知財求人 - 知財ポータルサイト「IP Force」
▶ ティーイーエル エフエスアイ，インコーポレイティドの特許一覧
(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】2024-04-10
(54)【発明の名称】微細加工における自動不具合検出
(51)【国際特許分類】
H01L 21/02 20060101AFI20240403BHJP
【ＦＩ】
H01L21/02 Z
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023561189
(86)(22)【出願日】2022-04-08
(85)【翻訳文提出日】2023-10-04
(86)【国際出願番号】 US2022024023
(87)【国際公開番号】W WO2022231823
(87)【国際公開日】2022-11-03
(31)【優先権主張番号】63/180,907
(32)【優先日】2021-04-28
(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】508151552
【氏名又は名称】ティーイーエル マニュファクチュアリング アンド エンジニアリング オブ アメリカ，インコーポレイテッド
(74)【代理人】
【識別番号】100107766
【弁理士】
【氏名又は名称】伊東 忠重
(74)【代理人】
【識別番号】100070150
【弁理士】
【氏名又は名称】伊東 忠彦
(74)【代理人】
【識別番号】100135079
【弁理士】
【氏名又は名称】宮崎 修
(72)【発明者】
【氏名】グウィン，マシュー
(57)【要約】
方法であって、半導体基板を処置している間に第１の処理ツールから第１の処理ツールマシンデータを収集することであって、この第１の処理ツールマシンデータは、処置中の１つ又は複数の離散的な時間間隔に関連付けられた処理データ及び動作コードを含むことと、第１の処理ツールからの第１の処理ツールマシンデータを用いて第１のニューラルネットワークをトレーニングすることと、少なくとも１つの処理ツールからの後続のマシンデータを適用することに少なくとも部分的に基づいて、第１のニューラルネットワークから、第１の処理ツールの不具合を示す第１の出力を生成することと、を含む方法。
【特許請求の範囲】
【請求項1】
方法であって、半導体基板を処置している間に第１の処理ツールから第１の処理ツールマシンデータを収集することであって、前記第１の処理ツールマシンデータは、前記処置中の１つ又は複数の離散的な時間間隔に関連付けられた動作コードにマッピングされた処理データを含むことと、
前記第１の処理ツールからの前記第１の処理ツールマシンデータを用いて第１のニューラルネットワークをトレーニングすることと、
少なくとも１つの処理ツールからのマッピングされていないマシンデータを適用することに少なくとも部分的に基づいて、前記第１のニューラルネットワークから、前記第１の処理ツールの不具合を示す第１の出力を生成することと、を含む方法。
【請求項2】
前記第１の出力に基づいて、前記少なくとも１つの処理ツールにおける前記半導体基板の前記処置を停止すること、を更に含む、請求項１に記載の方法。
【請求項3】
他の半導体基板を処置している間に第２の処理ツールから第２の処理ツールマシンデータを収集することであって、前記第２の処理ツールマシンデータは、前記第１の処理ツールマシンデータと類似の態様で配列されており、前記第１のニューラルネットワークの前記トレーニングは、前記第１のニューラルネットワークを前記第２の処理ツールマシンデータを用いてトレーニングすることを含むこと、を更に含む、請求項１に記載の方法。
【請求項4】
前記処理データは、前記半導体基板の処置中の処理コンディションを示し、前記動作コードは、前記半導体基板の処置中の前記第１の処理ツールの１つ又は複数のコンディションを示す、請求項３に記載の方法。
【請求項5】
前記処理データは、前記半導体基板の処置中の現場測定データを含む、請求項４に記載の方法。
【請求項6】
前記動作コードは、警報／警告コンディション、ツール状態情報、又はツール使用情報を含む、請求項４に記載の方法。
【請求項7】
第１の処理ツールから第１の処理ツールマシンデータを収集することが、第１の場所で実施され、第２の処理ツールから第２の処理ツールマシンデータを収集することが、前記第１の場所とは異なる第２の場所で実施される、請求項３に記載の方法。
【請求項8】
少なくとも１つの処理ツールからのマッピングされていないマシンデータを適用することに少なくとも部分的に基づいて、前記第１のニューラルネットワークから前記第２の処理ツールの不具合を示す第２の出力を生成することを更に含む、請求項３に記載の方法。
【請求項9】
他の半導体基板を処置している間に第２の処理ツールマシンデータを収集することであって、前記第２の処理ツールマシンデータは、前記第１の処理ツールマシンデータと類似の態様で配列されていることと、前記第２の処理ツールマシンデータを使用して第２のニューラルネットワークをトレーニングすることと、
少なくとも１つの処理ツールからの後続のマシンデータを適用することに少なくとも部分的に基づいて、前記第２のニューラルネットワークから不具合を示す第２の出力を生成することと、を更に含む、請求項１に記載の方法。
【請求項10】
ツールシステムであって、プロセッサと、
前記プロセッサに結合され、前記プロセッサで実行されることになるプログラムを含む、非一時的メモリと、を含み、前記プログラムは、
半導体基板を処置している間に第１の処理ツールから第１の処理ツールマシンデータを収集することであって、前記第１の処理ツールマシンデータは、前記処置中の１つ又は複数の離散的な時間間隔に関連付けられた動作コードにマッピングされた処理データを含むことと、
前記第１の処理ツールマシンデータを用いて第１のニューラルネットワークをトレーニングすることと、
少なくとも１つの処理ツールからのマッピングされていないマシンデータを適用することに少なくとも部分的に基づいて、前記第１のニューラルネットワークから、不具合を示す第１の出力を生成することと、を行うための命令を含む、ツールシステム。
【請求項11】
前記プログラムは、前記第１の出力に基づいて、前記少なくとも１つの処理ツールにおける前記半導体基板の前記処置を停止させる命令を更に含む、請求項１０に記載のツールシステム。
【請求項12】
前記第１の処理ツールを更に含む、請求項１０に記載のツールシステム。
【請求項13】
前記プログラムは、前記第１のニューラルネットワークを前記非一時的メモリに記憶する命令を更に含む、請求項１０に記載のツールシステム。
【請求項14】
前記プログラムは、前記第１の処理ツールマシンデータの前記処理データを、前記第１のニューラルネットワークをトレーニングするための複数の画像に変換する命令を更に含む、請求項１０に記載のツールシステム。
【請求項15】
前記処理データは、前記半導体基板の処置中の処理コンディションを示し、前記動作コードは、前記半導体基板の処置中の前記第１の処理ツールの１つ又は複数のコンディションを示す、請求項１０に記載のツールシステム。
【請求項16】
前記動作コードは、警報／警告コンディション、ツール状態情報、又はツール使用情報を含む、請求項１５に記載のツールシステム。
【請求項17】
方法であって、ウェーハを処理するための第１の半導体処理ツールに結合された第１の機械学習システムのプロセッサ上でニューラルネットワークを初期化することと、
前記第１の半導体処理ツールの不具合を予測するように前記ニューラルネットワークをトレーニングすることと、
前記ニューラルネットワークをトレーニングした後で、前記ニューラルネットワークを前記第１の機械学習システムのメモリに保存することと、
第２の半導体処理ツール上に前記第１の機械学習システムを実装することと、を含む方法。
【請求項18】
前記第１の半導体処理ツールと前記第２の半導体処理ツールは、同じタイプのツールである、請求項１７に記載の方法。
【請求項19】
前記第１の半導体処理ツールと前記第２の半導体処理ツールは、異なるタイプのツールである、請求項１７に記載の方法。
【請求項20】
前記第１の機械学習システムを第２の半導体処理ツール上に実装することは、前記ニューラルネットワークをトレーニングして前記第２の半導体処理ツールの不具合を予測することを更に含む、請求項１７に記載の方法。
【請求項21】
前記第１の半導体処理ツールと前記第２の半導体処理ツールは、異なる製造設備に配置されている、請求項１７に記載の方法。
【発明の詳細な説明】
【技術分野】
【0001】
関連出願の相互参照
本出願は、２０２１年４月２８日に出願された米国仮特許出願第６３／１８０，９０７号明細書の利益を主張するものであり、該明細書は参照によりその全体を本明細書に援用する。
本出願は、２０２１年４月２８日に出願された米国仮特許出願第６３／１８０，９０７号明細書の利益を主張するものであり、該明細書は参照によりその全体を本明細書に援用する。
【0002】
本発明は、一般に微細加工技術に関し、特定の実施形態においては、微細加工における自動不具合検出に関する。
【背景技術】
【0003】
半導体デバイスの製造業者は、可能な限り最小の製造コスト及び最短時間で半導体デバイスを製造するという継続的な課題に直面している。デバイスの製造時間及びコストを削減する１つの方法は、半導体処理ツールのエラー及び不具合を低減することである。反応性イオンエッチングチャンバ又はロボットウェーハトラックシステムなどの半導体ツールに不具合があると、半導体ウェーハが異常を伴って処理され、廃棄されなければならなくなることがある。これにより、材料のコストが増加し、したがって、製造コスト全体が増加することになる。更に、半導体ツールが故障するか又は不具合状態に達すると、ツールはウェーハの稼働を停止することがある。これにより、半導体の処理が予定外に一時的に停止し、したがって、半導体処理時間が増加することがある。
【発明の概要】
【課題を解決するための手段】
【0004】
本出願の一実施形態によれば、ある方法は、半導体基板を処置している間に第１の処理ツールから第１の処理ツールマシンデータを収集することであって、この第１の処理ツールマシンデータは、処置中の１つ又は複数の離散的な時間間隔に関連付けられた処理データ及び動作コードを含むことと、第１の処理ツールからの第１の処理ツールマシンデータを用いて第１のニューラルネットワークをトレーニングすることと、少なくとも１つの処理ツールからの後続のマシンデータを適用することに少なくとも部分的に基づいて、第１のニューラルネットワークから、第１の処理ツールの不具合を示す第１の出力を生成することと、を含む。
【0005】
本発明の別の実施形態によれば、ツールシステムは、プロセッサと、このプロセッサに結合され、プロセッサで実行されることになるプログラムを含む、非一時的メモリと、を備え、このプログラムは、半導体基板を処置している間に第１の処理ツールから第１の処理ツールマシンデータを収集することであって、この第１の処理ツールマシンデータは、処置中の１つ又は複数の離散的な時間間隔に関連付けられた処理データ及び動作コードを含むことと、第１の処理ツールマシンデータを用いて第１のニューラルネットワークをトレーニングすることと、少なくとも１つの処理ツールからの後続のマシンデータを適用することに少なくとも部分的に基づいて、第１のニューラルネットワークから、不具合を示す第１の出力を生成することと、を行うための命令を含む。
【0006】
本発明の別の実施形態によれば、ある方法は、ウェーハを処理するための第１の半導体処理ツールに結合された第１の機械学習システムのプロセッサ上でニューラルネットワークを初期化することと、第１の半導体処理ツールの不具合を予測するようにニューラルネットワークをトレーニングすることと、ニューラルネットワークをトレーニングした後で、そのニューラルネットワークを第１の機械学習システムのメモリに保存することと、第２の半導体処理ツール上に第１の機械学習システムを実装することと、を含む。
【0007】
本発明及びその利点をより完全に理解するために、ここで、添付図面と併せて読まれるべき以下の説明を参照する。
【図面の簡単な説明】
【0008】
【図1】本出願の実施形態による微細加工不具合予測システムを示すブロック図を示す。
【図2】本出願の実施形態による機械学習システムを示すブロック図である。
【図3】本出願の実施形態による機械学習システムに実装される例示的なニューラルネットワークを示す図である。
【図5】本出願の実施形態による、微細加工ツール不具合についてニューラルネットワークをトレーニングし使用するのに使用される例示的な処理フローを示すフローチャートである。
【図6】本出願の実施形態による追加の微細加工ツールの不具合状態を予測するのに使用される追加の微細加工ツール上にトレーニングされたニューラルネットワークを実装するために使用される、例示的な処理フローを示すフローチャートである。
【図7】本出願の実施形態による不具合予測システムを示すブロック図を示す。
【図8】本出願の実施形態による微細加工不具合予測システムを示すブロック図を示す。
【発明を実施するための形態】
【0009】
本開示の実施形態の作製及び使用について、以下で詳細に述べる。しかしながら、本明細書に開示する概念は広範な種々の具体的な文脈で具現化することができ、本明細書で述べる具体的な実施形態は、例示的なものに過ぎず、特許請求の範囲を限定するようにはたらくものではないことを認識すべきである。更に、添付の特許請求の範囲によって規定される本開示の趣旨及び範囲から逸脱することなく、本明細書において様々な変更、置き換え、及び改変を行うことができることを、理解すべきである。本出願は、半導体処理という文脈で説明されているが、本出願の実施形態は、一般に、マイクロメートル以下のスケールで小型構造を製造するための任意の製造ライン用の全ての微細加工技術に適用することである。そのような微細加工技術の例としては、集積回路製造、微小電気機械システム（ＭＥＭＳ）、マイクロ流体工学／ラボオンチップ、光学ＭＥＭＳ、ＲＦ ＭＥＭＳ、ＰｏｗｅｒＭＥＭＳ、ＢｉｏＭＥＭＳ、ナノ電気機械システム等が挙げられる。
【0010】
半導体処理ツールの不具合によって生じるウェーハ廃棄に起因する半導体材料の材料コストの増加は、半導体処理に関連した一般的な問題である。半導体ツール処理不具合は、不適切に処理されたウェーハをもたらすことがあり、そのようなウェーハは廃棄しなければならないことがあり、生産コストが増大する。
【0011】
本出願の発明者は、ウェーハの廃棄を防ぐ１つの方法は、人工知能アルゴリズムを使用してウェーハ処理不具合を予測し、エラーが発生する前にウェーハ処理ツールがウェーハを稼働させるのを停止／修正することであることを、特定した。一般に、微細加工中、半導体処理ツールは、温度、圧力、様々な電流及び電圧、特定の材料の比率などの、ツールの性能に関係した大量の複雑なデータを継続的に生成する。ツールの性能データ及び測定された現場ツールデータなどのマシンデータは、処理中に継続的に収集される。マシンデータ変数の僅かな変化ですら、ツールの不具合をもたらす可能性がある。処理ツールの性能及び微細加工に必要とされる精度に関係した大量のデータに起因して、不具合につながる可能性のあるマシンデータ変数間の相関関係が存在する。しかしながら、マシンデータ変数間の相関関係は、近い将来に発生する不具合を予測できるように数学的にモデル化することができる明確な関係にはならないことがある。
【0012】
本明細書で説明する実施形態は、人工知能（ＡＩ）ベースのアルゴリズムを使用して微細加工ツールの不具合を予測するための方法及びシステムに関する。ＡＩベースのアルゴリズムは、マシンデータ変数と近い将来に発生する不具合との間の相関関係を理解するようにトレーニングされる。そのようなトレーニングされたＡＩベースのアルゴリズムに基づくと、ツールがウェーハを不適切に処理する前に、ツールの不具合を予測し補正することができる。
【0013】
図１は、本出願の実施形態による微細加工不具合予測システム１００を示すブロック図を示す。図１に示すように、半導体予測システム１００は、機械学習（ＭＬ）システム１３０などのＡＩベースのツールに結合された半導体処理ツール１２０を含むことがあり、機械学習（ＭＬ）システム１３０は、半導体処理ツールコントローラ１１０に更に結合されることがある。
【0014】
半導体処理ツール１２０は、アニーリングツール、堆積ツール、コーティング／現像ツール、エッチングツール、表面処理ツール、リソグラフィツール、ガスクラスターイオンビームツールを含むイオン注入ツール、ウェーハトラックシステム、様々なチャンバ、ロボットウェーハハンドラ、試験機器特に現場試験ツール、又は当技術分野で知られている任意の他の半導体処理ツールなどの、微細加工処理によって使用される任意のツールを含むことがある。更に、本明細書で使用される半導体処理不具合とは、半導体処理ツールの正常動作が一時的に停止するか、且つ／又はウェーハを不適切に処理する状態として定義される。
【0015】
様々な実施形態では、半導体処理ツールコントローラ１１０は、マイクロコントローラ、コンピュータ、マイクロプロセッサ、又は他の処理回路を含むことがある。
【0016】
様々な実施形態では、機械学習（ＭＬ）システム１３０は、深層学習アルゴリズムを含む任意の機械学習システムを含むことがある。一例では、機械学習システムは、ニューラルネットワークベースの深層学習アルゴリズムを含むことがある。
【0017】
様々な実施形態では、ＭＬシステム１３０は、異なる複数のソフトウェアモジュールも含むことがあるソフトウェアで実装された、少なくとも１つのニューラルネットワークを含むことがある。１つ又は複数の実施形態では、機械学習（ＭＬ）システム１３０は、共にニューラルネットワーク１４０に結合されたデータプロセッサ１３５と不具合検出器１５０などの、ソフトウェアモジュールを更に含むことがある。様々な実施形態では、データプロセッサ１３５、ニューラルネットワーク１４０、及び不具合検出器１５０は、図２で更に説明するように実装されることがある。
【0018】
様々な実施形態では、半導体処理ツール１２０は、センサ１２２及び状態検出器１２４に更に結合されることがある。センサ１２２と状態検出器１２４は両方とも、半導体処理ツール１２０に含まれているか、又は半導体処理ツール１２０に結合されていることがある。
【0019】
１つ又は複数の実施形態では、センサ１２２は、現場ツールデータを測定しデータプロセッサ１３５に出力するように構成された複数のセンサを含むことがある。センサ１２２の例としては、温度センサ、圧力センサ、流量計分光測定ツール、電流／電圧センサ等を挙げることができる。これについては、以下でより詳細に説明する。
【0020】
１つ又は複数の実施形態では、状態検出器１２２は、半導体ツール１２０の状態を確認し、対応する動作コードをデータプロセッサ１３５に出力するように構成された機器であり得る。これについても、以下でより詳細に説明する。
【0021】
半導体処理コントローラ１１０に結合される前で且つツールの不具合を予測するのに使用される前に、ニューラルネットワーク１４０はトレーニングされることがある。１つ又は複数の実施形態では、トレーニング中、ニューラルネットワーク１４０は、半導体処理ツール１２０がウェーハを処理している間にツールの不具合をどう予測するかを自己学習する。
【0022】
図１に示すように、マシンデータ及び動作コードは、データプロセッサ１３５によって収集され蓄積されることがある。様々な実施形態では、マシンデータは、半導体処理ツール１２０によって生成される処理データを含むことがある。処理データは、ウェーハ処理の開始時点から現在までの、半導体処理ツールのユーザが制御することができる処理パラメータの値を指すことがある。処理データの例としては、全ての処理レシピを含むが、温度、圧力、処理ツールに入ってゆく様々なガスの流束等に限定はされない。
【0023】
実施形態によっては、マシンデータは、センサ１２２によって出力された、測定された現場ツールデータを更に含むことがある。測定された現場ツールデータとは、処理データの結果として生じる、センサ１２２によって測定されたデータを指すことがある。１つ又は複数の実施形態では、測定された現場ツールデータとは、半導体処理ツール１２０においてウェーハ処理が開始された時点から現在までの、任意の測定された処理パラメータを指すことがある。したがって、測定された現場ツールデータには、ウェーハの温度、ウェーハの位置、固定子電圧、処理ツール１２０の回路内の異なるノードでの電流／電圧、及び継続的に又は周期的に観測された他の特性などの、処理データ及び／又はウェーハ測定データの測定値及び観測値、が含まれることがある。
【0024】
実施形態によっては、マシンデータには、ツールの外部のセンサから得られた現場外データが更に含まれることがある。例えば、現場外データには、バルク送達システム、真空システム、緩和システムからの測定値、及び／又は製造工程の一環としてツール間で移送されている基板の処理時間窓のコンディション、が含まれることがある。動作コードは、状態検出器１２４によって生成されることがある。動作コードは、半導体処理ツール１２０が時間又はコンディションに関して不具合状態に達しているかどうかを示しているか、並びに／又は、半導体処理ツール１２０の状態を示すコード及び／若しくはメッセージを含んでいることがある。例えば、動作コードは、半導体処理ツールが不具合状態に達したときにエラーコード／メッセージを含むか、或いは、ツールが正常に動作しているか、又はツールが、ツールの状態若しくはコンディションを示す閾値を超えたか、を示すコード／メッセージを含むことがある。１つ又は複数の実施形態では、処理データ、測定された現場データ、測定された現場外データ、及び動作コードは、同じ時間スケールで生成されることがある。
【0025】
データプロセッサ１３５がデータを収集し蓄積する方法は、ニューラルネットワーク１４０が学習段階にあるか又は使用段階にあるかに依存する。学習段階の間は、ニューラルネットワーク１４０はトレーニングされ、使用段階では、ニューラルネットワーク１４０は、半導体処理ツール１２０の状態、例えば差し迫った不具合の状態、を予測する。
【0026】
様々な実施形態では、ニューラルネットワーク１４０は、教師あり学習を使用して、不具合が実際に起こる前に半導体処理ツール１２０の状態を予測するように、トレーニングされることがある。教師あり学習中に、ニューラルネットワーク１４０は、トレーニング例のデータセットを含むトレーニングデータから関数を推論又は構築する。各例は、通常、入力オブジェクト及び所望の出力値を含む。教師あり学習アルゴリズムは、トレーニングデータを分析し、推論された関数を生成し、この関数を使用して、新しい例をマッピングすることができる。最適なシナリオは、まだ見ぬ事例のクラスラベルを正確に決定するアルゴリズムをもたらす。これには、学習アルゴリズムを、トレーニングデータから新たな状況に一般化する必要がある。学習段階は、トレーニング例の種類を決定すること、トレーニング例のデータを収集すること、学習された関数の構造を決定すること、学習された関数の入力をどのように表現するかを決定すること、トレーニングアルゴリズムを実行して最初の学習された関数を開発すること、並びに、学習された関数の精度を評価すること及び学習された関数を再トレーニング又は最適化して、予測の精度を向上させること、を含む。これらのステップのそれぞれについては、以下でより詳細に説明する。
【0027】
教師あり学習では、ニューラルネットワーク１４０は、期待される出力にマッピングされた（期待された出力でラベル付与された）入力を受け取ることにより、出力を予測する方法を学習することがある。次いで、ニューラルネットワーク１４０によって予測された出力と、マッピングされた入力との間の差異に基づいて、ニューラルネットワーク１４０は自己更新を行うことがある。したがって、１つ又は複数の実施形態では、トレーニング中、データプロセッサ１３５は、継続的にマシンデータを取得して蓄積し、マシンデータを将来の動作コード（即ち、予期される出力）とマッピングするように構成されることがある。言い換えると、トレーニング中、半導体処理ツールが動作するにつれて、データプロセッサ１３５は継続的にマシンデータ及び動作コードを取得し蓄積する。次いで、データプロセッサ１３５は、マシンデータ及び動作コードを取得し蓄積するとき、マシンデータをフォーマットし、その際、フォーマットされた各マシンデータは、それぞれの複数の期間に渡って収集されたマシンデータを含み、また、データプロセッサ１３５は、フォーマットされた各マシンデータの次に続く期間内に存在する動作コードを決定し、決定された動作コードの各々を、それぞれのフォーマットされた各マシンデータとマッピングし、このマッピングされたマシンデータをトレーニング入力として使用する、ことがある。この工程については、以下でより詳細に説明する。
【0028】
有利には、機械学習（ＭＬ）システム１３０は、ニューラルネットワーク１４０をトレーニングするための「自己ラベル付け」されたマッピングされたマシンデータを生成する。このことの利点の１つは、通常、トレーニングデータのラベル付けは、時間とコストがかかることがある人手によって行われるか、又は、有限量のデータを有するデータベースを使用することにより行われる、ということである。トレーニングデータが自己ラベル付けされると、半導体処理ツール１２０がウェーハを処理している間に、ニューラルネットワーク１４０を継続的にトレーニングすることが可能になる。
【0029】
有利には、データを自己ラベル付けすることにより、本発明の実施形態は、ニューラルネットワークをトレーニングするのに従来必要とされた大規模なデータセットの必要性を克服する。例えば、様々な実施形態では、処理ツール１２０の通常動作中に、トレーニングデータ（例えば、マシンデータ及び動作コード）が継続的に収集され、このデータは、時間の経過とともに、ニューラルネットワークをトレーニングするための有効な開始点を提供するのに十分な大きさになり得る。
【0030】
戻って図１を参照すると、１つ又は複数の実施形態では、十分なトレーニングの後、半導体処理ツール１２０の不具合状態を予測するように構成された第１のニューラルネットワーク１４０が生成される。したがって、ＭＬシステム１３０は、半導体処理コントローラ１１０に更に結合されることがある。半導体処理コントローラ１１０は、半導体処理ツール１２０に結合されているか、又は半導体処理ツール１２０に含まれていることがある。
【0031】
様々な実施形態では、使用段階において、ニューラルネットワーク１４０は、データプロセッサ１３５によってフォーマットされたマッピングされていない複数のマシンデータを、継続的に供給されることがある。マッピングされていない各マシンデータ、即ち、十分なトレーニングの後で処理ツールによって出力されたマシンデータは、ある期間と対応することができ、各期間は、トレーニングで使用された期間と同じ長さである。ニューラルネットワーク１４０は、トレーニングに基づいて、不具合検出器１５０に供給される出力を生成する。不具合検出器１５０は、ニューラルネットワーク１４０の出力に基づいて、各マシンデータにすぐ隣接する期間内に不具合が発生するかどうかを判定する。次いで、不具合検出器１５０の出力は、半導体処理ツールコントローラ１１０に供給され、ツールの将来の状態をユーザに知らせることがある。不具合検出器１５０の出力が近い将来に起こる不具合を示している場合、半導体処理ツールコントローラ１１０は、制御信号を生成して、不具合の前にウェーハの稼働を止め、責任者に通知するか、又は近い将来に起こる不具合を回避するために事前にプログラムされた一連の動作を行うことがある。有利には、これにより、ウェーハの廃棄が発生する前にウェーハの廃棄が防止され、また、不具合が発生する前に、処理パラメータの調節などの補正措置をとることができる。
【0032】
様々な実施形態では、半導体処理ツールコントローラ１１０及び機械学習（ＭＬ）システム１３０は、単一のシステムに統合されることがあり、実施形態によっては、それらは、半導体処理ツール１２０と共に単一のシステムに統合されることがある。
【0033】
図２は、本出願の実施形態による、本明細書で説明する方法を実施するための例示的なＭＬシステム１３０のブロック図を示す。
【0034】
図示するように、機械学習（ＭＬ）システム１３０は、メモリ２１０、プロセッサ２２０、及びインタフェース２３０を含み、これらは、図２に示すように配置される（又はされない）ことがある。
【0035】
プロセッサ２２０は、ＭＬシステム１３０の演算及び計算を実施するように適合された任意のコンポーネント又はコンポーネントの集合であり得る。１つ又は複数の実施形態では、ＭＬシステムのスループットを高めるために、プロセッサ２２０は、複数の大規模グラフィカル処理ユニット（ＧＰＵ）として実装されることがある。例えば、ニューラルネットワークのそれぞれの個々の計算が、複数のＧＰＵによって独立して並行して行われることがあり、それにより処理時間全体が節約される。他の実施形態では、プロセッサ２２０は、ＧＰＵマルチクラスタを含むＡＩスーパーコンピュータとして実装されることがある。
【0036】
様々な実施形態では、プロセッサ２２０は、ＭＬ学習システム１３０の処理速度を高めるために、複数の柔軟なプログラム可能論理アレイ（ＦＰＧＡ）又は特定用途向け集積回路（ＡＳＩＣ）として実装されることもある。
【0037】
様々な実施形態では、プロセッサ２２０は、複数の半導体処理ツールに接続されることがあるＧＰＵマルチクラスタを備えた中央ＡＩスーパーコンピュータとして実装されることがある。言い換えると、プロセッサ２２０は、複数のＭＬシステム１３０をサポートするように実装された中央プロセッサであり得る。例えば、異なる半導体処理ツール上に実装された複数のＭＬシステム１３０によって収集されたマシンデータは、マシンデータを中央ＧＰＵマルチクラスタスーパーコンピュータに送ることができる。
【0038】
メモリ２１０は、プロセッサ２２０が実行するためのニューラルネットワーク、プログラミング、及び／又は命令を記憶するように適合された任意のコンポーネント又はコンポーネントの集合であり得る。１つ又は複数の実施形態では、メモリ２１０は、非一時的なコンピュータ可読媒体を含む。様々な実施形態では、コンピュータ可読媒体メモリは、読み出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、磁気ディスク記憶媒体、光学的記憶媒体、フラッシュメモリデバイス、ソリッドステート記憶媒体などを含む、機械が読み取ることができる情報を記憶するための非一時的な機構を含むことがある。
【0039】
様々な実施形態では、データプロセッサ１３５、ニューラルネットワーク１４０、及び不具合検出器１５０は、メモリ２１０内に記憶されたプログラムで実装されることがあり、このプログラムは次いで、プロセッサ２２０で実行される。
【0040】
有利には、１つ又は複数の実施形態では、ニューラルネットワーク１４０が半導体処理ツール１２０用にトレーニングされた後、ニューラルネットワーク１４０は、ＭＬシステム１３０のメモリ２１０に記憶されることがある。このことの利点の１つは、トレーニングされたニューラルネットワークを、別の処理ツールに結合されることがある別のＭＬシステム上に実装できることである。１つ又は複数の実施形態では、この別のＭＬシステムは、追加のトレーニング無しで、半導体処理ツール１２０のようなタイプのツールである別の処理ツールに結合することができる。１つ又は複数の実施形態では、トレーニングされたニューラルネットワークは、同じ製造設備又は異なる製造設備にある別の半導体処理ツール上に実装されることがある。
【0041】
他の実施形態では、この別の半導体処理ツールは、半導体処理ツール１２０と一部の機能を共有する異なるタイプの処理ツールであり得る。別の半導体処理ツールが異なるタイプのものである場合、ニューラルネットワークは、この別の処理ツールの動作中に、更にトレーニングされることがある。これにより、この別の半導体処理ツール用にトレーニングされた別のニューラルネットワークがもたらされることがある。
【0042】
インタフェース２３０は、ＭＬアルゴリズム１３０が、半導体処理ツールコントローラ１２０などの他のデバイス／コンポーネントと通信できるようにする、任意のコンポーネント又はコンポーネントの集合であり得る。例えば、１つ又は複数の実施形態では、インタフェース２３０は、ＭＬシステム１３０が、半導体処理ツールコントローラ１１０と通信して、半導体処理ツール１２０の不具合が起きる前にウェーハの稼働を停止するように半導体処理ツールコントローラ１１０に通知する、ように適合されることがある。他の実施形態では、インタフェース２３０は、ディスプレイと通信してユーザにツールの予測された状態を知らせるように、更に適合されることがある。ＭＬシステム１３０は、長期間記憶装置（例えば、不揮発性メモリ等）などの図２には示されていない追加のコンポーネントを含むことがある。
【0043】
図３は、本出願の実施形態による機械学習システムに実装される例示的なニューラルネットワークを示す図である。
【0044】
図３は、機械学習（ＭＬ）システム１３０上に実装されることがあるフィードフォワード多層ニューラルネットワーク３００の簡略図を示す。ニューラルネットワーク３００は、入力ノード３２０を含む入力層３１０と、隠れノード３４０を含む少なくとも１つの隠れ層３３０と、出力ノード３６０を含む出力層３５０と、を備える。入力ノード３２０、隠れ層３３０、隠れノード３４０、及び出力ノード３６０の数に制限はない。したがって、任意の適切な数の入力ノード３１０、出力ノード３５０、及び隠れ層３３０を使用することができる。図３は単一のニューラルネットワークを示しているが、ＭＬシステム１３０は、複数のニューラルネットワークを含んでもよい。
【0045】
ニューラルネットワーク３００は、フィードフォワードニューラルネットワークとして動作し、これは、データが常に、ニューラルネットワーク３００を通じて一方向（例えば、順方向）に移動することを意味する。言い換えると、ニューラルネットワーク３００は、入力ノードにおいて入力（即ち、マシンデータ）を受け取り、出力ノードにおいて確率的に見た結果の予測（即ち、処理ツールの将来の状態）を出力することにより、動作する。１つ又は複数の実施形態では、ニューラルネットワーク３００は、半導体処理ツール１２０の全ての可能な動作コード毎に出力ノードを備えることがある。他の実施形態では、２つの出力ノードが存在し、一方のノードは不具合が生じる確率を出力し、他方の出力ノードは、不具合が生じない確率を出力することがある。入力ノード及び出力ノードの数は、本開示によって限定はされない。
【0046】
本明細書ではフィードフォワードニューラルネットワークについて説明しているが、ニューラルネットワーク３００は、任意の適切なタイプのニューラルネットワークであり得る。例えば、ニューラルネットワーク３００は、再帰型ニューラルネットワーク（ＲＮＮ）又は畳み込みニューラルネットワーク（ＣＮＮ）などの他のタイプのニューラルネットワークを含むことがある。使用されるニューラルネットワークのタイプは、本開示によって限定はされない。
【0047】
図３に示すように、入力ノード３２０及び後続の各層は、重み付けされた接続３１５を使用して接続されている。重み付けされた接続３１５の各々は、入力の効き目が出力とどれ位関係しているか、を決める固有の重みを含む。各重み付けされた接続３１５に対応する重み値は、ニューラルネットワーク３００の知識構造となる。ここで、学習及び／又はトレーニングとは、性能を改善する、ニューラルネットワーク３００の知識構造の任意の自律的な変化として定義される。
【0048】
各隠れノード３４０は、重みの組を入力に適用して学習済関数を生成する、非線形の数学的活性化関数を実装している。１つ又は複数の実施形態では、隠れノード３４０の各々は、同じ非線形活性化関数を適用することがある。他の実施形態では、隠れノード３４０は、異なる非線形活性化関数を適用することがある。例えば、非線形活性化関数は、シグモイド関数、ＲｅＬＵ関数、又は当技術分野で知られている任意の他の非線形活性化関数であり得る。
【0049】
上記で説明したように、ニューラルネットワーク３００は、ラベル付けされたトレーニングデータ（即ち、後続の動作コードとマッピングされたマシンデータ）を使用して、トレーニングされることがある。これは、教師あり学習として知られている。教師あり学習アルゴリズムでは、トレーニングデータをラベル付けする前に、トレーニングデータのフォーマットを決めることが必要である。様々な実施形態では、トレーニングデータのフォーマットは、学習された関数の構造に基づくことがある。言い換えると、トレーニングデータは、学習された関数と互換性がなければならない。学習された関数の例としては、サポートベクターベースの学習された関数及び決定木ベースの学習された関数が挙げられるが、これらに限定はされない。
【0050】
例えば、様々な実施形態では、学習された関数がサポートベクターベースの学習された関数である場合、マシンデータ（例えば、トレーニングデータ）は、特徴ベクトルとして知られるマシンデータを表すための数値的特徴のｎ次元のベクトルとして、フォーマットされることがある。１つ又は複数の実施形態では、マシンデータは、マシンデータの生の未加工の値を含む特徴ベクトルとして、又は、画像であって、特徴ベクトル値が画像のピクセル値を含んでいる画像として、フォーマットされることがある。
【0051】
次いで、様々な実施形態では、トレーニングデータ及び学習された関数のフォーマットを決定した後、重み付けされた接続３１５の各々にランダムな重みが割り当てられ、学習された関数が初期化されることがある。１つ又は複数の実施形態では、学習された関数を初期化した後、半導体処理ツール１２０の動作中、データプロセッサ１３５によってフォーマットされた、マッピングされた（「自己ラベル付けされた」）マシンデータを、ニューラルネットワークに供給して、学習された関数を更新するのに使用することがある。言い換えると、トレーニングデータとそれぞれのマッピングとの間の関係に基づいて、ニューラルネットワークは学習し、学習された関数を自己更新し、十分なトレーニング後にはマッピング無しの入力に基づいて結果を予測するためのモデルを生成する。
【0052】
半導体処理ツールは、継続的に、大量の複雑なデータを生成する。これにより、ツール処理性能変数間に認識できない関係が生じることがある。マシンデータ値の最も僅かな変化でさえ、処理不具合につながる可能性がある。したがって、１つ又は複数の実施形態では、逆伝搬法などのパターン関連付けを利用する学習／トレーニング技術のグループを使用して、ニューラルネットワーク３００をトレーニングすることがある。パターン関連付け学習の目標は、出力パターンを入力パターンとマッピングすることである。パターン関連付け学習技術は、マッピングされた入力から出力が生成されるのに応答して学習された関数を自己調整するための一組のルール及び命令をニューラルネットワーク３００に提供する。言い換えると、ニューラルネットワーク３００は、マッピングされた入力を受け取ったときに自律的に自己を更新して性能を改善する能力を有する。
【0053】
有利には、パターン関連付け学習により、ニューラルネットワーク３００が、マシンデータ値の複数の関係間のパターンを検出できるようになる。このことの利点の１つは、これにより、ニューラルネットワーク３００が、専門家が気付かない可能性があるマシンデータ入力値間のパターンを学習し認識できるようになることである。
【0054】
図４Ａ～図４Ｅは、本出願の実施形態によるニューラルネットワークへ入力するためのマシンデータを取得、蓄積、及びフォーマットする中間ステップを示す。図４Ａは、収集され蓄積されたマシンデータ及び動作コードを示す。図４Ｂは、トレーニング段階で使用するための第１のフォーマット済マシンデータを示す。図４Ｃは、トレーニング段階で使用するための第２のフォーマット済マシンデータを示す。図４Ｄは、使用段階で使用するための第１の更なるフォーマット済マシンデータを示す。図４Ｅは、使用段階で使用するための第２の更なるフォーマット済マシンデータを示す。図５は、本出願の実施形態による、半導体処理ツール不具合を予測するためにニューラルネットワークをトレーニングし使用するのに使用される例示的な処理フローを示すフローチャートである。
【0055】
図４Ａは、上述した半導体処理ツール１２０に似ていることがある半導体処理ツール４００の出力の一例を示す。図４Ａに示すように、１つ又は複数の実施形態では、半導体処理ツール４００の出力は、マシンデータ４０４及び動作コード４０２を含むことがある。上記で説明したように、マシンデータ４０４は、処理ツール１２０によって生成された処理データ及び／又はセンサ１２２によって測定された測定現場ツールデータを含むことがある。マシンデータ４０４は、ｄ０～ｄｎとして表される複数のマシンデータ値として定義されることがある。動作コード４０２は、半導体処理ツール１２０の状態（例えば、不具合状態にあるかどうか）を、ツールの状態を示す対応するコード／メッセージと共に含むことがある。例えば、対応するコード／メッセージは、基板の位置、圧力、ロボット速度、固定子電圧、温度等を示すことがある。図４Ａに示すように、半導体処理ツール４００の出力は、一定して時間間隔４０６で出力される。例えば、半導体処理ツール４００の出力は、連続的に出力されるか、又は周期的な間隔をあけて出力されることがある。
【0056】
様々な実施形態では、図４Ａ～図４Ｂに関して説明するように、マシンデータは、第１の半導体処理ツール１２０の動作中に複数の期間に渡って生成されることがあり（ブロック５０２）、ここで、複数のマシンデータの各々は、複数の期間のうちのそれぞれの期間に渡る、動作中の処理ツールの処理データを含む。
【0057】
次に、各マシンデータの直後の各期間における動作コードが、決定されることがある（ブロック５０４）。具体的には、複数の動作コードが決定され、複数の動作コードの各々は、複数のマシンデータの各々に対する複数の期間のうちの関連付けられた期間に続く。複数の動作コードの各々は、複数の動作コードのうちの隣接するものから、少なくとも１つの期間分だけ時間的に分離されている。例えば、図４Ｂを使用して以下で更に説明する、第１の期間４１２及び第２の期間４１４並びに動作コード４１０との関係の記載を参照されたい。
【0058】
図４Ｂは、機械学習（ＭＬ）システム１３０がトレーニング段階にあるときの、ニューラルネットワーク１４０への入力用にフォーマットされた第１のマシンデータ４０８の例を示す。図４Ｂに示すように、データプロセッサ１３５は、動作中に半導体処理ツール４００の出力を収集し蓄積する。１つ又は複数の実施形態では、半導体処理ツール４００の出力が収集され蓄積されるとき、データは、複数の期間に分割されることがある。図４Ｂに図示した例では、半導体処理ツール４００の出力は、第１の期間４１２及び第２の期間４１４に分割されることがある。様々な実施形態では、第２の期間４１４は、第１の期間４１２の終了直後に開始することがある。第１の期間４１２及び第２の期間４１４の長さは、数分（例えば、１０分）～数日（例えば、２日）の長さであり得る。第１の期間４１２及び第２の期間４１４の持続時間は、同じ持続時間であることも、又は異なる持続時間であることもある。
【0059】
様々な実施形態では、上述のように、マシンデータがフォーマットされる態様は、学習された関数の構造に基づく。１つ又は複数の実施形態では、以前に説明したように、学習された関数がサポートベクターベースの学習された関数である場合、マシンデータは、特徴ベクトルとしてフォーマットされることがある。例えば、１つ又は複数の実施形態では、マシンデータは、画像に変換されることがある。次いで、画像は、特徴ベクトルとしてフォーマットされることがある。
【0060】
戻って図４Ｂの例示的な例を参照すると、１つ又は複数の実施形態では、第１の期間４１２に渡って収集されたマシンデータは、第１のマシンデータ画像に変換されることがある。第１のマシンデータ画像のサイズは、ピクセル単位での長さ（ｌ）と幅（ｗ）との乗算によって定義されることがある。マシンデータ画像のピクセル単位での長さ（ｌ）は、第１の期間に含まれる時間間隔の数に等しいことがある。第１のマシンデータ画像のピクセル単位での幅（ｗ）は、マシンデータ値（ｄｎ）の数（ｎ）に等しいことがある。次いで、第１のマシンデータ画像は、第１の期間４１２内の各マシンデータ変数のピクセル値に該当する値が格納されたサイズｌ×ｗの特徴ベクトルとしてフォーマットされることがある。
【0061】
他の実施形態では、第１のマシンデータ４０８は、生のマシンデータ値が格納された特徴ベクトルとしてフォーマットされることがある。
【0062】
第１のマシンデータ４０８をフォーマットした後、第２の期間４１４に存在する動作コード４１０が決定されることがある（ブロック５０４）。第１のマシンデータ４０８を入力として使用し、それぞれの動作コード４１０を出力として使用することにより、動作コード４１０を、第１のマシンデータ４０８とマッピングすることができる。これにより、トレーニング用に、ニューラルネットワーク１４０へ入力される第１の「自己ラベル付けされた」マシンデータが得られる（ブロック５０６）。
【0063】
次いで、第１の動作コード４１０とマッピングされた第１のマシンデータ４０８をニューラルネットワーク１４０に入力した後、第１の期間４１２及び第２の期間４１４は、等しい時間量だけ時間ずらしされることがある。追加のマシンデータが、時間ずらしされた期間に対応するそれぞれの動作コードとマッピングされ、且つ、上述した工程を使用して、ニューラルネットワーク１４０をトレーニングするために使用されることがある。
【0064】
図４Ｃは、機械学習（ＭＬ）システム１３０がトレーニング段階にあるときの、ニューラルネットワーク１４０への入力用にフォーマットされた第２のマシンデータ４１６の例を示す。
【0065】
次に、図４Ｃに関してより詳細に説明するように、ニューラルネットワークは、出力としてそれぞれの動作コードとマッピングされたマシンデータを入力として使用してトレーニングして（ブロック５０６）、処理ツール用にトレーニングされたニューラルネットワークを生成することがあり、ここで、複数の入力の各々は、複数の期間に基づいて複数の出力とマッピングされている。
【0066】
図４Ｃを参照すると、第２のマシンデータ４１６は、データプロセッサ１３５によってフォーマットされ、それぞれの動作コード４１８とマッピングされる（例えば、ラベル付けされる）。第２のマシンデータ４１６は、第１の期間４１２及び第２の期間４１４を等しい時間量だけ時間ずらしすることにより、フォーマットされることがある。第１の期間４１２及び第２の期間４１４を時間ずらしした後、第２のマシンデータ４１６は、図４Ｂで説明したのと同じ工程を使用して、時間ずらしされた第１の期間４２０内に含まれるマシンデータを第２の特徴ベクトルに格納することにより、フォーマットされる。
【0067】
第２のマシンデータ４１６を生成した後、データプロセッサ１３５は、時間ずらしされた第２の期間４２２内に存在する動作コード４１８を決定することがある。次いで、第２のマシンデータ４１６を入力として使用し、それぞれの動作コード４１８を出力として使用することにより、動作コード４１８を、第２のマシンデータ４１６とマッピングし、ニューラルネットワーク１４０に供給することができる。この工程は、ニューラルネットワーク１４０が十分にトレーニングされるまで、所定の数のマシンデータを使用して、繰り返されることがある。これにより、半導体処理ツール１２０用の第１のトレーニング済ニューラルネットワークを形成することができる。
【0068】
様々な実施形態では、対応する動作コードにマッピングされた所定の数のマシンデータを用いて第１のニューラルネットワークを生成した後、第１のニューラルネットワークの性能を試験して、十分にトレーニングされているかどうかを確認することがある。１つ又は複数の実施形態では、第１のニューラルネットワークは、マッピングされていない一連のマシンデータを第１のニューラルネットワークに入力し、不具合検出器１５０の出力を既知の動作コードと比較することにより、試験されることがある。上記で説明したように、第１のニューラルネットワークは、各動作コードに対応する確率の組を出力することがある。次いで、第１のニューラルネットワークによって出力された確率に基づいて、不具合検出器１５０は、半導体処理ツール１２０の将来の動作コードを予測することがある。したがって、最も高い確率を有する出力が、第１のニューラルネットワークの予測とみなされる。１つ又は複数の実施形態では、第１のニューラルネットワークは、試験中に使用されるマッピングされていないマシンデータ毎のニューラルネットワークの出力が、最小閾値確率を伴って適切な出力を予測する場合には、半導体処理ツール１２０用に十分にトレーニングされていることになる。最小閾値確率は、ユーザによって設定されることがあり、例えば９０％～９８％の範囲内であり得る。
【0069】
試験中の出力が、要求される閾値確率を満たさない場合、第１のニューラルネットワークは、更なる所定の数のマッピングされたマシンデータに対して、図４Ａ～図４Ｃで説明した工程を使用して更にトレーニングされることがある。例えば、再トレーニング中、ニューラルネットワーク１４０並びに／又は第１の持続時間４１２及び第２の持続時間４１４などの持続時間が変更されることがある。実施形態によっては、所望の閾値予測可能性を有する満足のいくトレーニング済ニューラルネットワークが得られるまで、複数のニューラルネットワークを並行して（又は順に）生成して時間を節約することがある。
【0070】
様々な実施形態では、半導体処理ツール１２０用にトレーニングされた第１のニューラルネットワークは、ＭＬシステム１３０のメモリ２１０に保存されることがある。次いで、ＭＬシステム１３０は、別の半導体処理ツール上に実装されることがある。１つ又は複数の実施形態では、別の半導体処理ツールが半導体処理ツール１２０と同じタイプのものである場合、大幅な追加のトレーニングは必要ではないことがある。他の実施形態では、別の半導体処理ツールが異なるタイプの処理ツールである場合、ニューラルネットワークは、図４Ａ～図４Ｃで説明した工程を使用して、更にトレーニングされることがある。これにより、この別の半導体処理ツール用にトレーニングされた別のニューラルネットワークがもたらされることがある。
【0071】
図４Ｄを参照すると、半導体処理ツール１２０用の第１のニューラルネットワークを生成した後、第１のニューラルネットワークは、半導体処理ツールコントローラ１１０に結合されることがあり、且つ、ツールの不具合を示す出力を生成するために使用されることがある（ブロック５０８）。上記で説明したように、動作中、データプロセッサ１３５は、更なるマシンデータを継続的に収集して蓄積し、その更なるマシンデータをフォーマットすることがある。様々な実施形態では、更なるマシンデータは、マッピングされず、複数の更なる期間に渡って収集されたマシンデータに対応することがある。様々な実施形態では、更なる期間は、第１の期間と同じ持続時間を有することがある。
【0072】
戻って図４Ｄを参照すると、第１の更なる期間４２６に渡って蓄積されたマシンデータを含む第１の更なるマシンデータ４２４が、第１のニューラルネットワークに供給されることがある。トレーニングに基づく第１のニューラルネットワークは、ツールの将来の状態の確率を、不具合検出器１５０に出力することがある。不具合検出器１５０は、第１のニューラルネットワークの出力に基づいて、半導体処理ツール１２０が不具合状態に達しつつあるかどうかを、半導体処理ツールコントローラ１１０及びユーザに知らせることがある。不具合検出器１５０は、半導体処理ツール１２０が不具合状態に達しつつあると判断した場合、半導体処理ツールコントローラ１１０及びユーザに信号を送り、ウェーハの稼働を停止する。有利には、これにより、不具合を引き起こす処理パラメータをユーザが調節することが可能になり、ウェーハの廃棄が防止される。
【0073】
図４Ｅを参照すると、第１の更なる期間４２６がシフトされていることがあり、時間ずらしされた第１の更なる期間４３２に渡って蓄積されたマシンデータに対応する第２の更なるマシンデータ４３０が、フォーマットされ、半導体処理ツール不具合を予測するために使用されることがある。この工程は、処理が完了するまで繰り返されることがある。
【0074】
様々な実施形態では、機械学習（ＭＬ）システム１３０は、並行してトレーニングされた複数のニューラルネットワークを含むことがある。複数のニューラルネットワークが使用される場合、各ニューラルネットワークは、異なるサイズの期間に渡って生成されたマッピング済マシンデータを用いて、トレーニングされる。例えば、２つのニューラルネットワークが使用される場合、一方のニューラルネットワークは、他方のニューラルネットワークよりも短い期間に渡って生成されたマシンデータを用いてトレーニングされることがある。有利には、これにより、半導体処理ツール１２０のための最適なマシンデータ寸法を決定するために、複数のニューラルネットワークをトレーニングすることが可能になる。
【0075】
図６は、本出願の実施形態による追加の半導体処理ツールの不具合状態を予測するのに使用される追加の半導体処理ツール上にトレーニングされたニューラルネットワークを実装するために使用される、例示的な処理フローを示すフローチャートである。
【0076】
ブロック６０２に示すように、また図１を参照して説明したように、ニューラルネットワーク１４０は、半導体処理ツール１２０に結合されたＭＬシステム１３０のプロセッサ上で初期化される。
【0077】
次に、ブロック６０４に示し、図１を参照して説明したように、ニューラルネットワーク１４０を初期化した後、ニューラルネットワーク１４０は、第１の半導体処理１２０ツールが不具合状態に達するかどうかを予測するようにトレーニングされることがある。ニューラルネットワーク１４０は、図４Ａ～図４Ｃで説明でしたのと同じ方法でトレーニングされることがある。
【0078】
次に、ブロック６０６に示し、図１及び図２を参照して説明したように、ニューラルネットワーク１４０が十分にトレーニングされた後、ニューラルネットワーク１４０はＭＬシステム１３０のメモリ２１０に保存されることがある。
【0079】
次に、ブロック６０８に示すように、ニューラルネットワークがＭＬシステム１３０のメモリ２１０に保存された後、ＭＬシステム１３０は、別の半導体処理ツール上に実装されることがある。様々な実施形態では、別の半導体処理ツールは、半導体処理ツール１２０と同じタイプのツールであり得る。１つ又は複数の実施形態では、第１及び第２の半導体処理ツールは両方とも、同じ製造設備（ファブ）内に配置されることがある。他の実施形態では、第１及び第２の半導体処理ツールは、異なる地理的な位置を有する異なるファブに配置されることがある。有利には、それらの半導体処理ツールは同じタイプのものであるので、ニューラルネットワーク１４０を再度トレーニングする必要はない場合がある。有利には、トレーニングされたニューラルネットワークは、そのニューラルネットワークがトレーニングされた第１の場所とは異なる第２の場所に実装されることがあるが、処理パラメータ／レシピを含めてマシンデータを第２の場所に転送する必要はない。これにより、データのエクスポート及び秘匿性に関係する問題が回避される。
【0080】
様々な実施形態では、単一の人工（ＡＩ）アルゴリズムを使用して、半導体処理工場ラインの複数の半導体処理ツールにわたる動作不具合を予測することがある。
【0081】
図７は、本出願の実施形態による不具合予測システムを示すブロック図を示す。
【0082】
様々な実施形態を適用して、共通の機械学習システムを有する複数の処理ツールを含めることができる。
【0083】
図７を参照すると、第１の半導体処理ツール７０２、第２の半導体処理ツール７０４、第３の半導体処理ツール７０６、及び第４の半導体処理ツール７０８が、機械学習（ＭＬ）システム１３０に結合されることがある。第１の半導体処理ツール７０２、第２の半導体処理ツール７０４、第３の半導体処理ツール７０６、及び第４の半導体処理ツール７０８は、図１で説明した半導体処理ツール１２０に類似しており、それらのツールの説明は参照により組み込まれ、ここでは繰り返されない。
【0084】
図７は、４つの半導体処理ツールを示しているが、これは、ＭＬシステム１３０に結合され得る半導体処理ツールの数を示しているわけではない。
【0085】
１つ又は複数の実施形態では、ＭＬシステム１３０は、各半導体処理ツールからマシンデータ及び動作コードを収集し、工場ラインに亘る不具合をどのように予測するかを自己学習し、工場ラインに渡る動作不具合を予測するために使用されることがある。
【0086】
有利には、単一のＭＬシステム１３０を使用することにより、ＭＬシステム１３０が複数の半導体ツール間の相関関係を学習し評価することが可能になることがある。例えば、複数のチャンバ間でウェーハを移動させることができるロボットハンドラ、及び／又は複数のチャンバ機器は全て、ＭＬシステム１３０に結合されることがある。例えば、ＭＬシステムは、ウェーハが堆積チャンバを出た後でアニーリングチャンバによって引き起こされた不具合、又は、ウェーハを搬送する間にロボットハンドラによって引き起こされるが、ウェーハがアニーリングチャンバを通過した後などの後続の処理後に確認される不具合、又は、ウェーハがリソグラフィ工程の後で現像された後でしか気付かない、位置合わせツールによって引き起こされた不具合、を検出することができる場合がある。このことの利点の１つは、複数の半導体処理ツールの処理パラメータ間の相関関係を、個別に且つ全体的に、単一のＭＬシステム１３０によって評価することができ、単一のＭＬシステム１３０は、近い将来に起きる不具合を予測したときにウェーハの処理を停止し、ウェーハの廃棄を防ぐことができる、ということである。
【0087】
様々な実施形態では、半導体処理工場ラインは、区画化され、半導体処理ツールの不具合を予測するのに使用される複数のＡＩアルゴリズムに結合されることがある。
【0088】
図８は、本出願の実施形態による半導体処理不具合予測システムを示すブロック図を示す。
【0089】
図８を参照すると、第１の半導体処理ツール７０２及び第２の半導体処理ツール７０４は第１の機械学習（ＭＬ）システム８０２に結合されることがあり、第３の半導体処理ツール７０６は第２のＭＬシステム８０４に結合されることがあり、第４の半導体処理ツール７０８は第３のＭＬシステム８０６に結合されることがある。第１のＭＬシステム８０２、第２のＭＬシステム８０４、及び第３のＭＬシステムは、図１で説明したＭＬシステム１３０に類似しており、それらの説明は参照により組み込まれ、ここでは繰り返されない。
【0090】
これは、生産ラインを示すことがあり、この生産ラインでは、ウェーハは半導体処理ツール７０２、第２の半導体処理ツール７０４、第３の半導体処理ツール７０６、及び第４の半導体処理ツール７０８を順に通過する。したがって、これらの処理ツールは別々のモジュールにグループ化されており、各モジュールは、独自の機械学習システムを有する。したがって、複数の機械学習システムがセットアップされ、各モジュールにおいて近い将来に起こる不具合を防止するように設計されることがある。
【0091】
図示した例では４つの半導体処理ツールが示されているが、処理する半導体処理ツールの数及び１つのＭＬシステムに結合されるツールの数は、本開示によって限定はされない。
【0092】
他の実施形態では、上記で考察したように、ＭＬシステム１３０は、半導体処理ツール１２０とは異なるタイプのツールであり得る別の半導体処理ツール上に実装されることがある。この場合には、ニューラルネットワーク１４０を更にトレーニングして、その別の半導体処理ツール上で動作させることができる。
【0093】
本発明の例示的な実施形態をここで要約する。他の実施形態も、本明細書の全体及び本明細書で出願される特許請求の範囲から理解することができる。
【0094】
実施例１．方法であって、半導体基板を処置している間に第１の処理ツールから第１の処理ツールマシンデータを収集することであって、この第１の処理ツールマシンデータは、処置中の１つ又は複数の離散的な時間間隔に関連付けられた動作コードにマッピングされた処理データを含むことと、第１の処理ツールからの第１の処理ツールマシンデータを用いて第１のニューラルネットワークをトレーニングすることと、少なくとも１つの処理ツールからのマッピングされていないマシンデータを適用することに少なくとも部分的に基づいて、第１のニューラルネットワークから、第１の処理ツールの不具合を示す第１の出力を生成することと、を含む方法。
【0095】
実施例２．第１の出力に基づいて、少なくとも１つの処理ツールにおける半導体基板の処置を停止すること、を更に含む、実施例１に記載の方法。
【0096】
実施例３．他の半導体基板を処置している間に第２の処理ツールから第２の処理ツールマシンデータを収集することであって、第２の処理ツールマシンデータは、第１の処理ツールマシンデータと類似の態様で配列されており、第１のニューラルネットワークのトレーニングは、第１のニューラルネットワークを第２の処理ツールマシンデータを用いてトレーニングすることを含むこと、を更に含む、実施例１又は２の何れか一項に記載の方法。
【0097】
実施例４．処理データは、半導体基板の処置中の処理コンディションを示し、動作コードは、半導体基板の処置中の第１の処理ツールの１つ又は複数のコンディションを示す、実施例１～３の何れか一項に記載の方法。
【0098】
実施例５．処理データは、半導体基板の処置中の現場測定データを含む、実施例１～４の何れか一項に記載の方法。
【0099】
実施例６．動作コードは、警報／警告コンディション、ツール状態情報、又はツール使用情報を含む、実施例１～５の何れか一項に記載の方法。
【0100】
実施例７．第１の処理ツールから第１の処理ツールマシンデータを収集することが、第１の場所で実施され、第２の処理ツールから第２の処理ツールマシンデータを収集することが、第１の場所とは異なる第２の場所で実施される、実施例１～６の何れか一項に記載の方法。
【0101】
実施例８．少なくとも１つの処理ツールからのマッピングされていないマシンデータを適用することに少なくとも部分的に基づいて、第１のニューラルネットワークから第２の処理ツールの不具合を示す第２の出力を生成することを更に含む、実施例１～７の何れか一項に記載の方法。
【0102】
実施例９．他の半導体基板を処置している間に第２の処理ツールマシンデータを収集することであって、第２の処理ツールマシンデータは、第１の処理ツールマシンデータと類似の態様で配列されていることと、第２の処理ツールマシンデータを使用して第２のニューラルネットワークをトレーニングすることと、少なくとも１つの処理ツールからの後続のマシンデータを適用することに少なくとも部分的に基づいて、第２のニューラルネットワークから不具合を示す第２の出力を生成することと、を更に含む、実施例１～８の何れか一項に記載の方法。
【0103】
実施例１０．ツールシステムであって、プロセッサと、このプロセッサに結合され、プロセッサで実行されることになるプログラムを含む、非一時的メモリと、を含み、このプログラムは、半導体基板を処置している間に第１の処理ツールから第１の処理ツールマシンデータを収集することであって、この第１の処理ツールマシンデータは、処置中の１つ又は複数の離散的な時間間隔に関連付けられた動作コードにマッピングされた処理データを含むことと、第１の処理ツールマシンデータを用いて第１のニューラルネットワークをトレーニングすることと、少なくとも１つの処理ツールからのマッピングされていないマシンデータを適用することに少なくとも部分的に基づいて、第１のニューラルネットワークから、不具合を示す第１の出力を生成することと、を行うための命令を含む、ツールシステム。
【0104】
実施例１１．プログラムは、第１の出力に基づいて、その少なくとも１つの処理ツールにおける半導体基板の処置を停止させる命令を更に含む、実施例１０に記載のツールシステム。
【0105】
実施例１２．第１の処理ツールを更に含む、実施例１０又は１１の何れか一項に記載のツールシステム。
【0106】
実施例１３．プログラムは、第１のニューラルネットワークを非一時的メモリに記憶する命令を更に含む、実施例１０～１２の何れか一項に記載のツールシステム。
【0107】
実施例１４．プログラムは、第１の処理ツールマシンデータの処理データを、第１のニューラルネットワークをトレーニングするための複数の画像に変換する命令を更に含む、実施例１０～１３の何れか一項に記載のツールシステム。
【0108】
実施例１５．処理データは、半導体基板の処置中の処理コンディションを示し、動作コードは、半導体基板の処置中の第１の処理ツールの１つ又は複数のコンディションを示す、実施例１０～１４の何れか一項に記載のツールシステム。
【0109】
実施例１６．動作コードは、警報／警告コンディション、ツール状態情報、又はツール使用情報を含む、実施例１０～１５の何れか一項に記載のツールシステム。
【0110】
実施例１７．方法であって、ウェーハを処理するための第１の半導体処理ツールに結合された第１の機械学習システムのプロセッサ上でニューラルネットワークを初期化することと、第１の半導体処理ツールの不具合を予測するようにニューラルネットワークをトレーニングすることと、ニューラルネットワークをトレーニングした後で、そのニューラルネットワークを第１の機械学習システムのメモリに保存することと、第２の半導体処理ツール上に第１の機械学習システムを実装することと、を含む方法。
【0111】
実施例１８．第１の半導体処理ツールと第２の半導体処理ツールは、同じタイプのツールである、実施例１７に記載の方法。
【0112】
実施例１９．第１の半導体処理ツールと第２の半導体処理ツールは、異なるタイプのツールである、実施例１７又は１８の何れか一項に記載の方法。
【0113】
実施例２０．第１の機械学習システムを第２の半導体処理ツール上に実装することは、ニューラルネットワークをトレーニングして第２の半導体処理ツールの不具合を予測することを更に含む、実施例１７～１９の何れか一項に記載の方法。
【0114】
実施例２１．第１の半導体処理ツールと第２の半導体処理ツールは、異なる製造設備に配置されている、実施例１７～２０の何れか一項に記載の方法。
【0115】
実施例２２．第１の半導体処理ツールと第２の半導体処理ツールは、同じ製造設備に配置されている、実施例１７～２１の何れか一項に記載の方法。
【0116】
本発明は、例示的な実施形態を参照して説明されているが、本明細書は、限定的な意味で解釈されることを意図するものではない。当業者であれば、本明細書を参照することにより、それらの例示的な実施形態の様々な修正形態及び組み合わせ並びに本発明の別の実施形態が明らかになるであろう。したがって、添付の特許請求の範囲は、そのようなあらゆる修正形態又は実施形態を包含することが意図されている。
【図1】
【図2】
【図3】
【図4A】
【図4B】
【図4C】
【図4D】
【図4E】
【図5】
【図6】
【図7】
【図8】
【国際調査報告】