半导体制造工艺的性能预测器制造技术

提出了用于预测半导体制造设备操作的性能的方法、系统和计算机程序。一种方法包括用于获得机器学习(ML)模型的操作，每个模型都与预测半导体制造工具的操作的性能度量有关。此外，每个ML模型都利用为ML模型定义输入的特征。该方法还包括用于接收用于利用半导体制造工具制造产品的工艺定义的操作。使用一个或多个ML模型来估计半导体制造工具中使用的工艺定义的性能。此外，该方法包括在显示器上呈现显示产品的制造的性能的估计的结果。在某些方面，混合模型的使用通过利用由基于物理的模型提供的增强来增强数据驱动模型的能力来提高系统的预测准确性。系统的预测准确性。系统的预测准确性。

【技术实现步骤摘要】
【国外来华专利技术】半导体制造工艺的性能预测器
优先权主张
[0001]本申请要求于2020年1月27日提交的美国专利申请序列No.62/966,378的优先权利益，其全部内容通过引用并入本文。


[0002]本文公开的主题总体上涉及用于预测半导体制造工具中的沉积、蚀刻和清洁工艺的性能的方法、系统和机器可读存储介质。

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]通常在半导体工艺反应器和设备特征的高保真建模和仿真方面投入大量精力，以更好地了解物质(例如，气相、水相或有机溶剂化相、固态)相之间的物理和化学机制和衬底上的相关表面动力学。对此类系统的良好理解和可预测性对于改进产品设计以及优化工艺条件(例如调整半导体制造工具参数)非常重要。

技术实现思路

[0005]示例性方法、系统和计算机程序旨在预测半导体制造设备操作的性能。示例仅代表可能的变化。除非另有明确说明，否则部件和功能是可选的，可以组合或细分，操作可以按顺序变化或组合或细分。在以下描述中，出于解释的目的，阐述了许多具体细节以提供对示例性实施方案的透彻理解。然而，对于本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下实践本主题。
[0006]基于物理的模型和数据驱动的模型的混合(也称为混合模型)提供了构建各种因素(在实验或模拟数据集中生成)与可能不直接耦合或具有非线性依赖的响应变量之间的关系的机会。由于使用不同的模型(高保真模拟、数据驱动模型、降阶模型等)来构建这些关系，因此有效的混合模型可以识别以前未知的关系。这些混合模型与基于物理的高保真模拟相比计算的成本更低，并且可以跨越大范围的空间和时间尺度。随着混合模型增加了实验数据，结果的预测值随着导致模拟与实验数据不同的不确定性和假设被消除或它们的影响降低而改进。这种方法旨在减少项目的设计、制造和测试阶段之间花费的时间，从而导致较快的解决方案并且降低产品成本。
[0007]所呈现的实施方案利用基于物理的模拟(例如，高保真CFD模拟、原子模拟)、近似方法(例如，降阶模型、近似模型)、实验数据和其他数据源生成的不同的断开数据集(作为单个模型或堆叠模型)来确定对处理半导体特征的集体影响。可以使用机器学习(ML)技术分析从这些源获得的数据，以更好地预测工艺行为和预期结果。ML技术包括统计建模、深度神经网络、循环神经网络、卷积神经网络、克里金法(kriging)、动力学模式分解、适当的正
交分解等的任意组合，以生成物理约束的数据驱动模型。
[0008]一种方法包括用于获得机器学习(ML)模型的操作，每个模型都与预测半导体制造工具的操作的性能度量有关。此外，每个ML模型都利用为ML模型定义输入的特征。该方法还包括用于接收用于利用半导体制造工具制造产品的工艺定义的操作。使用一个或多个ML模型来估计半导体制造工具中使用的工艺定义的性能。此外，该方法包括在显示器上呈现显示产品的制造的性能的估计的结果。
[0009]另一个一般方面是用于包括存储器的系统，该存储器包括指令和一个或多个计算机处理器。指令在由一个或多个计算机处理器执行时使一个或多个计算机处理器执行包括获得机器学习(ML)模型的操作，每个模型与预测半导体制造工具的操作的性能度量有关。此外，每个ML模型都利用为ML模型定义输入的特征。接收用于用半导体制造工具制造产品的工艺定义，并且使用一个或多个ML模型来估计在半导体制造工具中使用的工艺定义的性能。此外，显示工艺的性能的估计的结果呈现在显示器上。
[0010]在又一个一般方面，机器可读存储介质(例如，非暂时性存储介质)包括指令，指令当由机器执行时使机器执行包括获得机器学习(ML)模型的操作，每个模型与预测半导体制造工具的操作的性能度量有关。此外，每个ML模型都利用为ML模型定义输入的特征。接收用于用半导体制造工具制造产品的工艺定义，并且使用一个或多个ML模型来估计在半导体制造工具中使用的工艺定义的性能。此外，显示工艺的性能的估计的结果呈现在显示器上。
附图说明
[0011]各种附图仅例示了本公开的示例性实施方案并且不能被认为是限制其范围。
[0012]图1示出了设计用于半导体制造的设备和工艺的复杂性。
[0013]图2是根据一些示例性实施方案的蚀刻室。
[0014]图3示出了根据一些示例性实施方案的半导体制造中的多个级别的特征建模。
[0015]图4A示出了根据一些示例性实施方案的多个机器学习模型之间的交互以预测工艺行为。
[0016]图4B是显示根据一些示例性实施方案的不同级别的建模算法示例的表。
[0017]图5示出了根据一些示例性实施方案的机器学习(ML)程序的训练和使用。
[0018]图6示出了根据一些示例性实施方案的等离子体降阶模型(ROM)模拟的过程。
[0019]图7示出了根据一些示例性实施方案的使用模拟和实验的等离子体ROM的过程。
[0020]图8示出了根据一些示例性实施方案的ML模型的一些输入。
[0021]图9和10显示了具有由ML模型使用的一些示例性特征的表。
[0022]图11示出了根据一些示例性实施方案的使用ML的喷头的设计。
[0023]图12是根据一些示例性实施方案的用于预测半导体制造设备操作的性能以执行损坏模拟的方法的流程图。
[0024]图13是示出机器的示例的框图，在该机器上或通过该机器可以实施或控制本文描述的一个或多个示例性工艺实施方案。
具体实施方式
[0025]存在多种建模技术，具体取决于应用，例如应力建模、热建模、计算流体动力学
(CFD)、等离子体建模、蒙特卡洛(Monte Carlo)模拟等。这些模型预测物种浓度、温度分布、等离子体密度和相关分布、流动的压力和速度场，计算相关的无量纲数等。
[0026]根据感兴趣的领域，空间尺度可以从纳米到米，时间间隔可以从皮秒到分钟，这意味着空间和时间尺度的范围非常广泛。使用基于物理、基于化学或基于量子的方法对这些系统进行建模可能非常昂贵，并且在工业环境中不易处理，因为需要测试多个设计条件并且需要映射操作范围。例如，单独的工艺运行有时可能需要超过一周的时间，并且在设计迭代阶段，设计工程师在完成设计之前可能限于仅使用两到三个这样的建模工作。
[0027]此外，基于物理的模型的保真度通常取决于准确预测或表征模型的输入参数或边界条件的能力。在许多情况下，这些参数不能直接测量，必须从实验结果中推断出来。例如，当试图对半导体晶片加工设备中常见的等离子体环境进行建模时，此类挑战尤其严峻。这种等离子体通过设计以及由于产品或副产品在工艺设备室中的积累或去除而是随时间变化的，并且将测量探针包含在等离子体环境中可能会对待检查的等离子体的特性产生不希望的影响。此外，例如，表面本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，其包括：获得多个机器学习(ML)模型，每个模型与预测半导体制造工具的操作的性能度量有关，每个ML模型利用定义所述ML模型的输入的多个特征；由一个或多个处理器接收用于使用所述半导体制造工具制造产品的工艺定义；由所述一个或多个处理器利用来自所述多个ML模型的一个或多个ML模型来估计在所述半导体制造工具中使用的所述工艺定义的性能；以及在显示器上呈现显示对所述产品的所述制造的性能的评估的结果。2.根据权利要求1所述的方法，其中创建所述多个机器学习(ML)模型中的一个ML模型包括：获得所述ML模型的训练数据，所述训练数据提供所述ML模型的所述特征的值；以及训练ML算法以获得所述ML模型。3.根据权利要求2所述的方法，其中，获得所述ML模型的所述训练数据包括：对所述半导体制造工具进行实验；测量所述实验的所述特征的值；以及使用所测得的所述训练数据的所述值。4.根据权利要求3所述的方法，其中，获得所述ML模型的所述训练数据还包括：训练二级ML模型以生成计量数据的降阶模型(ROM)；以及利用所述二级ML模型的输出作为额外的训练数据。5.根据权利要求2所述的方法，其中，获得所述ML模型的所述训练数据包括：通过对所述半导体制造工具的所述操作进行基于物理的模拟来获得所述训练数据。6.根据权利要求1所述的方法，其中，所述多个ML模型包括室、处理矩阵、衬底尺度、晶片特征、原子和电子状态模型。7.根据权利要求1所述的方法，其中室ML模型用于估计所述半导体制造工具中的室的几何结构，其输入包括设计尺寸，而输出包括所述室的所述几何结构的定义。8.根据权利要求1所述的方法，其中处理矩阵ML模型用于在处理期间分析所述衬底的环境的行为，其输入包括电场、磁场B场、电流密度、化学性质、反应截面、反应路径、材料特性、RF频率、RF电压、温度和RF偏置中的一者或者多者，其中所述等离子体ML模型的输出包括带电物质密度和通量、双极场、电子温度、电子能量分布函数(EEDF)、离子能量角分布(IEAD)、晶片上通量、电荷密度(表面和体积)源以及物种的损失或生成项中的一者或多者。9.根据权利要求1所述的方法，其中衬底级别ML模型用于分析靠近所述衬底的鞘的性能，其输入包括射频(RF)电压、电场、源项、反应碰撞横截面、溶液浓度和反应路径中的一者或多者，其中所述鞘ML模型的输出包括晶片表面上的通量、离子能量和角分布、传导和位移电流、离子渡越时间、表面功能化和电荷密度中的一者或多者。10.根据权利要求1所述的方法，其中晶片特征ML模型用于分析晶片特征的布局，其输入包括设计布局、掩模层和初始步骤中的一者或多者，其中所述晶片特征ML模型的输出包括所述晶片特征的几何描述。11.根据权利要求1所述的方法，其中晶片化学ML模型用于分析晶片特征的化学性质，其输入包括晶片上通量、材料特性、反应路径、反应速率、离子角产率、蚀刻阈值、粘附系数和调节系数中的一者或多者，其中所述晶片化学ML模型的输出包括几何演化和前沿跟踪、
所述晶片特征内的物种分布以及晶片特征内的离子能量和角度的分布中的一者或多者。12...

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