特許 7534525 フォアライン堆積診断および制御のための方法およびシステム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-08-05

(45)【発行日】2024-08-14

(54)【発明の名称】フォアライン堆積診断および制御のための方法およびシステム

(51)【国際特許分類】

   H01L 21/205 20060101AFI20240806BHJP

   G01N 5/02 20060101ALI20240806BHJP

   H01L 21/31 20060101ALI20240806BHJP

【ＦＩ】

H01L21/205

G01N5/02 A

H01L21/31 B

【請求項の数】 20

(21)【出願番号】P 2023503239

(86)(22)【出願日】2021-09-22

(65)【公表番号】

(43)【公表日】2023-10-24

(86)【国際出願番号】 US2021051531

(87)【国際公開番号】W WO2022093445

(87)【国際公開日】2022-05-05

【審査請求日】2023-03-15

(31)【優先権主張番号】17/081,459

(32)【優先日】2020-10-27

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】390040660

【氏名又は名称】アプライド マテリアルズ インコーポレイテッド

【氏名又は名称原語表記】ＡＰＰＬＩＥＤ ＭＡＴＥＲＩＡＬＳ，ＩＮＣＯＲＰＯＲＡＴＥＤ

【住所又は居所原語表記】３０５０ Ｂｏｗｅｒｓ Ａｖｅｎｕｅ Ｓａｎｔａ Ｃｌａｒａ ＣＡ ９５０５４ Ｕ．Ｓ．Ａ．

(74)【代理人】

【識別番号】110002077

【氏名又は名称】園田・小林弁理士法人

(72)【発明者】

【氏名】モラディアン， アラ

(72)【発明者】

【氏名】ヒルケン， マーティン エー．

(72)【発明者】

【氏名】チュー， ツウォミン

(72)【発明者】

【氏名】サンチェス， エロール アントニオ シー．

(72)【発明者】

【氏名】マラス サンカラトディ， ビンドゥサガール

(72)【発明者】

【氏名】リウ， パトリシア エム．

(72)【発明者】

【氏名】スリヴァスタヴァ， スレンドラ シン

【審査官】鈴木 智之

(56)【参考文献】

【文献】特開２００７－３１１３９３（ＪＰ，Ａ）

【文献】特開２０１９－１１４７８３（ＪＰ，Ａ）

【文献】米国特許出願公開第２００７／０１８９３５６（ＵＳ，Ａ１）

【文献】特開２００６－００５１１８（ＪＰ，Ａ）

【文献】特開平０７－１２２５３６（ＪＰ，Ａ）

【文献】国際公開第２０２０／１７８９４５（ＷＯ，Ａ１）

【文献】特開２０２０－１２３６０２（ＪＰ，Ａ）

【文献】特許第６７３７９４４（ＪＰ，Ｂ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０１Ｌ ２１／２０５

Ｇ０１Ｎ ５／０２

Ｈ０１Ｌ ２１／３１

(57)【特許請求の範囲】

【請求項1】

フォアライン診断および制御のためのシステムであって、
処理チャンバの排気口に結合されたフォアラインと、
前記フォアライン中の堆積ビルドアップを測定するために配置された第１のセンサと、
前記第１のセンサに結合されたビルドアップモニタであって、前記ビルドアップモニタが、トレーニング済み機械学習（ＭＬ）モデルを備え、前記堆積ビルドアップを示す出力を生成するように構成され、示された前記堆積ビルドアップがビルドアップしきい値にあるかまたはビルドアップしきい値を上回るときに、修正アクションをトリガする、ビルドアップモニタと
を備え、
前記第１のセンサが、
超音波トランスデューサ、
圧電センサ、
圧力センサ、または
圧力制御弁
のうちの少なくとも１つを備える、システム。

【請求項2】

前記圧力制御弁が、位置センサを備える、請求項１に記載のシステム。

【請求項3】

前記ビルドアップモニタが開ループコントロールを備える、請求項１に記載のシステム。

【請求項4】

前記ビルドアップモニタが複数のセンサに結合されている、請求項１に記載のシステム。

【請求項5】

前記トレーニング済み機械学習モデルが、
半導体処理チャンバの以前の動作からの第１のセンサデータを含むデータベースから、第１のセンサトレーニングデータを受信することと、
前記フォアラインの清浄な表面と、前記フォアライン上に堆積された材料の複数の堆積厚さのうちの１つとを区別するために、前記第１のセンサトレーニングデータを分類することと、
前記分類に基づいて、前記トレーニング済み機械学習モデルのためのモデルパラメータを生成することと
を含むプロセスを介してトレーニングされる、請求項１に記載のシステム。

【請求項6】

前記修正アクションが、ユーザに対するアラートを生成すること、前記半導体処理チャンバの動作を停止すること、または前記半導体処理チャンバに洗浄動作を開始させることのうちの１つを含む、請求項５に記載のシステム。

【請求項7】

前記トレーニング済み機械学習モデルが、さらに、洗浄動作中に前記フォアラインの温度の変化を監視するためにトレーニングされる、請求項６に記載のシステム。

【請求項8】

フォアライン堆積診断のための方法を実行するための命令を含む、コンピュータ可読媒体であって、前記方法が、
複数のセンサの少なくとも１つから、センサデータを受信することと、
堆積ビルドアップを示す出力を生成するように構成されたトレーニング済み機械学習（ＭＬ）モデルを備える、ビルドアップモニタに前記センサデータを与えることと、
前記センサデータがビルドアップしきい値にあるかまたはビルドアップしきい値を上回ることが示されたときに、前記出力に基づいて修正アクションを生成することと
を含み、
前記複数のセンサが、
超音波トランスデューサ、
圧電センサ、
圧力センサ、または
圧力制御弁
のうちの少なくとも１つを含む、コンピュータ可読媒体。

【請求項9】

前記複数のセンサが、熱センサを含む、請求項８に記載のコンピュータ可読媒体。

【請求項10】

前記圧力制御弁が、位置センサを含む、請求項８に記載のコンピュータ可読媒体。

【請求項11】

前記圧力センサが前記圧力制御弁に隣接して配置されている、請求項１０に記載のコンピュータ可読媒体。

【請求項12】

前記複数のセンサがポンプとチャンバ排気口との間に配置されている、請求項８に記載のコンピュータ可読媒体。

【請求項13】

前記修正アクションが、前記センサデータを監視するように構成された開ループコントロールによって少なくとも部分的に生成される、請求項１２に記載のコンピュータ可読媒体。

【請求項14】

前記トレーニング済みＭＬモデルが、
半導体処理チャンバの以前の動作からのセンサデータを含むデータベースから、センサトレーニングデータを受信することと、
フォアラインの清浄な表面と、前記フォアライン上に堆積された材料の複数の堆積厚さのうちの１つとを区別するために、前記センサトレーニングデータを分類することと、
前記分類に基づいて、前記トレーニング済み機械学習モデルのためのモデルパラメータを生成することと
を含むプロセスを介してトレーニングされる、請求項１２に記載のコンピュータ可読媒体。

【請求項15】

前記トレーニング済み機械学習（ＭＬ）モデルが、教師ありモデルと、教師なしモデルとのうちの１つを含む、請求項１４に記載のコンピュータ可読媒体。

【請求項16】

処理システムのフォアライン中の堆積ビルドアップを監視するための方法であって、
処理システムのフォアラインに結合された１つまたは複数のセンサから、センサデータを受信することと、
ビルドアップを推定するために、トレーニング済み機械学習モデルを用いて前記センサデータを処理することと、
前記トレーニング済み機械学習モデルの前記推定されたビルドアップに対応する修正アクションをトリガすることと
を含み、
前記１つまたは複数のセンサが、
超音波トランスデューサ、
圧電センサ、
圧力センサ、または
圧力制御弁
のうちの少なくとも１つを含む、方法。

【請求項17】

前記トレーニング済み機械学習モデルが、
１つまたは複数の処理システムの以前の動作からのセンサデータを含む、センサトレーニングデータを受信することと、
前記フォアラインの清浄な表面と、前記フォアライン上に堆積された材料の複数の堆積厚さのうちの１つとを区別するために、前記センサトレーニングデータを分類することと、
前記分類に基づいて、前記トレーニング済み機械学習モデルのためのモデルパラメータを生成することと
を含むプロセスを介してトレーニングされる、請求項１６に記載の方法。

【請求項18】

前記トレーニング済み機械学習モデルが、さらに、前記フォアラインの温度の変化を検出するためにトレーニングされる、請求項１７に記載の方法。

【請求項19】

前記圧力制御弁が、位置センサを含む、請求項１７に記載の方法。

【請求項20】

前記修正アクションが、前記処理システムの動作を停止すること、洗浄動作を開始すること、またはユーザにアラートすることのうちの１つを含む、請求項１７に記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、一般に、フォアライン（ｆｏｒｅｌｉｎｅ）診断および制御に関し、より詳細には、予測フォアライン診断に関する。

【背景技術】

【0002】

半導体基板は、デバイスおよびマイクロデバイスの製造を含む、多種多様な適用例のために処理される。これらのプロセスは、処理チャンバ内の温度、圧力、および前駆体流量を含む、いくつかの処理条件の下で、基板上に高品質の膜を生成することができる。プロセスパラメータの変動により膜厚さおよびプロファイルの変動が生じ得る。

【0003】

膜堆積の目的は、堆積される材料の大部分を基板上に堆積することであるが、処理チャンバ部品、チャンバ排気口、およびフォアライン部品もコーティングされ得る。ウエハごとのプロセス条件を維持するために、チャンバ部品およびフォアライン部品から意図しないコーティングをエッチングするために洗浄レシピが実行される。しかしながら、洗浄プロセスを行っても、フォアライン中に意図しないコーティング、時には可燃性のコーティングが生じ得る。

【0004】

従来の手法では、フォアライン中の堆積の量を測定することなしに、あらゆるウエハの後に、または一定数のウエハの後に洗浄レシピが実行される。これにより、洗浄リソースおよび時間の浪費になり得る、あまりに頻繁な洗浄が行われるか、または十分に洗浄が行われず、その結果、プロセスパラメータの信頼できない変化と、フォアライン中の潜在的に危険な堆積とが生じ得る。

【0005】

必要とされるものは、従来の手法の欠点を克服するためのシステムおよび方法である。

【発明の概要】

【0006】

本開示は、一般に、フォアライン診断および制御のためのシステム、装置、および方法に関する。チャンバ排気口に結合されたフォアラインは、いくつかの実施形態では、チャンバ排気口と軽減（ａｂａｔｅｍｅｎｔ）システムとの間に配置される１つまたは複数のセンサを計装される。その１つまたは複数のセンサは、フォアライン中の圧力をコンダクタンスのインジケータとして測定するために配置される。センサは、フォアラインが洗浄サイクルを必要とするときに、または予防保守が実行されるべきであるときに信号を与えるように構成されたトレーニング済み機械学習モデルに結合される。いくつかの実施形態では、トレーニング済み機械学習は、洗浄または予防保守がいつ必要とされるかを予測する。

【0007】

一実施形態では、処理チャンバの排気口に結合されたフォアラインと、フォアライン中の堆積ビルドアップ（ｂｕｉｌｄ－ｕｐ）を測定するために配置された第１のセンサと、第１のセンサに結合されたビルドアップモニタであって、そのビルドアップモニタが、トレーニング済み機械学習（ＭＬ）モデルを備え、堆積ビルドアップを示す出力を生成し、示された堆積ビルドアップがビルドアップしきい値にあるかまたはビルドアップしきい値を上回るときに、修正アクションをトリガするように構成された、ビルドアップモニタとを含む、フォアライン診断および制御のためのシステムが開示される。

【0008】

別の実施形態では、コンピュータ可読媒体は、フォアライン堆積診断のための方法を実行するための命令を含む。本方法は、複数のセンサの少なくとも１つからのビルドアップデータを受信することと、堆積ビルドアップを示す出力を生成するように構成されたトレーニング済み機械学習（ＭＬ）モデルを備えるビルドアップモニタに、ビルドアップデータを与えることと、ビルドアップデータがビルドアップしきい値にあることが示されたときに、出力に基づいて修正アクションを生成することとを含む。

【0009】

別の実施形態では、半導体処理システムのフォアラインに結合された１つまたは複数のセンサからのセンサデータを受信することと、ビルドアップを推定するために、トレーニング済み機械学習モデルを用いてセンサデータを処理することと、トレーニング済み機械学習モデルの推定されたビルドアップに対応する修正アクションをトリガすることとを含む、処理システムのフォアライン中の堆積ビルドアップを監視するための方法が開示される。

【0010】

本開示の上記で具陳した特徴が詳細に理解され得るように、上記で簡潔に要約した本開示のより詳細な説明は、それらのうちのいくつかが添付の図面に示されている実施形態を参照することによって得られ得る。しかしながら、添付の図面は、例示的な実施形態のみを示し、したがって、それの範囲を限定するものと見なされるべきでなく、他の等しく効果的な実施形態が可能であり得ることに留意されたい。

【図面の簡単な説明】

【0011】

【図1】いくつかの実施形態による、フォアライン堆積および診断制御のためのシステムを示す図である。

【図2】いくつかの実施形態による、フォアライン洗浄システムを含む、フォアライン堆積および診断制御のためのシステムを示す図である。

【図3】いくつかの実施形態による、フォアライン診断および制御のための方法を示す図である。

【図4】いくつかの実施形態による、フォアライン診断および制御のための方法を実行するための処理システムを示す図である。

【発明を実施するための形態】

【0012】

理解を容易にするために、図に共通である同等の要素を指定するために、可能な場合は、同等の参照番号が使用されている。一実施形態の要素および特徴は、さらなる具陳なしに、他の実施形態中に有利に組み込まれ得ることが企図される。

【0013】

以下では、本開示の実施形態を参照する。しかしながら、本開示は、具体的に説明する実施形態に限定されないことを理解されたい。代わりに、以下の特徴および要素の任意の組合せは、異なる実施形態に関するか否かにかかわらず、本開示を実装し、実施することが企図される。さらに、本開示の実施形態は他の可能なソリューションおよび／または従来技術に勝る利点を達成し得るが、所与の実施形態によって特定の利点が達成されるか否かは本開示を限定しない。したがって、以下の態様、特徴、実施形態および利点は単に例示的なものであり、請求項中に明示的に具陳されている場合を除いて、添付の特許請求の範囲の要素または限定と見なされない。同様に、「本開示」への言及は、本明細書で開示するいかなる発明的主題の一般化としても解釈されないものとし、請求項中に明示的に具陳されている場合を除いて、添付の特許請求の範囲の要素または限定と見なされないものとする。

【0014】

フォアラインに沿って配置された１つまたは複数のセンサからの累積履歴プロセスおよび洗浄データ、ならびにリアルタイムデータを使用して処理システムフォアライン中の堆積ビルドアップを監視するためのシステム、装置、および方法が開示される。

【0015】

半導体デバイスを製造することの一部として処理チャンバ中で実行されるエピタキシプロセス、化学気相堆積（ＣＶＤ）プロセス、プラズマ強化化学蒸着（ＰＥＣＶＤ）、エッチングプロセス、洗浄プロセス、または他のプロセスなどによる半導体基板の処理中に、チャンバ部品上に、ならびにチャンバに結合されたフォアライン中にビルドアップが生じる。

【0016】

本発明者らは、フォアライン中のビルドアップパターンが、そのフォアラインとともに使用されるセンサによって直接的におよび／または間接的に検出され得ることを発見した。複数の処理サイクル、およびビルドアップパターンにわたってセンサデータを収集することによって、フォアライン（またはチャンバ）洗浄が必要とされること、またはＰＭが必要とされることのアラートをユーザに示すしきい値が、トレーニングデータを用いてトレーニング済み機械学習（ＭＬ）アルゴリズムを使用して開発され得る。識別されたパターンは、フォアライン上で実行されるべきである、処理チャンバの動作を停止すること、または洗浄、または予防保守（ＰＭ）など、修正アクションを与えるためのしきい値を開発するために、ならびにこれらがいつ必要とされ得るかを予測するために、トレーニング済み機械学習モデルによって使用され得る。

【0017】

トレーニング済みＭＬモデルによって監視される洗浄およびＰＭのためのしきい値を与えることによって、工場操業をより効率的にスケジュールするために、個々の処理チャンバおよび処理チャンバのグループの処理パラメータに基づいて洗浄／ＰＭサイクルが予測的に決定され得る。さらに、洗浄およびＰＭ関係の化学物質、交換部品、および労働力資源のインベントリがより効率的にスケジュールされ得る。
フォアライン堆積診断および制御の例示的なシステム

【0018】

図１は、いくつかの実施形態による、フォアライン堆積および診断制御のためのシステム１００を示す。処理チャンバ１０３は、処理チャンバ１０３の排気口（図示せず）を介してフォアライン１０６に結合され、それにより、処理チャンバ１０３がポンプ１０９に結合され、ポンプ１０９は軽減システム１１２に結合される。

【0019】

処理チャンバ１０３は、エピタキシチャンバ、化学気相堆積（ＣＶＤ）チャンバ、プラズマ強化ＣＶＤ（ＰＥＣＶＤ）チャンバ、エッチングチャンバ、研磨ステーション、または任意の手段によって１つまたは複数の材料を基板に堆積するかまたは基板から除去する任意の処理チャンバであり得る。当業者によって理解されるように、処理チャンバ１０３など、処理チャンバは、堆積またはエッチングのために使用されるときに、処理チャンバに投入されたガスおよび材料をつかさどる１つまたは複数のレシピによって制御される。処理チャンバ１０３の動作中に、基板上に堆積されないか、または基板からエッチングされない材料は、チャンバ部品上、フォアライン１０６内、ならびにポンプ１０９および軽減システム１１２内に堆積される。本明細書で開示するシステムおよび方法は、フォアライン中の堆積を診断し、様々なアルゴリズムおよび方法を介して、フォアライン洗浄および／またはフォアライン予防保守（ＰＭ）がいつ実行されるべきであるかを示そうとする。

【0020】

フォアライン１０６の長さに沿って、処理チャンバ１０３、ポンプ１０９を分離し、フォアライン１０６内の圧力を制御するために働く、いくつかの弁が配置され得る。（以下でさらに説明する）フォアライン洗浄およびＰＭ動作中に処理チャンバ１０３を分離するために、処理チャンバ１０３から下流にチャンバ分離弁１１５が配置され得る。チャンバ分離弁１１５から下流で、フォアライン１０６に圧力制御弁１１８が結合され得る。

【0021】

圧力制御弁（ＰＣＶ）１１８は、フォアライン１０６中のガスの伝導性を制御することによってそのようなガスの圧力を制御するための回転板と、回転板の回転角を感知するための位置センサとを備える。ＰＣＶ１１８の角度は回転板の角度の指示であり、その指示は、以下で説明するように、フォアライン１０６内の圧力および／または伝導性のインジケータとして使用され得、複数の測定された角度は、圧力および／または伝導性の変化のインジケータであり得る。以下で説明するように、伝導性の変化はフォアライン１０６内の堆積ビルドアップのインジケータであり得る。

【0022】

ＰＣＶ１１８から下流で、フォアライン１０６は、フォアライン１０６からポンプ１０９を分離するポンプ分離弁１２１に結合される。ポンプ分離弁１２１から下流で、フォアラインはポンプ１０９に結合される。

【0023】

当業者によって諒解されるであろうように、いくつかの実施形態では、チャンバ分離弁１１５とポンプ分離弁１２１の一方または両方がＰＣＶであり得る。この文脈におけるＰＣＶは分離弁として働き得る。

【0024】

フォアライン１０６に沿って、センサ１２４～１３３が点在している。センサ１２４は処理チャンバ１０３とチャンバ分離弁１１５との間に位置し、センサ１２７はチャンバ分離弁１１５とＰＣＶ１１８との間に位置し、センサ１３０はＰＣＶ１１８とポンプ分離弁１２１との間に位置し、センサ１３３はポンプ分離弁１２１とポンプ１０９との間に位置する。

【0025】

いくつかの実施形態では、センサ１２４～１３３のうちの１つまたは複数が、フォアライン内のビルドアップを直接的にまたは間接的に測定するために配置される。いくつかの実施形態では、センサ１２４～１３３のうちの１つまたは複数が、超音波信号のトランスデューサおよび受信機を備える超音波センサであり得る。センサ１２４～１３３のうちの１つまたは複数として与えられる超音波トランスデューサは、フォアライン１０６内に配置される必要なしに、フォアライン１０６内のビルドアップを検出し得るが、いくつかの実施形態では、このタイプのセンサはフォアライン１０６内に位置し得る。フォアライン１０６の外側に配置されるとき、超音波トランスデューサは、フォアライン１０６を構成するパイプの中空部分など、フォアライン１０６の内部空間中に結合されたフォアラインの壁を通して超音波信号を供給する。フォアライン１０６が清浄である（すなわちビルドアップがない）とき、超音波信号は、受信機によって検出されるように、（場合によっては、フォアライン中のガスによって減速させられた）音速でフォアライン１０６を通って進行し得る。しかしながら、フォアライン中にビルドアップが存在するとき、このビルドアップにより超音波信号の進行速度が遅くなり、それにより、トランスデューサにおける超音波信号の生成と、受信機におけるこの信号の受信とにかかる時間量が増加する。堆積が増大し続けるにつれて、超音波信号が受信機に到達するのにかかる時間量は増加する。その上、フォアライン１０６中に堆積された異なる材料は超音波信号の速度に対して異なる影響を及ぼすが、追加の堆積ビルドアップがこの信号をますます減速させることだけは変わらない。

【0026】

いくつかの実施形態では、センサ１２４～１３３のうちの１つまたは複数が、水晶振動子マイクロバランス（ｑｕａｒｔｚ ｃｒｙｓｔａｌ ｍｉｃｒｏｂａｌａｎｃｅ）（ＱＣＭ）センサなど、圧電センサであり得る。ＱＣＭセンサは、石英構成要素に対する質量のナノグラム変化を検出することが可能な水晶振動子に基づく質量敏感圧電デバイスである。実施形態では、石英構成要素上に材料が堆積するにつれて、質量の増加の結果として、石英構成要素はより低い速度で振動する。フォアライン１０６の内側、たとえば、センサ１２４～１３３のうちの１つまたは複数によって示された位置に配置されたとき、ＱＣＭセンサ上に堆積ビルドアップが生じるにつれて、そのセンサによって生成される信号はビルドアップと相関して変化する。

【0027】

いくつかの実施形態では、センサ１２４～１３３のうちの１つまたは複数が、フォアライン１０６内の圧力を測定するためにフォアライン１０６に結合された圧力センサであり得る。フォアライン１０６中に材料が堆積するにつれて、フォアライン１０６の（ビルドアップによる）減少する体積を通って進行する同じ体積のガスによる圧力変化がビルドアップのインジケータとして検出され得る。

【0028】

センサ１２４～１３３の複数の実施形態について上記で説明したが、当業者は、センサ１２４～１３３のうちの１つまたは複数が複数のセンサタイプを含み得ることを諒解しよう。たとえば、センサは、圧力センサ、ＵＴセンサ、および／またはＱＣＭセンサのうちの１つまたは複数を含み得る。

【0029】

実施形態では、ＰＣＶ１１８は、さらに、フォアライン１０６中のビルドアップを示すためにセンサとして利用され得る。これらの実施形態では、フォアライン１０６内でビルドアップが増加するにつれて、ＰＣＶ１１８は、ガスのターゲット伝導性を維持するためにプレートの角度を増加させることが必要とされ得る。前の角度に対する角度の増加は、フォアライン１０６中のビルドアップの増加を示し得、（たとえば、洗浄またはＰＭの後の）角度の減少はビルドアップがより少ないかまたはないことを示し得る。

【0030】

上記で説明したセンサタイプのうちの１つまたは複数が、ビルドアップの増加または減少を示すデータを与えるためにＰＣＶ１１８とともに使用され得る。たとえば、センサ１２７がビルドアップの変化を検出すると、ＰＣＶ１１８は応答して、それの角度を変更し得る。全体として、これらの信号は、システム１００がフォアライン堆積ビルドアップにどのように反応しているかについてのデータを与える。

【0031】

コントローラ１３６は、センサ１２４～１３３の各々に、ならびにＰＣＶ１１８に結合され、いくつかの実施形態では、チャンバ分離弁１１５およびポンプ分離弁１２１にも結合される。コントローラ１３６は、さらに、処理レシピに関するデータを受信し、フォアライン１０６の状態に関する信号を処理チャンバに与えるために、処理チャンバ１０３に結合される。

【0032】

コントローラ１３６は、トレーニングデータ１３９とＭＬモデル１４１とを備える、トレーニング済み機械学習（ＭＬ）モデル１４４を含む。トレーニングデータ１３９は、処理チャンバ１０３中の処理に関するデータ（たとえば特徴）に関する時系列データを含む、処理動作中に１つまたは複数の処理チャンバセンサによって生成されるレシピデータ、および処理チャンバセンサデータなど、処理チャンバ１０３中の処理に関するデータ（たとえば特徴）から構成される。トレーニングデータ１３９はデータベースまたは他のデータストレージシステムに記憶され得る。トレーニングデータは、ビルドアップの時系列表現を含む、フォアライン１０６中のビルドアップの直接的なインジケータまたは間接的なインジケータのいずれかである、センサ１２４～１３３からのデータ（すなわち、ビルドアップセンサについてのビルドアップに関するデータ、および圧力センサについての圧力に関するデータのうちの少なくとも１つ）、ＰＣＶ１１８からのデータ、チャンバ分離弁１１５からのデータ、およびポンプ分離弁１２１からのデータ（たとえば、伝導率、角度データなど）のうちの１つまたは複数をさらに含む。いくつかの実施形態では、トレーニングデータ１３９はポンプ１０９からの動作データを含み得る。トレーニングデータは、時間に伴う各データソースの動作データの差を示す、各上述のデータソースからの時系列データであり得る。いくつかの実施形態では、トレーニングデータは、履歴データ、合成データ、トレーニングの目的のために開発者によって作成されるデータ、またはこれらの何らかの組合せであり得る。いくつかの実施形態では、トレーニングデータは、処理チャンバレシピ、フォアライン１０６中に堆積され得る材料、堆積材料の堆積特性、またはＭＬモデル１４１をトレーニングするために好適な任意の他のグループ化に基づいてグループ化され得る。トレーニングデータ１４４は、センサおよび弁からインシトゥで受信され、ＭＬモデル１４１をリアルタイムでトレーニングし、それにより、連続的に更新されたトレーニング済みＭＬモデル１４４を与える、データをさらに含み得る。

【0033】

トレーニングデータ１４４から、フォアライン１０６の１つまたは複数のパラメータが、トレーニング済みＭＬモデル１４１によって推定または推論され得る。たとえば、フォアライン１０６中の材料の堆積速度は、超音波センサによって検出される超音波信号の飛行時間（ｔｉｍｅ－ｏｆ－ｆｌｉｇｈｔ）データ、ＱＣＭセンサの共振周波数の偏移率（ｒａｔｅ ｏｆ ｓｈｉｆｔ）、または１つもしくは複数の圧力センサからのフォアライン１０６の１つのセグメントにわたる差圧の変化率から導出され得る。フォアライン１０６の１つまたは複数のセグメント内の堆積速度は、トレーニング済みＭＬモデル１４１によって推論／推定され、前に測定された堆積速度に対する決定を行うための測度として扱われるか、または１つもしくは複数のしきい値と比較され得る。トレーニング済みＭＬモデル１４１によって推定または推論され得るフォアライン１０６の別の例示的なパラメータはフォアライン１０６の健全性（たとえば伝導能力）である。トレーニング済みＭＬモデル１４１は、ＰＣＶ１１８の位置とＰＣＶ１１８におけるフォアライン１０６の温度との組合せ、および超音波センサ、ＱＣＭセンサ、または他のセンサからの信号から、健全な状態に対して部分的に詰まっている状態を推定／推論し得る。推論／推定された状態は、フォアライン１０６が健全である（すなわち、フォアラインを動作させるために適切なレベルでガスを伝導する）か否かを、またはフォアライン１０６が洗浄もしくはＰＭを必要とすることを決定するために、フォアライン１０６の前に測定された状態と、または１つもしくは複数のしきい値と比較され得る。

【0034】

いくつかの実施形態では、ＭＬモデル１４１は、処理チャンバによって実行される特定の処理レシピについて、フォアライン中に堆積される特定の材料について、またはこれらの組合せについてトレーニングされ得る。

【0035】

ＭＬモデル１４１は教師ありＭＬモデルまたは教師なしＭＬモデルまたはこれらの組合せであり得る。ＭＬモデル１４１が教師ありモデルである実施形態では、サポートベクターマシン（ＳＶＭ）、回帰モデル、またはトレーニングデータ１３９を受信し、フォアライン１０６中の堆積レベルを示すかまたは予測する連続的な出力を与えることが可能な、任意の教師あり学習モデルが使用され得る。ＭＬモデルが教師なしモデルである実施形態では、ニューラルネットワーク、または、フォアライン１０６中の堆積ビルドアップを示すかまたは予測するクラスタ化または分類された出力を与えるためにＭＬモデル１４１をトレーニングするためにトレーニングデータ１３９を受信することが可能な任意の教師なし学習モデルが使用され得る。

【0036】

トレーニング中に、ＭＬモデル１４１は、トレーニングデータ１３９に基づいてフォアライン１０６中のビルドアップの１つまたは複数のしきい値を作り出すためにトレーニングされ、それらのしきい値は、フォアライン洗浄が必要とされること、ＰＭが必要とされること、または何らかの他のインジケータを示す。この文脈におけるしきい値は、フォアライン１０６中の１つまたは複数のセンサによって与えられるデータによって決定される、フォアライン１０６中の堆積レベル、フォアライン１０６中の堆積速度、健全な状態（十分に開いている）に対して詰まっている／部分的に詰まっているフォアライン１０６であり得る。たとえば、処理チャンバのためのレシピと、そのレシピを使用した基板の適切な処理のために必要とされるフォアラインについての条件とが与えられると、そのレシピと処理チャンバとフォアラインセンサとからのトレーニングデータが時間に伴ってコンパイルされ得る。このトレーニングデータは、満たされるかまたは超えた場合にフォアラインの洗浄またはＰＭの必要を示す、システムの適切な動作についての１つまたは複数のしきい値を識別するために、ＭＬモデルをトレーニングするために使用される。トレーニングされると、トレーニング済みＭＬモデルは、フォアラインの状態がいつ洗浄またはＰＭを必要とするかのインジケータを与えるために「生の」処理データを受信し得る。この文脈では、インジケータは、洗浄が必要とされることをシグナリングするしきい値領域を満たすかまたは超える、教師なしモデルからの１つまたは複数の分類であり得る。教師ありモデルでは、モデルの１つまたは複数の次元がしきい値を満たしたかまたは超えたときに、洗浄の必要が示され得る。その上、トレーニング済みＭＬモデルは、リソースと工場操業との効率的なスケジューリングを可能にするために、洗浄またはＰＭがいつ必要とされるかを予測的に示し得る。

【0037】

いくつかの実施形態では、トレーニング済みＭＬモデル１４４は、トレーニングデータを用いてＭＬモデル１４１をトレーニングすることの結果として、所与のレシピおよび関係するプロセスパラメータに基づいて、所与の時間におけるフォアライン１０６中の所与の堆積ビルドアップを予測し得る。予測実施形態では、コントローラは、たとえば、工場スケジューリング、処理チャンバ１０３の保守スケジュールに適応させるために、フォアライン１０６の洗浄またはＰＭをいつ実行するべきであるかを予測し、リソース購入および供給決定を通知し得る。

【0038】

いくつかの実施形態では、コントローラ１３６は、洗浄、ＰＭ、または他のアクションをいつ実行するべきであるかを示すセンサおよび弁データについてのしきい値を含む開ループコントローラである。追加の実施形態では、コントローラ１３６は開ループ制御方法とトレーニング済み機械学習モデル１４４との組合せであり得る。

【0039】

動作中に、センサ１２４～１３３、弁１１５～１２１のうちの１つまたは複数が、およびいくつかの実施形態ではプロセスチャンバ１０３が、トレーニング済みＭＬモデル１４４にプロセスデータを与える。トレーニング済みＭＬモデル１４４は、これらの入力を受信し、トレーニング済み機械学習モデルに従ってそれらを処理し、１つまたは複数の出力を与え、出力が１つまたは複数のしきい値に達したかまたは超えたときに、フォアライン洗浄またはＰＭを実行するべきであることのインジケータを生成する。いくつかの実施形態では、コントローラ１３６は、フォアライン１０６から処理チャンバを分離し、（以下でさらに説明する）フォアライン洗浄を実行するために洗浄システムに信号を与えるか、または洗浄を実行させるためのインジケータをシステム１００のユーザに与え得る。
ＲＰＳフォアライン洗浄システムを用いたフォアライン堆積診断および制御の例示的なシステム

【0040】

図２は、いくつかの実施形態による、フォアライン洗浄システムを含む、フォアライン堆積および診断制御のためのシステム２００を示す。システム２００はシステム１００と同様であるが、フォアライン洗浄システム２１０と、フォアライン洗浄分離弁２１５と、以下で説明する改変とが追加されている。いくつかの実施形態では、フォアライン洗浄２１０は、それの完全な開示はその全体が参照により本明細書に組み込まれる、２０１９年１２月１０日にカリフォルニア州サンタクララのＡｐｐｌｉｅｄ Ｍａｔｅｒｉａｌｓに対して発行された、Ｈｉｌｋｅｎｅらによる米国特許第１０、５００、６１４号「ＴＥＭＰＥＲＡＴＵＲＥ ＣＯＮＴＲＯＬＬＥＤ ＲＥＭＯＴＥ ＰＬＡＳＭＡ ＣＬＥＡＮ ＦＯＲ ＥＸＨＡＵＳＴ ＤＥＰＯＳＩＴ ＲＥＭＯＶＡＬ」に開示されているフォアライン洗浄システムと同様である。

【0041】

フォアライン洗浄２１０を含む、フォアライン堆積診断および制御の実施形態では、センサ１２４～１３３のうちの１つまたは複数が熱センサを含み得る。いくつかの実施形態では、フォアライン洗浄２１０は、プラズマを作り出し、ビルドアップを除去するために、そのプラズマをフォアライン１０６に与えるための遠隔プラズマ源（ＲＰＳ）を含む。いくつかの実施形態では、ＲＰＳはＮＦ_３とアルゴンとの混合ガスからプラズマを生成する。フォアライン１０６中のビルドアップとのプラズマ反応により発熱反応（ｅｘｏｔｈｅｒｍｉｃ ｒｅａｃｔｉｏｎ）が生じ得るので、洗浄プロセス中に生成された熱は、フォアライン１０６中に残っているビルドアップの量のインジケータになり得る。プラズマとの反応によりビルドアップが除去されるにつれて、生成される熱が無視できる量になり、それにより洗浄サイクルが完了したことが示されるまで、生成される熱の量は減少する。

【0042】

図２の実施形態では、トレーニング済みＭＬモデル１４４は、フォアライン洗浄２１０によって実行される洗浄サイクル中にフォアライン中のビルドアップを監視するためのパラメータおよびしきい値をさらに含み得る。パラメータおよびしきい値を作り出すためのトレーニングデータ１３９は、センサ１２４～１３３のうちの１つまたは複数の中に含まれる熱センサからのデータを含む。このトレーニングデータ１３９は、トレーニング済みＭＬモデル１４４を生成するために、ＭＬモデル１４１をトレーニングするために与えられる。
フォアライン診断および制御のための例示的な方法

【0043】

図３は、いくつかの実施形態による、フォアライン診断および制御のための方法３００を示す。

【0044】

３０５において、方法３００は、半導体処理システムのフォアラインに結合された１つまたは複数のセンサからのセンサデータを受信する一方、３１０において、方法３００は、フォアライン中のビルドアップを推定するために、トレーニング済み機械学習モデルを用いてセンサデータを処理する。実施形態では、トレーニング済み機械学習モデルは、１つまたは複数の半導体処理システムの以前の動作からのセンサデータを含む、データベースからのセンサトレーニングデータを受信し、フォアラインの清浄な表面のうちの１つと、フォアライン上に堆積された材料の複数の堆積厚さのうちの１つとを区別するために、センサトレーニングデータを分類し、その分類することに基づいて、トレーニング済み機械学習モデルのためのモデルパラメータを生成するプロセスを介してトレーニングされる。いくつかの実施形態では、トレーニング済み機械学習モデルは、さらに、フォアラインの温度の変化を検出するためにトレーニングされる。この文脈における分類することは教師ありＭＬまたは教師なしＭＬを指し得ることを理解されたい。

【0045】

３１５において、方法３００は、トレーニング済み機械学習モデルの推定されたビルドアップに対応する修正アクションをトリガする。修正アクションは、処理システムの動作を停止すること、半導体処理システムまたはフォアライン中の洗浄動作を開始すること、または半導体処理システムもしくはフォアラインに対して予防保守を行うようユーザにアラートすることのうちの１つまたは複数を含み得る。信号は、トレーニング済み機械学習モデルが、しきい値が満たされたかまたは超えられたことを示したときに応答して生成され得る。
フォアライン診断および制御のための例示的な処理システム

【0046】

図４は、図３のフォアライン診断および制御のための方法、ならびに図１および図２に関して説明したそのような方法を実行することが可能なシステムなど、本明細書で説明した方法を実行し得る、いくつかの実施形態による、フォアライン診断および制御のための処理システム４００を示す。

【0047】

処理システム４００の処理デバイス４０１は、データバス４１６に接続された中央処理ユニット（ＣＰＵ）４０２を含む。ＣＰＵ４０２は、たとえば、メモリ４０８またはストレージ４１０に記憶されたコンピュータ実行可能命令を処理し、たとえば、図３に関して本明細書で説明した方法を処理システム４００に実行させるように構成される。ＣＰＵ４０２は、単一のＣＰＵと、複数のＣＰＵと、複数の処理コアを有する単一のＣＰＵと、コンピュータ実行可能命令を実行することが可能な処理アーキテクチャの他の形態とを表すために含まれている。

【0048】

処理システム４００は入出力（Ｉ／Ｏ）デバイス４１２とインターフェース４０４とをさらに含み、インターフェース４０４は、処理デバイス４０１が、たとえば、半導体処理システムおよび関係するサポートシステム、キーボード、ディスプレイ、マウスデバイス、ペン入力、および処理システム４００との対話を可能にする他のデバイスなど、入出力デバイス４１２とインターフェースすることを可能にする。処理システム４００は物理接続およびワイヤレス接続によって外部Ｉ／Ｏデバイス（たとえば外部ディスプレイデバイス）と接続し得ることに留意されたい。

【0049】

処理デバイス４０１は、処理システム４０１に、外部ネットワーク４１４へのアクセスと、それによる外部計算デバイスへのアクセスとを与えるネットワークインターフェース４０６をさらに含む。

【0050】

処理デバイス４０１はメモリ４０８をさらに含み、メモリ４０８は、この例では、受信モジュール４１８と、処理モジュール４２０と、トリガモジュール４２２と、トレーニングモジュール４２４と、図１および／または図２に示されているシステム上で実行され得る、図３において説明した動作を実行するための分類モジュール４２６とを含む。図４には示されていないが、他の態様がメモリ４０８中に含まれ得る。

【0051】

簡単のために図４では単一のメモリ４０８として示されているが、メモリ４０８に記憶されている様々な態様は、処理システム４００からリモートであるメモリを含む異なる物理メモリに記憶され得るが、バス４１６など内部データ接続を介してすべてＣＰＵ４０２によってアクセス可能であり得ることに留意されたい。

【0052】

ストレージ４１０は、図１～３に関して説明したように、ビルドアップデータ４２８と、センサデータ４３０と、ＭＬモデルデータ４３２と、トレーニング済みＭＬ学習モデルデータ４３４と、モデルパラメータデータ４３６と、センサトレーニングデータ４３８と、修正アクションデータ４４０とを含む。図４には示されていないが、他の態様がストレージ４１０中に含まれ得る。

【0053】

メモリ４０８と同様に、簡単のために図４では単一のストレージ４１０が示されているが、ストレージ４１０に記憶されている様々な態様は、異なる物理ストレージに記憶され得るが、バス４１６など内部データ接続を介して、またはネットワークインターフェース４０６など外部接続を介してすべてＣＰＵ４０２にとってアクセス可能であり得る。当業者は、処理システム４００の１つまたは複数の要素がリモートに位置し、ネットワーク４１４を介してアクセスされ得ることを諒解しよう。
追加の考慮事項

【0054】

先行する説明は、本明細書で説明した様々な実施形態を当業者が実施することを可能にするために与えられている。本明細書で説明した例は、請求項に記載された範囲、適用可能性、または実施形態を限定するものではない。これらの実施形態に対する様々な改変は当業者に容易に明らかになり、本明細書で定義された一般原理は他の実施形態に適用され得る。たとえば、本開示の範囲から逸脱することなく、説明した要素の機能および構成の変更が行われ得る。様々な例では、必要に応じて、様々な手順または構成要素が省略、代用、または追加され得る。たとえば、説明した方法は、説明した順序とは異なる順序で実行され得、様々なステップが追加されるか、省略されるか、または組み合わせられ得る。また、いくつかの例に関して説明した特徴はいくつかの他の例において組み合わせられ得る。たとえば、本明細書に記載した任意の数の態様を使用して、装置が実装され得るか、または方法が実施され得る。さらに、本開示の範囲は、本明細書に記載された本開示の様々な態様に加えて、またはそれらの態様以外の、他の構造、機能、または構造および機能を使用して実施されるそのような装置または方法をカバーするものである。本明細書で開示した本開示の任意の態様は、１つの請求項の１つまたは複数の要素によって実施され得ることを理解されたい。

【0055】

本明細書で使用する際、「例示的な（ｅｘｅｍｐｌａｒｙ）」という単語は「例、実例、または例示として働くこと」を意味する。本明細書で「例示的な」として説明したいかなる態様も、必ずしも他の態様に勝る好ましいまたは有利な態様として解釈されるとは限らない。

【0056】

本明細書で使用する際、項目のリスト「のうちの少なくとも１つ」に言及するフレーズは、単一要素を含む、それらの項目の任意の組合せを指す。一例として、「ａ、ｂ、またはｃのうちの少なくとも１つ」は、ａ、ｂ、ｃ、ａ－ｂ、ａ－ｃ、ｂ－ｃ、およびａ－ｂ－ｃ、ならびに複数の同じ要素をもつ任意の組合せ（たとえば、ａ－ａ、ａ－ａ－ａ、ａ－ａ－ｂ、ａ－ａ－ｃ、ａ－ｂ－ｂ、ａ－ｃ－ｃ、ｂ－ｂ、ｂ－ｂ－ｂ、ｂ－ｂ－ｃ、ｃ－ｃ、およびｃ－ｃ－ｃ、またはａ、ｂ、およびｃの任意の他の順序付け）をカバーするものである。

【0057】

本明細書で使用する際、「決定すること（ｄｅｔｅｒｍｉｎｉｎｇ）」という用語は多種多様な行為を包含する。たとえば、「決定すること」は、計算すること、算出すること、処理すること、導出すること、調査すること、ルックアップすること（たとえば、テーブル、データベースまたは別のデータ構造の中をルックアップすること）、確認することなどを含み得る。また、「決定すること」は、受信すること（たとえば、情報を受信すること）、アクセスすること（たとえば、メモリ中のデータにアクセスすること）などを含み得る。また、「決定すること」は、解決すること、選択すること、選定すること、確立することなどを含み得る。

【0058】

本明細書で開示した方法は、それらの方法を達成するための１つまたは複数のステップまたは行為を含む。方法ステップおよび／または行為は、請求項の範囲から逸脱することなく、互いに交換され得る。言い換えれば、ステップまたは行為の特定の順序が指定されない限り、特定のステップおよび／または行為の順序および／または使用は、請求項の範囲から逸脱することなく変更され得る。さらに、上記で説明した方法の様々な動作は、対応する機能を実行することが可能な任意の好適な手段によって実行され得る。手段は、限定はしないが、回路、特定用途向け集積回路（ＡＳＩＣ）、またはプロセッサを含む、様々なハードウェアおよび／またはソフトウェア構成要素および／またはモジュールを含み得る。一般に、図中に示されている動作がある場合、それらの動作は、同様の番号付けがなされた対応する動作のミーンズプラスファンクション構成要素を有し得る。

【0059】

以下の請求項は、本明細書で示した実施形態に限定されるものではなく、それらの請求項の文言に合致する全範囲を与えられるべきである。請求項内では、単数の要素への言及は、そのように明記されていない限り、「唯一の」を意味するものではなく、むしろ「１つまたは複数の」を意味するものである。別段に明記されていない限り、「いくつかの」という用語は１つまたは複数を指す。いかなる請求項要素も、その要素が「のための手段」というフレーズを使用して明確に具陳されているか、または、方法クレームの場合、その要素が「ためのステップ」というフレーズを使用して具陳されていない限り、米国特許法第１１２（ｆ）条の規定の下で解釈されるべきでない。当業者に知られているかまたは後で知られることになる、本開示全体にわたって説明した様々な態様の要素のすべての構造的および機能的均等物は、参照により本明細書に明示的に組み込まれ、請求項によって包含されるものである。その上、本明細書で開示したいかなるものも、そのような開示が請求項に明示的に記載されているかどうかにかかわらず、公に供されるものではない。

【0060】

上記は本開示の実施形態に関するが、本開示の他のおよびさらなる実施形態が、本開示の基本的な範囲から逸脱することなく考案され得、本開示の範囲は以下の請求項によって決定される。

【図1】

【図2】

【図3】

【図4】