专利名称：制程终点曲线的图形辨识法及其系统以及含有执行该方法的指令的电脑可读取媒体的制作方法
技术领域：
本发明关于在半导体制程中利用一类神经网路来侦测制程终点曲线的系统及方法。
背景技术：
在现今半导体制程中，利用蚀刻制程在半导体装置中形成不同构造，例如，沟渠及通孔。图1A～1C所示为已知的半导体装置的蚀刻制程。如图1A所示，一半导体装置100包括一矽基底102、一多晶矽层104以及一绝缘层106，在绝缘层106上沉积一光阻层108，光阻层108被图案化形成预定的结构，该预定的结构可以是孔洞或沟渠。光阻108在蚀刻制程中被用来当作遮罩。
接着，在图1B中，光阻108在蚀刻制程的期间被用来当作遮罩，在该蚀刻制程中，绝缘层106被蚀刻到多晶矽层104为止。当蚀刻至该多晶矽层104时，终止该蚀刻制程。在图1C中，在蚀刻完成后将光阻108去除，该蚀刻制程可以使用湿蚀刻，此外乾蚀刻也可被使用，例如，离子轰击或电浆蚀刻。
在半导体装置的制程中，乾蚀刻是形成细微图案的一种技术，乾蚀刻是一种方法，在真空中使用易反应的气体产生电浆，且在电浆中由使用离子、中性基、原子及分子去除所要蚀刻的目标物。蚀刻进行至完全将蚀刻目标物反应完毕为止。如果蚀刻在把蚀刻目标物去除后持续蚀刻，将对目标物下方的膜层造成过度蚀刻，或者蚀刻后的形状并非所想要的。因此，在蚀刻制程中，精确地侦测终点有助于得到所想要的结构。
图2A和图2B所示为半导体装置乾蚀刻的制程。在图2A中，一半导体装置200包括一矽基底202、一膜层204及一光阻层206。光阻层206被图案化形成预定的结构，例如，沟渠或孔洞。
如图2B所示，在半导体装置200上引入电浆气体反应物208，电浆气体反应物208与膜层204发生反应，因而蚀刻膜层204。当电浆反应物与膜层204发生反应时，产生一副产物，该蚀刻的副产品的重要性将在下文描述。当膜层204被蚀刻使得基底202显现出来时，再把电浆气体反应物208除去，至此结束蚀刻制程。
蚀刻制程结束的点称为终点，要决定蚀刻制程的终点有数种方法。光学放射频谱分析(Optical emission spectroscopy)为侦测终点的方法之一，光学放射频谱分析容易施行并提供高敏感性，其依靠电浆中反应物或副产物特有的光辐射的强度变化。原子或分子中的电子从高能阶到低能阶时释放出能量发光，原子及分子所发出的光谱对每一种个别的反应物或副产物都是唯一的。如图3所示，每一种不同的反应生成物放射不同波长的放射光，该放射光的强度为在电浆中反应物种类相对浓度的函数，由观察特定副产物的放射强度能够决定蚀刻制程的终点。
图4为一已知的终点辨认系统400。系统400包含一反应室410，该反应室410包括一即将被进行制程的半导体装置412和窗口414。系统400用诸如仪表或示波器等记录器记录在蚀刻制程中蚀刻物质的存在或不存在的放射光谱或是所谓的终点曲线。来自反应物所放射的辐射光谱由窗口414经过透镜420被收集至检波器430。为了侦测该辐射光，检波器430具有一滤波装置能将特定波长滤出。为了侦测终点，个别的反应物或副产物的放射强度将被监控在固定的波长且记录在记录器440上。当蚀刻至终点时，放射强度会改变，终点放射强度的改变是靠监测特有的反应物及副产物。此放射强度随着反应物的增加而增加，反之，当到达终点时，由于副产物减少而减少。
图5是在蚀刻时副产物的放射光谱强度曲线图。如曲线图所示，蚀刻制程开始于502，反应过程中，副产物放射强度曲线增强如504。当蚀刻制程接近506时副产物放射强度下降。如此可以很容易地从监控反应副产物的放射强度下降而决定终点506。图6是反应后副产物终点曲线的示范图，终点被决定于观察反应曲线常态特徵所定为终点之处。常态特征为规律地发生在终点曲线的特征。
光学放射频谱分析还是有一些缺点，其有时候不容易辨认正确的蚀刻终点。比如终点曲线包含异特征时，就难以由传统的光学放射频谱分析来决定。许多时候需要过度蚀刻。然而，在这种过度蚀刻的例子中将造成下层材质被蚀刻的危险。
发明内容
本发明的主要目的在于利用类神经网路提供一种决定蚀刻制程终点的系统和方法。经由学习一组在蚀刻制程中具有常态与异态特征的终点曲线，类神经网路可以经由图形辨认法决定蚀刻制程的终点。
本发明的另一目的在于提供一种乾蚀刻制程的终点曲线的图形辨认系统和方法，该系统使用一组符合乾蚀刻制程的训练曲线来训练类神经网路，其中该训练曲线包含常态与异态的特征。该系统在类神经网路接收一乾蚀刻制程的终点曲线并在终点曲线中分辨异态特征。
本发明的目的是这样实现的一种制程终点曲线的图形辨认方法，包括下列步骤用一组符合制程的训练曲线训练一类神经网路，该训练曲线包含常态与异态特征；在该类神经网路所描述的制程接收一终点曲线；及在该终点曲线辨认出异态特征。
一种制程的终点曲线的图形辨识系统，包括训练一类神经网路学习一关系该制程的特征的功能手段；接收该终点曲线的功能手段；及辨认该终点曲线的异态特征的功能手段。
一种电脑可读取的媒体，包含执行一方法的指令被一处理器执行时，该方法以图形辨识一制程之终点曲线，包括
以一组关联该制程的训练曲线训练一类神经网路，其中该训练曲线具有常态与异态的特征；在该类神经网路接收一个描述一制程的终点曲线；以及在该终点曲线中辨认异态特征。
一种在制程中终点曲线的图形辨认方法，包括设定一个类神经网路；收集一组类比训练曲线；将该组类比训练曲线转换成一组数位训练曲线；以该组数位训练曲线训练该类神经网路；收集一组类比实验曲线；将该组类比实验曲线转换成一组数位实验曲线；输入该组数位实验曲线至该类神经网路；以及由该类神经网路决定该组数位实验曲线的终点。
一种在制程中终点曲线的图形辨认系统，包括一反应室，用以蚀刻一半导体基底；一侦测器，以侦测在该半导体基底的蚀刻制程中来自该反应室的辐射，并产生一辐射信号；一记录器，耦接至该侦测器，用来记录该辐射信号；一类比数位转换器，耦接至该记录器，用来转换该辐射信号；以及一图形辨认装置，耦接至该类比数位转换器，用以侦测该转换后辐射信号的终点曲线。
符合本发明的其他特征及优点将由以下说明设立一部分，以及一部分从以下的描述是明显的，或是经由本发明的实施来学习。与本发明一致的优点将被清楚地了解，并由在随附的申请专利范围中特别指出的元件及结合来达成。
图1A为已知的半导体装置的蚀刻过程之一。
图1B为已知的半导体装置的蚀刻过程之二。
图1C为已知的半导体装置的蚀刻过程之三。
图2A为已知的半导体装置的乾蚀刻过程之一。
图2B为已知的半导体装置的乾蚀刻过程之二。
图3为乾蚀刻制程的各种副产物的放射波长曲线图。
图4为已知的乾蚀刻终点辨识系统。
图5为在乾蚀刻制程中特定副产物放射强度的示范曲线图。
图6为终点示范曲线记录图。
图7为在类神经网路中的节点示意图。
图8为两个具有节点的类神经网路示意图。
图9为与本发明目的一致的类神经网路，为了半导体蚀刻制程的终点辨识，其施行倒传递式学习规则。
图10为与本发明精神一致的一种训练类神经网路的方法。
图11为具有稳定前特征的终点曲线图。
图12为具有非稳定前特征的终点曲线图。
图13为类神经网路训练方法的流程图。
图14A～14C为记录具有常态特征的终点曲线图形。
图15A～15C为记录具有异态特征的终点曲线图形。
图16A为示范性实验的终点曲线图之一。
图16B为示范性实验的终点曲线图之二。
图17为与本发明精神一致的一种在蚀刻制程中终点辨识的系统方块图。
图18为与本发明精神一致的终点侦测方法流程方块图。
标号说明100半导体装置102矽基底104多晶矽106绝缘层108光阻层202半导体装置204绝缘层206光阻层208反应物
400 终点辨认系统 410 反应室 412 半导体装置414 窗口 420 透镜 430 检波器440 记录器502 蚀刻起点的副产物放射光谱强度800 类神经网路504 蚀刻过程的副产物放射光谱强度700 类神经网路节点506 蚀刻终点的副产物放射光谱强度710 线性临界闸810 第一层 820 第二层900 类神经网路910 第一层 920 第二层930 第三层1000学习过程1102稳定前特征1100终点曲线 1202非稳定型前特征1200终点曲线 1300步骤1310步骤1320步骤 1330步骤1340步骤1350步骤 1360步骤1380步骤1400终点曲线 1410终点曲线1420终点曲线1500终点曲线 1510终点曲线1520终点曲线1600曲线 1610曲线1620曲线1630曲线 1640曲线1650曲线1700终点辨认系统 1710反应室 1712半导体装置1714窗口 1720透镜1730检波器1740记录器1750类比数位转换器1760电脑单元 1800步骤1810步骤1820步骤 1830步骤1840步骤1850步骤 1860步骤1870步骤具体实施方式
与本发明符合的目的及特色的实施例将配合附图详细地说明，有些部分将被以同样或类似的方式利用，但不违背本发明的精神。
本发明的主要目的在于，利用类神经网路的方法克服已知技术中蚀刻终点辨认系统及方法的缺点。透过学习蚀刻制程的多个终点曲线特征，其特征包括常态与异态的特征，类神经网路经由图形辨认法决定出该蚀刻制程的终点。
类神经网路是一由多个简单处理元件的互连结合，它的功能类似人类大脑中一些神经元的组合，其中处理元件被称为节点。贮存于内节点(inter-node)中键结强度的类神经网路的处理能力，经由从一组训练图形学习而得，其中该键结强度被称为权重(weight)。在网路中由一学习规则及训练图案为基础来调整权重以达成学习效果，使得整个网路输出所需要的结果。
类神经网路的最基本单元为一个节点(node)，图7是一个类神经网路节点(neural network node)700的范例。类神经网路节点700接受由x1、x2…xn等元素所组成的输入向量X而产生作用。输入向量X乘以由w1、w2…wn等元素组成的权重向量(weight vector)W。即，每一个向量元素乘以对应的权重向量元素。该相乘的结果输入到一线性临界闸(linear threshold gate，LTG)710，LTG 710将所有X与W的乘积加起来。由转换函数f(s)来操作该总量。在转换函数f(s)处理该总量之后，一输出值y从LTG 710输出。例如转换函数f(s)可以是一步阶函数，在这个例子中，如果总量大于该步阶函数的临界值，输出值y为二进位1。如果总量小于该步阶函数的临界值，输出值y为二进位0。
类神经网路是一多层结构，其中每一层均由许多节点排列组成，图8是一类神经网路800的示意图，类神经网路800是由第1层810及第2层820两层所组成，第1层810包含k个节点，第2层820包括一单一节点。第1层810及第2层820的节点可以是如图7的LTG 710。类神经网路800由第1层810来接收x1、x2…xn等元素所组成的输入向量X。第1层810处理输入向量X并将结果输出到第2层820。第1层810的节点可以由如图7所示的连结方法处理输入向量X。第1层所输出的结果为第2层820的输入。第2层820处理该结果后将输出一结果y。第2层820的节点可以由如图7所示节点的方法处理第1层810的输出值。
类神经网路的优点之一就是学习能力。由更新连结在每一层中每一节点的权重以帮助类神经网路的学习过程。在每一层中每一个节点的权重经由特殊的学习规则将资料更新。倒传递(back-propagation，BP)学习规则系学习规则的一种。倒传递(BP)学习规则依据与实际输出及理想输出之间的误差相关的学习程序(learning process)的权重改变。在该网路中，决定一关联一节点输出的误差，然后倒传回该节点的权重。许多训练集合被输入至该网路用来训练该网路。该类神经网路基于其产生的输出与所要的输出间的误差处理每一个训练集合并更新节点的权重。
图9所示为根据本发明目的的实施一倒传递学习规则的类神经网路900的实施例。类神经网路900被用来当作图形分类网路以辨认在蚀刻终点曲线图中常态与异态特征。类神经网路900由一连串具有特性特征的取样终点曲线训练。
类神经网路包括910，920及930三层。第一层910为一输入层包括I个节点，层910接收向量X[x1，x2....xi，xn]。第二层920是一隐藏层，其包括K个节点，层920连接到第一层910。第三层930是一输出层，包括J个节点，层930连接到第二层920，并且被用来输出类神经网路处理的结果。每一层的节点可以是如图7中的LTG。每一层节点的数量由输入向量个数的多少、训练终点曲线的个数以及可能输出的个数来决定。
为了依据倒传递学习规则来训练类神经网路，一连串具有特有的特征的训练终点曲线被提供给类神经网路900，类神经网路900处理该终点曲线时由更新权重来达到学习的效果。学习的过程在图9、图10及方程式1～5中说明。图10是学习过程1000的方块图，其中层910中具有I个节点，层920中具有K个节点，而层930中具有J个节点。在层910、920及930中该多个节点的转换函数可以是一个S形作用函数(sigmoid function)f(S)，该函数f(s)以方程式表示如下f(s)=11+e-as---(1)]]>其中α是一个增益向量，s是由输入权重的相加值，在此技术领域中熟习该项技艺之人士可了解到该转换函数并不只限于S形作用函数，可能有另一转换函数，例如，双曲正切函数(hyperbolic tangent function)，其公式为f(s)＝tanh(βs)，其中β为一增益向量，而s是由输入权重的相加值。
层910与920的权重wkj与wik由简化下列误差函数(error function)来更新E(w)=12Σj=1J(Tj-Yj)2---(2)]]>其中Yj是层930第j个节点的输出，而Tj是层930第j个节点所希望的输出。
层920节的权重依以下方程式修正Δwkj=wkjnew-wkjc=-ρ0∂E∂wkj=ρ(Tj-Yj)f′(netj)zk---(3)]]>其中ρ为学习速率，netj=Σk=0wkjzkk]]>是一个权重的加总值或者以s表示，f′是f的转换，f由与权重加总值有关的方程式1得到的。 为方程式2中E(w)对于权重w的偏微分。wkjc及wkjnew分别代表尚未更新与更新后的权重值(weightvalue)。该zk的值是根据传送输入向量X通过层920所决定的，其方程式如下zk=f[Σi=0nwikxi]=f(netk),k=1...K---(4)]]>层910节点的权重经由下列方程式更新Δwik＝ρh[∑(Tk-Yk)f′(netj)wkj]f′(netk)xi(5)其中Tk为层920第k个节点的估计目标(estimated target)，ρh为学习率。在此领域中熟习此项技艺之人士能够了解上述的方程式对于其他的转换函数f(s)亦可能适用。
类神经网路900由输入的取样终点曲线来训练，并训练该网路900由特有的特征以辨别终点曲线图。图11及12所示为具有不同特有特征的终点曲线图。图11显示具有稳定前特征1102的终点曲线图1100。稳定前特征为一种在终点曲线图中的特征，在此，其可容易地决定蚀刻的相异点或终点。在稳定前特征1102的例子中，特征1102是以该强度的水平来定义的。图12所示为终点曲线图1200中，具有一不稳定前特征1202。不稳定前特征系一种在终点曲线图中的特征，其蚀刻的相异点或蚀刻终点可能不容易判断。在不稳定型前特征1202的例子中，只要强度有一轻微的强度水平，特征1202就会被定义。
类神经网路900被训练由设定期望输出Tj来分类该期望的特征，然后重覆输入终点曲线1000当作向量x直到类神经网路的输出很接近所期望输出为止。图13是类神经网路900训练方法的流程图。
一开始由设定类神经网路使用如图10所示的倒传递学习规则(步骤1300)。接下来，收集一组曲线图(1310)，然后将曲线图用以下方程式分类并且转换。Vm=Vin-VminVmax-Vmin]]>当vmin＜0；或者Vm=VinVmax]]>当Vmin≥0其中Vm是曲线的转换值，Vin是曲线正在转换的收集值，Vmax是曲线中最大值，Vmin是曲线中最小值。在图11及图12的例子中，该曲线已被正规化缩小使得该曲线的范围在0与1之间。
分类包括选取在曲线集合中的每一条曲线的期望输出Tj。在图11及图12的例子中，该多条曲线被分类成前制程稳定型与前制程不稳定型，且每一曲线被选取一期望输出Tj。在此技术领域中熟习该项技艺之人士将了解到，该曲线的集合可能包括不在图11及图12说明中的的额外曲线。
接下来，该曲线集合为了分类被转换的曲线，其分成第一曲线集合与第二曲线集合(步骤1330)。该第一曲线集合被当成x向量输入类神经网路900，用以训练该网路900(步骤1340)。类神经网路的训练一直到达成一所期望的学习。在类神经网路900中，当所期望的输出值Tj与输出值Yj之间的均方根误差降低至预设误差时，停止训练。该预设误差是以类神经网路所要求的正确性决定。若需较高正确率时，预设误差就设成很小的值。
当训练结束时，类神经网路900的权重经由学习而被设定，该设定值用来当作曲线分类的标准。类神经网路900可由输入为了训练类神经网路900所使用的第一曲线来测试。因为该第一曲线集合被使用以训练类神经网路900，故该类神经网路应该有能力100％的将第一曲线集合分类出来。如果准确度未达100％，在学习取样的分类中存在一误差值，例如，完全相同类型的曲线也许分类在不同的类别中，以及不一样的期望输出Tj，因而产生误差。
在该第一曲线集合被类神经网路900确定之后，为了分类与找寻终点(步骤1360)，该第二曲线集合也输入类神经网路900中。如果第二集合的辨识百分比很高，则类神经网路的权重是可靠的。因此，为了终点侦测类神经网路900被设定以处理蚀刻制程曲线图。
如果类神经网路需要增加新的分类，一组新的训练曲线将被收集以描述新的分类(步骤1387)。接着，类神经网路900被新的一组曲线以及第一组曲线重新训练。
一旦使用终点曲线以训练类神经网路900完成后(步骤1380)，一试验的终点曲线可能被输入当作向量x至类神经网路。因为类神经网路已被训练，所以可以从特有的特征将终点曲线分辨出来。在此领域中熟习此项技艺之人士能了解到类神经网路能够输入一部分的终点曲线以取代全部曲线图。因此，一试验的终点会有一部分被即时处理。例如，那一部分被选择的终点曲线能够被输入当作向量x。所以，当该终点曲线即时的被接收时，其中部分可能被输入类神经网路900来决定是否有特有的特征存在。
图14A～14C所示为使用具有正常特征的训练的终点曲线以训练类神经网路，例如类神经网路900。图15A～15C所示为使用具有异态特征1502，1504，1512，1514及1522的训练终点曲线来训练神经网路，例如，类神经网路900。异态特征在终点曲线中的特征，可能不规则地发生在蚀刻终点曲线中，而且其在已知的蚀刻系统中不容易被发现。在图11及12的终点曲线例子中，网路900训练由被期望输出Tj以分类期望特征，然后根据图13的方法使用终点曲线1400、1410以及1420当作向量X来训练网路900。同样的方法重覆使用在终点曲线1500、1510及1520上。一旦类神经网路900被终点曲线训练完成，一试验的终点曲线可能被输入网路900当作向量X。类神经网路接收一试验的终点曲线。经验终点曲线被网路900的层所处理。因为网路900已具有常态与异态特征的范例终点曲线所训练完成，所以网路900能够从特有的特征认出终点曲线。
图16A及16B为已训练过的类神经网路，例如，网路900，用来决定终点的实验曲线图之范例。图16A及16B显示曲线随时间而改变且蚀刻终点曲线的输出电压不完全相同或成比例。例如，在图16A中，假想曲线1600及1610两者的蚀刻速率一样，两个不同厚度的半导体晶圆会有不一样的蚀刻终点。在曲线1600中蚀刻终点发生在时间91(X轴)位置，但曲线1610中蚀刻终点发生在时间112(X轴)位置。在图16B中，各个曲线1620、1630、1640中，不同的电压(Y轴)改变很容易地从图中观察出来。
图16A及16B说明蚀刻终点曲线随着时间(X轴)改变且其输出电压(Y轴)不会同时发生。因此，点对点的比对方法(即直接看曲线图)也许不是一个可靠的曲线比对方法。从直接看图法能够将曲线分得更细微，但是，每一个曲线图的电压位准都不同，所以利用倒传递类神经网路辨认图形是最佳的方法。
像这样的分类，每一个经验曲线1600、1610、1620、1630、1640、及1650当作向量X分别输入至网路900。网路900将决定经验曲线特征，该特征与被用来训练网路900的范例训练终点曲线中的特征相符。当网路900比对完特征之后，输出比对图像。在此领域中熟习此项技艺之人士将了解到网路900可以被输入1600、1610、1620、1630、1640及1650等终点曲线的一部分取代整个曲线。所以经验终点的一部分可以被即时处理。
图17是符合本发明的终点辨认系统1700示意图。系统1700包括一反应室1710，反应室1710中含有将被处理的半导体装置1712以及窗口1714。在被蚀刻物质的存在及不存在中，系统1700由如仪表、示波器、图形记录器等记录器1740，记录在蚀刻制程期间的放射光谱来操作。放射辐射由反应物通过窗口1714及经过透镜1720，且被收集至一检波器1730。检波器1730是一种能将特定波长滤出的装置，例如，如果在矽或多晶矽蚀刻时产生氟化矽(SiF)，检波器将允许777nm的波长通过。为了要找出该蚀刻终点，监控特定反应生成物的辐射强度在一固定波长，并且记录在记录器1740中。记录器1740连接到一类比数位转换器(analog to digital converter；ADC)1750。ADC 1750将记录器1740的类比信号转换成数位信号再传到电脑单元1760。
电脑单元1760可能包含一般元件用以输入、输出、处理、控制及储存资料。例如，该电脑单元可以包含一中央处理单元(CPU)、随机存取记忆体(RAM)、视讯卡、音效卡、磁性储存元件、光学储存元件、输入/输出(I/O)端、监视器及网路卡(图中全部皆未示出)。电脑单元1760可以经由该I/O端随意接至一个印表机(图中未示出)。上述例子中的该I/O端与印表机之间的连接传输可以是并列式传输、串列式传输、通用串列汇流排以及IEEE 1394。ADC 1750也可以被连接至I/O端。此外ADC 1750也可以是电脑单元1760中的元件之一。例如ADC 1750可以被安装在电脑单元1760当中的一个扩充卡。
同样地，电脑单元1760可以透过网路(图中未示出)连接至其他电脑单元。例如，该网路可以是区域网路(LAN)或网际网路(Internet)、无线网路等广域网路(WAN)。
由如图9及图10的类神经网路设定电脑单元1760以施行终点判定。类神经网路可以用各种程式语言或套装软体来设计。例如类神经网路900可以用JavaTM程式语言、可扩展标示XML(hypertext markup language)语言、C语言或其他程式语言来撰写。在这个例子中，类神经网路900设定成一组指令储存在电脑单元1760中的储存单元里。电脑单元1760的CPU单元利用储存在储存单元中类神经网路的指令。同样地，在决定蚀刻终点的期间，终点曲线可能显示在电脑单元1760的萤幕或是由其印表机列印出来。
在此领域中熟习此项技艺之人士能够了解在电脑单元1760上，该类神经网路900能够以不同的形式来实现。例如，类神经网路900在电脑单元1760中可以是硬体的形式，在这样的例子中，类神经网路将被设定成一组逻辑和处理单元，被包括在电脑单元1760内部或是外部，且经由I/O端连接电脑单元1760。图18是本发明利用图17的系统1700以检测终点曲线的方法的流程图。
该方法开始于在电脑单元1760中设定一类神经网路(步骤1800)。类神经网路由网路的设计以及决定一学习规则给该网路来设定。例如，类神经网路可以被设计成如图9的网路900使用图10的学习规则。
下一个步骤，收集一组终点训练曲线(步骤1810)。这些曲线可以使用检波器1730收集。这些曲线也可以是从电脑单元1760事先记录下来的资料或是电脑单元1760产生的资料。
下一步骤，该组终点训练曲线由类比资料被转换成数位资料(步骤1820)。这可以由ADC 1750这类元件来完成。及至资料转换完成，该终点训练曲线被用来训练类神经网路(步骤1830)。使用如图13所述的方法训练至完成。
下一步骤，收集一组实验曲线(步骤1840)。这些曲线可以用检波器1730收集。然后，一组实验曲线由类比信号转换成数位信号(步骤1850)。这个步骤可以用ADC 1750来达成。
及至资料转换完成，该实验的曲线被输入训练完成之类神经网路(步骤1860)。类神经网路以步骤1830的训练为基础以决定实验终点曲线的终点(步骤1870)。当网路被训练到能辨认多组曲线的不同特征，终点就能很准确地被决定。
在此领域中熟习该项技艺之人士由本发明在此所详细描述的实施例，将会更明解其他与本发明一致的观点。例如，可以用其他类神经网路学习规则取代倒传递式学习规则(BP learning rule)。以上的描述及实施例的用意仅在于说明本发明，并非用以限定本发明，真正的范围及精神将由以下申请专利范围来决定。
权利要求
1.一种制程终点曲线的图形辨认方法，其特征在于，包括下列步骤用一组符合制程的训练曲线训练一类神经网路，该训练曲线包含常态与异态特征；在该类神经网路所描述的制程接收一终点曲线；及在该终点曲线辨认出异态特征。
2.如权利要求1所述的方法，其特征在于，该类神经网路使用倒传递式学习规则。
3.如权利要求1所述的方法，其特征在于，更包括收集一组训练曲线。
4.如权利要求1所述的方法，其特征在于，更包括一组辨认该组终点训练曲线图的常态特征。
5.如权利要求1所述的方法，其特征在于，更包括收集该终点曲线的类比信号。
6.如权利要求5所述的方法，其特征在于，更包括将该类比信号转换成数位信号。
7.一种制程的终点曲线的图形辨识系统，其特征在于，包括训练一类神经网路学习一关系该制程的特征的功能手段；接收该终点曲线的功能手段；及辨认该终点曲线的异态特征的功能手段。
8.如权利要求7所述的系统，其特征在于，更包括一组关联该制程的训练曲线。
9.如权利要求8所述的系统，其特征在于，更包括收集一组训练曲线的功能手段。
10.如权利要求7所述的系统，其特征在于，更包括收集终点曲线类比信号的功能手段。
11.如权利要求10所述的系统，其特征在于，更包括转换该类比信号成为数位信号的功能手段。
12.如权利要求7所述的系统，其特征在于，更包括比较该终点曲线与该特征的功能手段。
13.如权利要求7所述的系统，其特征在于，该训练该类神经网路的功能手段使用倒传递式学习规则。
14.一种电脑可读取的媒体，其特征在于，包含执行一方法的指令被一处理器执行时，该方法以图形辨识一制程的终点曲线，包括以一组关联该制程的训练曲线训练一类神经网路，其中该训练曲线具有常态与异态的特征；在该类神经网路接收一个描述一制程的终点曲线；以及在该终点曲线中辨认异态特征。
15.如权利要求14所述的电脑可读取的媒体，其特征在于，该类神经网路使用倒传递式学习规则。
16.如权利要求14所述的电脑可读取的媒体，其特征在于，更包括收集该组训练曲线。
17.如权利要求14所述的电脑可读取的媒体，其特征在于，更包括从该组训练曲线中辨认出常态特征。
18.如权利要求14所述的电脑可读取的媒体，其特征在于，更包括收集该终点曲线的类比信号。
19.如权利要求18所述的电脑可读取的媒体，其特征在于，更包括转换该类比信号为数位信号。
20.一种在制程中终点曲线的图形辨认方法，其特征在于，包括设定一个类神经网路；收集一组类比训练曲线；将该组类比训练曲线转换成一组数位训练曲线；以该组数位训练曲线训练该类神经网路；收集一组类比实验曲线；将该组类比实验曲线转换成一组数位实验曲线；输入该组数位实验曲线至该类神经网路；以及由该类神经网路决定该组数位实验曲线的终点。
21.如权利要求20所述的方法，其特征在于，该组类比训练曲线包含至少一常态或异态特征曲线。
22.如权利要求20所述的方法，其特征在于，该组类比实验训练曲线包含至少一常态或异态特征曲线。
23.如权利要求20所述的方法，其特征在于，该类神经网路使用倒传递式学习规则。
24.如权利要求20所述的方法，其特征在于，训练该类神经网路包括分类该组数位训练曲线；将该组数位训练曲线分成一第一及第二数位训练曲线集合；使用该第一数位训练曲线集合该训练类神经网路；测试该神类经网路；输入该第二数位训练曲线集合至该类神经网路；以及决定该类神经网路是否已被训练。
25.如权利要求24所述的方法，其特征在于，训练该类神经网路更包括增加一新分类给该组数位训练曲线。
26.一种在制程中终点曲线的图形辨认系统，其特征在于，包括一反应室，用以蚀刻一半导体基底；一侦测器，以侦测在该半导体基底的蚀刻制程中来自该反应室的辐射，并产生一辐射信号；一记录器，耦接至该侦测器，用来记录该辐射信号；一类比数位转换器，耦接至该记录器，用来转换该辐射信号；以及一图形辨认装置，耦接至该类比数位转换器，用以侦测该转换后辐射信号的终点曲线。
27.如权利要求26所述的系统，其特征在于，该图形辨认装置包含使用倒传递式学习规则的类神经网路。
全文摘要
一种乾蚀刻制程终点曲线的辨识法及其系统，该系统以相关于该乾蚀刻制程之一组训练曲线训练一类神经网路，其中该等训练曲线含有正常与异常特征。该系统在该类神经网路处接收代表一乾蚀刻制程的终点曲线，并侦测该终点曲线中的异常特征。
文档编号G05B23/02GK1482578SQ0313745
公开日2004年3月17日 申请日期2003年6月20日 优先权日2002年6月21日
发明者何宗轩 申请人:旺宏电子股份有限公司