JP6893549B2 - 高次元変数選択モデルを使用した重要なパラメータの決定システム - Google Patents

Description

本開示は、製造ツールにおける重要なパラメータを決定するためのモデルに関する。

関連出願の相互参照
本出願は、２０１４年１２月３日に出願され、米国特許出願第６２／０８７，１８７号を付与された仮特許出願、および２０１５年６月２２日に出願され、米国特許出願第６２／１８３，１０１号を付与された仮特許出願の優先権を主張し、これらの特許出願の開示を本願に引用して援用する。

半導体製造プロセスでは、２つ以上の同一モデルの半導体製造ツール（「ツール」）が同様の結果を生成するのを保証するために、ツール整合が使用される。ツールは、例えば、半導体検査ツール（「検査ツール」）であってもよい。ツール整合は、検査ツールにとって特に重要であり得る。同一タイプの検査ツールによる検査結果間のばらつきは、製造プロセスに対する根本原因分析に影響を与える可能性がある。例えば、実際の半導体製造のドリフトが検査ツールのばらつきと混同されることがある。このことは、例えば、堆積厚さ、化学機械研磨均一性、またはイオン注入角度などの他のタイプの結果変動が根本原因分析に影響を与えることがあるため、他のツールにおいても重要であり得る。

半導体メーカーは、通常、定期的な予防保守（ＰＭ：ｐｒｅｖｅｎｔａｔｉｖｅ ｍａｉｎｔｅｎａｎｃｅ）中に検査ツールの整合作業を行う。保守スケジュールが限られているため、フィールドサービスエンジニアがツール整合作業を含むＰＭを完了するのに１日しかない場合がある。検査ツールがより強力な機能性および柔軟性を半導体メーカーに提供するにつれ、これらの検査ツールは、著しく複雑になってきた。何万ものパラメータが追跡され、収集されたデータは、フィールドサービスエンジニアにとって手に負えなくなる可能性がある。何万ものパラメータを精査して正確なパラメータを決定し、検査ツールと整合するように調整することは、フィールドサービスエンジニアにとって非常に厄介である。

検査ツールの複雑さは、それぞれの世代とともに増大する。ツール性能に著しく影響を与える重要なパラメータを知ることは、エンジニアが、現状のおよび次世代の検査ツールにおいてどの構成要素またはサブシステムを改善すべきかに関して判断する助けとなる。検査ツールを製造する場合、ツール仕様書を策定する必要がある。ツールに対して何千もの仕様書を策定することは、実際的でない。また、正確にツールの性能を特徴づける１０，０００を超える測定可能なパラメータから一握りのツールパラメータを選び出すことは、非常に厄介である。パラメータのこの小さなサブセットは、ツールの指紋として働き、ほとんどのツールばらつきを捕捉するのに十分であり、このため、そのセットに対する最良のツールパラメータを選択することが重要になる。

現在の手法では、欠陥標準ウェーハ（「ＤＳＷウェーハ」）と呼ばれる、欠陥の位置およびサイズがわかっている特殊なウェーハが生成される。検査ツールは、ＤＳＷウェーハを使用して、検出された欠陥領域をＤＳＷウェーハの実際の欠陥領域と比較し、例えば、０と１との間の類似性スコアを出力することがある。「マッチファクター」と呼ばれる類似性スコアまたは他のツール性能測定値は、システムレベルで検査ツールの性能を測定する。システムエンジニアは、どのパラメータがツール性能に影響を与える可能性があるかを吟味するために、一度に１つのツールパラメータをマッチファクターと相関させる。システムエンジニアは、妥当な時間ですべてのツールパラメータに対してこの作業を繰り返すことができないため、調査すべきパラメータの選択は、純粋にシステムエンジニアの主観的な裁量および経験に基づく。これによって、結果として重要なパラメータが見落とされる場合がある。「一度に１つのパラメータ」手法のもう１つの欠点は、その手法がパラメータ間の相互作用を見逃すということである。例えば、エンジニアは、２つのパラメータがマッチファクターに大きな影響を及ぼすのに気付くことがある。しかし、これらの２つのパラメータは、高度に相関性がある場合がある。例えば、一方が他方の代理である場合がある。したがって、両方のパラメータに対して仕様を監視し、生成することが冗長な場合がある。システムレベルの性能測定に加えて、本手法は、ツールのサブシステムおよび機能構成要素に適用され得る。

他の統計的プロセス制御方法は、ツール偏位を監視するために単一の効果的なツールパラメータを求めることに焦点を置く。しかしながら、この方法は、多量のツールパラメータを有するツールには効果がない場合がある。さらに、パラメータは、相互に関連がある場合があり、または考察に値する十分な効果を有さない場合があり、このことは、効果的なツールパラメータが意図しない効果を有する場合があり、または最大の潜在的効果を提供しない可能性があることを意味することがある。

米国特許出願公開第２０１４／０１３５９７０号

したがって、必要なのは、大量のツールパラメータを素早くナビゲートし、ツール性能に影響を与える可能性のあるいくつかの最も重要なパラメータを識別することができる技法である。

第１の実施形態において、システムが提供される。本システムは、半導体製造ツールから複数のセンサデータおよびパラメトリックツール測定値を受け取るように構成された入力ユニットと、複数のセンサデータおよびパラメトリックツール測定値から重要なパラメータのリストを決定するように構成された、入力ユニットと電気的に通信する高次元の変数選択ユニットと、重要なパラメータを通信するように構成された、高次元の変数選択ユニットと電気的に通信する出力ユニットと、を含む。重要なパラメータを表示するように構成されたディスプレイが出力ユニットに接続されてもよい。

半導体製造ツールは、半導体検査ツールであってもよい。半導体製造ツールは、ステージ、光源、画像プロセッサ、および入力ユニットに接続された光学部品を含むことができる。

第２の実施形態において、方法が提供される。本方法において、半導体製造ツールから複数のセンサデータおよびパラメトリックツール測定値が受け取られる。複数のセンサデータおよびパラメトリックツール測定値は、高次元変数選択モデルを使用して分析される。重要なパラメータのリストは、分析されたセンサデータおよびパラメトリックツール測定値を使用して、複数のセンサデータおよびパラメトリックツール測定値から生成される。半導体製造ツールは、半導体検査ツールであってもよい。

半導体製造ツールに関する重要なパラメータの少なくとも１つに対する設定を変更し、半導体製造ツールを正常な状態に戻すことができる。半導体製造ツールに関する重要なパラメータの少なくとも１つに対する設定を変更し、半導体製造ツールの結果を別の半導体製造ツールの結果と整合させることができる。半導体製造ツールについての仕様書は、重要なパラメータのリストに基づいて策定されてもよい。

高次元変数選択モデルは、弾性ネット、前進型段階的回帰、または最小角度回帰のうちの１つを含むことができる。高次元変数選択モデルは、式（ｍｉｎ（Ｙ−ＢＸ））^２＋λ（｜｜Ｘ｜｜＋｜｜Ｘ｜｜^２）を含むことができ、ただし、Ｙは、半導体製造ツールの性能測定値であり、Ｘは、入力パラメータのベクトルであり、Ｂは、推定すべき係数のベクトルであり、λは、パラメータ係数がペナルティを科せられる程度を制御する。

複数のセンサデータおよびパラメトリックツール測定値は、半導体製造ツールが使用されていない間に、収集されてもよい。

高次元変数選択モデルは、階層的に再パラメータ化されてもよい。

第３の実施形態において、重要なパラメータのリストを決定するための装置が提供される。本装置は、プロセッサと、プロセッサと電気的に通信する電子記憶装置と、プロセッサと電気的に通信する通信ポートと、を含む。プロセッサは、通信ポートで半導体製造ツールから複数のセンサデータおよびパラメトリックツール測定値を受け取り、高次元変数選択モデルを使用して、複数のセンサデータおよびパラメトリックツール測定値を分析し、分析されたセンサデータおよびパラメトリックツール測定値を使用して、複数のセンサデータおよびパラメトリックツール測定値から、重要なパラメータのリストを生成するようにプログラムされる。

高次元変数選択モデルは、弾性ネット、前進型段階的回帰、または最小角度回帰のうちの１つを含むことができる。高次元変数選択モデルは、式（ｍｉｎ（Ｙ−ＢＸ））^２＋λ（｜｜Ｘ｜｜＋｜｜Ｘ｜｜^２）を含むことができ、ただし、Ｙは、半導体製造ツールの性能測定値であり、Ｘは、入力パラメータのベクトルであり、Ｂは、推定すべき係数のベクトルであり、λは、パラメータ係数がペナルティを科せられる程度を制御する。

半導体製造ツールは、半導体検査ツールであってもよい。

プロセッサは、半導体製造ツールが使用されていない間に、複数のセンサデータおよびパラメトリックツール測定値を収集するようにさらにプログラムされてもよい。

プロセッサは、高次元変数選択モデルを階層的に再パラメータ化するようにさらにプログラムされてもよい。

本開示の本質および目的についてより完全に理解するために、添付図面とあわせて以下の詳細な説明を参照されたい。

本開示による高次元の変数選択ユニットを使用するシステムの実施形態のブロック図である。 本開示によるプロセスの実施形態の流れ図である。 弾性ネットを使用した例示的な結果である。 次世代ツールを開発する流れ図である。 ツールを点検する流れ図である。 ツールについての仕様書を策定する流れ図である。 本開示によるワークフロー実施形態の流れ図である。

特許請求される主題は、ある特定の実施形態の観点から記載されるが、本明細書に述べられる恩恵および特徴のすべてを提供するとは限らない実施形態を含む他の実施形態も本開示の範囲内にある。様々な、構造的、論理的、プロセスステップ、および電子的変更は、本開示の範囲から逸脱せずに行なわれてもよい。したがって、本開示の範囲は、添付された特許請求の範囲を参照することによってのみ規定される。

本明細書に開示された実施形態は、大量のツールパラメータを素早くナビゲートし、ツール性能に影響を与える可能性があるいくつかの最も重要なパラメータを識別することができる。ツール偏位を監視するために効果的なツールパラメータを求めることに焦点を置く他の統計的プロセス制御方法と異なり、本明細書に開示された実施形態は、ツール性能に影響を与えるツールの固有の重要なパラメータを優先させる高次元の統計手法を提供する。本発明は、検査ツールなどの複雑なツールが、製品開発、製造プロセス、ならびに点検のために考慮すべきおよび優先すべき７，０００を超えるパラメータを有する場合に、特に有用である場合がある。

図１は、高次元変数選択（ＨＤＶＳ）ユニット１０２を使用するシステム１００のブロック図である。入力ユニット１０１および出力ユニット１０３は、ＨＤＶＳユニット１０２と電気的に通信する。入力ユニット１０１は、ツール１０４からセンサデータおよびパラメトリックツール測定値を受け取るように構成されている。入力ユニット１０１とツール１０４との間の接続は、例えば無線であっても、または有線であってもよい。出力ユニット１０３は、重要なパラメータを通信するように構成されている。例えば、出力ユニット１０３は、ディスプレイ１０５に重要なパラメータを送ることができる。また、出力ユニット１０３は、報告書を生成する、スプレッドシートを作成する、文書を印刷する、または携帯機器と通信することができる。

センサデータは、温度または圧力などの、ツールセンサからの通常のデータであってもよい。一部のパラメトリックツールデータは、ツールの状態または性能のある態様を測定するために、センサデータから導出される。例えば、ヘッドルームは、ツールの光センサーからのデータから計算されるパラメトリックツールデータである。

ツール１０４は、検査ツール、計測学ツール、エッチングツール、堆積ツール、化学機械研磨ツール、イオン注入機、または他の半導体製造設備であってもよい。一事例において、ツール１０４は、検査ツール、例えば、欠陥検査のための検査ツールである。そのような検査ツールは、例えば、入力ユニット１０１と電気的に通信するステージ、光源、画像プロセッサおよび光学部品を含むことができる。一事例において、ツール１０４に対するコントローラは、検査ツールの様々な構成要素に関して入力ユニット１０１と通信する。

ＨＤＶＳユニット１０２は、センサデータおよびパラメトリックツール測定値からの重要なパラメータのリストを決定するように構成される。ＨＤＶＳユニット１０２は、プロセッサ１０６、プロセッサ１０６と電気的に通信する電子記憶装置１０７、およびプロセッサ１０６と電気的に通信する通信ポート１０８を含むことができる。

図２は、高次元変数選択モデルを使用して、重要なパラメータを決定するためのプロセスの実施形態の流れ図である。２００で、センサデータおよびパラメトリックツール測定値が図１のツール１０４などのツールから受け取られる。２０１で、センサデータおよびパラメトリックツール測定値がＨＤＶＳモデルを使用して分析される。これは、例えば、図１のＨＤＶＳユニット１０２において行われてもよい。２０２で、ＨＤＶＳモデルを使用して、重要なパラメータのリストがセンサデータおよびパラメトリックツール測定値から生成される。

重要なパラメータは、較正またはマッチファクターなどのツール性能測定に対して著しい望ましい効果を有するものである。したがって、重要なパラメータは、しきい値を超える効果を有するものであってもよい。このしきい値は、オペレータによって、ＨＤＶＳユニット１０２によって、または他の技法を使用して設定されてもよい。そのようなしきい値は、用途に応じて異なってもよい。例えば、しきい値は、特定の半導体メーカー、半導体設計、またはツールモデルに対してより高いもしくはより低い場合がある。重要なパラメータに対するしきい値は、さらなる調査の後に変えられてもよい。通常のパラメータと比較して、重要なパラメータは、特定のプロセスを特徴づけ、製造における統計的プロセス制御に影響を及ぼすように使用されてもよい。重要なパラメータは、仕様および／またはしきい値を有するパラメータに縛られなくてもよい。重要なパラメータは、ツール性能により大きな影響または最大の影響を及ぼすすべての利用可能なツール測定値のサブセットであってもよく、ほとんどのツールばらつきを説明するために使用されることがある。

一事例において、ツールが使用されていない間に、センサデータおよびパラメトリックツール測定値が収集される。主要なＰＭが行われるときに、ＤＳＷマッチファクターを含むより包括的なツールデータセットが取得されてもよい。新しいＤＳＷマッチファクターデータが利用可能になると、データ統合および前処理手順によって、異なるタイムスタンプの履歴ツールパラメータをＤＳＷマッチファクターに自動的に関連付けることができる。特に、ＤＳＷマッチファクターに対して、所定の時間窓に入るツールパラメータの最新の値が保持される。

ＨＤＶＳモデルは、回帰分析を使用してセンサデータおよびパラメトリックツール測定値などの変数間の関係を推定することができる。本明細書に記載されるＨＤＶＳモデルは、例えば、弾性ネット、前進型段階的回帰、最小角度回帰、または他の統計モデルであってもよい。実際のモデルは、用途、ツール、または利用可能なデータに応じて変わってもよい。弾性ネット、前進型段階的回帰、および最小角度回帰からの結果は、通常、矛盾することなく、オーバーラップしているが、弾性ネットは、その計算効率により選択されることがある。

弾性ネットは、ＬＡＳＳＯ（Ｌｅａｓｔ Ａｂｓｏｌｕｔｅ Ｓｈｒｉｎｋａｇｅ ａｎｄ Ｓｅｌｅｃｔｉｏｎ Ｏｐｅｒａｔｏｒ（最小絶対収縮および選択演算子））のＬ１およびＬ２のペナルティとリッジ回帰法を線形に組み合わせる、正則化された回帰モデルである。また、リッジ回帰は、ティーホノフの正則化として知られており、二次項に帰着する。弾性ネット正則化は、ＬＡＳＳＯの２つの限界を克服するために二次のリッジ回帰項を利用する。すなわち、（１）多数の変数ｐ、少数のサンプルデータｎの場合は、飽和の前に、せいぜいｍ個の変数を選択し、（２）高度に相関性がある変数の場合は、グループから１つの変数を選択し、他を無視する。弾性ネットモデルは、わずかの例しか有さない高次元のデータセットでは有利である場合がある。弾性ネットモデルは、自動変数選択および連続的な収縮を同時に行い、このモデルは、相関性のある変数のグループを選択することができる。

前進型段階的回帰は、最も説明能力を有する変数を見出し、その変数の重みを正確な方向に更新する回帰モデルである。前進型段階的回帰は、前進型選択の用心深いバージョンであり、逐次的な小さなステップで回帰関数を構築するための反復手順である。前進型段階的回帰は、スパースな回帰推定値のシーケンスを構築するためのストラテジーに従う。この回帰は、すべての係数がゼロに等しい状態からスタートし、現在の残差との内積の最大絶対値を実現する変数の係数を反復して（小量ずつ）更新する。

最小角度回帰（ＬＡＲＳ）は、回帰モデル選択方法である。ＬＡＲＳは、計算上、前進型段階的回帰のより高速のバージョンと考えられてもよく、段階的手順の無限小バージョンがコーナを回り、新しいベクトルをフォローし始める点を識別するのが比較的簡単であるという事実によって動機づけられる。ＬＡＲＳは、モデル中の変数のそれぞれと等しい相関をとるように選ばれた最適な方向に最適化された飛躍を行う。ＬＡＲＳは、前進型回帰と類似しているが、各ステップで変数を含む代わりに、推定されるパラメータを、それぞれのパラメータの残差との相関に対して等角方向に増加させる。ＬＡＲＳは、完全な区分的線形解経路を生成し、これは、モデルを調整するための同様の試みのクロス確認に有用である。各ステージで、ＬＡＲＳの近似値は、対応する通常の最小二乗推定値に接近するが、決して到達しない。

一例において、弾性ネットは、ＨＤＶＳモデルとして使用されてもよい。弾性ネットは、モデル中の過度の数のパラメータにペナルティを科すために通常の重回帰モデルに正則化項を加えることができ、これは、有益である場合がある。弾性ネットの実施形態は、以下の式１を使用する。
（ｍｉｎ（Ｙ−ＢＸ））^２＋λ（｜｜Ｘ｜｜＋｜｜Ｘ｜｜^２） （式１）

式１において、Ｙは、ＤＳＷマッチファクターなどのツールの性能測定値であり、Ｘは、入力パラメータのベクトルであり、Ｂは、推定すべき係数のベクトルであり、λは、パラメータ係数がペナルティを科せられる程度を制御する。図３で見られるように、グラフの上部の数は、０でない係数を有するパラメータの数である。０でない係数を有するパラメータのみがＤＳＷマッチファクターに影響を与えることができる。λ変数は、モデルの複雑さ（すなわち、パラメータの数および予測誤差）を制御する。図３を右から左に見ると、λが十分に大きい場合は、すべてのパラメータ係数はゼロに収縮する。λが徐々に増加するとともに、より多くの変数が０でない係数を有し、これらの変数は、ＤＳＷマッチファクターまたは他のツール性能測定値に大きな影響を与える可能性がある。垂直軸の平均二乗誤差は、予測精度の尺度である。特定の一例において、７８個のパラメータをモデルに入力した後に、さらに多くのパラメータをＨＤＶＳモデルに加えることによる恩恵は、ほんのわずかである。したがって、ＨＤＶＳモデルは、最も重要なパラメータとして７８個のパラメータを出力する。

高次元変数選択モデルは、階層的に再パラメータ化されてもよい。例えば、以下の式２および式３を参照されたい。
ｍｉｎ（Ｙ−ΣＢ_ｉＸ_ｉ）^２ （式２）
Ｘ_ｉ＝ΓＺ＋λ_ｉ（｜｜Γ｜｜＋｜｜Γ｜｜^２） （式３）

式２および式３において、Ｙは、ＤＳＷマッチファクターなどのツールの性能測定値であり、Ｚは、各サブシステムｉの入力パラメータのベクトルであり、Ｘ_ｉは、性能をサブシステムレベルで推定する陰の変数である。Γは、そのサブシステム内部の各入力パラメータの重みであり、一方、Ｂは、全体的なツール性能に対する各サブシステムの重み因子であり、λは、パラメータ係数がペナルティを科せられる程度を制御する。

ツールは、複雑である場合があり、いくつかのサブシステムを含むことがある。検査ツールでは、これらのサブシステムは、例えば、ステージ、光源、画像プロセッサ、および光学部品を含むことがある。システムエンジニアは、各サブシステムもしくは他の構成要素の性能が小さな一組のツールパラメータによってどのように特徴付けられるのか、またはすべてのサブシステムパラメータもしくは他の構成要素が全体としてどのように全体のツール性能に影響するのかを理解したいと思う場合がある。式２において、通常の回帰モデルは、ツール性能Ｙと各サブシステムの性能Ｘ_ｉとの関係を記述している。式３は、測定された変数Ｚがどのように特定のサブシステムの性能に影響するかをモデル化している。正則化項λ_ｉが各サブシステムに導入されており、それによりこのモデルのみが対応するサブシステムに影響を与える本質的な変数を選ぶことに留意されたい。

例えば、システムエンジニアによって、またはソフトウェアを介して、重要なパラメータリストが改良された後、ＨＤＶＳモデルは、再実行され、任意選択により改良される。このプロセスは、図７で見られるように、システムエンジニアが出力に満足するまで、繰り返されてもよい。ツールが使用されていないときに、パラメトリックデータが自動的に収集される７００。ＤＳＷマッチファクターは、ＰＭ中に得られる７０１。このパラメトリックデータおよび／またはＤＳＷマッチファクターデータは、対話型システムが重要なパラメータリストを繰り返し改良する前に７０３、統合され、前処理される７０２。重要なパラメータのリストは、データ収集を修正するために制御システムに送られる７０４。制御システムは、図７で見られるＨＤＶＳモデル−人間改良エンジンからの推奨に基づいて将来どのパラメータを収集するかを指図するために使用されることがある。

重要なパラメータは、複数のやり方で使用されてもよい。例えば、重要なパラメータのリストを使用して、次世代ツールを設計すること、ツールに関する重要なパラメータの少なくとも１つに対する設定を変更し、ツールを正常な状態に戻すこと、ツールの結果を別のツールの結果と整合させること、またはツールについての仕様書を策定することができる。これらの実施形態におけるツールは、例えば、検査ツール、エッチングツール、堆積ツール、化学機械研磨ツール、イオン注入機、または別の半導体製造設備であってもよい。

図４で見られるように、重要なパラメータのリストは、次世代ツールを設計するために使用されてもよい。ツール製造プロセス中に、様々なセンサデータおよびパラメトリックツール測定値がツールの挙動を評価するために収集される。定期的に、ツールは、検査能力を診断するためにＤＳＷウェーハを通過する。システムは、製造ライフサイクル全体を通して生成されるパラメトリックデータおよび性能データをすべて取り込む４００。次いで、システムは、ＨＤＶＳモデルを動作させ４０１、システムがツール性能に影響があると見なすパラメータのリストを出力する４０２。これらは、重要なパラメータである場合がある。その後、システムエンジニアまたはコンピューターソフトウェアは、パラメータのリストを精査し４０３、パラメータが次世代ツールにとって重要かどうかを判断することができる４０４。システムエンジニアは、ツール制御システムにおいて値を設定することができないモデル中の変数を削除する、新しい変数をモデルに加える、またはモデル中の変数と同様の変数を使用することができる。システムは、変更された入力変数でＨＤＶＳを実行する。反復プロセスは、システムエンジニアが次世代ツール開発に対して提案された重要なパラメータリストに満足するまで続く。次世代ツールに対する重要なパラメータリストが出力される４０５。

図５で見られるように、重要なパラメータのリストを使用して、ツールに関する重要なパラメータの少なくとも１つに対する設定を変更し、ツールを正常な状態に戻すこと、またはツールの結果を別のツールの結果と整合させることができる。予定されたＰＭ中に、同一のウェーハに対して用いられるツールが同様の結果、例えば、検査ツールの検査結果を有するように、ツールを互いに整合させることができる。予定外のフィールドエスカレーション中に、点検チームメンバーには、予期しないツール性能の根本原因を識別するのに限られた時間しかない。システムは、ツールが使用されていないときに自動的に収集されたパラメトリックデータ５００、およびＰＭ中に収集されたＤＳＷマッチファクターデータ５０１を使用し、ＨＤＶＳモデル５０２を適用して、重要なパラメータのリストを変更しツールを正常な状態５０３に戻すように提案することができる。続いて、フィールドサービスエンジニアは、ツールパラメータを調整し５０４、ＤＳＷ検査を再実行する５０５。それでも結果が予期した通りでない場合、フィールドサービスエンジニアは、入力パラメータに制約を加える、出力リストから無関係のパラメータを除去する、またはモデルに新しいパラメータを提案することができる。反復プロセスは、ツールが正常に戻り、他のツールと整合するまで続く５０６。パラメトリックデータ収集ストラテジーも更新され、より重要なパラメータ測定値の収集に焦点が置かれる。

図６で見られるように、重要なパラメータのリストを使用して、ツールについての仕様書を策定することができる。ツールについての仕様書は、例えば、新製品開発において使用されてもよい。重要なパラメータリストは、ツールの指紋として働くことができる。本明細書において前述されたものと同様に、システムは、製造中に収集されたデータ、例えば、ツールまたはツールファミリー６００に対するパラメトリック性能データに基づきＨＤＶＳモデルを動作させ６０１、重要なパラメータのリストを出力する６０２。ツールの各構成要素についての理解に基づいて、システムエンジニアは、重要なパラメータのリストを精査し６０３、そのリストがツール状態の態様をすべてカバーし、大多数のツールばらつきを捕捉し６０４、および／または十分に簡潔であるかどうかを確かめる。できる限り少ないツールパラメータを有する一方でほとんどのツールばらつきを捕捉することが望まれる場合があり、これは、十分に簡潔であることによって留意されるべきバランスの問題である。そうでない場合は、システムエンジニアは、リスト中のパラメータを変更し、システムエンジニアが結果に満足するまで、ＨＤＶＳモデルを再実行することができる。システムエンジニアは、重要なパラメータの最終的なリストにおいて各パラメータの上限および下限を策定することができる。重要なパラメータのリストがほとんどのツールばらつきを捕捉する場合、ツール指紋を出力することができる６０５。

識別される重要なパラメータに焦点を置くことによって、ツールを調整または設計するときの時間およびマンパワーを節約することができる。一事例において、テストウェーハ上の９９％を超える欠陥が、検査ツールの重要なパラメータが調整され、さもなければ最適化された後に、この検査ツールを使用して識別され得る。重要なパラメータのリストを決定する分析を完了するのに必要な時間量も減少する。例えば、以前は完了するのに数か月かかった重要なパラメータを見つけるツール分析は、本明細書に開示されたＨＤＶＳモデルの実施形態を使用して、数週間足らずで終了させることができる。

一例において、７，０００を超えるツールパラメータが１２０を超える検査ツールによる最終的なツール組立の後に収集され、ＨＤＶＳモデルに供給された。ＨＤＶＳモデルは、大量の入力パラメータと、ＤＳＷマッチファクターによって測定されたツール性能との関係を速やかに吟味し、次いで入力パラメータをツール性能に大きな影響を与える７８個の重要なパラメータのリストに絞り込んだ。これらの７８個の重要なパラメータは、わずか３％の誤差でツール性能を記述することができた。出力リストは、システムエンジニアがノイズの多いまたは無関係のパラメータをフィルター除去し、綿密に監視すべきおよび仕様書を策定すべきパラメータのリストを速やかに決定するのを支援する。本明細書に開示された実施形態は、次世代ツール開発における確信度、仕様書妥当性検証、製作所要時間、および点検ＰＭ規定を改善し、それによってこれらの実施形態が製品開発、製造、および点検にとって実用的なものとなる。

本開示は、１つ以上の特定の実施形態に関して記載されたが、本開示の他の実施形態が本開示の範囲から逸脱せずに行われてもよいことを理解されるであろう。したがって、本開示は、添付された特許請求の範囲およびその妥当な解釈によってのみ限定されると考えられる。

Claims (12)

1. 半導体製造ツールから複数のセンサデータおよびパラメトリックツール測定値を受け取るように構成された入力ユニットと、
   前記複数のセンサデータおよびパラメトリックツール測定値から重要なパラメータのリストを決定するように構成された、前記入力ユニットと電気的に通信する高次元の変数選択ユニットと、
   前記重要なパラメータを通信するように構成された、前記高次元の変数選択ユニットと電気的に通信する出力ユニットと、
   を備え、
   前記高次元の変数選択ユニットが、高次元変数選択モデルを用いて、前記複数のセンサデータおよびパラメトリックツール測定値を回帰分析するように構成され、
   前記重要なパラメータは、オペレータまたは前記高次元の変数選択ユニットにより用途に応じて設定されたしきい値を超える効果を有するパラメータである
   システム。
2. 請求項１に記載のシステムであって、
   前記半導体製造ツールが半導体検査ツールであるシステム。
3. 請求項１に記載のシステムであって、
   前記半導体製造ツールが、ステージ、光源、画像プロセッサ、および前記入力ユニットに接続された光学部品を備えるシステム。
4. 請求項１に記載のシステムであって、
   前記出力ユニットに接続され、前記重要なパラメータを表示するように構成されたディスプレイをさらに備えるシステム。
5. 請求項１に記載のシステムであって、
   前記高次元変数選択モデルが、式（ｍｉｎ（Ｙ−ＢＸ））^２＋λ（｜｜Ｘ｜｜＋｜｜Ｘ｜｜^２）を含み、ただし、Ｙは、前記半導体製造ツールの性能測定値であり、Ｘは、入力パラメータのベクトルであり、Ｂは、推定すべき係数のベクトルであり、λは、パラメータ係数がペナルティを科せられる程度を制御するシステム。
6. 請求項１に記載のシステムであって、
   前記高次元の変数選択ユニットが、前記高次元変数選択モデルを階層的に再パラメータ化するようにさらに構成されたシステム。
7. 請求項１に記載のシステムであって、
   前記出力ユニットが、前記半導体製造ツールに関する前記重要なパラメータの少なくとも１つに対する設定を変更し、前記半導体製造ツールを正常な状態に戻すようにさらに構成されたシステム。
8. 請求項７に記載のシステムであって、
   前記半導体製造ツールが、半導体検査ツールであるシステム。
9. 請求項１に記載のシステムであって、
   前記出力ユニットが、前記半導体製造ツールに関する前記重要なパラメータの少なくとも１つに対する設定を変更し、前記半導体製造ツールの結果を別の半導体製造ツールの結果と整合させるシステム。
10. 請求項９に記載のシステムであって、
    前記半導体製造ツールが、半導体検査ツールであるシステム。
11. 請求項１に記載のシステムであって、
    前記出力ユニットが、前記重要なパラメータのリストに基づいて前記半導体製造ツールについての仕様書を策定するようにさらに構成されたシステム。
12. 請求項１１に記載のシステムであって、
    前記半導体製造ツールが、半導体検査ツールであるシステム。

Images