基板加热器中的多区加热器调谐的制作方法

本公开的实施例涉及基板加热器中的多区加热器调谐。

背景技术：

1、基板加热器通常包括基板支撑件内的单个加热元件，并且通过单个温度设定点来简单地控制。然而，在跨基板支撑件的温度分布不均匀的情况下，在放在基板支撑件上的基板上的被处理的膜或处理层可变得不均匀。甚至相当微小的温度变化可导致处理膜的厚度和/或其他膜相关性质出现若干百分点的变化，这可导致基板表面上的半导体制造不一致。当变化足够大时，具有严格公差要求的所制造装置可能不得不报废。

技术实现思路

1、本文描述的实施例中的一些实施例涵盖一种系统，所述系统包括包含基板支撑件内的多个加热元件的多区加热器，所述多区加热器被配置成加热正在处理的基板。多个加热元件对应于基板支撑件的多个区。系统可进一步包括耦接至多个加热元件的处理装置。处理装置将访问温度矩阵，所述温度矩阵包括对应于多个区的多个向量，其中每个向量中的值表示由于多个加热元件中的对应加热元件在温度设定点被激活而造成的跨基板支撑件上位置的温度上升。处理装置进一步通过将温度矩阵与权重向量相乘来确定基板支撑件的温度图。权重向量可含有温度矩阵的每个相应向量的估计权重值。处理装置进一步基于原始厚度图和温度图确定将在基板支撑件上处理的基板上膜的目标厚度图，原始厚度图包括数据，所述数据表征在均匀温度下加热的原始基板上跨原始膜的位置的原始厚度。处理装置进一步迭代地更新权重向量的估计权重值，使得温度图导致对目标厚度图中厚度值的标准偏差的最小化。处理装置进一步在处理后续基板时采用估计权重值作为多个加热元件中的相应加热元件的控制值。

2、在相关的实施例中，本文描述一种调谐多区加热器的方法。方法可包括使基板支撑件的多区加热器中的多个加热元件中的每个加热元件与被配置成在处理期间加热基板的基板支撑件的多个区中的区相关。方法可进一步包括由处理装置访问温度矩阵，所述温度矩阵包括对应于多个区的多个向量，其中每个向量中的值表示由于多个加热元件中的对应加热元件在温度设定点被激活而造成的跨基板支撑件上位置的温度上升。方法可进一步包括由处理装置通过将温度矩阵与权重向量相乘来确定基板支撑件的温度图，其中权重向量含有温度矩阵的每个相应向量的估计权重值。方法可进一步包括由处理装置基于原始参数图和温度图确定将在基板支撑件上处理的基板上膜的目标参数图，原始参数图包括数据，所述数据表征在均匀温度下加热的原始基板上跨原始膜的位置的工艺参数。方法可进一步包括由处理装置迭代地更新权重向量的估计权重值，使得温度图导致对目标参数图中参数值的标准偏差的最小化。方法可进一步包括由处理装置在处理后续基板时采用估计权重值作为多个加热元件中的相应加热元件的控制值。

3、在进一步实施例中，本文描述用于训练机器学习模型以产生可用于调谐多区加热器的温度矩阵的方法。方法可包括由计算装置接收包括多个数据项的训练数据集，所述多个数据项中的每个数据项包括跨含有多区加热器的基板支撑件的位置的一组温度值以及在基板支撑件上时受处理的基板上膜的一组厚度值。方法可进一步包括由计算装置将训练数据集输入至机器学习模型中。方法可进一步包括由计算装置基于训练数据集训练机器学习模型以产生经训练机器学习模型，所述经训练机器学习模型更新温度矩阵的值，所述温度矩阵包括与多区加热器的多个区相对应的多个向量。每个向量中的值表示由于将多区加热器的多个加热元件中的对应加热元件设定为一个或多个温度设定点而造成的跨基板支撑件上位置的温度上升，并且其中多个向量的组合包括可用于确保膜均匀性的阈值水平的跨基板支撑件的一组目标温度值。

4、在进一步实施例中，本文描述训练用于调谐多区加热器的机器学习模型的方法。方法可包括使基板支撑件的多区加热器中的多个加热元件中的每个加热元件与被配置成在处理期间加热基板的基板支撑件的多个区中的区相关。方法可进一步包括接收包括多个数据项的训练数据集，多个数据项中的每个数据项包括多个温度设定点和与基板相关联的厚度图。多个温度设定点可控制多个加热元件，并且厚度图包括数据，所述数据表征基板上跨膜的位置的膜厚度。方法可进一步包括由处理装置将训练数据集输入至机器学习模型中。方法可进一步包括由处理装置基于训练数据集训练机器学习模型以产生经训练机器学习模型，所述经训练机器学习模型接收目标厚度作为输入，并且输出针对多个加热元件的一组温度设定点，所述一组温度设定点产生具有目标厚度的膜。

5、在进一步实施例中，本文描述使用用于推断输入数据的机器学习模型以调谐多区加热器的方法。方法可包括将基板接收至处理腔室的基板支撑件上，所述基板支撑件被配置成使用与基板支撑件内的多区加热器的多个区相对应的多个加热元件在处理期间加热基板。方法可进一步包括由处理腔室的处理装置接收信息，所述信息指示将对基板执行的工艺以及基板上膜的目标厚度。方法可进一步包括将待执行的工艺或目标厚度中的至少一者输入至经训练机器学习模型中。经训练机器学习模型可输出针对多个加热元件的与工艺相关联的一组温度设定点，其中所述一组温度设定点产生具有目标厚度的基板上的膜，其中跨基板位置的厚度值的标准偏差小于阈值。方法可进一步包括由处理装置将多个加热元件设定为在所述一组温度设定点下操作。方法可进一步包括在所述一组温度设定点使用多个加热元件处理处理腔室中的基板。

6、根据本公开的这些和其他实施例提供大量其他特征。本公开的其他特征和实施例将在以下的详细描述、权利要求和附图中更加显而易见。

技术特征：

1.一种系统，包含：

2.如权利要求1所述的系统，其中通过确保所述厚度值的所述标准偏差小于阈值来执行对所述标准偏差的所述最小化。

3.如权利要求1所述的系统，其中所述多个向量中的向量中的值包含：

4.如权利要求1所述的系统，其中所述处理装置进一步用于：

5.一种方法，包含以下步骤：

6.如权利要求5所述的方法，其中通过确保所述参数值的所述标准偏差小于阈值来执行对所述标准偏差的所述最小化。

7.如权利要求5所述的方法，其中所述工艺参数为所述膜的消光系数(k)。

8.如权利要求5所述的方法，其中所述多个向量中的向量中的值包含：

9.如权利要求5所述的方法，进一步包含以下步骤：

10.一种方法，包含以下步骤：

11.如权利要求10所述的方法，其中所述机器学习模型为人工神经网络。

12.如权利要求10所述的方法，进一步包含以下步骤：使用厚度成像传感器产生所述基板上的所述膜的所述一组厚度值。

13.如权利要求10所述的方法，其中训练所述机器学习模型的步骤进一步包含以下步骤：在更新之前通过将权重向量与所述温度矩阵相乘来确定可用于后续训练迭代中的每一组温度值，其中所述权重向量含有所述温度矩阵的每个相应向量的估计权重值。

14.如权利要求10所述的方法，进一步包含以下步骤，对于将处理的后续基板：

15.如权利要求14所述的方法，进一步包含以下步骤：

16.如权利要求14所述的方法，进一步包含以下步骤：

17.一种方法，包含以下步骤：

18.如权利要求17所述的方法，其中所述机器学习模型为人工神经网络。

19.如权利要求17所述的方法，其中所述目标厚度为大体上均匀的厚度，所述厚度包含跨所述膜的位置的厚度值的标准偏差，所述标准偏差低于阈值。

20.如权利要求17所述的方法，进一步包含以下步骤：使用厚度成像传感器产生每个厚度图，所述厚度图包括所述基板上的所述膜的所述厚度值。

21.如权利要求17所述的方法，其中训练所述机器学习模型的步骤包括以下步骤：对于每个基板使所述多个温度设定点导致的跨所述膜的所述位置的温度值与跨这些位置的所述厚度图的厚度值的组合相关。

22.一种方法，其包含以下步骤：

技术总结
系统包括具有在基板支撑件内的加热元件的多区加热器，加热元件对应于基板支撑件的多个区。处理装置耦接至加热元件，并且访问具有与区相对应的多个向量的温度矩阵；通过将温度矩阵与权重向量相乘来确定基板支撑件的温度图，所述权重向量含有每个相应向量的估计权重值；基于原始厚度图和温度图确定基板上膜的目标厚度图，原始厚度图具有数据，所述数据表征均匀温度下跨原始膜的位置的原始厚度；迭代地更新估计权重值，使得温度图导致对目标厚度图中厚度值的标准偏差的最小化；以及采用估计权重值作为加热元件的控制值。

技术研发人员：马骏
受保护的技术使用者：应用材料公司
技术研发日：
技术公布日：2024/1/14