[发明专利]一种关键尺寸控制方法及系统

说明书

本公开提供一种关键尺寸控制方法及系统，属于半导体生产制造技术领域，其中控制方法包括：获取历史数据；通过历史数据建立和训练神经网络预测模型；获取初始前层因素数据，将初始前层因素数据作为输入变量输入已训练的神经网络预测模型进行预测，输出得到预测当层量测数据；根据预测当层量测数据满足的预设条件，以在前层工艺中进行纠偏，以得到目标前层因素数据。本公开在前层就实现对于当层关键尺寸的预测和修偏，从而改善原本存在的调节滞后导致的当层关键尺寸检验结果偏差甚至报废的问题。本公开针对关键尺寸超出标准的数据和在标准内的数据进行单独训练优化建立纠偏模型，避免干扰。

技术领域

本公开属于半导体生产制造技术领域，特别涉及一种关键尺寸控制方法及系统。

背景技术

半导体制造的成本较高，一片晶圆(wafer)在关键尺寸(critical dimension，CD)真实量测结果出来之前，对于一些由于已知问题的影响导致大概率报废的晶圆(wafer)，需要尽最大可能拯救降低生产成本。

在动态随机存储器(DRAM)制程中，前层(pre layer)A的尺寸会通过图形向下传递，从而对当层(currentlayer)B的关键尺寸产生影响，前层A的其它工艺参数等各种因素在一定程度上都会对当层B的关键尺寸(Final CD)产生影响。

现有技术在制程中，R2R(Run-to-Run)系统有提供前馈(Feed forward)功能，以输出的结果对输入的影响因子例如工艺参数等进行适度调节，以期获得更稳定的生产工艺参数控制，但目前这种参数控制方法限制了提前对关键尺寸进行准确的修偏。

如图1所示，目前R2R存在的前馈(Feed forward)的算法函数有以下几种：简单的函数控制(一元多次函数)、复杂函数控制(多元函数)和PID比例积分微分控制。

以上生产工艺参数控制方法均无法全部考虑复杂生产情况实现精准指导生产的目的，大大限制了该控制方式的准确定和适用性，无法提前对关键尺寸进行准确的修偏。

公开内容

针对上述问题，本公开提供一种关键尺寸控制方法及系统采用以下技术方案：

一种关键尺寸控制方法，包括以下步骤：获取历史数据，所述历史数据包括历史前层因素数据和历史当层量测数据；通过所述历史数据建立和训练神经网络预测模型；获取初始前层因素数据，将所述初始前层因素数据作为输入变量输入已训练的所述神经网络预测模型进行预测，输出得到预测当层量测数据；根据所述预测当层量测数据满足的预设条件，以在前层工艺中进行纠偏，以得到目标前层因素数据。

例如，所述历史前层因素数据具有多组，所述历史当层量测数据包括各组所述历史前层因素数据对应的历史当层关键尺寸实测数据。

例如，通过所述历史数据建立神经网络预测模型，具体如下：

定义神经网络预测模型的输入层包括n个神经元，隐层包括m个神经元，输出层包括1个神经元；

定义输入层n个神经元中每个神经元表示一个输入子变量，定义每个所述输入子变量分别表示所述历史前层因素数据中的一个；

定义隐层m个神经元中每个神经元表示一个隐层输出变量；

定义输出层输出变量为预测的当层关键尺寸值，并构建预测函数。

例如，通过所述历史数据训练神经网络预测模型具体如下：

将l组历史前层因素数据输入神经网络预测模型的输入层，经各隐含层逐层处理后，输出l个输出变量；

基于各输出变量与对应的历史当层关键尺寸实测数据之间的偏差值，更新隐含层的每个神经元与输入层的每个神经元之间的权重，当输出变量与对应的历史当层关键尺寸实测数据之间误差值小于设定误差时，停止训练，获得所述已训练的神经网络预测模型。