[發明專利]一種關鍵尺寸控制方法及系統

在審

• 申請號: 202310007879.1
• 申請日: 2023-01-04
• 公開（公告）號: CN116053164A
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 王張柯;王娟
• 申請（專利權）人: 長鑫存儲技術有限公司
• 主分類號: H01L21/67
• 分類號: H01L21/67;G06N3/0499;G06N3/084
• 代理公司: 北京知聯天下知識產權代理事務所(普通合伙) 11594
• 代理人: 王沖

本公開提供一種關鍵尺寸控制方法及系統，屬于半導體生產制造技術領域，其中控制方法包括：獲取歷史數據；通過歷史數據建立和訓練神經網絡預測模型；獲取初始前層因素數據，將初始前層因素數據作為輸入變量輸入已訓練的神經網絡預測模型進行預測，輸出得到預測當層量測數據；根據預測當層量測數據滿足的預設條件，以在前層工藝中進行糾偏，以得到目標前層因素數據。本公開在前層就實現對于當層關鍵尺寸的預測和修偏，從而改善原本存在的調節滯后導致的當層關鍵尺寸檢驗結果偏差甚至報廢的問題。本公開針對關鍵尺寸超出標準的數據和在標準內的數據進行單獨訓練優化建立糾偏模型，避免干擾。

技術領域

本公開屬于半導體生產制造技術領域，特別涉及一種關鍵尺寸控制方法及系統。

背景技術

半導體制造的成本較高，一片晶圓(wafer)在關鍵尺寸(critical?dimension，CD)真實量測結果出來之前，對于一些由于已知問題的影響導致大概率報廢的晶圓(wafer)，需要盡最大可能拯救降低生產成本。

在動態隨機存儲器(DRAM)制程中，前層(pre?layer)A的尺寸會通過圖形向下傳遞，從而對當層(currentlayer)B的關鍵尺寸產生影響，前層A的其它工藝參數等各種因素在一定程度上都會對當層B的關鍵尺寸(Final?CD)產生影響。

現有技術在制程中，R2R(Run-to-Run)系統有提供前饋(Feed?forward)功能，以輸出的結果對輸入的影響因子例如工藝參數等進行適度調節，以期獲得更穩定的生產工藝參數控制，但目前這種參數控制方法限制了提前對關鍵尺寸進行準確的修偏。

如圖1所示，目前R2R存在的前饋(Feed?forward)的算法函數有以下幾種：簡單的函數控制(一元多次函數)、復雜函數控制(多元函數)和PID比例積分微分控制。

以上生產工藝參數控制方法均無法全部考慮復雜生產情況實現精準指導生產的目的，大大限制了該控制方式的準確定和適用性，無法提前對關鍵尺寸進行準確的修偏。

公開內容

針對上述問題，本公開提供一種關鍵尺寸控制方法及系統采用以下技術方案：

一種關鍵尺寸控制方法，包括以下步驟：獲取歷史數據，所述歷史數據包括歷史前層因素數據和歷史當層量測數據；通過所述歷史數據建立和訓練神經網絡預測模型；獲取初始前層因素數據，將所述初始前層因素數據作為輸入變量輸入已訓練的所述神經網絡預測模型進行預測，輸出得到預測當層量測數據；根據所述預測當層量測數據滿足的預設條件，以在前層工藝中進行糾偏，以得到目標前層因素數據。

例如，所述歷史前層因素數據具有多組，所述歷史當層量測數據包括各組所述歷史前層因素數據對應的歷史當層關鍵尺寸實測數據。

例如，通過所述歷史數據建立神經網絡預測模型，具體如下：

定義神經網絡預測模型的輸入層包括n個神經元，隱層包括m個神經元，輸出層包括1個神經元；

定義輸入層n個神經元中每個神經元表示一個輸入子變量，定義每個所述輸入子變量分別表示所述歷史前層因素數據中的一個；

定義隱層m個神經元中每個神經元表示一個隱層輸出變量；

定義輸出層輸出變量為預測的當層關鍵尺寸值，并構建預測函數。

例如，通過所述歷史數據訓練神經網絡預測模型具體如下：

將l組歷史前層因素數據輸入神經網絡預測模型的輸入層，經各隱含層逐層處理后，輸出l個輸出變量；

基于各輸出變量與對應的歷史當層關鍵尺寸實測數據之間的偏差值，更新隱含層的每個神經元與輸入層的每個神經元之間的權重，當輸出變量與對應的歷史當層關鍵尺寸實測數據之間誤差值小于設定誤差時，停止訓練，獲得所述已訓練的神經網絡預測模型。