专利名称：构建最优终点算法的方法
构建最优终点算法的方法
背景技术：
为了讨论方便，在下文中对一些术语进行定义。数据集-关于加工工具上某个参数随时间变化的测量结果的记录。变化点-时间序列上发生某些变化的点。终点-工序(例如,娃层的蚀刻)达到或接近完成的时间点。终点区域-数据集中认为出现终点的区间。终点区域通常相对宽并基于使用者的
个人评估。偏最小二乘法判别分析(PLS-DA)- —种发现两个数据集之间的关系的技术。PLS-DA可用于具有多个自变量(包含在输入矩阵X中)和可能的多个因变量(包含在输入矩阵Y中)的情况。在PLS-DA中，矩阵Y中的变量是不连续的，但是由成组的独立离散值或离散类(discrete classes)组成。PLS-DA可设法找到矩阵X中的变量之间的线性组合，该线性组合能够被用于将输入数据分类归入所述离散类。终点前区域-在终点区域之前的所述数据集的一部分。终点后区域-在终点区域之后的所述数据集的一部分。特征(signature)-在参数演化或参数组合中表明工序中出现终点的独特的变化点(或变化点的组合)。参数的组合以及所述变化的性质通常构成特征的一部分。逐步回归法-是指使用最小二乘拟合算法用一条直线拟合由从单个传感器通道获得的数据中的一个有限时间段上的数据值。等离子加工技术的发展带动了半导体产业的发展。为了获得竞争优势，半导体设备生产商需要严格控制加工环境，使浪费最小化并生产出高质量的半导体设备。保持严格控制的一种方法是识别工艺的终点。如本文所述的，所述的术语终点指的是工艺(例如，硅层的蚀刻)达到或接近完成的时间点。识别终点的过程可能是很简单的，仅需识别具有最大变化的信号。然而信号的变化并不总是与终点一致。其他的因素，例如通道内的噪音，也会导致信号模式发生变化。为了便于讨论，图I中显示了建立终点算法的简单方法。如图I所示的这种方法通常需要人工操作，例如由某位专业使用者操作。考虑例如加工测试衬底的情况。由于存在多种不同类型的衬底,测试衬底往往是与生产环境中所使用的衬底相同类型的衬底。例如如果在生产期间使用带有特定图案的衬底，那么应采用带有类似图案的衬底作为测试衬底。在第一步102中，针对衬底采集数据。在一实施例中，传感器(例如压力计、发射光谱仪(OES)、温度传感器等)在衬底加工时采集数据。可采集成百上千个传感器通道的数据。在衬底加工后，可分析采集到的数据。由于数据量可能过剩，从成千上万个信号流中找到终点是一个极具挑战性的任务，通常需要对加工工具和工艺流程有深入理解。因此，在进行上述分析的任务时通常需要专业的操作者。在接下来的步骤104中，专业的操作者可能会检查一个或多个针对信号图中的变化的信号。所述专业的操作者可能使用一个或多个软件程序帮助进行上述分析。在一实施例中，所述软件程序可能是进行简单的计算和分析的简单的分析工具。在另一实施例中，所述软件程序可能是简单的数据可视化程序，例如可用于将信号历史记录作图并显示的程序。然而，即便具有该专业的操作者的专业知识和经验，由传感器获得的可用于分析的数据量依然可能是过大的。因而，识别终点特征的任务可能是非常困难的。在一实施例中，在一个OES传感器通道中可能有超过2000个波长的测量数据。由于在其他传感器通道(例如提供温度、压强、电压等数据的传感器通道)中也可能发现终点数据，如果需要分析每一个信号和信号的组合，对专业的操作者而言，意味着面临无法完成的任务。可以预料的是，在不同的具体应用中，相比其他信号，一些信号能够提供更好的终
点数据。例如，信号A和B均含有终点数据。然而，由于信号B相比信号A噪音更小，信号B能够提供更好的终点特征。若有数十个或上百个信号，分析数据集找到终点特征的任务可能是一个非常繁重和耗时的过程，相比之下找到最优终点特征的任务更是繁重许多。在分析数据中，专业的操作者可能寻找信号的变化(例如信号图中的变化)，以其表示终点的出现。例如，如果信号下降，信号斜率的一个峰值可能代表发生一个变化。尽管在过去人工识别信号变化是一个繁重的工作，近年来由于信号变化变得更不明显了，该识别工作变得更困难了。对于用于加工衬底上小开口面积的工艺流程，上述识别工作尤其困难。在一实施例中，开口的加工(例如蚀刻)面积非常小(例如小于I %的衬底面积)，以至于信号的变化非常微小，人眼几乎无法辨别。为了便于分析，所述专业的操作者可删除那些他认为与识别终点无关的数据值。削减所述数据集的一种方法包括识别并删除所述信号流中该专业的操作者认为终点不会出现的区域。换句话说，该专业的操作者可将其对终点的搜索限制在所述信号流中的某目标区域内，该区域通常位于终点前区域和终点后区域之间。由于即便对专业人士，找到并提炼终点特征是高成本的(需要花费大量的时间)，因此需要尽可能扩大所述终点前和终点后区域，从而限制余下的用于寻找终点的区域大小。由于所述专业的操作者通常熟悉加工过程，该专业的操作者通过仅仅分析选出的信号可进一步削减所述数据集。基于该专业的操作者的经验，所述选出的信号可能包括含有终点数据的信号或者信号的组合。在大多数情况下，将信号的组合作为一个整体进行分析时，所述信号的组合常采自一个单一的传感器信号源。由于不同传感器存在差异，这些差异会造成难于(如果可能采用人工实施)通过人工进行相关分析，因此通常不会将来自不同传感器信号源的数据结合起来。可以预见，若仅对过滤后的数据集进行处理，可能增加最优的终点特征被无意间删除的风险。换句话说，在过滤数据的同时，所述专业的操作者可能正在做出一个假设，即终点特征(更不用说最优的终点特征)位于过滤后留下的某个信号中。因此从所述留下的信号中识别的所述终点特征可能不一定是最优的终点特征。在识别一个信号变化后，所述专业的操作者可能进行确认分析，从而确认该信号变化作为候选终点的可靠性。例如，该专业的操作者可分析信号的历史记录从而确认所述信号变化的独特性。如果该信号变化不是唯一的，(即其在整个信号历史记录中发生不止一次)那么该信号可从所述数据集中被删除。然后该专业的操作者可继续进行他的繁重的工作，从另一个信号中识别那个“难以捉摸的”终点。在接下来的步骤106中，可对所述数据集施加成组的的过滤器(例如成组的数字过滤器)从而消除噪音并平滑所述数据。可施加的过滤器的实例包括，但不限于，例如时间序列过滤器和基于频率过滤器。尽管对数据集施加过滤器可降低所述数据集中的噪音，但由于过滤器也可能增加信号的实时延时，因此所施加的过滤器数量通常也有所限制。在某些情况下，在分析数据时会采用多元分析(例如主成分分析或偏最小二乘法)。实施所述多元分析可进一步削减所述数据集。为了应用该多元分析，所述专业的操作者可能需要确定终点特征的形状(例如曲线)。换句话说，即便候选终点可能尚未识别，也需要该专业的操作者预测该终点的形状。通过预先确定所述终点的形状，所述多元分析可基本删除那些不呈现出该预期形状的信号。在一实施例中，若该终点的形状定义为峰，不呈现出该形状的数据即可被删除。据此，若所述最优的终点特征不具有这个“预期的”的形状，那么该最优的终点特征就可能被忽略。根据上述说明可以发现，从过剩数据中识别单个终点特征的任务可能是非常困难的任务，执行该任务可能会花费数小时，甚至数周。进一步地说，一旦识别终点特征，可用于确认信号或信号的组合作为终点特征的适用性的定量分析也很少见、甚至几乎没有。在一实施例中，为了确认信号变化作为终点特征的可靠性，所述专业的操作者可分析其他信号从而在大约相同的时间范围内找出类似的信号变化。然而，假设该专业的操作者可能已经花费相当可观的时间确认第一个终点特征，该专业的操作者恐怕不会总是有时间、资源和/或意愿来确认其结果。在接下来的步骤108中，该专业的操作者可能选择某个基于过渡性质的终点算法类型。通常，该终点算法类型可能基于谱线的形状，例如可能表示终点的谱线。在一实施例中，该终点可能由斜率的变化表示。由此，该专业的操作者可提出与斜率相关的算法。作为补充，该终点算法可能基于提供最优终点特征的导数值。然而，终点特征的一阶导数(例如斜率的变化)可能无法提供最优的终点算法。举例说，替代一阶导数，斜率的二阶导数(例如拐点)，可能提供较佳的终点算法。不仅识别终点特征的能力，而且与该终点特征相关的最佳终点算法的确定，可能需要非常专业的知识，即便在专业的操作者中，掌握上述知识的操作者也很少。在接下来的步骤110中，可能需要优化和/或测试所述算法的设置。一旦确定所述终点算法，该终点算法可能被转换为生产中终点算法。由于不同测试环境和生产环境之间存在差异，在将该终点算法可应用于生产之前，该终点算法的设置可能需要进行调整。可能进行调整的设置包括，但不限于，例如平滑过滤器、延时、所述算法类型的特定设置等等。在一实施例中，可用于平滑测试环境中的数据的过滤器可能引起生产环境中不可接受的实时延时。如本说明书所讨论的，实时延时指的是无过滤信号变化与过滤信号变化之间的时间差异。例如，在加工中的40秒时刻，信号中可能出现一个峰值。然而，当施加过滤器之后，该峰值可能出现在5秒之后。如果终点算法的实施中带有该过滤器设置，那么在所述终点算法识别该终点之前，衬底可能就被过度蚀刻了。为了尽可能减小实时延时，该过滤器需要进行调整。在将所述终点算法引入生产之前，需要进行测试从而确定其设置是否需要进行优化。在一实施例中，可将所述终点算法用于生成该终点算法的所述数据集。若该终点算法使用调整后的设置能够准确识别所述终点，该设置可被认为是优化的设置。然而，如果该终点算法无法准确识别所述终点，该设置可能就必须进行调整了。即使在该设置被最优化之前，所述测试可能必须进行多次(通过试误法)。在接下来的步骤112中，需要对所述终点算法进行可靠性分析并据此作出结论。如果进行了可靠性分析(步骤114)，所述终点算法可用于与其它衬底相关的数据集。在一实施例中，加工了第二块测试衬底并采集其数据。随后将所述终点算法用于第二个数据集。如果该终点算法能够识别该终点，即可认为该终点算法是可靠的，该终点算法可用于生产(步骤116)。然而，若该终点算法不能识别该终点，那么该终点算法被认为不够可靠，所述专业的操作者可回到步骤104，继续进行识别另一个候选终点的工作，并构造另一个终点算法。由于该可靠性测试的执行和分析可能需要时间，许多终点算法可能不执行该可靠性分析而直接引入生产环境。换句话说，在终点算法的产生中，步骤112常常被认为是一个
可选的步骤。由图I可见，产生终点算法的方法大多为由具有执行该复杂分析的专业知识和经验的专业人士执行的人工步骤。受到资源的限制，可引入生产的所述终点算法可能缺乏定量支持。进一步地说，由于单个自然人不可能在合理的时间段内分析所有的信号和/或信号的组合，该生成的终点算法可能无法保证总是对所述生产工序而言的最优终点算法。由此可见，一种简单的构建可靠的终点算法的方法是非常必要的。
本发明采用示例而非限制的方法进行说明，包括附图中的示意图，在所述示意图中类似的参考数字符号指代类似的元件，以及
其中图I为建立终点算法的简单方法的示意图。图2为本发明的一实施方式中的建立终点算法的方法的简单流程图。图3A和图3B为本发明的一实施方式中的可用于在发现最优终点算法中的可执行算法引擎的步骤的简单流程图。图4为本发明的一实施方式中在生产环境中实施所述最优终点算法的简单流程图。图5为本发明的一实施方式中数据集演化为一系列最优终点算法的示例的框图。
具体实施例方式现在结合如附图中所示的一些实施方式详细说明本发明。在下面的描述中，为了针对本发明提供一个透彻的理解，提供了许多特定的细节。然而对本领域技术人员来说，显然本发明在不带有某些或全部上述特定的细节时依然能够实施。在其他情况下，为了避免不必要的模糊本发明的要点，针对一些众所周知的步骤和/或结构没有进行详细的描述。下面描述了多种实施方式，包括方法和技术。需要记住的是本发明也涵盖了包括电脑可读介质的制品，在所述电脑可读介质上存储着执行本发明实施方式的电脑可读的指令。所述电脑可读介质包括例如半导体的、磁的、光磁的、光的或其它形式的用于存储电脑可读代码的电脑可读介质。进一步地说，本发明也涵盖了实现本发明的实施方式的设备。这些设备可包括用于执行本发明的实施方式中含有的任务的专用的和/或可编程的电路。这些设备的实例包括通用计算机和/或进行适当编程的专用计算设备，并且可包括计算机/计算设备与适于本发明的实施方式中含有的各种任务的专用/可编程电路的组合。根据本发明的实施方式，提供了自动发现并优化终点算法的方法。本发明的实施方式包括建立终点算法从而为加工确定最优终点的方法。本发明的实施方式也包括在生产环境中实施该终点算法现场方法。在本说明书中以终点为例讨论了不同的实施方式。然而本发明不局限于终点，而是可以包括在加工中可能出现的任何变化点。因此，这里的讨论都是作为一些示例，而本发明的内容不限于所讨论的示例。在本发明的一个实施方式中，提供了构建终点算法的方法。该方法可包括简单的、对用户友好的自动方法，该方法可由专业或非专业的操作者进行操作。该方法可包括获取传感器数据、自动确定近似的终点时间段、自动分析数据、自动确定成组的可能的终点特征以及自动在生产中引入最优终点算法。在现有技术中，由于数据的绝对数量，单个的自然人无法在合理的时间段内分析所有的信号。与现有技术不同，在一实施方式中，所述分析中对人力的投入需求很少，甚至完全不需要。在一个实施方式中使用算法引擎替代人力进行分析。由于对所述数据进行自动分析，而不是人工分析，因而即便不能分析所有的数据，也能够分析更大量的数据。在一实施方式中，所有可能的信号都能够被分析，并且每个信号可根据其在成为潜在的终点特征中的相关性进行表征。并且，由于该分析现在是由所述算法引擎执行，该分析不再限于来自单一衬底的数据文件。由此，可分析更多的数据，以构建成组的可靠的最优终点算法。所述算法引擎可能是软件程序，该软件程序是基于与一终点的目标范围(例如终点区域)相关的时间函数。一旦所述操作者定义了近似的终点范围(例如终点区域)，可采用所述算法引擎分析数据，从而发现成组的的最优终点特征。在一实施方式中，所述算法引擎可在多元分析中识别成组的可表示潜在的终点特征的潜在的形状。与现有技术不同，所述操作者不需要具有关于每个潜在的终点特征(例如峰、谷、阶跃等)的形状的先验知识。作为替代的，一旦所述算法引擎识别潜在的终点特征，所述算法引擎可产生成组的潜在的形状。由此，由所述算法引擎识别的所述潜在的终点算法不限于一种单一的形状(例如曲线)。在一实施方式中，所述算法引擎被配置为进行数据调整并测试已知的候选终点，从而识别用于工艺的最佳的终点特征。执行逐步回归分析，可获得作为时间函数的每个所述参数的可变性，以在整个工艺的过程中的一系列有限时间间隔内确定每个数据输入参数的斜率。在一实施方式中，在所述斜率计算中使用的所述时间间隔可设置为拒绝输入数据中的噪音，并同时拒绝与终点无关的数据中的缓慢漂移。在一实施方式中，可根据变化程度(例如斜率)对OES信号进行分组，这种变化可以在加工进行中从可变性中观察到。在一实例中，具有类似的斜率方差的相邻波长可以被分在成组的。通过基于斜率对OES信号进行分组，能够大大减小需要分析的信号的数量和这些信号中带有的噪音。其结果可以表示最有可能含有与终点相关的信息的一系列信号和信号组。在一实施方式中，可通过挑选来降低潜在的终点特征的数量。在一实施方式中，可靠的终点特征是出现在所有的加工过的衬底中的那一个。在一实例中，如果某个终点特征不是出现在所有的或者实质上大多数测试衬底中的一特征，那么该终点特征就被认为是不可靠的并被删除。然而，由于控制衬底是未被蚀刻的衬底，不应当产生终点特征，因此如果某个终点特征出现在某个控制衬底上，该终点特征也可被删除。在一实施方式中，可进行多元分析。在一实例中，从该分析中获得的结果可被用作偏最小二乘法判别分析(PLS-DA)的输入量，从而优化每个基于斜率的分组中的每个单独信号的权重。在一实施方式中，该PLS-DA可以依靠终点目标范围和所述算法引擎提供的形状，而不需要操作者(像现有技术中所要求的那样)输入某个终点曲线的预期形状。在一实施方式中，对OES信号进行PLS-DA获得的结果可与其他传感器的信号联系或结合在一起。在一实施方式中，可对联系后的新的系列的信号重复进行所述PLS-DA，从而产生精简的潜在的终点特征的最优组合，该组合在实时终点计算中可能具有高对比度和低
计算负荷。在一实施方式中，所述候选的终点特征被转换为具有最小可能延时的终点算法。无法转换为具有最小可能延时的实时终点算法的潜在的终点特征可被删除。换句话说，如果与所述算法相关的实时延时超过所允许的最大实时延时，那么该实时终点算法可被弃用。在一实施方式中，可基于有用信息与无关信号之比(从这里开始称为保真比)和/或基于实时延时对潜在的终点算法进行分等级。在一实例中，具有高保真比和低实时延时的算法被认为是更可靠的算法。一旦进行上述分等级工作，即可选择一个实时终点算法并引入生产。参考下面的图示和讨论内容可以更好地理解本发明的特征和优势。图2显示了本发明的一实施方式中构建终点算法的方法的简单流程图。在第一个步骤202中，由加工室中的成组的传感器获取数据。考虑例如测试衬底正在被加工的情况。当所述衬底正在被加工时，由成组的传感器采集数据(例如发光量、电信号、压强数据、等离子体数据等等)。在一实施方式中，用于产生最优终点算法的数据可来自超过一个测试衬底。通过合并来自不同测试衬底的数据，衬底之间的与材料差异或加工变化相关的噪音即可被删除。在一实施方式中，所述数据可来自在不同加工室中进行加工的测试衬底。通过合并来自不同加工室的数据，与不同加工室之间的差异相关的噪音也可被删除。在接下来的步骤204中，识别一个预期在其中出现的加工终点的近似时间段。换句话说，确定一个终点区域。与现有技术不同，该终点区域是近似的，并且是一个相对较宽的时间间隔，所述算法引擎会在该时间间隔内搜索有效的终点特征。例如，由于所述搜索的速度快，操作者可将所述终点区域扩展到包括在现有技术中将会是终点前区域的部分区域。通过这样的方法，所述算法引擎可以识别在加工过程中可能出现在更早时间内的终点特征。这些较早的终点能够降低加工中破坏基础半导体层的风险。在接下来的步骤206中，启动算法引擎进行数据分析，并生成成组的最优终点算法。在一实施方式中，由于该数据分析不是人工进行，可分析来自不止一块衬底的数据文件。本领域的技术人员知道，由于可删除那些在被分析的各块衬底之间不常被发现的终点特征，从来自多块衬底的数据文件中构建出了的终点算法，尽管需要更大量的数据，但是也会更可靠。图3A和3B是本发明的一实施方式中的可用于在分析数据集并生成一系列最优终点算法中可执行算法引擎的步骤的简单流程图。为了便于讨论，图3A和3B会结合图5进行讨论。图5显示了一实施方式中的数据集演化为一系列最优终点算法的过程的实例的柜图。在第一个步骤302中，所述算法引擎可对可用的数据集(初始数据组502)执行线性拟合。换句话说，每个信号可根据时间间隔分为统一的区段(数据组504)。为了尽可能减小噪音并增大识别终点特征的可能，所述区段的长度是非常重要的。如果该区段长度过长，所述终点可能被达到平均数进而被忽略。如果该区段过短，斜率(如后续步骤304中所讨论的)可能被噪音影响。在一实施方式中，可提前定义所述区段长度的最小值和最大值。在一实施方式中，最小区段长度大于1/10秒。在另一实施方式中，对于在IOHz米集到的数据，最大区段长度短于2秒。在接下来的步骤304中，所述算法引擎可计算每个区段的斜率和其相应的斜率噪音值(在斜率拟合中的不确定度)。在一个实例中，如果信号A被分为10个区段，可确定针对信号A的10个斜率和10个斜率噪音值(数据组506A)。在一实施方式中，可使用所述斜率噪音值标准化(normalize)所述斜率(数据组506B)。附加地或可选地，所述算法引擎可使用所述被所述斜率噪音值按比例表示(scaled)的所述斜率作为输入值，执行多元分析(例如偏最小二乘法判别分析)，从而基于来自各传感器通道的组合的信号产生另外的一系列斜率和斜率噪音值(也包括在数据组506A中)。在一实施方式中，可运用斜率噪音值标准化所述斜率(也包括在数据组506B中)。一旦产生了一系列的每个区段的斜率和斜率噪音值(数据组506A)，在接下来的步骤306中，所述算法引擎可识别可能带有终点数据的候选信号。在一个实例中，所述算法引擎可分析每个信号(及其区段)从而量化每个信号的所述斜率的变异量。一种量化斜率的可变性的方法可包括计算所述标准化的斜率的标准差。在一个实例中，标准差高可表示具有斜率发生变化的信号。在该实例中，标准差高可表示可能带有潜在的终点数据的信号。由此，具有高斜率方差(相对于斜率噪音)的信号可被识别为候选信号(数据组508)。由于OES数据可包括大量波长的测量结果(至少2000个信号)，所述算法引擎可在接下来的步骤308中，通过结合具有类似斜率方差的相邻波长形成信号波长带(数据组510)，减少OES信号的数量。在一个实例中，如果在255纳米到280纳米之间有100个波长的测量结果并且上述波长测量结果具有类似的斜率方差，那么上述100个波长的测量结果可结合为一单个信号波长带，并且在分析过程中可能被作为一个单一的单元进行处理。例如，如果有2000个波长的测量结果，那么可能只需要分析10个信号波长带。通过将所述波长测量结果分组，由于需要分析的个体的数量显著减少，计算负荷可有所降低。在接下来的步骤310中，所述算法引擎可识别一系列可能在基础工艺(underlying process)中用于捕捉漂移和噪音的标准化信号(数据组506B)。换句话说，所述算法引擎可识别那些由于其具有高斜率、低方差(相对于所述斜率噪音)因而适用于标准化的信号。所述标准化信号(数据组512)可表示用于去除各传感器信号之间共有模式变化(例如漂移、噪音等)的可能的候选方式。
在接下来的步骤312中，所述算法引擎可通过结合具有类似斜率方差的相邻波长形成标准化信号波长带(数据组514)而减少标准化OES信号的数量。步骤312有些类似步骤308，只是步骤312被应用于所述标准化OES信号。在接下来的步骤314中，所述算法可对所有的传感器通道产生一系列高对比度的传感器信号(数据组508)、高对比度传感器信号波长带(数据组510)、标准化信号(数据组512)和标准化波长带(数据组514)。在一实施方式中，每个数据集中的所述信号被分等级。由于每个信号中带有终点数据的可能性已被量化了，每个数据集中的信号可被分等级。在一个实例中，具有高斜率方差的信号比具有低斜率方差的信号有更高等级。在接下来的步骤316中，所述算法引擎可搜索所述高对比度传感器信号和/或带，在所述终点区域(数据组516)中寻找可能的终点特征。在一实施方式中，可通过成组的经典特征(峰、谷、拐点等)识别终点特征。在一实施方式中，所述成组的经典特征可预先定
义。可在各信号的不同的导数(different derivative)中搜索所述成组的经典特征。在一实施方式中，可对数据组508和510施加过滤器，从而消除噪音并平滑所述数据。在一实施方式中，施加于所述数据组的过滤器可以是时间对称过滤器。时间对称过滤器利用某特定点前后的相同数量的点计算平均值。这些过滤器只能用于后处理模式，而不是所述工艺的实时执行之中。与时间非对称过滤器不同，时间对称过滤器会产生最小的时间失真和/或幅度失真。因此，过滤后的数据可具有最小的实时延时。由上文可知，每个数据组可能包括过剩的信号。在一实施方式中，由于每个数据组已被分等级，通过降低搜索值可显著减少数据分析时间。在一个实例中，只需要分析10个高对比度传感器信号，而无须搜索数据组508内的所有数据。所需搜索的数据量可能发生变化。可进行收益递减分析(diminishing return analysis)确定最优的数量。在接下来的步骤318中，所述算法引擎可在所述终点区域内搜索高对比度传感器信号/带(数据组508和510)与标准化传感器/带(数据组512和514)之比，找寻可能的终点特征(数据组518)。通过计算每个高对比度传感器信号/带与每个标准化传感器/带之比，可被识别的可能的终点特征可具有更高的保真比。在接下来的步骤320中，所述算法引擎可搜索所述数据结果(数据组516和518)从而对数据的组合(数据组520)进行分等级。换句话说，将具有类似形状和时间段的终点特征组合进行匹配，从而改善对比度和信噪比(SNR)。在一实施方式中，在相同的导数中进行线性组合。换句话说，即便出现在同样的时间间隔内，出现在第一个导数中的峰也可能无法与出现在第二个导数中的峰结合。在接下来的步骤322中，所述算法引擎会进行可靠性分析，去除可能不可重复的终点特征。在一实施方式中，所述可靠性分析可检查多块衬底之间的一致性。在一个实例中，如果所述潜在的终点特征在多块衬底之间不一致，那么由于所述潜在的终点特征可能是由例如噪音或漂移造成的，该潜在的终点特征可被忽略。在另一个实例中，所述可靠性分析可以检查各测试衬底与一块控制衬底(或者成组的控制衬底)之间的相似性。考虑例如如下的情况，所述测试衬底是带有抗蚀剂掩模的衬底，暴露一部分硅表面。除了所述控制衬底可完全被抗蚀剂掩模覆盖以外，所述控制衬底与所述测试衬底的特性可完全相同。对所述测试衬底和所述控制衬底进行相同的衬底加工。然而，由于所述控制衬底的整个表面被抗蚀剂掩模覆盖，所述控制衬底应当不会显示出任何蚀刻特征。由此所述控制衬底应当不具有终点。因而，如果发生在所述控制衬底上的变化与某个潜在的终点特征相匹配，那么该匹配的潜在的终点特征就被忽略。在另一个实例中，所述可靠性分析可以包括测试唯一性。在一个实例中，进行测试的所述潜在的终点特征具有峰的特征。可分析所述信号的其他部分从而确定在所述潜在的终点特征出现之前或者之后是否有另一个峰的特征出现。如果识别到另一个峰，那么该终点特征就被删除。前面提到的是可应用于删除可能不是真实终点特征的特征的不同可靠性判断标准的几个实例。通过对所述潜在的终点特征进行可靠性分析，可进一步确定所述系列的可能是真正的终点的潜在的终点特征。在一实施方式中，所述算法引擎可执行多元相关性分析，例如基于相关性的偏最小二乘法判别分析(PLS-DA)，从而优化所述系列的潜在的终点特征。如前所述，多元分析
(例如基于相关性的PLS分析)通常需要定义所述终点特征的所述形状。换句话说，所述多元分析需要知道所述特征曲线的所需形状。在现有技术中，所述操作者通常需要提供所述终点特征的形状(例如峰、谷、斜坡等)。已知(在现有技术中)确定候选终点的形状需要花费数个小时，甚至数周，所述操作者通常只能提供一个形状特征作为所述多元分析的输入量。与现有技术不同，由所述算法引擎识别的所述潜在的终点特征可具有不同的形状特征。因此，可输入多元相关性分析的输入量的数量可根据已识别的潜在的终点特征的形状确定。在一实施方式中，(由所述系列的潜在的终点特征确定的)所述形状或多种形状可与每个信号进行相关性分析，在所述潜在的终点特征和每个传感器通道内的所述信号之间产生相关矩阵。所述相关矩阵可包括可施加在每个信号上使每个潜在的终点特征的对比度最大化的最优的权重和/或负荷。尽管所述多元分析有助于最优化所述系列的潜在的终点特征(数据组522)，在这里不需要进行多元相关性分析识别一系列最优终点算法。同时，尽管在前面提到的实例中使用了基于相关性的PLS分析，本发明并不限于基于相关性的PLS分析，而是可使用任何种类的基于相关性的多元分析。在接下来的步骤324中，所述算法引擎可将剩下的潜在的终点特征(数据组522)转换为具有最小实时延时的实时终点算法(数据组524)。换句话说，所述算法引擎被设置为将所述潜在的终点特征转换为可在生产中执行的具有最小实时延时的终点算法。在一实施方式中，每个终点算法所需要的设置是自动计算出来的。在一个实例中，所述实时过滤器的设置可自动优化，使其能够在具有最小的过滤器延时的每个加工测试衬底上提示终点。所述实时过滤器可以是级联，并且可利用所述级联记忆元件的初始设置使带有无限脉冲响应过滤器时发生的初始瞬态响应最小化。这对于可能具有位于数据历史记录的初始位置附近的终点的终点算法尤为重要。对每个潜在的终点特征，所述算法引擎可提供实时终点算法。在一实施方式中，如果所述算法引擎无法构建实时终点算法，那么就无法提供终点算法。在一个实例中，如果所述算法引擎无法构建能够在每个加工测试衬底上提示/识别终点的实时终点算法，那么就可不提供终点算法。在接下来的步骤326中，所述算法引擎可删除那些可能超过最大允许的实时延时的终点算法。在一个实例中，如果识别终点所需的时间超过了预先定义的阈值，由于该实时延时可能造成生产中过度蚀刻衬底，该终点算法可被删除。在接下来的步骤328中，所述算法引擎可删除那些无法通过一系列可靠性标准的实时终点算法。一个可靠性标准的实例可包括在具有最小的实时延时的所有测试衬底上识别终点。换句话说，可能需要每个终点算法识别所有测试衬底上的终点。另一个可靠性标准的实例可包括不识别在控制衬底上的终点。换句话说，如果终点算法能够在控制衬底上找到了终点，该终点算法就是不可靠的并且可被忽略。在接下来的步骤330中，所述算法引擎可对所述实时终点算法进行分等级。在一实施方式中，所述分等级可能是基于保真比和/或实时延时。在一个实例中，如果两个实时终点算法具有相同的保真比，那么具有更小的实时延时的终点算法的等级更高。在另一个实例中，如果两个终点算法具有相同的实时延时，那么具有更高保真比的终点算法的等级更高。返回去参考图2，在接下来的步骤208中，可将实时终点算法引入生产。在一实施方式中，具有最高等级的实时终点算法可被自动引入生产。在另一实施方式中，所述引入生产的实时终点算法可以是由操作者控制的，由此使该操作者能够选择最符合其需求的终点算法。在一个实例中，实时延时是设备生产商所考虑的问题。因此设备生产商可能更倾向于使用能够提供更短延时而其可靠性相对较低的终点算法。经验证据证明，通过自动化所述工艺，产生最优实时终点算法的任务可能在数分钟内达成。进一步地说，由于所述算法引擎被设置为使人工输入量最小化，构建终点算法的过程现在可以通过非专业的操作者执行。由此，如果该方法无法在一个终点区域内产生一系列可接受的终点算法，那么所述操作者可以很快地重新定义终点区域并再次启动所述算法引擎并在数分钟内生产一系列新的终点算法。图4显示了本发明的一实施方式中在生产环境中实施实时终点算法的简单流程图。第一步402中，实施工艺流程。在接下来的步骤404中，通过成组的传感器在衬底加工中采集数据。在接下来的步骤406中，可在工艺现场实施终点算法分析所述数据以识别所述工艺的终点。在一实施方式中，可使用计算引擎分析所述数据。由于所采集到的数据量很大，所述计算引擎可能是高速运算模块，该模块被设置为能够处理大量的数据。所述数据可直接从所述传感器传出，而无须首先通过制造主机控制器或甚至无须首先通过工艺模块控制器。2009年9月8日Huang等提交的，申请号12/555，674的专利申请描述了适用于执行所述分析的分析计算器的示例。在接下来的步骤408中，所述系统可做出关于正在识别终点的决定。如果没有识别到终点，那么系统返回步骤404。然而，如果识别了所述终点，那么在接下来的步骤410中，可停止所述工艺流程。从前面的描述可见，本发明的一种或多种实施方式提供了识别最优实时终点算法的方法。通过自动化进行所述分析，所述方法基本不需要专业的操作者。通过这里描述的方法，能够将更可靠的终点算法引入生产中。而且，由于产生终点算法所需的时间显著缩短，更新或产生新的终点算法的任务不再需要耗费大量的资源和时间。虽然本发明通过几个优选实施方式进行描述，但是相应的变化、置换或等同替换也落入本发明的范围内。尽管这里提供了许多实例，但这些实例是想要说明而不是限制本发明。而且尽管在本文件中通篇使用终点为例，但本发明也可用于变化点，所述变化点指的是在加工中可能发生的信号变化。同时本发明的题目和摘要是为了理解方便，而不应被作为确定权利要求保护范围的依据。进一步地说，摘要中的描述是非常简要的，是为了理解方便而提供的，不能被用于解释或者限制整个发明，本发明会在权利要求书中限定。本发明中使用的术语“成组的”(“set”)采用的是其在数学上的通常理解，其涵盖范围包括0，1或者超过I。还需要
提醒的是，可以用许多其它方法实施本发明的方法和设备。因此，所附的权利要求书应当被理解为包含了所有落入本发明真实的精神和保护范围之内的变化、置换或等同替换。
权利要求
1.用于在等离子加工系统中的衬底加工过程中自动识别限定エ艺终点的最优终点算法的方法，其包括 在所述等离子加工系统内的至少ー块衬底的衬底加工过程中，从多个传感器中获取传感器数据，其中所述传感器数据包括来自多个传感器通道的多个信号流； 识别终点区域，其中所述终点区域是预期在其中出现所述エ艺终点的近似时间段； 分析所述传感器数据以生成成组的潜在的終点特征； 将所述成组的潜在的终点特征转换为成组的最优终点算法；以及 将所述成组的最优终点算法中的一个最优終点算法引入生产环境。
2.如权利要求I所述的方法，其中所述传感器数据从超过ー块衬底中采集得到。
3.如权利要求I所述的方法，其中对所述传感器数据的所述分析包括对所述传感器数据进行线性拟合，以基于时间间隔将来自所述多个信号流中的每个信号流划分为多个区段。
4.如权利要求3所述的方法，其中所述多个区段中的每个区段都是一致的。
5.如权利要求3所述的方法，其中为了生成所述成组的潜在的終点特征中的第一成组的潜在的终点特征而对所述传感器数据进行的所述分析包括 针对所述传感器数据计算第一成组的斜率和第一成组的对应的斜率噪音值，其中针对所述多个区段中的每个区段计算斜率和对应的斜率噪音值； 计算所述斜率中的斜率方差，以从所述多个信号流中识别成组的高对比度信号，其中所述成组的高对比度信号具有高的斜率方差； 将具有类似斜率方差的相邻波长结合为成组的信号波长带； 将所述高对比度信号分等级； 将所述成组的信号波长带分等级；以及 通过对至少部分的所述高对比度信号及所述成组的信号波长带施加成组的经典特征，来识别所述第一成组的潜在的終点特征，其中所述成组的经典特征包括峰、谷和拐点中的至少ー种。
6.如权利要求5所述的方法，其中为了生成所述成组的潜在的終点特征中的第二成组的潜在的终点特征而对所述传感器信号进行的所述分析包括 通过将由所述第一成组的斜率的对应斜率噪音值按比例表示的斜率与所述第一成组的斜率噪音值结合，进行多元分析，从而生成成组的标准化的斜率和成组的标准化的对应的斜率噪音值； 计算所述标准化的成组的斜率中的斜率方差，从而从所述多个信号流中识别标准化的信号，其中所述标准化信号具有高斜率和低方差； 将具有类似斜率方差的相邻波长结合为成组的标准化信号波长带； 将所述标准化信号分等级； 将所述成组的标准化信号波长带分等级；以及 将成组的经典特征施加到所述高对比度信号以及成组的信号波长带与所述标准化信号以及所述成组的标准化信号波长带的比率，以生成所述第二成组的潜在的終点特征。
7.如权利要求5的方法，其中所述将所述成组的潜在的终点特征转换为所述成组的最优终点算法的转换步骤包括如果所述成组的潜在的終点特征的第一潜在的終点特征和第二潜在的終点特征具有类似的形状和时间段，将所述第一潜在的終点特征和所述第二潜在的終点特征结合； 执行可靠性测试，以从所述成组的潜在的終点特征中去除可能不可重复的终点特征；执行多元相关性分析以识别所述成组的潜在的終点特征的成组的最优终点特征；将所述成组的最优终点特征转换为成组的具有最小实时延时的实时终点算法，其中所述实时延时是基于过滤器延时； 通过执行下列两种方法中的至少ー种，生成所述成组的最优终点算法 去除具有大于预定义阈值的对应实时延时的实时终点算法，和 若所述实时終点算法不能通过可靠性测试，删除该实时終点算法； 以及 将所述成组的最优终点算法中的每个最优终点算法分等级，其中所述分等级是基于保真比和所述实时延时中的至少ー种。
8.如权利要求6所述的方法，其中所述将所述成组的潜在的終点特征转换为所述成组的最优终点算法的转换步骤包括 如果所述成组的潜在的終点特征的第一潜在的終点特征和第二潜在的終点特征具有类似的形状和时间段，将所述第一潜在的終点特征和所述第二潜在的終点特征结合； 执行可靠性测试，以从所述成组的潜在的終点特征中去除可能不可重复的终点特征；执行多元相关性分析以识别所述成组的潜在的終点特征的成组的最优终点特征；将所述成组的最优终点特征转换为成组的具有最小实时延时的实时终点算法，其中所述实时延时是基于过滤器延时； 通过执行下列两种方法中的至少ー种，生成所述成组的最优终点算法 去除具有大于预定义阈值的对应实时延时的实时终点算法，和 若所述实时終点算法不能通过可靠性测试，删除该实时終点算法； 以及 将所述成组的最优终点算法中的每个最优终点算法分等级，其中所述分等级是基于保真比和所述实时延时中的至少ー种。
9.如权利要求I所述的方法，其中所述最优終点算法的所述引入是基于分等级和成组的用户定义的条件中的至少ー种。
10.在加工室内加工衬底的过程中限定终点的方法，其包括 在衬底上实施工艺流程； 在衬底加工过程中从成组的传感器中获取加工数据； 通过应用最优终点算法来分析所述加工数据； 识别エ艺终点；以及 停止所述衬底加工。
11.如权利要求10所述的方法，其中所述分析由计算引擎执行，其中所述计算引擎是被 设置为用于处理大量数据的高速处理模块。
12.如权利要求10所述的方法，其中所述最优終点算法通过下列步骤构建 在所述等离子加工系统内加工至少ー块衬底的过程中从多个传感器获得传感器数据，其中所述传感器数据包括来自多个传感器通道的多个信号流；识别终点区域，其中所述终点区域是预期在其中出现所述エ艺终点的近似时间段； 分析所述传感器数据，以生成成组的潜在的終点特征； 将所述成组的潜在的终点特征转换为成组的最优终点算法；以及 将所述成组的最优终点算法中的一个最优終点算法引入生产环境。
13.如权利要求12所述的方法，其中所述传感器数据从超过ー块衬底采集得到。
14.如权利要求13所述的方法，其中对所述传感器数据的所述分析包括对所述传感器数据进行线性拟合，从而将来自所述多个信号流的每个信号流根据时间间隔分割为多个区段。
15.如权利要求14所述的方法，其中为了生成所述成组的潜在的終点特征的第一成组的潜在的终点特征而进行的对所述传感器数据的所述分析包括 针对所述传感器数据计算第一成组的斜率和第一成组的对应的斜率噪音值，其中针对所述多个区段中的每个区段计算斜率和对应的斜率噪音值； 计算所述斜率中的斜率方差，以从所述多个信号流中识别成组的高对比度信号，其中所述成组的高对比度信号具有高的斜率方差； 将具有类似斜率方差的相邻波长结合成成组的信号波长带； 将所述高对比度信号分等级； 将所述成组的信号波长带分等级；以及 通过对至少部分的所述高对比度信号和所述成组的信号波长带施加成组的经典特征，来识别所述第一成组的的潜在的終点特征，其中所述成组的经典特征包括峰、谷、和拐点中的至少ー种。
16.如权利要求15所述的方法，其中为了生成所述成组的潜在的終点特征的第二成组的潜在的终点特征而进行的对所述传感器数据进行的所述分析包括 通过将由所述第一成组的的斜率的对应斜率噪音值按比例表示的斜率与所述第一成组的斜率噪音值结合，进行多元分析，从而生成成组的标准化的斜率和成组的标准化的对应斜率噪音值； 计算所述成组的标准化的斜率中的斜率方差，从而从所述多个信号流中识别标准化信号，其中所述标准化信号具有高斜率和低方差； 将具有类似斜率方差的相邻波长结合为成组的标准化信号波长带； 将所述标准化信号分等级； 将所述成组的标准化信号波长带分等级；以及 将成组的经典特征施加到所述高对比度信号以及成组的信号波长带的比率与所述标准化信号以及所述成组的标准化信号波长带的比率，以生成所述第二成组的潜在的终点特征。
17.如权利要求15所述的方法，其中将所述成组的潜在的終点特征转换为所述成组的最优终点算法的转换步骤包括 若所述成组的潜在的終点特征的第一潜在的終点特征与第二潜在的終点特征具有类似的形状和时间段，将所述第一潜在的終点特征与第二潜在的終点特征结合； 执行可靠性测试，以从所述成组的潜在的終点特征中去除可能不可重复的终点特征； 执行多元相关性分析以识别所述成组的潜在的終点特征的成组的最优终点特征；将所述成组的最优终点特征转换为具有最小实时延时的成组的实时终点算法，其中所述实时延时是基于过滤器延时； 通过执行下列两种方法中的至少ー种，生成所述成组的最优终点算法 去除具有大于预定义阈值的对应实时延时的实时终点算法，和 若所述实时終点算法不能通过可靠性测试，删除该实时終点算法； 以及 将所述成组的最优终点算法中的每个最优终点算法分等级，其中所述分等级是基于保真比和所述实时延时中的至少ー种。
18.如权利要求16所述的方法，其中将所述成组的潜在的終点特征转换为所述成组的最优终点算法的转换步骤包括 若所述成组的潜在的終点特征的第一潜在的終点特征与第二潜在的終点特征具有类似的形状和时间段，将所述第一潜在的終点特征与所述第二潜在的終点特征结合； 执行可靠性测试，以从所述成组的潜在的終点特征中去除可能不可重复的终点特征；执行多元相关性分析以识别所述成组的潜在的終点特征的成组的最优终点特征；将所述成组的最优终点特征转换为具有最小实时延时的成组的实时终点算法，其中所述实时延时是基于过滤器延时； 通过执行下列两种方法中的至少ー种，生成所述成组的最优终点算法 去除具有大于预定义阈值的对应实时延时的实时终点算法，和 若所述实时終点算法不能通过可靠性测试，删除该实时終点算法； 以及 将所述成组的最优终点算法中的每个最优终点算法分等级，其中所述分等级是基于保真比和所述实时延时中的至少ー种。
19.如权利要求12所述的方法，其中所述最优終点算法的所述引入是基于分等级和成组的用户定义条件中的至少ー种。
20.如权利要求14所述的方法，其中所述多个区段中的每个区段是一致的。
全文摘要
本发明提供了用于在等离子加工系统中的衬底加工过程中自动识别限定工艺终点的最优终点算法的方法。该方法包括在所述等离子加工系统内的至少一块衬底的衬底加工过程中，从多个传感器中获取传感器数据，其中所述传感器数据包括来自多个传感其通道的多个信号流。本发明还包括识别终点区域，其中所述终点区域是预期在其中出现所述工艺终点的近似时间段。该方法进一步包括分析所述传感器数据从而生成成组的潜在的终点特征。该方法还包括将所述成组的潜在的终点特征转换为成组的最优终点算法。该方法还进一步包括将所述成组的最优终点算法中的一个最优终点算法引入生产环境。
文档编号H01L21/3065GK102804353SQ201080027296
公开日2012年11月28日 申请日期2010年6月29日 优先权日2009年6月30日
发明者江新·王, 安德鲁·詹姆斯·斐瑞, 维甲压库马尔·C·凡尼高泊 申请人:朗姆研究公司