초록 ▼

처리 챔버의 성능을 예측하기 위한 공간적 모델이 구축된다.공간적 모델은, 프로세스 개발 단계 동안 원하는 프로세스로 더 빠르게 수렴하기 위해 사용된다.제조 동안 디바이스 성능 변동성을 제어하기 위한 시스템은, 프로세스 플랫폼, 온-보드 계측(OBM) 툴들, 및 기계 학습 기반 프로세스 제어 모델을 포함한다.시스템은 SEM 계측 데이터를 수신하고, 기계 학습 기법들을 사용하여 프로세스 제어 모델을 주기적으로(예컨대, 웨이퍼마다, 로트마다, 챔버마다 등) 업데이트한다.프로세스 제어 모델의 주기적 업데이트는 챔버 간 변동성을 고려할 수

처리 챔버의 성능을 예측하기 위한 공간적 모델이 구축된다.공간적 모델은, 프로세스 개발 단계 동안 원하는 프로세스로 더 빠르게 수렴하기 위해 사용된다.제조 동안 디바이스 성능 변동성을 제어하기 위한 시스템은, 프로세스 플랫폼, 온-보드 계측(OBM) 툴들, 및 기계 학습 기반 프로세스 제어 모델을 포함한다.시스템은 SEM 계측 데이터를 수신하고, 기계 학습 기법들을 사용하여 프로세스 제어 모델을 주기적으로(예컨대, 웨이퍼마다, 로트마다, 챔버마다 등) 업데이트한다.프로세스 제어 모델의 주기적 업데이트는 챔버 간 변동성을 고려할 수 있다.

대표청구항 ▼

웨이퍼 상에 제조되는 디바이스의 하나 이상의 관심 치수들의 공간적 분포에 대한 예측 모델을 구축하기 위한 컴퓨터-구현 방법으로서,프로세스 공간 내에서 처리 챔버의 중요 노브들(critical knobs)을 변화시킴으로써 최적 개수의 웨이퍼들을 처리하는 단계;상기 최적 개수의 웨이퍼들을 처리하는 단계 동안 상기 하나 이상의 관심 치수들에 관련된 챔버 계측 데이터를 수집하는 단계;웨이퍼들의 샘플 세트에 대해 e-빔 검사 및 계측을 수행함으로써 상기 하나 이상의 관심 치수들에 관련된 인-라인 계측 데이터를 수집하는 단계;상기 하나 이상의

웨이퍼 상에 제조되는 디바이스의 하나 이상의 관심 치수들의 공간적 분포에 대한 예측 모델을 구축하기 위한 컴퓨터-구현 방법으로서,프로세스 공간 내에서 처리 챔버의 중요 노브들(critical knobs)을 변화시킴으로써 최적 개수의 웨이퍼들을 처리하는 단계;상기 최적 개수의 웨이퍼들을 처리하는 단계 동안 상기 하나 이상의 관심 치수들에 관련된 챔버 계측 데이터를 수집하는 단계;웨이퍼들의 샘플 세트에 대해 e-빔 검사 및 계측을 수행함으로써 상기 하나 이상의 관심 치수들에 관련된 인-라인 계측 데이터를 수집하는 단계;상기 하나 이상의 관심 치수들에 관련된 맞춤화된 계측 데이터를 생성하도록, 상기 챔버 계측 데이터 및 상기 인-라인 계측 데이터를 기계 학습 엔진에 의해 결합하는 단계;상기 프로세스 공간 내에서 식별된 중요 노브 설정들과 상기 맞춤화된 계측 데이터의 상관(correlation)을 상기 기계 학습 엔진에 의해 결정하는 단계;상기 처리 챔버에서 실행되는 특정 프로세스에 대한 경험적 프로세스 모델을 획득하는 단계;상기 프로세스와 연관된 다양한 노브들이 상기 프로세스 공간 내에서 가상으로 변화될 때 웨이퍼에 걸친 상기 하나 이상의 관심 치수들의 공간적 분포를 예측하는 예측 모델을 구축하도록, 상기 식별된 중요 노브 설정들과 상기 맞춤화된 계측 데이터의 결정된 상관을 이용함으로써 상기 경험적 프로세스 모델을 상기 기계 학습 엔진에 의해 정밀화(refining)하는 단계를 포함하는 컴퓨터-구현 방법.