技术领域
本发明一般地涉及半导体技术领域，更具体地来说，涉及识别气态分子污染(AMC)泄露源的方法和装置。
背景技术：
半导体集成电路(IC)产业经历了指数式增长。IC材料和设计方面的技术进步产生了多代IC，其中，每一代都具有比上一个代更小和更复杂的电路。在IC发展过程中，功能密度(即，单位芯片面积上互连器件的数量)大幅增加了而几何尺寸(即，使用制造工艺可以制造的最小部件(或线路))减小。通常这种按比例缩小工艺通过提高生产效率和降低相关成本来提供很多益处。这种按比例缩小增加了加工和生产IC的复杂度，因此，为了实现这些进步，需要在IC加工和生产方面的类似发展。
例如，为了进一步按比例缩小几何尺寸，气态分子污染(AMC)成为半导体制造工艺中越来越严重的问题。如果AMC传感器达到或超过车间中允许的AMC浓度水平，则识别AMC泄露源和位置的常规工序需要利用大量的人力资源和时间。用于识别AMC泄露源和位置的工序也很慢。这可能会对半导体制造工艺、车间和相关的IC器件产生不利影响。因此，需要一种如果AMC传感器报警，则快速识别AMC泄露源和位置的方法。
技术实现要素：
为了解决现有技术中所存在的缺陷，根据本发明的一方面，提供了一种识别车间中的气态分子污染(AMC)泄露源的方法，所述方法包括：在所述车间中分布传感器；进行所述车间中的正向气流的计算流体动力学(CFD)仿真；设定所述车间中的气流的正向CFD仿真的反演模型；建立所述传感器的空间响应概率分布矩阵的数据库；以及利用AMC测量数据和所述传感器的所述空间响应概率分布矩阵的数据库识别AMC泄露源。
该方法还包括将所述传感器连接至AMC控制器。
在该方法中，所述气流的正向CFD仿真包括在所述车间中从风机过滤单元(FFU)的出口至FFU的入口的气流流线。
在该方法中，进行正向气流CFD仿真包括优化所述车间中的传感器布局。
在该方法中，确定所述传感器布局包括调整所述车间中的传感器的数量。
在该方法中，确定传感器布局包括调整所述车间中的传感器的位置。
在该方法中，设定所述气流的正向CFD仿真的反演模型包括在所述车间中从FFU的入口至FFU的出口的气流流线。
在该方法中，建立所述空间响应概率分布矩阵的数据库包括利用传感器位置处的单位AMC值设定所述传感器的空间响应概率矩阵。
该方法还包括累加所述传感器的所述空间响应概率分布矩阵。
在该方法中，识别所述AMC泄露源包括利用AMC测量数据和所述传感器的所述空间响应概率分布矩阵的数据库定位AMC源泄露位置。
根据本发明的另一方面，提供了一种识别车间中的气态分子污染(AMC)源的方法，所述方法包括：在所述车间中分布AMC传感器；将所述AMC传感器连接至计算流体动力学(CFD)系统；进行所述车间中的正向气流CFD仿真；执行所述车间中的逆向气流CFD仿真；设定关于所述AMC传感器的空间响应概率分布的数据库；以及利用所述AMC传感器监测所述车间。
在该方法中，设定关于所述AMC传感器的所述空间响应概率分布矩阵的数据库包括通过利用关于所述AMC传感器的单位AMC值执行所述车间中的逆向气流CFD仿真而建立用于所述AMC传感器的空间响应概率分布矩阵。
该方法还包括累加AMC测量数据与关于所述AMC传感器的所述空间响应概率分布矩阵的乘积。
在该方法中，监测所述车间包括通过搜索关于所述AMC传感器的所述空间响应概率分布矩阵的数据库来识别AMC泄露源位置。
该方法还包括修理或移走所述车间中的AMC泄露源。
根据本发明的又一方面，提供了一种识别车间中的气态分子污染(AMC)泄露源的装置，所述装置包括：AMC控制器；以及传感器，被配置为与所述AMC控制器连接。
该装置还包括与所述AMC控制器集成的数据存储单元。
在该装置中，所述数据存储单元被配置为存储所述传感器的空间响应概率分布矩阵的数据库，通过执行所述车间中的气流的正向CFD仿真、计算所述车间中的逆向气流CFD仿真以及利用所述车间中的AMC测量数据建立所述传感器的所述空间响应概率分布矩阵的数据库而获得所述数据库。
在该装置中，所述AMC控制器包括计算机，所述计算机通过累加AMC测量数据和所述传感器的空间响应概率分布矩阵的乘积执行AMC源追踪。
在该装置中，所述传感器被设计成监测所述车间中的AMC浓度水平，使得当所述传感器被触发时，所述AMC控制器通过累加AMC测量数据和关于所述传感器的空间响应概率分布矩阵的数据库的乘积开始计算算法，并由此识别AMC泄漏源。
附图说明
当结合附图进行阅读时，根据下面详细的描述可以更好地理解本发明。应该强调的是，根据工业中的标准实践，各种部件没有按比例绘制并且仅仅用于说明的目的。实际上，为了清楚讨论起见，各种部件的尺寸可以被任意增大或缩小。
图1表示根据本发明的一个或多个实施例的器件的截面侧视图。
图2至图5表示根据本发明的一个或多个实施例的气态分子污染(AMC)对器件产生影响的实例。
图6是根据本发明的一个或多个实施例的在车间中制造器件的过程中监测AMC浓度水平的AMC监测系统的示意图。
图7是根据本发明的一个或多个实施例识别车间中的AMC泄露源或位置的方法的流程图。
图8是用于实施本发明的一个或多个实施例的识别车间中的AMC泄露源或位置的方法的流程图。
图9示出根据本发明的一个或多个实施例在车间中通过计算流体动力学计算方法进行仿真的正向气流流线的截面图。
图10和11是根据本发明的一个或多个实施例的解释伴随方程的实例。
图12示出了根据本发明的一个或多个实施例通过计算流体动力学(CFD)进行仿真仿真的AMC浓度的示图。
图13示出了根据本发明的一个或多个实施例在车间中由CFD的反演模型进行仿真的逆气流流线的截面图。
图14至图16表示用于实施本发明的一个或多个实施例的关于AMC传感器的空间响应概率分布。
具体实施方式
为了实施本发明的不同部件，以下公开内容提供了许多不同的实施例或实例。在下面描述元件和布置的特定实例以简化本发明。当然这些仅仅是实例并不打算限定。例如，在下面的描述中第一部件在第二部件上或者上方的形成可以包括其中第一和第二部件以直接接触的方式形成的实施例，并且也可以包括其中额外部件可以形成在第一和第二部件之间，使得第一和第二部件不直接接触的实施例。再者，本发明可在各个示例中重复参照数字和/或字母。这种重复是为了简明和清楚，而且其本身没有规定所述各种实施例和/或结构之间的关系。
现参考图1，根据本发明的一个或多个实施例示出了在车间(fab)中所形成的器件100的截面侧视图。器件100包括衬底102、隔离部件104、源极106、漏极108和栅叠层110。然而，器件的其他结构以及包括或省略一些器件也是可能的。在一些实施例中，衬底102包括晶圆和/或多个导电和非导电的薄膜。该晶圆是包括硅的半导体衬底(换句话说，硅晶圆)。可选地或另外地，该晶圆包括其他元素半导体，诸如锗；化合物半导体，包括碳化硅、砷化镓、磷化镓、磷化铟、砷化铟和/或锑化铟；合金半导体包括SiGe、GaAsP、AlInAs、AlGaAs、GaInAs、GaInP和/或GaInAsP)。在又一可选实施例中，晶圆是绝缘体上半导体(SOI)。多个导电和非导电薄膜可以包括绝缘体或导电材料。例如，导电材料包括诸如铝(Al)、铜(Cu)、钨(W)、镍(Ni)、钛(Ti)、金(Au)和铂(Pt)的金属以及这些金属的合金。绝缘体材料可以包括氧化硅和氮化硅。衬底102还包括通过离子注入或扩散所形成的各种掺杂部件，诸如n型阱和/或p型阱。
隔离部件104形成在衬底102中。使用诸如膜沉积、光刻、蚀刻、化学机械抛光(CMP)和清洗的各种工艺形成隔离部件104。源极106和漏极108形成在衬底102中。源极106和漏极108包括通过离子注入或其他合适的工艺所形成的n型掺杂剂或p型掺杂剂。例如，源极106和漏极108在普通的离子注入工序中形成。通过包括以下步骤的工艺来形成栅叠层110：在衬底102上沉积或生长以形成多层膜、对沉积在衬底102上的光刻胶膜进行图案化并对图案化的光刻胶膜进行蚀刻以形成栅叠层。
继续本实施例，在车间中制造器件100。在各种工艺中使用多种化学物质形成器件100。必须很好地控制车间环境从而保障器件100的质量。车间中的任何化学泄露或气态分子污染(AMC)可以对器件100产生破坏性影响。AMC影响包括光刻胶T型顶、不可控的硼或磷掺杂、蚀刻速率变化、接合失效(adhesion failure)、金属线腐蚀、掩模(或中间掩模)或曝光工具的光学器件上起雾以及电参数变化，诸如阈值电压变化、电阻变化和高接触电阻。
现参考图2至图5，根据本发明的一个或多个实施例示出气态分子污染(AMC)对器件100的影响的实例。在一些实施例中，AMC包括四种类型(A、B、C和D)的污染源。类型A代表酸腐蚀材料，诸如HF、HCl、H2SO4或HNO3。图2是酸导致器件100的金属线腐蚀的实例。类型B代表碱腐蚀材料，诸如氨(NH3)、胺或N-甲基-2-吡咯烷酮(NMP)。碱可以中和深紫外(DUV)光刻胶中的光诱导化学扩增反应(chemical amplified reaction，CAR)所产生的酸并可以形成图3所示的T型顶的光刻胶外形。类型C代表可缩合或有机材料，诸如邻苯二甲酸二辛酯(DOP)、二丁基羟基甲苯(BHT)、硅氧烷或异丙醇(IPA)。类型C材料可以导致掩模(或中间掩模)起雾或IC器件的接合失效。图4是由类型C污染导致的IC器件的接合失效的实例。类型D代表掺杂材料，诸如BF3、磷酸三乙酯(TEP)、磷酸三甲酯(TMP)或三乙氧基氧膦(TEPO)。类型D污染可以导致电参数变化，例如图5所示的VT(阈值电压)变化。
现参考图6，根据本发明的一个或多个实施例提供用于在器件100的制造过程中监测AMC污染的AMC监测系统200的实例。该AMC监测系统200包括多个AMC传感器202和AMC监测器204。AMC传感器202分布在车间内并与AMC监测器204连接。AMC监测器204包括报警器。AMC监测系统200还包括计算机210，计算机210具有用于执行指令的处理器和存储器并可用于实施一些或所有的以下方法。AMC传感器202被配置成检测车间环境中的AMC污染水平。
现参考图7，根据本发明的一个或多个实施例示出识别车间中的AMC泄露源或位置的方法300的流程图。在本实施例中，当车间中的AMC的浓度水平达到或超出在车间中制造IC器件所允许的浓度水平或失去控制(out of control，OOC)，在步骤304中，触发报警器。方法300继续进行到步骤308，该步骤用于检查触发AMC监测器204的报警器的AMC传感器202附近的区域。如果AMC泄露源被定位，则方法300继续进行到步骤312，该步骤用于修理AMC泄露源或从车间移走AMC泄露源。如果泄露源未被定位，则方法300继续进行到步骤316，该步骤用于在OOC区域和附近区域放置更多的AMC传感器202并在大范围内调整一些传感器202。可以采集空气样品并送往化学实验室分析，从而有助于识别AMC泄露源或位置。如果AMC泄露源被定位，则方法300继续进行到步骤312，该步骤用于修理AMC泄露源或从车间移走AMC泄露源。如果泄漏源未被定位，则方法300重复步骤316直到AMC泄露源被定位并被修理或从车间被移走。对于方法300的其他实施例，可以在方法300之前、期间和之后提供其他步骤，并且可以替换、删除或前后移动所述的一些步骤。识别AMC泄露源和位置的方法300消耗时间和资源。因此，对AMC泄露的响应很慢。
现再参考图8，为了实施本发明的一个或多个实施例示出识别车间中的AMC泄露源或位置的方法400的流程图。方法400从步骤402开始，其中，在车间中分布多个AMC传感器。在本实施例中，AMC传感器也称为传感器。AMC传感器可以检测车间中的四种类型的AMC化学物质(类型A、B、C或D)中的一种或多种。方法400继续进行至步骤404，其中，将AMC传感器连接至以上关于图6所讨论的AMC监测系统。方法400继续进行至步骤406，其中，在车间中实施正向(forward)气流的CFD仿真(CFD simulation)。步骤406包括在车间中提供气流流线。步骤406还包括确定和优化AMC传感器在车间中的布局。AMC传感器在车间中的优化布局将提供用于通过最少量的AMC传感器追踪车间中的AMC泄露源所需的测量数据。方法400继续进行至步骤408，其中，在车间中设定正向气流的CFD仿真的反演模型(inverse modeling)。步骤408包括在车间中提供逆气流流线。方法400继续进行到步骤410，其中，建立用于AMC传感器的空间响应分布的数据库。步骤410包括利用车间中的逆气流流线计算用于每个AMC传感器的空间概率分布矩阵。方法400继续进行到步骤412，其中，如果一个或多个AMC传感器达到OOC水平，则识别AMC泄露源或位置。步骤412包括利用AMC传感器的空间响应分布的数据库识别AMC泄露源(位置)。步骤412还包括修理或移走AMC泄漏源。对于方法400的其他实施例，可以在方法400之前、期间和之后提供其他步骤，并且可以替换、删除或前后移动所述的一些步骤。
现参考图9，根据本发明的一个或多个实施例示出了在车间550中由CFD进行仿真的正向气流流线500的截面图。设计AMC监测系统520以监测车间550的AMC水平。AMC监测系统520包括AMC传感器522a至522h，AMC控制器524和数据存储器526。然而，其他结构以及包括或省略系统520的一些器件也是可能的。AMC传感器522a至522h与AMC控制器524连接。AMC传感器522a至522h可以检测车间550中的AMC浓度水平。当AMC浓度水平达到或超过在车间550中制造IC器件所允许的极限或失去控制(OOC)，报警信号将触发控制器以识别AMC泄漏源。AMC控制器524包括进行数据处理的计算机。AMC控制器524还与数据存储器526连接。
如图9所示，车间550包括风机过滤单元(FFU)552、有孔地板554和处理工具562。然而，其他结构以及包括或省略车间550的一些器件也是可能的。FFU 552包括入口和出口。FFU 552为车间550提供连续和稳定的洁净空气。有孔地板554有助于降低车间中的气流湍流，因此降低车间550中颗粒的数量。处理工具562可以包括制造IC器件的处理工具，例如化学汽相沉积(CVD)工具、物理汽相沉积(PVD)工具、光刻胶涂覆(显影)工具、曝光工具、蚀刻工具、注入工具、扩散工具、化学机械抛光(CMP)工具或清洁工具。在一个实施例中，处理工具562还可以包括测量工具，诸如膜厚度测量工具、关键尺寸(CD)测量工具或步进高度测量工具。在另一个实施例中，处理工具562还包括储存化学物质的化学储存罐，例如存储酸、碱、光刻胶、化学溶剂或掺杂剂。处理工具562可以是AMC泄露的源头。
如图9所示，通过CFD仿真正向气流流线500。箭头指示气流方向。洁净空气通过FFU 552的出口提供给车间550，洁净空气从车间550的顶部流向车间的底部，而且用于循环利用的洁净空气被送往FFU 552的入口。
正向污染物迁移方程表示如下
其中C是物质浓度，Uj是xj方向的气流速度，Ms是污染源质量，xsource(xs)是污染源位置。通过方程(1)对Ms偏微分，得到以下方程(2)
其中ψ＝ψ(x；t＝T，xs)是x方向的固有浓度对于xs方向的污染源Ms的状态灵敏度(state sensitivity)。根据伴随方程的推导得到以下方程(3)，
τ＝Tobs–t
在初始条件和边界条件下。
ψ*|τ＝0＝0
ψ*＝0在Γ1时(onΓ1)
在Γ2时(onΓ2)
在Γ3时(onΓ3)
其中ψ*＝ψ*(x；τ＝T,xo)是关于观察位置xo的空间伴随概率(spatial adjoint probability)。τ是落后的时间。伴随概率ψ*将满足
ψ*|x＝xsource,t＝0＝ψ|x＝xobs，t＝T
这表明伴随方程(3)中的点S(污染源)关于点O(观察)的空间伴随概率与正向方程(方程(2))中的点O关于点S的状态灵敏度相同。图10和11示出该观点。据观察，在伴随方程中流动方向可逆(方程(3))。
方程(3)计算了伴随概率ψ*(x；τ＝T,xo)，基于观察(传感器)位置O的源位置的概率。需要气流场作为仿真的输入。CFD和伴随方程的组合构成反演模型的数学方法。通过该方法，如果在χoi(＝χo1,χo2,…χon)处有更多传感器，则源的伴随空间概率矩阵(ψ*1,ψ*2,…ψ*n)与n传感器位置相关。对于多个传感器χoi(＝χoi,χoi,…χon)，检测读数(X1,X2,…Xn)、获得的污染源的相应伴随概率矩阵ψ*1,ψ*2,…ψ*n、污染源的空间概率分布Ф以方程(4)表达。
Ф是3维矩阵。该矩阵的元素基于从分布在各个位置的n个传感器获得的污染测量值表示空间坐标中存在污染源的概率。通过矩阵元素的概率水平可以识别污染源位置。
如图9所示，在AMC监测系统520中，车间550中的AMC传感器522a至522h的分布很重要。AMC传感器522a至522h能够检测车间550中的AMC浓度并且以经济有效的方式提供足够的测量数据。车间550中的AMC传感器522a至522h的成功布局提供用安装的最少的传感器追踪AMC泄露源所需的测量数据。为了确定AMC传感器522a至522h的布局，进行不同条件下的正向CFD仿真。在一个实施例中，图9所示的正向气流流线500是AMC分散在气流中的正向CFD仿真结果。图12是气流循环的一个周期之后的AMC浓度分布。AMC传感器522a至522h可以读取车间550中的8个位置处的AMC浓度。该8个AMC浓度读数可以用作正向CFD仿真的反演模型中的输入。
现参考图13，为了实施本发明的一个或多个实施例示出在车间550中由CFD的反演模型进行仿真的逆气流流线600的截面图。通过倒转图9所示的正向气流流线500计算逆气流流线600。在一些实施例中，分别利用来自AMC传感器的8个AMC浓度读数获得8组空间伴随概率矩阵ψ*1,ψ*2…ψ*8。图14是对应于AMC传感器522b的伴随概率矩阵700(ψ*2与位置χ2相关)的实例。如果AMC传感器522b被OOC极限触发，则图14所示的伴随概率矩阵700的网格中的数字指示网格处的AMC泄露的概率。在本实施例中被强行设置为AMC泄露源的位置的确示出了图14中的最大概率值。
图15是对应于AMC传感器522h的伴随概率矩阵720(ψ*8与位置χ8相关)的另一个实例。如果AMC传感器522h被OOC极限触发，则图15所示的伴随概率矩阵720的网格中的数字指示网格处的AMC泄露的概率。在实施例中被强行设置为AMC泄露源的位置的确示出了图15中的最大概率值。
如图14和15所示，伴随概率矩阵700或伴随概率矩阵720中的概率分布取决于传感器位置。通过使用方程(4)，矩阵ψ*1,ψ*2…ψ*8与相应的读数X1,X2…X8相乘，在乘积的基础上相加并且进行归一化。生成用于车间550的AMC源位置的空间概率矩阵。
图16是用于受益于本发明的一个或多个实施例的车间550的AMC源位置的空间概率矩阵750的实例。在本实施例中，空间概率矩阵也称作空间响应分布的数据库。当AMC传感器522a至522h到达或超过OOC极限时，AMC监测系统520累加响应矩阵和相应的传感器数据的乘积。通过图16所示的空间概率分布指示AMC泄露源位置。在实施例中被强行设置为AMC泄露源的位置确实示出图16中的最大概率值。
因此，本发明描述了一种识别车间中的气态分子污染(AMC)泄露源的方法。方法包括：在车间中分布传感器；进行车间中的正向气流的计算流体动力学(CFD)仿真，设定车间中的正向气流的CFD仿真的反演模型，建立传感器的空间响应概率分布矩阵的数据库，以及利用传感器的空间响应概率分布矩阵的数据库识别AMC泄露源。该方法还包括将传感器连接至AMC控制器。正向气流的CFD仿真包括车间中的从风机过滤单元(FFU)的出口至FFU的入口的气流流线。进行正向气流CFD仿真包括优化车间中的传感器布局。优化传感器布局包括调整车间中的传感器的数量和调整车间中的传感器的位置。设定正向气流的CFD仿真的反演模型包括车间中的从FFU的入口至FFU的出口的气流流线。建立空间响应概率分布矩阵的数据库包括利用车间中的AMC测量数据设定传感器的空间响应概率矩阵。该方法还包括累加传感器的空间响应概率分布矩阵。识别AMC泄露源包括利用传感器的空间响应概率分布矩阵的数据库定位AMC源泄露位置。
在一些实施例中，提出了一种识别车间中的气态分子污染(AMC)泄露源的方法。方法包括：在车间中分布传感器，将AMC传感器连接至计算流体动力学(CFD)系统，进行车间中的正向气流CFD仿真，执行车间中的逆向气流CFD仿真，建立关于AMC传感器的空间响应概率分布矩阵的数据库，以及利用AMC传感器监测车间。设定关于AMC传感器的空间响应概率分布矩阵的数据库包括通过利用关于AMC传感器的单位AMC值执行车间中的逆向气流CFD仿真而建立关于AMC传感器的空间响应概率分布矩阵。该方法还包括累加AMC测量数据与关于AMC传感器的空间响应概率分布矩阵的乘积。利用AMC传感器监测车间包括通过搜索关于AMC传感器的空间响应概率分布矩阵的数据库识别AMC泄露源位置。该方法还包括修理或移走车间中的AMC泄露源。
在其他实施例中，还描述了识别车间中的气态分子污染(AMC)泄露源的装置。该装置包括AMC控制器和被配置与AMC控制器连接的传感器。该设置还包括与AMC控制器集成的数据存储单元。数据存储单元被配置成存储AMC传感器的空间响应概率分布矩阵的数据库。AMC控制器包括进行数据处理以识别AMC源的计算机，并且传感器的空间响应概率分布矩阵的数据库存储在数据存储器中。通过利用每个AMC传感器位置处的单位AMC值借助CFD的反演仿真计算传感器的空间响应概率分布矩阵的数据库。传感器被设计成监测车间中的AMC浓度水平，使得当传感器被触发时，搜索关于传感器的空间响应概率分布矩阵的数据库，并且由此识别AMC泄漏源。
上面论述了若干实施例的部件，使得本领域普通技术人员可以更好地理解本发明的各个方面。本领域普通技术人员应该理解，可以很容易地使用本发明作为基础来设计或更改其他用于达到与这里所介绍实施例相同的目的和/或实现相同优点的处理和结构。本领域普通技术人员也应该意识到，这种等效构造并不背离本发明的精神和范围，并且在不背离本发明的精神和范围的情况下，可以进行多种变化、替换以及改变。