是根据某些实施例的使用机器学习模型来确定处理腔室子系统的故障分类的方法的流程图。
[0015]图8是示出根据某些实施例的计算机系统的框图。
具体实施方式
[0016]本文描述的是针对用于使用虚拟模型监测处理腔室的健康状况和提供诊断的系统和方法的技术。在制造系统的处理腔室处执行沉积处理(例如，沉积(CVD)处理、原子层沉积(ALD)处理等)期间，可将膜沉积在基板的表面上。例如，在CVD处理中，将基板暴露于一种或多种前驱物，所述一种或多种前驱物在基板表面上反应以产生所需的沉积物。膜可包括在沉积处理期间形成的一或多个材料层，且每一层可包括特定的厚度梯度(例如，沿沉积膜的层的厚度变化)。例如，第一层可直接形成在基板的表面上(称为膜的近层或近端)且具有第一厚度。在基板的表面上形成第一层后，可在第一层上形成具有第二厚度的第二层。此过程一直持续，直到完成沉积处理并形成膜的最终层(称为膜的远层或远端)为止。膜可包括不同材料的交替层。例如，膜可包括交替的氧化物层和氮化物层(氧化物－氮化物－氧化物－氮化物叠层或ONON叠层)、交替的氧化物和多晶硅层(氧化物－多晶硅－氧化物－多晶硅叠层或OPOP叠层)，等等。接着，可对膜进行例如蚀刻处理以在基板的表面上形成图案、对膜进行例如化学机械抛光(CMP)处理以使膜的表面平滑，或对膜进行制造成品基板所需的任何其它处理。
[0017]处理腔室可具有在每个基板制造处理(例如，沉积处理、蚀刻处理及抛光处理等)期间操作的多个子系统。子系统可表征为与处理腔室的操作参数相关的一组传感器。操作参数可以是温度、流速及压力等。在示例中，压力子系统可表征为一或多个测量气体流量、腔室压力、控制阀角度、前级管道(泵之间的真空管道)压力及泵速度等的传感器。因此，处理腔室可包括压力子系统、流量子系统及温度子系统等。每个子系统都可能出现退化并偏离最佳性能状况。例如，压力子系统可能由于泵问题和控制阀问题等中的一或多个问题而产生减压。
[0018]现有系统使用单个传感器值的限界检查，来检测处理腔室中的故障。例如，现有系统可监测传感器值是否低于或超过预定阈值(例如，温度传感器超过预定温度阈值)。然而，
低于或超过预定阈值的传感器值并不表示处理腔室子系统的整体健康状况，处理腔室子系统的整体健康状况取决于子系统的每个传感器和组件。子系统的健康状况可表征为与子系统的预期行为(预期传感器值)相比的子系统的当前行为(当前传感器值)。因此，现有系统不能有效地监测处理腔室的每个子系统的健康状况。此外，现有系统无法有效地提供对“不健康的”子系统(其中当前行为超过与预期行为相关的阈值的子系统，其中多个传感器正在经历故障的子系统，等等)的诊断。
[0019]本公开的方面和实施方式通过训练能够监测和指示处理腔室的每个子系统的健康状况并提供诊断的机器学习模型，来解决现有技术的这些和其他缺点。在一些实施例中，本公开的系统获得与在处理腔室中执行以在基板的表面上沉积膜的先前沉积处理相关联的传感器数据。传感器数据可包括与处理腔室的子系统相关联的传感器值。接着，系统获得与用于沉积膜的配方相关联的任务数据，并将任务数据映射到传感器数据以产生训练集。系统可使用训练集训练机器学习模型，以产生指示子系统的预期传感器值的预测数据。
[0020]在一些实施例中，系统将机器学习模型应用于当前传感器值，以产生指示子系统的健康状况的输出。在一些实施例中，该输出是标量值，其指示处理腔室子系统的预期行为与处理腔室子本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：由处理器获得与根据配方在处理腔室中执行以在基板的表面上沉积膜的沉积处理相关联的多个传感器值；将机器学习模型应用于所述多个传感器值，所述机器学习模型是基于所述处理腔室的子系统的历史传感器数据以及与用于沉积所述膜的所述配方相关联的任务数据进行训练的；以及产生所述机器学习模型的输出，其中所述输出指示所述子系统的健康状况。2.根据权利要求1所述的方法，其中所述输出包括标量值，所述标量值指示与所述子系统相关联的一组传感器的测量值与所述组传感器的预期值之间的差异。3.根据权利要求1所述的方法，进一步包括：使用变换函数将所述输出转换为预定义范围内的代表值。4.根据权利要求3所述的方法，其中所述变换函数包括线性函数、logit函数、sigmoid函数或指数函数中的至少一者。5.根据权利要求1所述的方法，其中所述输出包括指示故障模式的向量值。6.根据权利要求5所述的方法，进一步包括：基于所述故障模式，使用分类算法确定由所述子系统经历的故障的类型。7.根据权利要求6所述的方法，其中所述分类算法将所述故障模式与已知故障模式库进行比较。8.根据权利要求6所述的方法，其中所述分类算法包括径向基函数(RBF)网络或神经网络。9.根据权利要求5所述的方法，进一步包括：基于所述故障模式，执行改正动作。10.一种系统，包括：存储器；及处理装置，所述处理装置可操作地耦合到所述存储器装置以执行操作，所述操作包括以下操作：获得与根据配方在处理腔室中执行以在基板的表面上沉积膜的沉积处理相关联的多个传感器值；将机器学习模型应用于所述多个传感器值，所述机器学习模型是基于所述处理腔室的子系统的历史传感器数据以及与用于沉积所述膜的所述配方相关联的任务数据进行训练的；以及产生所述机器学习模型的输出，其中所述输出...
【专利技术属性】
技术研发人员：德莫特，
申请(专利权)人：应用材料公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。