专利名称：使用智能算法的实时腔室监控方法
技术领域：
置(holding)、沉积(CVD)或蚀刻工艺期间，实时监控腔室的技术，更为具 体地，涉及一种使用智能算法的实时腔室监控方法，该方法在腔室泄漏从而 外部空气引入到腔室时能够通过使用时间序列神经网络算法(或智能算法)
腔室的泄漏，并且在停置、沉积或蚀刻基底的工艺期间能够实时监控来自腔 室的等离子体发射，从而通过监控检测等离子体光谱中的氮(N2)、氧(02)、 氩(Ar)等的特定光谱。
背景技术：
众所周知的，在通过使用等离子体的装置在真空中制造半导体基底(或 晶片)的工艺期间，将诸如多晶硅、氧化硅和铝层的半导体、电介质和导电 材料沉积在基底上，然后这些层被蚀刻以形成栅极、导通孔(via-hole)、接 触孔或互联图案。
这时，通常通过化学气相沉积(CVD)、物理气相沉积(PVD)或氧化 和硝化工艺形成所述层。
例如，在CVD工艺中，反应气体被分解以将材料层沉积在基底上。在 PVD工艺中，靶材被溅射以将材料沉积在基底上。
在氧化和硝化工艺中，氧化层或硝化层可以是形成在基底上的氧化硅层 或氮化硅层。在蚀刻工艺中，由光刻胶形成的图案化的掩模层或通过硬质掩 膜光刻方法形成在基底上，从而基底的暴露部分被活性气体(例如，Cl2、 HBr 或BC13)蚀刻。
这时，在通过使用等离子体的设备在真空中对基底进行停置、沉积或蚀 刻的工艺中，当腔室的泄漏引起设备故障时，在传统的设备中难以精确地实 时4企测泄漏的发生时间。
即，泄漏检测方法可使用传统的时间序列神经网络方法。传统的时间序列神经网路方法包括获得等离子体的正常模式的发射光谱(OES)信号的电
平值和发生泄漏的等离子体的反常模式的OES信号的电平值，并通过时间序
列分析方法确定泄漏。
例如，在传统的CVD工艺中，特定数量的基底通过所述工艺(在此，作为参考，将使用15片基底)，随后，执行腔室清洁工艺。因此，工艺OES信号随着工艺的执行而减弱，以形成值的特定模式，从而确定泄漏。
但是，仅当构成正常模式与反常模式的数据值的数量彼此相等时，传统的时间序列神经网络系统才能执行分析。
即，当通过15个数据值获得正常模式时，仅在也通过15个数据值获得反常模式时，才可以确定泄漏。当在腔室发生泄漏的状态下在处于中间级的基底(例如，第3基底)上执行基底停置、沉积或蚀刻工艺时，传统的方法不能在发生泄漏之后立即检测到泄漏从而停止设备的操作并防止对设备的损害。因此，难以执行剩余12个基底(第4基底至第15基底)的基底停置、沉积或蚀刻工艺，从而，无法获得这12个基底的数据值，难以通过时间序列分析实时确定发生泄漏。
发明公开技术问题
为了解决上述和/或其它问题，本发明的一方面提供了一种使用智能算法的实时腔室监控方法，该方法在基底的停置、沉积或蚀刻工艺期间，在实时监控腔室的等离子体发射的状态下，当腔室泄漏从而外部空气引入到腔室时，能够使用时间序列神经网络算法(或智能算法)通过积分处理将;f企测信号与具有周期性的时间序列正常模式相比较，以实时检测腔室的泄漏，从而可通过监控检测等离子体光谱中的氮(N2)、氧(02)、氩(Ar)等的特定光谱。
即，所述方法包括在半导体基底的基底停置、沉积或蚀刻工艺期间预先获得基底的正常模式值；在基于正常模式值顺序执行基底的基底停置、沉积或蚀刻工艺的同时，将先前获得的正常模式值替换为通过基底停置、沉积或蚀刻工艺获得的每个基底的实际模式值，并比较替换的模式值，从而在单个基底的每一基底停置、沉积或蚀刻工艺之后立即实时确定发生泄漏。
技术方案
4可通过提供使用智能算法的腔室实时监控方法实现本发明的上述和/或
其它方面，所述方法包括第一步骤，在腔室中没有泄漏的状态下，在特定
数量的基底的基底停置、沉积或蚀刻工艺期间，预先顺序地获得正常模式值，
其中，通过腔室中等离子体的发射光谱(OES)信号的积分值获得所述正常模式值；第二步骤，在特定数量的基底经过基底停置、沉积或蚀刻工艺的状态下，当通过监控从等离子体光谱检测到泄漏引起的特定光谱时，将先前在第 一步骤中获得的正常模式值替换为发生泄漏时的等离子体的OES信号积分值；第三步骤，通过时间序列神经网络算法将替换的模式值与正常模式值相比较，以检测泄漏并确定工艺差错。
另外，在第二步骤中，当发生泄漏时的等离子体的OES信号积分值是第n值时，所述积分值用于替换先前获得的第n正常冲莫式值，其中n是自然数。
有益效果
如上所述，本发明使用这样的方法通过用于泄漏冲全测的时间序列神经网络算法获得正常模式值；将正常模式值替换为通过在获得正常模式值之后立即执行工艺获得的值，而不需要实时获得反常模式的所有数据，并检查模式。因此，可以在单个晶片的基底停置、沉积或蚀刻工艺之后立即实时确定泄漏的发生，并在不需要关闭设备的情况下通过泄漏检测器根据所述确定实时检查腔室的泄漏的发生。另外，当腔室发生泄漏时，可以减少确定时间，因此可提高产率。另外，在高温HDPCVD工艺期间，在腔室中产生裂缝时，可以容易地确定裂缝并防止对腔室的破坏以及破坏引起的事故的发生。
通过下面结合附图对示例性实施例进行的描述，本发明的上述和其它方面和优点将会变得清楚和更易于理解，其中
图1是根据本发明示例性实施例的泄漏检测系统的示意图2是示出根据本发明示例性实施例的适于使用神经网络算法的时间序列模式分析方法的神经网络结构的示图3是根据本发明示例性实施例的通过时间序列神经网络分析的实时泄漏分析的流程5的具有周期性的作为参考的正常模式值的曲线图5是，模式值的曲线图6是根据本发明示例性实施例的反常模式值用于替换正常模式值，以便执行具有非周期模式的时间序列神经网络算法的曲线图。
具体实施例方式
现在将对本发明实施例进行详细的描述，其示例表示在附图中。
图1是根据本发明示例性实施例的泄漏检测系统的示意图；图2是示出根据本发明示例性实施例的适于使用神经网络算法的时间序列模式分析方法的神经网络结构的示图；图3是根据本发明示例性实施例的通过时间序列神经网络分析的实时泄漏分析的流程图。
图4是示出根据本发明示例性实施例的用于时间序列分析的不存在泄漏的具有周期性的作为参考的正常模式值的曲线图；图5是示出根据本发明示例性实施例的发生泄漏的具有非周期性的反常模式值的曲线图；图6是根据本发明示例性实施例的反常模式值用于替换正常模式值，以便执行具有非周期性的时间序列神经网络算法的曲线图。
参照图1，为了实时检测腔室中的泄漏，必须提供包括泄漏检测部件30的系统，该泄漏检测部件30在真空中使用等离子体10的设备的基底停置、沉积或蚀刻工艺期间，监控来自腔室20的等离子体发射，以检测腔室20的泄漏的发生。在此，与用于实时检测泄漏的时间序列神经网络方法相关的算法被安装在泄漏检测部件30中。
即，如图3所示，安装有时间序列神经网络算法的泄漏检测部件30对OES信号的电平值进行积分，并将先前获得的正常it式值替换为积分值，从而实时检测每个工艺的腔室中的泄漏。
更为具体地，参照图1至图6，当采集15个值以构成具有这15个值的模式时，通过使用正常模式的时间序列神经网络算法执行实时泄漏检测。
此时，在腔室20中没有发生泄漏的状态下，在特定数量(例如，15个)的基底的基底停置、沉积或蚀刻工艺期间，预先依次使用腔室20中的等离子体10的OES信号获得正常模式值，并将这些正常模式值进行集成，如图2的隐藏类Ml。即，如图4所示，在执行特定数量的基底的基底停置、沉积或蚀刻工艺
之后，预先获得正常模式值(图4中示出的点)，在所述正常模式值中对从每 个工艺产生的腔室20中的等离子体OES信号进行积分。
在此，将图4的正常模式值存储在隐藏类Ml，其位于泄漏检测部件30 中的存储器。每当完成每个基底的工艺时，泄漏检测部件30从隐藏类M1中 搜索与该工艺相应的正常模式值，
同时，在预先获得正常模式值的状态下，执行特定数量的基底S(l)、 S(2)、…S(9)、…S(15)的基底停置、沉积或蚀刻工艺。在该过程中，如图2 和图5所示，当通过监控检测到由于泄漏的发生引起的在输入端In的等离子 体光谱中的特定光谱(氮、氧、氩)(见图5的A)时，如图6所示，泄漏检 测部件30对泄漏发生时的等离子体OES信号进行积分，并将隐藏类Ml的 先前获得的正常模式值Pl替换为积分值P2。
然后，泄漏检测部件30将正常模式值Pl替换为在腔室20中发生泄漏时 执行每个基底的工艺之后产生的积分值P2，并通过时间序列神经网络算法将 替换的模式值与正常模式值Pl相比较以实时检测泄漏的发生。
因此，可以解决这种严重的问题，即，无法实时冲企测泄漏，直到获得具 有特定数量的模式值的数据，而无论这些模式值正常或反常。
在此，当泄漏发生时等离子体10的OES信号的积分值是第n值时，泄 漏检测部件30计算的积分值用于替换先前获得的第n正常模式值。
例如，当完成第一基底工艺时，在完成第一基底工艺时的时间相同时间 产生的等离子体OES信号的积分值用于替换先前获得的第 一正常模式。当完 成第二基底工艺时，在完成第二基底工艺时的相同时间产生的等离子体OES 信号的积分值用于替换先前获得的第二正常模式，并且通过时间序列算法将 上述步骤重复到第15工艺。
涉及本发明示例性实施例的上述说明意图说明本发明，不应解释为限制 本发明。本领域的技术人员应该理解，在本发明的范围和精神内，可进行选 择、修改和变化。
权利要求
1、一种使用智能算法的实时腔室监控方法，所述方法包括第一步骤，在腔室中没有泄漏的状态下，在特定数量的基底的基底停置、沉积或蚀刻工艺期间，预先顺序地获得正常模式值，其中，通过腔室中等离子体的发射光谱OES信号的积分值获得所述正常模式值；第二步骤，在特定数量的基底经过基底停置、沉积或蚀刻工艺的状态下，当通过监控从等离子体光谱检测到泄漏引起的特定光谱时，将先前在第一步骤中获得的正常模式值替换为发生泄漏时的等离子体的OES信号积分值；第三步骤，通过时间序列神经网络算法将替换的模式值与正常模式值相比较，以检测泄漏并确定工艺差错。
2、 根据权利要求1所述的使用智能算法的实时腔室监控方法，其中，在 第二步骤中，当发生泄漏时的等离子体的OES信号积分值是第n值时，所述 积分值用于替换先前获得的第n正常模式值，其中n是自然数。
全文摘要
提供了一种在制造半导体基底或平板显示器基底的基底停置、沉积或蚀刻工艺期间实时监控腔室的方法。通过使用等离子体发射光谱(OES)信息的时间序列神经网络分析方法的泄漏检测方法包括基于OES信号检测从等离子体光谱是否产生了由于泄露导致空气被引入到腔室而引起的特定光谱(例如，氮、氧、氩等)；使用没有泄漏时的正常OES信号模式和发生泄漏时的特定光谱的反常OES信号模式通过时间序列神经网络分析方法，确定泄漏的发生。因此，与在关闭设备之后通过传统的泄漏检测器的泄漏检测不同，可以根据检测信号在不需要关闭设备的情况下在单个晶片的基底停置、沉积或蚀刻工艺之后立即确定泄漏的发生，，实时检查腔室的泄漏的发生。另外，当腔室发生泄漏时，可减少确定时间，因此可提高产率。另外，当在高温HDPCVD工艺期间在腔室中产生泄漏时，可容易地确定破裂并防止对腔室的破坏以及破坏引起的事故。
文档编号H01L21/205GK101663735SQ200780052134
公开日2010年3月3日 申请日期2007年8月24日 优先权日2007年8月24日
发明者文珠荣, 朴炳澯, 李东锡, 李淳钟, 禹奉周, 金光泰, 金学权, 金泰东 申请人:塞米西斯科株式会社