▶ アプライド マテリアルズ インコーポレイテッドの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2023-12-19
(54)【発明の名称】基板ヒータにおけるマルチゾーンヒータチューニング
(51)【国際特許分類】
G06N 3/08 20230101AFI20231212BHJP
H01L 21/205 20060101ALI20231212BHJP
H01L 21/31 20060101ALI20231212BHJP
【ＦＩ】
G06N3/08
H01L21/205
H01L21/31 C
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023533302
(86)(22)【出願日】2021-11-29
(85)【翻訳文提出日】2023-07-21
(86)【国際出願番号】 US2021061009
(87)【国際公開番号】W WO2022119774
(87)【国際公開日】2022-06-09
(31)【優先権主張番号】17/247,128
(32)【優先日】2020-12-01
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
(71)【出願人】
【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】マー， チュン
【テーマコード（参考）】
5F045
【Ｆターム（参考）】
5F045AA08
5F045AA15
5F045BB02
5F045EK07
5F045EK22
5F045GB05
5F045GB09
5F045GB10
5F045GB15
(57)【要約】
システムは、基板支持体の複数のゾーンに対応する基板支持体内の加熱エレメントを有するマルチゾーンヒータを含む。処理デバイスは、加熱エレメントに結合され、ゾーンに対応する複数のベクトルを有する温度マトリクスにアクセスすることと、温度マトリクスと重みベクトルを乗算することによって基板支持体の温度マップを決定することであって、重みベクトルが、それぞれのベクトルの推定重み値を含む、基板支持体の温度マップを決定することと、最初の厚さマップおよび温度マップに基づいて基板上のフィルムのターゲット厚さマップを決定することであって、最初の厚さマップが、均一温度で最初のフィルムの場所にわたる最初の厚さを特徴づけるデータを有する、ターゲット厚さマップを決定することと、ターゲット厚さマップ内の厚さ値の標準偏差に対する極小化を温度マップがもたらすように推定重み値を反復して更新することと、加熱エレメントの制御値として推定重み値を使用することとを行うことになる。
【選択図】図１
【選択図】図１
【特許請求の範囲】
【請求項1】
処理を受けている基板を加熱するように構成された基板支持体内の複数の加熱エレメントを備えるマルチゾーンヒータであって、前記複数の加熱エレメントが、前記基板支持体の複数のゾーンに対応する、マルチゾーンヒータと、前記複数の加熱エレメントに結合された処理デバイスであって、
前記複数のゾーンに対応する複数のベクトルを含む温度マトリクスにアクセスすることであって、各ベクトルにおける値が、温度設定点で起動されている、前記複数の加熱エレメントのうちの、対応する加熱エレメントの結果としての前記基板支持体上の場所にわたる温度上昇を表す、温度マトリクスにアクセスすること、
前記温度マトリクスと重みベクトルを乗算することによって前記基板支持体の温度マップを決定することであって、前記重みベクトルが、前記温度マトリクスのそれぞれのベクトルの推定重み値を含む、前記基板支持体の温度マップを決定すること、
最初の厚さマップおよび前記温度マップに基づいて、前記基板支持体上で処理されることになる基板上のフィルムのターゲット厚さマップを決定することであって、前記最初の厚さマップが、均一温度で加熱された最初の基板上の最初のフィルムの場所にわたる最初の厚さを特徴づけるデータを含む、ターゲット厚さマップを決定すること、
前記ターゲット厚さマップ内の厚さ値の標準偏差に対する極小化を前記温度マップがもたらすように、前記重みベクトルの前記推定重み値を反復して更新すること、および、
後続の基板を処理する間に前記複数の加熱エレメントのそれぞれのための制御値として前記推定重み値を使用すること
を行うための処理デバイスと
を備える、システム。
【請求項2】
前記標準偏差に対する前記極小化が、前記厚さ値の前記標準偏差が閾値未満となることを確保することによって、実行される、請求項１に記載のシステム。
【請求項3】
前記複数のベクトルのうちの、１ベクトルにおける値が、前記ベクトルに対応する、前記複数のゾーンのうちの、１ゾーン内の場所の第１の値と、
前記ベクトルに対応する前記ゾーン内にない場所の第２の値であって、前記第１の値が前記第２の値よりも大きく、前記ゾーンから遠く離れるほど前記第２の値が小さくなる、第２の値と
を含む、請求項１に記載のシステム。
【請求項4】
前記処理デバイスが、温度感度値にアクセスすることと、
前記均一温度を前記温度マップから減算することによって、更新された温度マップを決定することと、
前記温度感度値と前記更新された温度マップを乗算して、変更された厚さマップを決定することと、
前記変更された厚さマップを前記最初の厚さマップに加算することによって、前記ターゲット厚さマップを決定することと
をさらに行う、請求項１に記載のシステム。
【請求項5】
基板支持体のマルチゾーンヒータ内の複数の加熱エレメントのうちの、各加熱エレメントを、処理中に基板を加熱するように構成された前記基板支持体の複数のゾーンのうちの１ゾーンと、相互に関連付けることと、前記複数のゾーンに対応する複数のベクトルを含む温度マトリクスに、処理デバイスによって、アクセスすることであって、各ベクトルにおける値は、温度設定点で起動されている、前記複数の加熱エレメントのうちの、対応する加熱エレメントの結果としての前記基板支持体上の場所にわたる温度上昇を表す、温度マトリクスにアクセスすることと、
前記温度マトリクスと重みベクトルを乗算することによって前記基板支持体の温度マップを、前記処理デバイスによって、決定することであって、前記重みベクトルが、前記温度マトリクスのそれぞれのベクトルの推定重み値を含む、前記基板支持体の温度マップを決定することと、
最初のパラメータマップおよび前記温度マップに基づいて、前記基板支持体上で処理されることになる基板上のフィルムのターゲットパラメータマップを、前記処理デバイスによって、決定することであって、前記最初のパラメータマップが、均一温度で加熱された最初の基板上の最初のフィルムの場所にわたるプロセスパラメータを特徴づけるデータを含む、ターゲットパラメータマップを決定することと、
前記ターゲットパラメータマップ内のパラメータ値の標準偏差を極小化する結果を前記温度マップがもたらすように前記重みベクトルの前記推定重み値を、前記処理デバイスによって、反復して更新することと、
後続の基板を処理する間に前記複数の加熱エレメントのそれぞれのための制御値として前記推定重み値を、前記処理デバイスによって、使用することと
を含む、方法。
【請求項6】
前記標準偏差を極小化することが、前記パラメータ値の前記標準偏差が閾値未満となることを確保することによって、実行される、請求項５に記載の方法。
【請求項7】
前記プロセスパラメータが、前記フィルムの吸光係数（ｋ）である、請求項５に記載の方法。
【請求項8】
前記複数のベクトルのうちの、１ベクトルにおける値が、前記ベクトルに対応する、前記複数のゾーンのうちの、１ゾーン内の場所の第１の値と、
前記ベクトルに対応する前記ゾーン内にない場所の第２の値であって、前記第１の値が前記第２の値よりも大きく、前記ゾーンから遠く離れるほど前記第２の値が小さくなる、第２の値と
を含む、請求項５に記載の方法。
【請求項9】
パラメータ感度値にアクセスすることと、前記均一温度を前記温度マップから減算することによって、更新された温度マップを決定することと、
前記パラメータ感度値と前記更新された温度マップを乗算して、変更されたパラメータマップを決定することと、
前記変更されたパラメータマップを前記最初のパラメータマップに加算することによって、前記ターゲットパラメータマップを決定することと
をさらに含む、請求項５に記載の方法。
【請求項10】
複数のデータ項目を含むトレーニングデータセットを、計算デバイスによって、受信することであって、前記複数のデータ項目のうちの各データ項目が、マルチゾーンヒータを含む基板支持体の場所にわたる温度値のセットおよび前記基板支持体上にある間に処理された基板上のフィルムの厚さ値のセットを含む、トレーニングデータセットを受信することと、前記トレーニングデータセットを機械学習モデルに、前記計算デバイスによって、入力することと、
前記マルチゾーンヒータの複数のゾーンに対応する複数のベクトルを含む温度マトリクスの値を更新するトレーニングされた機械学習モデルを生成するように、前記トレーニングデータセットに基づいて前記機械学習モデルを、前記計算デバイスによって、トレーニングすることであって、各ベクトルにおける値が、１つまたは複数の温度設定点に設定されている、前記マルチゾーンヒータの複数の加熱エレメントのうちの、対応する加熱エレメントの結果としての前記基板支持体上の場所にわたる温度上昇を表し、前記複数のベクトルの組み合わせが、閾値レベルのフィルム均一性を確保するために使用可能な前記基板支持体にわたる温度値のターゲットセットを含む、前記機械学習モデルをトレーニングすることと
を含む、方法。
【請求項11】
前記機械学習モデルが、人工ニューラルネットワークである、請求項１０に記載の方法。
【請求項12】
前記基板上の前記フィルムの厚さ値の前記セットを、厚さ画像化センサを使用して、生成することをさらに含む、請求項１０に記載の方法。
【請求項13】
前記機械学習モデルをトレーニングすることが、更新される前に、重みベクトルを前記温度マトリクスと乗算することによって後続のトレーニング反復において使用可能な温度値の各セットを決定することをさらに含み、前記重みベクトルが、前記温度マトリクスのそれぞれのベクトルの推定重み値を含む、請求項１０に記載の方法。
【請求項14】
処理されることになる後続の基板について、前記温度マトリクスと重みベクトルを乗算することによって前記基板支持体の温度値の前記ターゲットセットを決定することであって、前記重みベクトルが、前記温度マトリクスのそれぞれのベクトルの推定重み値を含む、温度値の前記ターゲットセットを決定することと、
先行して処理された基板の厚さ値の直前のセットおよび前記温度値のターゲットセットに基づいて、前記後続の基板上の前記フィルムの厚さ値のターゲットセットを決定することと
をさらに含む、請求項１０に記載の方法。
【請求項15】
前記厚さ値のターゲットセットの標準偏差に対する極小化を前記温度値のターゲットセットがもたらすように、前記重みベクトルの前記推定重み値を反復して更新することと、前記後続の基板を処理する間に前記推定重み値を使用して前記複数の加熱エレメントのそれぞれの温度設定点を決定することと
をさらに含む、請求項１４に記載の方法。
【請求項16】
温度感度値にアクセスすることと、前記温度値のセットを前記温度値のターゲットセットから減算することによって、温度値の更新済みセットを決定することと、
前記温度感度値と前記温度値の更新済みセットを乗算して、変更された厚さ値のセットを決定することと、
前記変更された厚さ値のセットを前記厚さ値の直前のセットに加算することによって前記厚さ値のターゲットセットを決定することと
をさらに含む、請求項１４に記載の方法。
【請求項17】
処理中に基板を加熱するように構成された基板支持体の複数のゾーンのうちの１ゾーンと、前記基板支持体のマルチゾーンヒータ内の複数の加熱エレメントのうちの、各加熱エレメントを相互に関連付けることと、複数のデータ項目を含むトレーニングデータセットを受信することであって、前記複数のデータ項目のうちの各データ項目が、複数の温度設定点および基板に関連する厚さマップを含み、前記複数の温度設定点が、前記複数の加熱エレメントを制御し、前記厚さマップが、前記基板上のフィルムの場所にわたるフィルム厚さを特徴づけるデータを含む、トレーニングデータセットを受信することと、
機械学習モデルに前記トレーニングデータセットを、処理デバイスによって、入力することと、
ターゲット厚さを入力として受信し且つ前記ターゲット厚さを有する前記フィルムをもたらす前記複数の加熱エレメントの１セットの温度設定点を出力する、トレーニングされた機械学習モデルを生成するように、前記トレーニングデータセットに基づいて前記機械学習モデルを、前記処理デバイスによって、トレーニングすることと
を含む、方法。
【請求項18】
前記機械学習モデルが、人工ニューラルネットワークである、請求項１７に記載の方法。
【請求項19】
前記ターゲット厚さが、閾値未満である前記フィルムの場所にわたる厚さ値の標準偏差を含む実質的に均一な厚さである、請求項１７に記載の方法。
【請求項20】
前記基板上の前記フィルムの前記厚さ値を含む各厚さマップを、厚さ画像化センサを使用して、生成することをさらに含む、請求項１７に記載の方法。
【請求項21】
前記機械学習モデルをトレーニングすることが、各基板について、前記フィルムの前記場所にわたる、前記複数の温度設定点の結果としての、温度値の組み合わせを、それらの場所にわたる、前記厚さマップの、厚さ値と相互に関連付けることを含む、請求項１７に記載の方法。
【請求項22】
処理チャンバの基板支持体上に基板を受けることであって、前記基板支持体が、基板支持体内のマルチゾーンヒータの複数のゾーンに対応する複数の加熱エレメントを使用して処理中に前記基板を加熱するように構成される、基板を受けることと、前記基板で実行されることになるプロセスを示す情報および前記基板上のフィルムのターゲット厚さを示す情報を、前記処理チャンバの処理デバイスによって、受信することと、
トレーニングされた機械学習モデルに、前記実行されることになるプロセスまたは前記ターゲット厚さのうちの少なくとも１つを入力することであって、前記トレーニングされた機械学習モデルが、前記プロセスに関連する前記複数の加熱エレメントの１セットの温度設定点を出力し、前記１セットの温度設定点が、閾値未満である前記基板の場所にわたる厚さ値の標準偏差を有する前記ターゲット厚さを有する前記基板上の前記フィルムをもたらす、前記実行されることになるプロセスまたは前記ターゲット厚さのうちの少なくとも１つを入力することと、
前記１セットの温度設定点で動作するように前記複数の加熱エレメントを、前記処理デバイスによって、設定することと、
前記１セットの温度設定点で前記複数の加熱エレメントを使用して前記処理チャンバ内の前記基板を処理することと
を含む、方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示の実施形態は、基板ヒータにおけるマルチゾーンヒータチューニングに関する。
【背景技術】
【0002】
基板ヒータは、概して、基板支持体内に位置する単一の加熱エレメントを含み、単一の温度設定点によって単純に制御される。しかしながら、基板支持体上に横たわっている基板上で処理されている、フィルムまたは処理層は、基板支持体にわたる不均等な温度分布で不均等になり得る。かなり小さい温度変動でも、処理フィルムの厚さのおよび／または他のフィルム関連の特性の厚さの数パーセントの変動を引き起こす可能性があり、基板の表面での一貫性のない半導体製造を引き起こす可能性がある。十分な変動により、厳格な公差要件を有する製造されたデバイスは、スクラップにされなければならないことがある。
【発明の概要】
【0003】
本明細書に記載の実施形態のうちのいくつかは、処理を受けている基板を加熱するように構成された基板支持体内の複数の加熱エレメントを含むマルチゾーンヒータを含むシステムを含むシステムを包含する。複数の加熱エレメントは、基板支持体の複数のゾーンに対応する。システムはさらに、複数の加熱エレメントに結合された処理デバイスを含むことができる。処理デバイスは、複数のゾーンに対応する複数のベクトルを含む温度マトリクスにアクセスすることになり、ここで、各ベクトルにおける値は、温度設定点で起動されている、複数の加熱エレメントのうちの、対応する加熱エレメントの結果としての基板支持体上の場所にわたる温度上昇を表す。処理デバイスはさらに、温度マトリクスと重みベクトルを掛け合わせることによって基板支持体の温度マップを決定することになる。重みベクトルは、温度マトリクスのそれぞれのベクトルの推定重み値を含み得る。処理デバイスはさらに、最初の厚さマップおよび温度マップに基づいて基板支持体上で処理されることになる基板上のフィルムのターゲット厚さマップを決定することになり、最初の厚さマップは、均一温度で加熱された最初の基板上の最初のフィルムの場所にわたる最初の厚さを特徴づけるデータを含む。温度マップが、ターゲット厚さマップ内の厚さ値の標準偏差に対する極小化をもたらすように、処理デバイスはさらに、重みベクトルの推定重み値を反復して更新することになる。処理デバイスはさらに、後続の基板を処理しながら複数の加熱エレメントのそれぞれのための制御値として推定重み値を使用することになる。
【0004】
関連する実施形態において、マルチゾーンヒータをチューニングするための方法が、本明細書で説明される。方法は、基板支持体のマルチゾーンヒータ内の複数の加熱エレメントのうちの、各加熱エレメントを、処理中に基板を加熱するように構成された基板支持体の複数のゾーンのうちの１ゾーンと、相互に関連付けることを含むことができる。方法はさらに、複数のゾーンに対応する複数のベクトルを含む温度マトリクスに、処理デバイスによって、アクセスすることを含むことができ、ここで、各ベクトルにおける値は、温度設定点で起動されている、複数の加熱エレメントのうちの、対応する加熱エレメントの結果としての基板支持体上の場所にわたる温度上昇を表す。方法はさらに、温度マトリクスと重みベクトルを掛け合わせることによって、基板支持体の温度マップを、処理デバイスによって、決定することを含むことができ、ここで、重みベクトルは、温度マトリクスのそれぞれのベクトルの推定重み値を含む。方法はさらに、最初のパラメータマップおよび温度マップに基づいて基板支持体上で処理されることになる基板上のフィルムのターゲットパラメータマップを、処理デバイスによって、決定することを含むことができ、最初のパラメータマップは、均一温度で加熱された最初の基板上の最初のフィルムの場所にわたるプロセスパラメータを特徴づけるデータを含む。方法はさらに、ターゲットパラメータマップ内のパラメータ値の標準偏差を極小化する結果を温度マップがもたらすように、重みベクトルの推定重み値を、処理デバイスによって、反復して更新することを含むことができる。方法はさらに、後続の基板を処理しながら複数の加熱エレメントのそれぞれのための制御値として推定重み値を、処理デバイスによって、使用することを含むことができる。
【0005】
さらなる一実施形態において、マルチゾーンヒータをチューニングするために使用可能な温度マトリクスを生成するために機械学習モデルをトレーニングするための方法が、本明細書で説明される。方法は、複数のデータ項目を含むトレーニングデータセットを、計算デバイスによって、受信することを含むことができ、複数のデータ項目のうちの各データ項目は、マルチゾーンヒータを含む基板支持体の場所にわたる温度値のセットと基板支持体上にある間に処理された基板上のフィルムの厚さ値のセットとを含む。方法はさらに、トレーニングデータセットを機械学習モデルに、計算デバイスによって、入力することを含むことができる。方法はさらに、マルチゾーンヒータの複数のゾーンに対応する複数のベクトルを含む温度マトリクスの値を更新するトレーニングされた機械学習モデルを生成するためにトレーニングデータセットに基づいて機械学習モデルを、計算デバイスによって、トレーニングすることを含むことができる。各ベクトルにおける値は、１つまたは複数の温度設定点に設定されている、マルチゾーンヒータの複数の加熱エレメントのうちの、対応する加熱エレメントの結果としての基板支持体上の場所にわたる温度上昇を表し、ここで、複数のベクトルの組み合わせは、閾値レベルのフィルム均一性を確保するために使用可能な基板支持体にわたる温度値のターゲットセットを含む。
【0006】
さらなる一実施形態において、マルチゾーンヒータをチューニングするための機械学習モデルをトレーニングするための方法が、本明細書で説明される。方法は、処理中に基板を加熱するように構成された基板支持体の複数のゾーンのうちの１ゾーンと、基板支持体のマルチゾーンヒータ内の複数の加熱エレメントのうちの、各加熱エレメントを相互に関連付けることを含むことができる。方法はさらに、複数のデータ項目を含むトレーニングデータセットを受信することを含むことができ、複数のデータ項目のうちの各データ項目は、複数の温度設定点および基板に関連する厚さマップを含む。複数の温度設定点は、複数の加熱エレメントを制御することができ、厚さマップは、基板上のフィルムの場所にわたるフィルム厚さを特徴づけるデータを含む。方法はさらに、機械学習モデルにトレーニングデータセットを、処理デバイスによって、入力することを含むことができる。方法はさらに、ターゲット厚さを、入力として、受信することになるおよびターゲット厚さを有するフィルムをもたらす複数の加熱エレメントの１セットの温度設定点を出力することになる、トレーニングされた機械学習モデルを生成するために、トレーニングデータセットに基づいて機械学習モデルを、処理デバイスによって、トレーニングすることを含むことができる。
【0007】
さらなる一実施形態において、マルチゾーンヒータをチューニングするために入力データを推論するための機械学習モデルを使用するための方法が、本明細書で説明される。方法は、処理チャンバの基板支持体上に基板を受けることを含むことができ、基板支持体は、基板支持体内のマルチゾーンヒータの複数のゾーンに対応する複数の加熱エレメントを使用して処理中に基板を加熱するように構成される。方法はさらに、基板で実行されることになるプロセスをおよび基板上のフィルムのターゲット厚さを示す情報を、処理チャンバの処理デバイスによって、受信することを含むことができる。方法はさらに、実行されることになるプロセスまたはターゲット厚さのうちの少なくとも１つをトレーニングされた機械学習モデルに入力することを含むことができる。トレーニングされた機械学習モデルは、プロセスに関連する複数の加熱エレメントの１セットの温度設定点を出力することができ、ここで、その１セットの温度設定点は、閾値未満である基板の場所にわたる厚さ値の標準偏差を有するターゲット厚さを有する基板上のフィルムをもたらす。方法はさらに、その１セットの温度設定点で動作するように複数の加熱エレメントを、処理デバイスによって、設定することを含むことができる。方法はさらに、その１セットの温度設定点で複数の加熱エレメントを使用して処理チャンバ内の基板を処理することを含むことができる。
【0008】
多数の他の特徴が、本開示のこれらのおよび他の実施形態に従って、提供される。本開示の他の特徴および実施形態は、以下の詳細な説明、特許請求の範囲、および添付の図面から完全に明らかとなろう。
【0009】
本開示は、類似の参照は類似の要素を示す添付の図面の図において、限定ではなく、例として、図解されている。本開示における「一」または「１つの」実施形態への種々の参照は、必ずしも同じ実施形態に対するものではなく、そのような参照は、少なくとも１つを意味する、ということに留意されたい。
【図面の簡単な説明】
【0010】
【図1】様々な実施形態による基板支持体内のマルチゾーンヒータを含む制御システムのブロック図である。
【図3A】いくつかの実施形態による基板支持体にわたるフィルムの厚さの標準偏差を極小化する重みベクトルを見つけるための方法の概略的流れ図である。
【図3B】いくつかの実施形態による、フィルムの厚さの標準偏差を極小化し、複数の加熱エレメントの制御値として重み値を使用する重みベクトルを見つけるための方法の流れ図である。
【図4】様々な実施形態による７つの加熱エレメントの重ね合わせの温度輪郭を示す１セットの画像（たとえば、マップ）を示す図である。
【図5】一実施形態による、最初の厚さマップ、最適化温度マップ、およびチューニング後の新しい厚さマップを示す１セットの画像を示す図である。
【図6A】いくつかの実施形態による、基板支持体にわたるフィルムの処理パラメータの標準偏差を極小化する重みベクトルを見つけるための方法の概略的流れ図である。
【図6B】いくつかの実施形態による、基板支持体にわたるフィルムの処理パラメータの標準偏差を極小化し、複数の加熱エレメントの制御値として重みベクトル値を使用する重みベクトルを見つけるための方法の流れ図である。
【図7】いくつかの実施形態による、基板支持体にわたる厚さおよび処理パラメータ値の正規化された、重み付けされた組み合わせの標準偏差を極小化する重みベクトルを見つけるための方法の概略的流れ図である。
【図8A】様々な実施形態による、マルチゾーンヒータをチューニングするために使用可能な温度マトリクスを生成するために機械学習モデルをトレーニングするための方法の流れ図である。
【図8B】様々な実施形態による、マルチゾーンヒータをチューニングするための機械学習モデルをトレーニングするための方法の流れ図である。
【図9】様々な実施形態による、マルチゾーンヒータをチューニングするために入力データを推論するための機械学習モデルを使用する方法の流れ図である。
【発明を実施するための形態】
【0011】
本明細書に記載の実施形態は、処理チャンバの基板支持体内に位置するマルチゾーンヒータをチューニングするためのシステムおよび方法に関する。複数のゾーン、たとえば、地理的ゾーン、は、基板支持体内に組み込まれた複数の別個の加熱エレメントに関連し得る。これらの地理的ゾーンは、たとえば、詳細に説明されることになるように同心ゾーンおよび／またはセクタ化されたゾーンになり得る。複数の加熱エレメントの温度設定点をチューニングするための１つの手法は、フィルム厚さまたは他のフィルム関連パラメータの均一性を概して達成する設定点の最適な組み合わせを見つけるために、他を変更しながらいくつかの温度設定点を反復して固定することである。しかしながら、この手法については、均一性を達成するのは難しくなり得、４つ以上の加熱エレメント（たとえば、７ゾーンのヒータのそれら）はもちろん、２つのまたは３つの加熱エレメントの温度設定点を最終的にチューニングするのにも多大な時間を要する。たとえば、チューニングプロセスの複雑さのレベルは、マルチゾーンヒータの加熱エレメントの数とともに指数関数的に大きくなる。
【0012】
チューニングに必要とされる時間を有意に減らし、均一性を有意に増やす、コンピュータ処理駆動の手法でこれらの複雑さを解決するために、開示されるシステムおよび方法は、マルチゾーンヒータの複数の加熱エレメントの制御のための温度設定点を生成する、温度マトリクスまたは機械学習モデルのうちの１つまたは両方を用いる。１つの実施形態において、温度マトリクスは、複数のゾーンに対応する複数のベクトルを含み、ここで、各ベクトルにおける値は、温度設定点で起動されている、複数の加熱エレメントのうちの、対応する加熱エレメントの結果としての基板支持体上の場所にわたる温度上昇を表す。したがって、このマトリクスのベクトルの組み合わせは、基板支持体にわたるより均一な温度を引き起こすことを可能にするやり方で、これらの温度上昇の重ね合わせを可能にする。推定重み値で構成された重みベクトルは、温度マップを生成するために、複数のベクトルと掛け合わされ得る。ターゲット厚さマップは、均一温度において生成された最初の厚さマップと温度マップとの差に基づくことができる。温度マップが、ターゲット厚さマップ内の厚さ値の標準偏差（または他のフィルムパラメータ値）に対する極小化をもたらすように、推定重み値は、反復して更新され得る。標準偏差が閾値未満に下がった後に生じる推定重み値は、後続の基板を処理する際にマルチゾーンヒータの加熱エレメントのための制御値として（または制御値の計算において）使用することができる。
【0013】
別の実施形態において、計算デバイスは、いくつかのデータ項目のトレーニングデータセットを使用して温度マトリクスの（および任意選択でさらに重みベクトルの）値を生成するために機械学習モデルをトレーニングすることができる。各データ項目は、基板支持体の場所にわたる温度値のセットと、基板支持体上に位置する間に処理される基板上のフィルムの厚さ値のセットとを含むことができる。計算デバイスは、トレーニングデータセットを機械学習モデルに入力することができ、トレーニングデータセットに基づいて機械学習モデルをトレーニングして、温度マトリクスの値を更新するトレーニング済み機械学習モデルを生成することができる。温度マトリクスが、次いで、このようなプロセスにおいて使用され得る。
【0014】
さらに別の実施形態において、計算デバイスは、前の基板処理実行からのデータ項目のトレーニングデータセットを使用して、機械学習モデルをトレーニングすることができる。たとえば、各データ項目は、一群の温度設定点と基板に関連する厚さマップとを含むことができる。一群の温度設定点は、複数の加熱エレメントを制御し、厚さマップは、基板上のフィルムの場所にわたるフィルム厚さを特徴づけるデータを含む。計算デバイスは、次いで、トレーニングデータセットを機械学習モデルに入力し、トレーニングデータセットに基づいて機械学習モデルをトレーニングして、ターゲット厚さを、入力として、受信することになるおよびターゲット厚さを有するフィルムをもたらす複数の加熱エレメントの１セットの温度設定点を出力することになるトレーニング済み機械学習モデルを生成することができる。
【0015】
したがって、本開示のいくつかの実施形態に従って実装されるシステムおよび方法の利点は、マルチゾーンヒータの複数の加熱エレメントを効果的にチューニングする、たとえば、合理的な期間内に並びにフィルム厚さおよび／またはいくつかの他のフィルム関連パラメータの均一性の厳格な基準に対して、各加熱エレメントの温度設定点を決定する、ための能力を含むが、これに制限されない。開示される手法は、複数の加熱エレメントに関連するマルチゾーンチューニングつまみなしには不可能な仕方で温度マップ（これは、フィルム厚さおよび／またはフィルム関連パラメータの均一性に影響する）をチューニングすることができる。たとえば、熱は、その他のゾーンを相対的に無加温にしながら１つまたは複数のゾーンに集中することができ、それによって、基板の地理的領域にわたる温度修正の高レベルの粒度を提供する。他の利点が、論じられることになり、さらに他の利点が、本開示の利益を有する当業者には明らかとなろう。
【0016】
図１は、様々な実施形態による基板支持体１０１内のマルチゾーンヒータ１５０を含む制御システム１００のブロック図である。制御システム１００は、基板支持体１０１に接合された処理チャンバ１０内のペデスタル８０を含む。処理チャンバ１０は、基板支持体１０１上に位置する基板上でプロセスを実行するようになされる。処理チャンバ１０は、エッチングチャンバ、堆積チャンバ（たとえば、原子層堆積チャンバ、化学気相堆積チャンバ、物理的気相堆積チャンバなど）、または他のタイプのプロセスチャンバになり得る。処理チャンバ１０は、１つまたは複数のプラズマベースのプロセス、たとえば、プラズマエッチングプロセスまたはプラズマ強化堆積プロセス、を実行するように構成され得る。様々な実施形態において、プロセスは、たとえば、堆積、エッチング、成長、および陽極酸化プロセスを含むために、基板を覆うフィルムを含むことができ、ここで、フィルム層の厚さは、温度とともに変化する。たとえば、フィルムは、より低温ではより厚く、より高温ではより薄くなることができる。したがって、フィルムにおいてより均一な厚さを生み出すために、計算デバイス１０２は、マルチゾーンヒータ１５０の複数の加熱エレメント１５４の温度設定点を変えることによって、より均一になるように基板支持体１０１にわたって温度を調整することができる。温度設定点（または温度設定点の制御値）は、温度値および／または電力出力値あるいは類似のものになり得る。
【0017】
これらの実施形態において、制御システム１００はさらに、計算デバイス１０２、表示デバイス１１５、入力／出力（Ｉ／Ｏ）デバイス１１７、およびストレージデバイス１２０を含む。計算デバイス１０２は、計算またはコンピュータシステムになり得る。いくつかの実施形態において、計算デバイス１０２は、処理デバイス１０４と、メモリ１０８と、たとえば、ペデスタル８０、表示デバイス１１５、Ｉ／Ｏデバイス１１７、および／またはストレージデバイス１２０を介して、マルチゾーンヒータ１５０とインターフェースするようになされた１つまたは複数の通信インターフェース１１２とを含む。これらの実施形態において、ストレージデバイス１２０は、アルゴリズム１２６および他のコンピュータコードを含むための命令１２４、機械学習（ＭＬ）モデル１２８、温度マトリクス１３０、プロセスパラメータ１３５、データマップ１３８、ゾーンマッピングデータ１４０、グラフィカルユーザインターフェース（ＧＵＩ）１１０、および／またはトレーニングデータセット１４５を記憶する。命令１２４はまた、ＭＬモデル１２８のトレーニングされたＭＬモデルに関連することができ、そのようなＭＬモデルの実行のためにトレーニングされ得る。他のデータは、さらに詳しく論じられることになるように、ストレージデバイス１２０に記憶され得る。
【0018】
様々な実施形態において、マルチゾーンヒータ１５０は、各々がその加熱エレメントの温度レベルを制御する独自の温度設定点を有する、複数の加熱エレメント１５４と、１つまたは複数のセンサ１５８とを含むが、これらに制限されない。各加熱エレメント１５４は、基板支持体１０１の複数の地理的ゾーンのうちの１ゾーンと関連しており（たとえば、図１Ｂを参照）、そのゾーンの温度上昇だけでなく、基板支持体１０１上の他の地理的ゾーン内の他の場所の温度上昇もさらに引き起こす。ゾーンによって引き起こされた温度上昇は、加熱エレメントが起動されたゾーンからその場所が遠く離れるにつれて、減少する。したがって、基板支持体１０１上の任意の所与の場所における温度は、すべての起動された加熱エレメント１５４からの温度寄与の組み合わせである。
【0019】
いくつかの実施形態において、１つまたは複数のセンサ１５８は、基板支持体１０１上に位置する基板上に位置するフィルムを画像化する能力を有する厚さ画像化センサになり得る。厚さ画像化センサは、基板の１つまたは複数の場所にわたって厚さを検出し、これらの厚さ値を計算デバイス１０２に提供することができる。別の実施形態において、処理チャンバ１０の外部の計測機器は、フィルムの厚さを決定するための処理に続いて、使用される。論じられることになるように、これらの厚さ値（たとえば、厚さマップ）は、厚さ（または他のフィルム関連のプロセスパラメータ）値の標準偏差を極小化することになる後続のプロセス実行のために基板支持体１０１にわたるターゲット温度マップまたはターゲット温度値のセットを決定する際に、使用され得る。
【0020】
様々な実施形態において、処理デバイス１０４は、プロセッサ、たとえば、中央処理装置（ＣＰＵ）および／またはグラフィックス処理ユニット（ＧＰＵ）、および／または、プロセッサを含む他の処理デバイスである。処理デバイス１０４は、１つまたは複数の一般プロセッサ、デジタル信号プロセッサ、特定用途向け集積回路、フィールドプログラマブルゲートアレイ、デジタル回路、光回路、アナログ回路、その組み合わせ、あるいは、データを分析および処理するための他の現在知られているまたは後に開発されるデバイスを含むことができる。処理デバイス１０４は、命令１２４または他のソフトウェアプログラム、たとえば、論理機能を実装するための手動でプログラムされたまたはコンピュータで生成されたコード、を実装することができる。記載された論理機能またはシステム要素は、数ある機能の中で特に、アナログ電気、オーディオ、またはビデオ信号、あるいはその組み合わせなどのアナログデータソースを、コンピュータ処理の互換性のためなどの視聴覚目的または他のデジタル処理目的でデジタルデータソースに処理および／または変換することができる。
【0021】
ストレージデバイス１２０は、１つまたは複数のセットの命令１２４、たとえば、ソフトウェア、が組み込まれ得る、非一時的コンピュータ可読媒体を含むことができる。１つの実施形態において、ストレージデバイス１２０は、ディスクまたは光ドライバユニットである。さらに、命令１２４は、本明細書に記載されるような動作のうちの１つまたは複数を実行することができる。命令１２４は、計算デバイス１０２による実行中にメモリ１０８内および／または処理デバイス１０４内に完全に、または少なくとも部分的に、常駐することができる。
【0022】
メモリ１０８および処理デバイス１０４はまた、前述のような非一時的コンピュータ可読媒体を含むことができる。「コンピュータ可読媒体」、「コンピュータ可読記憶媒体」、「機械可読媒体」、「伝搬信号媒体」、および／または「信号ベアリング媒体」は、命令実行可能システム、装置、またはデバイスによってまたは関連して使用するためのソフトウェアを含む、記憶する、通信する、伝搬する、または移送する、任意のデバイスを含むことができる。機械可読媒体は、電子、磁気、光、電磁気、赤外線、または半導体システム、装置、デバイス、あるいは伝搬媒体に選択的になり得るが、これらに制限されない。
【0023】
Ｉ／Ｏデバイス１１７は、制御システム１００の構成要素のいずれかとユーザが対話するために構成された周辺デバイス、たとえば、キーボードまたはマウス、を含むことができる。さらに、表示デバイス１１５は、液晶ディスプレイ（ＬＣＤ）、陰極線管（ＣＲＴ）、あるいは、タッチスクリーンまたはコンピュータ画面を介して情報を伝えるのに適した他のディスプレイになり得る。表示デバイス１１５は、処理デバイス１０４の機能をユーザが見るためのインターフェースとして、あるいは、具体的には、メモリ１０８またはストレージデバイス１２０に記憶されたソフトウェアとのインターフェースとして機能することができる。
【0024】
いくつかの実施形態において、ＧＵＩ１１０は、Ｉ／Ｏデバイス１１７を介してユーザにインターフェースを提供するために、表示デバイス１１５に示され得る。ＧＵＩ１１０は、温度および処理パラメータ制約を含む、計測ファイルの提出を容易にすることができる。計測ファイルは、たとえば、フィルムが均一温度にさらされたときに（たとえば、厚さ画像化センサによって）生成された最初の厚さマップを含むことができる。たとえば、ユーザは、ＧＵＩ１１０内でフィルム関連の特性の値ｋ、１℃ごとの特定のパーセント厚さ変動の温度感度値、基線温度、および類似のものを選択することができる。ＧＵＩ１１０はまた、そのうちのいくつかが図２Ａ～図２Ｄを参照して例として論じられる、マルチゾーンヒータのタイプを選択するために選択可能なドロップダウンメニューで「タイプ」を提供することができる。
【0025】
様々な実施形態において、アルゴリズム１２６は、マルチゾーンヒータ１５０のチューニングに関連して記憶されるデータで動作することができる公式または他のセットの数学演算を含むことができる。たとえば、アルゴリズムのうちの１つは、ゾーンマッピングデータ１４０を生成するために、処理中に基板を加熱するように構成された複数の加熱エレメント１５４と基板支持体１０１の複数のゾーン（図１Ｂを参照）を相互に関連付けることができる。ゾーンマッピングデータ１４０は、複数の加熱エレメント１５４の温度設定点を見つけることと相関して、並びに様々なゾーンに対応するデータマップ１３８および／またはトレーニングデータセット１４５に温度設定点の組み合わせがいかに影響を及ぼすかを決定するために、使用され得る。
【0026】
アルゴリズム１２６のうちの他のアルゴリズムは、データマップ１３８のうちの少なくともいくつかを決定するために、対応する重みベクトルとともに、温度マトリクス１３０を更新するおよび／または温度マトリクス１３０に作用することができる。データマップ１３８は、図３Ａ～図８Ａを参照してさらに詳しく論じられることになるように、重みベクトルの推定重み値を反復して更新するために次に使用され得る。データマップ１３８は、たとえば、基板支持体１０１の場所にわたる温度値の温度マップを含むことができる。データマップ１３８はさらに、基板支持体１０１上に位置する基板の場所にわたるフィルムの厚さ値の厚さマップを含むことができる。データマップ１３８はさらに、基板支持体１０１上に位置する基板の場所にわたるフィルム関連パラメータ値のパラメータマップを含むことができる。１つの実施形態において、パラメータマップは、基板上のフィルムの吸光係数を表す、ｋのマップである。他のフィルム関連の処理パラメータもまた、想定される。
【0027】
別の実施形態において、計算デバイス１０２は、いくつかのデータ項目を含むトレーニングデータセット（たとえば、トレーニングデータセット１４５の）を使用して温度マトリクス１３０の（および任意選択でさらに重みベクトルの）値を生成するようにＭＬモデル１２８をトレーニングすることができる。各データ項目は、基板支持体１０１の場所にわたる温度値のセットと、基板支持体１０１上に位置する間に処理される基板上のフィルムの厚さ値のセットとを含むことができる。計算デバイス１０２は、トレーニングデータセットをＭＬモデル１２８に入力し、温度マトリクス１３０の値を更新するトレーニング済みＭＬモデルを生成するようにトレーニングデータセットに基づいてＭＬモデル１２８をトレーニングすることができる。温度マトリクス１３０は、次いで、図３Ａ～図７を参照して論じられることになるように、マルチゾーンヒータ１５０のチューニングにおいて使用され得る。
【0028】
実施形態において、計算デバイス１０２は、前の基板処理実行からのデータ項目を含むトレーニングデータセット（たとえば、トレーニングデータセット１４５の）を使用して、ＭＬモデル１２８をトレーニングすることができる。たとえば、各データ項目は、一群の温度設定点および基板に関連する厚さマップを含むことができる。一群の温度設定点は、複数の加熱エレメント１５４を制御し、厚さマップは、基板上のフィルムの場所にわたるフィルム厚さを特徴づけるデータを含む。計算デバイス１０２は、次いで、トレーニングデータセットをＭＬモデル１２８に入力することができ、ターゲット厚さおよび／または実行されることになるプロセスを、入力として、受信することになる並びにプロセスのターゲット厚さを有するフィルムをもたらす複数の加熱エレメント１５４の１セットの温度設定点を出力することになるトレーニングされたＭＬモデルを生成するために、トレーニングデータセット１４５に基づいてＭＬモデル１２８をトレーニングすることができる。
【0029】
機械学習モデル１２８は、ニューラルネットワーク、深層学習ネットワーク、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、クラスタリングモデル、ランダムフォレストモデル、次元縮退モデル、決定木、サポートベクタ機械、回帰分析モデル、ベイジアンネットワーク、および／または他のタイプの機械学習モデルになり得る。機械学習モデル１２８は、管理された学習、半ば管理された学習、または管理されていない学習を使用して、トレーニングされ得る。
【0030】
使用され得る機械学習モデルの１つのタイプは、人工ニューラルネットワーク、たとえば、ディープニューラルネットワーク、である。人工ニューラルネットワークは、一般に、特徴を所望の出力空間にマップする分類器または回帰層を有する特徴表現構成要素を含む。畳み込みニューラルネットワーク（ＣＮＮ）は、たとえば、畳み込みフィルタの複数の層をホストする。プーリングが、実行され、非線形性は、畳み込み層によって抽出された最上層特徴を決定（たとえば、分類出力）にマッピングして、その上に多層パーセプトロンが一般に付加され、より低い層において、対処され得る。
【0031】
深層学習は、特徴抽出および変換のための非線形処理ユニットの一連の複数の層を使用する機械学習アルゴリズムのクラスである。それぞれの連続する層は、入力として前の層からの出力を使用する。ディープニューラルネットワークは、管理された（たとえば、分類）および／または管理されていない（たとえば、パターン分析）仕方で学習することができる。ディープニューラルネットワークは、層の階層を含み、ここで、異なる層は、異なるレベルの抽象に対応する異なるレベルの表現を学習する。深層学習では、各レベルは、それの入力データを僅かにより抽象的な合成表現に変換することを学習する。とりわけ、深層学習プロセスは、それ自体でどのレベルでどの特徴を最適に配置するかを学習することができる。「深層学習」における「深層」は、それらを通してデータが変換される層の数を指す。より正確には、深層学習システムは、相当なキャップ（ＣＡＰ：ｃｒｅｄｉｔ ａｓｓｉｇｎｍｅｎｔ ｐａｔｈ）深度を有する。キャップは、入力から出力への変換のチェーンである。キャップは、潜在的に、入力と出力との間の因果関係を記述する。フィードフォワードニューラルネットワークについて、キャップの深度は、ネットワークのそれになり得、隠れ層の数＋１になり得る。信号が層を通して複数回伝搬することができる、再帰型ニューラルネットワークについて、キャップ深度は、潜在的に無制限である。
【0032】
ニューラルネットワークのトレーニングは、ネットワークを介するラベル付き入力で構成されるトレーニングデータセットを供給することと、それの出力を観測することと、エラーを定義すること（出力とラベル値との差を測定することによって）と、深い傾斜降下（ｄｅｅｐ ｇｒａｄｉｅｎｔ ｄｅｓｃｅｎｔ）および逆伝搬などの技法を使用して、エラーが極小化されるように、すべてのそれの層およびノードにわたってネットワークの重みをチューニングすることとを含む、管理された学習方式で達成され得る。多数の適用例において、トレーニングデータセット内の多数のラベル付き入力にわたってこのプロセスを繰り返すことは、トレーニングデータセット内に存在するものとは異なる入力を提示されるときに正確な出力を生み出すことができるネットワークをもたらす。高次元の設定、たとえば、大きな画像、では、この一般化は、十分に大きなおよび多様なトレーニングデータセットが利用可能にされるときに、達成される。
【0033】
いくつかの実施形態において、機械学習モデルは、温度が特定のゾーンについて入力されることおよび複数のゾーンにわたって決定されることになるその温度に基づく物理結果への影響を可能にする、温度マトリクスを生成するようにトレーニングされる。温度マトリクスが完成した後は、完全な理解が、マルチゾーンヒータ１５０の１つまたは複数のゾーンにおける温度設定点に基づいて、ウエハの複数のゾーンを横断する予測される物理結果について（たとえば、層の厚さについて）達成可能である。いくつかの実施形態において、機械学習モデルは、ターゲット厚さおよび／またはターゲット均一性を有する層を有するフィルムを達成するための１セットの推奨温度設定点を出力するようにトレーニングされる。
【0034】
図２Ａ～図２Ｄは、図１の制御システム１００における基板支持体１０１として使用され得る基板支持体の様々な実施形態の上面図である。図２Ａ～図２Ｄに示された基板支持体のそれぞれは、たとえば個々の加熱エレメント１５４を使用して、個々に加熱され得る複数のゾーンを含む。それぞれのゾーンはまた、所望の温度プロファイルに基づいて、必要に応じて、個々に温度メトリクスをモニタされ、調整され得る。基板またはウエハ（図示せず）は、各基板支持体の頂面上に位置することになっており、一般に、頂面上で中心に置かれる。したがって、基板上に位置するフィルムの厚さおよびそのようなフィルムに関連する他の処理パラメータ値は、変化する温度プロファイルの影響を受ける。
【0035】
図２Ａは、３つのゾーン、たとえば、内側ゾーン２０５、中間ゾーン２１０、および外側ゾーン２１５、を有する基板支持体２０１Ａの頂面を示す。１つの実施形態において、ゾーン２０５、２１０、および２１５のそれぞれは、同心である。一例として、内側ゾーン２０５は、基板支持体の中心から０から約８５ミリメートル（ｍｍ）の半径を含み得る。もう１つの例として、中間ゾーン２１０は、約１２３ｍｍの半径に対する内側ゾーン２０５の外周の半径と実質的に同じ内半径を含み得る。もう１つの例として、外側ゾーン２１５は、約１５０ｍｍ以上、たとえば約１７０ｍｍ、の半径に対する中間ゾーン２１０の外周の半径と実質的に同じ内半径、たとえば約１６５ｍｍ、を含み得る。
【0036】
図２Ｂは、基板支持体２０１Ｂを示し、ここで、複数のゾーン２２０Ａ～２２０Ｃは、パイ形状で基板支持体の周りのセクションで広がる。ゾーン２２０Ａ、２２０Ｂおよび２２０Ｃのそれぞれは、所望の処理条件に応じて同様にまたは異なって加熱され得る。基板支持体２０１Ｂは、３つのゾーンを含むが、ゾーンの数は、３つより多くても少なくてもよい。
【0037】
いくつかの実施形態において、ゾーン２０５、２１０、および２１５（または追加の同心ゾーン）のうちの１つまたは複数が、ゾーン２２０Ａ、２２０Ｂ、２２０Ｃ（または追加のパイ形状のゾーン）のうちの１つまたは複数と組み合わされる。これらの実施形態において、各ゾーンの加熱エレメントは、重なり合うことが可能であり、それにより、添加物方式で各ゾーンの異なる場所の加熱に寄与する。さらに具体的には、ゾーン２２０Ａ、２２０Ｂ、２２０Ｃのすべてが、ゾーン２０５、２１０、および２１５のすべてと使用される場合、ゾーン２２０Ａの加熱エレメントは、たとえば、ゾーン２０５、２１０、および２１５のすべての右上のセクションに重なるであろう。このようにして、異なるゾーンにおける複数の加熱エレメントの寄与は、基板支持体の表面にわたる異なる場所における温度に重複するやり方で寄与することができる。
【0038】
図２Ｃは、基板支持体２０１Ｃを示し、ここで、複数のゾーン２２０Ａ～２２０Ｃは、図２Ｂに示された基板支持体２０１Ｂと類似して、パイ形状で提供される。しかしながら、基板支持体２０１Ｃはまた、図２Ａに示された基板支持体２０１Ａと類似の内側ゾーン２０５を含む。内側ゾーン２０５は、基板支持体２０１Ｃの中心から約５０ｍｍ以上、たとえば、約８０ｍｍから約９０ｍｍ、の半径まで広がり得る。
【0039】
図２Ｄは、基板支持体２０１Ｄを示し、ここで、複数の外側ゾーン２２５Ａおよび２２５Ｂが、内側ゾーン２０５を囲む。１つの実施形態において、複数の外側ゾーン２２５Ａおよび２２５Ｂのそれぞれは、弓形である。いくつかの実施形態において、複数の外側ゾーン２２５Ａおよび２２５Ｂのそれぞれは、実質的に半円として成形される。内側ゾーン２０５は、基板支持体２０１Ｃの中心から約５０ｍｍ以上、たとえば、いくつかの実施形態では約８０ｍｍから約９０ｍｍ、の半径まで広がり得る。
【0040】
図２Ａ～図２Ｄに示されたゾーンに関連する加熱エレメントの温度設定点への調節は、基板支持体の表面にわたる複数の場所のうちの各場所の温度値、およびそれによる温度移動によって、基板にも、影響を与える。論じられたように、ゾーンから遠く離れた場所における温度値は、そのゾーンの加熱エレメントによってより少ない影響を与えられる。反対に、ゾーンに近い場所における温度値は、そのゾーンの加熱エレメントによってより直接に影響を与えられる。これらの温度値は、データマップ１３８の温度マップを構成することができる。温度マップは、複数のゾーンに分けられたウエハを表すマップになり得、ここで、温度値は、各ゾーンに割り当てられ得る。
【0041】
いくつかの実施形態において、温度マップは、マルチゾーンヒータのゾーンに制限されず、ウエハ上の各ポイントの異なる温度値を含むことができる。さらに、様々な実施形態において、計算デバイス１０２は、以下の図で論じられることになるように、アルゴリズム１２６および／またはＭＬモデル１２８の実行を介して基板上のある特定のフィルムのターゲット温度マップを決定するように構成される。これらの実施形態において、ターゲット温度マップは、ターゲット厚さマップ内の厚さ値の標準偏差を極小化するためなどに決定され得る。厚さマップは、ウエハ（または基板）を表すマップになり得、ここで、厚さ値は、厚さマップの複数の異なる領域に割り当てられる。厚さマップの領域は、温度マップのゾーンと同じであるまたは異なる可能性がある。実施形態において、厚さマップは、ウエハ上のあらゆるポイントの厚さ値を含む。
【0042】
図３Ａは、いくつかの実施形態による基板支持体１０１にわたるフィルムの厚さの標準偏差を極小化する重みベクトル３０３を見つけるための方法３００Ａの概略的流れ図である。論じられたように、温度マトリクス１３０は、それぞれがマルチゾーンヒータ１５０Ｃの複数のゾーンのうちの１つに対応する、複数のベクトル（ここでは、列ベクトル）を含む。温度マトリクス１３０のゾーンは、複数ゾーンヒータ１５０Ｃの２つ以上のゾーンに対応することができるので、７つのゾーンが、示されているが、これは、単に例である。
【0043】
温度マトリクス１３０の第１のベクトルは、基準温度値を保持することができ、それぞれの他のベクトルは、温度設定点で起動されている対応する加熱エレメントの結果としての基板支持体上の場所にわたる温度上昇を表す値を含むことができる。複数のベクトルの値は、単に例として示されており、使用されているフィルムおよび異なるプロセスに応じて大きく変化し得る。図示するように、基板支持体の異なる場所におけるゾーンによる温度への異なる影響を示して、温度マトリクス１３０の値のうちのいくつかは、１つの温度マトリクス１３０の値未満であり、他の温度マトリクス１３０の値は、１つの温度マトリクス１３０の値よりも有意に高い。たとえば、いくつかの実施形態において、温度マトリクス１３０の複数のベクトルのうちの１つのベクトルの値は、ベクトルに対応する、複数のゾーンのうちの、１ゾーン内の場所の第１の値と、ベクトルに対応するゾーン内にない場所の第２の値とを含む。第１の値は、第２の値よりも大きく、第２の値は、ゾーンから遠く離れるほど、小さくなる。
【0044】
様々な実施形態において、演算３０４において、計算デバイス１０２は、重みベクトル３０３掛ける温度マトリクス１３０のマトリクス乗算によって、温度マップ３１１を計算する。重みベクトル３０３は、たとえば、複数のベクトルの特定の線形結合を生み出すことになる推定重み値を含むことができる。以下の方程式における実例として、ａｍｎベクトルは、温度マトリクス１３０の列ベクトルであり、ｘｎ値は、重みベクトル３０３の値であり、ｂｍ値は、温度マップ３１１の値である。
【0045】
演算３１２で、計算デバイス１０２は、最初の厚さマップ３１９および温度マップ３１１に基づいて基板支持体１０１上で処理されることになる基板上のフィルムのターゲット厚さマップ３２３を計算する。最初の厚さマップ３１９は、均一温度で加熱された最初の基板上の最初のフィルムの場所にわたる最初の厚さを特徴づけるデータを含む。最初の厚さマップ３１９は、たとえば、前述された厚さ画像化センサによって、決定することができる。別の実施形態において、処理チャンバ１０の外部の計測機器が、フィルムの厚さを決定するための処理の後に使用される。
【0046】
演算３１２をより具体的に参照すると、計算デバイス１０２は、温度感度値３１５、たとえば、ストレージデバイス１２０またはメモリ１０８内の、にアクセスすることができ、温度マップ１３０から均一温度を減算することによって、更新された温度マップを決定することができる。計算デバイス１０２は、次いで、温度感度値と更新済み温度マップを掛け合わせて、変更された厚さマップを決定することができる。本開示を通して参照される温度感度値は、セ氏１度の温度変化ごとの厚さの変化の量として理解することができる。温度感度値３１５は、通常は、温度の増加がフィルム厚さの減少を引き起こすように、マイナスである。しかしながら、特徴づけられているプロセスに応じて、温度感度値３１５は、プラスになり得る。計算デバイス１０２は、次いで、変更された厚さマップを最初の厚さマップ３１９に加算することによって、ターゲット厚さマップ３２３を決定することができる。
【0047】
演算３２０において、計算デバイス１０２は、ターゲット厚さマップ３２３内の厚さ値の標準偏差を極小化する結果を温度マップ３１１がもたらすように、重みベクトル３０３の推定重み値を更新することができる。演算３２０は、厚さ値の標準偏差を極小化、たとえば、閾値未満に、するために、いくつかの実施形態において、（たとえば、演算３０４および３１２の後続の反復の後に）少なくとも１回または複数回繰り返すことができる。その閾値未満になった後、計算デバイス１０２は、制御値として重みベクトル３０３の推定重み値を使用して、複数の加熱エレメント１５４の温度設定点を調整することができる。
【0048】
図３Ｂは、いくつかの実施形態による、フィルムの厚さの標準偏差を極小化し、複数の加熱エレメントの制御値として重み値を使用する重みベクトルを見つけるための方法３００Ｂの流れ図である。方法３００Ｂは、ハードウェア（たとえば、処理デバイス、電気回路、専用ロジック、プログラマブルロジック、マイクロコード、デバイスのハードウェア、集積回路など）、ソフトウェア（たとえば、処理デバイスで走らされるまたは実行される命令）、あるいはその組み合わせを含むことができる処理ロジックによって、実行され得る。いくつかの実施形態において、方法３００Ｂは、計算デバイス１０２（図１）、または処理デバイスを有する他の計算システムによって、実行される。特定のシーケンスまたは順番で示されているが、特に指定のない限り、プロセスの順番は、修正することができる。したがって、示された実施形態は、単に例として理解されるべきであり、示されたプロセスは、異なる順番で実行され得、いくつかのプロセスは、並行して実行され得る。加えて、１つまたは複数のプロセスが、様々な実施形態において省略され得る。したがって、あらゆる実施形態ですべてのプロセスが必要とされるわけではない。他のプロセスの流れが、可能である。
【0049】
演算３５０で、処理ロジックは、複数のゾーンに対応する複数のベクトルを含む温度マトリクスにアクセスする。各ベクトルにおける値は、温度設定点で起動されている、複数の加熱エレメントのうちの、対応する加熱エレメントの結果としての基板支持体上の場所にわたる温度上昇を表す。
【0050】
演算３５５で、処理ロジックは、温度マトリクスと重みベクトルを掛け合わせることによって、基板支持体の温度マップを決定し、ここで、重みベクトルは、温度マトリクスのそれぞれのベクトルの推定重み値を含む。
【0051】
演算３６０で、処理ロジックは、最初の厚さマップおよび温度マップに基づいて、基板支持体上で処理されることになる基板上のフィルムのターゲット厚さマップを決定する。最初の厚さマップは、均一温度で加熱された最初の基板上の最初のフィルムの場所にわたる最初の厚さを特徴づけるデータを含む。
【0052】
演算３６５で、処理ロジックは、ターゲット厚さマップ内の厚さ値の標準偏差に対する極小化を温度マップがもたらすように、重みベクトルの推定重み値を反復して更新する。
【0053】
演算３７０で、処理ロジックは、後続の基板を処理する間に推定重み値を複数の加熱エレメントのそれぞれのための制御値として使用する。
【0054】
図４は、様々な実施形態による複数の加熱エレメントの重ね合わせの温度輪郭を示す１セットの画像（たとえば、マップ）である。温度マップのうちのいくつかは、図２Ａ～図２Ｄを参照して論じられたように、ゾーン２０５、２１０、２１５のうちの１つまたは複数、ゾーン２２０Ａ、２２０Ｂ、２２０Ｃのうちの１つまたは複数、あるいはその組み合わせを介して生成され得る。温度マップ４１０は、複数の同心ゾーンを示し、ここで、中央同心ゾーンが、高温に選択的に設定される。温度マップ４１５は、基板支持体の左下に向けたゾーンが高温に選択的に設定される、同心およびパイ形状のゾーンの組み合わせを示す。温度マップ４２０は、基板支持体の１つの側から反対側に進む複数の縞模様のゾーンを示し、ここで、最も左のゾーンが、高温に選択的に設定される。温度マップ４２５は、最も左のおよび中心ゾーンが高温に選択的に設定される、同心のゾーンと、縞模様またはパイ形状のゾーンとの組み合わせを示す。異なる一意の温度マップを生成するためのゾーンの多数の他の組み合わせが、詳述されることになるように、フィルムおよび特性の厚さを最適化するために、想定される。
【0055】
図５は、一実施形態による、最初の厚さマップ５１９、最適化温度マップ５１１、およびチューニング後の新しい厚さマップ５２３を示す１セットの図式の画像である。最適化温度マップ５１１は、図３Ａの温度マップ３１１および図３Ｂの演算３５５を参照して論じられたように生成され得る。たとえば、最適化温度マップ５１１は、ターゲット厚さマップ内の厚さ値の標準偏差に対する極小化を温度マップがもたらすように、重みベクトルの推定重み値を選択することから生じる。新しい厚さマップ５２３は、マルチゾーンヒータ１５０Ｃの複数の加熱エレメントの温度設定点を制御するために、最適化温度マップ（たとえば、更新された重みベクトル）を使用して、基板上のフィルムに対してプロセスが実行された後にもたらされる。最初の厚さマップ５１９における変動は、この例ではおおよそ５０％の改善である、４．８％から２．４％に改善された。
【0056】
図６Ａは、いくつかの実施形態による、基板支持体にわたるフィルムの処理パラメータの標準偏差を極小化する重みベクトルを見つけるための方法６００Ａの概略的流れ図である。これに関連して「処理」という用語は、堆積、エッチング、成長、陽極酸化プロセス、または、フィルム層の厚さが温度とともに変化する他のプロセスを指すと理解され得る。
【0057】
様々な実施形態において、演算６０４で、計算デバイス１０２は、重みベクトル６０３掛ける温度マトリクス１３０のマトリクス乗算によって温度マップ６１１を計算する。温度マトリクス１３０は、図１および図３Ａ～図３Ｂを参照して既に論じられた。重みベクトル６０３は、たとえば、複数のベクトルの特定の線形結合を生み出すことになる推定重み値を含むことができる。以下の方程式における実例として、ａｍｎベクトルは、温度マトリクス１３０の列ベクトルであり、ｘｎ値は、重みベクトル６０３の値であり、ｂｍ値は、温度マップ６１１の値である。
【0058】
演算６１２で、計算デバイス１０２は、最初のパラメータマップ６１９および温度マップ６１１に基づいて基板支持体１０１上で処理されることになる基板上でフィルムのターゲットパラメータマップ６２３を計算する。最初のパラメータマップ６１９は、均一温度で加熱された最初の基板上の最初のフィルムの場所にわたる最初のパラメータの値を特徴づけるデータを含む。最初のパラメータマップ６１９は、たとえば、フィルムのパラメータ値の画像化センサまたは他の検出手段によって、決定され得る。
【0059】
演算６１２をより具体的に参照すると、計算デバイス１０２は、たとえば、ストレージデバイス１２０またはメモリ１０８において、パラメータ感度値６１５にアクセスし、温度マップ１３０から均一温度を減算することによって更新済み温度マップを決定することができる。本開示を通して参照されるパラメータ感度値は、セ氏１度の温度変化ごとのパラメータ値変化の量として理解され得る。パラメータ感度値６１５は、通常は、パラメータ値の（たとえば、ｋの）増加がフィルム厚さの増加を引き起こすように、プラスである。計算デバイス１０２は、次いで、パラメータ感度値と更新された温度マップを掛け合わせて、変更されたパラメータマップを決定することができる。計算デバイス１０２は、次いで、変更されたパラメータマップを最初のパラメータマップ６１９に加算することによって、ターゲットパラメータマップ６２３を決定することができる。
【0060】
演算６２０で、計算デバイス１０２は、ターゲットパラメータマップ６２３内のパラメータ値の標準偏差を極小化する結果を温度マップ６１１がもたらすように、重みベクトル６０３の推定重み値を更新することができる。演算６２０は、パラメータ値の標準偏差を、たとえば閾値未満に、極小化するために、いくつかの実施形態において、少なくとも１回または複数回繰り返され得る（たとえば、演算６０４および６１２の後続の反復の後に）。その閾値未満になった後は、計算デバイス１０２は、重みベクトル６０３の推定重み値を制御値として使用して、複数の加熱エレメント１５４の温度設定点を調整することができる。
【0061】
図６Ｂは、いくつかの実施形態による、基板支持体にわたるフィルムの処理パラメータの標準偏差を極小化し、重みベクトル値を複数の加熱エレメントの制御値として使用する重みベクトルを見つけるための方法６００Ｂの流れ図である。方法６００Ｂは、ハードウェア（たとえば、処理デバイス、電気回路、専用ロジック、プログラマブルロジック、マイクロコード、デバイスのハードウェア、集積回路など）、ソフトウェア（たとえば、処理デバイスで走らされるまたは実行される命令）、あるいはその組み合わせを含むことができる、処理ロジックによって、実行され得る。いくつかの実施形態において、方法６００Ｂは、計算デバイス１０２（図１）または処理デバイスを有する他の計算システムによって、実行される。特定のシーケンスまたは順番で示されているが、特に指定のない限り、プロセスの順番は、修正され得る。したがって、示された実施形態は、単に例として理解されるべきであり、示されたプロセスは、異なる順番で実行され得、いくつかのプロセスは、並行して実行され得る。加えて、１つまたは複数のプロセスが、様々な実施形態において省略され得る。したがって、あらゆる実施形態ですべてのプロセスが必要とされるわけではない。他のプロセスの流れが、可能である。
【0062】
演算６５０で、処理ロジックは、処理中に基板を加熱するように構成された基板支持体の複数のゾーンのうちの１ゾーンと、基板支持体のマルチゾーンヒータ内の複数の加熱エレメントのうちの、各加熱エレメントを相互に関連付ける。
【0063】
演算６５５で、処理ロジックは、複数のゾーンに対応する複数のベクトルを含む温度マトリクスにアクセスする。各ベクトルにおける値は、温度設定点で起動されている、複数の加熱エレメントのうちの、対応する加熱エレメントの結果としての基板支持体上の場所にわたる温度上昇を表す。
【0064】
演算６６０で、処理ロジックは、温度マトリクスと重みベクトルを掛け合わせることによって、基板支持体の温度マップを決定する。重みベクトルは、温度マトリクスのそれぞれのベクトルの推定重み値を含む。
【0065】
演算６６５で、処理ロジックは、最初のパラメータマップおよび温度マップに基づいて、基板支持体上で処理されることになる基板上のフィルムのターゲットパラメータマップを決定する。最初のパラメータマップは、均一温度で加熱された最初の基板上の最初のフィルムの場所にわたるプロセスパラメータを特徴づけるデータを含む。
【0066】
演算６７０で、処理ロジックは、ターゲットパラメータマップ内のパラメータ値の標準偏差を極小化する結果を温度マップがもたらすように、重みベクトルの推定重み値を反復して更新する。
【0067】
演算６７５で、処理ロジックは、後続の基板を処理する間に推定重み値を複数の加熱エレメントのそれぞれのための制御値として使用する。
【0068】
図７は、いくつかの実施形態による、基板支持体にわたって厚さおよび処理パラメータ値の正規化された、重み付けされた組み合わせの標準偏差を極小化する重みベクトルを見つけるための方法７００の概略的流れ図である。方法７００は、複数の基準、すなわち厚さおよび処理パラメータ、この例では吸光係数（ｋ）、について最適化するための組み合わせとして見なされ得る。
【0069】
様々な実施形態において、演算７０４で、計算デバイス１０２は、重みベクトル７０３掛ける温度マトリクス１３０のマトリクス乗算によって、温度マップ７１１を計算する。重みベクトル７０３は、たとえば、複数のベクトルの特定の線形結合を生み出すことになる推定重み値を含むことができる。以下の方程式における実例として、ａｍｎベクトルは、温度マトリクス１３０の列ベクトルであり、ｘｎ値は、重みベクトル７０３の値であり、ｂｍ値は、温度マップ７１１の値である。
【0070】
演算７１２Ａで、計算デバイス１０２は、最初の厚さマップ７１９Ａおよび温度マップ７１１に基づいて、基板支持体１０１上で処理されることになる基板上のフィルムのターゲット厚さマップ７２３Ａを計算する。最初の厚さマップ７１９Ａは、均一温度で加熱された最初の基板上の最初のフィルムの場所にわたる最初の厚さを特徴づけるデータを含む。最初の厚さマップ７１９Ａは、たとえば、前述した厚さ画像化センサによって、決定され得る。
【0071】
演算７１２Ａをさらに具体的に参照すると、計算デバイス１０２は、たとえば、ストレージデバイス１２０またはメモリ１０８において、温度感度値７１５Ａにアクセスし、温度マップ１３０から均一温度を減算することによって更新済み温度マップを決定することができる。計算デバイス１０２は、次いで、温度感度値と更新済み温度マップを掛け合わせて、変更された厚さマップを決定することができる。計算デバイス１０２は、次いで、変更された厚さマップを最初の厚さマップ７１９Ａに加算することによって、ターゲット厚さマップ７２３Ａを決定することができる。
【0072】
演算７１２Ｂで、計算デバイス１０２は、最初のパラメータマップ７１９Ｂおよび温度マップ７１１に基づいて、基板支持体１０１上で処理されることになる基板上のフィルムのターゲットパラメータマップ７２３Ｂを計算する。最初のパラメータマップ７１９Ｂは、均一温度で加熱された最初の基板上の最初のフィルムの場所にわたる最初のパラメータの値を特徴づけるデータを含む。最初のパラメータマップ７１９Ｂは、たとえば、フィルムのパラメータ値の画像化センサまたは他の検出手段によって、決定され得る。
【0073】
演算７１２Ｂをさらに具体的に参照すると、計算デバイス１０２は、パラメータ感度値７１５Ｂにアクセスし、温度マップ１３０から均一温度を減算することによって更新済み温度マップを決定することができる。計算デバイス１０２は、次いで、パラメータ感度値と更新された温度マップを掛け合わせて、変更されたパラメータマップを決定することができる。計算デバイスは、次いで、変更されたパラメータマップを最初のパラメータマップ７１９Ｂに加算することによって、ターゲットパラメータマップ７２３Ｂを決定することができる。
【0074】
演算７１８で、計算デバイス１０２は、１セットの加重値７２５を使用して、ターゲット厚さマップ７２３Ａおよびターゲットパラメータマップ７２３Ｂを組み合わせることができ、それは、基板支持体１０１にわたる厚さおよび処理パラメータ値のターゲット正規化された、重み付けされた組み合わせ７２７へと組み合わされた値を正規化する。加重値７２５は、パラメータ値（ｗｋ）とは異なる厚さ値（ｗｔｈｋ）を、ただし合計で１になるようなやり方で、重み付けすることができる。たとえば、厚さ値が、パラメータ値よりも重い重みを与えられることになる場合、ｗｔｈｋは、０．７になり得、ｗｋは、０．３になり得る。正規化は、演算７２０で合同で演算され得る厚さおよびｋ（処理パラメータ）の項を組み合わせるために、実行され得る。
【0075】
演算７２０で、厚さおよび処理パラメータ値のターゲット正規化された、重み付けされた組み合わせ７２７が、厚さおよび処理パラメータ値のターゲット正規化された、重み付けされた組み合わせ７２７の標準偏差を極小化する結果をもたらすように、計算デバイス１０２は、重みベクトル７０３の推定重み値を更新することができる。演算７２０は、厚さおよび処理パラメータ値のターゲット正規化された、重み付けされた組み合わせ７２７の標準偏差を極小化する、たとえば、閾値未満になる、ために、いくつかの実施形態において、少なくとも１回または複数回繰り返され得る（たとえば、演算７０４、７１２Ａ、７１２Ｂ、および７１８の後続の反復の後に）。その閾値未満になった後は、計算デバイス１０２は、重みベクトルの推定重み値２０３を制御値として使用して、複数の加熱エレメント１５４の温度設定点を調整することができる。
【0076】
図８Ａは、様々な実施形態による、マルチゾーンヒータをチューニングするために使用可能な温度マトリクスを生成するために機械学習モデルをトレーニングするための方法８００Ａの流れ図である。方法８００Ａは、ハードウェア（たとえば、処理デバイス、電気回路、専用ロジック、プログラマブルロジック、マイクロコード、デバイスのハードウェア、集積回路など）、ソフトウェア（たとえば、処理デバイスで走らされるまたは実行される命令）、あるいはその組み合わせを含むことができる、処理ロジックによって、実行され得る。いくつかの実施形態において、方法８００Ａは、計算デバイス１０２（図１）または処理デバイスを有する他の計算システムによって、実行される。特定のシーケンスまたは順番で示されているが、特に指定のない限り、プロセスの順番は、修正され得る。したがって、示された実施形態は、単に例として理解されるべきであり、示されたプロセスは、異なる順番で実行され得、いくつかのプロセスは、並行して実行され得る。加えて、１つまたは複数のプロセスが、様々な実施形態において省略され得る。したがって、あらゆる実施形態ですべてのプロセスが必要とされるわけではない。他のプロセスの流れが、可能である。
【0077】
演算８１０で、処理ロジックは、複数のデータ項目を含むトレーニングデータセット１４５を受信し、各データ項目は、マルチゾーンヒータを含む基板支持体の場所にわたる温度値のセットおよび基板支持体１０１上にある間に処理された基板上のフィルムの厚さ値のセットを含む。
【0078】
演算８２０で、処理ロジックは、トレーニングデータセット１４５を機械学習モデル、たとえば、図１を参照して論じられたＭＬモデル１２８、に入力する。１つの実施形態において、機械学習モデルは、人工ニューラルネットワーク、ディープニューラルネットワーク、または他のタイプのトレーニング可能な人工知能モデルである。
【0079】
演算８３０で、処理ロジックは、トレーニングデータセットに基づいて機械学習モデルをトレーニングして、マルチゾーンヒータの複数のゾーンに対応する複数のベクトルを含む温度マトリクスの値を更新するトレーニング済み機械学習モデルを生成する。各ベクトルにおける値は、１つまたは複数の温度設定点に設定されている、マルチゾーンヒータの複数の加熱エレメントのうちの、対応する加熱エレメントの結果としての基板支持体上の場所にわたる温度上昇を表す。複数のベクトルの組み合わせは、閾値レベルのフィルム均一性を確保するために使用可能な基板支持体にわたる温度値のターゲットセットを含む。いくつかの実施形態において、機械学習モデルをトレーニングすることはさらに、更新される前に、重みベクトルに温度マトリクスを乗算することによって、後続のトレーニング反復において使用可能な温度値の各セットを決定することを含む。
【0080】
様々な実施形態において、処理されることになる後続の基板について、方法８００Ａはさらに、温度マトリクスと重みベクトルを乗算することによって基板支持体の温度値のターゲットセットを決定することを含むことができ、ここで、重みベクトルは、温度マトリクスのそれぞれのベクトルの推定重み値を含む。方法８００Ａはさらに、先行して処理された基板の厚さ値の直前のセットおよび温度値のターゲットセットに基づいて後続の基板上のフィルムの厚さ値のターゲットセットを決定することを含むことができる。温度値のターゲットセットが、厚さ値のターゲットセットの標準偏差に対する極小化をもたらすように、方法８００Ａはさらに、重みベクトルの推定重み値を反復して更新することを含むことができる。方法８００Ａはさらに、後続の基板を処理する間に推定重み値を使用して複数の加熱エレメントのそれぞれの温度設定点を決定することを含むことができる。
【0081】
関連する実施形態において、方法８００Ａはさらに、温度感度値にアクセスすることと、温度値のセットを温度値のターゲットセットから減算することによって温度値の更新済みセットを決定することと、温度感度値と温度値の更新済みセットを乗算して、変更された厚さ値のセットを決定することと、変更された厚さ値のセットを厚さ値の直前のセットに加算することによって厚さ値のターゲットセットを決定することとを含むことができる。
【0082】
図８Ｂは、様々な実施形態によるマルチゾーンヒータをチューニングするための機械学習モデルをトレーニングするための方法８００Ｂの流れ図である。方法８００Ｂは、ハードウェア（たとえば、処理デバイス、電気回路、専用ロジック、プログラマブルロジック、マイクロコード、デバイスのハードウェア、集積回路など）、ソフトウェア（たとえば、処理デバイスで走らされるまたは実行される命令）、あるいはその組み合わせを含むことができる、処理ロジックによって、実行され得る。いくつかの実施形態において、方法８００Ｂは、計算デバイス１０２（図１）または処理デバイスを有する他の計算システムによって、実行される。特定のシーケンスまたは順番で示されているが、特に指定のない限り、プロセスの順番は、修正することができる。したがって、示された実施形態は、単に例として理解されるべきであり、示されているプロセスは、異なる順番で実行することができ、いくつかのプロセスは、並行して実行することができる。加えて、１つまたは複数のプロセスが、様々な実施形態において省略され得る。したがって、あらゆる実施形態ですべてのプロセスが必要とされるわけではない。他のプロセスの流れが、可能である。
【0083】
演算８５０で、処理ロジックは、処理中に基板を加熱するように構成された基板支持体１０１の複数のゾーンのうちの１ゾーンと、基板支持体１０１のマルチゾーンヒータ１５０内の複数の加熱エレメント１５４の、各加熱エレメントを相互に関連付ける。
【0084】
演算８６０で、処理ロジックは、複数の基板の複数のデータ項目を含むトレーニングデータセット１４５を受信する。複数のデータ項目のうちの各データ項目は、温度設定点および基板に関連する厚さマップを含む。温度設定点は、複数の加熱エレメント１５４を制御することができ、厚さマップは、基板上のフィルムの場所にわたるフィルム厚さを特徴づけるデータを含む。いくつかの実施形態において、処理ロジックは、基板上のフィルム１０１の厚さ値を含む各厚さマップを、厚さ画像化センサを使用して、生成する。
【0085】
演算８７０で、処理ロジックは、トレーニングデータセット１４５を機械学習モデル、たとえば、前述のＭＬモデル１２８、に入力する。１つの実施形態において、機械学習モデルは、人工ニューラルネットワーク、ディープニューラルネットワーク、または他のタイプのトレーニング可能な人工知能モデルである。
【0086】
演算８８０で、処理ロジックは、ターゲット厚さを、入力として、受信することになるおよびターゲット厚さを有するフィルムをもたらす複数の加熱エレメント１５４の１セットの温度設定点を出力することになるトレーニング済み機械学習モデルを生成するために、トレーニングデータセット１４５に基づいて機械学習モデルをトレーニングする。１つの実施形態において、ターゲット厚さは、閾値未満であるフィルムの場所にわたる厚さ値の標準偏差を含む実質的に均一な厚さである。１つの実施形態において、機械学習モデルをトレーニングすることは、それらの場所にわたる、厚さマップの、厚さ値とフィルムの場所にわたる、温度設定点の結果としての、温度値の組み合わせを相互に関連付けることを、各基板について、含む。
【0087】
図９は、様々な実施形態によるマルチゾーンヒータをチューニングするために入力データを推論するための機械学習モデルを使用する方法９００の流れ図である。方法９００は、ハードウェア（たとえば、処理デバイス、電気回路、専用ロジック、プログラマブルロジック、マイクロコード、デバイスのハードウェア、集積回路など）、ソフトウェア（たとえば、処理デバイスで走らされるまたは実行される命令）、あるいはその組み合わせを含むことができる、処理ロジックによって、実行され得る。いくつかの実施形態において、方法９００は、計算デバイス１０２（図１）または処理デバイスを有する他の計算システムによって、実行される。特定のシーケンスまたは順番で示されているが、特に指定のない限り、プロセスの順番は、修正することができる。したがって、示された実施形態は、単に例として理解されるべきであり、示されているプロセスは、異なる順番で実行することができ、いくつかのプロセスは、並行して実行することができる。加えて、１つまたは複数のプロセスが、様々な実施形態において省略され得る。したがって、あらゆる実施形態ですべてのプロセスが必要とされるわけではない。他のプロセスの流れが、可能である。
【0088】
演算９１０で、処理ロジックは、基板支持体１０１に処理チャンバの基板支持体上に基板を受け取らせる。基板支持体１０１は、基板支持体１０１内のマルチゾーンヒータ１５０の複数のゾーンに対応する複数の加熱エレメント１５４を使用して処理中に基板を加熱するように構成される。
【0089】
演算９２０で、処理ロジックは、処理チャンバ１０に関連しており、基板で実行されることになるプロセスをおよび基板上のフィルムのターゲット厚さを示す情報を受信する。
【0090】
演算９３０で、処理ロジックは、実行されることになるプロセスまたはターゲット厚さのうちの少なくとも１つをトレーニングされた機械学習モデルに入力する。いくつかの実施形態において、トレーニングされた機械学習モデルは、プロセスに関連する複数の加熱エレメント１５４の１セットの温度設定点を出力する。様々な実施形態において、その１セットの温度設定点が、閾値未満である基板の場所にわたる厚さ値の標準偏差を有するターゲット厚さを有する基板上のフィルムをもたらす。トレーニングされた機械学習モデルは、特定のプロセスチャンバのためにまたはプロセスチャンバの特定のクラスのためにトレーニングされてあってもよい。
【0091】
演算９４０で、処理ロジックは、その１セットの温度設定点で動作するように複数の加熱エレメント１５４を設定する。
【0092】
演算９５０で、処理ロジックは、温度設定点に設定された複数の加熱エレメント１５４を有するプロセスを使用して基板を処理チャンバに処理させる。
【0093】
本明細書で開示されるシステムおよび方法は、ハードウェア、ソフトウェア、またはハードウェアおよびソフトウェアの組み合わせにおいて実現され得る。方法およびシステムは、少なくとも１つのコンピュータシステムにおいて集中した様式で、または、異なる要素がいくつかの相互に接続されたコンピュータシステムに散在する分散された様式で、実現され得る。本明細書に記載の方法を実施するのに適したコンピュータシステムまたは他の装置が、本開示に適している。ハードウェアおよびソフトウェアの典型的な組み合わせは、ロードおよび実行されるとき、本明細書に記載の方法を実施するようにコンピュータシステムを制御するコンピュータプログラムを有するコンピュータシステムになり得る。そのようなプログラムされたコンピュータは、専用コンピュータと考えられ得る。
【0094】
方法およびシステムはまた、本明細書に記載の演算の実装を可能にするすべての特徴を含む、および、コンピュータシステムにおいてロードされるとき、これらの演算を実施することができる、コンピュータプログラム製品に組み込まれ得る。本文脈におけるコンピュータプログラムは、直接にあるいは以下のうちのいずれかまたは両方の後に、情報処理能力を有するシステムに特定の機能を実行させることを意図された１セットの命令の、任意の言語、コードまたは表記法における、任意の表現を意味する：ａ）別の言語、コードまたは表記法への変換、ｂ）異なる材料形態における再生。
【0095】
本開示はまた、本明細書中の演算を実行するための装置に関する。この装置は、意図された目的のために特別に構築され得る、または、この装置は、コンピュータに記憶されたコンピュータプログラムによって選択的に起動または再構成される汎用コンピュータを含むことができる。そのようなコンピュータプログラムは、コンピュータ可読記憶媒体、たとえば、しかしこれらに限定されない、コンピュータシステムバスにそれぞれが結合された、フロッピディスク、光ディスク、ＣＤ－ＲＯＭ、および光磁気ディスクを含む任意のタイプのディスク、読出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気または光カード、あるいは電子命令を記憶するのに適した任意のタイプの媒体に記憶され得る。
【0096】
本明細書で提示されるアルゴリズム、演算、および表示は、本質的に、任意の特定のコンピュータまたは他の装置に関連しない。様々な汎用システムが、本明細書の教示に従ってプログラムと使用され得る、あるいは、方法を実行するためにより特殊な装置を構築することが便利であると判明する可能性がある。様々なこれらのシステムの構造は、後述において明記されるように現れることになろう。加えて、本開示は、いずれかの特定のプログラミング言語を参照して説明されていない。様々なプログラミング言語が、本明細書に記載のような本開示の教示を実装するために、使用され得る、ということが理解されよう。
【0097】
本開示は、本開示によるプロセスを実行するようにコンピュータシステム（または他の電子デバイス）をプログラムするために使用され得る、命令が記憶された機械可読媒体を含むことができる、コンピュータプログラム製品、またはソフトウェアとして提供され得る。機械可読媒体は、機械（たとえば、コンピュータ）によって読取り可能な形態で情報を記憶するための任意の機構を含む。いくつかの実施形態において、機械可読（たとえば、コンピュータ可読）媒体は、読出し専用メモリ（「ＲＯＭ」）、ランダムアクセスメモリ（「ＲＡＭ」）、磁気ディスク記憶媒体、光記憶媒体、フラッシュメモリ構成要素などの機械（たとえば、コンピュータ）可読記憶媒体を含む。
【0098】
前述の説明は、本開示のいくつかの実施形態の十分な理解を与えるために、特定のシステム、構成要素、および方法などの例などの多数の具体的な詳細を明記している。しかしながら、本開示の少なくともいくつかの実施形態は、これらの特定の詳細なしに実施され得る、ということが当業者には明らかとなろう。他の事例では、良く知られている構成要素または方法は、本開示を不必要に分かりにくくすることを避けるために、詳しく説明されておらず、単純なブロック図形式で提示されている。したがって、明記された具体的詳細は、単に例示である。特定の実装形態は、これらの例示的詳細と異なることが可能であり、それでも本開示の範囲内にあることが企図されている。
【0099】
本明細書を通して「１つの実施形態」または「一実施形態」の参照は、実施形態に関して説明された特定の特徴、構造、または性質が、少なくとも１つの実施形態に含まれる、ということを意味する。したがって、本明細書を通した様々な箇所での「１つの実施形態において」または「一実施形態において」という言い回しの出現は、必ずしもすべてが同じ実施形態を参照していない。加えて、「または」という用語は、排他的な「または」ではなくて包含的な「または」を意味することが意図されている。「約」または「おおよそ」という用語が、本明細書で使用されるとき、これは、提示された公称値が±１０％以内の精度にある、ということを意味することが意図されている。
【0100】
本明細書中の方法の動作は、特定の順番で示され、説明されているが、ある特定の動作が、少なくとも部分的に、他の動作と同時に実行され得るように、ある特定の動作が、逆順で実行され得るように、それぞれの方法の動作の順番は、変更され得る。別の実施形態において、別個の動作の命令または部分動作は、断続的および／または交互の仕方になり得る。
【0101】
前述は、例示を意図されており、制限を意図されてない、ということが理解される。多数の他の実施形態が、前述の説明を読み、理解したとき、当業者には明らかとなろう。したがって、本開示の範囲は、添付の特許請求の範囲が権利を与えられる均等物の全範囲とともに、添付の特許請求の範囲を参照して決定されるべきである。
【図1】
【図2A】
【図2B】
【図2C】
【図2D】
【図3A】
【図3B】
【図4】
【図5】
【図6A】
【図6B】
【図7】
【図8A】
【図8B】
【図9】
【国際調査報告】