[发明专利]高混合半导体制造中的深度学习模型

说明书

本公开涉及高混合半导体制造中的深度学习模型。公开了用于将神经网络深度学习模型应用于针对诸如沉积、化学机械抛光(CMP)、蚀刻、光刻、电镀等高混合半导体制造的制造策略的技术。描述了制造策略的训练模式和正常操作模式。

相关专利申请的交叉引用

本申请要求2021年9月24日提交的美国临时专利申请号63/247,904的优先权权益，该美国临时专利申请的内容全文以引用方式并入本文。

技术领域

本公开整体涉及将诸如递归神经网络(RNN)深度学习模型的深度学习网络应用于针对诸如沉积、化学机械抛光(CMP)、蚀刻、光刻、电镀等高混合半导体制造的制造策略。

背景技术

半导体制造通常利用线性工艺模型来处理参数，诸如计算沉积时间。例如，可使用层厚度对工艺时间的线性工艺模型来计算工艺时间。然而，线性工艺模型在其应用和使用方面可能受到限制。

在过去十年中，主要受到数据和计算能力可用性的极大扩展的驱动，人工智能(AI)和机器学习(ML)技术已经进入了许多不同的领域并且颠覆性地改变了我们的生活和问题解决方式。例如，这些技术可改进在线搜索和购物的结果，自定义广告，定制新闻递送，甚至驾驶汽车。最近，AI/ML自主地从数据中学习并且快速地找到模式和相关性的能力使得其可应用于半导体制造工业中的计量和检查。然而，对半导体制造采用AI/ML技术仍是困难的，因为在半导体制造环境中构建和部署深度学习模型不是简单、直接的过程，而是涉及复杂的步骤，尤其是在高混合制造环境中。

发明内容

本公开描述了用于将递归神经网络(RNN)深度学习模型应用于针对诸如沉积、化学机械抛光(CMP)、蚀刻、光刻、电镀等高混合半导体制造的制造策略的技术。

本公开描述了设置用于制造半导体器件的至少一个工艺参数的方法。该方法包括：接收关于至少一个工艺参数的上下文信息；将上下文信息输入机器学习网络；从机器学习网络接收至少一个工艺参数的预测值；基于预测值设置至少一个工艺参数以制造半导体器件；接收半导体器件的与至少一个工艺参数相关联的测量结果；以及将测量结果反馈到机器学习网络。

本公开还描述了一种包括至少一个硬件处理器的控制系统。该控制系统还包括存储指令的至少一个存储器，该指令在由至少一个硬件处理器执行时致使至少一个硬件处理器执行包括以下方面的操作：接收关于至少一个工艺参数的上下文信息；将上下文信息输入机器学习网络；从机器学习网络接收至少一个工艺参数的预测值；基于预测值设置至少一个工艺参数以制造半导体器件；接收半导体器件的与至少一个工艺参数相关联的测量结果；以及将测量结果反馈到机器学习网络。

本公开还描述了一种体现指令的机器存储介质，该指令在由机器执行时致使机器执行包括以下方面的操作：接收关于至少一个工艺参数的上下文信息；将上下文信息输入机器学习网络；从机器学习网络接收至少一个工艺参数的预测值；基于预测值设置至少一个工艺参数以制造半导体器件；接收半导体器件的与至少一个工艺参数相关联的测量结果；以及将测量结果反馈到机器学习网络。

附图说明

附图中的各个附图仅示出了本公开的示例具体实施，而不应被视为限制其范围。

图1示出了根据本公开的一些示例的制造系统的示例部分。

图2示出了根据本公开的一些示例的基于RNN深度学习模型的运行到运行(run-to-run)策略的框架。

图3是根据本公开的一些示例的用于训练RNN模型的方法的流程图。

图4示出了根据本公开的一些示例的沉积速率模型的精选特征的示例。

图5示出了根据本公开的一些示例的转换字符串数据的独热编码的示例。

图6示出了根据本公开的一些示例的用于以正常操作模式制造半导体器件的方法的流程图。