特許 7592706 累積予測による機械学習変数選択および根本原因発見

(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】2024-11-22

(45)【発行日】2024-12-02

(54)【発明の名称】累積予測による機械学習変数選択および根本原因発見

(51)【国際特許分類】

   H01L 21/02 20060101AFI20241125BHJP

   G06N 20/00 20190101ALI20241125BHJP

【ＦＩ】

H01L21/02 Z

G06N20/00

【請求項の数】 1

(21)【出願番号】P 2022522021

(86)(22)【出願日】2020-10-16

(65)【公表番号】

(43)【公表日】2022-12-15

(86)【国際出願番号】 US2020056053

(87)【国際公開番号】W WO2021076943

(87)【国際公開日】2021-04-22

【審査請求日】2023-10-05

(31)【優先権主張番号】62/916,171

(32)【優先日】2019-10-16

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】520266557

【氏名又は名称】ピーディーエフ ソリューションズ，インコーポレイテッド

(74)【代理人】

【識別番号】100114775

【弁理士】

【氏名又は名称】高岡 亮一

(74)【代理人】

【識別番号】100121511

【弁理士】

【氏名又は名称】小田 直

(74)【代理人】

【識別番号】100202751

【弁理士】

【氏名又は名称】岩堀 明代

(74)【代理人】

【識別番号】100208580

【弁理士】

【氏名又は名称】三好 玲奈

(74)【代理人】

【識別番号】100191086

【弁理士】

【氏名又は名称】高橋 香元

(72)【発明者】

【氏名】バーチ，リチャード

(72)【発明者】

【氏名】ズー，クイン

(72)【発明者】

【氏名】ホルト，ジョナサン

(72)【発明者】

【氏名】ホンダ，トモノリ

【審査官】小池 英敏

(56)【参考文献】

【文献】特開２０１４－２２２７１２（ＪＰ，Ａ）

【文献】特開２０１９－１０２５７４（ＪＰ，Ａ）

【文献】特開２００２－３６８０５６（ＪＰ，Ａ）

【文献】特表２０１７－５３６５８４（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０１Ｌ ２１／０２

Ｇ０６Ｎ ２０／００

Ｈ０１Ｌ ２１／６６

(57)【特許請求の範囲】

【請求項1】

方法であって、
機械学習モデルを、前記機械学習モデルに対する入力として提供された３つ以上のプロセスパラメータに基づいて標的特徴を予測するように構成することと、
前記プロセスパラメータのうち第１のものを選択し、第１の選択されたプロセスパラメータに基づいて前記標的特徴を予測するための第１のｒ－２乗値を決定することと、
前記プロセスパラメータのうち第２のものを選択し、第２の選択されたプロセスパラメータに基づいて前記標的特徴を予測するための第２のｒ－２乗値を決定することと、
前記第１のｒ－２乗値、前記第２のｒ－２乗値、および前記標的特徴を予測するための対応する追加のｒ－２乗値の累積が閾値未満だけ増加するまで、前記プロセスパラメータのうち追加のものを選択し、追加の選択されたプロセスパラメータに基づいて前記追加のｒ－２乗値を決定することと、
前記第１のｒ－２乗値、前記第２のｒ－２乗値、および前記追加のｒ－２乗値に基づいて、前記プロセスパラメータを高から低までランク付けすることと、
高ランキングのプロセスパラメータのセットを前記機械学習モデルに対する主要な入力として識別することと、
を含む、方法。

【発明の詳細な説明】

【技術分野】

【0001】

相互参照
本出願は、参照により全体として本明細書に組み込まれる、２０１９年１０月１６日に出願された「Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｖａｒｉａｂｌｅ Ｓｅｌｅｃｔｉｏｎ ａｎｄ Ｒｏｏｔ Ｃａｕｓｅ Ｄｉｓｃｏｖｅｒｙ ｂｙ Ｃｕｍｕｌａｔｉｖｅ Ｐｒｅｄｉｃｔｉｏｎ」というタイトルの米国仮出願第６２／９１６１７１号からの優先権を主張する。

【0002】

技術分野
本出願は半導体製造プロセスに関し、より詳細には、機械学習モデルによる累積予測を利用して主要なプロセス変数を識別するための方式に関する。

【背景技術】

【0003】

半導体製造プロセスのための機械学習の利用およびモデリングにおける２つの基本的目標は、正確な収率（または連続的パラメトリック値）予測、および根本原因発見である。根本原因発見は、選択された収率（または連続的パラメトリック値）に対するモデルにおける各変数の重要性の定量化および各変数が各予測された観察に対してどのくらい重要かの定量化を伴う。

【0004】

残念ながら、これらの２つの目標は多くの場合、相互に対立する。線形回帰などの、単純モデルでは、最も重要な変数を全体として、および各観察に対して判断することは比較的容易であるが、これらのモデルは多くの場合、正確でない。複雑な機械学習アプローチでは、予測ははるかに正確であり得るが、各変数の重要性を全体として、および各観察に対し判断することは非常に困難なままである。

【0005】

機械学習モデルの固有の力を利用して特定のプロセス変数の重要性を定量化するのを支援することは望ましいであろう。

【発明の概要】

【発明が解決しようとする課題】

【0006】

特定のプロセス変数の重要性を識別するための方法が提示される。一連のモデルは、標的収率またはパラメトリック応答の予測に対する各変数の重要性を定量化するために、ますます多くの変数に対するｒ－２乗値を累積する。

【課題を解決するための手段】

【0007】

当初は、機械学習モデルは、機械学習モデルへの入力として提供された複数のプロセスパラメータに基づき標的特徴を予測するように構成される。プロセスパラメータの第１のものが選択されて標的特徴を予測するための第１のｒ－２乗値を決定するために使用される。次いで、プロセスパラメータの第２のものが選択されて、第２の選択されたプロセスパラメータに基づいて標的特徴を予測するための第２のｒ－２乗値を決定するために使用される。必要に応じて、第１、第２および追加のｒ－２乗値の累積が閾値未満だけ増加するまで、プロセスパラメータの追加の１つが選択されて、追加の選択されたプロセスパラメータに基づいて標的特徴を予測するための対応する追加のｒ－２乗値を決定するために使用される。パラメータは次いで、それらの影響に従ってランク付けされ、機械学習モデルに対する主要な入力として識別できる。

【図面の簡単な説明】

【0008】

【図1】選択されたプロセスパラメータに起因した収率予測に対する漸増的で累積的な寄与を示すテーブルである。

【図2】図１で識別されたプロセスパラメータに基づいて複数のウェハーサンプルに対する予測された収率と実際の収率との間のウェハーレベルの相関関係を示すグラフィカルプロットである。

【図3】図２からのウェハーサンプルの２つに対して選択されたプロセスパラメータの収率への相対的な影響を示す棒グラフである。

【図4】実際の収率と、最も重要な入力変数だけを使用して構築されたモデルから予測された収率との間のウェハーレベルの相関関係を示すグラフィカルプロットである。

【図5】図２からのウェハーサンプルの２つに対して選択されたプロセスパラメータの収率への相対的な影響の平均を示す棒グラフである。

【図6】単一のパラメータに基づく観察後の図２からのウェハーサンプルの２つに対する予測された空間パターンと実際の空間パターンを示すヒートマップである。

【図7】２つのパラメータに基づく観察後の図２からのウェハーサンプルの２つに対する予測された空間パターンと実際の空間パターンを示すヒートマップである。

【図8】プロセスパラメータの累積的な影響を識別するための方法を示す流れ図である。

【発明を実施するための形態】

【0009】

機械学習（ＭＬ）は、半導体プロセスのモデリングにおいて、特に予測および根本原因分析のために、より積極的な役割を果たしている。段階的回帰の原理の一部が、任意の複合ＭＬアプローチ（例えば、ニューラルネットワーク、極端な勾配ブースティングなど）、具体的には、訓練データに関する予測を改善しない変数を除去して、予測に対して重要な変数だけを保持する交差検証されたｒ－２乗のアプローチに基づくＭＬ、に対する入力パラメータを最適化するために使用できる。

【0010】

しかし、その概念は、まず考えられる最善の１変数モデルを構築することによりさらに進めることができる。次に、定義によりその最善の１変数モデルからの変数を含む必要がある、考えられる最善の２変数モデルを構築し、次いで、定義によりその最善の２変数モデルからの変数を含む必要がある、考えられる最善の３変数モデルを構築する。このプロセスは、全ての変数が「最も重要」～「最も重要でない」の観点からランク付けされるまで、または最善のｎ変数モデルが、段階的変数選択プロセスによって選択された全ての変数に対して所望もしくは容認可能な割合の交差検証されたｒ－２乗値を予測するまで、反復される。

【0011】

このように、累積的な一連のモデルが、交差検証されたｒ－２乗値における改善に基づいて、標的収率（または連続的パラメトリック）反応の全体的な予測に対する各変数の重要性を定量化するために使用できる。

【0012】

例えば、図１は、収率性における累積的改善がどのような結果となるかをｒ－２乗値を指標として使用することにより実証するために、いくつかのプロセスパラメータがリストアップされたエントリをもつテーブル１００を示す。テーブル１００では、行１１１、１１２、１１３は、選択されたウェハーパラメータをリストアップしており、ウェハーグループ識別子が列１２１にリストアップされ、ウェハーパラメータの供給源が列１２２にリストアップされ、累積的な交差検証されたｒ－２乗のパーセント値が列１２３にリストアップされ、そのパラメータの漸増的な交差検証されたｒ－２乗のパーセント値が列１２４にリストアップされ、パラメータ番号、例えば、漸増的な影響によるパラメータランキングが列１２５にリストアップされている。

【0013】

行１１１にリストアップされている第１のパラメータはＰＣＭ－３２であり、その供給源（列１２２）は、ウェハー上の第１の物理的テスト構造の連続的パラメトリック測定であり、識別された分散または逸脱に対するその漸増的な寄与（列１２４）は統計的分析からのｒ－２乗値に基づき１５．４％である。第２のパラメータＰＣＭ－１（行１１２）を追加すると、同じウェハー上の第２の、異なるテスト構造の連続的パラメトリック測定は、１２．４％の漸増的な影響を有し、説明された累積的分散は２７．８％まで増加するが、他方、第３のパラメータＰＥ－１（行１１２）を追加すると、ｗａｆｅｒ ｅｑｕｉｐｍｅｎｔ ｈｉｓｔｏｒ（ＷＥＨ）において識別されたプロセスツールは、９．９％の漸増的な影響で、総累積的分散を３７．７％まで高める。この交差検証されたｒ－２乗の統計的分析に基づいて、これらは、機械学習モデルに含めるために、十分に重要な、例えば、この例における分散への略１０％のより漸増的な寄与の、３つだけの変数である。

【0014】

各パラメータが全体的なモデルに対してどのくらい重要かを理解することは有益であるが、各パラメータが特定の観察に対してどのくらい重要かを理解するほど有益ではない可能性がある。例えば、いくつかの低収率ウェハーは接触抵抗変化によって最も良く予測されて、根本原因のより迅速な診断を可能にするユーザー情報を与え得る。これが簡単なデータセット例に対してどのように役立つかを検討する。

【0015】

図２は、図１で検討されたパラメータ、すなわち、ＰＣＭ－１、ＰＣＭ－２およびＰＥ－１に対する実際の収率対予測された収率の機械学習モデルに基づいて予測された数百のウェハーの相関プロット２００を示す。異なるロット（Ｌｏｔｌ３４＿Ｗ０６およびＬｏｔｌ４３＿Ｗ０９）からの２つのランダムに選択されたウェハー２１０、２２０は両方とも、最終モデルにおいてうまく予測されるが、問題はどのパラメータが各ウェハーに対して重要かということである。

【0016】

第１に、精度の基準が定義される。この特定のモデルはダイおよびウェハー収率の予測にフォーカスしていたので、精度の２つの基準は（ｉ）予測されたウェハー収率と実際のウェハー収率との間の差、ならびに（ｉｉ）ウェハーにわたる予測された収率と実際の収率のダイレベル相関におけるｒ－２乗値である。ダイレベル相関に関して、データは、線２３０によって表されるように、各ダイを直接取り囲んでいるダイで平均化することにより滑らかにされて、収率および収率予測のより滑らかな表現を得る。ウェハー予測の精度は、図１で識別される３つの累積予測の各々に対して検討される。

【0017】

各累積モデルに対するウェハーレベル予測誤差が、図３に棒グラフ３００で示されている。ウェハー２１０（Ｌｏｔｌ３４＿Ｗ０６）に対する予測誤差が左側の棒グラフ３１０上に示されており、ウェハー２２０（Ｌｏｔｌ４３＿Ｗ０９）に対する予測誤差が右側の棒グラフ３２０上に示されている。棒グラフ３１０は、予測が単一のパラメータＰＣＭ－２にだけ依存する場合ウェハー２１０は非常に大きな誤差３１２を有することを示す。しかし、一旦、パラメータＰＣＭ－１が予測に含められると、予測誤差３１４はずっと良好（すなわち、低い）である。これは、ウェハー２１０（Ｌｏｔｌ３４＿Ｗ０６）に対する収率は、他のパラメータが検討される場合、予測誤差は著しく変化しない（３１６、３１８）ので、他のパラメータよりもＰＣＭ－１によってより動かされることを暗示している。これは、第１の累積モデル対実際の収率のウェハーレベル予測プロットを見ることによって確認できる。

【0018】

同様に、ウェハー２２０（Ｌｏｔｌ４３＿Ｗ０９）に対する予測誤差は、他のパラメータ（３２４、３２６、３２８）も検討される場合に予測誤差３２２があまり変化しないので、ＰＣＭ－２によって主に動かされる。

【0019】

図４は、ＰＣＭ－２に対する収率対平均値のウェハーレベルプロット４００であり、ウェハー２２０（Ｌｏｔｌ４３＿Ｗ０９）に対する収率損失は、ＰＣＭ－２だけを使用するモデルからは、そのポイントは平均線から大きく外れているので、予測されないことを確認する。しかし、このモデルはウェハー２００を予測するのには良い働きをし、なぜなら、そのポイントは、このウェハー収率が主にＰＣＭ－２によって動かされることを示す平均線に非常に近接しているためである。これは、ＰＣＭ－２だけを使用する第１のモデルならびにＰＣＭ－２およびＰＣＭ－１の両方を使用する第２の累積モデルに対する空間相関を見ることによって更に確認できる。

【0020】

図５は、２つのウェハー例、左側のグラフ５１０上のウェハー２１０（Ｌｏｔｌ３４＿Ｗ０６）および右側のグラフ５２０上のウェハー２２０（Ｌｏｔｌ４３＿Ｗ０６）、に対する累積モデルの各々に対する空間ｒ－２乗値を示す棒グラフ５００である。グラフ５１０から、空間ｒ－２乗のプロットは、一旦、ＰＣＭ－１がプロット５１２でモデルに追加されるとずっと良くなるので、これはウェハー収率予測と一致しており、ウェハー収率予測は、ウェハー２１０（Ｌｏｔｌ３４＿Ｗ０６）は主にパラメータＰＣＭ－１によって予測されたことを示す。グラフ５２０から、ウェハー収率予測は、第１のプロット５２１および４つ全ての累積予測に対する非常に類似した空間ｒ－２乗値によって示されるように、ウェハー２２０（Ｌｏｔｌ４３＿Ｗ０９）は主にパラメータＰＣＭ－２によって予測されたことを示す。

【0021】

図６に示されるように、これらの同じ空間パターン一致は、実際の収率および累積モデル予測のウェハーマップから容易に観察できる。例えば、ウィンドウ６００は、単一のパラメータＰＣＭ－２に基づく、左側のパネル６１０内のウェハー２１０（Ｌｏｔｌ３４＿Ｗ０６）に対する予測されたマップ空間パターンおよび右側のパネル６２０内のウェハー２２０（Ｌｏｔｌ４３＿Ｗ０９）に対する予測されたマップ空間パターンを示す。ウィンドウ６０１は、左側のパネル６１１内のウェハー２１０（Ｌｏｔｌ３４＿Ｗ０６）に対する実際のマップ空間パターンおよび右側のパネル６２１内のウェハー２２０（Ｌｏｔｌ４３＿Ｗ０９）に対する実際のマップ空間パターンを示す。

【0022】

ウェハー２２０（Ｌｏｔｌ４３＿Ｗ０９）に関して、パネル６２０内に示されている第１の累積予測モデルは明らかに、パネル６２１内に示されている実際のマップとかなりうまく一致する。しかし、パネル６２０内のウェハー２１０（Ｌｏｔｌ３４＿Ｗ０６）に対する予測されたパターンは、パネル６１１内に示されている実際のパターンとうまく一致しない。

【0023】

図７は、前述のｒ－２乗ベースの観察、すなわち、第２の累積モデルはウェハー２２０（Ｌｏｔｌ４３＿Ｗ０９）の予測には著しく影響しないが、ここでパネル７１０内のウェハー２１０（Ｌｏｔｌ３４＿Ｗ０６）に対する予測はパネル７１１に示されている実際のマップとかなりうまく一致することをさらに確認し、それによりパラメータＰＣＭ－１はこのウェハーに対する原因である（そして、パネル７２０および７２１内の類似のマップから分かるようにウェハー２２０に著しい影響を及ぼさない）ことを示す。

【0024】

このアプローチは、本明細書で説明されるように、ダイレベル収率予測に対して、または分離可能で識別可能な根本原因があるという条件で、任意の複雑な多変数機械学習問題に対して、本例で使用できる。

【0025】

主要な変数に関する累積的な判断のための一般的方法を説明するために流れ図が図８に提示されている。ステップ８０２で、機械学習モデルは、標的特徴を予測するように構成される。ステップ８０４で、プロセスパラメータが選択され、ステップ８０６で、選択されたプロセスパラメータに基づく標的特徴の予測のためのｒ－２乗値が決定される。ｒ－２乗値は累積され、ステップ８０８で累計が閾値を超えて増加し続ける場合、ステップ８１０で別のプロセスパラメータが選択されて、次に選択されたプロセスパラメータに基づく標的特徴の予測のためのｒ－２乗値が決定される。

【0026】

ステップ８０８で累計がもう著しく増加していない、すなわち、増加が閾値を下回ると、ステップ８１２で、プロセスパラメータはｒ－２乗値によりランク付けされる。最後に、ステップ８１４で、最高ランキングのプロセスパラメータ、すなわち、交差検証されたｒ－２乗値アプローチのおかげで標的特徴に実証された影響を及ぼすパラメータが、ＭＬモデルに対する主要な変数として識別される。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】