特表 2024-541316 コード化基板材料識別子通信ツール

(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】2024-11-08

(54)【発明の名称】コード化基板材料識別子通信ツール

(51)【国際特許分類】

   H01L 21/02 20060101AFI20241031BHJP

【ＦＩ】

H01L21/02 Z

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2024527333

(86)(22)【出願日】2022-10-14

(85)【翻訳文提出日】2024-06-28

(86)【国際出願番号】 US2022046746

(87)【国際公開番号】W WO2023086187

(87)【国際公開日】2023-05-19

(31)【優先権主張番号】17/524,677

(32)【優先日】2021-11-11

(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】アダーホールド， ウルフギャング

(72)【発明者】

【氏名】アクセルロッド， ボリス

(72)【発明者】

【氏名】シャポシニコフ， マキシム

(72)【発明者】

【氏名】ラマチャンドラン， ダヤル

(72)【発明者】

【氏名】マラス サンカラトディ， ビンドゥサガール

(57)【要約】

本明細書に開示される実施形態は、ツール内で基板を処理する方法を含む。一実施形態において、ツールで基板を処理する方法は、機械学習（ＭＬ）及び／又は人工知能（ＡＩ）モジュールを用いて補強レシピを受け取ることを含む。一実施形態において、補強レシピが、ツール内で基板を処理するためのレシピ、及び１つ以上の基板特性に対応する行列識別子を含む。一実施形態において、本方法が、ＭＬ及び／又はＡＩモジュールを使用して、データベースからデータセットを取得することであって、データセットが行列識別子と関連付けられている、データセットを取得することと、ＭＬ及び／又はＡＩモジュールを使用して、補強レシピを修正して修正されたレシピを形成することであって、当該修正がデータセットに依存する、修正されたレシピを形成することと、をさらに含む。
【選択図】図３

【特許請求の範囲】

【請求項1】

ツール内で基板を処理する方法であって、
機械学習（ＭＬ）及び／又は人工知能（ＡＩ）モジュールを用いて補強レシピを受け取ることであって、前記補強レシピが、
前記ツール内で前記基板を処理するためのレシピ、及び
１つ以上の基板特性に対応する行列識別子
を含む、補強レシピを受け取ることと、
前記ＭＬ及び／又はＡＩモジュールを使用して、データベースからデータセットを取得することであって、前記データセットが前記行列識別子と関連付けられている、データセットを取得することと、
前記ＭＬ及び／又はＡＩモジュールを使用して、前記補強レシピを修正して修正されたレシピを形成することであって、前記修正が前記データセットに依存する、修正されたレシピを形成することと、
を含む、方法。

【請求項2】

前記行列識別子が、１つの行及び複数の列を含む行列を含み、各列が異なるコンテキストパラメータを表す、請求項１に記載の方法。

【請求項3】

前記複数の列が少なくとも１０個の列を含む、請求項２に記載の方法。

【請求項4】

前記複数の列のうちの複数の列に標識が入力される、請求項２に記載の方法。

【請求項5】

前記標識が、１と１０００との間の数字である、請求項４に記載の方法。

【請求項6】

前記行列識別子が、材料の種類、抵抗率、基板の厚さ、基板表面の反射率、チップレイアウト、チップサイズ、チップ均一性、前記基板が前記レシピで処理された回数、及び基板のロット内の位置、のうちの１つ以上についてのコンテキストパラメータを提供する、請求項２に記載の方法。

【請求項7】

前記行列識別子がホストコンピュータによって生成され、前記行列識別子を生成するために使用される基本的基板データには、前記ＭＬ及び／又はＡＩモジュールがアクセス可能ではない、請求項１に記載の方法。

【請求項8】

前記データセットが、前記行列識別子以外に前記１つ以上の基板特性の表示を有さない、請求項１に記載の方法。

【請求項9】

前記データセットが、同じ行列識別子を有する１つ以上の基板を処理する間の前記ツール内のセンサからのデータを含む、請求項１に記載の方法。

【請求項10】

前記センサが、閉ループセンサ、及びウィットネスセンサを含む、請求項９に記載の方法。

【請求項11】

前記データセットが、同じ行列識別子を有する１つ以上の基板の計測からのデータを含む、請求項１に記載の方法。

【請求項12】

基本的基板特性を知らずに基板を処理するために、機械学習（ＭＬ）及び／又は人工知能（ＡＩ）モジュールによって使用されるデータベースを構築する方法であって、
行列識別子を第１の基板と関連付けることであって、前記行列識別子が、前記第１の基板の１つ以上の基板特性に対応する、行列識別子を第１の基板と関連付けることと、
ツール内で前記第１の基板を処理することと、
前記第１の基板の処理中の前記ツールからのセンサデータを前記データベースに格納することであって、前記センサデータが前記行列識別子と関連付けられる、センサデータを前記データベースに格納することと、
を含む、方法。

【請求項13】

複数の基板のために前記工程を繰り返すことをさらに含む、請求項１２に記載の方法。

【請求項14】

前記センサデータが、制御ループセンサデータ、及びウィットネスセンサデータを含む、請求項１２に記載の方法。

【請求項15】

前記センサデータが、処理された前記第１の基板の計測データをさらに含む、請求項１２に記載の方法。

【請求項16】

前記行列識別子が、１つの行及び複数の列を含む行列を含み、各列が異なるコンテキストパラメータを表す、請求項１２に記載の方法。

【請求項17】

前記複数の列が少なくとも１０個の列を含む、請求項１６に記載の方法。

【請求項18】

前記複数の列のうちの複数の列に標識が入力される、請求項１６に記載の方法。

【請求項19】

半導体処理ツールであって、
ホストコンピュータと、
前記ホストコンピュータに通信可能に接続された人工知能（ＡＩ）及び／又は機械学習（ＭＬ）モジュールと、
前記ＡＩ及び／又はＭＬモジュールに通信可能に接続されたデータベースと、
処理チャンバであって、前記ホストコンピュータによって選択されかつ前記データベース内のデータセットを考慮して前記ＡＩ及び／又はＭＬモジュールによって修正されたレシピに従って動作する処理チャンバと、
を備えた、半導体処理ツール。

【請求項20】

前記ホストコンピュータが、前記レシピに行列識別子を割り当て、前記ＡＩ及び／又はＭＬモジュールによって使用される前記データセットが、前記行列識別子と関連付けられている、請求項１９に記載の半導体処理ツール。

【発明の詳細な説明】

【関連出願の相互参照】

【0001】

本願は、２０２１年１１月１１日に出願された米国特許出願第１７／５２４，６７７号の優先権を主張し、その内容全体が、参照により本明細書で援用される。

【技術分野】

【0002】

実施形態が、半導体製造分野に関し、特に、専有情報の代わりに行列を用いて基板を分類するために使用されるコード化基板材料識別子システムに関する。

【背景技術】

【0003】

半導体処理では、均一性及びプロセス制御を向上させて基板（例えば、半導体ウエハ）を処理するために、機械学習（ＭＬ：ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）及び人工知能（ＡＩ：ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）が益々使用されている。ＭＬ及びＡＩモジュールの性能を向上させるために、基板からのコンテキスト情報がＭＬ及びＡＩモジュールに提供される。例えば、コンテキスト情報は、基板特性（例えば、厚さ、反射率、抵抗率など）又はプロセス履歴を含みうる。しかしながら、ＭＬ及び／又はＡＩモジュールにコンテキスト情報を提供することは、いつでも可能というわけではない。例えば、知的所有権の制限により、特定可能なコンテキスト情報をＭＬ及び／又はＡＩモジュールに提供しないことが求められうる。これに対応して、既存情報の流通制限により、ＭＬ及び／又はＡＩモジュールの使用は準最適なものとなる。

【発明の概要】

【0004】

本明細書に開示される実施形態は、ツール内で基板を処理する方法を含む。一実施形態において、ツール内で基板を処理する方法が、機械学習（ＭＬ）及び／又は人工知能（ＡＩ）モジュールを用いて、補強レシピを受け取ることを含む。一実施形態において、補強レシピが、ツール内で基板を処理するためのレシピ、及び１つ以上の基板特性に対応する行列識別子を含む。一実施形態において、本方法が、ＭＬ及び／又はＡＩモジュールを使用して、データベースからデータセットを取得することであって、データセットが行列識別子と関連付けられている、データセットを取得することと、ＭＬ及び／又はＡＩモジュールを使用して、補強レシピを修正して修正されたレシピを形成することであって、当該修正がデータセットに依存する、修正されたレシピを形成することと、をさらに含む。

【0005】

追加の実施形態が、基本的基板特性を知らずに基板を処理するために、機械学習（ＭＬ）及び／又は人工知能（ＡＩ）モジュールによって使用されるデータベースを構築する方法を含む。一実施形態において、本方法が、行列識別子を第１の基板と関連付けることであって、行列識別子が第１の基板の１つ以上の基板特性に対応する、行列識別子を第１の基板と関連付けることと、ツール内で第１の基板を処理することと、第１の基板の処理中のツールからのセンサデータをデータベースに格納することであって、センサデータが行列識別子と関連付けられる、センサデータをデータベースに格納することと、を含む。

【0006】

実施形態は、半導体処理ツールも含みうる。一実施形態において、ツールが、ホストコンピュータと、ホストコンピュータに通信可能に接続された人工知能（ＡＩ）モジュール及び／又は機械学習（ＭＬ）モジュールと、を備える。一実施形態において、ツールが、ＡＩ及び／又はＭＬモジュールに通信可能に接続されたデータベースと、処理チャンバと、をさらに含む。一実施形態において、処理チャンバが、ホストコンピュータによって選択されかつデータベース内のデータセットを考慮してＡＩ及び／又はＭＬモジュールによって修正されたレシピに従って動作する。

【図面の簡単な説明】

【0007】

【図1】一実施形態に係る、処理ツール内で実行される処理レシピを制御するために機械学習（ＭＬ）及び／又は人工知能（ＡＩ）モジュールと接続するホストコンピュータを含む処理ツールの概略図である。

【図2】一実施形態に係る、制御ループセンサ及びウィットネスセンサを含む処理ツールの断面図である。

【図3】一実施形態に係る、半導体処理ツールのブロック図である。

【図4】一実施形態に係る、プロセスデータを分類する行列識別子を含むデータベースを構築するプロセスのフロー図である。

【図5】一実施形態に係る、適切な参照データを選択するために行列識別子を利用するＭＬ／ＡＩモジュールを用いて、基板を処理するプロセスのフロー図である。

【図6】一実施形態に係る、処理ツールと併用されうる例示的なコンピュータシステムのブロック図を示す。

【発明を実施するための形態】

【0008】

本明細書に記載されるシステムは、専有情報の代わりに行列を用いて基板を分類するために使用されるコード化基板材料識別子システム内でラジカルを測定するための方法及び装置を含む。以下の明細書の記載では、実施形態の網羅的な理解を提供するために数多くの具体的な詳細事項が記載される。当業者には、これらの具体的な詳細事項がなくとも実施形態が実施されうることが明らかであろう。他の例では、実施形態が不必要に不明瞭とならないように、周知の観点については詳細に説明していない。更に、添付の図面に示す様々な実施形態は例示的な表現であり、必ずしも縮尺どおりには描かれていないと理解されたい。

【0009】

上述したように、機械学習（ＭＬ）及び／又は人工知能（ＡＩ）モジュールは、半導体処理ツール内で処理中の基板のコンテキスト情報が提供されると、有効性がより改善されて機能する。しかしながら、このようなコンテキスト情報は、知的所有権の制限により、ＭＬ及び／又はＡＩモジュールと共有しえない場合がある。例えば、製造施設が第１の当事者である可能性があり、処理中の基板が、第２の当時者により所有されている可能性があり、ＭＬ及び／又はＡＩモジュールが、第３の当事者のアプリケーションである可能性がある。知的所有権の制限により、基板パラメータ情報は第１の当事者と第２の当事者との間で保持されることが求められる場合がある。

【0010】

これに対応して、本明細書で開示される実施形態は、基本的基板特性の代わりに行列識別子と関連付けられた基板処理データを含むデータベースを構築することを含む。このようなデータベースは、行列生成器を使用して、基板のレシピがＭＬ／ＡＩモジュールに送られる前に当該レシピに行列識別子を割り当てることによって、入力されうる。基板の処理からの基板処理データが、処理データを分類するための行列識別子を使用して、データベースに格納されうる。

【0011】

データベースに入力された後に、ＭＬ／ＡＩモジュールは、データベースからのデータを使用して、プロセスの均一性及び公差をより厳密に制御するためにレシピの処理パラメータを改良することができる。例えば、ＭＬ／ＡＩモジュールは、ホストコンピュータから補強されたプロセスレシピを受け取ることができる。補強されたプロセスレシピは、プロセスレシピ工程と、処理される基板と関連付けられた行列識別子と、を含む。その後、ＭＬ／ＡＩモジュールは、行列識別子に対応するデータセットをデータベースで照会することができる。ＭＬ／ＡＩモジュールはこの情報を、処理の均一性及び／又は公差制御を改善するためプロセスレシピ工程を修正するために使用することができる。このように、ＭＬ／ＡＩモジュールは過去のデータを利用することが可能であり、その際に、秘密の知的財産情報を含みうる基本的基板特性を知る必要はない。

【0012】

ここで図１を参照すると、一実施形態に係る半導体処理ツール１００のブロック図が示されている。一実施形態において、処理ツール１００がホストコンピュータ１４０を含みうる。一実施形態において、ホストコンピュータ１４０が、半導体施設内の任意のコンピュータ又はサーバプラットフォームでありうる。幾つか実施形態において、ホストコンピュータ１４０が、単一のツール１５０の制御専用である。他の実施形態では、ホストコンピュータ１４０が、複数のツール１５０に制御を提供することができる。

【0013】

一実施形態において、ホストコンピュータ１４０が行列生成器１４２を含みうる。行列生成器１４２は、個々の基板を行列識別子と関連付ける役割を担う。行列識別子は、１つ以上の基本的基板特性を数値で分類することを可能にする行列である。適切な割り当てを行うために、行列生成器１４２は、基本的基板特性へのアクセス権を有しうる。幾つか実施形態において、行列識別子が、１つの行及び複数の列を持つ行列を含む。各列が、異なる基板特性を指しうる。各列の値は、任意の数字とすることができる。例えば、各列の値は０と１０００との間にありうるが、幾つか実施形態ではより大きな値も使用することができる。特定の実施形態において１０個の列が設けられるが、様々な実施形態において任意の数の列を使用できると理解されたい。

【0014】

一実施形態において、行列識別子で表される基板特性は、分かっている場合には基板を処理するために有用でありうる任意の基板特性とすることができる。例えば、基板特性は、材料の種類（例えば、Ｓｉ、ＳｉＯ_２、ＳｉＣ、ポリＳｉなど）、抵抗率、基板の厚さ、基板表面の反射率、チップレイアウト、チップサイズ、チップ均一性、基板がレシピで処理された回数、及び基板のロット内の位置、のうちの１つ以上を含みうる。幾つかの基板特性が列挙されているが、任意の数の基板特性が行列識別子を用いて表せると理解されたい。

【0015】

一実施形態において、基板特性が、行列内の数値として分類されうる。例えば、基板の抵抗率が一連の範囲に分けられうる。０．０３Ω・ｃｍ未満の抵抗率を値１とし、０．０３Ω・ｃｍと０．１Ω・ｃｍとの間の抵抗率を値２とし、０．１Ω・ｃｍと１０Ω・ｃｍとの間の抵抗率を値３とし、１０Ω・ｃｍより大きい抵抗率を値４とすることができる。抵抗率が一例として提供されているが、いかなる基板特性にも同様のやり方で番号を割り当てられると理解されたい。

【0016】

さらに、基板特性は、値の範囲の代わりにカテゴリ特性を指しうる。例えば、基板のレイアウトが、疎（ｓｐａｒｓｅ）又は密（ｄｅｎｓｅ）として分類されうる。基板層が疎である場合には、値１が行列識別子中で使用されうる。代替的に、基板のレイアウトが密な場合には、値２が行列識別子中で使用されうる。このようにして、数値である基板特性、又はカテゴリ識別子が、行列識別子中で表わされうる。

【0017】

一実施形態において、ホストコンピュータ１４０が、基板を処理するためのレシピ１４４へのアクセス権も有しうる。ホストコンピュータ１４０は、所与の基板のための適切なレシピ１４４を選択し、かつ、ホストコンピュータ１４０は、行列生成器１４２を使用して、レシピ１４４に追加可能な行列識別子を生成する。生成される行列識別子は、レシピ１４４を用いて処理されている基板の基板特性に対応している。得られたレシピは、幾つか実施形態では補強レシピ１４５と称されうる。これは、基板の処理を支援するために、追加情報がレシピ１４４に追加されているためである。

【0018】

一実施形態において、補強レシピ１４５が、機械学習及び／又は人工知能モジュール１４６（略してＭＬ／ＡＩモジュール１４６）に送られる。ＭＬ／ＡＩモジュール１４６は、処理される基板の基本的基板特性へのアクセス権を有さないこともある。代わりに、ＭＬ／ＡＩモジュール１４６は、基板の処理を改善するのに有用なデータセットを選択するために、補強レシピ１４５中の行列識別子を使用する。ＭＬ／ＡＩモジュール１４６が使用するデータは、データベース１４７に格納されうる。データベース１４７に格納されたデータは、基本的基板特性の代わりに行列識別子の値を使用して分類されうる。このように、ＭＬ／ＡＩモジュール１４６は、補強レシピ１４５中で提供された行列識別子に対応するデータセットを選択することができる。

【0019】

一実施形態において、データベース１４７には、１つ以上の基板の処理からのセンサデータを入力することができる。センサデータは、幾つか実施形態では、制御ループセンサデータを含みうる。即ち、基板処理の制御ループで使用されたデータが使用されうる。他のデータソースも使用することができる。例えば、（例えば、物理的又は仮想的な）ウィットネスセンサが、データベース１４７のための追加データを提供するために使用されうる。幾つか実施形態では、基板を処理した後に取得された計測データも、データベース１４７で提供することができる。データベース１４７にデータを入力するプロセスは、以下でより詳細に設けられている。

【0020】

ＭＬ／ＡＩモジュール１４６は、補強レシピ１４５を変更するために、データベース１４７からのデータを利用することができる。例えば、より均一なプロセス結果、公差がより厳しいプロセス、又は任意の他の改善した基板結果を提供するため処理条件を変更するために、類似した（又は同じ）行列識別子を有する基板からの過去データが使用されうる。

【0021】

一実施形態において、ＭＬ／ＡＩモジュール１４６が、処理ツール１５０と通信可能に接続されうる。処理ツール１５０は、任意の半導体処理ツールとすることができる。例えば、処理ツール１５０は、ラジカル酸化ツール、又はプラズマツール（例えば、エッチング、堆積、又は表面処理用）などを含みうる。

【0022】

図２に示す特定の実施形態において、一実施形態に係るラジカル酸化ツール２５０の概略図が示されている。ツール２５０は、図１に関して先に記載した１つ以上の処理ツール１５０内で利用できるハードウェア構成要素を図示している。図示された実施形態において、記載されるツール２５０は、ラジカル酸化プロセスのためのランプベースのチャンバである。しかしながら、処理ツール２５０は、例示的な性質のものであり、本明細書で開示される実施形態が、ヒータベースのチャンバ又はプラズマベースのチャンバといった（但し、これらに限定されない）他の処理ツールと組み合わせて使用するのに適しうると理解されたい。当業者であれば、様々な種類の処理ツールの所望の処理パラメータを追跡するために、センサの配置、センサの数、センサの種類を修正できることが分かるであろう。

【0023】

一実施形態において、ツール２５０がチャンバ２０５を含む。チャンバ２０５は、基板（例えば、半導体ウエハ）が処理される大気圧以下の圧力を提供するのに適したチャンバとすることができる。一実施形態において、チャンバ２０５は、１つの基板又は複数の基板を収容するよう寸法設定されうる。チャンバ２０５内での処理に適した半導体基板は、シリコン基板、又は任意の他の半導体基板を含みうる。ガラス基板といった他の基板も、チャンバ２０５内で処理することができる。

【0024】

一実施形態において、ガス分配ネットワークが、１つ以上のガス供給源（例えば、ガス１、ガス２、ガスｎなど）からのガスをカートリッジ２１０に供給する。特定の実施形態において、ガス源が、酸素、水素、及び窒素のうちの１つ以上を含みうる。図２では３つのガス源が示されているが、実施形態は１つ以上のガス源を含みうると理解されたい。カートリッジ２１０は、ライン２１１からガスを受け取るための入口と、チャンバ２１０内にガスを分配するための出口と、を含みうる。図示される実施形態では、カートリッジ２１０は、チャンバ２１０の１の側からチャンバ内にガスを供給するものとして示されている。しかしながら、カートリッジ２１０は、任意選択的に、チャンバの上方又は下方からチャンバ内にガスを供給することができると理解されたい。幾つか実施形態において、カートリッジ２１０は、特に処理ツールがプラズマ発生ツールである場合には、シャワーヘッドとも称されうる。

【0025】

一実施形態において、各処理ガスの流量が、別々のマスフローコントローラ（ＭＦＣ：ｍａｓｓ ｆｌｏｗ ｃｏｎｔｒｏｌｌｅｒ）２０３によって制御されうる。一実施形態において、ＭＦＣ２０３が、制御ループセンサ群の一部でありうる。ＭＦＣ２０３は、入力ライン２１１に入るガスの流量を制御する。一実施形態において、マスフローメータ（ＭＦＭ）２１２がカートリッジ２１０の上流側に設けられている。ＭＦＭ２１２によって、ソースガスからの実際の流量を測定することが可能となる。カートリッジ２１０の上流側には圧力計２１３も含まれている。圧力計２１３によって、入力ライン２１１の圧力を測定することが可能となる。ＭＦＭ２１２及び圧力計２１３は、制御ループの外側にあるため、ウィットネスセンサと見做されうる。

【0026】

一実施形態において、チャンバ圧力計２１７が、チャンバ２０５内の圧力を測定するために設けられうる。チャンバ圧力計２１７は、制御ループセンサ群の一部でありうる。一実施形態において、追加のウィットネスセンサが、処理ツール２００の排気ライン２１５に沿って設けられる。追加のセンサは、漏れ検知センサ２１６、並びに、追加の圧力計２１８及び２１９を含みうる。漏れ検知センサ２１６は、チャンバ２０５内に漏れる酸素を測定するための自己完結型プラズマ発光分光（ＯＥＳ：ｏｐｔｉｃａｌ ｅｍｉｓｓｉｏｎ ｓｐｅｃｔｒｏｓｃｏｐｙ）装置を含みうる。圧力計２１８及び２１９は、それぞれ、スロットルバルブ２１４の上流側及び下流側にありうる。

【0027】

一実施形態において、ウィットネスセンサ（例えば、２１２、２１３、２１６、２１８、２１９）が、チャンバドリフトへの監視を提供するために使用されうる。例えば、制御ループセンサ（例えば、２０３及び２１７）が、処理ツール２００の使用中に誤較正されていることがある。従って、制御ループセンサ２０３、２１７の読取値は、ウエハ上の結果（例えば、膜の堆積速度）が変化する一方で、一定に保たれうる。このような事例には、ウィットネスセンサの出力が、チャンバがドリフトしたことを示すよう変化する。

【0028】

追加の実施形態において、ウィットネスセンサが、チャンバ２０５内に仮想センサを実装するために活用されうる。仮想センサとは、（物理センサの場合のような）物理的な値の直接的な読取りとは対照的に、計算により生成された出力を提供するセンサを指しうる。従って、仮想センサは、従来の物理センサでは測定が困難又は不可能な処理ツール２００内の状態を決定するために威力を発揮する。

【0029】

一実施形態において、仮想センサが、カートリッジ２１０の出口での処理ガスの流量を決定するために使用されうる。カートリッジ２１０で流量を計算することは、ウエハ上の膜の堆積速度及び／又は堆積均一性を制御するために使用できる重要な計測（ｍｅｔｒｉｃ）である。特定の実施形態において、カートリッジ２１０での流量は、ベルヌーイの式を使用して、ＭＦＭ２１２、圧力計２１３、圧力計２１７の出力、及びカートリッジ２１０の既知の外形を使用することで供給される変数を用いて、計算することができる。カートリッジでの流量の例が提供されているが、処理ツール２００内での他の未知数が仮想センサの計算を使用して決定されうると理解されたい。例えば、チャンバ内の様々な位置でのガス組成、ウエハ全体にわたる堆積速度、ウエハ全体にわたる圧力、及びウエハ全体にわたる膜堆積といった（但し、これらに限定されない）未知数が、仮想センサの実装を使用して決定されうる。

【0030】

一実施形態において、１つ以上の温度センサ２０７がチャンバ２０５内に設けられる。例えば、温度センサ２０７は熱電対などでありうる。一実施形態において、温度センサ２０７が、チャンバの反射板（図示せず）上に設けられうる。温度センサ２０７は、幾つか実施形態において、ウィットネスセンサと見做されうる。即ち、温度センサ２０７は制御ループの外に存在しうる。

【0031】

温度センサ２０７は、より広範な仮想センサの実装を可能にするために、追加の既知の変数を提供することができる。一実施形態において、温度センサ２０７が、チャンバ２０５内でいつ定常状態に達したのかを決定する際にも使用されうる。このことは、メンテナンスイベント後の処理ツール２５０の起動など、処理ツール２００を低温状態から立ち上げるときに特に有益である。例えば、１つ以上の圧力計２１３、２１７、２１８、及び２１９と組み合わせた温度センサ２０７の出力、並びに、スロットルバルブ２１４の角度を監視することができ、チャンバは、様々なセンサの定常状態に達したときに、使用可能な状態となりうる。一実施形態において、チャンバがいつ定常状態に達するかについての監視は、当該監視によって処理ツール内で最初のウエハ効果に起因して通常発生するウエハのスクラップ及び再加工が無くなるため、有用である。

【0032】

理解できるように、複数のセンサ（例えば、制御ループセンサ、ウィットネスセンサ、仮想センサなど）が、様々な基板の処理のための処理条件の非常に詳細なイメージを提供するために使用されうる。基板特性が、行列識別子を使用して処理条件と関連付けられたときには、詳細度の高いデータベースが作成されうる。データベースはその後、ＭＬ／ＡＩモジュールによって、基板の処理を改善するために使用され得、その際に、基本的基板特性をＭＬ／ＡＩモジュールに提供する必要はない。このように、基本的基板データの共有を制限する知的財産管理の対象となりうる基板情報を共有することなく、ＭＬ／ＡＩモジュールの利点を得ることができる。

【0033】

ここで図３を参照すると、一実施形態に係る処理ツール３００の概略図が示されている。示されるように、ＭＬ／ＭＩモジュール３２０が、処理ツール３００と統合されうる。例えば、ＭＬ／ＡＩモジュール３２０は、矢印で示すようにネットワーク接続によって、フロントエンドサーバ３６０と通信可能に接続されうる。しかしながら、他の実施形態では、ＭＬ／ＡＩモジュール３２０は、処理ツール３００の外部に存在しうる。例えば、ＭＬ／ＡＩモジュール３２０は、外部ネットワークなどを介して、処理ツール３００と通信可能に接続されうる。

【0034】

一実施形態において、ＭＬ／ＡＩモジュール３２０がハイブリッドモデルを含みうる。ハイブリッドモデルは、物理モデル３２７及び統計モデル３２５を含みうる。統計モデル３２５及び物理モデル３２７は、当該統計モデル３２５及び物理モデル３２７を構築及び／又は更新するために使用される入力データ（例えば、センサデータ、モデルデータ、計測データなど）を格納するためのデータベース３３０と通信可能に接続されうる。一実施形態において、統計モデル３２５は、物理的なＤｏＥ（Ｄｅｓｉｇｎ ｏｆ Ｅｘｐｅｒｉｍｅｎｔｓ、実験計画法）を実行することにより生成され、かつ拡張されたプロセス空間モデルを提供するために補間を使用することができる。一実施形態において、物理モデル３２７が、現実世界の物理と化学の関係を用いて生成されうる。例えば、処理チャンバ内の様々な相互作用についての物理及び化学の方程式を使用して、物理モデルを構築することができる。

【0035】

特定の実施形態では、物理モデル３２７及び統計モデル３２５は、１つ以上の基板特性から情報を得ることができる。例えば、様々な基板特性は、物理モデル３２７及び／又は統計モデル３２５に差異をもたらしうる。幾つか実施形態において、特定の基板特性（例えば、抵抗率、厚さなど）が、物理モデル３２７及び統計モデル３２５には分からない。代わりに、基板特性が、先に記載したような行列識別子中の値に変換される。

【0036】

一実施形態において、処理ツール３００が、フロントエンドサーバ３６０、ツール制御サーバ３５０、及びツールハードウェア３４０を含みうる。フロントエンドサーバ３６０が、ＭＬ／ＡＩモジュール３２０のためのダッシュボード３６５を含みうる。ダッシュボード３６５は、プロセスエンジニアが、プロセスレシピの補強といった様々な処理を実行するためにデータモデリングを利用するためのインタフェースを提供する。

【0037】

ツール制御サーバ３５０は、スマート監視及び制御ブロック３５５を含みうる。スマート監視及び制御ブロック３５５は、処理ツール３００の診断及び他の監視を提供するためのモジュールを含みうる。モジュールは、ヘルスチェック、センサドリフト、故障回復、漏れ検知を含みうるが、これらに限定されない。スマート監視及び制御ブロック３５５は、ツールハードウェア内に実装された様々なセンサからのデータを、入力として受け取ることができる。上記センサは、ツール３００の動作を可能にするため半導体製造ツール３００内に一般的に存在する標準センサ３４７を含みうる。例えば、センサ３４７は、先に記載したような制御ループセンサを含みうる。上記センサは、ツール３００に追加されたウィットネスセンサ３４５も含みうる。ウィットネスセンサ３４５は、非常に詳細なデータモデルを構築するために必要な追加情報を提供する。例えば、ウィットネスセンサは、物理的センサ及び／又は仮想センサを含みうる。上述したように、仮想センサは、２つ以上の物理的センサから得られたデータを利用して、物理的センサだけでは得られない追加のセンサデータを提供するために計算を使用することができる。一般に、ウィットネスセンサは、任意のタイプのセンサを含むことができ、例えば、圧力センサ、温度センサ、ガス濃度センサなどを含みうるが、これらに限定されない。一実施形態において、スマート監視及び制御ブロック３５５は、ＭＬ／ＡＩモジュール３２０が使用するデータを提供することができる。他の実施形態において、様々なウィットネスセンサ３４５からの出力データが、ＭＬ／ＡＩモジュール３２０に直接提供されうる。

【0038】

ここで図４を参照すると、一実施形態に係る、ＭＬ／ＡＩモジュールが使用するためのデータベースを構築するプロセス４６０のフロー図が示されている。一実施形態において、プロセス４６０は、行列識別子を第１の基板と関連付けることを含む工程４６１で開始されうる。一実施形態において、行列識別子が、第１の基板の１つ以上の基板特性に対応する。

【0039】

一実施形態において、行列識別子は、先により詳細に記載したように、ホストコンピュータ内の行列生成器によって生成されうる。即ち、ホストコンピュータは、第１の基板の基本的基板特性へのアクセス権を有することができ、第１の基板の基本的基板特性と関連付けられた行列識別子を生成することが可能である。

【0040】

幾つか実施形態において、行列識別子が、１つの行及び複数の列を持つ行列を含む。各列が、異なる基板特性を指しうる。各列の値は、任意の数字とすることができる。例えば、各列の値は０と１０００との間にありうるが、幾つか実施形態ではより大きな値も使用することができる。特定の実施形態では、１０個の列が設けられるが、様々な実施形態において任意の数の列を使用できると理解されたい。

【0041】

一実施形態において、行列識別子で表される基板特性は、分かっている場合には基板を処理するために有用でありうる任意の基板特性とすることができる。例えば、基板特性は、材料の種類（例えば、Ｓｉ、ＳｉＯ_２、ＳｉＣ、ポリＳｉなど）、抵抗率、基板の厚さ、基板表面の反射率、チップレイアウト、チップサイズ、チップ均一性、基板がレシピで処理された回数、及び基板のロット内の位置、のうちの１つ以上を含みうる。幾つかの基板特性が列挙されているが、任意の数の基板特性が行列識別子を用いて表せると理解されたい。

【0042】

一実施形態において、基板特性が、行列内の数値として分類されうる。例えば、基板の抵抗率が一連の範囲に分けられうる。０．０３Ω・ｃｍ未満の抵抗率を値１とし、０．０３Ω・ｃｍと０．１Ω・ｃｍとの間の抵抗率を値２とし、０．１Ω・ｃｍと１０Ω・ｃｍとの間の抵抗率を値３とし、１０Ω・ｃｍより大きい抵抗率を値４とすることができる。抵抗率が一例として提供されているが、いかなる基板特性にも同様のやり方で番号を割り当てられると理解されたい。

【0043】

さらに、基板特性は、値の範囲の代わりにカテゴリ特性を指しうる。例えば、基板のレイアウトが、疎（ｓｐａｒｓｅ）又は密（ｄｅｎｓｅ）として分類されうる。基板層が疎である場合には、値１が行列識別子中で使用されうる。代替的に、基板のレイアウトが密な場合には、値２が行列識別子中で使用されうる。このようにして、数値である基板特性、又はカテゴリ識別子が、行列識別子中で表わされうる。

【0044】

一実施形態において、プロセス４６０は工程４６２に進むことができ、工程４６２は、ツール内で第１の基板を処理することを含む。一実施形態において、ツールが、半導体基板などを処理するのに適した任意のツールを含みうる。例えば、ツールは、ラジカル酸化ツール、プラズマツールなどでありうる。一実施形態において、ツールは、制御ループセンサ、及びウィットネスセンサ（例えば、物理的ウィットネスセンサ又は仮想ウィットネスセンサ）を含みうる。

【0045】

一実施形態において、プロセス４６０は工程４６３に進むことができ、工程４６３は、第１の基板の処理中のツールからのセンサデータをデータベースに格納することを含む。一実施形態において、センサデータは、第１の基板に割り当てられた行列識別子と関連付けられる。このようにして、一意の識別子を第１の基板のためのデータに適用することができ、その際に、基本的基板特性をＭＬ／ＡＩモジュール及び／又はデータベースと共有する必要はない。

【0046】

一実施形態において、工程４６１～４６３は、追加の基板を用いて繰り返すことができる。各追加の基板も、行列識別子と関連付けられうる。このようにして、データベースへの多くのエントリが作成されうる。十分な情報を含むデータベースが構築された後で、ＭＬ／ＡＩモジュールは、処理結果を改善するためレシピを修正するために、格納されたデータを参照することができる。

【0047】

プロセス４６０は、データベースを構築するために複数の基板の処理を使用するが、幾つか実施形態は、データベースに入力するために、以前に処理された基板からのデータを入力することを含みうる。さらに別の実施形態において、基板処理後に得られた計測データも同様に、データベースに追加することができる。

【0048】

ここで図５を参照すると、一実施形態に係る、行列識別子を使用して、ＭＬ／ＡＩモジュールを用いて基板を処理するためのプロセス５７０のフロー図が示されている。一実施形態において、プロセス５７０は、ＭＬ／ＡＩモジュールを用いて補強レシピを受け取ることを含む工程５７１により開始する。一実施形態において、増強レシピが、第１の基板を処理するためのレシピと、第１の基板と関連付けられた行列識別子と、を含む。一実施形態において、行列識別子が、第１の基板の基本的基板特性へのアクセス権を有するホストコンピュータによって、レシピに追加される。行列識別子は、基本的基板特性に対応する行列への１つ以上のエントリを含む。しかしながら、基本的基板特性自体は、ＭＬ／ＡＩモジュールと共有されない。

【0049】

一実施形態において、プロセス５７０は工程５７２に進むことができ、工程５７２は、ＭＬ／ＡＩモジュールを使用してデータベースからデータセットを取得することを含み、データセットは、行列識別子と関連付けられている。一実施形態において、データセットが、第１の基板と関連付けられた行列識別子の１つ以上のエントリと関連付けられうる。データセットは、過去のセンサデータ（例えば、制御ループセンサデータ、ウィットネスセンサデータなど）を含みうる。幾つか実施形態において、データセットが計測データも含みうる。

【0050】

一実施形態において、プロセス５７０は工程５７３に進むことができ、工程５７３は、ＭＬ／ＡＩモジュールを使用して補強レシピを修正して、修正されたレシピを形成することを含む。一実施形態において、レシピに対する修正が、取得されたデータセットからのデータを考慮して行われる。例えば、取得されたデータセットは、レシピに対する多くの変更のうちの幾つかを挙げると、様々なガスの流量の変更、温度の変更、圧力の変更、及び／又は様々なプロセスの時間の変更に使用することができる。

【0051】

一実施形態において、プロセス５７０は、工程５７４に進むことができ、工程５７４は、行列識別子と関連付けられた第１の基板を、修正されたレシピを用いて処理ツール内で処理することを含む。一実施形態において、処理ツールのセンサからのデータが、将来の処理のための追加データを提供するためデータベースに格納するために、ＭＬ／ＡＩモジュールに戻って提供されうる。

【0052】

ここで図６を参照すると、処理ツールの例示的なコンピュータシステム６００のブロック図が、一実施形態に従って示されている。一実施形態において、コンピュータシステム６００が処理ツールに接続されており、処理ツール内での処理を制御する。コンピュータシステム６００は、ローカルエリアネットワーク（ＬＡＮ：Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、イントラネット、エクストラネット、又はインターネットにおいて、他のマシンに接続され（例えばネットワーク化され）うる。コンピュータシステム６００は、クライアント－サーバネットワーク環境においてはサーバ若しくはクライアントマシンとして、又は、ピアツーピア（又は分散）ネットワーク環境においてはピアマシンとして動作しうる。コンピュータシステム６００は、パーソナルコンピュータ（ＰＣ：ｐｅｒｓｏｎａｌ ｃｏｍｐｕｔｅｒ）、タブレットＰＣ、セットトップボックス（ＳＴＢ：ｓｅｔ－ｔｏｐ ｂｏｘ）、パーソナルデジタルアシスタント（ＰＤＡ：Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、携帯電話、ウェブアプライアンス、サーバ、ネットワークルータ、スイッチ若しくはブリッジ、又は、そのマシンによって行われる動作を規定する（連続した又は別様の）命令のセットを実行可能な任意のマシンでありうる。さらに、コンピュータシステム６００として単一のマシンのみを示しているが、「マシン（ｍａｃｈｉｎｅ）」という用語は、本明細書に記載の方法のうちの任意の１つ以上を実行するために、命令のセット（又は複数のセット）を個々に、又は連携的に実行するマシン（例えば、コンピュータ）の任意の集合体を含むとも解釈される。

【0053】

コンピュータシステム６００は、命令が格納された非一過性のマシン可読媒体を有するコンピュータプログラム製品、又はソフトウェア６２２を含んでよく、これらの命令は、実施形態に係る処理を実行するコンピュータシステム６００（又は、他の電子機器）をプログラムするために使用されうる。マシン可読な媒体は、マシン（例えばコンピュータ）によって読み出し可能な形態により情報を格納又は伝送するための任意のしくみを含む。例えば、マシン可読（例えばコンピュータ可読）な媒体は、マシン（例えばコンピュータ）可読な記憶媒体（例えば、読み出し専用メモリ（ＲＯＭ：ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、ランダムアクセスメモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、磁気ディスク記憶媒体、光記憶媒体、フラッシュメモリデバイス等）、マシン（例えばコンピュータ）可読な伝送媒体（電気的形態、光学的形態、音響的形態、又はその他の形態による伝播信号（例えば赤外線信号、デジタル信号等））等を含む。

【0054】

一実施形態において、コンピュータシステム６００は、バス６３０を介して互いに通信し合う、システムプロセッサ６０２、メインメモリ６０４（例えば、読み出し専用メモリ（ＲＯＭ）、フラッシュメモリ、シンクロナスＤＲＡＭ（ＳＤＲＡＭ：ｓｙｎｃｈｒｏｎｏｕｓ ＤＲＡＭ）又はランバスＤＲＡＭ（ＲＤＲＡＭ：Ｒａｍｂｕｓ ＤＲＡＭ）といったダイナミックランダムアクセスメモリ（ＤＲＡＭ：ｄｙｎａｍｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ））、スタティックメモリ６０６（例えば、フラッシュメモリ、スタティックランダムアクセスメモリ（ＳＲＡＭ：ｓｔａｔｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）など）、及び二次メモリ６１８（例えば、データ記憶装置）を含む。

【0055】

システムプロセッサ６０２は、マイクロシステムプロセッサ、中央処理装置といった１つ以上の汎用処理装置のことである。より詳細には、システムプロセッサは、複合命令セット演算（ＣＩＳＣ：ｃｏｍｐｌｅｘ ｉｎｓｔｒｕｃｔｉｏｎ ｓｅｔ ｃｏｍｐｕｔｉｎｇ）マイクロシステムプロセッサ、縮小命令セット演算（ＲＩＳＣ：ｒｅｄｕｃｅｄ ｉｎｓｔｒｕｃｔｉｏｎ ｓｅｔ ｃｏｍｐｕｔｉｎｇ）マイクロシステムプロセッサ、超長命令語（ＶＬＩＷ：ｖｅｒｙ ｌｏｎｇ ｉｎｓｔｒｕｃｔｉｏｎ ｗｏｒｄ）マイクロシステムプロセッサ、他の命令セットを実行するシステムプロセッサ、又は、命令セットの組み合わせを実行するシステムプロセッサでありうる。システムプロセッサ６０２は、特定用途向け集積回路（ＡＳＩＣ：ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ：ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、デジタル信号システムプロセッサ（ＤＳＰ：ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｓｙｓｔｅｍ ｐｒｏｃｅｓｓｏｒ）、ネットワークシステムプロセッサ等といった、１つ以上の特殊用途処理装置でもありうる。システムプロセッサ６０２は、本明細書に記載の工程を実行するための処理ロジック６２６を実行するように構成される。

【0056】

コンピュータシステム６００は、他の装置又はマシンと通信するためのシステムネットワークインタフェースデバイス６０８をさらに含みうる。コンピュータシステム６００は、映像表示ユニット６１０（例えば、液晶ディスプレイ（ＬＣＤ：ｌｉｑｕｉｄ ｃｒｙｓｔａｌ ｄｉｓｐｌａｙ）、発光ダイオードディスプレイ（ＬＥＤ：ｌｉｇｈｔ ｅｍｉｔｔｉｎｇ ｄｉｏｄｅ）、又は陰極線管（ＣＲＴ：ｃａｔｈｏｄｅ ｒａｙ ｔｕｂｅ））、英数字入力装置６１２（例えば、キーボード）、カーソル制御装置６１４（マウスなど）、及び信号生成装置６１６（例えば、スピーカ）も含みうる。

【0057】

二次メモリ６１８は、本明細書に記載の方法又は機能の任意の１つ以上を具現化する１つ以上の命令セット（例えば、ソフトウェア６２２）が格納されたマシンアクセス可能な記憶媒体６３２（又は、より具体的には、コンピュータ可読記憶媒体）を含みうる。このソフトウェア６２２は、コンピュータシステム６００によって実行されている間、完全に又は少なくとも部分的に、メインメモリ６０４及び／又はシステムプロセッサ６０２の中にも常駐していてよく、メインメモリ６０４及びシステムプロセッサ６０２は、マシン可読な記憶媒体も構成しうる。ソフトウェア６２２はさらに、システムネットワークインタフェースデバイス６０８を介してネットワーク６２０上で送信又は受信されうる。一実施形態において、ネットワークインタフェースデバイス６０８は、ＲＦ結合、光結合、音響結合、又は誘導結合を用いて動作しうる。

【0058】

例示的な一実施形態において、マシンアクセス可能な記憶媒体６３２を単一の媒体として示しているが、「マシン可読な記憶媒体（ｍａｃｈｉｎｅ－ｒｅａｄａｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）」という用語は、１つ以上の命令セットが格納された単一の媒体又は複数の媒体（例えば、集中データベース若しくは分散データベース、及び／又は、関連するキャッシュ及びサーバ）を含むものと解釈すべきである。「マシン可読な記憶媒体」という用語はまた、マシンによって実行される命令のセットを格納又はコード化することが可能であり、かつ、方法のうちの任意の１つ以上をマシンに実行させる任意の媒体を含むとも解釈すべきである。これに対応して、「マシン可読な記憶媒体」という用語は、非限定的に、固体メモリ、光媒体、及び磁気媒体を含むと解釈すべきである。

【0059】

前述の明細書において、特定の例示的な実施形態について記載してきた。以下の特許請求の範囲を逸脱することなく、例示の実施形態に様々な変更を加えられることが明らかとなろう。これに対応して、本明細書及び図面は、限定を意味するのではなく、例示を意味すると見なすべきである。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【国際調査報告】