[发明专利]基于组合树模型的半导体PVD制程的电阻率虚拟量测方法

说明书

本发明公开了一种基于组合树模型的半导体PVD制程的电阻率虚拟量测方法，包括以下步骤：一、将基于组合预测方法[7]构建集成树组合模型，对WAT的电气参数进行在线虚拟量测；二、该集成树组合模型将4种集成树作为基学习器对晶圆制程状态信息进行初步虚拟量测，并将4个基学习器的预测结果转换为元特征向量，作为集成树元学习器的输入，进行进一步的虚拟量测，集成树模型相对于常见的虚拟量测模型LASSO、PLSR、SVR、GPR、ANN模型更加适用于PVD制程上的虚拟量测，而集成树组合模型比单一集成树虚拟量测模型具有更高的预测精度，可以做到实时监控和预警，将预警时间大大提前。

技术领域

本发明涉及电阻率虚拟量测技术领域，具体是一种基于组合树模型的半导体PVD制程的电阻率虚拟量测方法。

背景技术

在半导体制造企业，晶圆制程主要包括光刻(Photo)、蚀刻(Etch)、扩散(Diffusion,Diff)、化学-机械抛光(Chemical-Mechanical Polish,CMP)等制程，制程的控制是晶圆生产非常重要的环节。现阶段晶圆可接受性测试(Wafer Acceptance Test, WAT)作为晶圆产出的首要的品质保障，是一种非生产性的电气测试技术，用来监测晶圆制程状态，包括设备特性和电阻器、电容器、联通性、连续性、间隔、绝缘性、渗漏性。在现有的半导体制造过程中，晶圆可接受性测试是对已经完成的300-400道制程工艺的状态信息进行检测。WAT的事后检测的性质使得制程中晶圆品质变化不能被及时侦测。为了解决这种问题，基于机台参数和传感器数据的预测晶圆品质的虚拟量测(Virtual Metrology， VM)方法，被用来侦测制程中每片晶圆的品质，辅助物理量测，避免了高成本的物理量测。通过虚拟量测方法对WAT量测参数和生产过程数据的分析，可以发现半导体制程工艺中的问题，有助于制程工艺的调整；并通过研究WAT各量测参数与生产机台参数的相关性，提前预测晶圆制程工艺的状态信息，对提升产品质量和缩减生产周期产生非常重要的意义。

虚拟量测解决方法通常基于机器学习方法，常用的虚拟量测模型有多元线性回归、偏最小二乘回归(Partial least Squares Regression,PLSR)、支持量机回归(SupportVector Regression,SVR)、高斯进程回归(Gaussian Process Regression,GPR)以及神经网络模型(Artificial Neural Network,ANN)。Park C等通过对光谱信号的虚拟量测实验，验证了基于fused-LASSO的虚拟量测模型对光谱信号识别的有效性，发现fused-LASSO算法所选取的特征构成的VM模型比基于LASSO和弹性网络的VM模型具有更高的预测精度和健壮性[1]。Kang P等提出了一种于自训练的半监督支持向量回归方法用于半导体虚拟量测，该方法解决了传统模型对新数据的预测的不确定性，通过实验对比，发现其比传统的有监督SVR方法更准确，并且训练时间更快[2]。Abdullah M等基于多层感知器 (MultilayerPerceptron,MLP)模型对半导体氧化物蚀刻腔体内的颗粒污染水平进行虚拟量测，并认为该方法可以取代原有的Surf-scan方法[3]。Hirai T等利用基于局部加权 PLS的实时VM方法预测实际干法刻蚀过程的刻蚀转换差异，预测结果优于基于序列更新模型和ANN的虚拟量测，并且验证了其对于机台维护影响的健壮性[4]。Darwin T等采用GPR 方法对于等离子体增强化学气相沉积制程相关的晶片平均膜厚度进行虚拟量测，发现基于 GPR的VM方法比基于PLSR的方法获得更高的平均精度[5]。Kang S等则采用集成ANN作为VM模型，将预测结果、可靠性估计和模型更新整合到所提出的VM系统中，并通过实验证明了该方法的有效性[6]。

上述虚拟量测方法大多采用单一模型或方法进行预测，模型达到一定的预测精度，但是存在模型学习的信息角度单一的问题，预测精度具有进一步提升的空间。原因是，在复杂的半导体晶圆制造工序条件下，存在诸多随机或模糊等不确定性因素，如果模型能够捕获更多的不确定性因素，模型的预测精度则会进一步提升，因此，本领域技术人员提供了一种基于组合树模型的半导体PVD制程的电阻率虚拟量测方法，以解决上述背景技术中提出的问题。