[發明專利]高混合半導體制造中的深度學習模型

在審

• 申請號: 202211176999.6
• 申請日: 2022-09-26
• 公開（公告）號: CN115859764A
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 孫崳蕾;S·克雷恩;S·麥克威廉斯
• 申請（專利權）人: 昂圖創新有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/0442;G06N3/08
• 代理公司: 北京市漢坤律師事務所 11602
• 代理人: 魏小薇;吳麗麗

本公開涉及高混合半導體制造中的深度學習模型。公開了用于將神經網絡深度學習模型應用于針對諸如沉積、化學機械拋光(CMP)、蝕刻、光刻、電鍍等高混合半導體制造的制造策略的技術。描述了制造策略的訓練模式和正常操作模式。

相關專利申請的交叉引用

本申請要求2021年9月24日提交的美國臨時專利申請號63/247,904的優先權權益，該美國臨時專利申請的內容全文以引用方式并入本文。

技術領域

本公開整體涉及將諸如遞歸神經網絡(RNN)深度學習模型的深度學習網絡應用于針對諸如沉積、化學機械拋光(CMP)、蝕刻、光刻、電鍍等高混合半導體制造的制造策略。

背景技術

半導體制造通常利用線性工藝模型來處理參數，諸如計算沉積時間。例如，可使用層厚度對工藝時間的線性工藝模型來計算工藝時間。然而，線性工藝模型在其應用和使用方面可能受到限制。

在過去十年中，主要受到數據和計算能力可用性的極大擴展的驅動，人工智能(AI)和機器學習(ML)技術已經進入了許多不同的領域并且顛覆性地改變了我們的生活和問題解決方式。例如，這些技術可改進在線搜索和購物的結果，自定義廣告，定制新聞遞送，甚至駕駛汽車。最近，AI/ML自主地從數據中學習并且快速地找到模式和相關性的能力使得其可應用于半導體制造工業中的計量和檢查。然而，對半導體制造采用AI/ML技術仍是困難的，因為在半導體制造環境中構建和部署深度學習模型不是簡單、直接的過程，而是涉及復雜的步驟，尤其是在高混合制造環境中。

發明內容

本公開描述了用于將遞歸神經網絡(RNN)深度學習模型應用于針對諸如沉積、化學機械拋光(CMP)、蝕刻、光刻、電鍍等高混合半導體制造的制造策略的技術。

本公開描述了設置用于制造半導體器件的至少一個工藝參數的方法。該方法包括：接收關于至少一個工藝參數的上下文信息；將上下文信息輸入機器學習網絡；從機器學習網絡接收至少一個工藝參數的預測值；基于預測值設置至少一個工藝參數以制造半導體器件；接收半導體器件的與至少一個工藝參數相關聯的測量結果；以及將測量結果反饋到機器學習網絡。

本公開還描述了一種包括至少一個硬件處理器的控制系統。該控制系統還包括存儲指令的至少一個存儲器，該指令在由至少一個硬件處理器執行時致使至少一個硬件處理器執行包括以下方面的操作：接收關于至少一個工藝參數的上下文信息；將上下文信息輸入機器學習網絡；從機器學習網絡接收至少一個工藝參數的預測值；基于預測值設置至少一個工藝參數以制造半導體器件；接收半導體器件的與至少一個工藝參數相關聯的測量結果；以及將測量結果反饋到機器學習網絡。

本公開還描述了一種體現指令的機器存儲介質，該指令在由機器執行時致使機器執行包括以下方面的操作：接收關于至少一個工藝參數的上下文信息；將上下文信息輸入機器學習網絡；從機器學習網絡接收至少一個工藝參數的預測值；基于預測值設置至少一個工藝參數以制造半導體器件；接收半導體器件的與至少一個工藝參數相關聯的測量結果；以及將測量結果反饋到機器學習網絡。

附圖說明

附圖中的各個附圖僅示出了本公開的示例具體實施，而不應被視為限制其范圍。

圖1示出了根據本公開的一些示例的制造系統的示例部分。

圖2示出了根據本公開的一些示例的基于RNN深度學習模型的運行到運行(run-to-run)策略的框架。

圖3是根據本公開的一些示例的用于訓練RNN模型的方法的流程圖。

圖4示出了根據本公開的一些示例的沉積速率模型的精選特征的示例。

圖5示出了根據本公開的一些示例的轉換字符串數據的獨熱編碼的示例。

圖6示出了根據本公開的一些示例的用于以正常操作模式制造半導體器件的方法的流程圖。