[发明专利]用于预测晶圆上测量值的使用多级LSTM的工具控制

说明书

一种用于使用预测性长短期记忆的过程控制的方法，包括：获取在制造过程的先前产品上采集的历史后过程测量值；获取在制造过程期间在先前工件上采集的历史过程中测量值；响应于相应的历史过程中测量值和前面的历史后过程测量值，训练神经网络以预测历史后过程测量值中的每个历史后过程测量值；获取在制造过程期间在目前工件上的目前过程中测量值；通过提供目前过程中测量值和历史后过程测量值作为神经网络的输入来预测针对目前工件的未来后过程测量值；以及响应于对未来后过程测量值的预测来调整制造过程的至少一个可控制变量。

背景技术

本发明涉及电气、电子和计算机领域，更具体地，涉及制造半导体设备。

在半导体制造中，晶圆上的测量值对于控制过程工具是重要的。这样的测量值依赖于诸如来自不同工具的跟踪传感器数据的物理变量。然而，关键测量值可以仅在已经完全制造晶圆之后进行。由于诸如传感器噪声、材料中的自然可变性、机械噪声等的非自然可变性，来自过程中传感器网络的观察(包括贡献于后事实晶圆厚度的关键状态变量的测量)是随机过程。可靠地预测晶圆上测量值(即，以比目前可实现的更精确和准确的方式近似筛选随机噪声的晶圆厚度的实际值)是重要的挑战。

存在用于对时间序列数据进行建模的几个深度学习模型。然而，所有这些都不能有效地用于半导体问题。例如，存在关于用于时间序列数据的状态标识和预测的统计模型的大量文献，诸如ARMAX和动态线性模型、扩展卡尔曼滤波器等。大多数先前的统计模型基于线性化或高斯分布假设。

发明内容

本发明的原理提供了用于使用多级LSTM来预测晶圆上测量值的工具控制的技术。在一个方面，用于在制造过程的当前过程步骤期间实时控制制造过程的示例性方法包括获取在制造过程的先前产品上采集的历史后过程测量值，并且获取在当前过程步骤的先前迭代期间在先前工件上采集的历史过程中测量值。(该方法还包括通过使用采集自历史后过程测量值和相关联的历史过程中测量值的训练数据来训练神经网络。)该方法然后包括：在当前过程步骤期间获取目前工件上的目前过程中测量值；通过提供目前过程中测量值和历史后过程测量值作为神经网络的输入，预测针对目前工件的未来后过程测量值；以及响应于对未来后过程测量值的预测，调整制造过程的至少一个可控制变量。

本发明的一个或多个实施例或其元素能够以计算机程序产品的形式实现，该计算机程序产品包括具有用于促进所指示的方法步骤的计算机可用程序代码的计算机可读存储介质。此外，本发明的一个或多个实施例或其元素能够以系统(或装置)的形式实现，该系统(或装置)包括：存储器，该存储器包含计算机可执行指令；以及至少一个处理器，该至少一个处理器耦合至该存储器并且由这些指令操作以促进示例性方法步骤。更进一步地，在另一方面，本发明的一个或多个实施例或其元素能够以用于执行在此描述的方法步骤中的一者或多者的装置的形式来实现；该装置可以包括(i)硬件模块，(ii)存储在有形的计算机可读存储介质(或多个这样的介质)中并在硬件处理器上实现的软件模块，或者(iii)，(i)和(ii)的组合；(i)-(iii)中的任一项实现本文中阐述的特定技术。

如本文所使用的，“促进”动作包括执行动作、使动作更容易、帮助执行动作或使得动作被执行。因此，作为示例而非限制，在一个处理器上执行的指令可以通过发送适当的数据或命令来促使或帮助执行动作来促进由在远程处理器上执行的指令执行的动作。为了避免疑问，在动作者通过除了执行动作之外的动作来促进该动作的情况下，该动作仍然由某个实体或实体的组合执行。

鉴于上述情况，本发明的技术可以提供显著的有益技术效果。例如，一个或多个实施例提供以下各项中的一项或多项：

在晶圆制造期间晶圆厚度或电阻率的可靠预测，从而使得过程工具控制能够实时调整成品晶圆的厚度。

在制造过程期间实时可靠地预测后过程测量值，从而使得过程工具控制能够调整后过程测量。

基于响应于后过程测量值的可靠预测而实时调整过程的能力，制造具有改善的晶圆厚度一致性和其他后过程测量值的晶圆，从而引起与现有技术相比更高质量的晶圆和更高质量的集成电路。